基于OpenStack的资源负载预测方法研究

发布时间：2019-10-16 21:49

【摘要】：数据中心的能耗在云计算高速发展的同时不断增加,提高服务器资源利用率,进而提高数据中心的能效成为新的研究方向。基于OpenStack开源云计算平台,利用回归分析方法,预测云计算环境下服务器负载情况的变化,提出资源动态调度算法,将计算任务迁移到更合适的服务器,达到提高集群计算能效的目的。通过CPU计算能力的实验验证了该算法的有效性,实现了云计算环境下CPU计算能效的提高。
【图文】：

动态调度,算法流程

［12～14］，但是服务质量与整体能耗相互矛盾，因此在确定动态调度算法的时候需要确定这两个因素的主次，在两者之间找到一个良好的平衡。由于用户对于服务的质量要求比较高，因此服务质量是动态调度算法的首要考虑因素。为了对集群的整体影响做到最小，还需要考虑不同服务器的开关机时机等问题［15，16］。根据对迁移主要步骤的分析，将主要的调度步骤分为两种:a)迁移时机的确定，包括迁移的触发步骤;b)迁移对象的选取，包含作为迁移虚拟机的选取和目标物理服务器的选龋资源动态调度算法的整体流程如图1所示。图1动态调度算法流程动态调度的过程中循环获取OpenStack资源池中的所有资源的信息，根据负载情况判断资源池中运行节点的数量。通过收集各个工作节点的CPU利用率、内存利用率以及网络带宽的使用情况，根据数据中心所有节点的CPU综合负载情况判断整体是否负载过高。如果数据中心负载过高，则开启候补节点，使之成为运行节点并对其进行迁移保护，以防止新开启的运行节点因为在短时间内满足闲置节点条件而被关闭，或者由于初始阶段负载过低，触发迁移条件而使得刚刚迁移进来的虚拟机被迁移出此节点，形成不必要的迁移。2.2虚拟机迁移的触发策略直接决定迁移时机的因素便是迁移条件的设置，在完成资源池中所有运行节点的状态信息收集之后，检查每个运行节点的各项检测项，其中主要包括CPU利用率、内存利用率和带宽［17～19］的使用。检查每个检查项是否满足迁移条件。迁移条件包含两个方面的限制，分别为上限触发条件和下限触发条件。上限触发条件的主要作用是为了降低高负载运行节点的负载，从而保证运行于此节点上的各个虚拟机的运算能力满足用户的需求。在满足上限触发条件的运行节点上选择合适的虚?

拟合曲线,利用率,拟合曲线

瘸鱿值难猗荆噫跣⊙猗炯彡拇笮。嚆缓笫褂檬Ｏ碌难猗炯犸?去估计，阈值λ的设置会对结果造成很大的影响。模拟数据的CPU利用率如表1所示。表1CPU利用率模拟数据tr/%tr/%tr/%19482815252859341623364102617274551132181954812261923637132720167341422－－模拟数据中CPU的利用率随着时间的推移而不断下降，并且下降的速度不断减慢，CPU利用率在下降的过程中存在振荡。为了确定不同的阈值对数学模型准确度的影响，取λ的值为60与30进行拟合，将拟合结果与真实的CPU利用率进行对比，对比结果如图2所示。图2CPU利用率拟合曲线从图中可知，λ=30时的拟合效果相对于λ=60时更加接近真实情况。随着λ值的减小，，拟合曲线所包含的样本集中样本的数量逐渐减少，但是拟合的效果却更加接近真实的情况。在λ=60时，经验回归方程为r=－2.135t+65.98包含了时间为3～20的样本，σ2^的最终值是42．68。而在λ=30的情况下，得到的经验回归方程为r=－1.513t+56.21，所包含的样本中分布在时间为5～20的样本，并且最终的σ2^值为20.36。可见在这两种情况的对比下，λ所取值越小，便越接近于最近样本的分布;但是随着λ的不断减小，拟合所包含的样本数也会变小;当样本数很小的情况下，反而更加不利于未来趋势的预测。4实验及结果分析本文采用来自航空管理系统在实际运行情况下的负载数据进行算法验证。由于直接运用原数据并无法详细验证算法在各个方面的具体表现，并且数据很多细节由于持续时间较短而不利于捕获，因此将完整的运行数据，根据执行不同任务时的负载经过适当的放大与调整后形成一系列任务集合。实验环境由四台物理服务器组成，测试系统的虚拟机配置信息如表2所示。表2虚拟机配置信息属性配置信息虚拟
【作者单位】：东北大学软件学院;
【基金】：辽宁省科技项目博士启动基金资助项目(20111001) 中央高校基本科研业务费资助项目(N110417004) 辽宁省科技攻关项目(2011216027)
【分类号】：TP308

【相似文献】