云环境下的能耗模型与节能调度策略研究

发布时间：2020-04-05 18:42

【摘要】：在计算力需求的快速增长的趋势下,云计算的规模不断扩大,云数据中心产生的高额能耗问题日益凸显。云数据中心规模庞大,具有异构性和频繁扩展等特点,因此基于物理设备传统监控的方式在云环境下可行性低,不能满足低成本、易扩展的监控需求。基于能耗模型的软件监控则能够以低成本的方式实现多粒度、高可扩展性的监控系统,十分适用于云数据中心内复杂的基础设施环境。更进一步,在能耗监控系统的支撑下,基于实时功耗信息优化资源调配是目前实现云计算节能的主要趋势。在这一背景下,本文以提升云数据中心的能效为基本目标,主要研究贡献包括:(1)给出了基于能耗模型来估算计算设备总功耗的基本方法,归纳了主要能耗部件(CPU、内存和磁盘)的主流能耗模型,分析了各模型的建模思想和主要缺陷。此外,在分析磁盘能耗特性的基础上,提出了一种I/O模式感知的磁盘模型。结合公开数据集和实际实验数据分析、评估和对比了各个能耗模型的准确度。(2)针对传统回归建模方法存在的准确性不足和无法进行增量训练的问题,本文提出需要考虑能耗序列在时间维度上的相关性,采用Elman神经网络(ENN)构建了一种“黑盒”能耗模型,并通过融合计算密集型和I/O密集型的负载训练数据使得模型在混合负载下具有较强的泛化能力。(3)在弹性云计算调度框架下,借助实时的节点功耗信息,本文提出了一种保证系统性能并降低云数据中心能耗的虚拟机调度策略(PEAS)。在给出峰值能效的数学定义的基础上,推导出了物理机的最佳利用率和最佳CRU供应量,其中CRU(Compute Resource Unit)是计算资源的抽象。针对虚拟机(VM)的放置,设计了峰值能效感知的虚拟机放置算法(PEAP),该算法充分考虑物理机的异构性,在放置VM时优先选择峰值能效高的主机,同时尽可能使主机运行在峰值能效状态。在VM迁移方面,本文则提出了峰值能效感知的低开销虚拟机迁移算法(PEACR),该算法采用动态阈值侦测低载主机,并以尽可能小的迁移代价实现虚拟机的重新放置,提升系统能效。在扩展的Cloudsim 3.0.3平台上的对比调度实验表明:PEAS以低开销的方式有效降低了云数据中心的能耗,保证甚至提升了系统性能,同时通过大大降低服务等级协议(Service Level Agreement,SLA)违反率的方式提升了云计算服务质量。
【图文】：

示意图,能耗模型,滑动窗口,网络结构

华南理工大学硕士学位论文经网络模型网络（BPNN）是在最基本的前馈神经网络结构上引入误差反, BP）训练机制的一种常用神经网络结构。与前馈神经网络相前向传递，在每一层的输入经过加权相乘后加上偏置并经过（非输出层则将本层输出传递到下一层作为输入）。PNN 来构建能耗模型有两种思路，分别对应于两种预测方式输出值预测当前输出值，即输入和输出均为固定大小时间窗模型为滑动窗口 BPNN 能耗模型，其网络结构如下图所示

示意图,能耗模型,系统利用率,网络结构

系统利用率为输入的 BPNN 能耗模型的网络结维特征输入，一般为系统某利用率指标。这种能缺陷——完全没有考虑功耗序列在时间上的相关经网络模型归网络模型(Non-linear Auto-Regressive Model, N络模型(Non-linear Auto-Regressive Model with网络的两种实现，普遍应用于在时间序列数据集接受过去的连续 n 个时刻的功耗值 p(t-n), p(t-n层则一般仅设置一个节点，对应当前时刻功耗 p构如图 4-3 所示。NAR 与滑动窗口 BPNN 模型态特征。所不同的是，NAR 的网络最终输出直
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP308

【参考文献】