数据包聚合算法提高云计算环境下的网络I/O虚拟化
发布时间：2020-12-08 12:33
通过介绍云计算现有环境下网络I/O虚拟化的架构模式,提出一种新的聚合方式来提高云计算环境下网络I/O虚拟化的效率。首先通过分析云计算环境下现有网络I/O虚拟化的过程,进行云环境下的联网性能评估,并在软件和硬件两方面,得出其网络I/O虚拟化的瓶颈。然后,通过提出基于I/O虚拟化的数据包聚合算法,进而大幅度提升云计算环境下网络I/O虚拟化的资源利用率,CPU利用率和内存利用率。最后通过包聚合标注工具,以矩阵的形式,证明该方法的效率。
【文章来源】：计算机应用与软件. 2016年01期 第127-130+133页
【文章页数】：5 页
【部分图文】：
基于I/O虚拟化模型的驱动域2联网性能评估
行数据的开始。最后的15个周期代表预充电延时:内存不得不等待很长时间知道再次访问时已经被初始化。2．4软件瓶颈分析为了克服由于内存延时带来的瓶颈，我们发现软件组件最有助于内存处理来减少内存延时。因此，针对一个数据包的转发路径，我们把软件组件分为五大函数类:e1000:物理设备驱动。桥:驱动域内数据包多路复用和分解函数的集合。I/O:通过事件通道和内存，驱动域和虚拟机之间的传输处理数据包的函数。Xen_D0:管理程序和Domain0时序安排的函数和管理虚机并保护对内存的访问。VM:已经正常运转的虚拟机。图2一个虚机内的各函数类的内存处理图2描述了随着速率的增加，以上五类各自内存处理的情况。我们首先可以看到当输入速率超过80Kp/s时，完成内存处理的总数停滞在15MT/s。根据前面瓶颈分析过程，我们可以发现这个结果证明了内存延时作为瓶颈的问题。再进一步说，我们可以发现超过50%的内存处理都是通过I/O函数来实现的。为了使网络能够更快地提高输入速率，我们深入研究下这些函数。这些函数包含了转发操作。这些操作很可能需要最多的内存处理。表1列出了这些函数。我们发现以下列出的函数产生了67．59%的内存处理，并且只有物理驱动(Phycial_Driver)需要唤醒在驱动域与虚拟机间传输数据的I/O通信。它们分表代表了驱动域所要求的授权来访问虚拟机的内存页(gnttab_copy，gnttab_end_foreign)，复制数据包过程中的缓存分配(alloc_skb)，复制数据包(memcpy)，并通知netfront。其中的
forCinC_ListdoifC．D_MAC=P．D_MACthenifC．size+P．size＞VthenSend(C)Create_C(P)elseAdd_offset(P．size)Add_data(P．data)C．size＜－C．size+P．size+2endifelseCreate_C(P)endifendforendwhile算法2Create_C(P)函数C．MAC＜－P．MACC．size＜－P．size+2C．Timeout＜－TAdd_offset(P．size)Add_data(P．data)算法3包提取whileC≠NulldowhileC．size＞0doOffset＜－Get_offsetP＜－Extract(Offset)Send_upperlayer(P)endwhileendwhile3．2聚合性能评估3．2．1情形图3显示了在以聚合为基础的系统，一个数据包的转发路径。随着数据包从NIC的接收(Polldevice)，然后数据包就被聚合(进容器container)，然后发送给连接到虚拟网卡的Guest域(发送模块ToDevice)，数据包在Guest域被提取(Unloder)。图3数据包转发路径3．2．2延时和抖动提高吞吐量很明显能够减少数据包丢失率。在输入速率达到80Kp/s之时，丢失率会超过90%。在3．2．1节所述的情形下，我们评估了数据包到达网络设备时与离开系统时的时间差。我们描绘了数据包的平均延时并让输入速率函数作为其最大的抖动值。这种抖动值的计算方法是通过ＲFC1889中提到的方法计算的。然而这种抖动值也能很好地展示出这种聚合系统在延时变化的影响。相对于同一个容器中的两个相邻的数据包而言，一个容器的最后一个包和来自下一个容器的第一个包的延时是很高的。很明显，大容器能够获得很高的吞吐量，然而却会以更大的超时所带来的延时作为代价。3．2．3内存和CPU消耗图4、图5和图6、图7分别借助接收与转发数据包的状态与输入速率与内存处理的状态，来显示非聚合系统与聚合系统的内存状态、CPU状态。我们发现，当接收/转发吞吐量大幅度增加
【参考文献】：
期刊论文
[1]MR-IOV:下一代数据中心I/O虚拟化技术[J]. 喻波,胡怀湘. 计算机技术与发展. 2013(10)
[2]基于云计算的虚拟化技术原理与应用分析[J]. 玄文启. 中国科技信息. 2012(23)
[3]云计算环境下分布式缓存技术的现状与挑战[J]. 秦秀磊,张文博,魏峻,王伟,钟华,黄涛. 软件学报. 2013(01)
本文编号：2905092
【文章来源】：计算机应用与软件. 2016年01期 第127-130+133页
【文章页数】：5 页
【部分图文】：
基于I/O虚拟化模型的驱动域2联网性能评估
行数据的开始。最后的15个周期代表预充电延时:内存不得不等待很长时间知道再次访问时已经被初始化。2．4软件瓶颈分析为了克服由于内存延时带来的瓶颈，我们发现软件组件最有助于内存处理来减少内存延时。因此，针对一个数据包的转发路径，我们把软件组件分为五大函数类:e1000:物理设备驱动。桥:驱动域内数据包多路复用和分解函数的集合。I/O:通过事件通道和内存，驱动域和虚拟机之间的传输处理数据包的函数。Xen_D0:管理程序和Domain0时序安排的函数和管理虚机并保护对内存的访问。VM:已经正常运转的虚拟机。图2一个虚机内的各函数类的内存处理图2描述了随着速率的增加，以上五类各自内存处理的情况。我们首先可以看到当输入速率超过80Kp/s时，完成内存处理的总数停滞在15MT/s。根据前面瓶颈分析过程，我们可以发现这个结果证明了内存延时作为瓶颈的问题。再进一步说，我们可以发现超过50%的内存处理都是通过I/O函数来实现的。为了使网络能够更快地提高输入速率，我们深入研究下这些函数。这些函数包含了转发操作。这些操作很可能需要最多的内存处理。表1列出了这些函数。我们发现以下列出的函数产生了67．59%的内存处理，并且只有物理驱动(Phycial_Driver)需要唤醒在驱动域与虚拟机间传输数据的I/O通信。它们分表代表了驱动域所要求的授权来访问虚拟机的内存页(gnttab_copy，gnttab_end_foreign)，复制数据包过程中的缓存分配(alloc_skb)，复制数据包(memcpy)，并通知netfront。其中的
forCinC_ListdoifC．D_MAC=P．D_MACthenifC．size+P．size＞VthenSend(C)Create_C(P)elseAdd_offset(P．size)Add_data(P．data)C．size＜－C．size+P．size+2endifelseCreate_C(P)endifendforendwhile算法2Create_C(P)函数C．MAC＜－P．MACC．size＜－P．size+2C．Timeout＜－TAdd_offset(P．size)Add_data(P．data)算法3包提取whileC≠NulldowhileC．size＞0doOffset＜－Get_offsetP＜－Extract(Offset)Send_upperlayer(P)endwhileendwhile3．2聚合性能评估3．2．1情形图3显示了在以聚合为基础的系统，一个数据包的转发路径。随着数据包从NIC的接收(Polldevice)，然后数据包就被聚合(进容器container)，然后发送给连接到虚拟网卡的Guest域(发送模块ToDevice)，数据包在Guest域被提取(Unloder)。图3数据包转发路径3．2．2延时和抖动提高吞吐量很明显能够减少数据包丢失率。在输入速率达到80Kp/s之时，丢失率会超过90%。在3．2．1节所述的情形下，我们评估了数据包到达网络设备时与离开系统时的时间差。我们描绘了数据包的平均延时并让输入速率函数作为其最大的抖动值。这种抖动值的计算方法是通过ＲFC1889中提到的方法计算的。然而这种抖动值也能很好地展示出这种聚合系统在延时变化的影响。相对于同一个容器中的两个相邻的数据包而言，一个容器的最后一个包和来自下一个容器的第一个包的延时是很高的。很明显，大容器能够获得很高的吞吐量，然而却会以更大的超时所带来的延时作为代价。3．2．3内存和CPU消耗图4、图5和图6、图7分别借助接收与转发数据包的状态与输入速率与内存处理的状态，来显示非聚合系统与聚合系统的内存状态、CPU状态。我们发现，当接收/转发吞吐量大幅度增加
【参考文献】：
期刊论文
[1]MR-IOV:下一代数据中心I/O虚拟化技术[J]. 喻波,胡怀湘. 计算机技术与发展. 2013(10)
[2]基于云计算的虚拟化技术原理与应用分析[J]. 玄文启. 中国科技信息. 2012(23)
[3]云计算环境下分布式缓存技术的现状与挑战[J]. 秦秀磊,张文博,魏峻,王伟,钟华,黄涛. 软件学报. 2013(01)
本文编号：2905092
本文链接：https://www.wllwen.com/kejilunwen/jisuanjikexuelunwen/2905092.html
