基于任务分类的虚拟CPU调度模型

发布时间：2021-03-03 22:58

　　为了桥接语义鸿沟,提升I/O性能,需要对执行不同类型负载的虚拟CPU（v CPU）采取不同的调度策略,故而虚拟CPU调度算法亟需优化。基于KVM虚拟化平台提出一种基于任务分类的虚拟CPU调度模型STC（virtual CPU scheduler based on task classification）,它将虚拟CPU（v CPU）和物理CPU分别分为两个类型,分别为short v CPU和long v CPU,以及short CPU和long CPU,不同类型的v CPU分配至对应类型的物理CPU上执行。同时,基于机器学习理论,STC构建分类器,通过提取任务行为特征将任务分为两类,I/O密集型的任务分配至short v CPU上,而计算密集型任务则分配至long v CPU上。STC在保证计算性能的基础上,提高了I/O的响应速度。实验结果表明,STC与系统默认的CFS相比,网络延时降低18%,网络吞吐率提高17%～25%,并且保证了整个系统的资源共享公平性。 

【文章来源】：计算机应用研究. 2020,37(07)北大核心

【文章页数】：6 页

【部分图文】：

4 混合任务公平性测试

为进一步验证上述分析，本文在调度周期为24 ms，最小的时间片长度为3 ms的情况下和调度周期2.4 ms，最小时间片长度为0.3ms的情况下对虚拟机进行测试，测试结果如图2、3所示。图2测试显示了不同情况下虚拟机的I/O延时情况。测试分为四组，通过配置，将四个虚拟机与同一个物理CPU绑定，分别在一台主机上同时运行1～4个虚拟机并对它们进行ping测试，得到平均I/O网络延时。图3测试显示了不同情况下虚拟机执行计算密集型任务的性能。由于密码运算属于计算密集型任务，所以本文采用密码AES运算作为计算密集型任务对虚拟机进行测试，得到平均加密速度。图3 加密速度测试

加密速度测试


本文编号：3062080