云计算环境下资源调度机制的研究.doc

云计算环境下资源调度机制的研究
摘要：在云环境中，由于需求的不确定性和节点的资源处理能力的差异，节点之间必定会出现资源分配不均衡问题，这将导致节点负载差异大,直接导致了资源的利用率降低,从而影响云环境下的资源利用。本文首先分析了常用的负载均衡算法，提出了基于概率预测的负载平衡算法，其本质是对处理能力优先的权重分配算法的改进，针对采用固定权重引起的效率问题，通过动态调整和反馈预测，结合任务请求类型进行任务分配.通过CloudSim仿真平台的仿真，并与其他分配算法相比，实验结果表明,该算法可以高效率完成虚拟机放置，使得云数据中心的物理机具有较低的负载不均衡度, 提高了系统资源的利用率.
关键字云计算 资源调度 负载均衡 云计算仿真器
Abstract
In the cloud environment， because of demand uncertainty and difference in procession ability of node resources， it will inevitably appear unbalance problem in certain node， this will cause large difference in node load and directly causes decrease in resources utilization， so it greatly affects resources utilization under cloud environment。 This paper firstly makes analysis on the usual load balance algorithm， it proposes load balance algorithm of probability prediction based on dynamic feedback， its nature is the improvement for weight allocation algorithm with superior procession ability, for the efficiency problems caused by fixed value， and it can allocate tasks by combing with task pattern of user request。 Through the simulation of CloudSim simulation platform, and compared with other allocation algorithms， the experimental results show that the scheduling algorithm can quickly complete the placement of virtual machine， and the physical machine cloud data center has a low load imbalance degree， improve resource utilization rate。
Keywords： Cloud computing； Load balancing; Probability prediction
0 引言
云计算（cloud computing）是基于互联网的相关服务的使用和交付模式，通过互联网来提供动态可扩展且虚拟化的资源。云环境下部署了大量的虚拟机向用户提供服务。云数据中心在分配资源时取得各虚拟机节点的负载平衡相对比较困难，这是由客户需求的不一致性特征和云计算基础架构的异构特征导致的,而这进一步造成了服务性能的不均衡现象，因而云计算环境下的资源调度和资源优化问题成为近年来研究的热门领域。
文献1提出在云计算环境下将虚拟机引入到负载问题中，建立虚拟机中心节点负载平衡策略。文献2基于对常见的集群负载均衡算法的分析比较，提出了一种具有更好负载平衡度和更少任务加载时间的负载均衡算法，但是该算法的缺点也是突出的，即复杂度过高。文献3提出了一种基于虚拟机实时迁移的分布式负载均衡算法；文献4建立了一个三层体系结构来实现虚拟化存储.文献5提出了一种基于OLB 算法和LBMM算法的复合算法，但该算法的前提是必须在静态的情况下，并不适合动态的云计算环境。文献6运用集群智能算法来解决云计算环境下的负载均衡问题。文献7使用一种模糊聚类分析的方法处理云计算中的负载均衡问题，取得了一定的效果。文献8采用启发式分布估计算法来对虚拟资源进行调度，其首先将任务调度至虚拟资源，然后再将虚拟资源调度到物理设备.文献9采用最大—最小负载均衡机制思想，提出了基于复杂网络的负载均衡算法,但是该方法只能取得资源负载的相对均衡。文献10采用加权最小连接调度算法,该算法利用不同的权值表示物理机的性能，当前数量与权值之比最小的物理机优先获得虚拟机分配权.静态调度算法的优点在于简单易行,但是并不适用于云计算环境下的资源调度，体现在负载均衡的效果并不理想。原因包含以下两方面：一、云数据中心大规模资源异构性强；二、用户的需求的不一致。本文根据云计算环境下负载本身的特点，考虑到任务完成时间，提出了一种基于概率预测的负载均衡算法，在一定程度上改善了云计算环境中的资源调度效率，通过仿真实验验证了文中算法的优越性。
1.基于概率预测的云计算资源负载均衡算法描述
1.1排队网络模型
在传统算法中，一般将请求近似为泊松分布，造成了一定的误差。为了确保算法的通用性和准确性,本文采用了现代乘积形式排队模型，简称 MPQM 模型。MPQM模型中可以有多种类型的服务中心、顾客以及外界输入,因而具有广泛的应用领域,本小节中主要是应用该模型将概率转化为乘积形式的解。
假设S是在MPQM队列的服务器模型中的一个集群服务器，，由M台服务器组成,并且有C种类型的资源请求，假设K节点上的J类请求的数目用nkj表示。而Uk（t）表示在资源k上的j类请求的概率和请求率的乘积。
资源 K 的利用率 Uk（t）:
公式3-4
现实中资源利用率必定小于 1：
公式3—5
在满足上述条件的基础上，能够避免服务器资源的过载现象。
下面表达式表达的是j类请求对应的平均响应时间.
公式3—6
所有类型的平均响应时间：

公式3—7
如上所述,资源利用率和平均响应时间可以通过λkj(t）和 Dkj表示出来，而上述两者是评价负载均衡最重要的两个因素。
1。2拉伸系数
负载均衡的目标是提供最短的平均请求响应时间，即依照服务器的性能来分配与其相称的任务。但是，当大量请求之间的服务时间存在较大差异时，使用请求响应时间来评价系统并将其作为主要指标存在一定的不科学型。因此,本文在系统评价中引入了拉伸系数的概念。
拉伸系数表示的是请求等待时间和服务时间的比值,而在服务器上j类请求的平均等待时间和服务时间分别用Rmij（t)和 Rij(t）表示，j 类请求在 i 服务器上的概率定义为Pij（t）。而每个服务器权重则描述为总拉伸系数,定义为：
公式3-8
设 λij（t）为单位时间内 j 类请求在 i 服务器上访问的总数,则:
公式3-9
1.3效用函数
效用函数通常用来表示消费者在消费中所获得的效用与所消费的商品组合之间数量关系的函数，以衡量消费者从消费既定的商品组合中所获得满足的程度。效用函数F表示服务器中的跟踪测定值，用来表示真实测量值和评价拉伸系数之间的差距.
公式3—10
这里 S（t)为每一个请求的拉伸系数， s（tt）为平均拉伸系数，效用函数的形状由α 和 β 确定。实验结果表明:α 和 β大于等于2时,其增长对结果影响较小，可以忽略不计，而本文中采取的算法中都满足以下条件：α=β=2.
服务器 i的权重 Wi（t）是和服务器处理能力成正比的，因此权重较高的服务器可以接受的请求量更大。公式3-11描述了如何根据输出的效用函数来定义服务器的权重：
公式3—11
其中,(1-Ui(t））表示预测的剩余资源， F1ST表示的是根据反馈信息效用函数做出的准确预测。
效用函数的引用能够对服务器负载的动态调整做出准确反映，能够实现对不同的输入目标进行不同的评估.
2.算法实现
静态调度算法是传统的计算方式，可以收集用户信息，采用相对严格的方法来选择确定的集群，并不适用于用户请求高差异性的系统.将接受到的用户信息根据要求进行平均分配，在合适的服务群中体现是负载均匀算法的主要目标,本文采用的云计算方法以概率预算为基础，也属于负载均衡运算的范畴，由于具备较高权重的处理，被选中的概率较大。
本文所提出的基于概率预测的负载均衡算法利用动态调整并可预测的概率权重代替固定权值，以平衡各个服务器节点上的负载， 同时兼顾到任务之间并行性以及任务优先级.利用给定的阈值来衡量负载均衡程度。单位时间内的实际请求个数不确定，本文采用了概率预测的方式对其权重进行准确赋值，并对每一个在服务器i上的心情求概率进行定义和加权处理，
公式3-12
对于每个服务器，其概率范围定义在：
公式3-13
其中规定PA。
根据上述定义， 基于概率预测的负载均衡算法模型可以描述为:新的响应求情被分配资源后，必须选择一定的服务器i，并在服务器上分配0到1之间的随机数，用公式3—13表示其范围,而公式3—14即为分配给新请求的节点。
公式3—14
3。仿真实验
为了验证本文负载均衡算法的可行性和有效性，本文选择云计算仿真平台CloudSim 3.0进行模拟仿真.通过 CloudSim 中的 DataCenter、Cloudlet、VM及一些辅助类模拟云计算和网络资源,创建任务和虚拟机,构建云计算的局部仿
真环境。其任务建立的代码如下所示:
图1。
衡量负载均衡算法的性能有两个重要评价指标：任务完成时间和负载均衡度。本文选择的对比测试算法为比较有代表性的文献[2］、文献［4]和文献［7]中提到的三种算法。
图2表示文献［2]，文献[4]，文献［7]和本文三种资源负载均衡算任务完成时间及负载比较,从图2 中可以发现:与文献［2]，文献［4］和文献[7]相比，本文所提出的算法任务完成时间最短，而曲线的平稳体现出负载均衡度的稳定性。图3 中，其他三种算法的负载均衡度变化幅度大，不稳定.测试结果表明：相对于其它三种算法，本文提出的基于动态反馈的概率预测负载均衡算法算法任务完成时间更短,取得了更好的负载均衡效果，有效提高了集群的整体性能。
4.结束语
资源调度是云计算环境下的一个关键问题,本文首先分析了常用的负载均衡算法，提出了基于动态反馈的概率预测负载均衡算法，其本质是对处理能力优先的权值分配调度算法的改进，针对其固定权值所引起的效率问题,通过反馈预测和动态调整，结合用户请求的任务类型进行任务分配.通过CloudSim平台进行实验模拟仿真，验证了该算法有效地完成云环境下资源的分配工作， 具有较高的执行效率和较低的负载不均衡度
参考文献
[1] P。 Wright， Y。 L. Sun, T. Harmer， A. Keenan， A。 Stewart and R。 Perrott。 （2012）A Constraints-Based Resource Discovery Model for Multi-Provider Cloud Environments. Journal of Cloud Computing： Advances, Systems and Applications, 1（1）, 6.
[2] Zhao Qiang，Xiao Ren—Bing。 (2007)The Virtual Enterprise Information Sharing of the Game Theory and Mechanism Design。 Computer Integrated Manufacturing System， 13（8):1566—1571。
[3] H。 L。 Truong and S。 Dustdar。 (2010) Composable Cost Estimation and Monitoring for Computational Applications in Cloud Computing Environments。 Procedia Computer Science， 1（1）， 2175-2184
[4] T。 Harmer， P. Wright, C. Cunningham， J。 Hawkins and R。 Perrott。 (2010) An Application—Centric Model for Cloud Management。 Proceedings of the 6th World Congress on Services, Miami， 439- 446。
[5] Maji， P。K.， Bismas， R. and Roy， A。R。 (2010） Soft Set Theory. Computers ＆ Mathematics with Applications， 45， 555—562。
[6] Qi， G。， Ji, Q。， Pan， J。Z。 and Du， J。 （2011） Extending Description Logics with Uncertainty Reasoning in Possibilistic Logic. International Journal of Intelligent Systems， 26, 353-381。
[7] Aktas, H。 and Cagman， N。 （2007） Soft Sets and Soft Groups. Information Sciences, 177， 2726—2735。
[8] Y. L。 Sun, R. Perrott， T。 Harmer， C. Cunningham and P。 Wright. （2010)An SLA Focused Financial Services Infrastruc- ture. Proceedings of the 1st International Conference on Cloud Computing Virtualization （CCV 2010）， Singapore， 2010.
[9] Rudolph， S. （2011） Foundations of Description Logics. In: Polleres， A., D’Amato， C。， Arenas, M。， Handschuh， S.， Kroner，P.， Ossowski， S。 and PatelSchneider, P.F。， Eds。Reasoning Web。 Semantic Technologies for the Web of Data, LectureNotes in Computer Science， Springer, Berlin, Heidelberg， 76-136。
[10] CALHEIROS R N，RANJAN R, De ROSE C A F， et al。 （2009）Cloud—Sim:A novel framework for modeling and simulation of cloud computing infrastructures and services．Parkville VIC： The University of Melbourne Australia，Grid Computing and Distributed Systems Laboratory。