面向能效的云计算虚拟化资源提供方法研究

摘要

随着云计算产业的迅猛发展，大规模数据中心的能耗问题变得日益严峻。工业和学术界都开始努力尝试使用各种技术以提高数据中心的能效。其中，最重要同时也是云计算采用的最关键技术之一就是资源的虚拟化。相对于非虚拟化系统，虚拟化技术带来的弹性能显著提高系统资源利用率，达到节能减排的目的。然而，对共享资源的竞争也使得虚拟机内的应用程序性能受到威胁，这直接影响到云服务的质量，进而影响服务提供商的收益和最终用户体验。如何在这样的虚拟化平台上实现性能和能耗的最佳折衷，是当前业界最关注的问题之一。
　　本文围绕云计算环境中虚拟化资源的提供方法展开研究，旨在通过高效的动态资源提供策略持续优化应用程序资源配置，有效应对应用程序负载波动，保障应用程序性能，提高云计算数据中心资源利用率，同时降低数据中心能耗，最终达到提高系统能效的目的。本文的主要研究成果包括：
　　1.提出了一种基于支持向量机的负载预测方法
　　虚拟化是提高数据中心能效的主要技术手段。而云环境中很多应用程序通常具有高度变化的负载，导致复杂动态的资源使用模式。资源提供策略必须根据应用程序的实际需求实时动态地调整虚拟机资源的供给量，才能在满足QoS约束的前提下尽量减少资源占用量。因为资源的动态调整总是存在延迟，所以，实现以上目标的一个必要前提就是要提前获知虚拟机的未来资源需求。本文提出了一种负载预测方法KSwSVR。该方法将虚拟机的负载预测当作一个时间序列预
　　测问题来解决，并采用了专门针对小样本统计问题而建立的统计学习技术。基于结构风险最小化准则的支持向量机具有很强的泛化能力，因而能有效适应复杂动态的云计算环境。受局部性原理启发，本文对标准的支持向量回归算法进行了改进，区别对待训练数据，根据其重要性进行加权优化，并与卡尔曼平滑技术进行了整合。实验结果表明，KSwSVR能有效预测各种资源类型的负载对象，并且在预测精度、稳定性、算法开销等方面均优于常用经典算法。
　　2.提出了一种基于负载预测的资源自动扩展方法
　　云计算最重要的特征是弹性，应用程序可以根据需求动态地获取或释放资源。从管理系统的角度，就是要利用虚拟化提供的资源动态扩展能力，使得应用程序的资源配置能尽量实时精确地匹配应用程序的需求变化。同时，云计算系统的规模要求扩展操作必须是自动化的，整个过程要减少甚至完全消除人的干预。精确的负载预测结果可以用于指导资源扩展方案的制定，但是由于预测误差的存在，直接将预测值作为资源供给量会导致应用程序性能不稳定。本文以保应用程序性能、最小化资源占用量为目标，提出了一种新的资源自动化扩展法G2LC。该方法综合实验经验，并通过接收时间窗口内的QoS反馈，从局增益和局部误差补偿两个层面对预测结果进行了修正。在满足SLA约束的时，有效减少了瞬时负载带来的不必要扩展动作，完全避免了SLA违约事件的中出现。实验结果表明，G2LC可以通过调整参数有效地保证用户指定的任意能水平。相对于虚拟机资源固定不变的定值分配方法，G2LC能显著地节省资开销，且这一优势随着用户性能要求的提高变得越发明显。3.提出了一种基于服务质量差异化的资源提供方法
　　性能管控和节能减排是现代数据中心的两个主要研究课题，但两者又往往是相矛盾的。云服务提供商运用虚拟化技术将各种应用程序整合到更少的物理主机上，并将闲置的主机转换到低功耗模式以降低能耗。这种情况下，应用程序的性能严重依赖于对虚拟机容量的合理管理。因为应用程序的多样性、各种资源使用模式的差异、底层硬件共享、程序之间的性能相关和性能干扰等因素的存在，导致对虚拟机性能的管控非常困难。找到能耗和性能之间的平衡点至关重要，这被归结为能效问题。本文最后以提高系统的能效为目标，基于对负载预测技术和资源扩展技术的研究成果，提出了一种新的资源提供方法CoST。它基于服务
　　质量差异化策略，利用了不同类型的应用程序对性能和成本的敏感度不同这一事实。性能敏感型应用程序追求稳定的QoS，而性能耐受型应用程序更关注完成所有任务所需要付出的总成本。CoST将不同类型的应用程序部署在同一台主机上，基于负载预测和QoS反馈对虚拟机的资源进行垂直扩展。实验表明CoST不仅有效地保证了性能敏感型应用程序的QoS，支持云用户在应用程序运行过程中在线更改性能指标，还可能提高性能耐受型应用程序的总体处理速度。最重要的是， CoST维持主机始终运行在最高能效状态，显著地提高了系统总体能效。

目录

声明

第一章 绪论

1.1 课题背景

1.2 主要研究内容

1.3 主要创新

1.4 本文组织结构

第二章 研究综述

2.1 计算机系统的能效

2.2 数据中心能效管理技术

2.3 虚拟化数据中心能效管理

2.4 本文研究范围

2.5 本章小结

第三章 基于支持向量机的负载预测技术

3.1 引言

3.2 云计算环境中的负载特征

3.3 基于支持向量机的负载预测

3.4 实验验证

3.5 预测技术及SVM的相关研究

3.6 本章小结

第四章 基于负载预测的资源自动扩展方法

4.1 引言

4.2 自动化资源扩展

4.3 G2LC：基于负载预测的资源自动扩展方法

4.4 实验验证

4.5 资源扩展技术相关研究

4.6 本章小结

第五章 面向能效的虚拟化资源提供技术

5.1 引言

5.2 IaaS数据中心的能效

5.3 基于服务质量差异化的资源提供方法

5.4 实验验证

5.5 虚拟机放置和垂直扩展相关研究

5.6 本章小结

第六章 结束语

6.1 工作总结

6.2 研究展望

致谢

参考文献

作者在学期间取得的学术成果