论文部分内容阅读
云计算技术的飞速发展为用户和企业带来了众多益处,其最突出的优点是消费者可以通过使用服务提供商的计算资源来降低基础设施的投入成本,这也使得数据中心在信息通信技术中的核心地位不断提升。数据中心的规模与数量在近年来高速扩增,由此引发的高能耗问题已成为各国政府和云计算厂商所面临的难题。为了避免数据中心巨额能耗开销成为制约云计算发展的瓶颈,各大云服务提供商正在推动提升数据中心能源效率的研究。对于服务提供商而言,关键是如何在保障服务质量（Quality of Service,Qo S）的同时降低数据中心的能耗,以节省运营成本。传统的节能调度策略缺乏对于历史数据以及未来负载趋势的把控,调度策略具有较长的滞后性。而在云计算环境中高效准确地对工作负载进行预测,继而帮助节能调度算法提前做好资源调整,以实现数据中心的高效节能,是该领域亟需解决的关键问题,也是学术界的研究热点。目前大量学者针对云计算环境下负载预测与节能调度展开研究,但仍然存在以下问题与挑战:（1）数据中心云任务请求具有海量性与实时性,传统节能调度策略存在瓶颈;（2）流量突发事件峰值流量大、无规律性、难以预测;（3）云计算环境下Qo S特征信息提取难;（4）数据中心的能耗优化与Qo S保障之间存在着一定的冲突关系。本文针对以上4大问题挑战展开研究,主要研究内容和创新点归纳如下:（1）为了应对传统节能调度策略在海量云任务处理时的局限性,本文提出了一种基于云任务负载预测的节能调度策略。该策略针对云任务请求的海量性与实时性,提出了一种基于上下界阈值机制的泊松预测模型,改善了请求序列频繁波动带来的预测偏差,实现对海量云任务请求的高效预测。同时,该策略设计了一种基于云任务到达率的虚拟机放置算法,该算法以自适应能效度量模型为基础,根据负载预测结果动态调整能耗与服务水平协议（Service Level Agreement,SLA）的优先级权重,从而降低数据中心的能耗。实验结果表明,本节能调度策略在海量云任务请求场景下可以在较短时间内给出准确的负载预测结果,并得到有效的虚拟机调度方案,提升数据中心的能源效率。与目前先进的调度方法相对比,可以节约7.6%-14.6%的总能耗,算法的执行时间降低了19%。（2）针对数据中心的流量突发问题,本文提出了一种基于网络流量突发负载预测的能耗优化策略。该策略建立了具有自适应误差纠正能力的滚动灰色预测模型,对突发场景下的负载请求进行预测,该模型对于突增突降的负载序列灵敏度更高,能够更迅速地检测到流量突发的发生并给出准确的负载预测结果。在此基础上,该策略还提出了一种基于流量突发负载自适应的虚拟机调度算法,算法能够根据当前所处的负载场景,自适应地采用基于能耗或基于SLA的电源管理策略,实现对数据中心的能耗优化。实验结果表明,该策略可以有效应对流量突发场景下的负载预测问题,为主机未来时刻的状态提供更精准的预测与分析,并使得由于过载主机数过多造成的高能耗与性能下降现象得到了很好的抑制。与现今先进的预测方法与调度策略对比,本策略的负载预测误差降低了3.7%,数据中心的过载主机数量减少了24.2%。（3）为了应对云环境下Qo S特征信息提取难的问题,本文提出了一种基于Qo S特征发现的资源调度方法。该方法对数据中心的历史负载信息进行分析,建立了一种基于深度强化学习的虚拟机调度框架,框架由深度神经网络模块与增强学习模块组成。在深度神经网络模块设计了以堆叠降噪自动编码器为基础的数据中心Qo S特征提取模型,提取虚拟机依赖关系之间更鲁棒的Qo S特征信息;在增强学习模块提出了基于MinimaxQ的多主机协同虚拟机调度算法,Qo S特征作为主机的状态信息提供给调度算法,使其更好地掌握数据中心当前Qo S状态信息,提升对于Qo S的保障能力。实验结果表明,该方法能在维持低能耗的同时有效保障数据中心的Qo S指标,有助于满足服务请求者对Qo S的不同约束要求,采用本调度方法后数据中心SLA违规率能够降低4.7%-12.4%。（4）针对数据中心能耗优化与Qo S保障之间存在的冲突关系,本文提出了一种基于能耗与Qo S协同优化的资源调度方法。该方法建立了一种云任务排队网络模型,对云任务队列长度的变化进行分析,并对任务队列积压与能耗间的关系进行刻画,构建了云数据中心的能耗优化目标函数。之后提出了一种基于李雅普诺夫（Lyapunov）优化的资源调度算法,该算法利用Lyapunov稳定性理论的优化方法,能够对协同优化问题在单独的时间片上进行求解,可以使虚拟机的任务队列达到最大允许值,充分发挥虚拟机的处理能力,实现资源的均衡利用。该方法高效便捷,适用于海量服务请求的场景,最终能实现对数据中心能耗与Qo S的协同优化。实验结果表明,该方法在能耗以及Qo S的评估指标上均效果最优,并有效降低了数据中心节能调度的时间开销。综上所述,本文围绕云计算节能这一主题,从海量云任务节能调度、流量突发能耗优化、Qo S特征发现、能耗和Qo S协同优化四个方面入手,对云计算负载预测与节能调度问题进行了深入的研究。实验结果表明,本文提出的方法能够有效地提升云计算环境的能源使用效率与服务质量。