《云计算环境下的自适应资源管理技术综述》由会员分享，可在线阅读，更多相关《云计算环境下的自适应资源管理技术综述（6页珍藏版）》请在金锄头文库上搜索。
1、云计算环境下的自适应资源管理技术综述云环境下的自适应资源管理是当前云计算研究领域的热点问题，是云计算具备弹性扩展、动 态分配和资源共享等特点的关键技术支撑，具有重要的理论意义和实用价值。其主要研究点 包括：虚拟机放置优化算法，虚拟资源动态伸缩模型、多IDC间的全局云计算资源调度、 全局资源配置及能力规划模型等。对云环境下自适应资源管理研究现状进行分析研究，并指 出当前研究中存在的一些主要问题，同时进一步展望本领域未来的研究方向。0引言“云计算”是近年来IT产业发展的新热点，受到各方的广泛关注。其作为一种新兴技术 和商业模式。将加速信息产业和信息基础设施的服务化进程，催生大量新型互联网信息服务,
2、 带动信息产业格局的整体变革。根据提供服务类型的不同，云计算通常分为基础设施即服务 (infrastructure as a service， IaaS)、平台即服务(platform as aservice。PaaS)和软件即服务 (software as a service，SaaS)。其中，基础设施即服务IaaS)作为最基础及支撑性的服务模式， 通过虚拟化技术使得虚拟机共享物理机资源池，使运营商可以通过向用户提供虚拟机资源来 承载他们的应用。显然，云计算应用的开展必将导致云IDC中的基础设施资源(如服务器、 网络设备、存储设备等)大量聚集。于是.虚拟资源调度管理技术的优劣将直接影响到ID
3、C 整体的资源利用率、服务能力以及SLA。另外，随着IDC规模的扩增，手动及人工管理数 目庞大的物理资源集群已经变的非常不现实。如今，更需要一种自适应的资源管理技术，以 自动响应IDC运行情况变化，并减轻管理人员的负担。因此，这也成为云计算在IaaS模式 下需要重点优化和突破的关键技术问题。云计算环境下的自适应资源管理问题是一个非常复杂、庞大的课题。目前，国内外的相 关研究主要集中在如下4个技术领域：虚拟机放置优化算法；虚拟资源动态伸缩模型; 多IDC间的全局云计算资源调度；全局资源配置及能力规划模型。本文将从以上4个 研究领域出发，对云计算环境下自适应资源管理技术的现有研究成果进行阐述及分析
4、，并指 出当前研究中存在的一些亟待解决问题，进而进一步指出未来的研究发展趋势。1虚拟机放置优化算法虚拟化技术为当今的IDC带来了许多优势：一方面，它能够有效的帮助IDC提高整体 IT资源的利用率，通过集成、整合分散的物理资源、将众多虚拟机放置在同一台物理机上; 另一方面，它也为IDC提供了更大的灵活性，可以动态的随需配置各台虚拟机占用资源的 大小，同时，也可以通过动态迁移技术、根据不同策略使虚拟机在不同物理机之间快速移动。 但是，显然，这也对资源管理技术提出了更高的要求。虚拟机放置问题是云环境下资源管理技术的一个最重要的研究点，也是目前受到关注 最多的一个领域，学术界和工业界都对优化的虚拟机放
5、置技术进行了大量研究。虚拟机放置 需要决定虚拟机与物理机之间的映射关系，其重点即是根据所设定的放置策略。寻找优化的 虚拟机放置方案，以更好的满足多重系统目标。除此之外，还要求虚拟机的放置过程能够自 适应的响应整体运行环境的动态变化，及时做出改变。大量的文献如文献1-2等把虚拟机放置问题建模成装箱问题或 N维装箱问题文献 3-41,通过虚拟机迁移，使得开启尽可能少的物理机以满足所有虚拟机的资源请求，从而 提高整体的IT资源利用率。文献1-2把虚拟机放置问题定义为一个多目标优化的问题，包 括避免违反SLA、减少服务器数量、以及减少迁移次数等；他们提出了一个基于基因算法 的方法来解决该问题。文献Is
6、为虚拟机与虚拟机之间和虚拟机与物理机之间存在不相容约 束的服务器整合问题制定了一个两阶段的启发式算法：在第一个阶段，通过假设每个集群代 表一个没有容量限制的服务器，来找到满足事项之间和事项仓不相容限制的应用集群；在第 二个阶段，考虑服务器的能力限制来把每个集群中的应用分配到目标集群中。文献6建立 了一种基于分组遗传基因算法的方法来解决服务器整合的问题。文献7认为虚拟机的迁移 是有代价的，在尽量使用最少物理机产生最大的收益的同时，需要考虑虚拟机迁移所产生的 代价。除了提高IDC的资源利用率外，一些文献还提出了虚拟机放置的其他优化目标。对于 口叱运营商来说，其最为关注的是运营成本，所以，随着服务规
7、模的扩张。降低能耗逐渐成 为一个越来越重要的趋势，这也成为很多当前研究的一个重点优化目标。文献；8 11都各 自提出了降IDC能耗的解决方法，文献12将能耗问题建模为约束混合整数规划问题 (constrained mix-integer programming)，将其转化为最小费用流问题(minimum cost flow)问题， 用快速多项式时间算法求得最优解；相比其它文献，该文献的解决方案具有较大的优势及可 扩展性。另外，文献13把虚拟机迁移产生的代价、虚拟机迁移带来的收益、迁移后能保持 当前状态的时间都纳入考虑，并用改良后的A*算法来得到一个尽可能优的解，在能耗、利 用率和性能三者之间尽
8、量平衡。文献14考虑了 IDC中的各个虚拟机之间的网络流量，希望 把通信量大的虚拟机尽量放置到一台或邻近物理机上，以此来最大限度的减少全局的网络流 量。文献15把用户提出的一些要求作为输入，例如某个虚拟机要独占一台物理机、某两个 虚拟机不能放置到同一台物理机上等，由此产生的虚拟机放置算法，尽量满足用户的SLA。所有上述的文献都是基于确定的工作负载来研究虚拟机放置问题的，为了使上述这些模 型能够提供与应用SLA相符合的解决方案，模型中的负载参数通常采用的是各应用负载的 高峰时期(如最大或是99%),这就会导致1DC在很长时间内，都处于低资源利用率、高能 耗的状态中。为解决这一问题，文献16 研发
9、了一个自动控制的框架，该框架能够根据用户 特定的策略并遵从某些限制(如兼容的软件、合适的CPU类型、相似的网络连接性、共享存 储的使用等)，来动态的对虚拟机进行迁移。为了解决服务水平目标，文献17-1提出了一个 在负载动态变化的环境中，能够自动迁移虚拟机的资源控制系统。他们提出的方法分为两部 分：一个能够动态判定应用等级性能和通过虚拟机的反馈来分配资源的网上模型评估器； 一个自适应的控制端.它能够动态地计算和分配资源。文献18通过预测云承载的应用的 负载，动态的改变虚拟机的大小，尽量减少违反应用的SLA，同时尽量使用少的物理机来 满足所有的虚拟机资源要求。目前，对虚拟机放置模型和算法的研究虽然
10、数目众多，但是大部分都存在可扩展性差、 实际有效性低、目标单一化等问题，依然存在很大的优化空间。虚拟机放置问题涉及到虚拟 机到物理机的映射，对于绝大多数现有算法而言是一个NP难问题，复杂度过高，随着IIX； 规模的扩张，求得可行的解几乎是不可能完成的任务。在动态环境下，如何实现多种不同放 置策略的平衡，实现lT资源的集约共享，降低能源消耗，同时探索低复杂度、高效率、近 似优化的虚拟机放置算法，是一个亟待解决的问题。在未来，期望探索出一种多目标优化的、 自适应的虚拟机放置模型，综合考虑并权衡取舍资源利用率、能耗、sLA、网络流量、虚拟 机迁移代价、用户自定义策略等多方面情况，根据虚拟机的动态变化
11、情况自适应的调整放置 方案；并且，需要提出一种快速、简便的放置算法，在尽可能短的时间内获得一个尽量优的 解决方案。2虚拟资源动态伸缩模型在虚拟机被创建前，使用者需要首先向云资源提供商申请其所需的资源情况，如CPU 个数、内存大小等。早期的资源分配方式通常是固定预分配，即完全按照使用者的请求情况 分配给虚拟机相应资源，运行后，不沦其真实使用情况如何，都不做任何调整。这样的做法 固然简单。但是，往往不能很好的适应应用的动态工作负载的变化。如果资源请求者按照应 用的峰值负载申请资源，则将在绝大多数负载偏低的时刻造成资源的大量浪费；反之，若按 照平均负载申请，则会发生负载超越资源承载能力的情况，造成请
12、求延时。随着技术的发展。以亚马逊EC2为代表的弹性云服务采用了以虚拟机为单位的粗粒度 的方法。按需增减开启运行的虚拟机数量。从而面达到及时响应应用负载变化的目的。也就 是说，当应用负载增加至即将超越资源承受能力时。EC2会再为云服务使用者开启一台同样 配置的虚拟机以缓解负载压力，做到负载均衡；而当应用负载降低时，则可以关闭不必要的 虚拟机以节省资源。亚马逊EC2的做法虽然具备负载自适应的虚拟资源伸缩能力，但是， 以虚拟机为最小伸缩单位的变化方式。仍在一定程度上造成了资源的浪费。目前，虚拟资源动态伸缩模型的研究重点在于更加细粒度的资源调整方式，以及时、快 速的响应应用负载的变化情况。另外，其负载
13、自适应能力不仅需要依靠当前的负载情况，还 希望能够预测出未来一段时间的工作负载变化，以更准确的、有前瞻性的调整虚拟资源大小。近期，一些关注于更精细的动态虚拟资源伸缩模式的学术研究开始涌现，但是，其出发 点及所用方法大多仍相对简单、处于研究初期。文献19-20 仅考虑了单一资源的分配方式。 其中，前者关注于计算资源的分配，它提出了一种随虚拟机工作负载变化而根据CPU优先 级或CPU份额动态调整计算资源分配的方法；后者则通过预估每台虚拟机的内存使用量、并据此自动的调 整内存分配大小，来提高内存资源的使用率。文献21-22实现了一个多层次的、应用相关的 资源调度机制，能够优化单一物理机内部及全局的C
14、PU和内存资源流动。文献Z3 Z4 都多方面考虑了 CPU、内存和网络带宽3种资源的综合优化分配方式。其中，前者提出了 一种应用无关的负载均衡机制，通过实时监控物理机及虚拟机的各项资源使用情况，及时调 整资源分配；后者则提出了一个自治系统。利用自动资源监测及热点检测，确定物理资源到 虚拟资源的重新分配。所有上述研究工作都是针对云环境中当前负载的状况做出的响应情况。除此之外，一些 研究还将虚拟机资源的伸缩问题归结于控制论文献25-26问题,通过对未来工作负载进行预 测来更好、更准确的优化资源分配。文献27 提出了一个由基于控制论的在线模型预估器和 多输多输出(MIM0)资源控制器构成的资源控制系
15、统，它能够自动的适应应用负载动态变化。 通过捕捉应用程序性能和资源分配值之间的复杂关系，按需调整分配资源量，从而满足云计 算应用提供者的SLA。文献283研究了预测技术对于虚拟机动态资源分配的影响，它通过 实验比较了基于控制论的预测控制器与自适应反馈控制器的有效性，其中前者使用了 3种分 别基于AR，ANOVA-AR和MP模型预测算法。当前，IDC管理者正面临着多方面的挑战，包括满足复杂的云计算应用提供者的SLA、 及时响应随时间变化的资源需求以及解决资源的相互依赖性等。上述众多研究工作有许多可 借鉴之处，但仍不够完善，存在进一步优化的可能性。本领域的研究难点将集中在如何更准 确、可靠的预测未
16、来一段时间内的工作负载变化情况。以及如何精确、定量的根据预测负载 及当前现状调整各项虚拟机资源的分配问题等。因此，更加有效的、细粒度的虚拟资源自适 应动态伸缩模型与算法将是未来的发展方向。3多IDC间的全局云计算资源调度随着云计算应用的快速发展，地域分布的多IDC逐渐成为一种趋势。目前，学术界与 工业界对多刀DC间的全局云计算资源调度的研究尚处于早期阶段，并且存在多个不同的考 虑角度。前期的相关研究主要集中在混合云之间的资源调度以及某个具体应用在多个IDC 的云环境内的全局调度这两个方面。针对混合云的情况，多IDC间的全局云计算资源调度主要关注于使用者的众多应用在 企业私有云和商业共有云之间的分布方案的决策，其通常综合考虑了租用成本、性能、安全 性等多个目标。文献29研究了借用外部云计算资源来扩充企业IDC自身计算能力的方法： 通过一个全局的资源分配系统向云计算提供商借用资源以扩充IDC自身的容量；提供了多
