Динамическое управление питанием в задаче динамического управления ресурсами вариации планировщика и эксперименты (1187399), страница 5
Текст из файла (страница 5)
На время живой миграции, в отличие от простоймиграции, влияет множество факторов, например, загрязнение страницпамяти,связанныхсактивностьюВМвпромежуткемеждуинициализацией копирования и даун-таймом. Загрязнённые страницыдолжны быть синхронизированы и перекопированы заново. Поэтому рядточныхисследованийоперируеттакимпонятиемкак«Скоростьзагрязнения страниц».В симуляции, представленной в разделе 5, ничего не известно обактивности ВМ в произвольный момент времени, поэтому используетсясамая грубая модель, оперирующая временем копирования страниц памятиВМRAM u ( v )по сети с пропускной способностьювыбирается ВМ из набораЕслитакихВМV j , для которойнесколько,выбираетсяBW j : для миграции∀ a ∈V j ,ВМ,RAM u ( v ) RAM u ( a )≤.BW jBW jнаиболееактивноиспользующая ресурсы CPU в текущий момент или в среднем за33определённый промежуток времени.Возможна также политика более активного отбора по критериюмаксимизации использования CPU: в первую очередь, список ВМсортируется в порядке увеличения требований к RAM.
Затем по какомулибо признаку (среднее значение объема RAM, медиана, др.) отбираетсяподнабор ВМ, в котором выбирается максимально использующая CPU.Такойподходпозволяет, теоретически,эффективностью «снятия» с ФМмиграцииотносительнонайтикомпромиссмеждусущественной доли нагрузки путёмлегковеснойВМ,итеоретическиболееэффективен, чем оригинальный метод. Однако на практике могутвозникнуть сложности, в первую очередь, с ошибками оценки затрат ивремени миграции по простой модели, осложняемые корреляцией высокихнагрузок на CPU с поведением ВМ в ходе живой миграции, в том числе и снеобходимостьюрепликациизагрязняемыхстраницпамяти.Экспериментальное сравнение отбора по такой политике со стандартнойприведено в разделе 5.3.6.3.
Выбор ВМ. Максимальная корреляция.Политикабазируетсянаидеевозникновенияситуацийперегруженности : при интенсивном использовании общих ресурсов, либопри выполнении одинаковых задач. Для определения корреляции междуиспользованием CPU ВМ, рассчитывается коэффициент множественнойкорреляции. Миграции подлежит ВМ, нагрузки которой максимальноскоррелированы с остальными ВМ.3.6.4. Заключение.Исследование [30] показывает, что наиболее эффективная политика —34политика минимального времени миграции. С другой стороны, данныйметод существенно ограничивается выбранной миграционной моделью.Ряд исследований посвящено выводу более точных и оптимальныхполитик, в том числе и средствами машинного обучения.3.7.
Расположение ВМ.Подзадача поиска расположения для выбранных ВМ может бытьрассмотрена как задача об упаковке[31] с переменными вместимостями иценами рюкзаков, представляющих ФМ, иобъемами предметов,представляющих ВМ.Размеры рюкзаков соответствуют доступным CPU и RAM-ресурсам ФМ,цены соответствуют энергопотреблению. В общем случае, задача являетсяNP-трудной, и целесообразно применение эвристики, например, BFD(Bestfit decreasing, «Наилучший подходящий по убыванию») - алгоритм,использующий , в соответствии с выводом[31], не более чемрюкзаков (где OPT— наименьшее число рюкзаков, найденных полнымперебором) .Input: vmList,hostListOutput: vmPlacementsort(vmList,order=decreasing_utilization)for VM in vmList:minPower = MAXallocatedHost = NULLfor host in hostList:if enough_resources(VM,host):power = estimatePower(VM,host)3511OPT +19if power < minPower:allocatedHost = hostminPower = powerif allocatedHost != NULL:vmPlacement.add(allocatedHost, vm)return vmPlacementЛистинг 2.
Алгоритм BFD для подзадачи энергоэффективного расположения ВМ.Алгоритм сортирует список ВМ в порядке убывания загрузки текущегоCPU и назначает новые расположения для каждой ВМ на ФМ,обеспечивающиенаименьшийприростэнергопотребления.Данноеусловие позволяет использовать гетерогенность ФМ, выбирая длярасположениянаиболееэнергоэффективные.Сложностьалгоритмасоставляет O ( nm ) , где n — число ФМ и m — число располагаемыхВМ.4. Метрики эффективности.Применяя алгоритмы раздела 3, будем задавать цели и оцениватьэффективность одновременно по двум типам метрик:1. QoS-метрики, формально заданные в терминах SLA (SLAV-метрики).2.
Энергосберегающие метрики.На основании метрик 1 и 2 введём балансную метрику, котораяявляется целевой для данной задачи.4.1 SLAV-метрики.Выполнение требований QoS имеет важное значение для поставленной36задачи. Данные требования, как правило, формализованы в виде SLA иопределены в терминах минимальной пропускной способности илимаксимального времени ответа, предоставляемых системой. Так как этихарактеристикимогутсущественноотличатьсядляразличныхприложений, необходимо определить нагрузконезависимые метрики,которые могут быть использованы для оценки QoS любой ВМ, развернутойв IaaS.ДаннаяработаопределяетудовлетворениеSLA,если100%запрошенной приложениями на ВМ производительности предоставляется влюбоевремяирегламентируетсятолькопараметрамиВМ.Перегруженность влечёт за собой несоответствие SLA. Миграции ВМтакжевносятухудшениепроизводительности.Поэтомутребуетсярассмотреть 2 метрики:1. OTF (Overload time fraction, «Доля времени перегрузки») - метрика,описывающая отношение времени 100%-й загруженности ФМ к общемувремени работы:OTF=T siNT si1, где∑N i=1 T ai— общее время, проведённое ФМ i в состоянии полнойзагруженности,в котором ВМ не предоставляется требуемый уровеньпроизводительности, T ai - общее время работы ФМ i.2.PDM(Perfomancedegradationduetomigrations,ухудшениепроизводительности, связанное с миграциями) :MC1PDM = ∑ dj , гдеM j=1 C rjC dj — ожидаемое ухудшение производительности ВМ j в связи смиграцией,Crj — общие ресурсы CPU, запрошенные ВМ.Ожидаемое ухудшение производительности существенно зависит от37даун-тайма, и , как результат, от модели живой миграции.
Ряд работ [4][29]оперирует величиной, равной 10% от производительности CPU в MIPS входе всех миграций ВМ j.Введение данных метрик также следует из опеределения источникапотерьпроизводительности:метрикаOTFописываетпроцессы,происходящие с совокупностью ФМ, в то время как PDM — ВМ.НезависимостьхарактеризацииSLAVвведённымиметрикамипозволяет ввести комбинированную метрику, отражающую все процессы:SLAV =OTF ⋅ PDM .4.2. Метрики энергопотребления.Метрикиопределенияэнергосберегающегокачествасистемынапрямую зависят от используемой модели энергопотребления.
Даннаяработа рекомендует к использованию одну из моделей, введённых вподразделе 2.2.1. В разделе 5 использована экспериментальная модель,построенная на основании SPECpower[14]-тестов ФМ на базе HP ProLiantG4 и G5, ввиду источника данных для симуляции[32].Результаты тестовпри шаге нагрузки 10% приведены в табл.1. Значения предоставляются вВаттах.Нагрузка ФМ0% 10%HP ProLiant G4 8689,4HP ProLiant G5 93,7 9720% 30% 40% 50% 60% 70% 80% 90% 100%92,6 9699,5 102 106 108 112114117101 105 110 116 121 125 129133135Табл. 1. Экспериментальные данные энергопотребления HP ProLiant G4/G5 в Вт.Энергетической метрикой предлагается суммарнаявсеми ФМ энергия E, измеренная в Квт-Ч.38потреблённая4.3.
Комбинированная балансная метрика и число миграций.МетрикиQoSиэнергопотребления,какправило,негативнокоррелируют между собой: обычно дополнительное энергосбережениедостигается за счёт увеличения уровня SLAV. С другой стороны, цельюзадачиDRS-DPMявляетсяснижениеэнергопотребленияиSLAVодновременно. С целью оценки баланса между DRS и DPM и оптимизацииобоих процессов, введем комбинированнуюметрику:ESV =E ⋅SLAV .Другой важной метрикой является число миграций в ходе адаптациирасположения ВМ.
При прочих равных величинах, значение по метрикедолжно быть минимальным (раздел 3).5. Симуляции.В качестве проверки практической применимости вышеописанныхметодов в решении задачи DRS-DPM, были проведены симуляциисредствами симулятора облачной инфраструктуры CloudSim, частичнопеределанного и дополненного под нужды выбранных алгоритмов иметодов анализа. В качестве нагрузок были использованы трейсы нагрузокболее чем 1000 реальных ВМ, измеренные в ходе работы проектаPlanetLab[32].
Данный набор нагрузок является референсным для многихисследовательских работ в сфере построения IaaS-решений[4][20][32].Используяпредложенныеданные,симулировалиськомбинацииэвристических алгоритмов определения перегруженности (ИКР, МАО, ЛР,ЛРР) и двух алгоритмов выбора ВМ (Минимальное время миграции,Минимальное время миграции — максимальное использование CPU).Кроме того, для определения оптимальных параметров каждого из39алгоритмов, были проведены отдельные симуляции для каждого изметодов:- ИКР, МАО: s=0.5..3.0 с шагом 0.5;- ЛР, ЛРР: s=1.0..1.5 с шагом 0.1;В соответствии с тестом Раяна-Джойнера[33], значения ESV-метрики,полученные в комбинациях алгоритмов, не соответствуют нормальномураспределению с P<0.01 — значением.
Следовательно, для сравненияалгоритмов с различными параметрами и получения оптимального какпараметра, дающего минимальное значение среднего, были использованысредние значения ESV-метрики. Оптимальные значения: 1.5 для ИКР и 2.5для МАО, 1.2 для ЛР и 1.2 для ЛРР.Результатыпроведениясимуляциикомбинацийоптимальными параметрами приведены на рис 6-9.Рис. 6. ESV-метрика.40алгоритмовсРис.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
