陳斌，東一舟，毛明榮
(南京師范大學 信息化建設管理處,江蘇 南京 210023)
摘要：為評定企業級云系統在負載下的響應處理能力，需要對其有直接影響的資源管理能力進行評估和預測。而這種評估的有效性在對緊急資源請求、動態負載變化、消費者并行調節等協同需求因素綜合考慮的情況下將顯得更加有效。然而，目前尚沒有對這些因素進行比較系統的研究報告。針對上述需求，以分層隊列和歷史建模技術為模型及實驗基礎，以大量數據實例為背景進行了分析。實驗結果顯示，以分層隊列模型及歷史性能建模為指導的新架構可以達到70%的預測準確度。以此為基礎，給出了一個基于預測模型的云負載和資源管理算法。
0引言
理論上講，如果能夠使得潛在企業級工作負載完成資源分配的響應時間被預測出來，則可以增強自動化企業級資源負載分擔的系統能力。本文針對上述需求，從數量規模上進行分層隊列和歷史建模技術的比較，也包括了最初對它們之間聯系的認知。
本文主要對宿主于云環境的動態企業級系統進行了重點分析，定義并相應地提供對使用歷史和分層隊列模型的指導原則，另外定義并調整了一個基于預測的云負載和資源管理算法。
1系統建模標準
當環境中有超過一個虛擬服務端在宿主服務端運行時，每一個虛擬服務端都會被分配一個宿主服務端資源最小百分比。基于美國佛羅里達大學控制與信息實驗室LIU T等人提出的針對各類服務端應用接入數據庫及核心資源系統的分層模型的研究工作，基于隊列網絡的IBM Websphere（一種先進先出的隊列模式）被用于各個應用服務端［1］。每一種服務端都可以通過時間片輪轉來處理并發的客戶端的請求。以服務級別SLA為標準進行劃分，按照工作負載量級為指標所組成的客戶端隊列，其將會把請求發送到處理系統。分發器由負載管理系統所控制，調整著應用服務器的需求分發路線。這些管理系統可能使用一個預測引擎來幫助其生成決策。
2分層隊列模型的定義及實驗研究
分層隊列模型包含了定義一個應用隊列網絡，一個該模型的近似解可以通過使用LQNS求解程序自動生成。該解決策略包括將隊列劃分為多個層級，性能指標通常包括每一個服務層級的平均響應時間、吞吐量和信息利用率［2］。
本實驗創建了一個企業級系統的分層隊列模型，該模型由應用服務層、數據庫服務層、數據庫磁盤陣列層所組成，每一層包括了一個隊列和相應的處理器。在現實系統環境中，實驗過程規避了多種服務級別共存的無隊列延遲情況下的測量平均處理時間長的難題。
實驗對不同工作負載情況下參數化請求處理時間預測的準確性和資源利用率進行了測試。典型的工作負載是按照最大值來參數化一個建立的應用服務器的。這里的Measurevalue表示共享時間的測量值，Predictedvalue表示隊列長度的預測值。預測的準確度計算公式定義如下式：
Accuracy=Predictedvalue－MeasurevalueMeasurevalue×100%
該模式可以解釋如下：在較少數量的客戶端上擁有更高的平均處理時間，這是由于規模更大的系統以及虛擬機請求所致。圖1顯示了在不同數量客戶端情況下，分層隊列建模參數化過程的預測準確度。
最大預測準確度產生在并行化終端數量低于130個的情況下，低于此數量則預測準確度會開始下降。這是由于非連續的平均響應時間在客戶端數量絕對值激增的情況下增加的比率將變得最大的緣故，同時吞吐量也將達到最大。按照表1，該結果的預測準確度85%來自于新架構。
3歷史性能建模的定義及實驗研究
歷史建模技術包括了實例化性能指標、按照這些指標進行處理的響應負載度以及核心架構這幾個方面的內容［3］。歷史模型定義了變量和指標間的相互關系，例如線性方程或指數方程［4］。
MRTL=CLe(λL ×Nclient )（1）
MRTU=βU ×Nclient +KU （2）
實驗結果還顯示，雖然在本文中沒有詳細展開研究，使用一個轉換關系以解析低中或者中高階方程［5］，可以有助于提高預測準確度。MAXthr對關系模型的影響體現如下：
KL=Λ(KL)×MAXthr+C(KL)(3)
βL = C(ΛL )×MAXthr Λ(βL )(4)
其中Λ(KL)、C(KL)、C(ΛL)、Λ(βL)這幾個量值必須依靠歷史數據進行參數化處理。對于參數化處理的中間簡潔方程這里并沒有給出［6］。該方程參數的高階方程是按照下面的方式進行計算的：以百分之x作為MAXthr的增幅或減幅，βU是按照百分之1/x進行增減幅調整的，KU在此過程中基本保持不變。
在模型中B對MAXthr的影響呈現一種線性關系，由此可以推算出MAXthr達到最大值，同時在B基礎上建立的服務器的吞吐量也可以達到最大值。
在一個基于參數化歷史性能建模模型的系統上進行了實驗性研究，通過實驗驗證了在第2節中所提及的實驗步驟［7］。這使得一個歷史隊列僅消耗很少一部分資源進行參數化處理，這比僅僅使用分層隊列方法作為在系統上進行客戶端請求響應的處理更優越。上述模型中的參數通過適配最小二乘法趨勢曲線進行歷史數據模擬參數化。歷史數據包括每一服務器MAXthr,以及每一個方程各自的數據庫數據點實例值［8］。
4調節云預測準確度的工作負載及資源管理算法
基于服務滿意度SLA的云消費者的企業級系統帶來兩個主要開銷。歷史和分層隊列模型的使用在本實驗中是按照如下步驟進行的。分層隊列的方法需要大量的CPU時間以完成每一個平均響應時間的預測。
在實驗算法研究所使用實例上，首先使用負載轉換算法將每一個云消費者的工作負載分配到屬于其自己的共享服務器上，然后觀測所有云消費者的SLA失敗率。按照松耦合系數SLACK=1.0運行算法，對任意一個云消費者來說，共享服務端的M=0，在表2中給出。一旦負載轉換算法被用于每一個云消費者所涉及的遷移負載分配規則，則該預測平均值可以按照未產生SLA失敗情況下所獲取的服務器標準值作為樣本。然而預測的不準確度會隨著SLA失敗率的產生而提高。表2顯示了當設置了松耦合系數SLACK=1.1后對結果的明顯影響。
5模型參數化準則及比較評估
實驗證實了該快速參數化處理模型對維持動態企業級系統的預測準確度是非常有用的。模型在參數化處理后能快速檢查其準確度也同樣重要，偶爾的重復參數化處理機制也是必需的。
歷史建模技術是在建模工具支撐下的用于幫助收集和分析歷史數據的技術，它主要是針對專家級用戶而言。分層隊列方法也有工具支持，不同的是，無論是初學者或是有經驗的用戶都可以使用，它的工具集包括了模型效果器、求解程序以及GUI編輯界面。在本實驗結論中，分層隊列的預測易響應性也得到了提高，這與算法一的推論結果相吻合。通過該附加實驗結論，可以推斷收集實時歷史性能數據的前提不是必需的。
6結論
本研究對比性地評價了在使用云負載和資源管理系統條件下的分層隊列和歷史性能建模技術。下一步工作包括對云資源管理綜合性障礙、企業級云計算商業接受度以及擴展性的研究，解決這些問題以實現可靠而有效的企業級云計算解決方案。
參考文獻
［1］ 胡冷非. 虛擬機Xen網絡帶寬分配的研究和改進［D］. 上海:上海交通大學,2009.
［2］ 李喬,鄭嘯. 云計算研究現狀綜述［J］. 計算機科學， 2011.38(4): 3237.
［3］ 甘杉,顏璟儀. 基于云計算架構的電力企業數據中心建設［J］. 電子技術應用， 2014，40(S1): 7173.
［4］ 田文洪,趙勇. 云計算資源調度管理（第一版）［M］.北京：國防工業出版社， 2011.
［5］ 王敏,李靜,范中磊. 一種虛擬化資源管理服務模型及其實現［J］. 計算機學報， 2005，28(5): 856863.
［6］ 樊曉賀,王嬌,杜亮亮. 云計算環境下基于信任屬性的混合信任評估模型［J］. 電子技術應用， 2016，42(7): 8591.
［7］ 蔣曉艷,李臘元. 多元QoS約束的網格任務調度算法及其GridSim仿真［J］. 武漢理工大學學報(交通科學與工程版)， 2006， 30(6): 10041007.
［8］方其慶,劉慶華,彭曉明. QoS全局最優的多目標Web服務選擇算法［J］. 計算機應用研究， 2009，26(12): 44424445.