一种电网云平台资源调度算法的研究

， ，

(1.甘肃同兴智能科技发展有限责任公司，甘肃 兰州 730000； 2.国网兰州供电公司，甘肃 兰州 730050)

0 引 言

随着电网云平台技术的飞速发展，作为电网云平台载体的数据中心服务器数量也越来越多，由此引发数据中心资源调度成为电网云平台管理者关注的问题。电网云平台的资源调度问题需要在低能耗和高性能之间做出妥协，面向单一低能耗的资源调度可能会导致服务响应延迟、性能降低等问题；面向单一计算性能的资源调度算法也会导致过于糟糕的能耗问题[1]。

云平台资源调度近年来一直是一个活跃的研究领域，许多资源调度研究成果可作为电网云平台资源调度的借鉴。文献[2]在云计算环境中提出了一种基于时间成本和能耗模型的改进克隆选择算法(improved clonal selection algorithm，ICSA)，并通过实验结果表明，所提出的ICSA方法可以有效地满足用户要求的服务等级协议。文献[3]从系统资源分配角度分析如何减少能源消耗，并提出了一个云基础设施资源自动管理框架。文献[4]提出了一种以带宽为中心的任务调度模型和算法。该算法没有考虑系统的负载均衡，导致任务分配不均衡。文献[5]设计了一种称为成本调度算法(cost conscious scheduling，CCS)的调度批处理作业的算法。该算法使用改进的差分进化算法(improved differential evolution algorithm，IDEA)对一个涉及任务调度和资源分配的并行机制调度进行了研究。

文献[6]提出了一种面向云平台的虚拟桌面调度算法，旨在优化资源利用率，提高客户满意度。通过优化操作，该算法可以提高29%的资源利用率。文献[7]提出了云计算环境下的能量效率模型和度量方法，可以有效地计算单个计算机和云环境下的能源效率。基于公共和私有云数据传输中的能耗以及测量和详细统计数据的转换，文献[8]详细分析了云计算软件作为服务，存储即服务和平台即服务的能耗情况。文献[9]提出了一种实时能量管理系统，它可以实时监控CPU的利用率，并根据服务性能需要调整时钟频率和电压供应，使CPU保持在占用率的80%左右来处理负载变化。

基于对上述研究成果的总结，提出了一种基于克隆选择算法的资源调度算法，用以优化电网云平台的资源调度。克隆选择算法是一种基于免疫系统克隆选择理论的进化优化算法，通过迭代仿真生物进化从而实现全局寻优策略。该算法适合于解决一些使用传统数学规划方法无法解决的复杂环境下的优化问题。实验结果表明，所提出的算法可以合理优化电网云平台中的数据中心资源节点的调度，降低数据中心能耗，降低电网云平台的运行成本。

1 动态优化模型

负载均衡是优化资源利用率，最大化吞吐量，减少延迟并确保容错配置的常用技术[10]。在电网云计算环境中，负载均衡是一种技术，用于在多个数据中心或其他资源节点之间传播工作负载，以避免单个资源过载。图1显示了云平台的计算模型。

图1 云计算模型

为了更好地描述负载均衡和能耗优化模型的设计，可以给出动态能耗优化模型如下。数据中心通常由电网云平台中分布在不同地理位置的多个资源节点组成。实际上，每个子任务ti(i= 1,2，...，m)可以得到资源节点Rj以满足基本实现条件，其中m表示满足子任务ti的资源数量。泊松分布适用于描述在单位时间内(或空间)发生的随机事件的数量。因此，云平台环境中资源分配和任务调度的动态过程可以看作一个泊松分布。

定义1：假设云平台模型GCloud=(D，T，P，G)，D= {D1，D2，...，Dd}是d个云服务器数据中心的集合；T是随机任务和计算节点，Tij表示任务ti在节点j上执行；Pi是闲置时节点i的功率，Gi是节点i的峰值功率。

定义2：假设每个数据中心的网络带宽矩阵在电网云平台中为B，bi j为数据中心各节点的传输带宽。

(1)

为了尽量减少成本约束下的能源消耗，成本约束下的能源优化就是计算完成云计算过程中的能源消耗成本。

式中：i= 1,2，...，m；j= 1,2，...，n。

为了减少计算节点的能耗，可以通过减少空闲节点X的百分比来实现。电网云平台的能耗计算公式为

随着云计算的快速发展，云数据中心的服务器规模每年都在不断扩大，造成巨大的功耗。此外，不合理的调度策略导致能源浪费，使电网云平台数据中心的运行成本不断增加。

资源算法的变异算子如算法1所示。

算法1：变异算子

输入：变异概率Pm

输出：优化个体ai

1)k=INT(PmSize)；INT(*)是整数函数；

4)生成随机数r=random(0,1)；

6)返回ai。

资源调度算法的选择算子如算法2所示。

算法2：选择算子

输入：选择概率Ps。

输出：优化个体ak。

1)k=INT(PmSize)；INT(*)是整数函数；

2)根据抗体群体的降序亲和力值，直接选择第k个抗体ak；

3)生成随机数r=random(0,1)；

4)如果Ps>r，将ak保存作为下一代入口；

5)返回ak。

图2显示了电网云平台的任务调度过程。

图2 电网云平台的任务调度

2 实验验证

为了测试算法在不同环境下的性能和效率，使用具有10 GB RAM和4 TB存储6台物理机器搭建电网云计算平台，其中每台机器具有8个容量为10 000 MIPS的CPU。在电网云计算实验平台上设置CloudSim仿真环境，其中包括作业调度程序、资源规划程序、云和虚拟机实例。CloudSim平台提供的虚拟化引擎可以帮助用户构建和管理数据中心节点[11-12]。通过比较了ICSA、CCS和所提算法在实验云计算环境中的运行情况，来验证所提算法的性能。

图3显示了不同数量任务的响应时间比较，可以看出：在初始阶段，所提算法的响应时间略高于CCS和ICSA，随着任务数量的逐渐增加，这一差距逐渐减小；在后期阶段，所提算法的响应时间远低于其他两种算法。图4显示了不同迭代次数的响应时间比较，可以看出，所提算法与其他两种算法相比具有明显的优势。这是因为所提算法充分利用了克隆选择原则。 为了验证所提算法的有效性，比较了3种算法的执行时间，如图5所示，可以清楚地看出，所提算法的执行时间在处理过程中是最小的。

图3 不同任务数的响应时间比较

图4 不同迭代次数的响应时间比较

图6显示了不同调度周期的能耗比较。值得一提的是，CCS、所提算法和ICSA分别在每个调度周期平均消耗2.35、1.91和2.36 kW/h，其中所提算法的最低能耗为1.62 kW/h。

图6 不同调度周期的能耗比较

图7显示了不同数量任务的平均能耗比较，可以看出，所提算法在大多数情况下表现出更优异的性能，并且实现了极大的节能。由于所提算法同时从几个初始值开始，有效减少了对初始值的依赖，并加快了整体搜索速度。

图7 不同数量任务的平均能耗比较

图8 不同数量任务的平均执行成本比较

图8显示了不同数量任务的平均执行成本的比较。值得一提的是，这3种算法的初始成本是相同的，随着任务数量的增加，这3种算法有不同的增长趋势。

图9显示了不同数量任务的平均执行功率比较的实验结果，不难看出所提算法的曲线波动幅度最小，说明所提算法的平均执行力较好，而CCS和ICSA波动较大。

图9 不同数量任务的平均执行功率比较

3 结 论

电网云平台由一系列互联和虚拟化计算机组成，通过计算机动态虚拟化提供一个或多个统一计算和存储资源。针对资源优化调度和能耗降低目标，提出了基于负载均衡策略和克隆选择理论的资源调度算法。实验结果表明，该资源调度算法具有较好的云平台数据中心能耗降低能力。