基于多约束值的动态资源调度策略

摘 要：负载均衡问题本质是资源调度问题，需考虑到资源合理分配、闲置服务集群有效利用、实现负载分摊，最终降低运行节点负载量。本文系统地研究了虚拟网络资源调度模型和相关技术，结合云计算和虚拟化网络特点，构建了虚拟网络调度模型，并实现了一种基于多约束值的动态资源匹配（Dynamic resource matching based on multi constraint value，DRMV）策略。当任务请求到达，DRMV算法根据任务大小、节点负载量、功率及网络带宽等多个约束值对任务和服务节点进行排序处理。同时，为了降低任务和服务节点匹配时间与成本消耗，DRMV算法利用服务节点实际负载反馈情况，动态调节系统负载。

关键词：云计算；虚拟化网络；负载均衡；资源动态分配；系统稳定性

中图分类号：TP18 文献标识码：A 文章编号：2096-4706（2018）11-0078-03

Dynamic Resource Matching Based on Multi Constraint Value

YU Yun

（Jiangsu College of Finance Accounting，Lianyungang 222061，China）

Abstract：The essence of load balancing is resource scheduling problem. In order to achieve load sharing，the rational allocation of resources should be given to considerate and the idle service clusters should be given to effective utilize. Ultimately，reduce the load of the running node. Systematically studied the virtual network resource scheduling model and some related technologies，build a virtual network scheduling model under cloud environment according to the characteristics of cloud computing and virtualization of network，and proposed DRMV（Dynamic resource matching based on multi constraint value，DRMV）strategy. When a request arrived，the DRMV sorted and processed the task and service node based on the size of task，the node load，power and network bandwidth and other constraint values. At the same time，in order to cut down the time and cost consumption of matching task and service nodes，DRMV used the service node's feedback of actual load，dynamically adjusted the system load.

Keywords：cloud computing；virtualization network；load balancing；resource dynamic allocation；system stability

0 引 言

云计算可以说是伴随着虚拟化而出现的，云计算技术基本都会涉及虚拟化技术的应用，也可以说虚拟化技术是云计算实现的关键，更是实现云计算向下一代技术模式反向演变的基石。

随着Internet的快速发展，网络规模迅速扩大，业务需求千变万化，资源整合困难，互联网的成长出现“僵化”现象，严重影响着未来的网络深度发展，因此虚拟化网络资源调度[1]思想被提出。该思想通过对底层网络基础设施进行虚拟化实现，将底层网络资源所提供的服务与云层应用服务从逻辑上进行分离，把虚拟网络映射技术作为它们之间的桥梁。

最近几年大量学术研究和论证表明，虚拟化技术已经被认为是解决当今互联网及体系结构问题的有效方法之一，并作为下一代互联网[2]得到了广泛的关注，如欧盟FP7/4WARD项目、美国的PlanetLab和GENI/FIND项目和中国的CNGI项目。由此可见，互联网发展体系机构变革已经成为世界共识，互联网的更新换代已经升级到国家战略的高度，快速制定完备的互联网发展战略计划刻不容缓。

1 多约束值的动态资源调度

1.1 负载均衡的度量

当前，比较常用的CPU负载均衡公式[3]，采用CPU频率与CPU使用率以及λcpu系数之间的乘积来衡量CPU完成任务时的负载情况，如公式（1）。

1.2 任务与资源映射模型

在进行资源分配时，资源的预留空间要相对最优，以便任务能够获取较好的服务。在云环境下资源分配过程可以描述为，当上层发出的任务到达服务节点时，记录开始执行时间，然后根据任务的类型、大小以及所需负载量，通过调度策略对其进行分配，直到整个任务完成。本文主要从任务执行总代价方面评估系统资源分配的合理性，其中任务执行总代价Cost可以通过以下三个计量公式推导得出。

1.2.1 任务执行时间代价

建立任务执行时间代价的数学模型，需考虑到任务开始时间、任务执行时间、任务阻塞时间、任务结束时间以及任务切换时间等，本文选取任务在整个执行流程中所消耗的时间为参照。在这个过程中，能够影响到任务执行时间的因素，主要有节点负载能力、存储容量、网络带宽和磁盘I/O速率，因此通过以上变量因子得出时间计算公式（9）。

T=a×Ψ（α（ni））+b ×Ψ（β（ri））+c×Ψ（w（ei））+d×Ψ（f（mi）） （9）

公式中节点负载能力为α（ni），i表示服务节点编号，Ψ（α（ni））表示i服务节点执行任务所需要节点负载标准化参数αΔ。同理，存储容量为β（ri），Ψ（β（ri））表示任务存取使用的时间标准化参数βΔ。带宽负载能力为w（ei），Ψ（w（ei））表示任务在链路上传输所使用的时间标准化参数wΔ，包括任务发出时间、传送时间、接受时间以及延迟时间，带宽负载能力是作为衡量任务执行时间的关键因素之一。磁盘I/O速度为f（mi），Ψ（f（mi））表示磁盘读取的时间标准化参数fΔ，同样，磁盘I/O速率也是影响整个系统的关键因素之一。因此，公式（9）可以化简为公式（10），其中

1.2.2 任务执行资源代价

任务执行过程中涉及资源占用，包括底层链路带宽、服务节点资源、存储资源以及其他部件资源等。综合考虑以上成本损耗，占主要成本的损耗为底层链路开销、服务节点负载开销以及内/外存使用开销。因此，由以上四个影响因子得到以下通用成本计算公式（11）。

在公式中，a1，b1，c1，d1分别表示每个变量因子的加权影响因子，且∀（a1，b1，c1，d1）∈（0，1），a1+b1+c1+ d1=1。由公式（10）和公式（11）可以得到任务在整个执行过程中，任务执行时间代价与任务执行资源代价向量公式（12）。

1.2.3 QoS期望参数

QoS期望参数主要是用于平衡任务时间与资源成本。QoS期望参数可以用一个二元参数组成数组G=（rt，rc），其中rt，rc分别对应公式（12）中任务时间与资源成本。针对期望权值的设置来判断最优资源分配策略，其二元参数符合公式（13）的约束条件。

任务执行总代价Cost：欧几里得度量公式定义了欧几里得空间两点间的最短路径。因此，通过参数底层物理资源损耗向量公式（12）和QoS期望参数公式（13），结合欧几里得度量公式（14），可以得到系统最优的资源分配代价计算公式（15）。

2 仿真结果及分析

通过对服务节点的负载量（kb/W*Hz）、任务执行时间（ms）以及任务执行成本（kb）共同对比分析来验证DRMV算法的有效性。本文将选取的随机调度（Random Scheduling，RDS）[4]算法和最小负载反馈（Least Load Feedback，LLF）[5]算法进行实验结果对比。

2.1 服务节点负载分析

本文选取6个服务节点作为分析对象，实验结果如图1所示。

DRMV算法平均负载量为0.8867，负载标准差值为0.2607；RDS算法系统平均负载量为1.958，负载标准差值为0.4273；LLF算法平均负载量为1.5095，负载标准差值为0.3858。在系统平均负载量方面，RDS算法比DRMV算法高了约2.21倍，LLF算法比DRMV算法高了约1.703倍。同时，由负载标准方差也可得知算法DRMV的稳定性要优于其他两个算法，LLF算法稳定性优于RDS算法。

2.2 任务执行时间及成本分析

实验构建了任务执行时间与成本权限表，如表1所示，表中第一列期望因子1为任务执行时间权限配置，设置时间期望因子大于成本期望因子。表中第二列期望因子2为任务执行成本权限配置，与期望因子1配置相反。表中共设置了7个任务，每个任务量大小均不一样。

由实验图2可以看出7个数据之间服务节点运行时间分配不均，每个节点之间任务执行时间存在一定差距。算法DRMV执行时间区间跨度较其他两个算法大，可能原因是任务之一分配不是很合理，导致时间上限过大。整体上，DRMV时间代价要比其他两个算法低。图3中，期望成本是由所有任务在执行时所占用资源的总平均值，实际成本为7个任务在6台服务节点上所占用资源值，这些任务的成本值区间在（300，1300）。任务成本值的总体走势除了4号任务和7号任务成本花费突出外，其余均在总平均值以下，用户对1、2、3、5、6号任务成本花费的总体满意度较好。

从图3中可以分析得知，任务4号与7号成本花费过多，一部分是因为其任务量本身过大，在相同配置情况下，任务量越大服务节点执行过程耗时越长；另外一个影响因素是服务节点配置过低，在任务分配量一定的情况下，服务节点配置越低，任务执行所需时间也就越长，单个任务总的执行成本价值也就越高。

3 结 论

本文在虚拟网络资源调度系统模型下，描述了底层资源的聚合以及任务的组成。结合云计算和虚拟化网络的特点构建了云环境下的虚拟网络调度模型，实现了DRMV算法策略。当任务请求到达时，DRMV算法根据任务大小、节点负载量、功率以及网络带宽等多个约束值对任务和服务节点进行排序处理。同时，为了降低任务和服务节点匹配的时间与成本消耗，DRMV算法利用服务节点的实际负载反馈情况来调节系统负载。此算法在一定程度上提高了任务处理速度，减少了任务执行时间与资源成本，提高了用户满意度。

在下一步的研究中，笔者将对文章资源调度算法部分进行改进，可以对任务执行时间或是任务执行成本的参数进行设置，改进资源调度算法，降低服务节点负载量、执行成本和时间消耗，提高用户满意度。

参考文献：

[1] ANDERSON T，PETERSON L，SHENKER S，et al. Overcoming the Internet impasse through virtualization [J].Computer，2005，3（4）：34-41.

[2] 朱伟，聂秀英.国外下一代互联网研究试验的新进展 [J].电信网技术，2009（4）：27-32.

[3] 宋杰，李甜甜，闫振兴，等.一种云计算环境下的能效模型和度量方法 [J].软件学报，2012，23（2）：200-214.

[4] TARI Z，BROBERG J，ZOMAYA A Y，et al. A least flow-time first load sharing approach for distributed server farm [J].Journal of Parallel and Distributed Computing，2005，65（7）：832-842.

[5] ZAKI MJ，Wei Li，PARTHASARATHY S. Customized dynamic load balancing for a network of workstations [C].//High Performance Distributed Computing，1996. Proceedings of 5th IEEE International Symposium on.S.l.：s.n.，1996：282-291.

作者简介：郁云（1987.06-），男，汉族，江苏连云港人，讲师，硕士研究生。研究方向：云计算虚拟网络技术。