面向IaaS云計算的虛擬機負載性能優(yōu)化與保證機制研究.pdf

1、基礎(chǔ)設(shè)施即服務(wù)（IaaS）云計算可將計算軟硬件資源以虛擬機實例的形式，為用戶提供按需可擴展的計算服務(wù)，并通過一種簡單的“現(xiàn)收現(xiàn)付”式計價模型進行收費，以降低用戶負載的運行成本，并提升IaaS云服務(wù)商數(shù)據(jù)中心的資源利用率。基于以上特點，IaaS云計算在學(xué)術(shù)界及工業(yè)界都已受到了廣泛的關(guān)注。目前，主流的大型IT企業(yè)如Amazon、Google以及Microsoft先后推出了各自的云計算解決方案，以供個人及企業(yè)用戶快速部署、運營或擴展其商業(yè)業(yè)務(wù)

2、，并節(jié)約其業(yè)務(wù)運營成本。
　　然而，IaaS云計算平臺下的虛擬機實例需要共享數(shù)據(jù)中心的硬件資源，包括物理機的硬件資源（如CPU、緩存及I/O資源）以及數(shù)據(jù)中心的共享網(wǎng)絡(luò)與存儲資源，因此，虛擬機之間存在嚴重的共享計算資源競爭，進而給虛擬機負載帶來大幅度的性能下降與波動，即負載性能的不可預(yù)測性。IaaS云性能問題會阻礙用戶將性能敏感型業(yè)務(wù)遷移至云平臺部署運營，從而極大地限制了IaaS云計算的適用范圍，因此該性能問題已成為影響云計算發(fā)展

3、的一大障礙。
　　針對IaaS云平臺下虛擬機的性能問題，國內(nèi)外研究學(xué)者已初步提出了多項性能優(yōu)化與保證技術(shù)，但虛擬機負載的性能保證在IaaS云平臺下仍存在一些關(guān)鍵問題亟待解決。具體體現(xiàn)為：第一、在IaaS底層，尚缺乏一種整體的多維度資源虛擬機性能干擾預(yù)測與量化方法，用于制定性能最優(yōu)的虛擬機遷移決策。第二、在IaaS前端，現(xiàn)有的虛擬機租用策略忽視了由虛擬機底層硬件異構(gòu)性及性能干擾而產(chǎn)生的性能異構(gòu)問題。第三、在用戶負載應(yīng)用層，現(xiàn)有的Ma

4、pReduce任務(wù)調(diào)度機制忽視了IaaS云平臺共享集群中機架網(wǎng)絡(luò)可用帶寬資源的異構(gòu)性，從而容易引發(fā)網(wǎng)絡(luò)性能瓶頸問題。針對以上問題分別提出虛擬機負載性能優(yōu)化與保證方案，從IaaS云平臺的三個層次（即IaaS底層、IaaS前端以及負載應(yīng)用層）來保證用戶負載的運行性能。
　　首先，性能干擾感知的虛擬機在線遷移策略iAware可有效地緩解IaaS底層的虛擬機性能干擾問題。通過實際IaaS云平臺下多種類型的典型負載實驗，iAware策略量化

5、分析了多種影響虛擬機性能干擾的系統(tǒng)級關(guān)鍵因素（包括物理機與虛擬機的多維度資源利用率等），并結(jié)合微觀經(jīng)濟學(xué)的供需原理，建立了一個輕量級、基于多維度資源供需比的虛擬機性能干擾量化模型，以在線式地預(yù)估虛擬機遷移性能干擾與同機性能干擾?；谠撃Ｐ?，iAware遷移策略可綜合優(yōu)化上述兩種虛擬機性能干擾，并可制定造成性能干擾最小的虛擬機遷移決策。此外，iAware遷移策略可與現(xiàn)有的虛擬機遷移或整合算法協(xié)同合作，在實現(xiàn)虛擬機遷移目標（如負載均衡或能耗

6、管理）的同時，能夠最小化虛擬機的性能干擾。
　　其次，網(wǎng)絡(luò)性能感知的MapReduce任務(wù)調(diào)度機制Net-Aware可有效地緩解用戶負載應(yīng)用層（IaaS云平臺共享集群）中的網(wǎng)絡(luò)性能瓶頸問題。通過對作業(yè)完成時間與MapReduce任務(wù)在集群機架中放置的關(guān)系進行理論建模，分析得出map與reduce的任務(wù)調(diào)度對MapReduce作業(yè)所產(chǎn)生的性能提升或下降影響。利用該模型與性能影響分析進而設(shè)計兩個貪心啟發(fā)式算法，分別對map與reduc

7、e任務(wù)在共享集群機架中的調(diào)度放置進行優(yōu)化，可緩解共享集群環(huán)境中由機架網(wǎng)絡(luò)可用帶寬的異構(gòu)性以及大量數(shù)據(jù)交換而引發(fā)的網(wǎng)絡(luò)性能瓶頸問題。Net-Aware任務(wù)調(diào)度機制將以上兩個算法協(xié)同合作，可大幅提升MapReduce作業(yè)的運行性能，縮短作業(yè)完成時間。
　　最后，基于iAware與Net-Aware性能優(yōu)化的IaaS云平臺，性能異構(gòu)性感知的虛擬機租用策略Heifer可進一步解決IaaS前端租用虛擬機的性能波動問題。通過實際IaaS云平臺

8、下的典型負載應(yīng)用MapReduce實驗，分析引發(fā)負載性能波動的兩大因素，即租用虛擬機的底層硬件異構(gòu)性及性能干擾，并利用Xen的CPU與I/O調(diào)度機制深入分析虛擬機資源利用率與負載運行性能之間的關(guān)系。Heifer策略則利用實際可測的虛擬機資源利用率與iAware性能干擾模型，建立一個MapReduce性能預(yù)測模型，可消除虛擬機負載的性能波動（即性能異構(gòu)）問題。利用該性能預(yù)測模型，Heifer租用策略可為用戶選擇性能最優(yōu)的虛擬機硬件類型以及