云计算中虚拟资源管理技术研究.doc

云计算中虚拟资源管理技术研究 　　摘 要： 为了确保云计算提供的服务质量，解决云计算资源的不确定性因素，围绕资源预测、资源分配、资源迁移三个方面展开研究。提出了基于资源相似度的性能预测方法，基于多维度质量及负载均衡的资源分配技术以及节点效能和失效规律的资源动态迁移技术。为了验证上述技术方案的合理性和有效性，在对上述技术进行深入研究的基础上，借助相关仿真软件并结合模拟参数设计了多组实验。通过对得到的实验数据和结果进行比较和分析，验证了提出的资源预测技术、资源分配技术、资源迁移技术的正确性和有效性。 　　关键词： 云计算； 资源管理； 性能预测； 资源分配； 资源迁移 　　中图分类号： TN711?34； TP391.4 文献标识码： A 文章编号： 1004?373X（2016）01?0035?05 　　0 引 言 　　云计算通过虚拟化技术，整合大量虚拟资源为用户提供各种服务。面对云计算的众多不确定性因素，服务质量会受影响[1]。不同云计算应用商提供的基础设施层所提供的服务有所不同，实现方式也有区别，但都有一个共同点那就是面对大规模的资源，实现高层次的资源管理。 　　目前的虚拟化资源管理技术在应用中只是总体保证稳定的性能，针对具体的应用场景并不能保证都是最优的[2]。系统在为虚拟机寻找物理机时，基本采用先来先服务，没有对用户的资源请求以及可用的物理资源进行评估，因此存在资源不合理分配的现象。本文对云计算中基于虚拟化资源管理的一些技术进行研究，主要包括：RSBP神经网络预测技术，多维度QoS及负载均衡的资源分配技术以及基于节点效能和实效规律的资源迁移技术。研究内容不仅能提高资源分配的性能，同时节约效能，既有重要的学术价值，也具有广泛的应用前景。 　　1 RSBP神经网络预测实验及结果分析 　　RSBP性能预测通过数据中心代理执行获取资源信息，根据信息查询相类似的节点，再根据该节点用预测方法预测出执行时间。对RSBP性能预测算法的描述如下： 　　（1） 初始化BP感知器A，从监控代理Broker获取节点历史记录DataRecords。 　　（2） 当任务需要对资源[Ri]进行预测时，判断[Ri]的DataRecords是否为空，如果不为空，进入步骤（3）；否则进入步骤（4）。 　　（3） 利用指数平均值计算[Ri]的预测执行时间。 　　（4） 利用资源相似度查找性能相似的节点，若有则进入步骤（5）；否则进入步骤（6）。 　　（5） 寻找相似度符合要求最高且DataRecords不为空的节点[Ri，]再利用指数平均值计算[Ri]的预测执行时间。 　　（6） 根据资源性能的参数值输入A，利用BP预测获得A的输出就是预测执行时间。 　　（7） 当[Ri]运行结束将记录送入监控代理Broker。 　　RSBP性能预测算法流程图如图1所示。采用RSBP方法进行预测并进行误差性能分析[3]。测试39次不同的任务，利用RSBP预测算法计算得到的预测相对误差变化如图2所示。 　　 　　图2 使用RSBP预测算法预测的相对误差 　　表1为实验结果的汇总信息。RSBP算法的平均相对误差为5.01%，但是相对误差在最大时将近17%，大于平均值近12个百分点。 　　经过分析发现，造成任务预测时间相对误差过大的主要原因是训练集不充足，任务的属性值在训练集处于稀疏区。另外还有一种情况是：有些输入属性的值域跨度比较大，也很难做到样本的全面、均匀分布。针对这一情况，在训练集中拓宽了数据的范围，重新训练网络，然后重新预测任务，结果相对误差降到了7.24%。由此可见BP神经网络训练样本质量的重要性。 　　表1 RSBP预测算法的相对误差汇总 % 　　[最小相对误差＼最大相对误差＼平均相对误差＼0.04＼16.99＼5.01＼] 　　对于训练样本质量的重要性，本文提出了一种缓解方法：将使用BP预测的新任务的信息加入到BP网络训练集的增补集中，再次重新预测任务，得到误差汇总的情况如表2所示。 　　表2 增补集的RSBP预测算法的相对误差汇总 % 　　[最小相对误差＼最大相对误差＼平均相对误差＼0.03＼12.46＼3.61＼] 　　由表2进一步地发现误差比原来的要小很多，但是训练时间却增加了。主要是因为这些新任务都未曾执行，等到该集合到一定规模后，需要重新训练BP网络。而这些重新训练的网络导致训练集合过于庞大，不仅增加训练时间，同时也使得训练空间的某些区域数据过于密集。因此可以考虑删除部分训练集中处于稠密区的早期数据，以此来保证训练集不要过大；但是在删除的同时要保证训练空间数据分布均匀。 　　2 多维度QoS及负载均衡的资源分配方法 　　2.1 多维度QoS资源分配 　　多维度QoS及负载均衡的资源分配方法