云计算平台的自适应资源供给

doi:10.3969/j.issn.1000-0801.2012.01.007

电信科学 ›› 2012, Vol. 28 ›› Issue (1): 35-41.doi: 10.3969/j.issn.1000-0801.2012.01.007

云计算平台的自适应资源供给

赵淦森¹,虞海²,季统凯³,宋泓⁴

¹ 华南师范大学广州510631
² 中山大学广州510275
³ 广东电子工业研究院东莞523000
⁴ 中国电子科技集团公司北京100846

发布日期:2017-02-07
基金资助:
东莞市重大科技专项基金资助项目;软件工程国家重点实验室开放基金资助项目;广东省中国科学院全面战略合作基金资助项目;广东省中国科学院全面战略合作基金资助项目;东莞市重大科技专项基金资助项目

Adaptive Resource Provisioning for Cloud Computing

Gansen Zhao¹,Hai Yu²,Tongkai Ji³,Hong Song⁴

¹ South China Normal University,Guangzhou 510631,China
² Sun Yat-sen University,Guangzhou 510275,China
³ Guangdong Electronics Industry Institute,Dongguan 523000,China
⁴ China Electronics Technology Group Co.,Ltd.,Beijing 100846,China

Published:2017-02-07

摘要/Abstract

摘要：

云计算系统中 IaaS 层通过对虚拟化后的基础设施进行池化管理来完成云内基础设施资源的管理。资源的池化为云服务提供按需索取的资源供应以及动态的资源配给。针对现有云计算平台缺乏对资源供应量的自动调整机制的问题，研究了云计算平台中基础设施资源供给的自适应性。通过二次平均时间序列预测法对未来一个时段内的业务负载峰值进行预测，并将预测值交予云平台转化为资源需求。对给定的资源需求，模型通过不断寻找最小虚拟机所能提供的资源与预期资源需求量之差的向量长度，做出虚拟机调度决策。仿真实验表明，本文提出的云计算自适应模型具有良好的精确性及稳定性。

关键词: 云计算, 基础设施即服务, 自适应资源供给, 负载预测, 即需调度

Abstract:

An infrastructure cloud manages the infrastructure as a resource pool,enabling on-demand and dynamic resources provisioning according to resource consumption and service loads.This paper investigates the issue of adaptive resource provisioning for services in clouds.A model is proposed to predict cloud services'peak load and calculate the expected resources consumption.Resource of the best utility for the service is identified and allocated to the service.Simulation results suggest that the proposed adaptive resources provisioning model has a fair accuracy and stable performance.

Key words: cloud computing, IaaS, adaptive resource provision, service load prediction, just in time schedule

赵淦森,虞海,季统凯,宋泓. 云计算平台的自适应资源供给[J]. 电信科学, 2012, 28(1): 35-41.

Gansen Zhao,Hai Yu,Tongkai Ji,Hong Song. Adaptive Resource Provisioning for Cloud Computing[J]. Telecommunications Science, 2012, 28(1): 35-41.

图/表 5

图1

表1

图2

图3

图4

参考文献 13

1	Ian Foster , Yong Zhao , Ioan Raicu , et al. Cloud computing and grid computing 360-degree compared. Grid Computing Environments Workshop, 2008
2	Carsten Binnig , Donald Kossmann , Tim Kraska , et al. How is the weather tomorrow? towards a benchmark for the cloud. Proceedings of the Second International Workshop on Testing Database Systems, ACM New York,NY,USA, 2009
3	云端运算. 维基百科，， 2011
4	Amazon Elastic Compute Cloud （Amazon EC2）. ， 2011
5	John Viega . Cloud computing and the common man. Computer, 2009（42）
6	Jie Yang , Jie Qiu , Ying Li . A profile-based approach to just-in-time scalability for cloud applications. Proceedings of IEEE International Conference on Cloud Computing, Bangalore,India, 2009
7	Gansen Zhao , Jiale Liu , Yong Tang , et al. Cloud computing:a statistics aspect of users. Proceedings of the First International Conference on Cloud Computing, Beijing,China, 2009
8	Gansen Zhao , Chunming Rong , Jiale Liu , et al. Modeling user growth for cloud scalability and availability. Journal of Internet Technology, 2009,11（3）
9	Gokul Soundararajan , Cristiana Amza . Reactive provisioning of backend databases in shared dynamic content server clusters. ACM Trans Auton, 2006,1（2）
10	Jerry Roliaa , Xiaoyun Zhua , Martin Arlitta , et al. Statisical service assurances for applications in utility grid environments. Performance Evaluation, 2004,11（58）:319～339
11	二次移动平均法. ， 2011
12	矢量. ， 2011
13	Amazon EC2 Instance Types. ， 2011

符号	描述
T_t	第t日的当前时刻，t=1,2,…,n,n+1，其中，1表示系统启
	动的第1日的当前时刻，n表示有历史记录的最后一日
	（即昨日）的当前时刻，n+1表示待预测日（即今日）的当
	前时刻
R_t	第t日当前时段最大并发请求数的实际值
R_p	当前日的最大并发请求数预测值
R_＇P	当前日的最大并发请求数预测修正值
C	历史平均预测不足率
f	f_rea-rc，详见第3.4节
X	资源X，为CPU、MEM、Store之一，依次表示CPU、内存
	及永久存储空间
E^X	资源 X的预测需求量
E	集合｛E^X\|X=CPU,MEM,Store｝
W^X	资源X 的价值参数，由系统管理员设定
W	集合｛W^X\|X=CPU,MEM,Store｝
VM	运行中的虚拟机集合
I_i	虚拟机类型i 的一个实例，可以是已开启、已关闭或者
	将要开启的
R^X_VMi	虚拟机类型i所能提供的资源X的量

[1]	韩雪. 基于电力大数据的电力骨干通信网络毁伤韧性评估方法[J]. 电信科学, 2023, 39(5): 136-143.
[2]	邢文娟, 雷波, 赵倩颖. 算力基础设施发展现状与趋势展望[J]. 电信科学, 2022, 38(6): 51-61.
[3]	邓平科, 张同须, 施南翔, 张童, 邵天竺, 郑韶雯. 星算网络——空天地一体化算力融合网络新发展[J]. 电信科学, 2022, 38(6): 71-81.
[4]	邬江兴. 论网络技术体制发展范式的变革——网络之网络[J]. 电信科学, 2022, 38(6): 3-12.
[5]	马焜, 徐玲玉, 沈晓萍, 龚志城, 蓝建平, 陈双喜, 钱钧. 云计算中基于Shapley值改进遗传算法的虚拟机调度模型[J]. 电信科学, 2022, 38(12): 1-10.
[6]	刘志勇, 何忠江, 阮宜龙, 单俊峰, 张超. 大数据安全特征与运营实践[J]. 电信科学, 2021, 37(5): 160-169.
[7]	许剑,靳莉. 一种可量化的云计算平台安全评估模型[J]. 电信科学, 2020, 36(7): 163-167.
[8]	罗斯宁,王化龙,李弘宇,彭蔚. 基于改进蚁群算法的云计算用户任务调度算法[J]. 电信科学, 2020, 36(2): 95-100.
[9]	雷波, 刘增义, 王旭亮, 杨明川, 陈运清. 基于云、网、边融合的边缘计算新方案：算力网络[J]. 电信科学, 2019, 35(9): 44-51.
[10]	高永梅,程冠杰. 基于边缘计算的数据密集型服务部署[J]. 电信科学, 2019, 35(7): 87-99.
[11]	鲁泽霖,李强治. 电子商务平台的演化逻辑和运营机理[J]. 电信科学, 2019, 35(7): 152-158.
[12]	黄志兰,樊勇兵,樊宁,陈楠,吴林泽,林宝洪. 云资源池集成虚拟防火墙方案及关键技术[J]. 电信科学, 2019, 35(5): 140-148.
[13]	朱友康,乐光学,杨晓慧,刘建生. 边缘计算迁移研究综述[J]. 电信科学, 2019, 35(4): 74-94.
[14]	吴国威,樊宁,汪来富,王帅,沈军,金华敏. 云环境下基于属性加密体制算法加速方案[J]. 电信科学, 2019, 35(11): 101-107.
[15]	张云勇. 5G将全面使能工业互联网[J]. 电信科学, 2019, 35(1): 1-8.

云计算平台的自适应资源供给

Adaptive Resource Provisioning for Cloud Computing

在线阅读

PDF下载

可视化

被引次数

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 13

相关文章 15

Metrics

推荐阅读 0