1、云计算下深空通信网络的能耗感知调度方法 朱发财 福州理工学院工学院 摘 要： 云计算下深空通信网络中, 通常同时要求低能耗和低反应时间, 当前调度方法一般无法同时满足上述两种条件, 导致调度性能不佳。为此, 提出一种新的云计算下深空通信网络的能耗感知调度方法, 将云计算系统抽象地表示成一个四元组, 给出云计算平台拓扑图, 介绍了云计算系统的能耗感知模型。将能耗感知理论引入 min-min 任务调度方法, 依据深空通信网络对任务截止时间要求的满足程度, 优先选择任务队列中的最短任务, 将其分配至能耗最小的服务器上执行, 求出该任务在各服务器上的执行能耗, 通过完成时间是否满足截止时间要求判断是否
2、结束调度。给出基于能耗感知的最早完成时间任务调度方法的详细实现过程。实验结果表明, 所提方法能耗低, 时间跨度优。关键词： 云计算; 深空通信网络; 能耗感知; 调度; 作者简介：朱发财 (1979) , 男, 汉族, 福建漳州人, 硕士, 高级工程师。研究方向:ICT。E-mail:。收稿日期：2017 年 5 月 19 日基金：2015 年福建省教育厅 A 类科技研究项目 (JA15601) 资助Energy Aware Scheduling Method for Deep Space Communication Network Based on Cloud ComputingZHU Fa
3、-cai Institute of Technology, Fuzhou Institute of Technology; Abstract： Under the cloud computing, the deep space communication network usually requires low energy consumption and low response time. The current scheduling method can not meet the above two conditions, which leads to poor scheduling p
4、erformance. Therefore, the energy aware scheduling method in deep space communication network computing a new cloud, cloud computing system abstract representation into a four tuple, cloud computing platform topology, the energy aware model of cloud computing system was introduced. The theory of min
5、-min into energy aware task scheduling method, through deep space communication network to meet the deadline time degree requirements, select the shortest task in the queue, the server will perform its assigned to the minimum energy consumption, energy consumption for execution of this task in the s
6、erver, the completion time meets the deadline to determine whether the end scheduling requirements. The detailed implementation process of the earliest completion time task scheduling was presented based on energy aware. The experimental results show that the proposed method has low energy consumpti
7、on and good time span.Keyword： cloud computing; deep space communication network; energy aware; scheduling; Received： 2017 年 5 月 19 日深空通信网络是由美国国家航空航天局构建的, 是一种支持星际任务、无线电通信和射电天文技术的网络1,2。云计算作为一种新型的计算模式, 具有高扩展性和高实用性, 是众多领域研究的重点问题。然而实现高效安全的云计算仍旧面临很多困难, 其中高能耗为亟须解决的最严重的问题之一3。当前研究利用虚拟资源优化管理减少系统能耗, 未按照任务要求对调
8、度方案进行调整。文章针对云计算下深空通信网络提出一种新的能耗感知调度方法, 在保证时间跨度的前提下, 使能耗尽可能降低。1 云计算环境介绍云计算环境下计算节点的连接方式较为复杂, 本节通过常见的“图”对云计算环境的组成进行描述4。在实际应用中, 可将云计算系统抽象地表示成图形结构, 也就是一个四元组5:式 (2) 中, v i为资源供应电压;s i为计算资源在电压 vi下的计算速度;e i为计算资源在电压 vi下的计算功率。图 1 是一个含有 7 个资源节点的云计算平台拓扑图6,7, 圆圈中的 ri代表深空通信网络的资源编号, 边上的数字代表通信带宽。图 1 云计算平台结构 Fig.1 Clo
9、ud computing platform structure 下载原图2 云计算下深空通信网络的能耗感知调度方法2.1 能耗计算模型云计算下深空通信网络中服务器工作时的功率被称作服务器执行功率8, 该功率与 CPU 利用率和服务器峰值功率均成正比。服务器执行功率一般在 p 与 p 范围内9,10。针对深空通信网络中某服务器 sj (1jM) , 通过 uij对 sj执行任务 ti (1iN) 过程中的 CPU 利用率进行描述, 则 sj的执行功率可通过式 (3) 求出:式 (3) 中, u ij=ti (RCpu/sj) SNumCpu; 为服务器空闲功率和峰值功率之比。在服务器运行过程中,
10、 其执行功率为 p, 且 p 值越大, 则 CPU 利用率越高。云计算下深空通信网络在执行任务过程中服务器发生的能耗称为服务器执行能耗11,12。服务器执行功率、分派给该服务器上的任务数和所有任务的完成时间均是影响服务器执行能耗的因数。如果服务器 sj执行任务 ti时消耗的执行能耗用 eij表示, 则有:在云计算下的深空通信网络中, 执行全部任务消耗的总能耗为所有服务器执行能耗之和。云计算下深空通信网络的能耗感知目标为令其在任务集上消耗的能耗达到最小。通过式 (5) 可将云计算系统的能耗感知模型表示为2.2 能耗感知调度方法假设云计算下深空通信网络中包含 M 台服务器和 N 个任务, 则其任务
11、调度的最后目标是把 N 个任务发射到 M 台处理器上, 在规定的时间限制内完成任务的同时, 使总能耗消耗最小。min-min 方法是一种常见的调度方法, 通过 min-min 方法对任务进行调度时, 总是最先调度任务队列中最小的任务, 同时将其分配至具有最早完成时间的服务器上执行, 计算性能较高13,14。云计算下深空通信网络包含多个异构服务器, 其执行功率和响应时间在不同的服务器完成任务时其效率也不尽相同, 消耗的能耗也不同15。因此, 现提出基于能耗感知的最早完成时间任务调度方法, 使 minmin 任务调度方法结合能耗感知理论, 根据当深空通信网络满足任务截止时间要求时, 首先选取任务队
12、列中的最短任务, 把它分派到能耗最小的服务器上执行。当任务集合不为空集的时候, 就优先执行任务队列中完成时间最短的任务, 再求出该任务在各服务器上的执行能耗, 若完成时间满足截止时间要求, 则调度结束;反之, 通过 min-min 调度方法把此刻任务分配至完成时间最短的服务器上执行。云计算下提供有偿服务需要通过深空通信网络完成, 因此任务服务质量必须满足用户提出的要求19,20。用来衡量用户服务质量的依据是任务完成截止时间, 同时通过 SLAs对不符合服务质量的情况进行统计。当某项任务完成时间超出了此项任务限制的截止时间的情形下, 则规定该服务器不满足任务的服务质量, 令 SLAs加 1。由上
13、述表述, 可将基于能耗感知的最早完成时间任务调度方法描述如下。输入:云计算下深空通信网络服务器集合 S=s1, s2, , sM, 任务集合 T=t1, t2, , tN, 任务在不同服务器上的执行时间矩阵 ANM, 服务器负载阈值 Wh。输出:能耗 TE 和 SLAs值。(1) 对参数进行初始化处理。(2) 在 T 非空的情况下, 将函数 Min_t 返回 T 中, 执行时间最小任务 t, 则有:(4) 完成任务 t 到服务器 s 的映射, 则有:3 实验结果与分析3.1 整体能耗测试实验选择云计算下深空通信网络的 2 个虚拟群组进行能耗测试。每组依次配置了三种设备。依据不同设备的物理排放位
14、置, 得到其关联分组配置, 见表 1。表 1 设备虚拟关联组配置 Table 1 Virtual association group configuration 下载原表 3.1.1 设备能耗分析实验以设备 1 的运行数据为例对本文方法的能耗进行测试, 对设备 1 在采用本文方法前和采用本文方法后的运行数据进行比较, 结果见表 2。表 2 设备 1 24 h 内运行状态分析 Table 2 Operation state analysis of equipment 1 within 24 h 下载原表 分析表 2 中的统计数据可以看出, 在未采用本文方法前, 设备 1 在 24 h 内不间断地
15、运行, 能耗必然增加。而采用本文方法后, VDG1 组和 VDG2 组的 3 台设备平均参与率明显降低, 设备 1 在一段时间内处于休眠状态, 每台设备的平均工作率依次是 77.92%、77.5%、78.75%、80%、78.33%、80.42%。其中, 在凌晨到次日 7:00 时间段内设备 1 的平均工作率约 45%, 而在 8:0023:30 时间段内平均工作率超过 90%。根据上述分析, 采用本文方法后设备 1 每天节约电量为设备 1 总功率与实际运行时长的乘积。由于采用本文方法后设备 1 实际工作时长明显降低, 所以当前设备 1 每年节约电量非常可观, 说明本文方法节能性较强。3.1.
16、2 数据中心能耗分析依据云计算下深空通信网络中不同设备的实际功耗参数求出实验群组的理论能耗 PPUE。经计算, 设备 1 功耗为 71.9 k W, 设备 2 功耗为 12.63 k W, 设备 3功耗为 0.67 k W, 服务器功耗为 112.67 k W。依据上述数值有:采用本文方法对云计算下深空通信网络中的任务进行调度前, 对某天瞬时 PPUE进行统计, 结果见图 2。图 2 采用本文方法前能耗统计结果 Fig.2 Results of energy consumption statistics before using proposed method 下载原图分析图 2 可看出, 因
17、为设备存在空载问题, 造成超过 80%的时间整个深空通信网络的设备处于空载状态, 整个网络能耗大部分时间高于 1.85 k W, 能耗利用率相对较低。采用本文方法对云计算下深空通信网络中任务进行调度后, 对相同时间段内整个网络的能耗进行统计, 得到的结果见图 3。图 3 采用本文方法后能耗统计结果 Fig.3 The results of energy consumption statistics after using proposed method 下载原图分析图 3 的统计结果可知, 采用本文方法调度后, 数据中心能耗明显低于未采用本文方法。在整个统计过程中, 本文方法调度后能耗值大部分
18、时间都低于1.75 k W, 在实验期间内, 仅 30%左右的时间能耗较高, 这主要是因为这段时间负载较高。通过设备的工作状态可知, 采用本文方法后, 数据中心能耗和设备 1 基本相同, 说明本文方法能够有效降低能耗的使用量。分析整个能耗测试实验可知, 本文提出的能耗感知调度方法能够很好地减少能耗浪费, 降低整个深空通信网络的工作成本, 同时能够增加设备的使用寿命。3.2 性能评估为了验证本文提出的云计算下深空通信网络能耗感知调度方法的有效性, 在相同的实验环境下将人工免疫方法和神经网络方法作为对比进行分析。人工免疫方法是一种有效的并行任务调度方法, 而神经网络方法是一种常见的调度方法, 这两
19、种方法在任务调度方法都有很高的性能, 被广泛应用于各个领域, 所以本节选择这两种方法作为对比进行实验。计算节点参数选择真实的云计算下深空通信网络, 其能量消耗率和带宽之间的关系如下:150 MW 对应 150 kb/s, 也就是传输 1 比特数据所需的时间为 10s, 所需的能耗为 1J。相关参数如表 3 所示。表 3 相关参数 Table 3 Related parameters 下载原表 在表 3 所示数据的基础上, 对其他参数对调度性能的影响进行测试。衡量参数选择最优跨度, 最优跨度就是 VDG1 与 VDG2 中最后一个任务的完成时间。在云计算下深空通信网络中任务数量不同的情况下, 分
20、别采用本文方法、人工免疫方法和神经网络方法对其进行调度, 对三种方法的最优跨度进行统计, 得到的结果见图 4。分析图 4 的统计比较结果可知, 整体看来, 在任务数量较小的情况下, 本文方法、人工免疫方法和神经网络方法在最优跨度方面的性能差别不是很大, 但在任务数量超过 300 个后, 本文方法的最优跨度明显低于人工免疫方法和神经网络方法, 且随着任务数量的增加, 差异越来越大。所以人工免疫方法和神经网络方法在产生最小任务跨度值方面性能较差, 进一步验证了本文方法的有效性。图 4 三种方法最优跨度比较结果 Fig.4 Comparison of the optimal span of the
21、three methods 下载原图4 结论提出一种新的云计算下深空通信网络的能耗感知调度方法, 给出云计算平台拓扑图, 将能耗感知理论引入 min-min 任务调度方法, 实现任务调度。实验结果表明, 所提方法能耗低, 时间跨度优。参考文献1邓聃婷, 滕飞, 杨燕.云计算平台中面向车联网应用的能耗感知调度算法.计算机科学, 2016;43 (3) :44-48Deng Danting, Teng Fei, Yang Yan.Energy-aware scheduling algorithm for internet of vehicles on cloud platform.Computer
22、 Science, 2016;43 (3) :44-48 2陈少淼, 李智勇, 杨波, 等.云环境下超启发式能耗感知调度算法.计算机工程与应用, 2016;52 (2) :74-80Chen Shaomiao, Li Zhiyong, Yang Bo, et al.Hyper-heuristic energyaware scheduling algorithm on cloud computation system.Computer Engineering and Applications, 2016;52 (2) :74-80 3 Zhu X, Yang L T, Chen H, et al
23、.Real-time tasks oriented energy-aware scheduling in virtualized clouds.IEEE Transactions on Cloud Computing, 2014;2 (2) :168-180 4刘欣.云计算通信网络信息下载均衡调度优化研究.计算机仿真, 2016;33 (10) :162-165Liu Xin.Cloud computing communication network information download balanced scheduling optimization research.Computer
24、Simulation, 2016;33 (10) :162-165 5郝亮, 崔刚, 曲明成, 等.成本约束下的云计算能耗资源调度优化算法.高技术通讯, 2014;24 (5) :458-464Hao Liang, Cui Gang, Qu Mingcheng, et al.A cost constrained resource scheduling optimization algorithm for reduction of energy consumption in cloud computing.Chinese High Technology Letters, 2014;24 (5)
25、:458-464 6 Wang X, Wang Y, Cui Y.A new multi-objective bi-level programming model for energy and locality aware multi-job scheduling in cloud computing.Future Generation Computer Systems, 2014;36 (7) :91-101 7王灿伟.一种云计算环境下的组合寻优调度算法.科学技术与工程, 2016;16 (30) :115-121Wang Canwei.A combined optimization sch
26、eduling algorithm for cloud computing environment.Science Technology and Engineering, 2016;16 (30) :115-121 8赵宏伟, 申德荣, 田力威.云计算环境下资源需求预测与调度方法的研究.小型微型计算机系统, 2016;37 (4) :659-663Zhao Hongwei, Shen Derong, Tian Liwei.Research on resources forecasting and scheduling method in cloud computing environment.
27、Mini-Micro Systems, 2016;37 (4) :659-663 9 Wang X, Wang Y, Cui Y.An energy-aware bi-level optimization model for multi-job scheduling problems under cloud computing.Soft Computing, 2016;20 (1) :303-317 10郝秀菊.云计算环境下的大型智能交通调度方法研究.科技通报, 2015;31 (12) :234-236Hao Xiuju.Large intelligent transportation sc
28、heduling method under cloud computing environment.Bulletin of Science and Technology, 2015;31 (12) :234-236 11 Kaur T, Chana I.Energy aware scheduling of deadline-constrained tasks in cloud computing.Cluster Computing, 2016;19 (2) :679-698 12陈黄科, 祝江汉, 朱晓敏, 等.云计算中资源延迟感知的实时任务调度方法.计算机研究与发展, 2017;54 (2)
29、 :446-456Chen Huangke, Zhu Jianghan, Zhu Xiaomin, et al.Resource-delay-aware scheduling for real-time tasks in clouds.Journal of Computer Research and Development, 2017;54 (2) :446-456 13张照胜, 李蜀瑜.云计算环境下基于改进粒子群算法的任务调度.电子设计工程, 2016;24 (15) :5-8Zhang Zhaosheng, Li Shuyu.Task scheduling based on improve
30、d particle swarm optimization in cloud computing environment.Electronic Design Engineering, 2016;24 (15) :5-8 14 Singh S, Chana I.QRSF:Qo S-aware resource scheduling framework in cloud computing.The Journal of Supercomputing, 2015;71 (1) :241-292 15罗刚毅, 钱柱中, 陆桑璐.一种基于网络感知的虚拟机再调度算法.计算机学报, 2015;38 (5)
31、:932-943Luo Gangyi, Qian Zhuzhong, Lu Sanglu.A network-aware VM rescheduling algorithm.Chinese Journal of Computers, 2015;38 (5) :932-943 16 Lin X, Wang Y, Xie Q, et al.Task scheduling with dynamic voltage and frequency scaling for energy minimization in the mobile cloud computing environment.IEEE T
32、ransactions on Services Computing, 2014;8 (2) :1 17徐浙君, 陈善雄.基于膜计算和蚁群算法的融合算法在云计算资源调度中的研究.计算机测量与控制, 2017;25 (1) :127-130Xu Zhejun, Chen Shanxiong.Research of fusion algorithm based on membrane computing and ant colony algorithm in cloud computing resource scheduling.Computer Measurement25 (1) :127-130
33、 18李学俊, 徐佳, 王福田, 等.云工作流系统中能耗感知的任务调度算法.模式识别与人工智能, 2016;29 (9) :790-796Li Xuejun, Xu Jia, Wang Futian, et al.Energy aware task scheduling algorithm in cloud workflow system.Pattern Recognition and Artificial Intelligence, 2016;29 (9) :790-796 19 Li C, Li L Y.Cost and energy aware service provisioning for mobile client in cloud computing environment.The Journal of Supercomputing, 2015;71 (4) :1196-1223 20 Hameed A, Khoshkbarforoushha A, Ranjan R, et al.A survey and taxonomy on energy efficient resource allocation techniques for cloud computing systems.Computing, 2016;98 (7) :751-774
