桌面云的智能自适应性调度研究

《桌面云的智能自适应性调度研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、桌面云的智能自适应性调度研究在广东移动现有的桌面云基础上，针对现有云计算平台缺乏针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问题。主动监控不同等级用户的性能指标和系统指标，并以此为依据，提出了桌面云的智能自适应性理论，统一调度管理不同资源。根据资源需求量对云服务的资源供给进行调整，选择恰当的虚拟机组合为云服务提供足量且高利用率的资源。1云计算简介云计算(Cloudputing)是一种近年兴起的计算模式，与传统计算模式相比较，云计算通过共享可配置计算资源，解决以往传统计算环境中，由于硬件或问题复杂度带来的限制。云计算具有以下基本特性：

2、按需索取、广泛的X络访问、资源池化管理和供应、快速弹性伸缩和服务度量[1]。依据服务模式分类，云计算可以分为软件即服务(SaaS，SoftasaService)和基础设施即服务(IaaS，InfrastructureasaService)。SaaS通过浏览器把程序传给用户，这个模式大大减少了用户在软件授权和开发商方面的开支，同时也实现了供应商的效益最大化。Salesforce[2]是典型的SaaS应用。PaaS则通过这种形式的云计算，把开发、部署环境作为服务来提供，如GoogleAppEngine[3]。IaaS负责的是最底层的硬件支持，通过将CPU、内存、X络等计算

3、机资源可计算化，向上层SaaS和PaaS提供硬件支持。典型的例子有亚马逊的EC2[4]、VMware、Hyper-V、OracleVirtualBox、CitrixXenserver等，统一管理，提高整体高可用性并形成差异化虚机平台，满足各种用户的需求。关键技术：使用流程管理产品，建立运维模型，统一接口。(3)统一资源调度整合各种不同资源的接口，实现在用户使用过程中动态进行资源调整，尽量对用户透明无影响。同时，在实际部署的过程中加入了虚拟机优先级，用以区分用户群体，实现了对用户虚拟机的自动精细化管理。1)虚机资源动态调整;2)虚机动态迁移(主机迁移、存储迁移);3)用

4、户会话资源动态调整;4)灾难恢复。关键技术：使用虚拟化平台管理工具和Windows终端会话管理功能。4核心算法本研究的核心算法是云计算平台的规模自适应性方法。4.1符号表算法符号定义表如表1所示。4.2最大并发请求数预测虚拟机的应用，根据用户的行为习惯，每天都具有一定的规律性。如开发团队的群体，因为经常要测试程序，需要长时间占用大量内存。而与之相比，销售团队的虚拟机使用，一般集中在上班时间，并且一般为办公软件。最大并发请求数预测则是根据这些用户的历史行为习惯记录，对接下来的一段时间内，用户虚拟机的最大并发请求做出预测。然后，根据预测结果对虚拟机进行资源的调度分配。本文

5、采用一种基于历史最大并发数的预测方法对即将到来时刻的最大并发数进行预测。首先，本文的模型应用于大部分长期运行的基础设施，所以能够提供足够多的历史数据。同时这种基础设施性也决定了算法具有通用性。其次，本文通过时间序列预测算法，对下一个单位时间段的最大并发数进行短期趋势预测。所以，本文采用二次移动平均法作为预测下阶段时间的资源需求的预测算法。二次移动平均法如公式(1)所示[7]：为应对实际生产环境中可能产生的故障及保证桌面云的高性能运转，最理想的取时长度为15分钟，从每个小时的第0分钟开始至第15分钟、第16分钟开始至第30分钟，如此类推。本文的算法使用了上一个月的历史数

6、据，考虑到生产环境中季度业务更替等情况，因此具有其合理性。当应用到别的生产环境时，可适当进行调整。详细的数据记录及分时段整理由云平台接口完成，此处省略。4.3预测修正本文的算法根据聚类的结果，预测出每个类别的最大并发请求数。为了保证桌面云系统的有序高效运行。本文的模型根据当前的预测值，对当前的配置进行更改，并且在下一个时间段对预测值和实际值进行校检。通过不断计算误差，可以得到预测的偏差值。然后根据偏差值，对下一次的预测做出修正。这里的偏差值是指经本节预测修正后的预测值与实际值相比的不足量与实际值之比，这是对模型的优化补充。4.4虚拟机选择本节将描述算法所构建的虚拟机调

7、度方案。本文定义应用的最大并发请求req与所需资源rc间存在函数关系freq-rc，如公式(3)所示：可以把实际的调度方案分为两类：一类是开启某类型的虚拟机，另外一类是关闭某类型的虚拟机。根据公式(3)，可以通过freq-rc将给定的并发请求数转化为资源需求，对于此资源需求，云系统需适当调度虚拟机以适应之。当给定的资源不足时，开启某类型的虚拟机;反之当给定的资源过多时，关闭某类型的虚拟机，从而达到节省资源和适应用户弹性需求的目的。通过聚类算法，闲置资源和虚拟机的资源差异甲醛向量模长为聚类距离。本文扩展了向量模型，引入了不同维度的权值：调度流程具体如下