论文部分内容阅读
近年来,随着云计算、移动互联网、大数据的迅猛发展,全球范围内新一代云数据中心正处在一个高速建设期。为了满足日益增长的互联网业务的资源需求,作为重要载体的云数据中心仍在不断的高速膨胀,然而越来越多的IT设备使得运营商等企业不得不面临着一个高能耗、高成本的严峻问题。本文从云数据中心承载的业务类型、系统架构及多地域部署等方面出发,根据大规模并行任务调度,虚拟机在线迁移及多地域能耗成本差异化等特点,展开云数据中心中能耗成本感知的调度算法研究。主要解决了大规模并行任务能耗最小化问题；基于虚拟机动态融合能耗最小化问题；跨地域多数据中心能耗成本最小化问题。主要贡献如下：(1)针对云数据中心大规模并行任务的能耗问题,以减少任务执行的能耗开销为目标,建立云数据中心环境下基于动态电压频率调节(Dynamic Voltage and Frequency Scaling, DVFS)技术的并行任务调度模型。本文结合了并行任务和DVFS的特点,提出了局部最优拉伸(Partial Optimal Scaling, POS)机制,并通过理论证明了该机制充分利用了DVFS和并行任务的特点,最大程度减少任务执行的能耗开销。根据该机制本文提出了一种能耗感知的并行任务调度算法。实验结果表明,该算法可以在不影响并行任务执行时间的情况下,有效地降低任务执行的能耗开销。(2)针对云数据中心服务器资源利用率低,大量服务器空置导致的能耗浪费问题,以提高服务器资源利用率、最小化机器的使用数量为目标,设计了虚拟机动态融合调度系统,提出了资源需求预测机制和基于预测的调度算法。实验结果表明,该算法能够准确预测虚拟机的资源需求,并进行合理迁移,有效的提高了系统资源利用率,减少机器的使用数量。(3)针对多数据中心高能耗成本问题,以降低数据中心整体能耗成本为目标,结合数据中心电价差异性的特点,建立了跨地域数据中心任务调度及能耗成本模型。本文将优化目标转化为整数线性规划问题,并提出了一个基于启发式的能耗成本感知的跨域数据中心协同任务调度算法。实验结果表明,该算法能够有效的降低多数据中心的能耗成本,调度结果接近于最优解。