一种面向云数据中心的节能型虚拟机调度方法

《IEEE Transactions on Sustainable Computing》：An Energy-Aware Virtual Machine Scheduling Approach for Cloud Data Centers

虚拟机整合虽提升资源利用率，但易引发局部热点问题，传统调度策略难以兼顾能耗与散热。本文提出EAVMS方法，通过混合遗传算法与模拟退火算法优化初始虚拟机布局，结合动态迁移策略控制服务器温度，实验表明在谷歌和PlanetLab数据集上，整体能耗可降低3.23%-43.07%且服务性能仅轻微下降。

　　

摘要：

由于应用程序数据的爆炸性增长，降低能源消耗在云数据中心变得更加紧迫。虚拟机（VM）集成是目前数据中心计算设施中应用的一种相对标准的技术。然而，过度整合虚拟机容易导致局部热点问题，从而降低数据中心的能源效率和可靠性。此外，由于数据中心内部热量循环的影响，传统的虚拟机调度策略无法全面考虑优化整个数据中心的能源使用情况，这包括服务器能源和冷却能源。为了解决这些问题，我们提出了EAVMS——一种基于能源意识的虚拟机调度方法，旨在最小化数据中心的整体能源消耗。EAVMS采用两阶段方法，在保证服务质量（QoS）的同时提高能源效率。首先，EAVMS利用混合遗传算法和模拟退火算法（BGSA）来优化虚拟机的初始布局；其次，EAVMS通过设置服务器温度阈值来实现有效迁移，同时不违反服务水平协议（SLA），从而通过缓解服务器热点问题来降低能源消耗。我们使用两个真实世界的数据集（即PlanetLab和Google Cluster数据集）进行了广泛的实验来评估EAVMS的有效性。实验结果表明，与其他最先进的调度方法（如MJPM、GRANITE、TAS、XINT-GA和Random）相比，我们的方法能够在仅略微降低服务性能的情况下，将云数据中心的整体能源消耗降低3.23%至43.07%。

引言

云计算是一种经典的商业计算和服务模型，它将大量的计算任务分配到一个由大量服务器组成的资源池中，使客户能够按需获取计算能力、存储空间和信息服务。云计算已广泛应用于网格搜索、科学计算、虚拟环境、新能源和生物信息等领域[1]。随着客户对计算能力需求的不断增长，作为云计算基础设施核心的数据中心也在持续扩张，这导致了数据中心能源消耗的急剧增加。根据NRDC的报告[2]，2020年美国的数据中心能耗相当于50个发电厂的年能耗总和。这些数据中心的电力成本接近140亿美元，同时增加了所在地区电网的负荷。由于计算密度的增加，数据中心产生了巨大的能源消耗，这不仅带来了高昂的运营成本，还降低了服务性能和系统稳定性，并增加了二氧化碳排放。因此，最小化数据中心的整体能源消耗仍然是最重要的课题[3]。