云數據中心的能耗管理研究

[摘要] 不斷增長的能源消耗已經成為制約云計算發(fā)展的瓶頸。分析了云數據中心的能耗分布，指出了降低服務器集群能耗的重要性。在對目前服務器集群能耗模型做總結的基礎上，從虛擬化、任務調度、負載均衡以及DVFS四個方面論述了目前云數據中心節(jié)能技術、策略及其相應的算法。

[關鍵詞] 能耗管理；云數據中心；服務器集群；節(jié)能技術

中圖分類號：TP368.6；TP399 文獻標示：A

The Research of Energy Management

in Cloud Computing Center

ZHOU Hang1 ZHU xin-ying2

（Zhoukou Normal University ， zhoukou ， Henan 466001）

[Abstract] Growing energy consumption has become a bottleneck restricting the development of cloud computing. This paper analyzes the data distribution of cloud computing center and points out the importance of reducing energy consumption of server cluster. Based on the sammary of energy consumption model for server cluster， this paper discusses the current energy-saving technology， strategy and its corresponding algorithm for cloud data center from the aspects such as virtualization， task scheduling， load balancing and DVFS.

[Keywords] Energy Management； Cloud Data Center； Server Cluster； Energy-saving Technology

0 引言

近年來，在商業(yè)和科研對計算能力需求日益增長ngzgol： t， Bernd Freisleben，ecture，IEEE，2006ure， ACM，2009.46-55.c law 109-431， LBNL-363E [] 的驅動下，云計算取得了長足的發(fā)展并已應用到社會生產生活的各個方面。雖然單臺計算機的功率并不大，但是在計算機總數龐大的云計算數據中心中，電力的消耗卻相當驚人。以Google

公司為例，Google2011年的全球能源消費達到了2.6億瓦特，這相當于加州歐文市家庭用戶的所有用電量。隨著Amazon EC2、Windows Azure和Google AppEngine等各形各樣的云產品的面世，這些大規(guī)模的云計算基礎設施所消耗的能量也在逐年增長。有報告顯示，美國的IT基礎設施在2011年所消耗的電能經估算則是2006年的兩倍，電費成本大約為45萬億美元[1]。一方面，如此大幅的能量消耗增長會排放出大量的CO2，加劇溫室效應；另一方面，不斷增長的能源消耗已經成為云計算提供商重要的成本來源。Amazon的CEMS項目顯示：能源消耗已經占到該項目總投資額的41.62%[2]。所以，對降低云計算中心能耗的有效方法開展研究，共同打造綠色云，則已成為業(yè)內人士的通見與共識，這也是云計算得以健康發(fā)展的關鍵因素。

1云數據中心的能耗分布

要降低云計算中心的能耗，就需要分析這些能耗的來源。在云計算中心，能耗主要來自于服務器集群、冷卻設備、配電系統(tǒng)、網絡傳輸設備，等。通常，服務器集群負載所消耗的能量占整體能耗的50%左右，國際上通用以PUE值來衡量一個云計算中心的能源效率。PUE的計算公式為：

PUE=數據中心總設備能耗/IT設備能耗

PUE的基準值是2，越接近1說明能效水平越好。據美國環(huán)境保護署（EPA）研究：美國2012的PUE值大約為1.9，那些運用了高效節(jié)能策略的企業(yè)的PUE值為1.3—1.7，目前Google稱自己的云計算中心的PUE值已經低于這個區(qū)間[3]。從能耗的組成部分可以看出，降低配電系統(tǒng)的能耗損失以及降低冷卻系統(tǒng)的能耗都能明顯降低PUE值。前者可以通過平衡三相電荷、推廣節(jié)能變壓器材、開展無功補償等方法降低電路設備的能量損耗。后者取決于冷卻的方法和設備的架構，比如靠近水域的云數據中心一般通過海（河）水冷卻系統(tǒng)來冷卻服務器集群，位于Saint-Ghislain的Google比利時數據中心即通過水冷系統(tǒng)將數據中心的PUE值降低為全年1.11[4]。

2 云數據中心的服務器集群能耗模型

從上述各大云計算服務商的PUE值可以看出，云數據中心的最大能耗仍然來自于其龐大的服務器集群。在已有設備的基礎上如何提高服務器集群的能耗才是云數據中心亟需解決的問題。為了提高能源利用率、評估節(jié)能策略和措施的有效性，需要構建一個合理的能耗模型。對于計算機的能耗模型而言，目前已有相當多的論文對此做了研究。一些論文針對具體部件構造能耗模型。在CPU方面，Bellosa最早提出了采用硬件性能計數器對CPU進行能耗建模，并證明了Pentium處理器的能耗和硬件性能計數器有著很強的聯系[5]。論文[6]首次將AMD平臺的硬件性能計數器分為四類，而且通過Spearman分析法得出每類中與能耗關聯最大的性能計數器并進行建模。內存也是耗能部件，當系統(tǒng)的緩存中沒有處理器所需數據時，處理器就需要訪問內存。因此，業(yè)內普遍將一級緩存未命中數作為參數來量化內存的能耗。Contreras則利用緩存中的指令未命中數和數據依賴的延遲周期來建立內存的能耗模型，同樣具有很高的準確度[7]。對于提供大量云存儲服務的服務商而言，硬盤的功耗同樣不能忽略。由于硬盤的功率變化并不明顯，所以其能耗的建模要復雜一些，Kim等人利用硬盤讀寫的時間以及磁頭旋轉操作速度作為參數進行建模，能準確估算硬盤的能耗[8]。另外，還有一些學者研究的是整個服務器系統(tǒng)的能耗模型，其中有兩種最普遍的方法。一是根據CPU資源利用率對系統(tǒng)的能耗進行建模，例如Heath和Fan等人均提出了基于CPU利用率的線性回歸模型，并通過實驗驗證了該模型的準確性[9]。二是如Economous等人根據計算機的工作電壓和工作頻率來量化系統(tǒng)的能耗[10]。

3 節(jié)能技術與策略

由于服務器集群的能耗占據整體能耗的最大比例，所以目前有關云數據中心的節(jié)能算法和策略的研究大都是基于服務器集群的。服務器集群的節(jié)能已經成為綠色云計算的研究熱點。在研究國內外大量技術文獻的基礎上，云數據中心的節(jié)能技術和策略可以歸納為以下四種。

3.1虛擬化

遵循摩爾定律，服務器的硬件不斷升級，多核技術的應用更是將服務器的計算能力推向更高水準。與此同時，7×24小時運轉的服務器在絕大部分時間里都在浪費其自身的計算能力。Singh通過實驗驗證了大部分服務器在沒有負載的情況下，其能耗也會達到能耗峰值的60%左右[11]。虛擬化技術實現了IT資源的邏輯抽象和統(tǒng)一表示，不僅在云數據中心的操作管理及資源調度方面作用巨大，在節(jié)能方面也同樣有著出色的表現。埃塞克斯郡的帕爾默學院通過部署服務器虛擬化，將超過20臺的IBM服務器減少到僅為3臺裝有Vmware的vSphere4.1服務器，節(jié)約了19%的成本預算[12]。上述方案充分顯示了虛擬化技術在提升服務器能源效率方面的優(yōu)勢。預計到2018年，數據中心的空間使用量將只占到如今使用量的40%，越來越多的云數據中心將通過虛擬化技術打造綠色云計算。目前，雖然虛擬化技術能降低服務器集群的整體能耗已經得到公眾認可，但是虛擬化技術在能耗優(yōu)化方面的量化仍存在不小問題。不同類型的物理機和虛擬機在搭配時會有不同的效果，因此虛擬機的裝箱算法便成為了目前虛擬化技術在節(jié)能領域的研究熱點。Cardosa和Singh等人在IEEE TRANSACT- IONS上發(fā)表文章，該論文的方法是通過獲取虛擬機裝箱過程中時間和空間（CPU、內存和存儲能力）的平衡來實現節(jié)能[13]。文中采用啟發(fā)式算法找出最優(yōu)節(jié)能的配置方案，雖然算法的時間復雜度略高，卻可節(jié)約10%左右的能耗，效果良好。

3.2任務調度

任務調度也是云計算能耗優(yōu)化的研究熱點。云計算中的Map-Reduce模型是將任務劃分為子任務交給不同的節(jié)點同時進行。對于云數據中心龐大的服務器集群而言，如果所有節(jié)點同時處于運行狀態(tài)，勢必帶來驚人的能耗。此時需要通過任務調度來實現服務器集群的動態(tài)調整，使那些負載較輕的節(jié)點接收更多的任務，或者是將其任務遷移出去后保持在休眠狀態(tài)，從而降低其能量消耗。論文14是以節(jié)能效果為目標，論述經典遺傳算法在任務調度中的應用。論文15研究了粒子群算法和蟻群算法在云計算任務調度中的應用，并比較其在節(jié)能方面的效果。上述論文的研究結果表明，在不同的應用場景下，利用不同的智能優(yōu)化算法調度服務器之間的任務分配都分別取得了較優(yōu)的結果。一些開源的云計算平臺往往會自帶一些經典的調度器。如Hadoop平臺就將任務分成三個粒度：Queue、Job、Task，并以這三個對象構建了FIFO Scheduler、Fair Scheduler以及Capacity Scheduler三種調度器[16]。當然，這幾種調度方法都更適用于同構的云環(huán)境，目前最新的Hadoop2.0 beta版本已經出現了適應于異構集群的調度器LATE。

3.3負載均衡

在云環(huán)境中，負載均衡可以將單個重負載的運算分擔到多臺節(jié)點設備上進行并行處理。每個服務器節(jié)點的計算運行結束后，將結果匯總并返回給用戶，大大提升了系統(tǒng)的處理能力。負載均衡本身是一種提升云計算數據處理速度的技術，但是對龐大的云服務器集群來說，負載均衡技術同樣能有效地降低集群整體能耗。Adbeldalam等人通過實驗證明了在K臺服務器下，負載均分時能耗最小[17]。由此可以看出對于節(jié)能而言，服務器集群負載的合理分配意義重大。雖然借助于上述虛擬化技術和任務調度技術，云數據中心可以很方便地將低負載節(jié)點中的任務遷移出去，通過維持運行節(jié)點的合理負載來降低能耗。但是虛擬機中的任務遷移以及物理機的休眠、重啟都是需要消耗能量的。德國馬堡大學的Freisleben教授在論文[18]中研究了虛擬機任務遷移的整個過程，并對遷移的三個階段的能量消耗做了實驗分析。對于擁有龐大服務器集群的云數據中心而言，頻繁的任務遷移及物理機的休眠/啟動策略并不合理，往往需要利用負載均衡技術才能有效地降低能耗。目前，云計算中負載均衡技術的關鍵因素是負載均衡的算法設計。對于同構的服務器集群環(huán)境而言，負載均分便是最簡單可行的辦法，如Hadoop平臺便是將輸入數據分割成64M大小的數據塊，然后均分給DataNode進行處理。目前的研究熱點是異構環(huán)境下或者多核環(huán)境下的動態(tài)負載均衡技術，如論文[19，20]考慮了節(jié)點的處理能力及節(jié)點的實際負載，給出了不同應用環(huán)境下的動態(tài)負載均衡算法。

3.4 DVFS

DVFS的全稱是 Dynamic Voltage and Frequency Scaling，即動態(tài)電壓頻率調整技術。不同于上述三種宏觀策略下的節(jié)能技術，DVFS技術是從每臺服務器自身的角度來降低能耗。對于CMOS電路而言，能耗和電壓、頻率的關系為： （1）

對于同一服務器芯片，頻率越高，需要的電壓也越高。降低頻率可以降低功率，但是降低頻率往往伴隨著增加任務的運行時間t，因此單純地降低頻率并不能有效地減少能耗。通常情況下，DVFS策略需要在降低能耗和縮短任務運行時間之間做出合理的取舍。目前在DVFS技術方面，有三種基本的節(jié)能算法：第一種是Lowest-DVFS，每個虛擬機以請求的MIPS來執(zhí)行任務，調整CPU速率至最低。該算法在任務到達率較低的情況下能耗最少。第二種是-Adanced-DVFS，為當前的虛擬機所請求的MIPS提高，每臺處理器具備一定的伸縮性。此算法可以克服Lowest-DVFS策略較低的服務器接受率問題。第三種是Adaptive-DVFS，通過預先判斷請求到達率以及服務時間，從而得到最優(yōu)的伸縮模型。

4 結束語

云數據中心的能耗不僅增加了云服務提供商的運營成本，而且已經逐漸演變成全球環(huán)境問題。研究云計算的能耗問題，打造高能效、低能耗的綠色云，已經成為亟待解決的任務。本文分析了云數據中心能量消耗的分布情況，總結了目前國內外有關服務器集群的能耗模型。最后從虛擬化、任務調度、負載均衡以及DVFS四個方面探析了云數據中心的節(jié)能策略和算法。其中，異構以及多核環(huán)境下的動態(tài)節(jié)能算法將是今后云計算節(jié)能技術走向成熟的關鍵。

參考文獻

[1] BROWNETAL R. Report to congress on server and data center energy efficience public law 109-431， LBNL-363E[R]. Berkeley：Ernest Orlando Lawrence Berkeley National Laboratory，2011.

[2]HAMILTON J. Cooperative expendable micro-slice servers（CEMS）： low cost， low power servers for internet-scale services[J]. IBM Journal of Research and Development， 2012（7）：23-29.

[3]Google. Efficiency measurements[EB/OL]. Http：//www.google.com/corporate/datacenter/efficiency-measurements.html.

[4]WACHSTOR. 絕不浪費：Goggle 數據中心自然冷卻方案剖析[EB/OL]. http：//datacenter.watchstor.com/green-136489_1.htm.

[5]BELLOSA F. The benefits of event-drive energy accounting in power-sensitive system[J]. ACM SIGOPS European Workshop，ACM，2000（5）：37-42.

[6]SINGH K， BHADAURIA M， MCKEE S A. Real time power estimation and thread scheduling via performance counters[J]. ACM Special Interest Group on Computer Architecture， ACM，2009（7）：46-55.

[7]CONTRERAS G， MARTONOSI M. Power prediction for Inter XScale processors using performance monitoring unit events[J]. ISLEPD，IEEE，2005（7）：221-226.

[8]KIM Y， GURUMURTHI S， SIVASUBRAMANIAM A. Understanding the Performance Temperature Interactions in Disk IO of Server[J]. High-Performance Computer Architecture，2006（5）：136-142.

[9] FAN X，HEATH T. Power provisioning for a warehouse-sized computer[C]//ISCA，ACM，2007：13-23.

[10]ECONOMOU D，RIVOIRE S，KOZYRAKIS C. Full-system power analysis and modeling for server environments. MoBS[C]//Stanford University and HP Labs，2006：22-27.

[11]GREENBERG A， HAMILTON J， MALTZ D， et al. The cost of a cloud： research problems in data center networks[C]// ACM SIGCOMM CCR， January 2009：286-293.

[12]More on Virtualizing Power[EB/OL]. http：//www.powerassure.com/about-power-assure/blogs/virtualizing-power.

[13]CARDOSA M， SINGH A. Exploiting spatio-temporal tradeoffs for energy-aware MapReduce in the cloud[J]. IEEE TRANSACTIONS ON COMPUTERS， 2012， 61（12）：1737-1751.

[14] 熊聰聰，馮龍，陳麗仙. 云計算中基于遺傳算法的任務調度算法研究[J]. 華中科技大學學報（自然科學版），2012（1）：15-19.

[15]王登科，李忠. 基于粒子群優(yōu)化與蟻群優(yōu)化的云計算任務調度算法[J]. 計算機應用與軟件，2013（1）：53-56.

[16]WBITE T. Hadoop：The Definitive Guide[M]. Sebastopol：O’Reilly Media，2011：5-6.

[17]ABDELSALAM H S，MALY K，MUKKAMALA R. Analysis of energy efficiency in clouds[J]. Computation World，2009，63（5）：416-421.

[18]GRAUBNER P， SCHMIDT M， FREISLEBEN B.Digital Object Indentifier[J]. 2012，48（10）：597-611.

[19]RANDLES M， LAMB D. Comparative Study into Distributed Load Balancing Algorithms for Cloud Computing[C]//Advanced Information Networking and Applications Workshops（WAINA），20-23 April 2010， Perth， Washington， US：IEEE Press，551-556.

[20] FANG Yiqiu， WANG Fei， GE Junwei. A Task Scheduling Algorithm Based on Load Balancing in Cloud Computing[C]//International Conference， WISM，23-24， Sanya， China： Springer Berlin Heidelberg Press， 2010：271-277.

基金項目：國家自然科學基金（青年61103143），河南省高校科技創(chuàng)新人才支持項目（2012HASTII032），周口師范學院青年基金（2012QNB02）

作者簡介：周航（1984-），男，河南周口人，碩士，講師，研究方向：分布式計算，任務調度，計算機網絡。

朱欣穎（1986-），女，河南周口人，碩士，助教，研究方向：通信系統(tǒng)與應用研究。