基于優(yōu)化AHP的虛擬機(jī)部署與調(diào)度策略

羅 樹(shù)，沈記全

（河南理工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，河南 焦作454000）

0 引 言

為實(shí)現(xiàn)虛擬機(jī)的高效部署［1－5］，國(guó)內(nèi)外研究者從不同的角度尋找虛擬機(jī)部署的最優(yōu)方案。Hirofuchi等通過(guò)虛擬機(jī)實(shí)時(shí)遷移方式實(shí)現(xiàn)IaaS數(shù)據(jù)中心的動(dòng)態(tài)整合，在降低能耗的同時(shí)保持了任務(wù)的連續(xù)性，卻沒(méi)有形成具體的調(diào)度機(jī)制［6］；Goiri等提出了一種低功耗的虛擬機(jī)部署感知模型，有效降低了能源消耗，但沒(méi)有考慮數(shù)據(jù)中心的負(fù)載均衡［7］；Li等提出基于改進(jìn)分組遺傳算法的虛擬機(jī)放置策略，有效地提高了虛擬機(jī)放置問(wèn)題的求解速度，沒(méi)有針對(duì)動(dòng)態(tài)負(fù)載情況進(jìn)行研究［8］；Gao等采用蟻群算法進(jìn)行虛擬機(jī)部署，提高了物理服務(wù)器的資源利用率，優(yōu)化了能耗問(wèn)題，卻容易陷入局部最優(yōu)解［9］；Zhuang等提出了一種基于多屬性層次分析的虛擬機(jī)部署與調(diào)度策略，能夠?qū)崿F(xiàn)對(duì)虛擬機(jī)部署與遷移最佳方案的選擇，但沒(méi)有考慮虛擬機(jī)之間的資源競(jìng)爭(zhēng)問(wèn)題［10］。

本文構(gòu)建了一種基于層次分析 （analytic hierarchy process，AHP）優(yōu)化算法的虛擬機(jī)部署與調(diào)度策略。它首先通過(guò)物理服務(wù)器躲避機(jī)制對(duì)目標(biāo)物理服務(wù)器進(jìn)行初次篩選，然后采用層次分析模型根據(jù)用戶任務(wù)類型對(duì)虛擬機(jī)部署方案進(jìn)行預(yù)測(cè)評(píng)估。實(shí)驗(yàn)結(jié)果表明，該策略在實(shí)現(xiàn)物理服務(wù)器負(fù)載均衡的基礎(chǔ)上，有效提高了物理資源的利用率，并在資源優(yōu)化配置方面有較好的效果。

1 基于AHP的虛擬機(jī)選擇影響因素模型

層次分析法［11］（AHP）是一種針對(duì)多目標(biāo)的層次權(quán)重決策分析方法，它將決策問(wèn)題分解成不同的層次結(jié)構(gòu)，并采用一定的標(biāo)準(zhǔn)對(duì)各層次影響因素進(jìn)行客觀量化，較好地實(shí)現(xiàn)了定性與定量分析在各類多方案決策問(wèn)題方面的廣泛應(yīng)用［12］。運(yùn)用AHP選擇虛擬機(jī)部署方案的步驟如下：

（1）構(gòu)建各影響因素層次結(jié)構(gòu)模型。本文層次結(jié)構(gòu)模型主要由目標(biāo)層、準(zhǔn)則層及方案層構(gòu)成。目標(biāo)層是最佳虛擬機(jī)與目標(biāo)物理服務(wù)器節(jié)點(diǎn)部署方案；根據(jù)用戶對(duì)資源的需求特征，虛擬機(jī)可分為計(jì)算型、存儲(chǔ)型、網(wǎng)絡(luò)型以及無(wú)特殊需求型，因此準(zhǔn)則層以CPU 資源、內(nèi)存資源及寬帶資源等作為影響因素；方案層是所有滿足要求的部署方案。

（2）構(gòu)建各影響因素間的對(duì)比矩陣，利用虛擬機(jī)CPU資源、內(nèi)存資源以及寬帶資源相對(duì)于目標(biāo)物理服務(wù)器選擇的重要程度構(gòu)建對(duì)比矩陣A，如式 （1）所示，并根據(jù)AHP的1～9標(biāo)度賦值，見(jiàn)表1

在矩陣A 中資源影響因素CPU、內(nèi)存、帶寬分別記為c、m、b，ai為準(zhǔn)則層各影響因素對(duì)目標(biāo)層物理服務(wù)器節(jié)點(diǎn)選擇的重要程度，Aij為準(zhǔn)則層的第i類影響因素和第j類影響因素相比對(duì)于目標(biāo)層物理服務(wù)器節(jié)點(diǎn)選擇的重要程度。

表1 1～9標(biāo)度含義

（3）一致性檢驗(yàn)，如果矩陣A 滿足 （2），則矩陣A 具有一致性

（4）權(quán)重向量計(jì)算，首先計(jì)算矩陣A 最大特征值λmax，然后根據(jù)式 （3）計(jì)算其特征向量N

對(duì)特征向量N 作歸一化處理即得到虛擬機(jī)所需資源的權(quán)重向量w，各分量體現(xiàn)了CPU、內(nèi)存、寬帶資源對(duì)目標(biāo)物理服務(wù)器節(jié)點(diǎn)選擇的影響權(quán)重

依據(jù)虛擬機(jī)資源需求權(quán)重向量以及目標(biāo)物理節(jié)點(diǎn)資源使用情況的乘積，計(jì)算目標(biāo)物理服務(wù)器節(jié)點(diǎn)部署該虛擬機(jī)的承受能力的預(yù)估值，預(yù)估值越小，則目標(biāo)節(jié)點(diǎn)對(duì)部署虛擬機(jī)的承受能力越強(qiáng)，虛擬機(jī)的服務(wù)質(zhì)量也就越高。

2 基于AHP優(yōu)化算法的虛擬機(jī)部署與調(diào)度

本文主要優(yōu)化目標(biāo)是實(shí)現(xiàn)數(shù)據(jù)中心負(fù)載均衡度和資源利用率的提高。在虛擬機(jī)部署與調(diào)度時(shí)，通過(guò)物理服務(wù)器躲避列表，判斷虛擬機(jī)資源需求類型與物理服務(wù)器類型標(biāo)志的一致性，對(duì)目標(biāo)物理服務(wù)器進(jìn)行初次選擇，以避免相同資源需求虛擬機(jī)對(duì)物理資源的競(jìng)爭(zhēng)；運(yùn)用層次分析模型對(duì)虛擬機(jī)資源進(jìn)行量化分析，并根據(jù)虛擬機(jī)資源需求的權(quán)重向量與物理服務(wù)器節(jié)點(diǎn)的資源使用情況對(duì)符合條件的目標(biāo)物理服務(wù)器節(jié)點(diǎn)預(yù)測(cè)評(píng)估，從而選擇最佳虛擬機(jī)與目標(biāo)物理服務(wù)器部署方案，并按照虛擬機(jī)的資源需求類型設(shè)置物理服務(wù)器的類型標(biāo)志。

2.1 基于AHP優(yōu)化算法的虛擬機(jī)部署策略

在某一段時(shí)間，假設(shè)需要將n臺(tái)虛擬機(jī)部署到數(shù)據(jù)中心的m 臺(tái)物理服務(wù)器節(jié)點(diǎn)上，其中，Vmi＝｛Vm1，Vm2，…，Vmn｝表示待部署虛擬機(jī)集合，Pmj＝｛Pm1，Pm2，…，Pmm｝表示物理服務(wù)器集合。

對(duì)于集合Vmi中任意Vm，若Vm首次開(kāi)啟，獲取其它相同資源需求類型虛擬機(jī)提供正常服務(wù)時(shí)對(duì)物理資源的平均使用值R1；若Vm重啟，獲取該虛擬機(jī)以往對(duì)物理資源的平均使用值R2；將平均值作為該虛擬機(jī)開(kāi)啟時(shí)資源使用情況的預(yù)估值

通過(guò)性能監(jiān)控查詢Pmj中所有物理服務(wù)器當(dāng)前資源使用情況Rp及其類型標(biāo)志M

根據(jù)矩陣A 計(jì)算虛擬機(jī)CPU、內(nèi)存以及帶寬資源相對(duì)于目標(biāo)物理服務(wù)器選擇的影響權(quán)重，并取得相應(yīng)的權(quán)重向量w

判斷當(dāng)前物理服務(wù)器類型標(biāo)志與虛擬機(jī)資源需求的一致性，若一致，說(shuō)明該物理服務(wù)器已部署相同資源需求的虛擬機(jī)，將其加入到該虛擬機(jī)的物理服務(wù)器躲避列表Ki；若不一致，需滿足式 （9），即部署該虛擬機(jī)時(shí)物理資源使用不能超過(guò)該物理服務(wù)器資源使用量的上限閥值Rp＿up

根據(jù)式 （10）計(jì)算待部署Vm對(duì)Pmj中所有物理服務(wù)器的預(yù)估值，S表示預(yù)估值集合

選擇預(yù)估值集合S中最小值Smin，其對(duì)應(yīng)的物理服務(wù)器即目標(biāo)物理服務(wù)器，然后將虛擬機(jī)部署到該物理服務(wù)器上并啟動(dòng)。

每次部署完成時(shí)，按照虛擬機(jī)資源需求設(shè)置目標(biāo)物理服務(wù)器標(biāo)志，并將物理服務(wù)器加入相應(yīng)Ki。

Algorithm1：虛擬機(jī)部署算法 輸入：待部署虛擬機(jī)集合Vmi ，可用物理服務(wù)器集合Pmj ，各虛擬機(jī)資源需求類型M′輸出：各虛擬機(jī)Vm 的目標(biāo)物理服務(wù)器節(jié)點(diǎn)P m for every Vmin Vmido 運(yùn)用AHP評(píng)估虛擬機(jī)M′的權(quán)重向量w； if（Vm 首次啟動(dòng)）do 獲取與Vm 資源需求類型相同的虛擬機(jī)的平均資源使用情況R1 ； else 獲取Vm 以往運(yùn)行時(shí)平均資源使用情況R2 ； end if； for（Pm 屬于Pmj ）do 查詢Pm 當(dāng)前資源情況Rp 及其類型標(biāo)志M； if（M 與M′一致）do 將Pm 加入Vm 的物理服務(wù)器躲避列表Ki； else while（式 （9）成立）do 根據(jù)式 （10）計(jì)算Pm 的預(yù)估值信息S； end while； end if； end for； for（Smin 屬于S） 獲取所有物理服務(wù)器預(yù)估值最小的Smin，其對(duì)應(yīng)的Pm即目標(biāo)物理服務(wù)器； end for； 將Vm 部署到Pm ，并啟動(dòng)該虛擬機(jī)任務(wù)； 設(shè)置目標(biāo)物理服務(wù)器Pm 的類型標(biāo)志；end for；

2.2 基于AHP優(yōu)化算法的虛擬機(jī)的調(diào)度策略

某一時(shí)間段，假設(shè)數(shù)據(jù)中心存在需要進(jìn)行動(dòng)態(tài)負(fù)載均衡的物理服務(wù)器B 及其它m 臺(tái)物理服務(wù)器，其中Vmi＝｛Vm1，Vm2，…，Vmn｝表示B上所有虛擬機(jī)集合，Pmj＝｛Pm1，Pm2，…，Pmm｝表示其它物理服務(wù)器集合，負(fù)載均衡就是選擇最佳的虛擬機(jī)與目標(biāo)物理節(jié)點(diǎn)調(diào)度方案，并重新啟動(dòng)該虛擬機(jī)任務(wù)。

獲取物理服務(wù)器B當(dāng)前的資源使用情況RB與集合Pmj中各物理服務(wù)器節(jié)點(diǎn)當(dāng)前資源使用情況Rm及各自的類型標(biāo)志M

運(yùn)用AHP分析評(píng)估物理服務(wù)器B上所有虛擬機(jī)的權(quán)向量w，獲取各虛擬機(jī)運(yùn)行過(guò)程中對(duì)服務(wù)器資源的使用情況及資源需求，取平均值R3作為虛擬機(jī)重啟后對(duì)服務(wù)器資源使用情況的預(yù)估值

判斷當(dāng)前物理服務(wù)器類型標(biāo)志與待遷移虛擬機(jī)資源需求的一致性，若一致，說(shuō)明物理服務(wù)器已部署相同類型的虛擬機(jī)，將其加入躲避列表Ki；若不一致，需滿足式（14），即物理資源使用不能超過(guò)物理服務(wù)器資源使用量的上限閥值Rp＿up

然后按照式 （10）計(jì)算所有滿足條件的物理服務(wù)器的預(yù)估值信息，選擇物理節(jié)點(diǎn)B 上每一臺(tái)虛擬機(jī)對(duì)Pmj中各物理服務(wù)器預(yù)估值信息的最小值，記為集合S；根據(jù)式（15）計(jì)算虛擬機(jī)遷出后，物理節(jié)點(diǎn)B的預(yù)估值信息S′

G 表示原物理服務(wù)器B 相對(duì)于目標(biāo)物理服務(wù)器負(fù)載的輕松度，若G 小于1，表示目標(biāo)物理服務(wù)器的負(fù)載比物理服務(wù)器B要輕松，則方案可行，記錄S信息；若G 大于1，表示目標(biāo)物理服務(wù)器的負(fù)載比物理服務(wù)器B 的負(fù)載要重，則方案不可行

最后，在所有備選方案中選擇預(yù)估值信息S最小的方案，將待遷移虛擬機(jī)遷移到目標(biāo)物理服務(wù)器，并重新啟動(dòng)該虛擬機(jī)任務(wù)。

Algorithm2：虛擬機(jī)負(fù)載均衡算法 輸入：資源過(guò)載物理節(jié)點(diǎn)B及其上運(yùn)行的虛擬機(jī)集合Vmi ，物理節(jié)點(diǎn)集合Pm j 輸出：最佳的遷移方案f 根據(jù)對(duì)數(shù)據(jù)中心實(shí)時(shí)監(jiān)控，獲取B當(dāng)前資源使用情況信息，記為RB ；for（Vm 屬于Vmi）do獲取虛擬機(jī)Vm 的資源使用情況及其資源需求類型M′，并獲取該虛擬機(jī)的平均資源使用量R3 ；運(yùn)用AHP模型對(duì)虛擬機(jī)Vm 進(jìn)行分析評(píng)估，計(jì)算其權(quán)重向量w；for（Pm 屬于Pmj ）do 查詢Pmj 中Pm 的當(dāng)前資源使用情況Rm 及其類型標(biāo)志M； if（M 與M′一致）do

將Pm 加入Vm 的物理服務(wù)器躲避列表Ki；else while（式 （14）成立）do 根據(jù)式 （10）計(jì)算Pm 的預(yù)估值信息S； end while；end if；end for；獲取Pmj 中所有服務(wù)器預(yù)估值信息的最小值S；按式 （15）計(jì)算B放棄Vm 的預(yù)估值信息S′；根據(jù)式 （16）判斷當(dāng)前方案下物理服務(wù)器B 節(jié)點(diǎn)與目標(biāo)物理服務(wù)器的相對(duì)輕松度G if（G＜1）do 該方案可行，記錄S相關(guān)信息，并將當(dāng)前虛擬機(jī)遷移方案加入到備選方案列表F中；else 該方案不可行，放棄對(duì)Vm 的遷出方案；end if；end for；for（f屬于F）do 在F中查詢擁有最小S值的方案f，即最佳虛擬機(jī)與目標(biāo)物理服務(wù)器遷移方案。end for；根據(jù)方案f進(jìn)行虛擬機(jī)遷出，重新啟動(dòng)該虛擬機(jī)；

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)設(shè)計(jì)

為評(píng)估優(yōu)化策略性能，本文在CloudSim［13］云平臺(tái)下進(jìn)行仿真實(shí)驗(yàn)。通過(guò)對(duì)CloudSim 的擴(kuò)展編譯以及相關(guān)類和接口的改寫(xiě)，獲取相應(yīng)的實(shí)驗(yàn)環(huán)境，并完成虛擬機(jī)部署與調(diào)度測(cè)試。本實(shí)驗(yàn)中所需虛擬機(jī)的類型、數(shù)量、CPU 及內(nèi)存參數(shù)見(jiàn)表2，物理服務(wù)器數(shù)量、CPU 及內(nèi)存參數(shù)見(jiàn)表3。

表2 虛擬機(jī)資源需求

表3 物理服務(wù)器資源

3.2 實(shí)驗(yàn)分析

為了評(píng)估優(yōu)化策略的平衡效果和資源利用率，本文同時(shí)采用表4所示的3種策略進(jìn)行仿真實(shí)驗(yàn)，并對(duì)它們的性能進(jìn)行了比較。由于啟發(fā)式算法結(jié)果的隨機(jī)性，在相同實(shí)驗(yàn)環(huán)境下對(duì)每種部署策略進(jìn)行5次仿真實(shí)驗(yàn)，統(tǒng)計(jì)并分析每種策略下各物理服務(wù)器達(dá)到平衡狀態(tài)時(shí)的動(dòng)態(tài)遷移總次數(shù)及其資源使用情況，實(shí)驗(yàn)結(jié)果如圖1～圖3所示。

表4 實(shí)驗(yàn)策略

圖1 動(dòng)態(tài)遷移總次數(shù)

圖2 5次測(cè)試的CPU 利用率

圖1顯示3種策略達(dá)到平衡狀態(tài)時(shí)物理服務(wù)器動(dòng)態(tài)遷移的總次數(shù)。其中，策略1在虛擬機(jī)部署時(shí)的遷移次數(shù)最多，且在多次遷移的過(guò)程中占用大量物理服務(wù)器資源，因此服務(wù)器的物理資源利用率比較低；策略2和策略3能夠有效地降低負(fù)載均衡過(guò)程中的動(dòng)態(tài)遷移總次數(shù)，提高物理服務(wù)器的資源利用率；策略3通過(guò)引入躲避機(jī)制，將相同資源需求的虛擬機(jī)部署到不同的物理服務(wù)器，避免了由于虛擬機(jī)對(duì)相同資源競(jìng)爭(zhēng)而產(chǎn)生的動(dòng)態(tài)遷移，進(jìn)一步提高了物理資源的利用率。

圖3 5次測(cè)試的內(nèi)存利用率

圖2和圖3顯示了采用3種策略達(dá)到平衡時(shí)各物理服務(wù)器的負(fù)載情況。從圖中可看出采用策略1時(shí)，物理服務(wù)器CPU 利用率以及內(nèi)存利用率曲線波動(dòng)較大，各物理服務(wù)器節(jié)點(diǎn)的物理資源 負(fù)載極不均衡；采用策略2和策略3時(shí)CPU 利用率以及內(nèi)存利用率曲線波動(dòng)較小，都能有效解決數(shù)據(jù)中心物理服務(wù)器負(fù)載均衡問(wèn)題，并保持較好的均衡效果；在策略3下物理服務(wù)器間CPU 利用率及內(nèi)存利用率波動(dòng)最小，負(fù)載均衡效果最佳，物理服務(wù)器的資源利用率及虛擬機(jī)服務(wù)質(zhì)量最高。

4 結(jié)束語(yǔ)

為避免同一臺(tái)物理服務(wù)器節(jié)點(diǎn)上各虛擬機(jī)之間對(duì)相同物理資源的競(jìng)爭(zhēng)，提出了基于層次分析優(yōu)化的虛擬機(jī)部署與調(diào)度策略。通過(guò)物理服務(wù)器躲避機(jī)制對(duì)目標(biāo)物理服務(wù)器進(jìn)行初次篩選，將不同資源需求的虛擬機(jī)部署到同一臺(tái)物理服務(wù)器，以實(shí)現(xiàn)虛擬機(jī)互補(bǔ)；根據(jù)層次分析模型對(duì)虛擬機(jī)進(jìn)行量化分析，并利用物理服務(wù)器資源使用情況選擇最佳虛擬機(jī)與物理服務(wù)器部署方案。通過(guò)CloudSim 云仿真實(shí)驗(yàn)，本文優(yōu)化策略進(jìn)一步減少了物理服務(wù)器達(dá)到負(fù)載平衡時(shí)的動(dòng)態(tài)遷移次數(shù)，提高了資源利用率，使得整個(gè)數(shù)據(jù)中心服務(wù)器資源更趨于平衡，保證了物理服務(wù)器上虛擬機(jī)的服務(wù)質(zhì)量。

［1］Armbrust M，F(xiàn)ox A，Griffith，et al.Above the clonds：A Berkeley view of cloud computing，UCB／EECS－2009－28 ［R］.Springfield，USA：University of Callifomia，Berkeley：Engineer and Computer Science Department，2009.

［2］LIU Peng.Cloud computing ［M］.2rd ed.Beijing：Publishing House of Electronics Industry，2011：1－12（in Chinese）.［劉鵬.云計(jì)算［M］.2版.北京：電子工業(yè)出版社，2011：1－12.］

［3］LUO Junzhou，JIN Jiahui，SONG Aibo，et al.Cloud computing：Architecture and key technologies［J］.Journal on Communications，2011，37 （7）：3－21 （in Chinese）. ［羅 軍舟，金嘉暉，宋愛(ài)波，等.云計(jì)算：體系架構(gòu)與關(guān)鍵技術(shù) ［J］.通信學(xué)報(bào)，2011，37 （7）：3－21.］

［4］Barham P，Dragovic B，F(xiàn)raser K，et al.Xen and the art of virtualization ［C］／／Proceedings of the 19th ACM SOSP.New York：ACM Press，2003：164－177.

［5］HAN Dezhi，LI Nannan，BI Kun.Study of virtualization technology in cloud environment［J］.Huazhong University of Science＆Technology （Natural Science Edition），2012，40 （S1）：262－265 （in Chinese）.［韓德志，李楠楠，畢坤.云環(huán)境下的虛擬化技術(shù)探析 ［J］.華中科技大學(xué)學(xué)報(bào) （自然科學(xué)版），2012，40 （S1）：262－265.］

［6］Hirofuchi T，Nakada H，Itoh S，et al.Reactive consolidation of virtual machines enabled by postcopy live migration ［C］／／Proceedings of the 5th International Workshop on Virtualization Technologies in Distributed Computing.ACM，2011：11－18.

［7］Goiri I，Julia F，Nou R，et al.Energy－aware scheduling in virtualized datacenters ［C］／／IEEE International Conference on Cluster Computing.IEEE，2010：58－67.

［8］LI Jinchao，CHEN Jingyi，WU Jie，et al.Virtual machine placement research based on improved grouping genetic algorithm ［J］.Computer Engineering and Design，2012，33 （5）：2053－2056 （in Chinese）.［李進(jìn)超，陳靜怡，吳杰，等.基于改進(jìn)分組遺傳算法的虛擬機(jī)放置研究 ［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2012，33 （5）：2053－2056.］

［9］Gao Yongqiang，Guan Haibing，Qi Zhengwei，et al.A multiobjective ant colony system algorithm for virtual machine placement in cloud computing ［J］.Journal of Computer and System Sciences，2013，79 （8）：1230－1242.

［10］ZHUANG Wei，GUI Xiaolin，LIN Jiancai，et al.Deployment and scheduling of virtual machines in cloud computing：An“AHP”approach［J］.Journal of Xi’an JiaoTong University，2013，47（2）：28－32（in Chinese）.［莊威，桂小林，林建材，等.云環(huán)境下基于多屬性層次分析的虛擬機(jī)部署與調(diào)度策略 ［J］.西安交通大學(xué)學(xué)報(bào)，2013，47 （2）：28－32.］

［11］JIAO Bo，HUANG Chengdong，HUANG Fei，et al.An aggregation method for the AHP judgment matrices based on optimum possibility－satisfiability degree ［J］.Control and Decision，2013，28 （8）：1242－1246 （in Chinese）.［焦波，黃赪東，黃飛，等.一種基于最優(yōu)可能滿意度的群AHP 判斷矩陣集結(jié)方法 ［J］.控制與決策，2013，28 （8）：1242－1246.］

［12］CHEN Xixiang，QIU Jing，LIU Guanjun.Research on the method of test－equipment selection based on analytic hierarchy process and fuzzy comprehensive assessment［J］.ACTA ArmamentarII，2010，31 （1）：68－73 （in Chinese）. ［陳希祥，邱靜，劉冠軍.基于層次分析法與模糊綜合評(píng)判的測(cè)試設(shè)備選擇方法研究 ［J］.兵工學(xué)報(bào)，2010，31 （1）：68－73.］

［13］Caltheiros R N，Ranjan R，Cesar AF，et al.CloudSim：A novel framework for modeling and simulation of cloud computing infrastructures and services，GRIDS－TR－2009－1 ［R］.Parkville，VIC：The University of Melbourne Australia，Grid Computing and Distributed Systems Laboratory，2009.