私有云平臺服務能力檢測方法

柳春懿，張 曉，李阿妮，陳 震

(西北工業大學 計算機學院，西安 710129)

私有云平臺服務能力檢測方法

柳春懿*，張 曉，李阿妮，陳 震

(西北工業大學 計算機學院，西安 710129)

(*通信作者電子郵箱18729580703@163.com)

針對現階段使用私有云評測方法缺失所導致搭建私有云供需不匹配的問題，提出了一種自適應、可擴展的私有云系統能力檢測方法，可對基礎設施即服務(IaaS)云計算系統能力進行評測。首先，通過私有云應用程序接口動態擴展虛擬機數量；然后，通過性能特征模型選取虛擬機所需配置的硬件信息和操作系統類別，并根據用戶的需求差異使用不同的負載模型，形成相應的模擬運行環境；最后，使用云計算服務等級協議(SLA)作為測試標準來衡量私有云服務能力。使用所提方法對Openstack開源私有云平臺的能力進行了評測，實驗結果表明，所提方法可以準確得出私有云服務能力，結果和用戶實測一致。該方法負載生成成本更低，測試效率更高。并將該方法與Openstack自帶的組件Rally進行對比，拓展性和負載動態模擬有很大的改進。

私有云；服務能力；基礎設施即服務；Openstack云平臺；云測試

0 引言

隨著云計算[1]的不斷發展，云生態圈越來越完善。許多企業因云資源利用高效和部署靈活等特點，使用云服務方式部署應用。根據云計算服務性質的不同，大部分云計算可以分為公有云和私有云。公有云雖然使用方便，但在安全性上的不足，使得私有云占領云計算的絕大部分市場。VMware公司便是現階段市場的領頭羊。對比開源私有云，該平臺使用價格昂貴，開放資源較少。因此開源私有云市場份額[1]大有迎頭趕上趨勢，Openstack、Eucalyptus、Cloudstack等開源私有云社區備受企業和開發者的關注。

針對私有云使用者而言，最為關注的是私有云平臺服務能力能否滿足業務需求。他們希望在滿足企業基本需求的情況下，盡可能降低維護購買成本，因此，根據用戶實際需求準確地檢測出私有云系統的服務能力顯得尤為重要[2]。

在云環境下，用戶使用場景種類繁多導致機器配置靈活。傳統的服務器服務能力檢測方法應用于私有云平臺檢測面臨如下問題：1)測試難度加大。私有云服務能力檢測是一個耗時耗力的繁重專家任務，沒有私有云相關的基礎技術和多年運維經驗，不能準確地根據復雜的使用情況得出相應的結論。2)測試結果不準確。對每一個虛擬機進行不同處理，虛擬機之間會互相爭奪計算機硬件資源。3)測試通用性較差。目前，一些大型云服務商已經擁有完整的平臺服務能力檢測，但是由于各個服務商的云平臺實現不同，他們的方法只能應用于自己平臺，不適用于其他云平臺，缺乏統一性。目前，一些大型云計算服務商已經擁有自己專門的一套云需求檢測手段來檢測最大用戶支持度，但是由于不同公司的云平臺實現不同，因此缺乏統一性；而對于很多沒有云服務能力檢測的計算機相關公司，則存在云服務質量無法保證的問題。對用戶而言，需要及時獲取云服務器的最大支持度。對商家來說，提供充足云組件的性能信息是非常必要的，并且建立高質量云計算服務很明顯已經成為一個重要的研究領域[3]。

針對以上問題，本文提出了一種私有云平臺服務能力快速檢測模型, 可以根據不同的用戶群體和需求，自動部署測試程序，準確快速地獲取私有云服務能力。本文的主要工作體現在：1)提出了完整的私有云平臺服務能力快速檢測方法FCtest。通過基礎設施即服務(Infrastructure as a Service, IaaS)的應用程序接口(Application Program Interface，API)和交互式命令expect，根據用戶需求自動部署并測試, 節約了測試總體時間并簡化了測試用戶的操作。2)提出了基于負反饋機制的多線程負載生成模型。只針對內存和CPU進行負載生成，達到快速負載生成。通過對CPU的動態控制，減少其他操作對CPU 的波動，從而保證了測試結果的準確性。3)提出了場景應用模型和評估模型。通過抽象模型應用到不同用戶使用環境中，使得該服務能力檢測方法適用于絕大多數私有云平臺。總之，本文提供一種客觀、公正、高效、通用的面向第三方的私有云平臺服務檢測方法，來簡化檢測人員操作，提高檢測結果的準確性，適用不同私有云平臺。解決此問題不僅能夠增強私有云用戶和管理的使用信心，減少實際的資源浪費，更進一步推動了私有云模式的完善。

1 相關工作

文獻[4]中提出了云計算服務等級協議，并針對IaaS介紹了相關的服務等級協議(Service Level Agreement，SLA)參數，主要涉及到虛擬機和服務器以及用戶需求響應時間相關的參數，但是沒有具體描述參數如何篩選獲取。在此基礎之上，張健[5]提出了針對服務的SLA，如存儲即服務的SLA等。為了降低云測試的難度，不少研究人員從管理者角度發表了自己的一些評測研究[6-10]，文獻[11-12]實現了一個稱為SQL性能分析器(SQL Performance Analyzer, SPA)的工具，用于自動測量分析存儲的性能，能夠采集的指標有IO吞吐率和響應時間，使用Benchmark控制器組件，通過SSH(Secure Shell)連接虛擬機，然后執行目標工作負載，最后將收集到的結果存入SQLite數據庫中。它針對的只是存儲系統，需要在目標機器上執行定制的Benchmark才能獲得性能指標參數，并且工具的安裝與配置可能比較復雜，時間成本較大。陳斌等[13]在他的云環境下基于代理服務的性能收集模型中，提出了一種評價云中心的性能指標分析架構，利用客戶端、代理端、服務端獲取性能并最終通過它們獲得云中心的性能情況；但是，該模型基于代理服務接口，會造成額外的工作量和成本，并且通過3個不同的性能指標來計算得出私有云的需求，結果不準確。文獻[14]中提出性能測試的兩個層面：性能預測和性能實時狀態檢測。文獻[15]提出云計算的性能分析模型可以被描述為一個近似分析模型，該模型建立在阻塞預警控制和完全拒絕策略為保證的前提下。文獻[16]提出了功能、性能、壓力三方面測試用例的設計方法。文獻[17]提出了創新云服務模式“測試即服務”(Testing as a Service,TaaS)。

私有云提供商Openstack社區的Tempes項目為其私有云提供了功能測試和集成測試，主要是基于unittes和nose來實現，通過調用Openstack API來測試功能，響應驗證。其中該項目提供壓力測試，主要測試Openstack在高工作負載中運行時出現什么問題。針對性能，Openstack開發出Rally組件。該方法確實可以準確檢測出最大用戶使用數量，但是不能嘗試不同的負載情況下的支持度，測試范圍有限。

聶規劃等[18]從客戶的角度出發，以客戶的云需求波動為背景引入一種新的實例服務模式，提出了一種新的組合決策模型。該模型主要是從商業的角度出發，沒有考慮到私有云平臺的性能細節，只是單單從成本的變化趨勢進行分析。蘇晶[19]也提出了針對私有云Openstack的系統性能需求，支持盡可能多的用戶的方案，根據企業用戶數需求、網絡帶寬決定，至少同時能容納200個用戶，高于200之后響應時間會增加，但能處理用戶請求；但得出的結論沒有嚴格的證明，所以準確性不能得到保證。

在以上研究的基礎上，本文提出一種通用的私有云平臺服務能力檢測方法，快速準確地解決實際的需求信息獲取困難的問題。

2 檢測模型

用戶實際使用情況模擬和能力評估方法是私有云服務能力檢測的非常重要的步驟，它有利于更準確地獲取相關信息。首先，抽象出服務能力檢測模型的整體框架和流程，以適應不同的私有云平臺，簡化用戶操作；然后，提出了無干擾的多線程負載生成和檢測環境部署的方法，提供多種部署接口；最后，針對不同的私有云平臺，根據用戶不同要求提供統一的評估模型。

2.1 檢測框架和流程

圖1給出了私有云環境下服務能力檢測邏輯框架，分為4個層次。

圖1 私有云服務能力檢測邏輯框架Fig. 1 Logical framework of private cloud service ability testing

1)訪問管理模塊。它是云測試服務的使用者和云測試服務進行交互的接口。用戶通過簡單的輸入操作提交測試請求到測試管理模塊。用戶請求服務時提交測試環境需求，系統返回給用戶檢測結果。

2)測試管理模塊。該模塊對用戶環境需求進行需求分析，得到具體的(M,C)二元向量組。其中M是內存相關向量參數，C是CPU相關向量參數。根據請求申請虛擬機，創建測試任務請求并收集最后結果。

3)檢測任務模塊。該模塊只要負責私有云服務能力檢測核心，負載生成和評估測試自動安裝并運行。

4)環境部署模塊。主要功能提供IaaS服務。根據測試管理模塊的需求分析結果分配多臺虛擬機模擬用戶規模、用戶機器配置和使用情況等。

本架構針對的是云服務器的計算需求性能檢測，所以針對計算節點進行負載變化，忽略網絡、存儲、控制對計算節點的影響。其中用戶只需要將環境需求輸入到系統中，該系統會根據用戶的不同選擇方式，自動給出環境需求文檔；將文檔放入下一個模塊進行分析，得出模擬計劃，根據模擬計劃分配虛擬機數量、配置等性能信息；同時在環境部署完成之后，啟動測試程序，完成后返回測試結果。綜上針對用戶而言，底層的分析和部署都是自動的。

2.2 性能特征模型

在向量參數選擇上，本文認為應該注意以下幾點：所選的參數應該可以直接反映出任務的計算負載情況，并且必須是容易觀察和控制；可以通過所選的參數調節虛擬機性能；應該需要確定能夠捕捉任務計算性能的最小參數集合。考慮參數之間的互相影響，內存的參數變化可能會導致CPU相關參數的變化。

M性能向量使用(Mactual，Fm)二維向量。其中Mactual為實際內存使用量，Fm為內存波動大小，可以用如下公式表示：

Mactual=Mtotal*Um

其中：Mtotal為任務所在服務器內存總容量，Um為該環境下內存使用率。

C性能向量使用(Ncpu,Ncore,Fc,Tc)四維向量描述，其中Ncpu為CPU數量，Ncore為每一個CPU的核數，Fc為每一個CPU使用率的波動情況，Tc為CPU每個核的每秒運行的指令數,Ntotal是機器中所有CPU總核數。描述每一個任務的CPU負載情況，可以用如下公式表示：

Ntotal=Ncore*Ncpu

因為CPU每個核的每秒運行指令數難以獲得，所以本文提出以下公式:

其中：Ucpu是CPU使用率；Gcpu為CPU每秒運行命令行數，即浮點計算能力。

為簡便使用，本文忽略物理機與虛擬機映射差異。虛擬機中內存與CPU相關參數計算方式與上文一致。

將以上參數作為輸入參數，模擬集群的實際內存和硬件需求作為輸出參數，對實際的硬件信息進行模擬、評測。

2.3 場景模擬模型

本文提出了6種需求模擬，涵蓋不同的典型使用場景，給私有云服務能力檢測提供用戶友好的部署接口。針對不同的用戶給出不同的需求獲取如表1所示。

表1 需求模擬表Tab. 1 Demand simulation

本方案從用戶規模、虛擬機硬件、虛擬機負載三個方面模擬真實的用戶使用場景。針對用戶規模，可以利用IaaS私有云提供的API進行橫向的擴展。參考私有云Openstack提供有關虛擬機動作操作，主要包括創建、刪除等操作。

針對虛擬機硬件，私有云平臺提供豐富的API，可以靈活修改虛擬機的硬件配置。以Openstack的rest API為例：通過POST模式下/v2.1/{tenant_id}/servers改變flavorRef參數，控制虛擬機類型，即改變內存大小、虛擬核數、硬盤大小等資源，即用戶可以定制云主機通過改變imageRef參數，改變虛擬機操作系統種類。除此之外，Openstack提供五種云主機類型，涵蓋不同的虛擬機配置類型，如表2所示。

表2 Openstack云主機類型Tab. 2 Openstack cloud type

針對虛擬機負載，多臺虛擬機負載的快速生成和穩定運行將直接影響私有云服務能力檢測準確性，所以本文提出了一種無干擾的多線程負載生成方法。因為申請和釋放內存會影響CPU的負載，故采用兩個線程分別控制CPU和內存負載。CPU線程采用負反饋技術實時調整CPU利用率，降低內存分配對CPU負載的影響。兩個線程的處理流程和關系如圖2所示。

圖2 負載生成模塊示意圖Fig. 2 Workload generation module

2.4 測試設計

為了精確地描述私有云服務能力，本文根據云計算服務等級協議(SLA)作為標準來衡量。其中主要參數包括：

1)Tin導入時間。虛擬機正式使用前的準備和導入時間。

2)Tadd規模擴大時間。增加一臺虛擬機數量的時間。

3)Tresponse業務響應時間。業務提供商響應和處理用戶請求的時間。

4)P性能參數。單個虛擬機在共存虛擬機下的性能分數。

在實際測試過程中Tin?Tadd,并且基于IaaS的云計算增加虛擬機一定會作使用前的準備和導入，所以用(Tadd,Tresponse,P)三維向量來評估私有云服務能力，并評估出該環境下的最大用戶支持度。最大用戶支持度是指私有云提供虛擬機給用戶正常使用的最大數量，用來衡量私有云服務能力。其中P性能分數使用Benchmark進行測試衡量。

根據用戶的實際體驗不同，可以采用主動模式和被動模式來獲取:主動模式即將測試虛擬機交給用戶實際使用,根據用戶的主觀判斷，檢測測出最大用戶支持度; 被動模式即使用軟件工具來代替用戶的主觀判斷，通過客觀數據分析，檢測出最大用戶支持度。

將同一私有云環境下負載生成后的虛擬機稱為負載虛擬機群, 運行檢測程序的虛擬機稱為測試虛擬機。通過動態調整虛擬機的數量，控制虛擬機的增量，得到檢測結果的集合。測試過程自動迭加完成，保證了測試的速度，簡化了用戶的操作。其中Num為當前虛擬機數量，step為每次增加虛擬機數量。具體的測試算法如下：

Num=0 While True： 測試(Tadd,Tresponse,P)在該環境下值； IFstep== 0： 輸出虛擬機的數量Num; Break； IF (Tadd,Tresponse,P)劣于標準： 釋放?step/2」臺虛擬機資源Num-= ?step/2」step=?step/2」 ELSE： 創建step臺虛擬機；Num+=step；

3 實驗結果與分析

3.1 測試環境

本次評測在Openstack私有云環境下進行，操作系統為Ubuntu 14.04 LTS，內核版本為3.13.0-24-generic，KVM版本為2.0.0，Openstack版本為Juno，評測的配置參數如表3。

表3 測試機器配置Tab. 3 Tested computer configuration

3.2 測試實驗方案

根據實驗者使用特定的負載波動、操作系統、負載情況等，本次測試選取了3種不同應用情況，將該應用情況分別與負載生成模型相對應。比較在不同的應用情況下，測試私有云計算節點服務能力，如表4所示。

表4 云測試方案Tab. 4 Cloud testing scheme

3.3 實驗結果

實驗一 本文根據上文所提出的評估模型，采用被動模式。利用unixbench工具，以跑出的分數為結果集分數，500分為評判標準分數。對方案1進行實驗，得出空載虛擬機數量為232。除此之外，對比3種不同的方案，得出該環境下計算節點方案1的最大用戶使用度為180，方案2的情況最大用戶使用度為122，方案3的情況下最大用戶使用度為85，如圖3所示。

圖3 不同場景支持情況比較Fig. 3 Comparison of different scenarios

實驗二 根據實際的機器性能，可以采用被動模式驗證。在方案2同樣的情況下，研究測試了不同負載條件下的編譯時長，使用的編譯包為php-5.6.18.取平均值結果如圖4所示。評估模型的結果集分數采用編譯該文件的時長。當編譯時長為標準時長2倍時，定為其評判標準，得出最大用戶使用度為127。

圖4 編譯時長驗證圖Fig. 4 Verification of compiling time

實驗三 不改變實驗環境情況下，采集方案2中Tadd如圖5可知，將檢測時間分為那臺機器的規模擴大時間和業務響應時間兩個時間段。總部署時間不超過30 min。部署時間為虛擬機分配和負載生成的時間，通過比較可以發現，負載生成和部署非常快捷。

圖5 檢測耗時統計圖Fig. 5 Cost time statistics

實驗四 在同等條件下，在用戶數為100的情況下，使用FCtest和Rally對同樣的方案2進行測試。其中運行Rally的測試運行時間是1 423 s，FCtest的部署時間是1 271 s，測試時間是1 730 s。除此之外，本文對比了FCtest和Rally相關功能。

結合實驗三、四對比可以發現，FCtest的部署近似線性，而Rally測試會出現較大的波動,并且FCtest在一定時間內的評測響應時間與用戶數量正相關。若加上評測時間，Rally的評測響應較佳，Rally不能添加特定負載進行測試，所以本文只比較了兩個的部署時間。

表5 Raaly和FCtest功能對比表Tab. 5 Function comparosion of Raaly and FCtest

4 結語

本文提出了一種私有云服務能力檢測的通用方法。通過IaaS私有云平臺靈活配置特點，自動搭建測評環境，簡化了用戶測評操作過程。采用基于負反饋機制的負載生成方法，可以快速獲得恒定的負載，提高了檢測的準確性。提供了通用的私有云檢測模型，改善了傳統方法不適應不同私有云平臺的缺陷。實驗結果表明，該方法在部署和負載生成上提高了效率，節省了評測成本。私有云服務能力檢測方法可隨規模不同自動部署，并根據用戶的需求使用不同的負載模型評測出最大用戶使用度和空載虛擬機數量，基本滿足用戶對私有云服務能力檢測的需求。

以后的工作中，將從以下方面來改進測試方法。本文針對的是私有云服務能力中的計算能力，沒有對網絡的測試。在實際使用情況下，網絡對用戶使用存在一定的影響，所以網絡的有關評測將作為后期研究的重點。

References)

[1] 吳吉義, 沈千里, 章劍林, 等. 云計算: 從云安全到可信云[J]. 計算機研究與發展, 2011, 48(S1): 229-233.(WU J Y, SHEN Q L, ZHANG J L, et al. Cloud computing: cloud security to trusted cloud[J].Journal of Computer Research and Development, 2011, 48(S1): 229-233.

[2] 姜毅, 王偉軍, 曹麗, 等. 基于開源軟件的私有云計算平臺構建 [J]. 電信科學, 2013, 29(1): 68-75.(JIANG Y, WANG W J, CAO L, et al. Construction of private cloud computing platform based on open source software[J]. Telecommunications Science, 2013, 29(1): 68-75.)

[3] ZHANG Y L,ZHENG Z B,LYU M R. Real-time performance prediction for cloud components[C]// Proceedings of the 2012 IEEE 15th International Symposium on Service-Oriented Real-Time Distributed Computing Workshops. Piscataway, NJ: IEEE, 2012: 106-111.

[4] ALHAMAD M, DILLON T,CHANG E. Conceptual SLA framework for cloud computing[C]// Proceedings of the 4th IEEE International Conference on Digital Ecosystems and Technologies. Piscataway, NJ: IEEE, 2010: 606-610.

[5] 張健. 云計算服務等級協議(SLA)研究[J]. 電信網技術, 2012(2): 7-10.(ZHANG J. Study on cloud computing SLA[J]. Telecommunication Network Technology, 2012(2): 7-10.

[6] ANTONIOU A. Performance evaluation of cloud infrastructure using complex workloads[D]. Delft: Delft University of Technology, 2011: 1011-1026.

[7] HILL Z, LI J, MAO M, et al. Early observations on the performance of windows azure[C]// Proceedings of the 19th ACM International Symposium on High Performance Distributed Computing. New York: ACM, 2010: 367-376.

[8] DELMERICO J A, BYRNESY N A, BRUNOZ A E, et al. Comparing the performance of clusters, Hadoop, and active disks on microarray correlation computations[C]// Proceedings of the 2009 International Conference on High Performance Computing. Piscataway, NJ: IEEE, 2009: 378-387.

[9] COOPER B F, SILBERSTEIN A, TAM E, et al. Benchmarking cloud serving systems with YCSB[C]// Proceedings of the 1st ACM Symposium on Cloud Computing. New York: ACM, 2010: 143-154.

[10] ZHANG X, FENG W, QIN X. Performance evaluation of online backup cloud storage[J]. International Journal of Cloud Applications and Computing, 2013, 3(3):20-33.

[11] NOORSHAMS Q, BRUHN D, KOUNEV S, et al. Predictive performance modeling of virtualized storage systems using optimized statistical regression techniques[C]// Proceedings of the 4th ACM/SPEC International Conference on Performance Engineering. New York: ACM, 2013: 283-294.

[12] BRUHN D. Modeling and experimental analysis of virtualized storage performance using IBM system z as example[D]. Karlsruhe, Germany: Karlsruhe Institute of Technology, 2012.

[13] 陳斌, 王志堅, 王宇. 云環境下基于代理服務的性能收集模型[J]. 微型機與應用, 2013, 32(16): 57-60. (CHEN B, WANG Z J, WANG Y. Performance collection model with Agent and server interface for cloud computing[J]. Microcomputer & its Applications, 2013,32(16): 57-60.

[14] KHAZAE H. Performance analysis of cloud centers under burst arrivals and total rejection policy[C]// Proceedings of the 2011 IEEE Global Telecommunications Conference. Piscataway, NJ: IEEE, 2011:1-6.

[15] RAAJESWARI R, SELVARANI R. A performance analysis method for service-oriented cloud applications (SOCAs)[C]// Proceedings of the 2012 International Conference on Computer Communication and Informatics. Piscataway, NJ: IEEE, 2012: 1-7.

[16] 馮苜川. 基于 Cloudstack 云平臺的 Pfsense軟件防火墻的分析與測試[D]. 北京: 北京郵電大學, 2015.(FENG M C. Analysis and testing of the Pfsense software firewall based on the Cloudstack cloud platform[D]. Beijing: Beijing University of Posts and Telecommunications, 2015.)

[17] 張一弛. 云計算環境下的 “測試即服務” 模式及其實現[D]. 武漢: 華中師范大學, 2013. (ZHANG Y C. Research and implement of testing as a service mode on cloud computing[D]. Wuhan: Central China Normal University, 2013.)

[18] 聶規劃, 佘其平, 陳冬林. 客戶云需求波動下的多實例組合決策研究[J]. 計算機工程, 2013, 39(5): 42-47.(NIE G H, SHE Q P, CHEN D L. Study on multi-instance combination decision under user cloud demands fluctuation[J]. Computer Engineering, 2013, 39(5): 42-47.)

[19] 蘇晶. 面向 OpenStack 的企業云管理平臺的研究與實現[D]. 成都: 電子科技大學, 2014.(SU J. Research and implementation of enterprise cloud management platform for OpenStack[D]. Chengdu: University of Electronic Science and Technology of China, 2014.)[20] NIEME D C. Unixbench 4.1.0[CP/OL].[2016-06-20].http://www.tux.org/pub/tux/niemi/unixbench.

This work is partially supported by the National High Technology Research and Development Program (863 Program) of China (2015AA015307), the National Natural Science Foundation of China (61472323), the Fundamental Research Funds for the Central Universities (3102015JSJ0009).

LIU Chunyi, born in 1993, M.S. candidate. His research interests include cloud computing, cloud storage.

ZHANG Xiao, born in 1978, Ph. D., associate professor. His research interests include cloud computing, cloud storage, mass storage.

LI Ani, born in 1992, M. S. candidate. Her research interests include cloud computing, cloud storage.

CHEN Zhen, born in 1992,M.S. candidate. His research interests include cloud storage.

Service capacity testing method of private cloud platform

LIU Chunyi*, ZHANG Xiao, LI Ani, CHEN Zhen

(SchoolofComputerScience,NorthwesternPolytechnicalUniversity,Xi’anShaanxi710129,China)

Concerning the problem that the lack of testing methods would lead to mismatch between supply and demand of private clouds, an adaptive and scalable private cloud system testing method was proposed, which can test private cloud computing ability in IaaS (Infrastructure as a Service). The number of virtual machines was dynamically increased through the private cloud application program interface, hardware information and operating system category of the virtual machine configuration were selected by performance-characteristic model, and different load models were used according to different needs of users to form simulation environment. At last, cloud computing Service Level Agreement (SLA) was used as a test standard to measure the ability of private cloud services. The proposed method was implemented in Openstack. The experimental results show that private cloud platform service capacity can be obtained by the proposed method with lower cost and higher efficiency than user test. Compared with Openstack component Rally, scalability and dynamic load simulation of the proposed has greatly been improved.

private cloud; service ability; Infrastructure as a Service (IaaS); Openstack cloud platform; cloud testing

2016-07-15;

2016-11-21。 基金項目:國家863計劃項目(2015AA015307)；國家自然科學基金資助項目(61472323)；中央高校基本科研業務費專項(3102015JSJ0009)。

柳春懿(1993—)，男，安徽滁州人，碩士研究生，主要研究方向:云計算、云存儲; 張曉(1978—)，男，河南新鄉人，副教授，博士，CCF會員，主要研究方向:云計算、云存儲、海量存儲； 李阿妮(1992—)，女，陜西咸陽人，碩士研究生，主要研究方向:云計算、云存儲; 陳震(1992—)，男，安徽安慶人，碩士研究生，主要研究方向:云存儲。

1001-9081(2017)05-1236-05

10.11772/j.issn.1001-9081.2017.05.1236

TP301

A