基于主動隊列管理算法的綠色云模型

姜 彬 喬紅宇

基于主動隊列管理算法的綠色云模型

姜 彬1喬紅宇2

（1.江蘇航運職業技術學院 智能制造與信息學院，江蘇 南通 226000；2.江蘇航運職業技術學院 輪機工程學院，江蘇 南通 226000）

針對5G網絡低能耗和低延遲的要求，提出一種基于主動隊列管理（Active Queue Management，AQM）算法的綠色云模型，該模型利用增強的隨機早期檢測算法并結合鏈接虛擬列表來實現數據包的智能優先排序，通過降低重傳次數和減少排隊延遲來減輕聚合層隊列中的擁塞，在無需修改現有基礎設施的基礎上實現系統的低延遲和低能耗，達到節能環保的目的。研究結果表明：提出的模型與傳統的Cloud模型、Femtolet模型相比，在吞吐量、延遲以及能耗等三個方面效果更好，本文的方法是有效的。

綠色云計算；主動隊列管理；擁塞；能耗

隨著云計算在物聯網系統、智能城市、電子醫療以及多媒體等眾多領域的快速擴展，其高能耗與環境的影響問題越來越引起重視。綠色計算是本著對環境負責的原則使用計算機及相關資源的行為，綠色計算可以更加合理協調地利用計算資源，以低耗方式滿足日益多樣的計算需求[1]。綠色云計算是指在云計算環境中，通過有效地管理云計算，在滿足服務質量(Quality of Service，QoS)的同時，解決云計算帶來的環境、能耗及運營成本問題。因此，綠色云計算的重點不在于重新研制低能耗的基礎設備，而是高效地整合利用現有資源，達到降低能耗、節能環保的目的[2-3]。

近年來，綠色云計算領域已經引起全球研究人員的廣泛關注。針對云計算的能耗和資源利用問題，國內外學者在綠色云計算技術方面取得了一系列重要的研究和應用成果。金順福等[4]對比了綠色云調度算法與其他任務調度算法的能耗大小，綠色云調度算法通過采用多租戶方式和虛擬機實時遷移技術，使得程序調度的功耗更低。Rao等[5]針對綠色云計算中的能耗問題，提出了一種基于任務調度的資源感知負載均衡克隆算法。該算法在負載均衡策略中引入克隆選擇原理，解決了節能資源感知調度問題。Lu等[6]提出了一種用于異構云環境的自適應任務分配算法，該算法通過最小化云系統的完工時間來降低能耗，促進綠色云計算。Mukherjee等[7]指出移動邊緣計算可以將移動計算、網絡控制和存儲推送到網絡邊緣，以便在資源有限的移動設備上實現計算密集型和延遲要求高的應用，移動邊緣計算能夠大幅降低延遲和移動能耗。Sun等[8]提出了一種綠色云網絡體系結構，旨在用戶設備與其云中的軟件克隆之間提供無縫且端到端的低延遲。

目前，大多數方法都側重于云架構和開發新的邊緣解決方案來實現降低能耗的目標，這些研究均是在移動設備（Mobile Device，MD）附近建立云體系。但是，這種方式為運營商帶來額外的成本，以及由于部署新的邊緣解決方案產生更多的能耗。針對上述問題，本文提出一種基于主動隊列管理算法降低能耗的綠色云模型，通過對數據包進行智能優先排序，降低重傳次數來減輕聚合層隊列中的擁塞，在無需修改現有基礎設施的基礎上實現系統的低延遲和高能效。

1 主動隊列管理

主動隊列管理（Active Queue Management，AQM）是實現擁塞控制的重要手段，一直受到廣大研究人員的關注。目前，存在幾種基于不同理論的AQM算法，這些算法在一定程度上能夠實現網絡擁塞控制的任務，但是在公平性和復雜度上有不同程度的缺陷。

1.1 隨機早期檢測算法

隨機早期檢測（Random Early Detection，RED）算法作為一個重要的AQM算法，通過檢測路由器緩沖區隊列的平均長度來判斷擁塞。當擁塞出現時，該算法采取隨機選擇連接來通知擁塞，在隊列溢出導致丟包之前減小擁塞窗口，降低發送數據速度，從而緩解網絡擁塞。

RED算法大致可以分為計算平均隊列長度avg和丟包概率b兩部分。平均隊列長度采用指數加權移動平均值進行估計，該估計類似帶權值的低通濾波器計算公式為

丟包概率的計算是根據隊列平均長度計算的，算法將平均隊列保持在一定長度，當平均隊列長度增加時，丟包概率也隨之增加。丟包概率b的分段函數可表示為

其中：min和max分別表示隊列長度的最小閾值和最大閾值，max表示最大丟包概率。

丟包概率還與隊列中數據包的數量有關，為了避免連續丟包，丟包概率b修正為

其中：b表示上一次丟包到進入當前隊列的數據包的數量，a為丟包概率的修正值。其值的增加，會導致后序數據包丟失的可能性逐漸升高。丟包概率修正的目的是為了避免連續丟包，防止突發流偏見及全局同步現象的產生。

RED算法利用平均隊列長度來判斷數據包的丟棄概率，這種方式無法對突然暴增的流量做出立即響應。

1.2 增強RED

增強隨機早期檢測(Enhanced Random Early Detection，ENRED)算法是一種AQM算法，旨在保留RED優點的同時，提供更好的網絡擁塞控制。該算法依靠對平均隊列大小的增強來限制隊列大小，在保證隊列更穩定的同時，將延遲和數據包丟失率降到最低。當前平均隊列大小為

丟包概率表示為

其中：C表示緩沖區溢出前的臨界隊列長度。由于ENRED算法具有更多的擁塞窗口，因此可以實現穩定的隊列長度，有效降低延遲和丟包率。

2 基于主動隊列管理的綠色云模型

本文提出一種基于主動隊列管理的綠色云模型設計方法，該方法采用增強隨機早期檢測算法來控制網絡擁塞和減少排隊延遲，在保證系統穩定可靠的基礎上，通過減少重傳次數的方式實現云端和移動設備的低能耗、低延遲和高吞吐量。

2.1 模型設計和部署

重傳過程對于發射機和整個系統來說是消耗能量的，尤其是在異構網絡中。此外，重傳會造成額外的信令開銷。因此，本文提出一種控制擁塞的新模型，作為減少重傳的方法，以最大限度地減少浪費的能量，減少延遲并提高系統吞吐量。該模型通過實施ENRED算法來處理擁塞問題，以便管理由數據通信網絡（Data Communication Network，DCN）匯聚層內的移動節點傳入的數據包。通過減少擁塞導致的延遲和分組丟失來降低服務時間和重傳率，達到能量消耗最小化的目的。提出的方法在移動分組調度中采用標記概率來增加分組成功率，保證在連接期間延遲最小。同時，為核心層內的每個POD（容器組）開發了可鏈接的虛擬列表（Virtual List，VL），該列表作為所有節點傳入數據包的緩存，可以保留所有數據包的類型、源IP、目標IP和數據包長度。VL可以根據數據包的類型和到達時間對其進行優先級排序。

本文模型設計示意圖如圖1所示，本文提出的方法通過擁塞控制算法和鏈接虛擬列表來減少服務時間，以及更好地控制隊列大小和丟棄率。降低擁塞可以在相同的時間內增加服務分組的速率，增加系統吞吐量，同時云中的服務時間減少，導致負載功率降低，移動設備能夠體現更多的節能。

圖1 本文模型設計示意圖

本文模型由于設計為在云網絡核心層和匯聚層內實現，因此可以部署在動態網絡環境中。該方法可以單獨使用，也可以與任何移動邊緣計算場景（如Cloudlet、Femtocloud、Femtolet）配合使用，以進一步提高能源效率，減少延遲，同時保持較高的系統吞吐量。在單獨使用場景中，MD通過移動基站（base station，BS）將其請求發送到云，當遇到BS沒有任何云計算或存儲功能時，模型接收請求，利用提出的算法減少匯聚層中的擁塞和服務器之間多層交換的流路徑，并在處理后將其響應發送給MD。在移動邊緣計算場景中，如果邊緣層具有執行請求的能力，則MD通過BS將其請求首先發送到邊緣設備或中間層（Cloudlet，Femtocloud或Femtolet），處理請求并將響應發送回MD，而無需本文模型的干預。但是，如果中間層不具有處理請求的能力，則邊緣設備將請求轉發到提出的模型上，經過處理后發送回MD。

整個移動系統的核心是數據中心基礎設施，所有流量都通過該基礎設施，因此基礎設施設計需要綜合考慮其彈性、性能和可擴展性。本文提出的云模型涉及三層DCN架構（接入層、匯聚層和核心層）如圖2所示。具體情況如下：接入層是允許服務器連接到網絡，因此接入層交換機具有低成本和高端口密度特性；匯聚層是多臺接入層交換機的匯聚點，處理來自接入層設備的所有通信量，并將流量轉發到核心層，故匯聚層交換機需要更高的性能、更少的接口和更高的交換速率；核心層將多個匯聚模塊連接到互聯網，并為通過數據中心的所有流量提供高速分組交換網關，所以核心層交換機應該擁有更高的可靠性、性能和吞吐量。本文提出的模型是在匯聚層和核心層內實現。

圖2 本文模型在DCN架構中部署示意圖

2.2 模型算法

本文提出的模型算法包括擁塞檢測算法、增強隨機早期檢測算法和鏈接虛擬列表算法三部分組成。表1～3分別給出了三種算法的偽碼。

表1 擁塞檢測算法

整個算法操作如下：在初始階段，表1所列的“算法1”在每個移動數據包到達之后檢查隊列擁塞，如果檢測到擁塞，則開始執行表2所列的“算法2”。其中ENRED算法的ar值是根據最大和最小閾值獲得，數據包丟失率由式(6)和(7)計算得到。表3所列的“算法3”創建虛擬列表用來存儲接收的數據包信息，以便當核心層訪問數據包時可以根據這些信息對其進行優先級排序。當未檢測到擁塞時，執行表3所列的“算法3”。

表2 增強隨機早期檢測算法

表2（續）

表3 鏈接虛擬列表算法

3 實驗結果及分析

為了驗證本文模型的性能，采用NS2網絡模擬軟件進行仿真，仿真參數由表4給出。在仿真過程中，MD向移動基站發送不同數量的請求，然后BS通過移動網絡核心將請求轉發到因特網網關和處理請求的云，最后將其發送回MD。采用吞吐量、延遲、能耗三個指標來評估模型的性能，并將結果與傳統Cloud模型、Femtolet模型[7]作對比。

表4 仿真參數

表4（續）

3.1 吞吐量

對網絡、設備、端口、虛電路或其他設施，單位時間內成功地傳送數據的數量稱為吞吐量。當考慮若干協議開銷時，有效速率則明顯低于最大吞吐量。為了定義網絡或連接的實際數據傳輸速率，可以采用實際吞吐量作為度量。其中，實際吞吐量的計算不包括數據包丟失、數據包重傳以及協議開銷。此外，吞吐量還受到數據包丟失率和調度算法的影響。利用NS2網絡模擬軟件在無線網絡中進行仿真的吞吐量測試結果如圖3所示。與傳統Cloud模型相比，本文模型在吞吐量方面具有明顯的改進效果；與作為多接入邊緣計算（Multi-access Edge Computing，MEC）解決方案之一的Femtolet模型相比，本文模型通過增強中間MEC層，以較少的邊緣計算實現了更高的吞吐量。

圖3 不同模型的吞吐量測試結果示意圖

3.2 延遲

在分組交換網絡中，延遲的測量方式有兩種：一是指從發送器發送數據包到接收數據包的接收器的時間；二是指包括從發送器到接收器的延遲以及從接收器返回發送器的延遲的往返延遲時間。一般而言，往返延遲更常用，因為該延遲可以從單個點位置進行測量。

當網關接收到多個來自不同源卻具有相同目的地的數據包時，就會發生排隊延遲。由于一次只能對一個數據包進行重新路由，因此許多數據包必須排隊等待傳送，從而產生額外的延遲?？紤]到延遲限制了雙向通信系統中的總吞吐量并且被視為擁塞最準確的度量，因此將其作為評估所提出的主動隊列管理機制和鏈接的虛擬列表的性能指標。本文模型的延遲測量結果如圖4中所示，從圖4可見：同傳統的Cloud模型和Femtolet模型相比，本文的模型在不同數量的數據包傳輸中的延遲最低，表明隊列中移動分組調度的成功率明顯增強。

圖4 不同模型的延遲量測試結果圖

3.3 能耗

由于云服務中的數據在數據中心進行處理和存儲，因此分布式控制系統是降低云計算應用程序和服務能耗的焦點。為了提高分布式控制系統的能源效率，人們采用了幾種策略，包括能量比例計算、動態供應、冷卻方法以及虛擬化。在絕大多數云服務能耗研究中，能耗被認為是云應用和服務的總能耗。然而，傳輸網絡和最終用戶設備是云的基本組件。因此，云的能量消耗應從三個方面進行考慮，即訪問云的移動設備能耗、連接移動設備到云的傳輸網絡能耗以及數據中心的能耗。

本文提出的算法通過減輕數據中心的擁塞和數據包過載，減少數據包丟失率和重傳率，從而減少服務時間，最終降低能耗。因此，本文模型在云端和移動設備端實現了較低的能耗。考慮到云中服務時間的縮短會導致負載功率的降低，移動設備的節能效果更佳。能量消耗反映了吞吐量和延遲之間的相關性。使用不同數量數據包時三個模型的能耗值如圖5所示。

圖5 不同模型的總能耗測試結果圖

從圖5可見：本文提出的模型在總能耗方面優于其他兩類模型。

4 結 語

本文針對5G網絡低能耗和低延遲的要求，提出了一種基于主動隊列管理算法的綠色云模型，該模型通過利用主動隊列管理（AQM）機制來減少云聚合層的擁塞，在核心層實現鏈接虛擬列表，進一步增強響應時間，降低丟包率和減少延遲，從而節省重傳浪費的能量，最終降低云和移動設備的能耗。研究結果表明：提出的模型在吞吐量、延遲以及能耗等三個方面的性能突出，優于其他兩類模型。

[1]過敏意.綠色計算:內涵及趨勢[J].計算機工程,2010,36(10): 1-7.

[2]ZHOU R T, LI Z P, WU C. A truthful online mechanism for location-aware tasks in mobile crowd sensing[J]. IEEE Transactions on Mobile Computing, 2018, 17(8): 1737-1749.

[3]MORE N S, INGLE R B. Challenges in Green Computing for Energy Saving Techniques[C] //2017 International Conference on Emerging Trends & Innovation in ICT (ICEI). February 3-5, 2017, Pune, India. IEEE, 2017: 73-76.

[4]金順福,王寶帥,郝閃閃,等.基于備用虛擬機同步休眠的云數據中心節能策略及性能[J].吉林大學學報(工學版), 2018,48(6):1859-1866.

[5]RAO G J, BABU G S. Energy analysis of task scheduling algorithms in green cloud[C]//2017 International Conference on Innovative Mechanisms for Industry Applications (ICIMIA). February 21-23, 2017, Bengaluru, India. IEEE, 2017:302-305.

[6]LU Y, SUN N. An effective task scheduling algorithm based on dynamic energy management and efficient resource utilization in green cloud computing environment[J]. Cluster Computing, 2019, 22(1): 513-520.

[7]MUKHERJEE A, DE D. Femtolet: A novel fifth generation network device for green mobile cloud computing[J]. Simulation Modelling Practice and Theory,2016, 62:68-87.

[8]SUN X, ANSARI N. Green Cloudlet Network: A Distrib- uted Green Mobile Cloud Network[J]. IEEE Network, 2017, 31(1): 64-70.

TP393

A

1673-2219（2021）03-0053-05

2020-05-03

江蘇省教育廳蘇教科﹝2017﹞5號，省高校自然科學研究面上項目“基于滑模模糊控制器的不確定隨機非線性系統魯棒性研究”（項目編號17KJD413001）。

姜彬（1980－），男，江蘇如皋人，副教授，研究方向為人工智能與智能系統。喬紅宇（1982－），男，江蘇淮安人，副教授，研究方向為輪機自動化。

（責任編校：宮彥軍）