基于螢火蟲群優化算法的容器云資源低能耗部署方法?

徐勝超 葉朝武

（廣州華商學院數據科學學院 廣州 511300）

1 引言

云計算［1］作為最新的計算技術在各行業中逐步發展，最新的數據中心也是云技術衍生出的產物［2~3］，隨著人們對資源利用率以及高質量作業的要求，必須加強資源的整合和管理，才能實現容器云資源的靈活部署和利用［4］。容器云技術是虛擬化的關鍵技術，為了提高其利用率，降低能量消耗，合理部署容器即為實現容器云資源低能耗部署的重要途徑。

文獻［5］在分析用戶的需求以及運行成本的基礎上，將底層資源約束條件形象化，通過演示等得出用戶需求，通過模擬退火算法計算出云資源部署的初始解，同時運用禁忌搜索算法的記憶功能以及選禁忌表取初始解中的最優解，實現了服務功能鏈部署。但是該方法在部署時存在運行時間開銷較大的問題。文獻［6］構建了虛擬機部署模型，詳細分析云計算主機負載均衡，根據改進粒子群的虛擬機優化配置算法得出最優虛擬機配置解，實現了云計算虛擬機資源配置優化。但是該方法在實際部署過程中沒有將能耗問題轉換，不能獲取部署過程中的最低能耗。文獻［7］提出了基于云計算的海量碎片資源動態調度方法。依據碎片資源的優先級計算結果重組海量碎片資源，確定資源調度的初始位置和速度，并更新信息素、控制資源動態循環迭代次數和區間，實現海量碎片資源的動態調度。但是該方法只能根據實際情況隨機設定，導致部署的能耗仍有浪費，存在部署性能差以及運行時間開銷大的問題。文獻［8］構建了用于數據中心節能容器放置的鯨魚優化系統，提出了一種基于鯨魚優化算法的算法，將容器即服務環境中容器和虛擬兩個放置階段作為一個優化問題來解決，但是該方法部署過程中的能耗較高。文獻［9］提出了一種基于學習自動機的容器云自適應任務調度算法。通過集群、節點和任務對環境進行建模，通過調度執行優化動作選擇的概率，從而增強調度對云環境的適應性。但是該方法中大量空閑節點消耗能量，提高了部署能耗。

容器云合理部署可以保證數據中心整合、處理的穩定性，其可以進一步滿足用戶對于數據的需求。螢火蟲群優化算法可以在目標區域內，提高容器部署覆蓋率，實現全方位覆蓋的同時，解決容器部署冗余的問題，為此，本文為了解決容器云資源部署過程中存在的部署性能差、運行時間開銷較大的問題，提出了基于螢火蟲群優化算法的容器云資源低能耗部署方法。

2 容器云資源低能耗部署目標

為了在保證部署性能的同時最大程度地降低能耗，必須實時監測資源能耗情況，因此需要構建能耗模型，進而得出能耗的代價函數以及約束條件，最終對其求解得出最優解完成資源的低能耗部署。

2.1 能耗模型的構建

云計算主機運行時，能量消耗的主要部分是容器云資源的計算過程，即動態能量消耗，令目前云計算系統的主機共有n臺，基于容器云資源分配模型得出云計算系統能耗代價函數［10］，其主要包括云計算平臺中全部容器的最小動態能耗匯總和云計算主機的處理器利用率兩部分，其表達式分別式（1）和式（2）為

式中，m代表云計算系統中容器的數量，代表第j臺主機的處理器利用率最高的時的能耗，yij代表第i個容器被遷移到第j臺主機，fij代表第i個容器在第j臺主機中的能耗。

上述兩個代價函數對應容器云能耗指標，通過計算代價函數即可得到最優資源部署的最低能耗［11~12］，其中最低能耗的約束條件為

由于上述兩種代價函數之間存在沖突，所以代價函數也是容器云資源部署的多目標的優化問題［13~14］，約束條件就是容器與主機之間的影響關系，所以容器的分配y=yij以及容器的能耗f=fij就是多目標優化問題需要解決的問題。

2.2 多目標優化問題的求解

因為式（1）和式（2）之間存在沖突，所以不存在兩個代價函數結果均為最小的唯一解，只能是一組最小解集合，即帕累托最優解集［15］。

根據帕累托占優的特點獲取解之間的關系，假設式（1）代價函數得出的解為g1，式（2）代價函數得出的解為g2，當g1帕累托占優于g2，其需要滿足的條件為

通過對多目標優化問題的計算即可得出每個主機配置策略的最低能耗配置結果［16~17］。

2.3 低能耗部署要求

大多容器云資源在部署過程中均沒有分析云計算平臺數據中心的動態變化運行環境［18］，由于其中的容器一直處理運行狀態，導致容器云平臺性能受到影響，為了保證用戶的需求，在低能耗的基礎上最大程度地提高資源利用率和整體效率［19］，容器在部署過程中需要符合以下幾種條件。

1）云計算平臺中容器的數量必須小于對應主機的最大使用容量。

2）容器對應的主機受運行環境的影響是不可避免的，但其影響范圍必須控制在用戶可接受范圍內。

3）容器整體效率的變化增量必須保證為最大值，即容器對現有主機的性能干預必須降到最小。

式中，mi代表目前投入使用的容器數量，ui代表分配后容器的效率。

由于容器部署更新后其相應的主機運行環境會發生變化，同時對鄰近容器性能造成影響，進而得出容器在完成部署前后相應主機的效用變化量ΔU′，其表達式為

式中，uk代表鄰近容器的效率。

3 基于螢火蟲優化算法的容器云資源部署

通常情況下每個策略均對應一個分配方案，即每個主機都對應一個容器，通過式（4）計算即可得出最低能耗的部署結果，為了得到最低能耗的最優資源部署結果，運用螢火蟲優化算法予以計算［20~21］，獲取到主機分配方案的最優解集。

螢火蟲群優化算法（GSO）的特點是捕捉速度快、用時少，將其應用于容器云資源部署中，可以在最短時間內覆蓋容器云資源覆蓋所有部署區域，通過求解螢火蟲群優化算法相關參數等內容［22~23］，得到容器云資源低能耗部署方案，具體步驟如下所示。

第一步，在容器云平臺任意區域內設置一個部署策略q，即云計算系統主機，將其視為一個螢火蟲，進而組成一個螢火蟲群。

第二步，在進行計算的初始過程為每個部署策略q設置同一濃度的熒光素。

第三步，對部署策略q的熒光色素進行更新。其中熒光素濃度計算公式為

式中，lq(t) 代表部署策略q經過t地帶后的熒光素濃度，β代表熒光素衰減系數，E(?)代表部署策略q在迭代后的目標函數結果，xq代表部署策略q在t地帶中的位置。通過多次迭代獲取最新的部署策略q的熒光色素。

第四步，計算容器向低濃度熒光素移動的概率。

概率計算表達式為

式中，lo(t)代表熒光素較低的容器經過t地帶后的熒光素濃度。

第五步，針對變化的部署策略位置進行更新。

更新后的部署策略位置計算公式為

式中，c代表部署策略每次迭代的步長，s代表標準歐氏距離，xo(t)代表低濃度熒光素容器在t地帶中的位置。

第六步：直到滿足迭代次數和部署需求即可停止位置更新，最終的位置即為容器云低能耗最優部署方法，若不滿足則返回第三步。根據上述部署步驟即可得出最高效的部署結果。

4 實驗結果與分析

為了驗證基于螢火蟲群優化算法的容器云資源低能耗部署方法的整體有效性，文獻［5］和文獻［6］在相應領域應用后均獲得了較優的部署方案，因此將文獻［5］感知服務的容器云資源部署方法和文獻［6］云計算虛擬機資源部署方法作為對比方法，對三種方法進行部署性能以及運行時間開銷的測試。

4.1 實驗設置

采用Cloudsim5模擬容器云資源低能耗部署仿真環境，在實驗硬件方面，采用Intel i7 8700CPU 六核心，32 GB 內存的64 位機器搭建24 個節點的物理集群，每個物理機運行Linux3.10 內核的Ubuntu Xenial 16.04。每個物理節點上運行Docker1.7.1 來創建虛擬節點，同時最多運行4 個虛擬容器，虛擬集群的最大規模為64 個節點。在Docker 中用CPU-Share 比重參數將6 個CPU 核心平均分給3 個虛擬節點，即每個Container公平使用兩個物理CPU核心。在實驗軟件方面，使用Docker Swarm 實現容器的動態管理，將系統執行規則轉換為Swarm 的管理腳本并且執行。在上述仿真環境的支持下，模擬除了容器云低能耗部署區域如圖1所示。

圖1 容器云低能耗部署區域

除上述參數外，還需要設定螢火蟲優化算法的相關參數。設置迭代次數為500 次，容器感知半徑為5m，通信半徑為10m，熒光素的起始濃度為400，熒光素的揮發性系數為0.9，適宜度的提取率為0.1。根據上述參數設置和環境，采用三種方法進行對比測試。

4.2 部署性能測試

實驗共選取33 個物理節點以及90 個容器，云平臺各個容器的動態資源均是根據用戶需求自動生成的，假設目前物理節點的初始條件相同，即云平臺負載程度相同，分別計算出三種方法容器需要遷移的次數、穩定時間以及物理節點空閑的數量，其中物理節點就是云計算平臺的主機。

4.2.1 容器遷移次數

容器云資源部署方法可轉換成對容器的部署，容器的狀態轉換需要對容器進行遷移，不同方法所需的容器遷移次數也不盡相同，遷移次數越多耗費的時間也就越長，所產生的影響也較多，現設定三種方法更新的容器狀態相同，判斷在每種進化代數下容器所需的遷移次數，實驗結果如圖2所示。

圖2 三種方法部署所需的容器遷移系數

根據圖2 所示的實驗結果可知，經過多次進化，容器所需遷移次數最少的是本文方法，最高遷移次數為40 次，感知服務的容器云資源部署方法和云計算虛擬機資源部署方法的最高遷移次數分別為72 次和91 次，即本文方法更新出資源分布狀態最高效，較比其余兩種方法更加便捷。其主要原因是本文方法將云計算系統能耗代價函數求解問題轉化為容器云資源部署的多目標優化問題，通過求解多目標函數，確定最優部署方案，減少容器遷移次數。

4.2.2 穩定時間

以某數據中心為研究對象，對其容器進行更新后，該數據中心可以保持一段時間的穩定狀態。而由于容器在不斷的分配與再部署，導致數據中心需要平衡容器遷移和容器分布狀態，以保證數據中心的運行穩定性。設定該數據中心的CPU 利用率分別為20%~80%的容器，利用三種方法對其進行部署，在經過相同遷移次數（40 次）后判斷每種方法下容器保持穩定狀態時間。容器穩定狀態的時間越長，其部署性能越好，實驗結果如圖3所示。

圖3 三種方法容器的穩定時間

根據圖3 的實驗結果可知，感知服務的容器云資源部署方法的穩定時間在22s~31s 之間波動，云計算虛擬機資源部署方法的穩定時間在13s~17s之間波動。而本文方法均是保證容器穩定狀態時間最長方法，最低穩定時間為35s，受CPU 利用率大小影響較小，從而驗證所提方法的性能高。其主要原因是本文方法在構建容器云資源低能耗部署模型時，考慮了CPU 利用率以及容器需要不斷更新、遷移的影響，因此通過螢火蟲群優化算法求解后，就要較高的穩定時間。

4.2.3 部署能耗情況

為了實現容器云資源低能耗部署思想，在保證部署效果的同時盡可能地減少物理點的使用，為了進一步驗證本文方法的有效性，在分別對不同數量的容器進行部署，判斷每組實驗中三種方法所需的物理點，現已知是三種方法在每組實驗下的部署效果均一致，僅對比每種方法的物理節點使用情況即可，物理節點使用數量越少，其能耗越小，部署能力越高。

根據表1 的實驗結果可知，物理節點在不同數量容器下的使用數量均不相同，且每組實驗下由于容器作用和外界影響因素的不同，每組實驗所需的物理節點均不相同，但對比每組實驗下三種方法所需的物理節點，本文方法使用的物理節點最少，即保證部署能力的同時耗能最小。產生該結果的原因是，本文算法將單一的能耗的求解問題，轉換為了容器分配以及容器能耗的多目標優化問題，因此，在部署過程中所需要的物理節點更少，能耗最優。

表1 三種方法物理節點使用情況

4.3 運行時間開銷

在對資源進行部署過程中種群總代數是導致運行時間加長的主要原因，且隨著種群總代數的增長，部署時間是呈幾何級別數增長，假設三種方法在現有種群總代數下的執行時間均在可承受范圍之內，因此不影響容器云資源部署的進程，計算出在不同種群總代數下每種方法所需的運行時間，實驗結果如圖4所示。

圖4 不同方法的運行時間開銷

根據圖4 的實驗結果可知，三種部署方法中更新換代用時最短的就是本文方法，這是因為本文方法在進行部署前構建部署能耗模型，得出部署過程中所需的能耗，并實時管控能耗，將不必要的能耗關閉，降低部署計算量，減少運行時間開銷。

5 結語

為了降低云數據中心能源消耗，提出基于螢火蟲群優化算法的容器云資源低能耗部署方法，該方法通過構建能量模型和設立部署要求降低能耗，在此基礎上利用螢火蟲優化算法在全局中得到最優部署策略，實現了容器云資源低能耗部署，經實驗測試可知，所提出方法解決了部署性能差以及運行時間開銷大的問題，有效降低資源消耗。下一步將具體分析容器云資源部署策略的準確性，以保證容器云資源低能耗部署的同時，提高部署精度，為數據中心調度奠定基礎。