基于DEA的能耗感知虚拟机资源分配算法.docx

基于DEA的能耗感知虚拟机资源分配算法
一、引言
虚拟化技术已经成为了当前数据中心资源管理的关键技术之一。通过虚拟化技术，可以对单个物理服务器进行分割，从而降低能耗和操作成本等，同时，通过虚拟机技术可以将物理服务器资源合理的分配和调度，满足用户需求，并在保证服务器性能的情况下，降低服务器的能耗。
然而，由于不同应用的性能要求各不相同，同时虚拟机的个数也不尽相同，这样在进行虚拟机资源分配时，很难预测得到最佳的性能和能耗之间的平衡点。目前，常见的资源分配算法大都是根据历史的利用率和预测的利用率来进行调度，这种方式难以实现资源的平衡分配。
因此，在当前计算领域中，基于数据包络分析(dea)方法针对虚拟机的资源分配问题，成为一种新的思路以解决目前面临的难题。当然，目前这种方法的应用还比较新颖，需要更多的实际应用来进一步验证其可行性。
本文主要介绍如何将DEA方法应用于现代数据中心环境下的虚拟机资源分配问题，并说明其主要思路、算法实现以及实验验证的结果。
二、DEA模型基础
DEA(DataEnvelopmentAnalysis,数据包络分析)是一种常用的效率分析方法，由chernonk编发明，用于测度同类生产厂家或组织的效率水平。这种方法可以将生产厂家或组织看成是研究输入产出比例的生产过程的单元，然后通过将所有生产过程组成的系统看成是一个整体来分析效率水平。在DEA方法中，不考虑生产过程所需的特定生产函数形式，而是利用线性规划技术来测度被分析单位的效率水平。
DEA的一个重要特点是利用线性规划技术。简单地讲，可以将所有需要测度的厂家或企业看成是一个矩阵，其中列表示输入因素，行表示输出因素。例如，生产厂家中可能存在着某些输出要素(例如，收益)，这些要素的数量越高，意味着生产效率越高。而输入要素则包括生产成本、原料、劳动力等，这些指标数值越低，表示生产效率越高。
使用DEA的模型是一个多条件优化问题，在实际应用中需要确定每一个输入因素和输出因素的权重值，从而达到最优解。因此，DEA方法需要建立一个模型，通过比较各个企业的效率水平，得出那些企业是最有效的。在DEA模型中，效率是通过将任意一家企业的主要输出指标除以输入指标得到的。而对于任何一家企业，如果它的效率高于其他企业，那么它就被认为是更有效率的。
DEA方法最为重要的是将研究对象看成是一个整体，而不是单独分析，从而达到评判效率的目的。因此，可以将虚拟化环境建模成成上述矩阵形式，并使用DEA方法来计算每个虚拟机资源效率水平指标。
三、针对虚拟机资源分配算法思路
在现代数据中心环境下，基于DEA的能耗感知虚拟机资源分配算法，是一种针对虚拟机资源分配的新思路。该方法主要采用DEA模型，通过测量各虚拟机的效率，来帮助资源管理者判断虚拟机的合适分配策略。
首先，需要确定每个虚拟机的各项资源指标。在一个虚拟化的数据中心中，每个虚拟机资源可能存在以下几个指标：
1.CPU（中央处理器）使用时间，单位为秒
2.I/O操作完成次数，单位为次数/秒
3.网络带宽占用率，单位为字节数/秒
每个虚拟机的这三个指标，都可以直接对应到DEA的矩阵中的一个列向量。因此，虚拟机资源可以转换成一种产出-投入矩阵（或称作前沿点矩阵）的模型，以便进行效率评估。
在DEA极度工具中，需要确定不同的权重分配方式，以便更好的评估效率。根据实例的研究，可以将权重考虑为贡献因子（input和output）的比率。例如，以CPU使用时间、I/O操作完成次数和网络带宽占用率来描述一个虚拟机的效率，则可以将权重分配为1/3、1/3、1/3，当然，也可以按照实际情况进行权重分配，以便获得更准确的效率评估结果。
同时，需要注意到虚拟机分配之后，所对应的各个指标值也可能发生变化。在虚拟机资源分配完成之后，可以重新测量各个虚拟机的效率，以便得到更准确的效率评估结果。
四、基于DEA的能耗感知虚拟机资源分配算法实现
基于以上思路和方法，可以进行基于DEA的能耗感知虚拟机资源分配算法的具体实现：
1.虚拟机资源数据输入
首先需要设定与每个虚拟机相关的CPU使用时间、I/O操作完成次数以及网络带宽占用率的值，这些由虚拟机管理程序或操作系统支持虚拟化技术的应用程序给出。
2.设置虚拟机资源数据范围
将各项资源指标按每个虚拟机设定为输入或输出因素集，而发送到DEA模型中的输入或输出集统一管理区域。对这些资源进行归一化处理，可以将它们转化为相对指标或指标比重值。
3.设置虚拟机资源数据权重
设置具体的输入资源因素与输出资源因素的权重。根据每个虚拟机所占用的类型与功能，来决定各输出，输入因素重要程度。
对于输出因素，例如CPU使用时间，I/O操作完成次数，可以采用等权重分配，或者采用调整为某些输出操作所占的重要程度能够更加准确的反映实际情况。
对于输入因素，例