云计算环境下的自适应资源管理技术综述

云计算环境下的自适应资源管理技术综述

云环境下的自适应资源管理是当前云计算研究领域的热点问题，是云计算具备弹性扩展、动态分配和资源共享等特点的关键技术支撑，具有重要的理论意义和实用价值。其主要研究点包括：虚拟机放置优化算法，虚拟资源动态伸缩模型、多IDC间的全局云计算资源调度、全局资源配置及能力规划模型等。对云环境下自适应资源管理研究现状进行分析研究，并指出当前研究中存在的一些主要问题，同时进一步展望本领域未来的研究方向。

0 引言

“云计算”是近年来IT产业发展的新热点，受到各方的广泛关注。其作为一种新兴技术和商业模式。将加速信息产业和信息基础设施的服务化进程，催生大量新型互联网信息服务，带动信息产业格局的整体变革。根据提供服务类型的不同，云计算通常分为基础设施即服务(infra—structure as a service，IaaS)、平台即服务(platform as aservice。PaaS)和软件即服务(software as a service，SaaS)。其中，基础设施即服务(IaaS)作为最基础及支撑性的服务模式，通过虚拟化技术使得虚拟机共享物理机资源池，使运营商可以通过向用户提供虚拟机资源来承载他们的应用。显然，云计算应用的开展必将导致云IDC中的基础设施资源(如服务器、网络设备、存储设备等)大量聚集。于是．虚拟资源调度管理技术的优劣将直接影响到IDC 整体的资源利用率、服务能力以及SLA。另外，随着IDC规模的扩增，手动及人工管理数目庞大的物理资源集群已经变的非常不现实。如今，更需要一种自适应的资源管理技术，以自动响应IDC运行情况变化，并减轻管理人员的负担。因此，这也成为云计算在IaaS模式下需要重点优化和突破的关键技术问题。

云计算环境下的自适应资源管理问题是一个非常复杂、庞大的课题。目前，国内外的相关研究主要集中在如下4个技术领域：①虚拟机放置优化算法；②虚拟资源动态伸缩模型；

③多IDC间的全局云计算资源调度；④全局资源配置及能力规划模型。本文将从以上4个研究领域出发，对云计算环境下自适应资源管理技术的现有研究成果进行阐述及分析，并指出当前研究中存在的一些亟待解决问题，进而进一步指出未来的研究发展趋势。

1 虚拟机放置优化算法

虚拟化技术为当今的IDC带来了许多优势：一方面，它能够有效的帮助IDC提高整体IT资源的利用率，通过集成、整合分散的物理资源、将众多虚拟机放置在同一台物理机上；另一方面，它也为IDC提供了更大的灵活性，可以动态的随需配置各台虚拟机占用资源的大小，同时，也可以通过动态迁移技术、根据不同策略使虚拟机在不同物理机之间快速移动。但是，显然，这也对资源管理技术提出了更高的要求。

虚拟机放置问题是云环境下资源管理技术的一个最重要的研究点，也是目前受到关注最多的一个领域，学术界和工业界都对优化的虚拟机放置技术进行了大量研究。虚拟机放置需要决定虚拟机与物理机之间的映射关系，其重点即是根据所设定的放置策略。寻找优化的虚拟机放置方案，以更好的满足多重系统目标。除此之外，还要求虚拟机的放置过程能够自适应的响应整体运行环境的动态变化，及时做出改变。

大量的文献如文献[1-2]等把虚拟机放置问题建模成装箱问题或N维装箱问题文献[3-41，通过虚拟机迁移，使得开启尽可能少的物理机以满足所有虚拟机的资源请求，从而

提高整体的IT资源利用率。文献[1-2]把虚拟机放置问题定义为一个多目标优化的问题，包括避免违反SLA、减少服务器数量、以及减少迁移次数等；他们提出了一个基于基因算法的方法来解决该问题。文献Is]为虚拟机与虚拟机之间和虚拟机与物理机之间存在不相容约束的服务器整合问题制定了一个两阶段的启发式算法：在第一个阶段，通过假设每个集群代表一个没有容量限制的服务器，来找到满足事项之间和事项仓不相容限制的应用集群；在第二个阶段，考虑服务器的能力限制来把每个集群中的应用分配到目标集群中。文献[6]建立了一种基于分组遗传基因算法的方法来解决服务器整合的问题。文献[7]认为虚拟机的迁移是有代价的，在尽量使用最少物理机产生最大的收益的同时，需要考虑虚拟机迁移所产生的代价。

除了提高IDC的资源利用率外，一些文献还提出了虚拟机放置的其他优化目标。对于口叱运营商来说，其最为关注的是运营成本，所以，随着服务规模的扩张。降低能耗逐渐成为一个越来越重要的趋势，这也成为很多当前研究的一个重点优化目标。文献[8一11]都各自提出了降IDC能耗的解决方法，文献[12]将能耗问题建模为约束混合整数规划问题(constrained mix-integer programming)，将其转化为最小费用流问题(minimum cost flow)问题，用快速多项式时间算法求得最优解；相比其它文献，该文献的解决方案具有较大的优势及可扩展性。另外，文献[13]把虚拟机迁移产生的代价、虚拟机迁移带来的收益、迁移后能保持当前状态的时间都纳入考虑，并用改良后的A*算法来得到一个尽可能优的解，在能耗、利用率和性能三者之间尽量平衡。文献[14]考虑了IDC中的各个虚拟机之间的网络流量，希望把通信量大的虚拟机尽量放置到一台或邻近物理机上，以此来最大限度的减少全局的网络流量。文献[15]把用户提出的一些要求作为输入，例如某个虚拟机要独占一台物理机、某两个虚拟机不能放置到同一台物理机上等，由此产生的虚拟机放置算法，尽量满足用户的SLA。

所有上述的文献都是基于确定的工作负载来研究虚拟机放置问题的，为了使上述这些模型能够提供与应用SLA相符合的解决方案，模型中的负载参数通常采用的是各应用负载的高峰时期(如最大或是99％)，这就会导致1DC在很长时间内，都处于低资源利用率、高能耗的状态中。为解决这一问题，文献[16]研发了一个自动控制的框架，该框架能够根据用户特定的策略并遵从某些限制(如兼容的软件、合适的CPU类型、相似的网络连接性、共享存储的使用等)，来动态的对虚拟机进行迁移。为了解决服务水平目标，文献[17-1提出了一个在负载动态变化的环境中，能够自动迁移虚拟机的资源控制系统。他们提出的方法分为两部分：①一个能够动态判定应用等级性能和通过虚拟机的反馈来分配资源的网上模型评估器；

②一个自适应的控制端．它能够动态地计算和分配资源。文献[18]通过预测云承载的应用的负载，动态的改变虚拟机的大小，尽量减少违反应用的SLA，同时尽量使用少的物理机来满足所有的虚拟机资源要求。

目前，对虚拟机放置模型和算法的研究虽然数目众多，但是大部分都存在可扩展性差、实际有效性低、目标单一化等问题，依然存在很大的优化空间。虚拟机放置问题涉及到虚拟机到物理机的映射，对于绝大多数现有算法而言是一个NP难问题，复杂度过高，随着IIX；规模的扩张，求得可行的解几乎是不可能完成的任务。在动态环境下，如何实现多种不同放置策略的平衡，实现lT资源的集约共享，降低能源消耗，同时探索低复杂度、高效率、近似优化的虚拟机放置算法，是一个亟待解决的问题。在未来，期望探索出一种多目标优化的、自适应的虚拟机放置模型，综合考虑并权衡取舍资源利用率、能耗、sLA、网络流量、虚拟机迁移代价、用户自定义策略等多方面情况，根据虚拟机的动态变化情况自适应的调整放置方案；并且，需要提出一种快速、简便的放置算法，在尽可能短的时间内获得一个尽量优的