外文翻譯——使用卡爾曼濾波器為虛擬服務(wù)器提供自適應(yīng)和自配置的CPU資源配置資料(共17頁(yè))

1、使用卡爾曼濾波器為虛擬服務(wù)器提供(tgng)自適應(yīng)和自配置的 CPU資源配置 摘要(zhiyo)：數(shù)據(jù)中心虛擬化可以(ky)使用節(jié)約成本的服務(wù)器整合，服務(wù)器整合不僅能增加系統(tǒng)的吞吐量還能減少電力消耗。虛擬服務(wù)器的資源管理是一個(gè)重要和富有挑戰(zhàn)的任務(wù)，特別是當(dāng)負(fù)載變化很大，以及要處理復(fù)雜的多層服務(wù)器應(yīng)用時(shí)。最近的將控制理論應(yīng)用到資源管理顯示了很好的效果。可以將控制理論應(yīng)用到動(dòng)態(tài)資源分配以匹配變化的負(fù)載。本文提出了一種新的資源管理方案，將卡爾曼濾波器應(yīng)用到反饋控制器，來(lái)動(dòng)態(tài)地將CPU資源分配給運(yùn)行著服務(wù)器應(yīng)用程序的虛擬機(jī)。這個(gè)方法的創(chuàng)新點(diǎn)在于卡爾曼濾波器的使用最優(yōu)的狀態(tài)濾波技術(shù)通過(guò)追蹤C(jī)PU的使用，

2、來(lái)相應(yīng)的更新資源的分配。我們的控制器通過(guò)持續(xù)的檢測(cè)來(lái)自適應(yīng)的預(yù)測(cè)工作負(fù)載強(qiáng)度的變化。我們的控制器不需要任何先驗(yàn)知識(shí)。在高強(qiáng)度的工作負(fù)載變化下，負(fù)載感知的控制器的性能惡化控制在4.8%以下，在中等強(qiáng)度下也表現(xiàn)得很好。另外，我們的控制器在處理多層的服務(wù)器應(yīng)用時(shí)性能提高：通過(guò)使用在應(yīng)用程序組件間的成對(duì)的資源配對(duì)，當(dāng)出現(xiàn)大量意料外的工作負(fù)載的增加時(shí)平均服務(wù)器性能與沒(méi)有使用這種方法比時(shí)提高3%。我們通過(guò)控制一個(gè)部署在Xen虛擬化集群的3層Rubis基準(zhǔn)程序來(lái)評(píng)估我們的技術(shù)。分類和主題描述C.4(系統(tǒng)性能):測(cè)量技術(shù),建模技術(shù)。一般術(shù)語(yǔ)：管理、測(cè)量和性能。1、引言 由于硬件設(shè)施的虛擬化，數(shù)據(jù)中心的格局正在

3、改變。一臺(tái)物理服務(wù)器可以轉(zhuǎn)成一臺(tái)或多臺(tái)虛擬機(jī)，這多臺(tái)虛擬機(jī)共享提供的硬件資源，應(yīng)用程序在這些相互隔離的虛擬機(jī)環(huán)境中運(yùn)行。每臺(tái)虛擬機(jī)都有生命周期管理，包括創(chuàng)建，刪除，暫停，在物理服務(wù)器間遷移和運(yùn)行時(shí)資源分配等管理操作。這些特征允許在應(yīng)用程序和物理服務(wù)器之間資源任意組合，允許提供有效的服務(wù)器整合。然而，負(fù)載需求經(jīng)常會(huì)隨著時(shí)間變化，而使得其難以估計(jì)。變化的工作負(fù)載會(huì)引起種類多樣的變化的對(duì)于系統(tǒng)組件的資源需求。對(duì)于創(chuàng)造一個(gè)高性能的服務(wù)器整合環(huán)境，遵循變化的負(fù)載的動(dòng)態(tài)資源分配顯得十分重要。事實(shí)上，如果每個(gè)應(yīng)用程序能被合理的提供資源，那么額外的資源可以被使用，比如去運(yùn)行其他的應(yīng)用程序，或者提高現(xiàn)有系統(tǒng)的吞

4、吐量。在本文中,我們提出一個(gè)創(chuàng)新的控制分配方法,集成卡爾曼濾波技術(shù)7到一組反饋控制器來(lái)動(dòng)態(tài)地為多層虛擬化應(yīng)用程序提供CPU資源。在仿真環(huán)境中卡爾曼濾波器之前已經(jīng)使用來(lái)估計(jì)排隊(duì)模型的參數(shù)17,但是,據(jù)我們所知,這是第一次直接使用卡爾曼濾波器跟蹤虛擬服務(wù)器的CPU利用率,來(lái)引導(dǎo)它們的資源分配。我們將分配(fnpi)問(wèn)題公式化為CPU利用率追蹤問(wèn)題,控制器旨在追蹤和維持CPU資源分配高于CPU實(shí)際(shj)的利用(lyng)一段范圍。這是一個(gè)直觀的方法,資源配置時(shí)為每個(gè)虛擬機(jī)分配其需要的資源。將CPU配置保持在一個(gè)可參考的輸入已被商業(yè)產(chǎn)品(例如惠普工作負(fù)載管理器) 和其他研究原型15、11采納。然而

5、我們的控制器獨(dú)有的非常強(qiáng)大的將過(guò)濾技術(shù)整合到線性反饋控制器。本文如下部分組織如下。第二節(jié)進(jìn)一步得激勵(lì)資源配置和我們的方法和卡爾曼濾波器的使用。第三節(jié)介紹應(yīng)用程序性能模型和控制器。第四節(jié)描述Rubis基準(zhǔn)測(cè)試程序和我們的評(píng)估平臺(tái)，并且呈現(xiàn)我們的實(shí)驗(yàn)結(jié)果。第五節(jié)介紹相關(guān)工作。最后第六節(jié)總結(jié)和展望未來(lái)。2、研究目的資源配置虛擬化技術(shù)應(yīng)用廣泛屬于兩個(gè)主要類別:(a)沒(méi)有約束的； (b)基于約束的。在沒(méi)有約束的供應(yīng)時(shí), 每個(gè)應(yīng)用程序能夠最大化使用托管服務(wù)器的物理能力。這種方法是管理簡(jiǎn)單,因此易于實(shí)現(xiàn)。然而,它并不提供任何應(yīng)用程序的性能保證,尤其是在爭(zhēng)資源的條件下時(shí)11。任何應(yīng)用程序都可以控制資源使其余程

6、序處于饑餓狀態(tài)。此外,由于駐留的應(yīng)用程序的CPU使用率的不斷變化,很難估計(jì)每臺(tái)物理機(jī)可用的免費(fèi)資源,從而使任何方面的整合規(guī)劃應(yīng)用程序性能難以落實(shí)。在基于約束的資源配置中,每個(gè)應(yīng)用程序限制使用物理資源的一個(gè)子集,流行的方法包括基于限制的和自適應(yīng)閾值上限的配置的方法。例如,VMware DRS資源管理工具1將CPU資源利用率限制在用戶配置的上下限間。這種方法的優(yōu)點(diǎn)是雙重的。首先, 由于使用下限保證最低的應(yīng)用程序的性能。其次,由于所有共存的虛擬機(jī)不能超過(guò)總資源利用上限,可以估計(jì)運(yùn)行額外的應(yīng)用程序需要的免費(fèi)可用資源。雖然基于限制的整合配置是對(duì)于保證性能的一種簡(jiǎn)單而有效的機(jī)制,當(dāng)應(yīng)用程序運(yùn)行不同的經(jīng)常改

7、變的工作負(fù)載它可能失效。性能違規(guī)行為發(fā)生在應(yīng)用程序需要比上限更多的資源,而當(dāng)應(yīng)用程序需要甚至低于它的下限時(shí)資源被浪費(fèi)?；谧赃m應(yīng)上限閾值的資源配置解決這些缺點(diǎn)。在這種情況下,一個(gè)VM不斷更新可以使用的最大資源。為了總是滿足應(yīng)用程序的性能，為每個(gè)應(yīng)用程序動(dòng)態(tài)分配適應(yīng)工作負(fù)載需求。這種機(jī)制允許其他應(yīng)用程序基于可用的免費(fèi)資源進(jìn)行合并。也曾出現(xiàn)過(guò)一些系統(tǒng), 通過(guò)控制理論使用這種基本方法 (例如11)。在本文中,我們提出一個(gè)新的基于理論的vm資源配置管理系統(tǒng),使用一個(gè)簡(jiǎn)單的性能模型和卡爾曼濾波來(lái)跟蹤有噪聲的資源利用率和更新資源配置。我們的方法的創(chuàng)新點(diǎn)在于將過(guò)濾技術(shù)整合到反饋控制器。我們選擇卡爾曼濾波器因

8、為它是最優(yōu)線性濾波技術(shù)，在一定條件下, 即使條件松弛仍具有良好的性能。使用過(guò)濾方法使我們的控制器在不同的工作負(fù)載下操作順利。我們也加深了我們的工作，通過(guò)使用資源組件配對(duì)的耦合多層應(yīng)用程序能更快調(diào)整工作負(fù)載的變化。最后,也是最重要的是, 在沒(méi)有任何先驗(yàn)信息下，我們提供一個(gè)零設(shè)定機(jī)制來(lái)檢測(cè)并適應(yīng)工作負(fù)載條件。3、系統(tǒng)(xtng)本文介紹了3種基于(jy)卡爾曼的反饋控制器：?jiǎn)屋斎雴屋敵?SISO)卡爾曼基本(jbn)控制器,以后記為KBC。這個(gè)控制器動(dòng)態(tài)分配CPU資源給各個(gè)可以獨(dú)立運(yùn)行服務(wù)器應(yīng)用程序,或者是多層應(yīng)用程序的一部分的虛擬機(jī)。多輸入多輸出(MIMO)過(guò)程噪聲協(xié)方差控制器,記為PNCC。該

9、控制器調(diào)整多層應(yīng)用程序的所有虛擬機(jī)的分配,利用兩兩之間的協(xié)方差的VM資源利用率來(lái)捕獲組件之間的相關(guān)性。與KBC控制器相比，PNCC的目的是給多層應(yīng)用程序迅速分配資源。自適應(yīng)MIMO PNCC 或者APNNC。APNCC像PNCC ,對(duì)一個(gè)應(yīng)用程序的所有虛擬機(jī)分別分配CPU資源。然而，它可以自適應(yīng)調(diào)整參數(shù)和自配置來(lái)適應(yīng)不同負(fù)載條件。每個(gè)控制器分配CPU資源給虛擬機(jī)完全基于資源利用觀測(cè)和應(yīng)用程序的性能模型。每個(gè)VM被視為一個(gè)可以運(yùn)行應(yīng)用程序的一層或一個(gè)完整的應(yīng)用程序的黑盒。術(shù)語(yǔ)層、組件和VM在文中交替使用。本節(jié)的其余部分介紹了應(yīng)用程序的性能模型和控制器的設(shè)計(jì)。31 應(yīng)用程序的性能模型控制器使用一個(gè)

10、簡(jiǎn)單的和直觀的使用卡爾曼濾波增強(qiáng)的應(yīng)用程序性能模型來(lái)跟蹤vm的CPU資源利用率?？刂破鲗PU資源分配給虛擬機(jī)時(shí)只需要基于資源使用的觀測(cè)值以及應(yīng)用程序性能模型。我們的性能模型使用已知的觀測(cè)值。當(dāng)服務(wù)器應(yīng)用程序到達(dá)它的服務(wù)飽和點(diǎn)，它的性能，比如請(qǐng)求響應(yīng)時(shí)間，會(huì)迅速惡化。為了維持好的性能，服務(wù)器應(yīng)用程序需要被分配比當(dāng)前的使用值更多的資源。然而，由于變化的工作負(fù)載，將資源分配值維持在高于需求的狀態(tài)往往造成在使用值上的大的偏差。將時(shí)變的CPU使用率作為一個(gè)一維隨機(jī)游動(dòng)的值，建立以下的線性隨機(jī)差分方程： ， (1)其中(qzhng)表示在k時(shí)刻真實(shí)使用(shyng)的占總的CPU的比重，獨(dú)立的隨機(jī)變量表

11、示(biosh)過(guò)程噪聲，并假定它正態(tài)分布。直觀來(lái)看，在一個(gè)服務(wù)器系統(tǒng)，在時(shí)刻k+1的CPU使用率通常會(huì)依賴于k時(shí)刻的CPU使用情況，并在此基礎(chǔ)上加上一定的噪聲以引起變化。如果已知，為了獲得一個(gè)好的應(yīng)用性能，控制器需要將資源分配與使用差值維持在一個(gè)可控的范圍內(nèi)。3.2 控制器設(shè)計(jì)如前所述,我們的控制器使用卡爾曼濾波跟蹤并更新相應(yīng)的分配。這種方法本質(zhì)上使用過(guò)濾技術(shù)來(lái)消除CPU利用率信號(hào)的來(lái)自瞬態(tài)負(fù)載變化的噪音,同時(shí)發(fā)現(xiàn)其主要的波動(dòng)?？柭鼮V波是一種數(shù)據(jù)處理方法, 基于噪聲測(cè)量的以遞歸的方式來(lái)進(jìn)行線性隨機(jī)系統(tǒng)的狀態(tài)估計(jì)7?？柭鼮V波器基于以下兩點(diǎn)假設(shè)：（1）系統(tǒng)能用線性方程表示；（2）過(guò)程和測(cè)量噪

12、聲是高斯白噪聲。同時(shí)也有計(jì)算上的吸引力,因?yàn)樗倪f歸計(jì)算,因?yàn)橄乱粋€(gè)估計(jì)的產(chǎn)生只需要更新后的測(cè)量結(jié)果和先前的預(yù)測(cè)。3.2.1 KBC SISO KBC控制器是單個(gè)vm跟蹤控制器。在本節(jié)提出的所有指標(biāo)是標(biāo)量,指的是單個(gè)組件。定義為分配給VM的CPU資源，為測(cè)量的CPU使用率。建立資源分配模型如下：， (2)相關(guān)的使用率的測(cè)量值模型為： ， (3)其中記為真實(shí)的使用值與分配值之間的差值，可以根據(jù)服務(wù)器應(yīng)用程序或者虛擬機(jī)而更改。獨(dú)立的隨機(jī)變量和分別表示過(guò)程噪聲和量測(cè)噪聲，并假定它們滿足正態(tài)分布： (4) (5)量測(cè)噪聲方差在每一步或者測(cè)量時(shí)都可能會(huì)發(fā)生變化，過(guò)程噪聲方差幾乎肯定會(huì)改變，反應(yīng)了不同的系

13、統(tǒng)動(dòng)力學(xué)。然而在這里，我們假設(shè)在濾波過(guò)程中它們是穩(wěn)定的。方程(2)和(3)描述系統(tǒng)動(dòng)力學(xué), 直接應(yīng)用卡爾曼濾波理論得出為下一個(gè)時(shí)間間隔所需的配置,這里使用跟蹤使用情況vk ，測(cè)量值uk和隨后的分配值ak + 1。這個(gè)過(guò)程如下:被定義為CPU的一個(gè)先驗(yàn)的估計(jì)(gj)分配,即在k時(shí)刻的基于先前測(cè)量的預(yù)測(cè)估計(jì)分配。是一個(gè)后驗(yàn)的CPU分配(fnpi)估計(jì)，即基于新的測(cè)量(cling)值的正確的分配估計(jì)值。類似的，是一個(gè)先驗(yàn)的錯(cuò)誤方差的估計(jì)，是一個(gè)后驗(yàn)估計(jì)。在下一個(gè)k+1時(shí)刻的預(yù)測(cè)的先驗(yàn)分配是： (6)正確的后驗(yàn)估計(jì)是： (7)在時(shí)刻K+1開(kāi)始時(shí)，控制器得到一個(gè)先驗(yàn)分配。如果超過(guò)可用的物理資源,控制器分

14、配最大可用值;因此過(guò)濾器只活躍在工作負(fù)載低于總資源情況即動(dòng)力學(xué)系統(tǒng)是線性時(shí)。實(shí)際和預(yù)測(cè)之間的修正卡爾曼增益測(cè)量是: (8)卡爾曼增益在多次迭代后穩(wěn)定。誤差方差的先驗(yàn)和后驗(yàn)估計(jì)分別為： (9) (10)卡爾曼增益：卡爾曼增益在下一輪計(jì)算分配時(shí)是很重要的。這是一個(gè)Q和R 的函數(shù)，描述了動(dòng)態(tài)系統(tǒng)。一般來(lái)說(shuō)，隨Q和R單調(diào)增加。這可以直觀地解釋:考慮一個(gè)系統(tǒng)與大的過(guò)程噪聲Q。其狀態(tài)經(jīng)歷巨大的變化,這在任何測(cè)量中可以被觀察到。過(guò)濾器應(yīng)該增加對(duì)產(chǎn)生新錯(cuò)誤的信心(預(yù)測(cè)狀態(tài)和測(cè)量之間的差別),而不是目前的預(yù)測(cè),為了跟上高度可變的測(cè)量。因此卡爾曼增益是相當(dāng)大的。另一方面,當(dāng)測(cè)量噪聲R增加,新的測(cè)量包括測(cè)量誤差出現(xiàn)

15、偏差。過(guò)濾器應(yīng)該降低其對(duì)新錯(cuò)誤的信心,在這種情況下,卡爾曼增益值相對(duì)較小。此外,通過(guò)擴(kuò)展Q和R的值，卡爾曼增益值可以使控制器在不同的過(guò)濾模式下運(yùn)作。在第四節(jié)這可以被我們的研究結(jié)果驗(yàn)證。3.2.2 PNCC MIMO PNCC控制器進(jìn)一步擴(kuò)展了KBC控制器，考慮在多層應(yīng)用程序的組件使用率之間的資源配對(duì)。(利用多層不同組件的服務(wù)器相關(guān)組件一起工作以來(lái)為傳入的請(qǐng)求服務(wù))。像KBC,PNCC基于自身的錯(cuò)誤調(diào)整每個(gè)組件的分配。但是此外,使用協(xié)方差過(guò)程噪聲,同時(shí)基于其他組件造成的錯(cuò)誤進(jìn)行調(diào)整。如果n是應(yīng)用程序組件的數(shù)量,那么PNCC平穩(wěn)過(guò)程和測(cè)量噪聲的卡爾曼濾波方程為: (11) (12) (13) (1

16、4) (15) (16) (17)其中(qzhng)和分別分配和使用向量并且每一行對(duì)應(yīng)一個(gè)(y )組件; 是過(guò)程(guchng)噪聲矩陣； 是測(cè)量噪聲矩陣；是對(duì)角矩陣，對(duì)角線上是每個(gè)組件的目標(biāo)值c;和是先驗(yàn)和后驗(yàn)的誤差協(xié)方差矩陣；是卡爾曼增益矩陣； 和分別是平穩(wěn)測(cè)量和過(guò)程噪聲的協(xié)方差矩陣。對(duì)矩陣Q和R,對(duì)角元素對(duì)應(yīng)于每個(gè)組件的過(guò)程和測(cè)量噪聲。矩陣Q的非對(duì)角線元素取決于不同組件之間的過(guò)程噪聲協(xié)方差。同樣, Kk矩陣的非對(duì)角線元素對(duì)應(yīng)于不同組件之間的增益。對(duì)一個(gè)3層應(yīng)用程序來(lái)說(shuō)，舉個(gè)例子，一個(gè)后驗(yàn)值估計(jì)在時(shí)刻k的第一個(gè)組件的配置先驗(yàn)估計(jì)的結(jié)果加上從所有組件的修正，式子如下： (18)本例中的協(xié)方差

17、表示利用率變化組件之間的耦合。3.2.3 適應(yīng)性-PNCC (APNCC)到目前為止,只有平穩(wěn)過(guò)程和測(cè)量噪音被考慮。兩個(gè)控制器可以很容易地?cái)U(kuò)展以適應(yīng)考慮非平穩(wěn)噪聲的操作條件。例如在PNCC控制器的情況下,所有的公式都像以前一樣,但是穩(wěn)定的Q,改用動(dòng)態(tài)Qk。在這種情況下, 根據(jù)每幾個(gè)間隔的最新計(jì)算的方差和協(xié)方差Qk自適應(yīng)配置。因?yàn)槲覀兊臏y(cè)量傳感器很簡(jiǎn)單，測(cè)量噪聲方差被認(rèn)為總是固定的，即3.2.4 方差和協(xié)方差的建模分配被認(rèn)為與使用率成正比。因此我們可以通過(guò)使用方差估算它的過(guò)程噪聲方差Q,然后使用以下公式(var記為方差): (19)使用過(guò)程噪聲對(duì)應(yīng)于使用信號(hào)在連續(xù)時(shí)間幀的演變。直接估算它的方差是

18、困難的,因?yàn)槭褂眯盘?hào)本身是一個(gè)未知的信號(hào),這并不對(duì)應(yīng)可以用數(shù)學(xué)定律描述的任何物理過(guò)程。使用方差可以從CPU利用率的測(cè)量值計(jì)算得到。最后,測(cè)量噪聲方差R對(duì)應(yīng)于測(cè)量值非常接近真實(shí)值的信心。另外，很難計(jì)算額外的CPU使用率。然而,考慮到存在相對(duì)精確的測(cè)量工具,一個(gè)小值(比如R = 1.0)作為一個(gè)好的近似的測(cè)量誤差。像分配方差的計(jì)算, 基于使用協(xié)方差的組件的分配之間的協(xié)方差可以(ky)計(jì)算。如果是組件(z jin)i和j之間的測(cè)量使用值，那么(n me)它們之間的分配協(xié)方差（cov記為協(xié)方差）可以計(jì)算如下： (20)當(dāng)使用KBC或PNCC控制器時(shí),平穩(wěn)過(guò)程方差或協(xié)方差提前離線計(jì)算和在運(yùn)行時(shí)保持不變。

19、APNCC而言,他們是在線計(jì)算，每隔幾個(gè)控制器間隔它們的值更新。不同的方法會(huì)在評(píng)估時(shí)進(jìn)行比較。4、實(shí)驗(yàn)評(píng)估 在本節(jié)中,我們使用運(yùn)行了一個(gè)在不同工作負(fù)載條件下的3層Rubis3基準(zhǔn)測(cè)試程序的拍賣web服務(wù)器的原型虛擬集群來(lái)評(píng)估控制器。4.1.1 原型虛擬化集群圖1:虛擬原型和控制系統(tǒng)。控制器模塊之間的實(shí)線,Rubis服務(wù)器系統(tǒng)描述了三個(gè)KBC SISO控制器。MIMO控制器在虛線矩形中顯示。 圖1演示了原型虛擬化集群由通過(guò)千兆以太網(wǎng)連接的三臺(tái)機(jī)器組成，每個(gè)機(jī)器上運(yùn)行Xen 3.0.2服務(wù)器管理程序4和托管Rubis服務(wù)器應(yīng)用程序。Rubis是一個(gè)原型拍賣web服務(wù)器，建立了eB。每三個(gè)服務(wù)器組件

20、-Tomcat web服務(wù)器,JBoss應(yīng)用服務(wù)器和MySQL數(shù)據(jù)庫(kù)服務(wù)器-被部署在不同的運(yùn)行一個(gè)單獨(dú)的虛擬機(jī)的物理機(jī)器上。第四個(gè)主機(jī)運(yùn)行Rubis客戶端模擬器，用于生成請(qǐng)求。在本文中,我們使用兩個(gè)混合的工作負(fù)載:瀏覽混合(BR)包含只讀的請(qǐng)求和投標(biāo)混合(BD),其中包括15%的讀寫(xiě)請(qǐng)求。除非另外聲明，我們主要使用BR?？蛻舳四M器也記錄請(qǐng)求響應(yīng)時(shí)間,用于評(píng)估控制器的性能。我們已經(jīng)建立了兩個(gè)模塊(m kui)來(lái)控制資源管理過(guò)程:管理模塊和控制模塊。周期性得，管理(gunl)模塊提交平均(pngjn)CPU使用?？刂颇K計(jì)算下一個(gè)間隔的分配和通過(guò)使用從Xen導(dǎo)出的CPU調(diào)度程序接口執(zhí)行新分配給指

21、定的vm。我們的原型使用“簡(jiǎn)單EDF”(SEDF)調(diào)度程序配置限制選項(xiàng),沒(méi)有虛擬機(jī)可以使用更多的已經(jīng)被分配的CPU時(shí)間?？刂颇K和客戶端模擬器運(yùn)行在同一臺(tái)機(jī)器上。本文對(duì)能控制CPU分配給虛擬服務(wù)器應(yīng)用程序的卡爾曼濾波器的性能進(jìn)行評(píng)估。為了確保服務(wù)器性能完全取決于控制器的CPU分配,要采取某些操作。所有機(jī)器有兩個(gè)CPU,每個(gè)物理機(jī)有2個(gè)固定一個(gè)單獨(dú)的CPU的vm。這個(gè)簡(jiǎn)單的設(shè)置使我們能夠研究控制器(s)分配對(duì)服務(wù)器性能的影響而不用擔(dān)心調(diào)度時(shí)運(yùn)行虛擬機(jī)之間由于共享相同的CPU造成的影響。最后,對(duì)于所有的實(shí)驗(yàn)，當(dāng)?shù)谝淮蝿?chuàng)建時(shí)每個(gè)VM分配要求的內(nèi)存并且分配保持不變。網(wǎng)絡(luò)帶寬也會(huì)被測(cè)量,但從來(lái)不是一個(gè)瓶

22、頸。4.2 預(yù)備知識(shí) 本節(jié)描述實(shí)驗(yàn)方法和設(shè)置這些參數(shù)的值(即控制器間隔,c,方差/協(xié)方差),保持這些值在幾個(gè)實(shí)驗(yàn)中相同。評(píng)價(jià)主要使用了兩個(gè)工作負(fù)載的實(shí)驗(yàn):工作負(fù)載W0(t1,t2,t3):在這個(gè)實(shí)驗(yàn)中,300個(gè)客戶在3個(gè)時(shí)間間隔發(fā)出請(qǐng)求。在t1 間隔,另外300客戶添加直到t2間隔。所有請(qǐng)求屬于BR混合。這個(gè)實(shí)驗(yàn)?zāi)M中等強(qiáng)度的工作負(fù)載因?yàn)橛袃蓚€(gè)工作負(fù)載變化，客戶的數(shù)量在剩下的實(shí)驗(yàn)中保持不變。 每個(gè)實(shí)驗(yàn)結(jié)果由兩個(gè)圖呈現(xiàn)(如圖所示。稍后,圖2)。第一個(gè)圖表顯示對(duì)應(yīng)的平均Tomcat組件利用率和平均每個(gè)時(shí)間間隔的分配(記為圖中的樣本點(diǎn))。由于篇幅限制,JBoss和MySQL的圖表都省略了，但是它們都

23、給出了類似的結(jié)果。第二個(gè)圖展示了服務(wù)器性能: 對(duì)每個(gè)控制器的時(shí)間間隔(以秒為單位)的平均響應(yīng)時(shí)間(以下表示為mRT)。mRT的值不是用來(lái)控制分配值的;而它們僅提供服務(wù)器性能的圖形表示形式。每個(gè)控制器的能力評(píng)估:(a)遵循利用率(b)在工作負(fù)載變化下保持良好的服務(wù)器性能。當(dāng)服務(wù)器組件能充分供應(yīng)任何工作負(fù)載類型時(shí)，服務(wù)器使請(qǐng)求mRT1秒。這是服務(wù)器期望達(dá)到的性能水平，使控制器動(dòng)態(tài)配置資源和以后對(duì)控制器的性能進(jìn)行評(píng)估。工作負(fù)載W1：在這個(gè)實(shí)驗(yàn)中60個(gè)時(shí)間間隔總共有200客戶發(fā)出請(qǐng)求(qngqi)。在第30 個(gè)間隔,600個(gè)客戶請(qǐng)求在未來(lái)30個(gè)間隔被添加。所有請(qǐng)求屬于BR混合。這個(gè)實(shí)驗(yàn)?zāi)M不可預(yù)知的大

24、量的工作量的增加,用于評(píng)估當(dāng)組件最有可能飽和時(shí)的控制器性能?？刂破鞯男阅軝z查期間只從30到50之間的變化,直到服務(wù)器將增加(zngji)的工作負(fù)載處理完。我們使用三個(gè)評(píng)價(jià)指標(biāo),所有這些石在一段時(shí)間內(nèi)的幾個(gè)間隔內(nèi)計(jì)算得到的。CR:已經(jīng)完成(wn chng)的請(qǐng)求數(shù)NR：請(qǐng)求響應(yīng)時(shí)間mRT=1s的請(qǐng)求數(shù)比上CRRMSE:使用值預(yù)測(cè)的均方根誤差其中l(wèi)是請(qǐng)求響應(yīng)時(shí)間，N記為總的請(qǐng)求數(shù)CR和NR指標(biāo)給出在一段時(shí)間內(nèi)總數(shù)量超過(guò)請(qǐng)求特征。在相同類型和持續(xù)時(shí)間的實(shí)驗(yàn)中，當(dāng)NR或CR的值增加,服務(wù)器的性能得到了改善。RMSE度量提供了一個(gè)更詳細(xì)的請(qǐng)求的響應(yīng)時(shí)間。預(yù)測(cè)值時(shí)對(duì)特定數(shù)量的客戶的mRT。由于當(dāng)前系統(tǒng)不預(yù)

25、測(cè)單個(gè)請(qǐng)求響應(yīng)時(shí)間,RMSE使用mRT。因此,模型預(yù)測(cè)之間都會(huì)存在一個(gè)錯(cuò)誤(mRT)和測(cè)量響應(yīng)時(shí)間。一般來(lái)說(shuō),RMSE值越小，響應(yīng)時(shí)間越接近mRT，服務(wù)器性能就越好。三個(gè)指標(biāo)CR、NR和RMSE的組合能提供足夠的信息來(lái)比較不同的控制器。4.2.1 控制器間隔以5或10為間隔。這些間隔選擇,因?yàn)槿绻褂貌蓸拥钠骄寐?那么這是非常接近實(shí)際長(zhǎng)期的系統(tǒng)利用率的平均值的(例如100s)。因此,這些解決方案不太粗略地描述了系統(tǒng)性能，由于系統(tǒng)測(cè)量仍然不能帶來(lái)很大的開(kāi)銷。本文評(píng)估使用5 s為間隔。4.2.2 參數(shù)c 實(shí)驗(yàn)參數(shù) 是真實(shí)的使用值與分配值之間的差值，可以根據(jù)服務(wù)器應(yīng)用程序或者虛擬機(jī)而更改。這里令

26、c=60%。雖然c似乎過(guò)低，會(huì)存在可分配的資源的“浪費(fèi)”，但是這個(gè)值能盡量避免引起資源的飽和從而能更好的研究控制器的性能。可以發(fā)現(xiàn)當(dāng)分配的資源數(shù)量接近真實(shí)的使用值時(shí)，服務(wù)性能會(huì)迅速惡化，所以，一個(gè)較低的c能很好的避免由資源飽和引起的問(wèn)題。4.2.3 方差和協(xié)方差KBC和PNCC控制器使用離線方式計(jì)算過(guò)程方差和協(xié)方差，這對(duì)于計(jì)算卡爾曼收益很有必要。它們的值計(jì)算基于公式(16)和(17)，使用來(lái)自一個(gè)實(shí)驗(yàn)固定的工作負(fù)載的40間隔內(nèi)有600個(gè)客戶的測(cè)量值,重復(fù)十次統(tǒng)計(jì)結(jié)果,每個(gè)組件分配了100%的CPU。分配方差是：var(Tomcat, JBoss, MySQL)=(79,13.19, 132).

27、這些值在之后記為Q0.分配協(xié)方差是：cov(Tomcat, JBoss)= 6.5,cov(Tomcat, MySQL)=14.05, and cov(JBoss, MySQL)=5.分配協(xié)方差矩陣包含上述值，記為Q0. 因?yàn)樗呛茈y甚至不可能計(jì)算所有Q0 和Q0值混合工作負(fù)載的所有可能的組合,這些數(shù)字在不同的工作負(fù)載下是作為一個(gè)KBC和PNCC控制器使用時(shí)的近似值。最后(zuhu),測(cè)量噪聲方差被設(shè)置為一個(gè)較小的值(比如R = 1.0)，因?yàn)橛邢鄬?duì)準(zhǔn)確的VM CPU測(cè)量工具。這個(gè)值可以(ky)作為一個(gè)(y )好的可能的測(cè)量誤差的近似。4.3 KBC圖2說(shuō)明了在W0(20、40、60)實(shí)驗(yàn)中K

28、BC分配和服務(wù)器性能,初始分配設(shè)置為100%。每個(gè)控制器跟蹤使用波動(dòng)和相應(yīng)地調(diào)整分配,因此控制系統(tǒng)的首要目標(biāo)可以實(shí)現(xiàn)。圖2(b)描述了每個(gè)間隔的mRT，大部分的時(shí)間間隔時(shí)mRT在1s以下。87.92%的請(qǐng)求響應(yīng)時(shí)間1s。系統(tǒng)的第二個(gè)目標(biāo)保持良好的服務(wù)器性能也實(shí)現(xiàn)了。mRT超過(guò) 1 s時(shí)，表示一個(gè)或多個(gè)組件CPU飽和;這是標(biāo)準(zhǔn)的Rubis行為。每個(gè)KBC控制器調(diào)整配置來(lái)匹配任何瞬態(tài)利用率的變化。這是由于KBC卡爾曼的高值增益(表1第二列),使每個(gè)控制器增加信心使用新的觀察值跟隨它們而不是舊的預(yù)測(cè)。盡管這樣控制器對(duì)任何工作負(fù)載變化能更迅速地作出反應(yīng),他們也會(huì)做不必要的分配調(diào)整,這可能導(dǎo)致臨時(shí)組件出

29、現(xiàn)飽和。表1 KBC卡爾曼增益圖2：Q0值下的KBC性能圖3：Q0/400值下的KBC性能(xngnng)圖4：Q0/400值下的PNCC性能(xngnng)為了緩解這種局面,KBC可以配置為運(yùn)行不同的工作(gngzu)負(fù)載模式。例如,圖3顯示了一個(gè)W0(20、40、60)實(shí)驗(yàn),卡爾曼收益(表1第三列)配置比以前更小的值(稍后解釋)。在后面的實(shí)驗(yàn)中,控制器減少對(duì)新的測(cè)量值的信心和它們遵循不那么咄咄逼人的使用值模式。服務(wù)器現(xiàn)在的性能更穩(wěn)定，沒(méi)有那么多mRT尖峰?？偟膩?lái)說(shuō),請(qǐng)求響應(yīng)時(shí)間mRT1 s比例已經(jīng)增加到89.6%。將卡爾曼濾波集成到一個(gè)反饋控制器的優(yōu)點(diǎn)不僅體現(xiàn)在不同濾波模式下，而且這是基于

30、來(lái)自應(yīng)用程序資源利用率本身得信息而不是依靠ad-hoc方法或系統(tǒng)識(shí)別分析。KBC控制器基于取決于過(guò)程和測(cè)量噪聲方差Q和R的增益在不同的過(guò)濾模式下工作。在圖3中，過(guò)程噪聲方差被設(shè)定為Q0/400，比R的值還小?？刂破骺紤]負(fù)載波動(dòng)/噪音來(lái)自測(cè)量本身,于是更有信心追隨使用率的變化,因此選擇在平滑濾波模式下工作。因此,通過(guò)簡(jiǎn)單的縮放Q0的值,2者都體現(xiàn)關(guān)于工作負(fù)載使用率的信息, 實(shí)現(xiàn)了不同濾波模式。然而,當(dāng)配置為過(guò)濾掉噪音時(shí),控制器對(duì)大量增加的工作量響應(yīng)緩慢; 圖3(b)比在圖2中的KBC(b)中有更多mRT尖峰在第20個(gè)間隔時(shí)出現(xiàn)?？刂破鞑荒軈^(qū)分一個(gè)小工作負(fù)載波動(dòng)和大量工作負(fù)載變化。之后PNCC控制

31、器評(píng)估會(huì)解決這個(gè)問(wèn)題。4.4 PNCC通過(guò)考慮所有組件的資源耦合,即使它是基于平穩(wěn)過(guò)濾模式，PNCC控制器設(shè)計(jì)能快速為多層服務(wù)器工作負(fù)載的變化進(jìn)行響應(yīng)。圖5:在W1時(shí)PNCC與KBC的對(duì)比(dub)實(shí)驗(yàn)。百分比顯示在KBC和PNCC應(yīng)用(yngyng)t檢驗(yàn)后90%可信區(qū)間，每種情況(qngkung)下代表的絕對(duì)指標(biāo)差異。對(duì)每個(gè)x值重復(fù)20次實(shí)驗(yàn)。圖4顯示了在W0(20、40、60)試驗(yàn)下PNCC控制器分配資源情況;Q矩陣被設(shè)置為離線計(jì)算的值Q0再除以400。數(shù)據(jù)顯示,PNCC不僅跟蹤主要資源使用情況的波動(dòng),而且能夠比之前的KBC控制器更快適應(yīng)工作負(fù)載的增加。下面的圖4(b)說(shuō)明能在工作量增加

32、時(shí)mRT保持低于1 s。PNCC能比KBC控制器更快適應(yīng)工作負(fù)載的變化，來(lái)自于資源利用矩陣Q組件之間的協(xié)方差。每個(gè)組件的最終分配是自己的誤差加上來(lái)自其他組件誤差的結(jié)果。例如,Tomcat配置結(jié)果來(lái)自自身的誤差(乘以Tomcat增益)以及來(lái)自JBoss (乘以Tomcat-JBoss增益)和MySQL(乘以Tomcat-MySQL增益)的控制錯(cuò)誤。被Tomcat組件使用的卡爾曼增益值如圖4所示: (Tomcat, Tomcat-JBoss, Tomcat-MySQL)= (0.38,0.0012,0.0025).4.4.1 W1對(duì)比PNCC控制器的性能隨著工作負(fù)載變化調(diào)整，現(xiàn)在對(duì)不同過(guò)濾模式進(jìn)行

33、測(cè)試。協(xié)方差矩陣Q除以x，x記為阻尼系數(shù)，取值如下X=(x8,10,40,80,100,400).這些值的選擇使卡爾曼增益從相對(duì)較大到較小值，有一個(gè)范圍。在X中大的x值不顯著改變卡爾曼增益值,因此沒(méi)有用于評(píng)估。圖5顯示了PNCC與KBC之間的性能差異,使用了所有在W1實(shí)驗(yàn)中三個(gè)指標(biāo)來(lái)衡量。隨著阻尼系數(shù)x增加，兩種控制器的性能都下降了(CR和NR下降，RMSE增加)。這是因?yàn)榭柭找鏈p少,所有控制器變得對(duì)預(yù)測(cè)值不那么自信,因此它們很慢地適應(yīng)日益增長(zhǎng)的資源需求。然而, 在考慮這三個(gè)指標(biāo)和x的所有值時(shí)，PNCC控制器等于或改善KBC控制器的性能。CR指標(biāo)的平均改善是3%。事實(shí)上, 隨著x值的增加，

34、PNCC對(duì) KBC的性能改進(jìn)增加了。在這些情況下,使控制器對(duì)負(fù)載變化緩慢的較小的卡爾曼收益使PNCC對(duì)KBC的改進(jìn)更明顯。在所有情況下,PNCC對(duì)工作負(fù)載的變化響應(yīng)速度比KBC控制器快,因?yàn)樗怂薪M件的錯(cuò)誤。4.5 APNCCKBC和PNCC控制器使用離線方式(fngsh)計(jì)算方差和協(xié)方差。本節(jié)評(píng)估自適應(yīng)的PNCC控制器(APNCC)，通過(guò)使用測(cè)量值在線估計(jì)協(xié)方差矩陣Q。這種控制器的優(yōu)點(diǎn)是它能自配置其參數(shù)來(lái)適應(yīng)(shyng)工作負(fù)載動(dòng)力學(xué)。APNCC的初始評(píng)估是使用(shyng)類似的W0實(shí)驗(yàn)，其中混合工作負(fù)載強(qiáng)度和變化如圖6所示。這個(gè)實(shí)驗(yàn)運(yùn)行時(shí)間比之前長(zhǎng)，基于滑動(dòng)窗口機(jī)制卡爾曼增益更新

35、,使用了過(guò)去10間隔的測(cè)量。在所有情況下控制器使用Q / 40的值?？刂破髟诓煌?fù)載條件下跟蹤利用率變化,即不同的混合工作負(fù)載和客戶數(shù)量; 在多數(shù)時(shí)間間隔里mRT1 s，89.58%的請(qǐng)求響應(yīng)時(shí)間1s。響應(yīng)時(shí)間的峰值 (圖6(b)是由于瞬態(tài)JBoss CPU的增加,由Rubis的基準(zhǔn)測(cè)試程序引起,導(dǎo)致JBoss組件飽和。在線計(jì)算的卡爾曼增益值如圖6所示(c)。相同的圖也描述了卡爾曼收益，當(dāng)600個(gè)客戶離線方式計(jì)算(虛線)供參考。如圖所示在間隔60120時(shí)客戶的數(shù)量增加到600，增益值也增加了。適應(yīng)機(jī)制捕捉工作負(fù)載變化，更新相應(yīng)的控制器參數(shù)。圖6：在Q0/400值時(shí)，APNCC性能圖7: 在W0

36、(40,80,120)PNCC和APNCC的對(duì)比實(shí)驗(yàn)。百分比在PNCC與 APNCC控制器應(yīng)用t檢驗(yàn)后95%可信區(qū)間，每種情況下顯示的指標(biāo)差異比例的。一個(gè)積極跡象表明APNCC情況的度量值高于PNCC的情況下。一個(gè)負(fù)號(hào)顯示了相反的結(jié)果。4.5.1 W0對(duì)比我們比較在不同過(guò)濾模式下的APNCC與 PNCC的W0實(shí)驗(yàn)。為不同的阻尼值xX和不同的控制器,一個(gè)W0(40,80,120)實(shí)驗(yàn)重復(fù)5次。當(dāng)使用APNCC時(shí)，協(xié)方差矩陣Q每10個(gè)間隔被估計(jì)一次。結(jié)果如圖7所示。根據(jù)CR和NR指標(biāo),自適應(yīng)的APNCC性能表現(xiàn)與工作負(fù)載感知的PNCC一樣好。最后,在RMSE情況下,對(duì)所有的x值，沒(méi)有其他控制器表現(xiàn)

37、得更好。4.5.2 W1對(duì)比(dub)這里我們測(cè)試APNCC適應(yīng)大量增加的工作量的方式。圖8描述了在一個(gè)W1實(shí)驗(yàn)x = 8，APNCC對(duì)這三個(gè)應(yīng)用程序組件的卡爾曼收益。在開(kāi)始(kish)的10個(gè)間隔里，APNCC收益將設(shè)定為PNCC離線計(jì)算的值。對(duì)每個(gè)后續(xù)間隔，收益基于滑動(dòng)窗口機(jī)制進(jìn)行更新,使用過(guò)去10間隔的使用測(cè)量值。圖8顯示了APNCC在兩個(gè)工作負(fù)載條件下(即在上半個(gè)實(shí)驗(yàn)有200個(gè)客戶(k h)和在下半個(gè)實(shí)驗(yàn)有800個(gè)客戶)調(diào)整增益值。此外,在負(fù)載變化期間, 因?yàn)槭褂梅讲畹淖兓找嬖黾恿?。在變化期間,APNCC收益在沒(méi)有任何先驗(yàn)知識(shí)情況下隨著工作量增加而調(diào)整,而只是使用利用率的變化。圖9:

38、 在W1中PNCC和APNCC的對(duì)比實(shí)驗(yàn)。百分比在APNCC與PNCC t檢驗(yàn)后95%的置信區(qū)間在每種情況下顯示的絕對(duì)指標(biāo)差異。對(duì)每個(gè)x值重復(fù)20次實(shí)驗(yàn)。圖8：x=8時(shí)，APNCC的卡爾曼增益我們進(jìn)一步在不同濾波模式下xx評(píng)估APNCC。隨著PNCC同等的性能實(shí)驗(yàn)進(jìn)行比較，結(jié)果在圖9中顯示。如圖所示的評(píng)價(jià)指標(biāo),隨著x增加 APNCC性能降低。這是與以前的觀測(cè)情況差不多的,因?yàn)殡S著x增加,APNCC在平滑濾波模式下工作,并因此對(duì)變化響應(yīng)變慢。有趣(yuq)的是注意到,當(dāng)在相同(xin tn)x值時(shí)比較(bjio)PNCC和APNCC控制器，APNCC性能略有降低。這是因?yàn)楣ぷ髫?fù)載變化時(shí),PNCC

39、離線增益值大于APNCC在線估計(jì),如圖8所示。這使得PNCC對(duì)工作負(fù)載變化反應(yīng)更快。然而,盡管在工作負(fù)載增加開(kāi)始時(shí)APNCC增益較小,APNCC檢測(cè)到變化并相應(yīng)進(jìn)行調(diào)整。顯示表明,其性能就CR而言平均只有4.8%比PNCC低。PNCC離線收益計(jì)算僅為一個(gè)單獨(dú)的工作負(fù)載類型,不能捕獲服務(wù)器應(yīng)用程序中使用率變化的范圍。APNCC適應(yīng)大量增加的工作負(fù)載導(dǎo)致了一致的良好行為,而PNCC性能取決于離線收益與獲取的工作負(fù)載的變化的接近程度。APNCC不需要任何特殊的機(jī)制來(lái)檢測(cè)大量的工作量的增加。這個(gè)控制器, 相同對(duì)待所有工作負(fù)載的變化,自動(dòng)適應(yīng)增益來(lái)描述工作負(fù)載變化的重要性。最后,當(dāng)調(diào)優(yōu)APNCC控制器,

40、本質(zhì)上可以選擇一個(gè)x值，控制器仍將調(diào)整其增益來(lái)捕捉任何后續(xù)工作負(fù)載的變化。5、相關(guān)工作51 集中控制的資源供應(yīng)單層應(yīng)用程序:15, 18 目前的反饋控制器分配單層Apache服務(wù)器的CPU資源，服務(wù)器上運(yùn)行著hp ux PRM資源容器。這些包括(a)一個(gè)積分線性控制器，系統(tǒng)分析確定的基于CPU分配的線性關(guān)系，調(diào)節(jié)相反的mRT;(b)一個(gè)非線性控制器，調(diào)節(jié)相對(duì)利用率;和(c)上述情況的組合。與這些方法相比,我們的基于卡爾曼的控制器都是線性的,是基于一個(gè)簡(jiǎn)單而普遍適用的CPU利用率模型。多層應(yīng)用程序：多層服務(wù)器應(yīng)用程序的控制也獲得了關(guān)注。文獻(xiàn)11一個(gè)2層控制器調(diào)節(jié)相對(duì)利用率，兩層虛擬化Rubis服

41、務(wù)器的兩個(gè)實(shí)例共同運(yùn)行在2個(gè)物理服務(wù)器上。作者利用15的第一層控制器調(diào)節(jié)相對(duì)利用每一層和二層控制器，使用QoS分化指標(biāo)進(jìn)一步調(diào)整分配的CPU爭(zhēng)用。Wang等14提出一個(gè)3層嵌套控制設(shè)計(jì)，來(lái)控制3層Rubis應(yīng)用程序的CPU。兩個(gè)內(nèi)循環(huán)類似于18。外循環(huán)提供了相應(yīng)的利用情況的更好的近似，每層的mRT由事務(wù)混合性能模型計(jì)算得到。使用一個(gè)簡(jiǎn)單的CPU資源耦合性能模型，我們的MIMO控制器實(shí)現(xiàn)跟蹤，它能在線更新而不是依賴于特定的應(yīng)用程序的事務(wù)混合。 Liu等10 在共享虛擬化集群出現(xiàn)爭(zhēng)用的情況下解決資源共享的問(wèn)題。它們的控制器分配CPU資源是基于在過(guò)載區(qū)域存在的QoS的響應(yīng)時(shí)間。我們的MIMO卡爾曼控

42、制器使用在線資源(容易派生)的可度量的CPU利用率耦合模型。5.2 其他解決方案除了控制理論,其他技術(shù)也被用來(lái)在虛擬化環(huán)境中管理資源。例如，徐等16提出一個(gè)2層資源管理系統(tǒng)，在滿足它們的sla下最小化單層應(yīng)用程序的資源消耗,同時(shí)使用模糊(m hu)建模最大化效用函數(shù)的共享資源的收入的利潤(rùn)。在6中,作者使用混合方法，排隊(duì)模型和優(yōu)化技術(shù)來(lái)決定整合的虛擬化應(yīng)用程序組件的位置。5.3 非虛擬化集群在虛擬化被廣泛采用前,其他系統(tǒng)被開(kāi)發(fā)來(lái)管理(gunl)資源復(fù)用。在這里我們簡(jiǎn)要討論一些以前的CPU資源分配方法。在Sharc12中, 基于過(guò)去的觀測(cè)一個(gè)以指數(shù)加權(quán)的移動(dòng)(ydng)平均(EWMA)過(guò)濾器被用來(lái)

43、估計(jì)未來(lái)CPU和網(wǎng)絡(luò)帶寬資源。過(guò)濾器使用靜態(tài)分配參數(shù),可以在一系列的工作模式下積極適應(yīng)變化的觀測(cè)信號(hào)(敏捷過(guò)濾器),或者在瞬態(tài)波動(dòng)(穩(wěn)定過(guò)濾器)下變得平穩(wěn)。然而,這種過(guò)濾一次只能在一個(gè)模式下工作,因此是不適應(yīng)不同的操作條件。為了解決上述局限性,Chase等5使用基于類似9的一個(gè)flop-flipfilter過(guò)濾器。flop-flip過(guò)濾器使用在30s窗口的估計(jì)的移動(dòng)平均值,如果估計(jì)失敗在標(biāo)準(zhǔn)差以外,它切換到新的移動(dòng)平均線。作者用這個(gè)過(guò)濾器來(lái)緩和尤其是突發(fā)性信號(hào)?？柭刂破鞑皇褂妙A(yù)設(shè)值能動(dòng)態(tài)適應(yīng)操作條件。因此,他們更容易部署和完成要求的最小配置。Urgaonkaret等13使用一個(gè)分析狀態(tài),在

44、真實(shí)的工作負(fù)載下運(yùn)行應(yīng)用程序獲得其資源利用分布。作者還建議定期在線更新資源的分布。我們的自適應(yīng)控制器不使用離線測(cè)量值,而只在短期觀察下進(jìn)行工作負(fù)載利用率的預(yù)測(cè)。6、結(jié)論和未來(lái)的工作 虛擬化集群的高整合需要服務(wù)器應(yīng)用程序的自適應(yīng)資源管理?？刂评碚撘驯挥糜诨谶^(guò)去使用值的觀測(cè)來(lái)調(diào)整CPU分配。本文介紹了卡爾曼濾波器的集成到動(dòng)態(tài)反饋控制器來(lái)實(shí)現(xiàn)分配多層虛擬化服務(wù)器的CPU資源。實(shí)驗(yàn)結(jié)果表明：(a)過(guò)濾使用情況的信號(hào)使我們能夠按照工作負(fù)載變化而不受到瞬態(tài)波動(dòng)的影響, (b)我們的自適應(yīng)控制器使用過(guò)去使用情況的觀察值和自適應(yīng)的負(fù)載條件，參數(shù)在線配置。我們打算進(jìn)一步評(píng)估我們對(duì)高性能的控制器整合。7、參考文

45、獻(xiàn)1 VMware Distributed Resource Scheduler (DRS). /pdf/vmware_drs_wp.pdf,2008.2 V. Almeida, M. Arlitt, and J. Rolia. Analyzing a Web-Based Systems Performance Measures at Multiple Time Scales.SIGMETRICS Performance Evaluation Review, 30(2):39, 2002.3 C. Amza, A. Chandra, A. L. Cox, S. Elnikety, R. Gil

46、, K. Rajamani, W. Zwaenepoel, E. Cecchet, andJ. Marguerite. Specification and Implementation of Dynamic Web Site Benchmarks. InProc. of WWC-5, pages 313, 2002.4 P. Barham, B. Dragovic, K. Fraser, S. Hand, T. Harris, A. Ho, R. Neugebauer, I. Pratt, and A. Warfield. Xen and the Art of Virtualization.

47、In Proc. of SOSP, pages 164177, 2003.5 J.S.Chase,D.C.Anderson,P.N.Thakar,A.Vahdat, and R. P. Doyle. Managing Energy and Server Resources in Hosting Centres. InProc.ofSOSP, pages 103116, 2001.6 G. Jung, K. R. Joshi, M. A. Hiltunen, R. D. Schlichting, and C. Pu. Generating Adaptation Policies for Mult

48、i-tier Applications in Consolidated Server Environments. InProc. of ICAC, pages 2332,2008.7 R. E. Kalman. A New Approach to Linear Filtering and Prediction Problems.Transaction of theASMEJournal of Basic Engineering, 82(Series D):3545, 1960.8 E. Kalyvianaki, T. Charalambous, and S. Hand. Applying Kalman Filter to Dynamically ResourceProvisioning of Virtualized Server Applications. In Proc. of FeBID, pages 3944, 2008.9 M. Kim and B. Noble. Mobile Network Estimation. In Proc. of MobiCom, pages 298309, 2001.10 X. Liu, X. Zhu, P. Padala,