外文翻译使用卡尔曼滤波器为虚拟服务器提供自适应和自配置的CPU资源配置.doc

使用卡尔曼滤波器为虚拟服务器提供自适应和自配置的 CPU资源配置 摘要：数据中心虚拟化可以使用节约成本的服务器整合，服务器整合不仅能增加系统的吞吐量还能减少电力消耗。虚拟服务器的资源管理是一个重要和富有挑战的任务，特别是当负载变化很大，以及要处理复杂的多层服务器应用时。最近的将控制理论应用到资源管理显示了很好的效果。可以将控制理论应用到动态资源分配以匹配变化的负载。 本文提出了一种新的资源管理方案，将卡尔曼滤波器应用到反馈控制器，来动态地将CPU资源分配给运行着服务器应用程序的虚拟机。这个方法的创新点在于卡尔曼滤波器的使用——最优的状态滤波技术——通过追踪CPU的使用，来相应的更新资源的分配。我们的控制器通过持续的检测来自适应的预测工作负载强度的变化。 我们的控制器不需要任何先验知识。在高强度的工作负载变化下，负载感知的控制器的性能恶化控制在4.8%以下，在中等强度下也表现得很好。另外，我们的控制器在处理多层的服务器应用时性能提高：通过使用在应用程序组件间的成对的资源配对，当出现大量意料外的工作负载的增加时平均服务器性能与没有使用这种方法比时提高3%。我们通过控制一个部署在Xen虚拟化集群的3层Rubis基准程序来评估我们的技术。 分类和主题描述 C.4(系统性能):测量技术,建模技术。 一般术语：管理、测量和性能。 1、引言 由于硬件设施的虚拟化，数据中心的格局正在改变。一台物理服务器可以转成一台或多台虚拟机，这多台虚拟机共享提供的硬件资源，应用程序在这些相互隔离的虚拟机环境中运行。每台虚拟机都有生命周期管理，包括创建，删除，暂停，在物理服务器间迁移和运行时资源分配等管理操作。这些特征允许在应用程序和物理服务器之间资源任意组合，允许提供有效的服务器整合。然而，负载需求经常会随着时间变化，而使得其难以估计。 变化的工作负载会引起种类多样的变化的对于系统组件的资源需求。对于创造一个高性能的服务器整合环境，遵循变化的负载的动态资源分配显得十分重要。事实上，如果每个应用程序能被合理的提供资源，那么额外的资源可以被使用，比如去运行其他的应用程序，或者提高现有系统的吞吐量。 在本文中,我们提出一个创新的控制分配方法,集成卡尔曼滤波技术[7]到一组反馈控制器来动态地为多层虚拟化应用程序提供CPU资源。在仿真环境中卡尔曼滤波器之前已经使用来估计排队模型的参数[17],但是,据我们所知,这是第一次直接使用卡尔曼滤波器跟踪虚拟服务器的CPU利用率,来引导它们的资源分配。 我们将分配问题公式化为CPU利用率追踪问题,控制器旨在追踪和维持CPU资源分配高于CPU实际的利用一段范围。这是一个直观的方法,资源配置时为每个虚拟机分配其需要的资源。将CPU配置保持在一个可参考的输入已被商业产品(例如惠普工作负载管理器) 和其他研究原型[15、11]采纳。然而我们的控制器独有的非常强大的将过滤技术整合到线性反馈控制器。 本文如下部分组织如下。第二节进一步得激励资源配置和我们的方法和卡尔曼滤波器的使用。第三节介绍应用程序性能模型和控制器。第四节描述Rubis基准测试程序和我们的评估平台，并且呈现我们的实验结果。第五节介绍相关工作。最后第六节总结和展望未来。 2、研究目的 资源配置虚拟化技术应用广泛属于两个主要类别:(a)没有约束的； (b)基于约束的。在没有约束的供应时, 每个应用程序能够最大化使用托管服务器的物理能力。这种方法是管理简单,因此易于实现。然而,它并不提供任何应用程序的性能保证,尤其是在争资源的条件下时[11]。任何应用程序都可以控制资源使其余程序处于饥饿状态。此外,由于驻留的应用程序的CPU使用率的不断变化,很难估计每台物理机可用的免费资源,从而使任何方面的整合规划应用程序性能难以落实。 在基于约束的资源配置中,每个应用程序限制使用物理资源的一个子集,流行的方法包括基于限制的和自适应阈值上限的配置的方法。例如,VMware DRS资源管理工具[1]将CPU资源利用率限制在用户配置的上下限间。这种方法的优点是双重的。首先, 由于使用下限保证最低的应用程序的性能。其次,由于所有共存的虚拟机不能超过总资源利用上限,可以估计运行额外的应用程序需要的免费可用资源。虽然基于限制的整合配置是对于保证性能的一种简单而有效的机制,当应用程序运行不同的经常改变的工作负载它可能失效。性能违规行为发生在应用程序需要比上限更多的资源,而当应用程序需要甚至低于它的下限时资源被浪费。 基于自适应上限阈值的资源配置解决这些缺点。在这种情况下,一个VM不断更新可以使用的最大资源。为了总是满足应用程序的性能，为每个应用程序动态分配适应工作负载需求。这种机制允许其他应用程序基于可用的免费资源进行合并。也曾出现过一些系统, 通过控制理论使用这种基本方法 (例如[11