基于自适应控制方法的云计算服务器性能管理

随着云计算技术的广泛使用,如何对采用虚拟化技术的云计算服务器的性能进行有效管理,是云计算研究的热点问题之一.论文提出了一种基于自适应控制理论的动态资源控制策略（DRC）,该控制策略在保证服务级别协议的前提下,对运行在服务器上的各个虚拟机进行优化配置,使服务器的硬件资源得到最大化的利用.同时设计了一种新型的自适应线性二次高斯控制器,来应对具有Web应用所面对的动态负载.在基于Xen技术搭建的实验平台上,对服务器的性能在不同工作负载的情况下进行了测试,并与未采用DRC策略的服务器性能进行了对比.实验结果表明,在动态工作负载下,与为采用DRC策略的服务器相比,DRC控制策略能够有效保证不同Web应用的响应时间稳定在设定的参考值.     

云计算环境中虚拟机性能评测工具的研究与设计

介绍了云计算环境中服务器的部署方式及优缺点,总结了传统的服务器性能评测工具的特点,特别是对于云计算场景下的服务器测试方面的不足及存在的问题。基于此,分析了云计算环境中虚拟机性能测试的需求,并提出了虚拟机性能评测方法,主要针对性能评测工具的功能及关键问题进行了比较全面合理的方案设计。     

云环境下基于多目标决策的待整合服务器选择方法研究

虚拟化与云计算技术的结合,帮助云计算供应商构建了更便捷、可靠以及规模更大的新型数据中心.但当服务器数量不断增加时,一些服务器可能会出现低负载的情况,会对资源及能耗造成大量浪费.服务器整合方法可以将多台虚拟机整合到同一台服务器上,关闭空闲的服务器,达到节能目的.但是传统方法选择待整合服务器时,仅将服务器的状态作为选择依据,未考虑部署在上面的虚拟机或者服务的状态.在传统方法的基础上,在选择待整合服务器时考虑了多个关键因素,如虚拟机状态、服务器资源占用率、服务性能等.利用多目标决策的方法选择出最需要整合的服务器,保证整合过程中的总能源消耗及迁移代价最小,并通过实验验证了本文提出方法的合理性和可行性.     

云计算中虚拟机放置的自适应管理与多目标优化

云计算的一个关键需求是其基础设施中大规模虚拟机的放置问题.虚拟机和物理结点之间的映射决定了如何将云计算中虚拟化资源分配给多个Web应用,对云计算系统的性能、能耗和QoS保证有重要影响.文中提出了云计算中虚拟机放置的自适应管理框架,提出了带应用服务级目标约束的虚拟机放置多目标优化遗传算法,用于制定框架中的虚拟机放置策略....     

Web服务系统的性能分析与测试

总结了衡量Web服务性能的重要评价指标,并以Web Server性能测试工具－－SPECweb99为例阐述了测试原理和测试方法。通过性能分析模型和测试实例系统地分析了负载情况、服务器处理能力（着重于动态请求内容的处理方式）、网络带宽等关键因素对Web服务系统性能的影响。这些结论对于提高和改善Web服务性能具有较强的指导意义。     

云环境下基于性能向量的虚拟机部署算法

针对云计算环境下虚拟机部署问题,提出充分考虑了系统负载均衡的PM-LB虚拟机部署算法。首先,采用性能向量,规范化地描述虚拟基础设施性能状况;然后,通过计算待部署虚拟机和服务器性能向量的相对距离,得到待部署虚拟机的匹配向量;最后,将匹配向量与系统负载向量综合分析,得到虚拟机部署结果。在CloudSim环境下进行了实验仿真,实验结果证明,使用所提算法可获得较好的系统负载均衡效果和较高的资源利用率。     

一种能耗-性能协调优化的虚拟机重放置策略

在云计算环境中虚拟机重放置方法方面,现有多数算法通常聚焦单一目标的优化,而聚焦一个单一目标通常会牺牲其他目标来达到最优效果,因此有必要考虑多目标权衡的虚拟机重放置方法。以降低能耗和保证虚拟机的服务质量为目标,提出一种能耗-性能协调的虚拟机重放置优化算法,即能耗-性能优化配合降序最佳适应算法（Energy-Performance awareness best fit descending virtual machine relocating,EPAR）,把资源使用率转化为能耗,同时权衡了能耗和性能之间的关系。该算法在选择重放置虚拟机时使用自回归模型预测下一时间段的性能。通过原型验证,EPAR算法能够在确保虚拟机服务的情况下,有效降低宿主机的能耗,避免不必要的虚拟机的迁移。     

云计算架构下的深层次动态资源调配

云计算是当前学术界和工业界都十分关注的热点,被广泛应用于针对海量数据和用户的大规模计算。云计算的特点要求计算机系统能够提供可伸缩的计算能力,而虚拟化技术正是其中的关键层次,在资源管理、服务器整合、提高资源利用率等方面发挥了巨大的作用。通过虚拟化技术,可以实现一个多层次的资源调度机制,以保证高资源利用率和系统性能:首先面向虚拟机的应用特征建立资源预测模型,然后依据预测结果建立资源分配策略,最终通过虚拟机间的资源动态优化技术,实现在同一物理主机或不同物理主机上虚拟机间动态的资源优化使用。这里,不仅要以物理机的宏观资源利用率作为管理依据,更需要关注虚拟机上应用程序在运行过程中的资源需求变化特征,从而为云计算提供一整套的虚拟化资源优化技术及使用方案,从静态部署、动态预测、单机资源动态调配、多机资源动态均衡调度、在线迁移等多个层次为云计算提供全面、有机的支撑。     

多租户应用的性能管理关键问题研究

SaaS软件交付模式将应用软件以服务的形式提供给客户,可缩减硬件采购、系统管理上的开销.从SaaS服务提供商的角度,如何在维持较高的资源利用率的同时为各个租户提供一定的性能指标保障是一个挑战性问题.文中定义了一个特定的多租户架构--MDSA,并从业务逻辑层和数据处理层两方面探索其性能管理问题,提出了基于延迟的应用级请求调度算法ADRS以及惰性副本管理算法LRM.在业务逻辑层,ADRS通过逐步降低服务需求较大的请求的优先级来避免其对整体性能造成影响.在数据处理层,LRM通过动态调整负载在各个副本之间的分配以及副本在节点间的放置来适应负载的动态变化.文中将典型的Web应用TPC-W转换成多租户应用,并以此为基础进行了实验分析,结果表明了上述算法的可行性和有效性.     

负载相关的虚拟机放置策略

虚拟化技术抽象了物理计算资源层,将系统资源以资源池的方式进行集中管理,不仅提高了硬件资源利用率,而且可以提供按需服务,因此在企业服务器整合、数据中心、云计算平台中得到了广泛应用.为了满足峰值性能,传统多虚拟机系统常采用过量分配策略,因此造成系统资源的浪费.本文通过分析不同虚拟机的负载特征,提出并实现了一个基于负载特征的虚拟机放置策略.本文利用各种虚拟机负载的互补度,进行多次迭代配对,得到由多台虚拟机组成的配对组,对配对组进行统一分配资源.实验表明,本文提出的方法可将资源利用率较传统方法提高37.5％,较非迭代配对方法提高12.5％.在使用更少的物理机的同时,保持虚拟机性能基本不变.     

面向网格的性能工具的研究

Performance is one of the key problems in either high performance computing or GRID application.Performance data must be collected and analyzed for co-allocating resource efficiently,obtaining high performance and fault toleration.Furthermore,with the development of Internet and GRID,the exchange of data between virtual organiz-tions is becoming more and more important,and the type of performance is increasing following the increasing of the resource type,which requires a proper representation of the performance data.This paper does some research on the collection,analysis and representation of the performance data,and presents a Grid-oriented performance tool prototype:THGPT,which can achieve the runtime performance data,describe the data in XML,and implement a browserbased visualization tool of performance data analysis.     

飞行器性能样机虚拟试验系统研究与实现

为实现航天飞行器研制中性能样机模型的充分利用,提出了飞行器性能样机虚拟试验系统的总体方案,通过试验基础数据库、试验数据管理、验证辅助工具、虚拟试验应用等子系统划分和工作流程设计,提供对虚拟试验的全流程支持。系统突破了试验数据对象化管理、试验流程建模等关键技术,并基于虚拟试验支撑平台VITA完成了相应系统实现,在多个飞行器研制过程中开展了典型应用。     

企业级服务器虚拟化性能评估方法

随着计算机硬件性能及虚拟化技术的快速发展,越来越多的企业通过采用服务器虚拟化技术来降低信息中心机房的整合成本,提高硬件利用率。然而,在如何选择最佳的服务器硬件搭建高性能、低成本的虚拟化平台,尤其是在虚拟化应用层面上的性能评估是目前亟需解决的问题之一。介绍了四种服务器虚拟化的性能评估方法,分析比较了不同评估方法的特点和局限及其适用环境,为企业信息中心机房如何更好地去部署实施服务器虚拟化提供建设思路。     

一种基于硬件计数器的虚拟机性能干扰估算方法

虚拟化技术已成为云计算平台中的关键性支撑技术.它极大地提高了数据中心的资源利用率,降低了管理成本和能源消耗,但同时也为数据中心带来了新的问题——性能干扰.同一平台上的多虚拟机过度竞争某一底层硬件资源(如CPU,Cache等),会造成虚拟机性能严重下降;而出于安全性和可移植性的考虑,底层平台管理者需要尽量避免侵入式监测上层虚拟机,因而,如何透明而有效地从底层估算虚拟机性能干扰,成为虚拟化平台管理者必须面临的一个挑战.为应对以上挑战,提出了一种基于硬件计数器的虚拟机性能干扰估算方法.硬件计数器是程序运行期间产生的硬件事件信息(如CPU时间片、缓存失效次数等),已有工作主要利用大规模分布式系统任务相似性查找产生异常硬件计数器数据的节点,而没有探究硬件事件变化与性能干扰之间的直接关系.通过实验研究发现,硬件计数器(last level cache misses rates,简称LLC misses rates)与不同资源需求的应用性能干扰存在不同的关联关系;以此建立虚拟机性能干扰估算模型,估算虚拟机性能.实验结果表明:该方法可以有效地预测CPU密集型应用和网络密集型应用的性能干扰大小,并仅为系统带来小于10%的开销.     

Performance impacts of autocorrelated flows in multi-tiered systems

This paper presents an analysis of the performance effects of burstiness in multi-tiered systems. We introduce a compact characterization of burstiness based on autocorrelation that can be used in capacity planning, performance prediction, and admission control. We show that if autocorrelation exists either in the arrival or the service process of any of the tiers in a multi-tiered system, then autocorrelation propagates to all tiers of the system. We also observe the surprising result that in spite of the fact that the bottleneck resource in the system is far from saturation and that the measured throughput and utilizations of other resources are also modest, user response times are very high. When autocorrelation is not considered, this underutilization of resources falsely indicates that the system can sustain higher capacities.

We examine the behavior of a small queuing system that helps us understand this counter-intuitive behavior and quantify the performance degradation that originates from autocorrelated flows. We present a case study in an experimental multi-tiered Internet server and devise a model to capture the observed behavior. Our evaluation indicates that the model is in excellent agreement with experimental results and captures the propagation of autocorrelation in the multi-tiered system and resulting performance trends. Finally, we analyze an admission control algorithm that takes autocorrelation into account and improves performance by reducing the long tail of the response time distribution.     

高性能计算机系统中可视化负载信息的获取及性能分析工具:THPTii

由于并行应用程序的运行效率往往很低，如何帮助程序员提高性能成为高性能计算中的重要问题，本文介绍了一个基于MPI的性能评价工具，它可以在应用程序运行的同时是收集系统负载信息，跟踪程序流程，根据硬件资源情况对处理机进行分组，并将负载信息和程序流程同时以图形方式展示，程序员可以藉此对并行应用程序运行情况进行监测，分析算法执行过程和系统负载的关系，找出性能瓶颈，发掘应用程序的潜力，最终提高应用程序的性能。     

Affinity-aware modeling of CPU usage with communicating virtual machines

Use of virtualization in Infrastructure as a Service (IaaS) environments provides benefits to both users and providers: users can make use of resources following a pay-per-use model and negotiate performance guarantees, whereas providers can provide quick, scalable and hardware-fault tolerant service and also utilize resources efficiently and economically. With increased acceptance of virtualization-based systems, an important issue is that of virtual machine migration-enabled consolidation and dynamic resource provisioning. Effective resource provisioning can result in higher gains for users and providers alike. Most hosted applications (for example, web services) are multi-tiered and can benefit from their various tiers being hosted on different virtual machines. These mutually communicating virtual machines may get colocated on the same physical machine or placed on different machines, as part of consolidation and flexible provisioning strategies. In this work, we argue the need for network affinity-awareness in resource provisioning for virtual machines. First, we empirically quantify the change in CPU resource usage due to colocation or dispersion of communicating virtual machines for both Xen and KVM virtualization technologies. Next, we build models based on these empirical measurements to predict the change in CPU utilization when transitioning between colocated and dispersed placements. Due to the modeling process being independent of virtualization technology and specific applications, the resultant model is generic and application-agnostic. Via extensive experimentation, we evaluate the applicability of our models for synthetic and benchmark application workloads. We find that the models have high prediction accuracy — maximum prediction error within 2% absolute CPU usage.     

虚拟环境下虚拟机应用性能建模

得益于虚拟化技术的成熟发展, 当下私有云和公有云数据中心已经越来越多的出现在企业、学校和研究机构当中. 相对于物理机, 虚拟机拥有更好的迁移性、可扩展性和相对低廉的购入与维护成本, 所以越来越多的中小创业者倾向于购买虚拟机部署服务. 对于云服务提供者来说, 如何在满足SLA情况下对云环境下或者运行于同一物理资源池上的虚拟机合理分配资源从而实现硬件资源池最大化利用变得越来越重要. 本文分析了影响虚拟环境下虚拟机应用性能的关键参数, 并证明了虚拟机应用性能与硬件资源之间存在着复杂的非线性关系, 通过一种SVD特征拓展+非线性模型的方法对运行于同一物理资源池上的虚拟机应用性能进行建模研究, 实验表明该模型有较好的效果, 并且平均预测误差可以达到12%左右.     

高能物理计算环境中KVM虚拟机的性能优化与应用

高能物理是典型的高性能计算的应用,对CPU计算能力要求很高,并且CPU利用率的高低直接影响高能物理的计算效率.虚拟化技术在实现资源共享和资源高利用率方面表现出很大的优势.基于KVM(Kernel-based Vir-tual Machine)虚拟机进行性能测试和性能优化.首先对KVM虚拟机的处理器、磁盘IO和网络IO等参数进行测试,给出虚拟机和物理机的性能差异和定量分析,然后从KVM虚拟机架构上分析影响KVM性能的各种因素,从硬件级、内核级对影响性能的因素包括扩展页表EPT(Extented Page Table)和CPU的亲和性(CPU affinity)展开研究,以对KVM进行性能优化.优化结果表明,KVM的CPU性能的损失率可以降低至3％左右.最后,给出了高能物理计算的虚拟集群,结果显示虚拟机群的计算性能能够满足高能物理计算的需求.