大规模虚拟服务器集群性能与能耗高效自主控制研究

The efficient power and performance control of large-scale servers cluster has been paid great attention in both academia and industry. Virtualization technology provides a promising approach for efficiently managing the power and performance of servers via advanced resource management and living migration, hence it becomes the research hotspot recently. However, for existing control solutions in virtualized environment, they always show instability and inefficiency issues due to dynamic and burst web workloads. In order to solve this problem, this project plans to propose a novel resource-performance model of virtualized web server, then designs efficient and automatic control of performance and power of large-scale virtualized servers cluster based on the proposed model. Specifically ,the research content includes three aspects: (1) we will simulate the unknown disturbance which affect the performance of web server system, then propose a novel resource-performance dynamic model; (2)in order to realize real-time control of performance and power in small time scale, we plan to design a distributed resource management solution for large-scale virtualized servers clusters via robust control theory; (3)for realizing automatic and coordinated control of performance and power, we plan to research incremental-based virtual machines living migration algorithm. This project has important significance in solving the low efficient performance and power management of server clusters, and accelerating the construction of green data center.

大规模服务器集群低能耗高性能控制方法的研究一直受到学术界和工业界的极大重视。虚拟化技术因其可以对系统资源的动态整合，为高效管理服务器性能和能耗提供了可能性,近年来成为了研究热点。但是已有针对虚拟环境的控制方案，在面对动态和突发负载时往往表现出效率低下和不稳定的缺点。为有效解决这一难题，本项目力求建立新的虚拟服务器资源-性能模型，并以此为基础对大规模虚拟服务器集群的高效性能与能耗自主控制进行设计。具体研究内容包括三个方面：（1）通过对影响Web服务系统性能的未知扰动进行有效模拟，建立新的资源-性能动态模型；（2）基于鲁棒控制理论，设计适用于大规模服务器集群的分布式资源管理方案，在小时间尺度上实现对性能和能耗的实时控制；（3）研究基于增量式的虚拟机在线迁移方法，在较大时间尺度上实现对性能和能耗的自主协同控制。本项目的研究对解决服务器集群高能耗低性能问题，推动绿色数据中心的建设具有重要意义。

研究内容：虚拟Web服务系统建模方法；大规模虚拟服务器集群的资源实时控制方法；高效虚拟机（VMs）在线迁移方法。..主要结果：（1）提出基于ARMAX模型的虚拟服务器资源-性能模型，同时结合稀疏大数据分析领域的隐特征分析方法，从目标函数构建、正则化方法选择、优化角度等角度对Web服务质量预测建模进行了深入的研究，提出基于β-距离函数族的隐特征分析建模方法、结合弹性网络正则化方法的隐特征分析模型以及面向大规模数据的分布式隐特征分析模型，设计了一种集成卡尔曼滤波器与隐特征分析的时变云服务质量预测模型。结果表明，所提出的QoS预测模型在响应时间和吞吐量指标预测方面可以达到更高的精度。（2）提出一种基于自适应控制的云服务器性能自主控制算法，用于对云服务器资源进行实时分配。设计了适用于工业应用的高效自标记半监督分类模型，可用于对大规模Web负载进行分类。进而，提出一种服务等级协议（SLAs）感知的云任务在线调度算法，用于对云计算环境中对大规模动态Web负载进行实时分配。实验结果表明在面对高强度、高动态云负载时，所提出的算法可以大幅度减少提交Web任务的响应时间，同时可以达到不同虚拟机之间的负载均衡。（3）提出一种兼顾性能和能耗的协同虚拟机迁移算法，在虚拟机集群整体耗电量，SLA指标违背率、物理主机关机数量和虚拟机迁移数量方面表现高效。同时，提出一种总能耗最小的预订虚拟机调度方法，实验结果表明相比于主流的能耗调度算法，所提出的算法可以显著降低云数据中心的总体能耗。.考核指标完成情况：在质量和数量上均超过预期。（1）共发表/录用标注期刊论文10篇，会议论文8篇，包括中科院1区论文2篇，2区论文4篇，3区论文1篇。 CCF A 和B 类会议各1篇，CCF C类会议2篇。（2）协同培养研究生7人，2名博士毕业后进入高校工作，其余研究生进入知名IT企业工作。（3）申请发明专利3项。