面向异构云计算中心IaaS服务的性能分析模型

Performance analysis of IaaS（Infrastructure as a Service）services in heterogeneous Cloud Computing Centers (CCC) is a critical issue to cloud service providers (CSP). One of the most widely used assessment techniques is analytical modeling. However, the existing approximate analytical methods for modeling traditional data centers did not consider the unique features of CCCs, such as large scale, large parameter number and virtualization. The existing modeling approaches to cloud services either made unrealistic assumptions of CCCs, or did not capture the cloud behaviors accurately, or did not carried out theoretical analysis, such as monolithic model’s ergodicity and algorithm convergence...This project aims to address the deficiencies in the existing modeling approaches to CCCs. We develop efficient and accurate models for heterogeneous large-scale CCC IaaS services by applying the techniques including embedded Markov Chain, hierarchical modeling, and so on. From these developed models, performance metrics for IaaS clouds are defined and the computing methods are developed. The outcome of this project is deemed to be beneficial to quantitatively analyzing various factors’ effects on cloud performance and CCC costs, therefore enhancing the heterogeneous CCC resource management system.

异构云计算中心IaaS（Infrastructure as a Service）服务性能分析是IaaS云服务供应商必须要解决的问题。理论建模是行之有效的性能分析方法，但传统计算系统的模型成果没有考虑云计算中心规模庞大、参数多以及虚拟化等特征；而现有云服务模型成果或者对系统做了不切实际的假设，或者近似精确度较低，或者没有进行理论分析(包括整体模型的遍历性、算法收敛性等)。本项目旨在利用嵌入马尔可夫链和层次建模等技术，解决现有云服务模型成果存在的不足，建立能分析实际异构云计算中心IaaS服务性能的高精度且高效的模型，以此为基础来研究各种性能指标的计算方法，从而定量分析各种因素对云服务性能以及云中心成本的影响，促进异构云计算中心资源分配体系的完善。

IaaS（基础设施即服务）是一种基本云服务，该服务通过构建虚拟机方式来管理和配置物理计算资源。随着用户对云服务的需求越来越高，云服务提供商需要在保障服务质量的情况下，降低各种运行和管理成本，争取在抢占云计算市场中取得先机。随机分析模型是一种有效的性能分析工具。目前，研究者已经提出利用随机模型来评估云数据中心的性能，但很多研究都没有考虑租户请求的异构性和云中心的异构性，例如租户请求具有不同优先级和租户请求资源的异构性质。因此现有研究成果不能客观的描述云数据中心的行为。.本项目针对租户请求的虚拟机服务时间服从一般分布、其他事件发生的间隔时间或持续时间都服从负指数分布、且存在异构物理机和异构租户请求的大规模云数据中心，通过构建能准确并高效分析其真实运作时IaaS服务性能的新型模型，来定量分析各种因素（包括系统参数、资源管理策略等）对IaaS服务性能以及云数据中心成本的影响。性能指标包括租户请求平均响应时间、租户请求立即服务率、租户请求平均等待服务时间和租户请求拒绝率。.本项目的主要成果如下：（1）建立单机单阶段排队系统IaaS服务性能分析的整体模型，并推导性能指标的计算公式；（2）建立批量请求且服务时间为一般分布的单机单阶段排队系统的IaaS服务性能分析的整体模型，并推导性能指标的计算公式；（3）建立单机多阶段排队系统IaaS服务性能分析的交互式模型，并推导性能指标的计算公式；（4）在以上两个模型的基础上，建立高精度的云数据中心IaaS服务性能分析的交互式模型，并推导性能指标的计算公式。项目的研究成果可以扩展到其它云服务的分析，带动其它云服务的发展；对促进异构云数据中心资源分配体系的完善和建立面向大数据的高效云平台有重要推动作用。本项目的项目人员在2016-2019年期间的研究成果已经发表在IEEE Transactions on Cloud Computing、Information Sciences、Reliability Engineering & System Safety、Future Generation Computer Systems和IEEE Internet of Things Journal等领域顶级国际期刊和重要国际会议，共23篇。