[发明专利]基于负载类型的自适应云服务器能耗测算方法、系统及设备

说明书

本发明涉及一种基于负载类型感知的自适应云服务器能耗测算方法、系统及设备，方法包括：采集服务器监控数据并进行分析和清洗，得到一个离线的负载数据集和一个实时更新的负载数据集；基于离线的负载数据集，使用K‑Means聚类算法进行聚类，得到具有类簇边界的4个负载类型簇；根据类簇边界计算出每个负载类型的资源阈值区间；同时，基于实时的负载数据集，使用ARIMA算法进行预测；将资源阈值区间作为分类判定条件，进行负载类型的分类判别；根据分类判别结果设置负载能耗模型中的参数，实时计算此负载下的云服务器的能耗。本发明可以有效地在实际的云环境中测算各种工作负载所消耗的能耗，对服务器负载做出准确的能耗评估。

技术领域

本发明涉及一种云服务器能耗测算方法，特别涉及一种基于负载类型的自适应云服务器能耗测算方法、系统及设备。

背景技术

近年来，随着云计算技术及其应用的快速发展，云数据中心数量和规模迅速增加，但随之而来的却是高耗能的问题。鉴于数据中心不断恶化的能耗表现，其能耗管理优化逐渐成为了云计算领域研究的热点问题之一。

云数据中心的能耗很大一部分来自于服务器的能耗(约45％)，而服务器的能耗又来自于负载运行时的资源消耗。对服务器的能耗进行准确有效的测算可为集群节能调度和资源规划提供真实可靠的依据，从而提升物理资源利用率，为云服务器提供商节省大量成本。因此，大量学者和研究人员在数据中心云服务器能耗建模和能耗测算问题上进行研究。

基于能耗模型的估算方法应用最为广泛，并且是虚拟化环境下和仿真环境下的能耗监控方法的基础。其能够以低成本的方式实现细粒度、高可扩展性的能耗测算，十分适用于云数据中心内复杂、异构且频繁扩展的设备环境。基于能耗模型的估算方法主要是基于系统部件使用率来建立能耗评估模型，且主要集中在CPU、内存和磁盘三大部件的能耗模型研究。

现有的基于能耗模型的能耗测算方法均是在服务器、虚拟机这一操作系统层面上进行的，这些工作更关心的是单个服务器、虚拟机所消耗的能耗，而忽略了服务器上的工作负载的异构性对能耗的影响。实际云服务器中比较常见的负载类型为CPU密集型负载、I/O密集型负载、内存密集型负载和混合型这4种负载类型，每种负载占用的资源数和资源的使用情况是不一样的。这种负载的异构性会对不同资源的利用率产生影响，从而影响服务器的能耗。其次，目前大部分的面向云计算环境和负载的能耗模型研究往往针对的是单一负载类型，或者没有对负载类型进行区分和差异性的能耗建模。因为工作负载存在的异构性，对所有负载都使用同一种能耗模型来描述是不准确的。使用不合适的模型对负载的能耗进行测算，其准确性和适应性很差。

然而，面向负载的实时能耗测算面临如下问题：其一，是对即将到来的负载进行分类，但现存的负载分类方式并没有对CPU密集型、内存密集型和IO密集型负载进行明确的划分；其二，如何在云环境下有效地分析不同负载下的状态特征，构建有效的面向不同负载的能耗模型，对服务器中运行的负载做出准确的能耗评估。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出的一种基于负载类型的自适应云服务器能耗测算方法、系统及设备，通过引入负载聚类算法和负载预测算法，明确各个负载类型的阈值区间，提前获得下一时刻的负载类型，针对不同负载类型进行差异化能耗建模，可以有效地测算各种工作负载环境中服务器所消耗的能耗，对服务器负载做出准确的能耗评估。

为了达到上述目的，本发明采用以下技术方案：

本发明提供了一种基于负载类型的自适应云服务器能耗测算方法，包括下述步骤：

S1.对云服务器系统中监控的CPU、内存、磁盘三大部件的资源使用数据进行采集并分析，对采集到的资源使用数据进行数据清洗，得到一个离线的负载数据集和一个实时更新的负载数据集；

S2.基于离线的负载数据集，使用K-Means聚类算法进行聚类，得到具有类簇边界的4个负载类型簇：CPU密集型、内存密集型、I/O密集型和混合型，根据类簇边界计算出每个负载类型的资源阈值区间；