CloudSim 4.0源码阅读笔记(功耗实例)

文章目录

一、NonPowerAware案例
- 1.1 基本概述
- 1.2 云任务/虚机/主机/功耗模型参数设置
- 1.3 初始化云任务(CloudletList)—如何载入自定义真实数据集中的CPU利用率？
- 1.4 初始化虚拟机(vmList)—虚机调度算法默认时间共享
- 1.5 初始化物理机(hostList)——如何自定义不同型号物理机配置？
- 1.6 初始化数据中心(datacenter)——在哪修改虚拟机分配策略？(默认First Fit)
- 1.7 仿真结果——能耗、虚机迁移数、SLAV、当前DC开机主机数等
- 1.8 非功耗感知和功耗感知有啥区别？
- - 1.8.1 非功耗感知数据中心(PowerDatacenterNonPowerAware)
  - 1.8.2 功耗感知数据中心(PowerDatacenter)
- 1.9 载入PlanetLab 2011/3/3一天的CPU利用率数据进行实验
- - 1.9.1 数据特征
  - 1.9.2 具体修改
二、ThrRs案例
- 2.1 基本概述
- 2.2 参数设置 + 云任务/虚机/主机初始化
- 2.3 获取选择虚机策略（返回选择的虚机Vm）
- 2.4 代入已选择要迁移的虚机，设置虚机(重)分配策略
- 2.5 虚机迁移策略optimizeAllocation源码剖析
- - 2.5.1 过载主机检测策略 —THR(0.8)
  - 2.5.2 选择待迁移虚机（从过载主机中依vmSelectionPolicy策略）—RS
  - 2.5.3 选择目标迁入主机（选择除原过载主机以外合适主机进行迁移）
  - 2.5.4 合并原<虚机, 主机>映射形成迁移后的完整映射
三、IqrMc案例
- 3.1 基本概述
- 3.2 参数设置
- 3.3 虚拟机选择策略(Maximum Correlation)
- 3.4 虚拟机过载检测策略(IQR)
四、MadMmt案例
- 4.1 基本概述
- 4.2 参数设置
- 4.3 虚拟机过载检测策略(MAD)

前言：以下仅聚焦主要和重点过程，并非完整流程，比如不含CloudSim初始化和broker对于云任务和虚机的提交等，因为几乎所有的任务都需要经历这些，也几乎无需修改这些代码。完整流程见CloudSim官网

一、NonPowerAware案例

1.1 基本概述

位置：org.cloudbus.cloudsim.examples.power.random中的NonPowerAware.java
功能：对异构非功耗感知数据中心的仿真，返回所有主机仿真过程中的最大功率
返回：所有主机仿真过程中的最大功率（最大能耗）

1.2 云任务/虚机/主机/功耗模型参数设置

位置：org.cloudbus.cloudsim.examples.power中的Constants.java
用户数量(numUser) = 1
数据中心数量 = 1
云任务时长：2500天

4种类型虚拟机参数设置

2种异构类型物理机参数设置

2种异构物理机(惠普G4和惠普G5)的功耗模型

在CloudSim中的仿真模型，实际编程是传入CPU利用率∈[0,1]，归一化到[0,10]整数以表征[0%, 10%, 20%,…,90%,100%]，通过整数索引来获取对应的能耗值(单位W)，如该型号主机10%资源利用率对应能耗为89.4w

不同主机厂商功耗模型网址：http://www.spec.org/power_ssj2008/results/power_ssj2008.html

HP ProLiant ML110 G4型号主机为例，以说明空载状态下的主机都有一定能耗损失
HP ProLiant ML110 G5型号主机为例

初步设想：对于空载状态下高能耗的物理机，较好的虚机的放置策略/整合策略可节能更多

1.3 初始化云任务(CloudletList)—如何载入自定义真实数据集中的CPU利用率？

参数	参数值
云任务数量	50个
云任务长度	2500天

初始化云任务序列时，{CPU利用率,RAM, Bw}设置为{Random, null, null}

进入到RandomHelper.createCloudletList()方法中，可见其对每个云任务中的{CPU利用率,RAM, Bw}设置方式

随机化的过程是

随机生成一个[0,1]的CPU利用率
以<time, CPU利用率>存储到哈希表中并返回新生成的CPU利用率

如果想载入真实数据如PlanetLab，Alibaba Trace，GWA-T-12 faseStorage则可自定义此for循环中的UtilizationModelStochastic()，以下给出载入PlanetLab数据集的案例

具体实现过程如下

定义1个data数组用来存储每个时刻的CPU利用率，1天按5分钟分割，则总长需存储288个时刻的CPU利用率
从Trace文件中逐个读取每个时刻的CPU利用率并存入data数组中

然后根据不同时刻，作为索引可直接从data中获取对应CPU利用率，此处仅需简单处理下时间不能整除时的情况

1.4 初始化虚拟机(vmList)—虚机调度算法默认时间共享

本例中为每个云任务创建1台虚机，因此共创建50台虚机

List<Vm> vmList = Helper.createVmList(brokerId, cloudletList.size());

虚机中对于云任务所需CPU资源的调度策略默认为时间共享，从该方法继承自CloudletSchedulerTimeShared可见

public class CloudletSchedulerDynamicWorkload extends CloudletSchedulerTimeShared {...}

1.5 初始化物理机(hostList)——如何自定义不同型号物理机配置？

同上，此处物理机的CPU调度策略依然默认时间共享

List<PowerHost> hostList = Helper.createHostList(RandomConstants.NUMBER_OF_HOSTS);

进入到Helper.createHostList()方法中，可以发现此处for循环中的hostList.add方法可以通过自定义参数和函数以自定义不同型号物理机配置

比如案例中的不同主机硬盘存储均为同一定值，可以依照RamProvisionerSimple自定义StorageProvisionerSimple实现不同主机拥有不同硬盘存储

1.6 初始化数据中心(datacenter)——在哪修改虚拟机分配策略？(默认First Fit)

我们先来看看数据中心的构造方法

初始化数据中心特征characteristics
根据数据中心特征 + 虚拟机分配策略构造数据中心datacenter

接下来，我们看看传入的虚拟机分配策略是什么？这里能耗虚机分配策略继承原始VmAllocationPolicy方法

public abstract class PowerVmAllocationPolicyAbstract extends VmAllocationPolicy {...}

继续进入VmAllocationPolicy方法，可见其用First Fit策略进行虚拟机到主机的映射，因此想要修改或对比其他如Best Fit策略，则可到PowerVmAllocationPolicyAbstract.java文件中修改findHostForVm()中的算法即可实现

1.7 仿真结果——能耗、虚机迁移数、SLAV、当前DC开机主机数等

最后一步，broker提交用户的虚机和云任务需求到数据中心，执行仿真

进入printResults可发现，结束后从当前数据中心状态获取以下等指标

能耗(kw/h)——依据数据中心不同异构主机的功耗模型累计得到
虚机迁移数
SLAV服务违反率——SLAV=请求计算能力−实际分配计算能力请求计算能力SLAV=\frac{请求计算能力 - 实际分配计算能力}{请求计算能力}SLAV=请求计算能力请求计算能力−实际分配计算能力
开机激活态主机数

运行程序，部分结果如下

Experiment name: random_npa
Number of hosts: 50
Number of VMs: 50
Total simulation time: 86400.00 sec
Energy consumption: 150.68 kWh        // 实验需要的结果——能耗
Number of VM migrations: 0            // 因为之前设置了禁止迁移，所以此处为0
Overall SLA violation: 0.12%          // 总SLA违反率
Average SLA violation: 9.78%          // 平均每台虚机的SLA违反率
Number of host shutdowns: 29          // 当前数据中心关机主机数量为29台，实际开机21台
Mean time before a host shutdown: 300.10 sec

SLAV计算逻辑代码如下

1.8 非功耗感知和功耗感知有啥区别？

	功耗计算方式	数据中心类别
非功耗感知	使用该物理机CPU利用率为`100%`下的功耗作为实时功耗	PowerDatacenterNonPowerAware
功耗感知	使用该物理机`当前CPU利用率`下的功耗作为实时功耗	PowerDatacenter

1.8.1 非功耗感知数据中心(PowerDatacenterNonPowerAware)

通过进入datacenter.getPower()方法，我们进入PowerDatacenterNonPowerAware.java类中，这里它继承了功耗感知数据中心并重写了相关方法

public class PowerDatacenterNonPowerAware extends PowerDatacenter {...}

这里的具体实现，即传入100%的CPU利用率，获取最大功耗

完整实现如下

1.8.2 功耗感知数据中心(PowerDatacenter)

通过进入datacenter.getPower()方法，我们进入PowerDatacenter.java类中，在updateCloudetProcessingWithoutSchedulingFutureEventsForce()我们最终找到，获取数据中心能耗的流程。

初始化当前数据中心能耗 = 0
统计该数据中心的每个物理机的能耗
每个物理机的能耗通过，对5min前和当前时刻两物理机CPU利用率间进行线性插值的方式计算得到
累计所有物理机能耗最终得到该数据中心总能耗

线性插值的方式很简单，两点中取中间点即可

此处的getPower(利用率)即是使用该物理机功耗模型，输入利用率，获取对应的能耗值得到

1.9 载入PlanetLab 2011/3/3一天的CPU利用率数据进行实验

1.9.1 数据特征

2011/3/3当天有约1052个不同虚拟机CPU利用率数据文件，每个数据文件表示对应型号物理机当天的CPU利用率变换，采样频率为5min一次，1天共288个样本

1.9.2 具体修改

加载PlanetLab当天数据文件

String inputFolder = NonPowerAware.class.getClassLoader().getResource("workload/planetlab/20110303").getPath();

这里可以把不同虚拟机在不同时刻的CPU利用率当做该虚拟机在不同时刻的负载，依然和上面相同，假设每个虚机上只运行1个云任务

此处仅修改云任务创建方法即可，其余方法无需改动

进入到createCloudletListPlanetLab()方法，我们重点看for循环中的云任务创建过程，这里我们将某虚机1天的CPU利用率数据载入到该云任务中

关于载入真实数据的方法，在1.3 初始化云任务(CloudletList)—如何载入自定义真实数据集中的CPU利用率？中介绍过，此处不予赘述。

以下给出基于功耗感知和非功耗感知在PlanetLab数据集同一天同样参数设置下的结果，在没有任何策略优化的情况下，功耗感知对功耗的实际计算更为贴切

PlanetLab数据	主机数	VM数	云任务数	VM放置策略	虚机调度策略	主机调度策略	关机主机数	耗能(kw/h)
功耗感知	800	1052	1052	First Fit	时间共享	时间共享	457	`803.91`
非功耗感知	800	1052	1052	First Fit	时间共享	时间共享	457	`2410.8`

只需修改数据中心类别即可切换以上两种数据中心的不同功耗结果

二、ThrRs案例

2.1 基本概述

位置：org.cloudbus.cloudsim.examples.power.planetlab中的ThrRs.java
功能：对异构功耗感知数据中心的仿真，该数据中心应用静态阈值THR虚拟机分配策略 + 随机RS虚拟机选择策略

	主机过载检测法	虚拟机选择法	虚拟机分配法
ThrRs	Thr(0.8)	Random Selection, RS	First-Fit-Decrease, FFD

2.2 参数设置 + 云任务/虚机/主机初始化

有了第一个案例的讲解，后面基本差不太多，只要知道核心流程即可，具体代码见源码

2.3 获取选择虚机策略（返回选择的虚机Vm）

先获取可迁移虚机列表
再从中随机选取一个虚机作为返回值

2.4 代入已选择要迁移的虚机，设置虚机(重)分配策略

进一步发现只是设置接口中的vmSelectionPolicy全局参数而已，具体在哪里会用到？以及是怎么用的呢？答案就在该接口对应的optimizeAllocation方法中，由于核心分配逻辑在该函数中，接下来，我们重点剖析optimizeAllocation方法

2.5 虚机迁移策略optimizeAllocation源码剖析

【函数功能】：按CPU利用率检测出过载主机，然后进行过载主机上的虚机重分配(迁移)，返回迁移后所有虚机和主机的最新映射

主要过程如下（已省中间日志和时间记录代码）

获取CPU利用率过载的物理机列表（eg.＞80%）——overUtilizedHosts
由过载物理机列表和虚机选择策略，返回要迁移的虚机列表vmsToMigrate（执行后消除迁移虚机和原主机映射，使转为不过载状态）
根据要迁移的虚机列表，选择除原过载主机以外合适的主机进行迁移，返回迁入后新增的<迁入虚机, 目标主机>映射容器
将其他<虚机, 非过载主机>映射与新增映射合并到同一容器中返回

以下，我们进入到每个函数中，更深入了解内部处理机制

2.5.1 过载主机检测策略 —THR(0.8)

过载主机检测法——THR(0.8)'

返回过载主机列表：overUtilizedHosts

2.5.2 选择待迁移虚机（从过载主机中依vmSelectionPolicy策略）—RS

此处用到之前传入的虚机选择策略——vmSelectionPolicy = 'rs'

返回过载主机上要迁移的虚机列表：vmsToMigrate

2.5.3 选择目标迁入主机（选择除原过载主机以外合适主机进行迁移）

此处用到虚机分配策略——vmAllocationPolicy 本质为 最先降序分配(First-Fit-Decrease, FFD)

返回迁入后新增的<迁入虚机, 目标主机>映射容器：migrationMap

① 根据CPU利用率降序排序待迁移的虚机集合
② 从excludedHosts以外的主机选择适合迁入该虚机的主机
③ 将虚机迁移到目标主机上
④ 保存迁入虚机和该主机的映射

选择迁入后剩余资源最少的主机作为目标主机，可见该虚机分配策略为最先降序分配(First-Fit-Decrease, FFD)法

此处假设处理器CPU利用率 ≈ Mips资源利用率，来估计迁入虚机后目标主机的最大CPU利用率，以判断是否过载

2.5.4 合并原<虚机, 主机>映射形成迁移后的完整映射

migrationMap.addAll(getMigrationMapFromUnderUtilizedHosts(overUtilizedHosts));

三、IqrMc案例

3.1 基本概述

位置：org.cloudbus.cloudsim.examples.power.planetlab中的IqrMc.java
功能：对异构功耗感知数据中心的仿真，该数据中心应用四分位距IQR虚拟机分配策略 + 选择和其他虚机CPU历史利用率相关性最大的MC虚拟机选择策略

这里只介绍主机过载检测策略(IQR) + 虚机选择策略(MC)，虚机分配策略均默认最先降序分配(First-Fit-Decrease, FFD)法

3.2 参数设置

3.3 虚拟机选择策略(Maximum Correlation)

函数调用
设定备选策略(Fallback policy)：选择最小迁移时间(RAM最小)的虚机
MC虚机选择策略
CPU使用率相关性列表的计算逻辑（使用最小二乘估计模型参数，使用RSquared评价模型拟合度）

核心逻辑

correlationCoefficients.add(MathUtil.createLinearRegression(xT, data[i]).calculateRSquared());
// 把第i个虚机的CPU使用率序列当做y，对n-1个虚机CPU使用序列当做n-1个样本，建模多元线性组合模型Xb = y，并求b
correlationCoefficients.add(MathUtil.createLinearRegression(X, y).calculateRSquared());

3.4 虚拟机过载检测策略(IQR)

计算IQR = Q3 - Q1

四、MadMmt案例

【主机过载检测MAD优点】：对异常值不敏感，不会因为特殊的异常值而导致估计的严重偏差

4.1 基本概述

位置：org.cloudbus.cloudsim.examples.power.planetlab中的MadMmt.java
功能：对异构功耗感知数据中心的仿真，该数据中心应用绝对中位数偏差Mad虚拟机分配策略 + 选择最小迁移时间Mmt虚拟机选择策略

这里只介绍主机过载检测策略(Mad) ，虚机分配策略均默认最先降序分配(First-Fit-Decrease, FFD)法

4.2 参数设置

4.3 虚拟机过载检测策略(MAD)