面向云计算的任务优化调度算法性能测试

（1）实验环境设置：实验场景如图5-1所示

图5-1　虚拟机分布情况

实验环境中网络传输率设置为1 Gbps，应用2台服务器，每台服务器均有4个虚拟机，虚拟机之间具有一对一、一对多、多对多三种交互方式。1000个实例作为相应的输入数据，每个实例包含的任务个数设在 5～10个。服务器 1和服务器2之间进行通信，任务被分配在相应的虚拟机上，虚拟机V1～V4属于服务器1，虚拟机V5～V8属于服务器2。

（2）实验结果分析

通过以下两方面验证虚拟机基本资源需求量对于资源优化的关键作用：资源分配到不同的虚拟机；改变不同虚拟机的基本资源需求量的情况。在不同的典型场景下验证MRA算法有效性及其对于资源分配的公平性。表5-2、表5-3给出服务器1上虚拟机V1、V2、V3、V4的资源分配情况。

由表5-2和表5-3可知虚拟机V1、V2的资源需求量小于其最小资源需求量，根据提出的MRA算法，其任务的资源量可以得以保证；虚拟机V3、V4上任务的资源要求高于其最小的资源需求量。

表5-2　V1～V4基本资源分布情况

表5-3　V1～V4请求资源分布情况

虚拟机针对不同资源的需求而相互之间产生的资源分配变化影响如图 5-2所示。

图5-2　不同资源需求对虚拟机的影响

图5-2　显示了当V1上的资源需求量小于其基本资源需求量，V1、V2这两个资源需求量低的虚拟机的要求不能得到保证。如果V1上的资源需求量高于基本资源需求量，根据资源的优化分配原则，为了提高资源的利用率，减少空闲资源的浪费，则需要同其他虚拟机进行资源竞争，并根据公平原则，获得其他虚拟机的剩余资源。该分配策略进一步表明了MRA算法保证了虚拟机对于较高资源量的需求。

图5-3　给出了MRA算法循环执行时系统资源的变化情况。

(www.xing528.com)

图5-3　算法迭代次数对资源分配的影响

根据图5-3可知，在MRA算法的控制下，每个虚拟机上的收敛过程变化如下：初始阶段变化速率较慢，后期趋于一个稳定值，这是由于算法对迭代步长和梯度投影因子的限制导致的。根据图5-3的执行结果设置服务器的资源总量，缩短整个迭代过程。

图5-4　服务器中虚拟机的分布情况

虚拟机占有资源在服务器资源中的总比例如图5-5所示。根据图5-5可知，

同时，为了验证MRA算法对于资源分配公平性的影响，设服务器中虚拟机分布为V1、V8同属于一个服务器，如图5-4所示。V8与其他虚拟机相互通信，并且通信量逐渐增加，所有虚拟机都有相同的基本资源量需求。当V1基本资源需求量占服务器总资源量的50%时，即B=0.5，MRA算法保证V1的资源量而不考虑V8的资源需求；V1基本资源需求量占服务器总资源量的25%时，即B=0.25时，V1资源分配降低，但能满足其资源需求，表明MRA算法可以保证虚拟机最小资源需求和资源分配公平性。

图5-5　虚拟机基本资源需求占服务器资源比例变化情况

在图5-6场景中设置A、B组服务器，其中虚拟机基本资源需求量分配情况如图5-7所示。

图5-6　虚拟机A-B组分布情况

图5-7　两组虚拟机基本资源需求量分配情况

由图5-7可知，当虚拟机的基本资源需求量占服务器资源量的50%时，系统中各个虚拟机没有剩余资源用来共享，MRA算法只考虑资源分配保证；但当虚拟机的基本资源需求量占服务器资源量的比例减小后，MRA算法倾向于遵循资源共享的公平性原则。当虚拟机的基本资源需求量降为0时，虚拟机以纳什谈判解为基础进行资源的公平分享。

综上所述，虚拟机的基本资源需求量是保证资源分配最低保证和公平性的优化关键量，通过为云服务提供商灵活设置其虚拟机的基本资源需求量，可提高系统资源利用率，同时可以进行资源的动态调整，以满足用户的需求。