基于Kalman滤波的云数据中心能耗和性能优化

计算机工程与科学

基于Kalman滤波的云数据中心能耗和性能优化

何丽,汤莉

（天津财经大学理工学院,天津 300222）

收稿日期:2016-12-08 修回日期:2017-06-28 出版日期:2018-07-25 发布日期:2018-07-25
基金资助:
国家自然科学基金(61502331)；天津市自然科学基金(15JCYBJC16000，15JCQNJC00800)

Energy and performance optimization based on

Kalman filtering in the cloud data center

HE Li，TANG Li

（School of Science and Technology,Tianjin University of Finance and Economics,Tianjin 300222,China）

Received:2016-12-08 Revised:2017-06-28 Online:2018-07-25 Published:2018-07-25

摘要/Abstract

摘要：

云数据中心虚拟机的动态整合需要跟踪服务器的运行状态，而服务器的运行状态会受到数据中心负载变化的影响，现有的CPU使用率预测方法大都只关注当前服务器的CPU利用率变化。提出了一个基于Kalman滤波的CPU使用率预测模型，建立了基于所有服务器CPU使用率变化系数的数据中心负载变化模型，详细描述了基于Kalman滤波的CPU使用率预测方法，讨论了云数据中心的能耗和性能评价指标。最后，为了验证基于Kalman滤波的CPU使用率预测算法的有效性，在CloudSim仿真系统和PlanetLab的五个数据集上进行了实验。实验结果表明，Kalman滤波能够较好地反映服务器CPU使用率的变化趋势，有效地降低数据中心的能耗，并保持较好的计算性能。

关键词: 云计算, Kalman滤波, 能耗和性能, CPU使用率预测

Abstract:

It is necessary to follow the running state of the servers for the virtual machine dynamical consolidation in cloud data centers, and the running state of the server can be affected by the load change of the cloud data center. Most of existing methods only concern the CPU utilization change of the current server. We propose a CPU utilization prediction model based on the Kalman filtering, formulate a load variation model of the cloud data center based on the variation coefficient of the CPU utilization of all servers, and then describe the prediction procedure based on the Kalman filtering in detail. Moreover, the energy consumption and performance evaluation of the cloud data center are discussed. Finally, we conduct experiments on the CloudSim with five workloads of PlanetLab. Experimental results show that the Kalman filtering can better reflect the change tendency of the CPU utilization, and maintain better computational performance with lower energy consumption.

Key words: cloud computing, Kalman filtering, energy and performance, CPU utilization prediction

何丽,汤莉. 基于Kalman滤波的云数据中心能耗和性能优化[J]. 计算机工程与科学.

HE Li，TANG Li.

Energy and performance optimization based on

Kalman filtering in the cloud data center

[J]. Computer Engineering & Science.

[1]	李卫平1,2，武海燕2，杨杰1. 基于效益博弈的云计算资源动态可协调分配策略研究[J]. J4, 20160101, 38(01): 57-61.
[2]	余世瑞, 姜春茂. 基于模糊强化学习的云计算虚拟机调度策略[J]. 计算机工程与科学, 2025, 47(1): 56-65.
[3]	徐嘉, 张骥先, 王喆民, 刘林杰. 基于NUMA云计算架构的多资源分配可信拍卖机制[J]. 计算机工程与科学, 2024, 46(5): 761-775.
[4]	马柯帆, 李宝峰, 周悦锦, 武园园, 余永兰, 多瑞华. 基于ZYNQ 芯片的基板管理控制器设计与实现[J]. 计算机工程与科学, 2024, 46(2): 217-223.
[5]	杨柏蔼, 赵山, 刘芳. 无服务器计算技术研究综述[J]. 计算机工程与科学, 2022, 44(4): 611-619.
[6]	李波, 侯鹏, 牛力, 武浩, 丁洪伟. 基于软件定义网络的云边协同架构研究综述[J]. 计算机工程与科学, 2021, 43(2): 242-257.
[7]	林涛, 冯竞凯, 郝章肖, 黄少群. 基于组合预测模型的云计算资源负载预测研究[J]. 计算机工程与科学, 2020, 42(7): 1168-1173.
[8]	廖建锦, 孙庆骁, 杨海龙, 栾钟治, 钱德沛. 满足工作流执行时限的可抢占虚拟机实例配置和调度方法研究[J]. 计算机工程与科学, 2020, 42(11): 1956-1964.
[9]	刘梓璇，周建涛. 负载均衡的主导资源公平分配算法[J]. 计算机工程与科学, 2019, 41(9): 1574-1580.
[10]	曹云梦1,2,周胜军3,刘晨1,2,韩燕波1,2. 面向服务的云-端动态协作方法[J]. 计算机工程与科学, 2019, 41(4): 598-605.
[11]	李进生，蒙江，童名文. 基于分布式遗传算法的水质传感器布置优化研究[J]. 计算机工程与科学, 2019, 41(3): 545-550.
[12]	史文杰，詹雨奇，李奎. 一种面向多平台航电资源建模及其调度算法[J]. 计算机工程与科学, 2019, 41(11): 1976-1984.
[13]	付伟1，李墨泚2，赵华容2，吴勇2. CRSHE：基于同态加密的新型密文检索方案[J]. 计算机工程与科学, 2018, 40(9): 1540-1545.
[14]	童钊1,2，陈洪剑1,2，陈明1,2，梅晶1,2，刘宏1,2. 一种云环境下基于混合型BBO的任务调度算法[J]. 计算机工程与科学, 2018, 40(5): 765-772.
[15]	罗裕春,武继刚,史雯隽,贺子楠. 移动云计算中的任务调度与计算迁移算法[J]. 计算机工程与科学, 2018, 40(11): 1915-1924.