网络服务器系统的可持续性

Jose M. Sola-Morena ，Katja Gilly， Carlos Juiz

摘要

过去十年中互联网的指数增长导致我们在可持续Web服务器的研究和开发方面做出更多努力，以减少全球能源需求。 在本文中，作为第一步，我们涵盖了对与Web服务器系统的能效研究相关的文献的适当审查，以描述最新的技术水平，以计划作为可持续Web系统中更多研究的进一步贡献。 我们还提出和实现允许建立由系统获得的服务质量（QoS）和其消耗的功率之间的关系的能量度量。

关键词：能源效率;绿色网络; Web服务器负载均衡;功耗

ABSTRACT

The exponential growth of Internet during the last decade leads us to make more efforts in the researching and developing of sustainable Web servers in order to decrease the global energy demand. In this paper, we cover, as a first step, a proper review of the literature related to the energy efficiency research in Web server systems to depict the state of the art to plan further contributions as more research in sustainable Web systems. We also propose and implement an energy metric that permits to establish a relation between the Quality of Service (QoS) obtained by the system and the power it consumes.

Keywords: Energy；efficiency；Green networking；Web servers Load balancing ；Power consumption

1. 绪论

过去十年中互联网的全球增长提供了大量新的面向用户的服务。 然而，这些新的高质量服务意味着更高的功率消耗水平。 从环境的角度来看，这已经成为一个重要的关注点，但在互联网服务提供商的经济投资方面也是一个关键问题。 从这种需要开始，考虑到这些新的高质量互联网服务将来即将到来，不仅需要更高的消耗，而且需要更多的设备。 因此，需要减少能量消耗的新方法。 这些方法和方法中的一些被称为“绿色网络”，并且将在后面描述。

它显示了硅技术^[1]（例如互补金属氧化物半导体（CMOS））如何通过以下方式提高其能量效率：相对于路由器的容量和传输量，通过每18个月增加1.65的因子，而互联网数据传输量 增加遵循摩尔定律，每18个月增加一倍。 这些事实一起代表了互联网服务能源消耗的权力定义的一个很好的例子。

欧盟委员会信息社会和媒体（DG INFSO）报告估计，未来十年互联网能源消费总量将翻一番^[1,2]。 该能耗估计显示了欧洲电信网络基础设施在“常规”（BAU）和“可持续生态”（ECO）情景中的能耗（单位：TWh），以及两种情景之间的累积能量节省。 BAU基于这样的假设，即在未来十年内不会实施新的节能方法，而对于ECO情景，未来几年的估计考虑到网络基础设施将通过实施节能来设想能量问题方法。 在这个意义上，预测的累积能量节省在使用ECO和BAU网络之间在节省的总能量（以TWh为单位）上显示出重要的差异。

因此，能源效率改进正成为一个关键的研究项目，因为环境和经济的制约因素围绕着互联网在过去几年中经历的指数增长。 因此，能量消耗增加带来两个问题，例如：

1.环境问题，由二氧化碳（CO2）排放量衡量。 这就是为什么网络系统中的能量问题通常被称为“绿色网络”的原因。

2.经济问题，主要影响互联网服务公司，谁可以保持良好的QoS水平，甚至考虑到高质量服务需求的增加（如多媒体/广播高质量服务），并尽量保持低成本 尽可能。

关于环境问题，ICT行业的增长意味着必须增加二氧化碳排放，因为需要更多的硬件基础设施，因此需要更多的冷却设备，即不断消耗能源（约为全球二氧化碳排放的2％，克服甚至 航空碳足迹^[1]）。 详细地，关注电信网络，估计在2020年产生约1.4％的全球二氧化碳排放（现在小于1％）。

因此，固定和移动网络基础设施在电能方面具有巨大和日益增长的需求。 特别是在因特网中，新的高质量服务需要更多的组件以便为用户提供良好的QoS，并因此提供更多的功率。 能源需求的这种增加意味着环境和经济影响。

本文的目的是给出一个适当的概述和该主题的艺术状态，作为未来在下一代方法和场景中的贡献的第一步，基于这种对现有方法的初步研究。 在第二部分中，我们执行和模拟不同的场景，以及测试几个参数来影响Web能耗。 本文的初步版本已经提出^[3]。

本文的其余部分安排如下：在第2节中，提及，审查和比较当前能量感知Web提议。 基于所考虑的一些工作，我们设计了第3节中描述的一些模拟场景，解释了为它们的定义做出的假设。 最后，在第4节中，我们展示了所得到的结果，结束了一些讨论，结束点和开放性问题。

2 技术概要

本文的第一部分旨在对Web服务器系统中与能源效率相关的现有建议和趋势进行调查，以使其更具可持续性。

节能中的第一个相关方法是由Pinheiro等人介绍的。本文指出，位于服务器集群中的大多数时间服务器正在消耗能量，甚至不被使用。因此，根据系统的瞬时需要，引入关闭和打开服务器的技术，使得集群是动态的（因为关闭服务器意味着从系统中移除节点，以与打开服务器相同的方式）意味着添加节点）。Pinheiro等人不完全忽视预测，而是使用一种基本方法：基于“跟踪”过去和当前交通系统的预测。使用八节点服务器集群测试方法时获得的结果是乐观的：对于高负载，节能相对较小，而对于低负载，节能百分比（与没有优化的相同系统相比）几乎达到节省80％的功率。在这项工作中，静态和动态Web集群配置之间的功耗比较显示，证明获得的性能在节能方面更好的动态。

所提出的方法具有两个缺点^[4]：预测方法非常基本，并且需要服务器关闭和打开的时间量长（分别为大约45秒和100秒）。

另一相关的节能方法是动态电压缩放（DVS），其中服务器的处理器的电压根据不同的因素，即基于发送到该服务器的负载而增加或减少。 这种方法在Horvarth等人的文献^[5]在测试中应用两种不同类型的负载，结果显示功耗的约30％的减少。

负载越高，所获得的节能性能就越低。 因此，对于低工作负载，再次获得最大的节省（以％计）。 请注意，在^[5]中，CPU速度调整的频率根据负载而变化，这意味着对于较高的负载，CPU调整更频繁。

在^[5]中比较了三种不同的DVS方法：独立DVS（正常），反馈DVS（具有自适应行为）和加权DVS。 在本文中，作者使用这三种方法提供了有关节电（百分比）的数据，将其与不执行省电方法的情况进行比较。 正如本文稍后将介绍的，有几个作者认为使用DVS与其他省电方法相结合。

在^[6]中，Bertini等 提供一个由前端服务器组成的模型，该服务器将来自用户（在这种情况下是Web用户）的传入负载重定向到相应的服务器。 这意味着它们实现所谓的“负载平衡”，即将负载重定向到每个客户端请求的最佳服务器。 这些服务器连接到数据库。

作者在本文中使用的功率优化策略是基于ON / OFF切换和DVS方法。 所提出的结果是能够维持良好的QoS，比没有省电方法实现的等效场景低4倍的功耗。 考虑空载预测方法。

像以前的模型一样，在^[7]中引入了一个负载均衡器。 然而，在这种情况下，考虑到对等（P2P）网络，这意味着系统中的每个对等计算机都可以扮演两个角色（服务器和客户端）。 Enokido等人 在^[7]中提出了三种不同类型的负载平衡方法：循环，计算Laxity（CLB），其基本上计算服务器执行操作需要多长时间，并选择最好的功耗，并且基于功耗Laxity （PCLB），根据节能标准将不同的传入任务分配给最佳服务器。 结果表明，PCLB功耗最低。

Santana等人^[8]也在类似的情况下实现了Bertini等人在^[6]中使用的负载平衡，但提出了一些比较三种类型的预测方法的结果：性能调控器（PG），它是一种工作的linux系统方法 所有服务器的最大频率，即没有电源管理，根据负载实现DVS的按需调速器，最后是Optimized ON / OFF（OOO），这是一种实现ON / OFF服务器的预测方法 切换和DVS。 在^[8]中，作者比较了Holt线性方法（HLM）负荷预测方法（最终被认为是最好的）的三种方法。

Bolla等介绍了电源管理策略中的负载预测方法^[2]，实现和分析了软件路由器的性能测试，并将软件路由器的不同组件带到不同的状态（即工作频率）。这些频率是必须对软件路由器的所有组件通用的一组离散值。考虑到空闲核心的消费大约是活跃消费的一半，他将预测方法用作基于过去统计的同一天采用不同时间片段的“时间”划分。在本文中进行和说明的测试中，使用了四种不同的频率，结果表明，通过这种方式，可以节省平均30％的功率（如通常情况，对于高输入负载，功耗管理变为更困难）。他们针对商业现货（COTS）软件路由器对电源管理（由路由器自动执行）采取多个CPU进行分析，并比较各种参数（吞吐量，功耗等）。作者提供功率消耗的表示作为CPU的吞吐量和频率的函数。可以从这些图中提取的相关信息是在功率方面，空闲状态大约是最大活动状态的一半。这意味着开启并准备使用，但完全没有使用（处于空闲状态）的服务器将消耗这种最大消耗的50％（当CPU利用率为100％时）。

Santana等人 将这些方法集成到Web集群架构^[8]中。 这种方法同时使用DVS和打开/关闭服务器，而且还引入了一种预测方法来提高以前方法的性能。 作者参考^[9]，其使用SPARSE周期性自回归（SPAR）预测方法，并提出HLM来提高SPAR性能，因为它更多地取决于传入负载的类型，而SPAR需要知道并做出太多的假设 交通工具的类型。

Barroso等人介绍了一个新的相关概念。在^[10]中：“能量比例计算”，即通过设计消费直接取决于利用率的服务器来提高能源效率的方式。 Subramaniam等人在^[11]中，采用这种能量比例概念，并提出了一个参数的定义，该参数在能量减少方面建立了明确的目标：“能量成比例地差距”。这是衡量服务器在功率和实际消费方面的预期理想行为有何不同之处。当服务器不使用（空闲）时，理想的能量效果取决于负载，不会消耗任何电力，并且将随着负载线性增加其消耗，直到其最大功耗。目的是尽量减少服务器的理想效果和实际能量差异。这个差异是“能量成比例地差距”。在^[11]中，使用Subramaniam等人使用的特定服务器中提供的功率限制功能来实现功率测量，将服务器分为不同的子系统（处理器，存储器等）。本文显示了有趣的结论，即处理器级别的功率控制是提高能源效率的最佳选择，再次，减少负载，最省电。这个差距的引入指出了在能源效率Web系统的规划和开发过程中要考虑的主要目标之一。

虚拟化是节能的另一个相关方面。 在不同服务器中分配多个虚拟机可能会降低Web服务器的功耗。 在^[12]中，基于服务器整合，作者研究应用程序之间的稳定性和相关性，以确定适当物理服务器中的虚拟机的分配，以优化资源。 也与工作量整合有关，Stewart et al。 在^[13]中提出了一个工作负载预测方法，以指导应用层面的整合决策。

功率感知系统中最重要的挑战之一是温度控制。 陈等人在^[14]中，通过温度传感器采集温度，平衡工作量和分配虚拟机，同时考虑到数据中心的热区，为特定的数据中心开发了一种能量改进方法。

如Li等人^[15]所述，消耗随温度线性增加。 他们提出了一个功率方程，不仅包括CPU利用率和频率，还包括温度。 通过最大化频率，它们可以控制温度和功耗，始终保持理想的QoS。 这是非常有趣的，因为该方法也在云计算场景中进行测试，除了企业场景中的测试。 艾哈迈德等人 ^[16]在云计算系统中进一步提出了一个能够根据工作负载来调整云中虚拟机分配的控制器。 本文特别感兴趣的是，该控制器同时采用反应性和预测性工作负荷输入来进行分配决策。 一些其他作者^[17,18]也使用这种混合资源分配，使用预测与实时进入的工作量。

3 在OPNET Modeler中实现能量度量

3.1 OPNET Modeler中的功耗变量定义

OPNET Modeler ^[19]是一款功能强大的网络仿真软件工具。在这个实现中，我们将测试场景并测量不同负载和配置的功率性能。这项工作的第一个也是最重要的部分在于定义一个参数，使我们能够估计不同服务器的功耗。

一般来说，空闲状态下的服

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[140748]，资料为PDF文档或Word文档，PDF文档可免费转换为Word