Page 105 - 《软件学报》2021年第12期

王静莲 等:软硬件节能原理深度融合之绿色异构调度算法 3769

nonlinearity and heterogeneity of the allocated resources means a big discrepancy in the feedback effects between different scheduling
schemes, such as the energy-efficiencies related. Therefore, the research methods of this study are to respect the scientific laws, and to
ingeniously follow the hardware energy-saving principle, in order for injecting new energy into the algorithm optimization power, and
also for further enhancing the energy-saving dominance of software methods. Then, the green heterogeneous scheduling algorithm
through deep integration of hardware and software energy saving principles, is presented in this paper (i.e., GHSA_di/II), with the multi
angle and all-round improvements of the internal drive of co-evolutionary simulation in the meta-heuristics algorithms. The experimental
results show that compared with the other three meta-heuristic heterogeneous scheduling algorithms, GHSA_di/II algorithm has obvious
advantages in overall performance, energy saving, and scalability, for both data intensive and computing intensive instances.
Key words: virtual cloud; heterogeneous scheduling; green computing; co-evolutionary algorithm; dynamic equation; energy saving
principles; deep integration

近年来,虚拟云聚合广域分布的各类硬件资源(同构或异构集群、存储设备及高级仪器等),形成对用户相对
透明、虚拟的高性能环境,深受世界青睐.然而,自 2010 年开始,信息通信技术(information communication
technology,简称 ICT)领域因其全球 25%能耗之巨,及当年跟全世界航空运输业相当的 CO 2 排放量,成为第五大
[1]
耗能产业 ;另有数据显示,ICT 产业存在很大能源浪费:中国数据中心 PUE(power usage effectiveness)普遍大于
2.2(同期资料显示:美国数据中心的 PUE 也基本保持在 1.9).随着全球能源短缺、极端天气频现以及低碳经济或
[2]
人类可持续发展的迫切需要,虚拟云高性能向高效能计算的演进,已引起国内外各界广泛关注 .
目前,相关研究大致集中在硬件和软件两个层面.
通常,云物理层可采用嵌入低功耗组件改变系统架构方法,实现操作过程中能耗监管和优化调节.这种方法
一定程度有效,但设计和更换费用过于昂贵 [3,4] .
事实上,云效能的高低很大程度上由调度中间件决定,即基于服务质量(quality of service,简称 QoS)指标,在
一组具有任意特性的云处理器中进行资源分配和任务排序.元启发式(meta-heuristics)优化算法(如遗传算法、人
工免疫算法等)是调度引擎核心,其基于 QoS 指标定义的个体适应度或免疫亲和度函数,是仿生群体迭代进化、
更新模拟的内驱力 [5,6] .
[7]
这里,将硬件云不影响计算性能而实现能耗值极小化作为评价目标之一,是软件节能的主要途径 .
具体讲,静态功耗由 CMOS(complementary-symmetry metal oxide semiconductor)电路泄漏电流产生,具有稳
态性.动态能耗则源于硬件的物理反馈原理,例如,DVFS(dynamic voltage frequency scaling)或 DPM(dynamic
[8]
power management)可依据工作负载启用情况更细粒度地进行处理器核内“频率”调节 ;但值得注意的是,众核
处理器囿于微结构级 DVFS 或 DPM 配置等区别,会产生不同的频率-电压等级,即“异构性”;表现为即使具有同
样的工作负载,异构处理器动态功耗开销也差异极大.因而,存在相当大节能空间是微体系结构级所无法涉足而
亟待调度中间件宏观调控的.
与此同时,动态能效指标量化,国内外目前大多沿用模糊估算方法:基于性能计数器,实时统计与耗能关联
度大的硬件事件,进而借助经验得到粗略值.由于硬件应用事件总以螺旋式上升发展,这种动态功耗的模糊估算
模式大多仅适于同构集群.
换言之,以元启发式算法为基础的调度中间件面对异构高维优化难题大多存在进化动力不足、个体多样性
不够或收敛速度过慢等不足 [9,10] .
着眼于多角度、全方位提升算法之协同进化模拟内驱力,本文提出一种新的绿色异构调度算法(GHSA_
di/II).本研究属于异构集群体系、云调度中间件和分布式人工智能等多学科交叉方向,是文献[11]后续 3 年的最
新成果.

1 相关工作

目前,通用多核微处理器(central processing unit,简称 CPU)与定制加速协处理器(graphic processing unit,简
称 GPU)混合体系已成为千万亿次高性能计算机一种发展趋势.由于存在 DVFS 配置及 CMOS 制造工艺等方面