基因工程抗體進展及基于隨機Petri網(wǎng)的云數(shù)據(jù)中心能耗感知調(diào)度研究與性能分析

生物工程進展論文姓名：學院：生物科學與工程學院專業(yè)：生物工程班級：學號：基因工程抗體進展摘要：基因工程抗體是繼多克隆抗體和單克隆抗體之后的第三代抗體，近年來隨著生物工程技術(shù)的發(fā)展，許多基因工程抗體陸續(xù)問世，本文詳細介紹了基因工程抗體的研究進展，概述了基因工程抗體在臨床方面的明顯優(yōu)勢和應(yīng)用潛力。關(guān)鍵詞：基因工程抗體；研究進展；臨床引用轉(zhuǎn)基因技術(shù)迅速發(fā)展，其應(yīng)用和發(fā)展的領(lǐng)域日益夸大。但轉(zhuǎn)基因技術(shù)的弊端日益凸現(xiàn)，引起眾多關(guān)注的目光。就轉(zhuǎn)基因技術(shù)本身而言，社會各界對它的態(tài)度各有異同。不同的國家不同的民族和不同的個體對轉(zhuǎn)基因技術(shù)的態(tài)度大相徑庭。如何看待轉(zhuǎn)基因技術(shù)？如何去應(yīng)用和發(fā)展轉(zhuǎn)基因技術(shù)？這些都是我們亟待解決的問題。1基因工程抗體介紹基因工程抗體是借助DNA重組和蛋白質(zhì)工程技術(shù)，在基因水平對免疫球蛋白分子進行切割、拼接、修飾和重新組裝的一種新型抗體。所制備的抗體去除或減少了可引起副作用的無關(guān)結(jié)構(gòu)，但保留天然抗體的特異性和主要生物學活性，并可賦予抗體分子以新的生物學活性的總稱。由于目前制備的抗體均為鼠源性臨床應(yīng)用時，對人是異種抗原，重復(fù)注射可使人產(chǎn)生抗鼠抗體，從而減弱或失去療效，并增加了超敏反應(yīng)的發(fā)生，因此，在80年代早期，人們開始利用基因工程制備抗體，以降低鼠源抗體的免疫原性及其功能[2]。目前多采用人抗體的部分氨基酸序列代替某些鼠源性抗體的序列，經(jīng)修飾制備基因工程抗體，稱為第三代抗體。將識別效應(yīng)細胞的抗體和識別靶細胞的抗體聯(lián)結(jié)在一起，制成雙功能性抗體，稱為雙特異性抗體。如由識別腫瘤抗原的抗體和識別細胞毒性免疫效應(yīng)細胞（CTL細胞、NK細胞、LAK細胞）表面分子的抗體（CD3抗體或CD16抗體）制成的雙特異性抗體，有利于免疫效應(yīng)細胞發(fā)揮抗腫瘤作用。2基因工程抗體的研究進展主要是利用基因重組技術(shù)，把鼠抗體的重輕鏈可變區(qū)部分與人抗體重輕鏈恒定區(qū)的進行重組，減少鼠源結(jié)構(gòu)，增加人源結(jié)構(gòu)，而保持抗體與原抗原的特異性結(jié)合。1.人的Ig重輕鏈可變區(qū)基因片段展示在噬菌體表面,組成抗體庫。2.過噬菌體把抗體的表型和基因型相偶聯(lián)，易進行分子克隆和基因操作。3.抗體庫的來源影響篩選結(jié)果（免疫和正常人）。4.高通量篩選與抗原結(jié)合的抗體，但親和力低。3.基因工程抗體藥物的應(yīng)用隨著生物工程技術(shù)的發(fā)展，許多基因工程抗體陸續(xù)問世，并在醫(yī)學領(lǐng)域的許多方面都具應(yīng)用潛力，如病毒感染、腫瘤、自身免疫性疾病、同種異體移植物注射、哮喘、中風和青光眼治療，尤其在診斷和治療腫瘤性疾病及抗感染方面優(yōu)勢明顯。惡性腫瘤的導(dǎo)向治療，是通過重組技術(shù)將抗腫瘤相關(guān)抗原的抗體與多種分子融合，這些分子在抗體結(jié)合靶分子后可提供重要輔助功能．這些分子包括：放射性核素、細胞毒藥物、毒素、小肽、蛋白、酶和用于基因治療的病毒．對腫瘤治療來說，設(shè)計的雙特異性抗體可有效針對低水平的腫瘤相關(guān)抗原，并將細胞毒物質(zhì)輸送到腫瘤細胞．此外，抗體還可與攜帶藥物的脂質(zhì)體、各種PEG偶聯(lián)，從而增強體內(nèi)運輸和藥代動力學。作為免疫脂質(zhì)體，轉(zhuǎn)鐵蛋白受體抗體可使藥物通過血腦屏障到達大腦．抗體酶復(fù)合物作為前體藥物也被用于基礎(chǔ)腫瘤治療?；蚬こ炭贵w的進展已使抗體制備技術(shù)進入了一個全新時代，尤其藥物抗體庫的進展，解決了人源抗體的研制，促進了各種性能優(yōu)良抗體以及具有多種功能的抗體融合蛋白的開發(fā)，可以預(yù)見基因工程抗體的研制正在進入一個新的高峰。但是抗體的親和力減弱，與完整抗體結(jié)構(gòu)相比，功能明顯就會降低。人們對可能出現(xiàn)的新組合、新性狀會不會影響人類健康和環(huán)境，還缺乏知識和經(jīng)驗，按目前的科學水平還不能完全精確的預(yù)測。所以我們要在抓住機遇，大力發(fā)展基因工程技術(shù)的同時，需要嚴格管理，充分重視轉(zhuǎn)基因抗體的安全性?！緟⒖嘉墨I】[1]樓士林，楊盛昌，龍敏南，等。基因工程[M]。北京：科學出版社，2002。[2]李慶軍，董艷桐，施冰。植物抗蟲基因的研究進展[J]。林業(yè)科技，2002，27(2)：2226。[3]沈孝宇。轉(zhuǎn)基因之爭[M]。北京:化學工業(yè)出版社,2008。[4]李彪;鼠－人嵌合抗體的研制及應(yīng)用[J];國外醫(yī)學。放射醫(yī)學核醫(yī)學分冊;1996年04期。[5]黃華梁;基因工程抗體的研究[J];中國腫瘤生物治療雜志。基于隨機Petri網(wǎng)的云數(shù)據(jù)中心能耗感知調(diào)度研究與性能分析摘要：隨著云計算的廣泛應(yīng)用，云數(shù)據(jù)中心的節(jié)能問題也獲得越來越多的關(guān)注。雖然，許多研究針對云數(shù)據(jù)中心的能耗問題提出了相關(guān)的調(diào)度策略與節(jié)能技術(shù)，但很少有人關(guān)注如何有效的對云數(shù)據(jù)中心的能耗問題進行建模與性能評價。性能評價可以在云服務(wù)供應(yīng)商的成本-收益與基于服務(wù)水平協(xié)議（SLA）定義的服務(wù)質(zhì)量（QoS）之間找到一個合適的權(quán)衡點，又能研究虛擬化技術(shù)對云數(shù)據(jù)中心性能的影響。在本文中，在考慮資源多樣性和虛擬機遷移的前提下，我們以優(yōu)化能耗為目標提出了一個能耗感知虛擬機遷移算法。此外,我們還通過引入動態(tài)可擴展隨機Petri網(wǎng)（DSSPN）對云數(shù)據(jù)中心的重要性能指標進行隨機建模和性能分析。接著，我們定義了一些性能參數(shù)來評價模型中在不同運行時間和機器數(shù)量下的任務(wù)積壓、吞吐量、資源利用率和能耗。最后，我們使用SPNP方針出這些性能參數(shù)的解析解。分析結(jié)果表明，DSSPN適用于建模和評價復(fù)雜的云系統(tǒng)，并有利于分析優(yōu)化云數(shù)據(jù)中心的性能。關(guān)鍵詞：云計算；隨機Petri網(wǎng)；服務(wù)質(zhì)量；節(jié)能；性能評價概述云計算是一種按需提供服務(wù)的商業(yè)計算范式，能基于互聯(lián)網(wǎng)為用戶提供便捷、靈活的訪問，進入可配置的共享資源池（包括網(wǎng)絡(luò)、服務(wù)器、存儲、應(yīng)用程序和服務(wù)）[1]。云計算的服務(wù)供應(yīng)商通過部署和管理分布在世界各地的云數(shù)據(jù)中心，能直接為用戶提供三種服務(wù)模式：基礎(chǔ)設(shè)施即服務(wù)（IaaS）、軟件即服務(wù)（SaaS）和平臺即服務(wù)（IaaS）[2]。大數(shù)據(jù)時代的到來，使得云計算的重要底層基礎(chǔ)設(shè)施——數(shù)據(jù)中心的規(guī)模也越來越龐大，對能源的需求也急劇增加。目前，許多研究都僅關(guān)注云數(shù)據(jù)中心的性能改進和滿足用戶的服務(wù)質(zhì)量（QoS）需求方面，而很少重視能耗問題[3]。根據(jù)統(tǒng)計數(shù)據(jù)，數(shù)據(jù)中心的能源消耗耗預(yù)估達到美國總能耗的40%，在能耗上的花費也占到數(shù)據(jù)中心總運營成本的42%[4-6]。因此，提高云數(shù)據(jù)中心的能源效率在云計算的發(fā)展和應(yīng)用中變得越來越重要。云供應(yīng)商既需要確保自己的利潤和投資回報不會因為能源成本增加而減少，又要保障用戶基于服務(wù)水平協(xié)議（SLA）所定義的服務(wù)質(zhì)量（QoS）需求。此外，提高能源利用率可以降低資源消耗，減少環(huán)境污染，并實現(xiàn)云數(shù)據(jù)中心的可持續(xù)發(fā)展。然而，如何對實現(xiàn)有效節(jié)能的云數(shù)據(jù)中心的資源調(diào)度問題進行建模和性能評價仍然面臨著諸多挑戰(zhàn)。這是因為以下幾點原因：（1）構(gòu)成云數(shù)據(jù)中心的底層基礎(chǔ)設(shè)施的物理資源（即PMs）是異構(gòu)的，并且在地理位置上是分布地。這意味著服務(wù)能力和能源消耗會隨著資源類型而改變。（2）由于引入了虛擬化技術(shù)，云數(shù)據(jù)中心能在少量的PM上為多個用戶提供多個可運行的虛擬機（VM）實例。雖然這樣可以通過關(guān)閉閑置的PM或?qū)M切換到較低的性能級別上（如使用DVFS技術(shù)）來降低能源消耗，但是當多個VM運行在一個PM上時，會嚴重降低云數(shù)據(jù)中心的性能[7]。這意味著，要確保數(shù)據(jù)中心的性能必須在節(jié)能和QoS保障之間找到一個合適的權(quán)衡點。（3）在云數(shù)據(jù)中心中，VM是可以動態(tài)遷移的，這有利于實現(xiàn)負載均衡，還可以避免出現(xiàn)熱點從而降低故障率。（4）最為重要的是，云數(shù)據(jù)中心的特性（如大規(guī)模性、動態(tài)性、異構(gòu)性和多樣性等）使得系統(tǒng)性能評價越來越復(fù)雜。但是至今為止，較少有人關(guān)注如何為云環(huán)境的性能評價提供直觀的模型描述和有效的分析方法。性能評價的主要任務(wù)是研究系統(tǒng)配置、系統(tǒng)負載和性能指標之間的相互關(guān)系。性能評價方法主要可以分為三種：測量方法、仿真方法和模型方法。通過一定的測量設(shè)備或測量程序，測量和仿真方法能直接從系統(tǒng)中測得各項性能指標或與之相關(guān)的數(shù)據(jù)量，然后經(jīng)過一些簡單的運算求出相應(yīng)的性能指標[8]。Calheiros等提出了一種可擴展的仿真工具Cloudsim，以建模、仿真和評價云計算系統(tǒng)的性能和應(yīng)用配置環(huán)境[9]。Cloudsim能模擬單節(jié)點和多節(jié)點云環(huán)境，現(xiàn)已被多個組織機構(gòu)用于研究云數(shù)據(jù)中心的資源分配和節(jié)能問題?；贗SO25010中的軟件質(zhì)量概念，Bautista等介紹了一種云計算系統(tǒng)的性能測量框架（PMF）[10]。PMF通過定義需求、數(shù)據(jù)類型和評價準則來評價“集群行為”的性能。Kim等研究實時應(yīng)用中VM的能量感知供應(yīng)，并基于動態(tài)電壓和頻率調(diào)節(jié)（DVFS）技術(shù)提出了幾種用于數(shù)據(jù)中心硬實時服務(wù)的能源感知VM供應(yīng)方案[11]。雖然測量和仿真方法在性能評價中比較直接，但是只能適用于已經(jīng)存在并運行的系統(tǒng)，而且需要花費較多時間。此外，這兩種方法不適用于大規(guī)模復(fù)雜系統(tǒng)，尤其是動態(tài)變化且包含大量參數(shù)的云系統(tǒng)，也無法找出系統(tǒng)中的性能瓶頸。為了克服這些困難，一些研究者提出了某些模型方法來分析和評價系統(tǒng)性能。Xia等使用基于網(wǎng)絡(luò)的隨機排隊方法來分析易出錯環(huán)境中可遷移云的性能，并定義了一些性能矩陣來評價不同負載和錯誤強度下的利用率、預(yù)期任務(wù)完成時間和任務(wù)拒絕率[2]。接著，作者還通過信任區(qū)間對比分析該方法與現(xiàn)實世界云系統(tǒng)中實驗性能數(shù)據(jù)的差別。Khazaei等將云數(shù)據(jù)中心建模為一個具有單任務(wù)到達和有限任務(wù)緩沖區(qū)的M/G/m/m+r排隊系統(tǒng)，并使用基于變換的分析模型和近似馬爾可夫鏈來獲取響應(yīng)時間的分布概率、積壓概率和系統(tǒng)中的任務(wù)數(shù)量[12]。此外，Khazaeri還將復(fù)雜的云系統(tǒng)劃分為多個子模型，引入連續(xù)時間馬爾可夫鏈（CTMC）來建模分析這些子系統(tǒng)，并使用迭代方法求出所需精度的解[12]。與上述研究工作相比，我們主要研究云數(shù)據(jù)中心的能耗感知虛擬機遷移策略，并引入動態(tài)可擴展隨機Petri網(wǎng)（DSSPN）來建模和評價云系統(tǒng)在不同運行時間和不同數(shù)量PM下的某些重要參數(shù)，如平均隊列長度（能反映任務(wù)緩沖區(qū)中的數(shù)據(jù)積壓）、平均吞吐量、平均能耗和資源利用率。DSSPN是一種擴展的隨機Petri網(wǎng)（SPN），適用于分布式系統(tǒng)的圖形建模和性能分析[8]。它不僅能以一種直觀有效的方式清晰刻畫系統(tǒng)的動態(tài)行為，還易于發(fā)現(xiàn)系統(tǒng)的性能瓶頸和缺陷?；谏鲜鲇懻摚疚闹饕O(shè)計和建模分析能有效節(jié)能并提高云數(shù)據(jù)中心性能的虛擬機遷移策略，主要貢獻有以下幾點：（1）我們提出了云數(shù)據(jù)中心（EAC）的體系結(jié)構(gòu)框架，并抽象出它的任務(wù)調(diào)度和VM分配模型。（2）為了提高能源利用率并確保數(shù)據(jù)中心集群的性能，本文提出了能耗感知虛擬機遷移（EAVMM）算法。（3）基于SPN和隨機回報網(wǎng)[14]（SRN），我們提出了動態(tài)可擴展隨機Petri網(wǎng)（DSSPN），并用DSSPN對云數(shù)據(jù)中心進行建模和性能評價。（4）為了驗證EAVMM算法的有效性與DSSPN的可用性，我們進行了實驗仿真，得到不同運行時間與不同數(shù)量PM下的一些重要性能參數(shù)，如平均隊列長度、平均吞吐量、平均能耗和平均資源利用率。2云數(shù)據(jù)中心云作為下一代的數(shù)據(jù)中心，通過管理程序技術(shù)將節(jié)點虛擬化為虛擬機，并動態(tài)地為用戶按需提供個性化資源集（如硬件、數(shù)據(jù)庫、用戶接口、應(yīng)用邏輯等），然后通過“協(xié)商”來滿足特定的服務(wù)水平協(xié)議[3]。因此，云數(shù)據(jù)中心通常被看作通過網(wǎng)絡(luò)服務(wù)技術(shù)（如SOAP、REST等）訪問的組合服務(wù)。圖1說明了云數(shù)據(jù)中心數(shù)據(jù)中心的理論高級體系架構(gòu)。主要包含五個實體[15]：（1）用戶/代理：世界各地的用戶或代理根據(jù)各自的需求向云數(shù)據(jù)中心提交服務(wù)請求。需要注意的是，這些用戶可分為兩類：一類是使用已有云服務(wù)的用戶；一類是在云上部署應(yīng)用程序的用戶。例如，一個公司可以在云上部署一個能根據(jù)訪問的用戶數(shù)量來改變工作負載的Web應(yīng)用程序。（2）用戶接口：用戶和云數(shù)據(jù)中心交互的統(tǒng)一接口，主要用于Web服務(wù)的通信、訪問和管理，以及Web應(yīng)用程序的設(shè)計與開發(fā)。目前三種主流的Web服務(wù)實現(xiàn)方案為：REST、SOAP和XMLRPC。（3）服務(wù)水平協(xié)議資源分配器：為外部用戶/代理和云數(shù)據(jù)中心/云服務(wù)供應(yīng)商提供交互接口。它通過以下的交互機制來支持面向服務(wù)水平協(xié)議（SLA）的資源管理：=1\*romani）服務(wù)請求檢查其和準入控制：該機制先提取收圖1云數(shù)據(jù)中心的高級系統(tǒng)架構(gòu)到的服務(wù)請求的QoS需求，然后確認該QoS需求是否超出了資源的負荷范圍(這可以避免由于有限的可用資源而導(dǎo)致無法完成服務(wù)請求)。接著，根據(jù)從虛擬機監(jiān)視器獲取的可用資源信息，以及從服務(wù)請求監(jiān)測器獲取的工作負載處理信息做出有效的資源分配決策。最后，為該服務(wù)請求分配虛擬機。=2\*romanii）定價：決定如何對服務(wù)請求進行收費，并通過管理計算資源的供應(yīng)和需求來促進有效的服務(wù)分配。=3\*romaniii）計費：通過維護服務(wù)請求的實際使用資源來計算用戶所需支付的最終費用。=4\*romaniv）虛擬機監(jiān)視器：該機制追蹤所有的可用虛擬機以及它們的資源權(quán)限。=5\*romanv）能源檢測器：觀察虛擬機和物理機器的能源消耗，并將該信息提交給虛擬機管理器，以便做出節(jié)能資源分配決策。=6\*romanvi）調(diào)度器：該機制在對應(yīng)的虛擬機上執(zhí)行所接受的服務(wù)請求。=7\*romanvii）服務(wù)請求檢測器：追蹤服務(wù)請求的執(zhí)行過程。（4）虛擬機：在一臺物理機器上可以根據(jù)傳入的請求來動態(tài)的啟動和停止多個虛擬機。因此，可以同一臺物理機器上靈活的配置各種資源劃分以適應(yīng)不同的服務(wù)請求需求。多個虛擬機可以在同一臺物理機器上并發(fā)地運行基于不同操作系統(tǒng)環(huán)境的應(yīng)用程序。通過不同物理機器間虛擬機的動態(tài)遷移可以有效的整合工作負載，并將不使用的資源切換到低能耗模式，或關(guān)機，或配置到低性能模式執(zhí)行(例如使用動態(tài)調(diào)頻調(diào)壓)以節(jié)省能源消耗。（5）物理基礎(chǔ)設(shè)施：作為底層的物理計算服務(wù)器為服務(wù)需求提供可以虛擬化的硬件基礎(chǔ)設(shè)施。3系統(tǒng)模型本文提出的云數(shù)據(jù)中心EAC是一種“綠色云”，它通過網(wǎng)絡(luò)將數(shù)據(jù)中心聯(lián)接起來為用戶提供虛擬可配置服務(wù)，可以降低大約40%的總能耗成本[16]。圖2描述了云數(shù)據(jù)中心的任務(wù)調(diào)度與虛擬機分配過程。圖2云數(shù)據(jù)中心的任務(wù)調(diào)度模型在本文中，我們假設(shè)要建模的系統(tǒng)服務(wù)模式為：基礎(chǔ)設(shè)施即服務(wù)（IaaS）[1]。系統(tǒng)中包括k個數(shù)據(jù)中心集群，每個集群DCi由npi個異構(gòu)服務(wù)器/機器組成（如高性能計算機、工作站、機架式服務(wù)器），如圖1所示。其中，kN+，i{1,…,k}，npiN+，N+={1,2,3,…}。則系統(tǒng)中擁有的服務(wù)器總數(shù)量為：(1)需要注意的是，為了便于分析，本文假設(shè)這些異構(gòu)的服務(wù)器具有相同的功能，而僅是處理器（CPU）和存儲器的性能參數(shù)有所不同。例如，數(shù)據(jù)中心DC1中有2臺服務(wù)器PM1和PM2，PM1的性能為pc1=1000MIPS，而PM2的性能則為pc2=800MIPS，MIPS是CPU的單位。假設(shè)每個服務(wù)器PMj上最多可同時運行mv個獨立的虛擬機，符號nvj（nvj∈N+）表示目前在服務(wù)器PMj上同時運行的虛擬機個數(shù)，則系統(tǒng)中同時運行的虛擬機總數(shù)為：(2)虛擬機集合為VM={,,…,,…,,…,}，j{1,2,…,tnp}。分別表示服務(wù)器PMj上第l臺虛擬機的處理器利用率。其中，，且。在給定的時間內(nèi)，第j臺服務(wù)器PMj的CPU利用率PPUj為：(3)為了便于形式化問題描述，現(xiàn)在做出如下假設(shè)：（=1\*Arabic1）用戶提交一個任務(wù)，云數(shù)據(jù)中心接受該請求，并將它放入等待隊列。這些任務(wù)之間相互獨立，且到達速率服從指數(shù)分布，平均到達速率為。（2）等待隊列的緩沖容量為C，等待隊列中的虛擬機請求按先到先服務(wù)（FCFS）的原則等候處理。虛擬機調(diào)度以時隙為單位，每個時隙長度相同，記為T。其中，CN+，T0。（3）不同數(shù)據(jù)集群中的服務(wù)器是異構(gòu)的，但同一個數(shù)據(jù)集群中的服務(wù)器是同構(gòu)的，且每個服務(wù)器PMj的工作狀態(tài)是相互獨立的，即PMj可以單獨關(guān)閉或打開，或切換到較低的性能服務(wù)等級（如使用DVFS技術(shù)）。（4）每個VM都能根據(jù)到達的任務(wù)請求動態(tài)的開始或結(jié)束，并在運行時均有可能由于故障而失效。每個VM都能通過故障恢復(fù)管理單元修復(fù)到正常工作狀態(tài)。假設(shè)失效率為γ，修復(fù)率為，且都服從指數(shù)分布。其中，1γ0，10。（5）當虛擬機發(fā)生故障時，在上運行的任務(wù)失敗。這些未完成的任務(wù)被重新提交給等待隊列，重新提交率為(0)，且服從指數(shù)分布。（6）每個虛擬機（l{1,2,…,nvj}，j{1,2,…,tnp}）勻速提供服務(wù)，服務(wù)速率為。注意，的性能與所在的服務(wù)器一致。也就是說，如果在服務(wù)器PMj上運行，PMj的服務(wù)速率為，則。（7）每臺PM上均使用動態(tài)電壓和頻率調(diào)節(jié)（DVFS）技術(shù)，以便在能耗和性能之間找到一個合適的權(quán)衡。每個服務(wù)器PMj均有兩個服務(wù)模式，分別對應(yīng)不同的服務(wù)速率。對，當時，PMj的服務(wù)等級為1，以正常模式提供服務(wù)。否則為節(jié)省能源消耗，服務(wù)等級降低為2，以休閑模式提供服務(wù)。其中，表示當前正在PMj上運行的虛擬機個數(shù)，為控制閾值，且0<<1，詳細說明見下一章。在本文中，為了便于分析，我們僅考慮服務(wù)器的處理器能耗。這是因為：（1）在數(shù)據(jù)中心中，服務(wù)器的能耗主要是由CPU、內(nèi)存、磁盤存儲和網(wǎng)絡(luò)組件部分所決定的。與其他系統(tǒng)資源相比，CPU占了能耗的主要部分，因此，在本章中，我們主要研究CPU的能耗和利用率；（2）在使用DVFS技術(shù)后，PM的能源消耗與CPU的利用率之間存在線性關(guān)系；（2）本文的主要目的是為了檢測能耗感知虛擬機遷移策略是如何影響EAC的能源消耗的，而其余的能耗都有比較固定的標準，兩者相加就可以得出整體能耗。文獻[17]和[18]的研究工作表明，服務(wù)器的能耗可通過與CPU相關(guān)的線性公式來準確描述，見公式（4）。之所以有這種線性關(guān)系，是因為DVFS僅用在CPU部分，并通過狀態(tài)的數(shù)量來調(diào)節(jié)CPU的電壓和頻率[18-19]。此外，通過研究發(fā)現(xiàn)平均一臺空閑服務(wù)器的能耗約為該服務(wù)器在正常工作狀態(tài)下能耗的70%。因此，當服務(wù)器空閑時將其切換到休閑模式可以降低總能耗。(4)其中，Pwm表示服務(wù)器在正常工作狀態(tài)下的能耗，k=70%，u為CPU利用率。如上所述，服務(wù)器維持峰值速率時所消耗能源要遠遠高于它在其他速率時的消耗。為了降低能耗，可以對虛擬機個數(shù)較多的服務(wù)器進行遷移。虛擬機遷移即能避免出現(xiàn)熱點，又能實現(xiàn)服務(wù)器的負載均衡。負載均衡可以提高云的資源利用率，還能降低由于機器故障/錯誤所引起的任務(wù)失敗率。4基于動態(tài)可擴展隨機Petri網(wǎng)的隨機建模根據(jù)上文討論，我們引入動態(tài)可擴展隨機Petri網(wǎng)（DSSPN）來建模EAC系統(tǒng)的任務(wù)調(diào)度過程。DSSPN是一種擴展的SPN，它的發(fā)生規(guī)則以及狀態(tài)轉(zhuǎn)移與SPN類似，這里由于篇幅所限就不再詳細描述[8]。圖3描述了虛擬機分配和遷移的詳細流程，圖4刻畫了虛擬機動態(tài)遷移的DSSPN分解模型。需要注意的是，調(diào)度或決策是由圖3和4中所關(guān)聯(lián)的可實施謂詞與隨機開關(guān)表示的。圖3云數(shù)據(jù)中心虛擬機分配與遷移的DSSPN模型圖4虛擬機動態(tài)遷移的DSSPN分解模型4.1云數(shù)據(jù)中心的DSSPN模型云數(shù)據(jù)中心的DSSPN任務(wù)調(diào)度模型EAC為：EAC=(P,T,F,K,,TS,G,E,f,g,M0)，如圖3和圖4所示。其中，P是圖中所有庫所集合；T是圖中的變遷集合，由即時變遷集TI和時間變遷集TT構(gòu)成，F(xiàn)是圖中的弧集，K是庫所P的容量集合，是時間變遷的發(fā)生速率集合，TS是類型集合，G是將庫所或弧映射到類型的函數(shù)，E是指定類型對應(yīng)值得函數(shù)，f和g分別為變遷的可實施謂詞函數(shù)與隨機開關(guān)函數(shù)，M0為庫所P的初始標識。EAC中各集合定義如下：（1）庫所集為：P={pwq}{pmj,swmj,ssmj,qwmj,qsmj,serrj,sresjj∈{1,2,…,tnp}}。（2）即時變遷集為：TI={twj,tsj,twtsj,tstwj,tij,terrj,i,j∈{1,2,…,tnp},且ij}。（3）時間變遷集為：TT={tc,s1j,s2j,trepj,tresjj∈{1,2,…,tnp}}。（4）弧集F以及與弧相關(guān)的G與E，見圖3和圖4上所示的有向弧及標注。（5）K、、G、E、f、g與M0的詳細描述見下文。（6）類型集為：TS={Rk,PMj,<Rk,PMj>k∈N+,j∈{1,2,…,tnp}}。EAC中所包含的庫所與變遷描述如下：（1）tc：服從指數(shù)分布的時間變遷，表示用戶提交的一個虛擬機分配請求，它的發(fā)生速率為，即任務(wù)的平均到達速率。當變遷tc發(fā)生時，有一個任務(wù)到達等待隊列庫所pw中。它的可實施謂詞為f(tc)：(5)（2）pwq：等待隊列庫所，用來緩存用戶提交的任務(wù)/虛擬機分配請求，容量為C，即K(pwq)=C。例如，庫所中的每個標記的類型為G(pi)=Rk（表示該標記所代表的請求的類型），該類型值為E(pwq)∈N+（表示該請求需處理任務(wù)的大小，單位為MB）。也就是說，庫所中的標記屬性是一個二元組<Rk,E(pwq)>。其中，k∈N+，j∈{1,2,…,tnp}。（3）pmi，pmj：對應(yīng)服務(wù)器PMi和PMj的庫所，庫所中的標記數(shù)表示當前該服務(wù)器上可用的虛擬機個數(shù)，初始標識為M0(pmi)=nvi，M0(pmj)=nvj。K(pmi)=nvi，G(pmi)=PMk，E(pmi)∈[1,nvi]。pmj與pmi的定義類似，這里就不再復(fù)述。。（4）twi，twj：即時變遷，與庫所pmi，pmj，pwq，結(jié)合在一起為等待隊列中的請求分配虛擬機，ij。通過設(shè)置可實施謂詞與隨機開關(guān)來表示調(diào)度策略，具體描述見下文。（5）qwmi，qwmj：：庫所中的標志表示服務(wù)器PMi和PMj在不同工作狀態(tài)（正常工作狀態(tài)或休閑工作狀態(tài)）下運行的虛擬機個數(shù)。（6）si，sj：時間變遷，表示服務(wù)器PMi和PMj在不同的工作狀態(tài)以不同的服務(wù)速率為應(yīng)用/任務(wù)提供服務(wù)，對應(yīng)的服務(wù)速率分別為i=j或i=si，且服從指數(shù)分布。其中，i表示PMi在正常狀態(tài)下的服務(wù)速率，而si表示PMi在休閑狀態(tài)下的服務(wù)速率。j與i的定義類似，這里就不再復(fù)述。（7）serri，serrj：表示由于故障而需要修復(fù)的虛擬機與重新提交的任務(wù)，且K(serri)=ni，ni∈[1,M0(Pmi)]。serrj與serri的定義類似，這里就不再復(fù)述。（8）terri，terrj：即時變遷，表示運行任務(wù)的虛擬機是否發(fā)生故障。失效率為γ，隨機開關(guān)gerri為：(6)terrj與terri的定義相同，這里就不再復(fù)述。（9）trepi，trepj：時間變遷，表示故障的修復(fù)過程，修復(fù)率為repi=repj=，且服從指數(shù)分布。（10）tij，tji：即時變遷，表示虛擬機的遷移過程，可實施謂詞與隨機開關(guān)描述見下文。4.2虛擬機動態(tài)遷移算法云數(shù)據(jù)中心允許虛擬機在不同服務(wù)器上進行動態(tài)遷移，且僅需很短的時間，而不用暫停服務(wù)器。但是，動態(tài)遷移會影響運行在該虛擬機上的應(yīng)用程序的性能。VoorsluysWilliam等對虛擬機動態(tài)遷移進行了實驗研究，并找出了一種建模方法[19]。他們發(fā)現(xiàn)動態(tài)遷移過程中的性能退化和停機時間取決于運行的應(yīng)用程序的行為，也就是說，在該應(yīng)用程序執(zhí)行期間需要使用的存儲器數(shù)量[19]。虛擬機的動態(tài)遷移時間取決于該虛擬機所使用的存儲器總量可用的網(wǎng)絡(luò)帶寬。本文所考慮的總目標是系統(tǒng)使用的能耗，因此，我們僅考慮遷移所消耗的能量。由于理節(jié)點在休眠狀態(tài)下的能耗遠小于正常工作狀態(tài)的能耗，本文僅對處于正常工作狀態(tài)的物理節(jié)點上的虛擬機進行遷移，且遷移的目的節(jié)點僅選擇那些處于休閑狀態(tài)的物理節(jié)點。在本文，我們提出了能耗感知虛擬機遷移（EAVMM）算法來分配、遷移云數(shù)據(jù)中心的VM，如表1所示。圖3中所描述的虛擬機分配變遷的可實施謂詞與隨機開關(guān)描述如下：（1）twj：描述服務(wù)器PMj在正常工作狀態(tài)下的虛擬機分配，可實施謂詞為：(7)其中，表示物理節(jié)點的上限閾值。當一個物理節(jié)點的虛擬機比值達到上限閾值時，不能在該節(jié)點上再創(chuàng)建新的虛擬機。表1能耗感知虛擬機遷移算法1.輸入：在時刻t到達等待隊列的虛擬機請求，系統(tǒng)中所有物理節(jié)點PM序列，PM上可同時運行的最大虛擬機數(shù)序列nv，當前可用的虛擬機序列VM，所有物理節(jié)點的工作狀態(tài)序列S，物理節(jié)點在不同工作狀態(tài)下的能源消耗率序列ER(PM(w))和ER(PM(s))，轉(zhuǎn)換閾值，帶寬B。2.forj=1to|PM|do3.countj←PMj上正在運行的虛擬機個數(shù)；4.if(等待隊列中的請求數(shù))5.虛擬機暫時不進行遷移；6.else7.計算在虛擬機上的應(yīng)用在物理節(jié)點PMj上所需的能耗ECj；8.fori=1to|PM|do9.if10.if11.計算在虛擬機上的應(yīng)用在物理節(jié)點PMi上所需的能耗ECi；12.if()13.將虛擬機遷移到物理節(jié)點PMi上；14.endif15.endif16.endif17.endfor18.endif隨機開關(guān)為：(8)(9)其中，，j∈{1,2,…,tnp}，|WEA(M)|表示集合WEA(M)中的元素個數(shù)。（2）tji：即時變遷，結(jié)合庫所qwmj，pmi與pmj一起描述虛擬機的動態(tài)遷移策略?？蓪嵤┲^詞為：(10)(11)其中，ij，且i=j∈{1,2,…,tnp}。隨機開關(guān)gji(M)為：(12)(13)其中，|MDP(M)|表示集合MDP(M)中的元素個數(shù)，i=j∈{1,2,…,tnp}。tij表示虛擬機從服務(wù)器PMi遷移到PMj，與tji類似就不再復(fù)述。5性能分析根據(jù)上文所述，我們在這一章中將基于穩(wěn)態(tài)概率，進一步分析EAMC'模型的性能和能耗。與其他建模方法相比，如馬爾可夫決策過程，DSSPN可以使用Petri網(wǎng)工具（如SPNP）中繼承的功能實現(xiàn)自動推導(dǎo)出狀態(tài)的穩(wěn)態(tài)概率，而不需要再使用隨機數(shù)學公式進行計算[20]。如表2所示，即時僅有2臺服務(wù)器的可遷移云的狀態(tài)也能達到幾百甚至上千個。表2EAC模型的狀態(tài)與變遷發(fā)生數(shù)量比較單位：個1臺PM2臺PM3臺PM4臺PM可達狀態(tài)數(shù)28356910881594發(fā)生變遷數(shù)923197739285842（1）在時刻t，PMj上正在運行的虛擬機個數(shù)nwvj(t)(14)其中，M(qwmj(t))表示在時刻t庫所qwmj的標記個數(shù)。（2）在時刻t，PMj上空閑的虛擬機個數(shù)nsvj(t)(15)其中，M(pmj(t))表示在時刻t庫所qwmj的標記個數(shù)。（3）在時刻t，系統(tǒng)的平均隊列長度AQL(t)(16)其中，M(pwq(y))表示在時刻y庫所pwq中的標記個數(shù)。（4）在時刻t，系統(tǒng)的平均吞吐量ATP(t)分析系統(tǒng)的吞吐量，可以利用服務(wù)器的服務(wù)變遷飽和時，標記在庫所pwq中的堆積特性來分析。這與等待隊列的容量，以及服務(wù)器的服務(wù)速率及最大可用虛擬機數(shù)相關(guān)。(17)（5）在時刻t，服務(wù)器PMj以休閑工作狀態(tài)服務(wù)的平均概率ASRj(t)：(18)其中，P(M(pwq(y))>C)表示在時刻y庫所pwq中標記數(shù)大于等待隊列容量的概率C。（6）在時刻t，服務(wù)器PMj的利用率URj(t)為(19)（7）由公式(5)可以得出，在時刻t系統(tǒng)的平均能耗率AECR(t)(20)其中，Pwmj表示服務(wù)器PMj的能耗，單位為瓦特（Watts）。6案例研究及仿真在這一小節(jié)，我們提供了一個案例來研究DSSPN對我們提出的云數(shù)據(jù)中心框架的適用性。我們在使用Inteli5-4210多核處理器的便攜式電腦上實現(xiàn)云數(shù)據(jù)中心的一個案例，并使用SPNP平臺來自動推導(dǎo)出EAC模型的解析解，如圖5到8所示。我們使用文獻[21]中對處理器的規(guī)范和說明，如表3所示。為了便于分析，我們將標準化服務(wù)速率與處理器能耗放大10倍。表3處理器規(guī)范化描述服務(wù)等級標準化服務(wù)速率處理器能耗（Watts）10.33330.27920.50000.39030.66660.57041.00000.925系統(tǒng)中的服務(wù)器數(shù)tnp從1到4，等待隊列容量C從30到50，狀態(tài)轉(zhuǎn)換開關(guān)為0.5。任務(wù)請求到達率為20，出錯率為0.2，故障修復(fù)率為0.1，失敗任務(wù)重新提交率為0.3，且均服從指數(shù)分布。系統(tǒng)中服務(wù)器類型為2類，一類最多能同時運行3個虛擬機，服務(wù)等級為2和4，且服從指數(shù)分布；另一類最多能同時運行2個虛擬機，服務(wù)等級為1和3，且服從指數(shù)分布。圖5不同服務(wù)器個數(shù)下的平均隊列長度圖5說明了系統(tǒng)中的平均隊列長度是如何隨著運行時間t而變化的。在服務(wù)器個數(shù)為1和2時，系統(tǒng)中任務(wù)的到達速率要大于系統(tǒng)的服務(wù)速率，因此，隊列長度隨著運行時間t而不斷增加，并逐步趨于等待隊列的容量。而當服務(wù)器個數(shù)為3和4，且0t1時，等待隊列中的任務(wù)數(shù)要小于系統(tǒng)的服務(wù)能力，此時等待隊列中沒有積壓的任務(wù)請求。圖5（b）說明，當前參數(shù)設(shè)置下，3臺服務(wù)器就能滿足系統(tǒng)需求，而幾乎不會有任務(wù)積壓。圖6不同服務(wù)器個數(shù)下的平均吞吐量圖6說明了在不同時刻t系統(tǒng)中服務(wù)器個數(shù)對系統(tǒng)平均吞吐量的影響。在等待