[发明专利]云平台ELB组件的资源扩展方法和装置

说明书

技术领域

本发明涉及云计算技术应用技术领域，特别是涉及一种云平台ELB组件的资源扩展方法和装置。

背景技术

云平台一个天然的特点就是面向高并发的访问，而解决高并发访问中响应速度的问题，将需要有一个负载均衡的办法来解决。负载均衡的核心思想就是通过将请求分散到不同的服务端进行处理，这样将会提升整个平台的吞吐效率。类似的ELB(Elastic Load Balancer，弹性负载均衡器)在CloudFoundry(一个PaaS云平台)、Google App Engine(谷歌网络应用程序)都会起着很重要的作用。在Stratos(一种PaaS服务平台)中，ELB主要是对Cartridge访问的一个负载均衡，当过多的开发者需要同一个Cartridge时，将会先通过ELB进行一个请求分流，再将不同请求流分发到不同Cartridge，从而获取Cartridge的映射。

由于弹性是云计算平台最为重要的特性之一，也是评价云计算平台能力的重要标准，所以云计算平台的弹性扩展决策尤为重要。弹性扩展决策方法的好坏将直接关系到云计算平台是否能够按照用户的要求在适当的时间进行扩展，所以在云计算平台弹性扩展决策方面产生了大量的研究，也产生了成熟的产品。Auto Scaling(弹性扩展)是Amazon EC2云计算平台上的自动扩展服务，其功能是根据用户定义的触发器自动地创建或终止EC2虚拟机实例。Auto Scaling服务的基本工作方式如图1所示。图1中的Trigger(触发器)即为用户定义的触发器。根据图中触发器定义的规则，当平均CPU(Central Processing Unit，中央处理器)利用率大于80％时，将EC2实例增加10％，而当平均CPU利用率小于40％时，将EC2实例减少10％。图中的Launch Configurations(启动配置)用来指定创建新的EC2实例所需要的参数。Amazon EC2上的另一个服务CloudWatch(云监控)负责监控EC2，根据CloudWatch得到的监控数据以及触发器中定义的扩展和收缩规则，Auto Scaling将自动对EC2进行扩展或收缩。

响应式扩展决策方法是根据当前云计算平台的负载以及人为设定的扩展规则进行自动弹性扩展的一种方法。Auto Scaling的弹性扩展方法即可归类于响应式扩展决策方法。由于这一类扩展决策方法完全依赖于对云计算平台的监控结果以及人为设定的扩展规则，实现相对比较简单，所以商业化的云计算平台多采用这种方法进行弹性扩展决策。但这类方法的缺陷是十分明显的，响应式扩展决策方法不考虑云计算平台弹性扩展所需要的时间，只是简单地在监控结果满足扩展规则时开始弹性扩展，所以导致用户需要经历一段延迟时间才能得到所需的资源。

预测式扩展决策方法是通过对云计算平台未来的负载量进行预测从而进行弹性扩展决策的方法。这类方法将云计算平台的历史监控值看作一个可预测的序列，并对该序列进行数学建模，可以使用回归、时间序列相似度分析等方法，那么下一个时间点的监控值就可以使用数学模型在下一个时间点的取值进行预测。在对云计算平台未来负载量进行预测后，就可以利用预测结果判断何时应该进行弹性扩展，做出弹性扩展决策。基于模式匹配的扩展决策方法，通过改进KMP(线性时间字符串匹配算法)算法对云计算平台的未来负载量进行预测，从而进行扩展决策。预测式扩展决策方法能够应对云计算平台扩展所需的延迟时间，但同时由于需要根据历史负载量预测未来负载量，这种方法需要详细准确的历史监控数据作为支撑。现有的关于服务质量监控的研究采用了不同的架构、协议或算法达到了在产生少量通信负载的情况下进行服务质量监控的目的，但其前提是在服务质量监控的场景中不需要得到准确的监控值，或者不要求在短时间内得到监控结果，所以现有的服务质量监控方法并不能及时获得详细准确的监控数据，所以并不能很好地支撑扩展决策。

在云平台ELB组件的实际应用中，一般的做法是直接采用响应式扩展策略，响应式扩展决策方法不考虑云计算平台弹性扩展所需要的时间，只是简单地在监控结果满足扩展规则时开始弹性扩展，所以导致用户需要经历一段延迟时间才能得到所需的资源。预测式扩展决策方法能够应对云计算平台扩展所需的延迟时间，但同时由于需要根据历史负载量预测未来负载量，这种方法需要详细准确的历史监控数据作为支撑，实际工作中工作量往往较大，不能满足实际工作的需求。

发明内容