摘　要：在對現(xiàn)有的網(wǎng)格資源管理模型進行分析和比較的基礎上,提出了一種基于分層結構的具體模型HRMM,將資源管理分為作業(yè)并行分析、全局資源分配、局部資源分配和本地資源管理四個層次,并為每個層次設計了相應的優(yōu)化策略和算法。該模型對資源管理的最大計算復雜度為O(n2)～O(n3),是一個優(yōu)化而有效的網(wǎng)格資源管理模型。

關鍵詞：計算網(wǎng)格 資源管理 資源分配 作業(yè) 資源調(diào)度 Globus Toolkit 

計算網(wǎng)格是近年興起的一種重要的并行分布式計算技術,其關鍵技術之一是對網(wǎng)格中的資源進行管理。網(wǎng)格中的資源具有廣域分布、異構和動態(tài)的特性,使得網(wǎng)格資源管理變得很復雜。當前還沒有一種模型能夠處理所有的網(wǎng)格應用需求。目前,網(wǎng)格資源管理模型主要分為分層模型、抽象所有者模型和經(jīng)濟/市場模型三類。Globus項目組在網(wǎng)格協(xié)議制定上有重要發(fā)言權,包括IBM、Microsoft、Sun、Compaq、SGI、NEC在內(nèi)的眾多重要公司都宣布支持Globus Toolkit。因此Globus所采用的分層模型代表了網(wǎng)格資源管理的發(fā)展趨勢。
 
本文在Globus分層模型設計思想的基礎上提出一種優(yōu)化的網(wǎng)格資源管理模型HRMM(Hierarchical Resource Management Model),并給出了相應的資源管理算法。為了提高效率,在HRMM的主要模塊中運用了Globus Toolkit 2.4提供的數(shù)據(jù)結構和接口。

1 HRMM的總體結構

HRMM的設計思想是:動態(tài)接收來自用戶的作業(yè)請求,并為該作業(yè)分配符合條件的計算資源,同時提供整個計算過程中有關資源信息的在線反饋,接受用戶的在線控制。HRMM的體系結構如圖1所示,將計算網(wǎng)格的資源管理任務分為四個層次:作業(yè)并行分析、全局資源分配、局部資源分配和本地資源管理。

由圖1可見,用戶經(jīng)過GUI(圖形用戶界面)向HRMM提交作業(yè)請求,作業(yè)并行分析器接收用戶的作業(yè)請求,再按最大并行度將作業(yè)中的任務劃分為若干任務組,提交給全局資源分配器。對多任務組中的每個任務,全局資源分配器在靜態(tài)資源庫中一次搜索多個滿足該需求的集群,組成候選集群組提交給局部資源分配器。局部資源分配器在動態(tài)資源庫中讀取候選集群組中每個集群的有關信息,并將相應任務分配給最符合條件的集群。然后,該集群應用本地資源管理器執(zhí)行任務。在整體上,本地資源管理器每隔一定時間向靜態(tài)資源庫發(fā)送靜態(tài)資源更新信息。另外,局部資源分配器讀取動態(tài)資源庫前,動態(tài)資源庫會從本地資源管理器讀取更新信息。 

圖1 HRMM 總體結構圖

在這個分層模型中,一方面,用戶提交的作業(yè)能夠以最大的并行度執(zhí)行,從而高效體現(xiàn)了并行計算的思想;另一方面,選多個集群組成候選集群組,再確定其中某一分配資源的方案,由于綜合考慮了任務的靜態(tài)需求和動態(tài)需求,避免重復的查詢操作,從而提高了資源分配的效率。

2 作業(yè)并行分析器

如圖1所示,用戶經(jīng)過GUI向作業(yè)并行分析器提交作業(yè)請求。這個請求包括該作業(yè)中所含的多個任務的相關信息、任務間的依賴關系及每個任務的計算資源需求。作業(yè)并行分析器分析該作業(yè)中的任務及相互關系,根據(jù)各任務的依賴關系將作業(yè)中的任務劃分為不同的任務組,并對每個任務組進行適當描述后提交給全局資源分配器。

2.1 作業(yè)的拓撲表示

一個作業(yè)由一個或多個任務組成。作業(yè)的拓撲定義為一個滿足如下條件的有向無環(huán)圖:該圖的節(jié)點與作業(yè)中的任務一一對應;若任務B直接依賴于任務A,則存在一條由節(jié)點A到節(jié)點B的有向邊,稱A為B的直接前驅(qū),B為A的直接后繼;如果存在一條從A到B的由多條有向邊組成的有向通路,則稱A為B的前驅(qū),B為A的后繼。圖2表示一個作業(yè)的拓撲結構。設該作業(yè)由標記為A～G的7個任務及其相互關系組成。如圖2所示,任務D需要在任務A和B完成后才能開始,而任務G必須在任務E和F完成后才能開始。

圖2 作業(yè)的拓撲結構

為了提高作業(yè)的并行執(zhí)行效率,需要關注任務在拓撲定義中的深度。記任務T的直接前驅(qū)集合為Pd(T),則其深度d(T)為: 
    
2.2 作業(yè)的最大并行度劃分

作業(yè)的并行劃分是指:一個作業(yè)拆分后形成的一系列對應每個任務、前后有序且相互獨立的任務組。一個作業(yè)可以有一個或多個并行劃分方案,形成該作業(yè)對應的并行劃分集,記作Θ,I(Θ)為Θ中的任務組數(shù)。φ稱為作業(yè)的最大并行度劃分,如果:φ∈Θ,且∨ξ∈Θ。I(φ)≤I(ξ)將作業(yè)中的多個任務按照相應的深度進行劃分,形成一個最大并行度劃分。如圖2中的作業(yè),其最大并行度劃分為:φ={(A,B),(C,D,E),F,G}。

3 全局資源分配器

全局資源分配器接收到以RSL描述的任務組后,立刻進行分析和解釋,獲得每個任務的靜態(tài)資源需求。系統(tǒng)根據(jù)每個任務的資源需求在靜態(tài)資源庫中搜索滿足條件的多個集群,并將結果提交給局部資源分配器。

3.1靜態(tài)資源庫

系統(tǒng)中的靜態(tài)資源庫采用基于輕量目錄訪問協(xié)議LDAP結構。在HRMM模型中,網(wǎng)格系統(tǒng)的所有靜態(tài)資源都在LDAP服務器的DIT(目錄信息樹)中建立了相應的目錄項,并用<屬性,值>的組合描述各種資源屬性。靜態(tài)資源庫選擇LDAP可以在性能上帶來以下優(yōu)點:
(1) LDAP專門對讀操作進行了優(yōu)化,在讀操作頻繁的情況下,可以提高讀取效率。
(2) LDAP是跨平臺協(xié)議,可在任何計算機上使用。從而增加系統(tǒng)對異構網(wǎng)格環(huán)境的適應性。
(3) LDAP服務器支持分布式的結構,靜態(tài)資源庫可訪問本地或全局的LDAP服務器,并能很方便地實現(xiàn)同步,即增強資源管理的分布性。

3.2 全局資源分配算法

根據(jù)任務組中每個任務的靜態(tài)需求,全局資源分配器在靜態(tài)資源庫中搜索滿足需求的集群。在搜索時首先隨機選擇搜索的起始位置,然后為每個任務分別返回最先發(fā)現(xiàn)的N個滿足該任務需求的集群,形成候選集群組,并以ClusterList數(shù)據(jù)結構描述后提交給局部資源分配器;其中ClusterList是用來描述候選集群組的廣義表結構,如圖3所示。對于任何一個任務,如果只找到K(＜N)個符合條件的集群,則只由這K個組成候選集群組;如果任何一個集群都不滿足任務的靜態(tài)需求,則向局部資源分配器提交空值,同時向作業(yè)并行分析器發(fā)送反饋信息,取消任務。設LDAP服務器所記錄的集群數(shù)量為M,則全局資源分配的計算復雜度為O(MN)。

圖3 候選集群組的廣義表數(shù)據(jù)結構——ClusterList

4 局部資源分配器

局部資源分配器在動態(tài)資源庫中搜索候選集群組的動態(tài)信息,將這些動態(tài)信息和從全局資源分配器獲得的靜態(tài)信息相組合并進行綜合分析,最終將任務組中的每個任務分配給最適合的集群。

4.1動態(tài)資源庫

動態(tài)資源庫中的數(shù)據(jù)以XML描述,帶來如下優(yōu)點:
(1) XML針對更新操作進行了優(yōu)化。因此,對于需要不斷更新的動態(tài)資源庫,可有效提高效率。
(2) XML和LDAP在存儲結構上都是樹狀結構,可以很方便地相互轉(zhuǎn)化。用XML描述數(shù)據(jù),可使動態(tài)資源庫和基于LDAP的靜態(tài)資源庫具有更好的耦合性。
(3) XML與平臺無關,以XML表示的數(shù)據(jù)可很方便地被其他程序使用。

4.2 局部資源分配策略

局部資源分配器得到候選集群組ClusterList后,從動態(tài)資源庫獲取每個候選集群的動態(tài)信息,并將這些動態(tài)信息添加到相應集群的靜態(tài)信息之后,然后將靜態(tài)資源和動態(tài)資源信息相組合,形成集群綜合資源信息。設一個集群的動態(tài)資源信息為 h=[h1,…,hm]T,靜態(tài)資源信息為t=[t1,…, td]T,其中m和d分別為動態(tài)和靜態(tài)資源描述的字段數(shù),則集群綜合信息為v=[tT hT]T =[v1,…,vp]T,其中p=m+d。如圖3所示,集群2,2的綜合信息表示為v2,2。類似地,將任務靜態(tài)資源需求和動態(tài)資源組合,設一個任務的動態(tài)資源需求為g=[g1,…,gm]T,靜態(tài)資源需求為s=[s1,…,sd]T,則綜合資源需求為r=[sT gT]T=[r1,…,rp]T。任務i的綜合資源需求表示為ri。在確定分配策略時,將只考慮任務的綜合資源需求和集群的綜合資源信息。

首先,為了任務能夠順利完成,最終被選擇的集群必須同時滿足任務的靜態(tài)資源需求和動態(tài)資源需求,即滿足任務的綜合資源需求:
    
其中,n為任務組中的任務數(shù)量,p為向量v和r的維數(shù),f(i)為任務i的候選集群(即ClusterList中Taski對應的集群鏈表)中最終被選擇集群的序號。因此,首先在ClusterList中刪除所有不滿足上述條件的集群,并記第i個任務還剩余Ki個符合綜合資源需求的候選集群,其中1≤i≤n,1≤Ki≤N。最后,局部資源分配器要為每個任務Taski從Ki個候選集群中選擇最合適的一個。綜合考慮計算網(wǎng)格的整體資源分配效率,在具體選擇集群時采用如下決策機制:
(1) 獲選集群的綜合資源信息應盡量接近相應任務的綜合資源需求,避免資源的浪費,即:
　　
(2) 獲選集群和任務提交節(jié)點間的總網(wǎng)絡延遲應盡量小,即:
　　
其中tj為全局標識為j的集群的延遲;
(3) HRMM為每個用戶規(guī)定了計算資源占用量的上限,即:
　　
其中W為該用戶對計算資源占用量的上限,且W>0。
綜合考慮上述三方面,局部資源分配可以描述為如下二次規(guī)劃問題:
　　
其中C是可以改變的加權系數(shù),且C>0。由于f(i)為離散值且取值范圍有限,因此提出以下優(yōu)化方法,通過較少的計算來搜索近似的最優(yōu)解。記候選集群組為ClusterList,則算法表示如下:
STEP 1. 對每個任務和候選集群,將靜態(tài)和動態(tài)資源信息組合為綜合資源信息;
STEP 2. 刪除ClusterList中不滿足總和資源需求的集群;
STEP 3. ∨i∈[1,n],∨j∈[1,Ki],計算每個集群i,j的局部損失Cost[i,j]:=‖vi,j-ri‖2+C