CC BY
109
УДК 004.942
ЗАДАЧА ВЫБОРА СЕРВЕРНЫХ РЕСУРСОВ ДЛЯ ВНЕДРЕНИЯ ИНФРАСТРУКТУРЫ
ВИРТУАЛЬНЫХ РАБОЧИХ СТОЛОВ
Д.К. Проскурин, К.А. Маковий
Виртуализация как технологическая основа облачных технологий предоставляет значительные экономические и социальные преимущества для образовательных учреждений. Консолидация серверных ресурсов при использовании серверной виртуализации и централизованное управление рабочими местами пользователей при использовании виртуализации рабочих мест способствует переходу на новый уровень предоставления ИТ-услуг. Серверная виртуализация и виртуализация рабочих столов ставит задачу оптимизации использования ресурсов.
В статье рассматривается задача выбора аппаратного обеспечения для развертывания инфраструктуры рабочих столов. Показана возможность применения методов целочисленного программирования к проблеме размещения виртуальных машин на разнородных аппаратных серверных платформах. Предложена математическая модель выбора серверных платформ и объема памяти для размещения заданного количества виртуальных машин с заданными требованиями к оперативной памяти.
Представлены результаты решения задачи для предложенного набора моделей серверных платформ и различного числа размещаемых виртуальных машин
Ключевые слова: инфраструктура виртуальных рабочих столов, целочисленное математическое программирование, линейное программирование, стоимость оборудования
Введение
Повышение качества образовательных услуг неразрывно связано с применением современных информационных технологий. В большинстве организаций и предприятий по всему миру, и в России, широко используется серверная виртуализация. В рамках данной технологий на одном физическом сервере выполняются несколько совершенно различных операционных систем, что позволяет изолировать приложения,
оптимизировать загрузку аппаратных серверов, решить проблему совместимости различных версий программного обеспечения (ПО). Следующим шагом развития технологии серверной виртуализации является т.н. виртуализация рабочих столов, в рамках которой клиентская операционная система выполняется на сервере и доставляется на клиентское устройство при помощи специальных сетевых протоколов.
Внедрение технологии виртуализации рабочих столов очень сильно меняет всю парадигму обеспечения пользователей
клиентскими рабочими местами. Для администрации это большой шаг к централизации предоставляемых услуг, улучшение
контролируемости ИТ-инфраструктуры, новый уровень информационной безопасности и обеспечение защиты персональных данных. Особенно актуально такое внедрение в сфере образования. Доставка виртуальных машин на клиентское устройство пользователя решает проблему разнородного клиентского оборудования, позволяет использовать устаревшие компьютеры вуза для организации современных рабочих мест, реализовать концепцию BYOD (Bring Your Own Device - принеси свое устройство с собой), которая
Проскурин Дмитрий Константинович - ВГТУ, канд. физ.-мат. наук, доцент, e-mail: pdk@vgasu.vrn.ru Маковий Катерина Александровна - ВГТУ, старший преподаватель, e-mail: makkatya@mail.ru
стирает границы между академической и социальной жизнью студента, повышает его вовлеченность в образовательный процесс.
Как любое глобальное изменение технологии, внедрение технологии виртуализации рабочих столов (Virtual Desktop Infrastructure - VDI) -сложный процесс, который требует и финансовых, и административных, и трудовых ресурсов. Несмотря на то, что каждая организация уникальна по своей ИТ-инфраструктуре, у российских вузов много общего, и накопление опыта развертывания и использования новой технологии было бы крайне полезно для других вузов и регионов.
Модели серверной консолидации
Суть серверной виртуализации состоит в размещении нескольких виртуальных серверных операционных систем на одном физическом сервере и одновременном их выполнении. Такая виртуализация основана на использовании так называемого гипервизора - специального ПО, предоставляющего возможность одновременной работы разных операционных систем на одном аппаратном сервере.
Из-за проблем совместимости прикладного ПО при выполнении на одной операционной системе возникла необходимость разносить значимые для бизнеса приложения на разные серверы, при этом утилизация аппаратных серверов в дата-центрах была катастрофически мала и достигала по оценкам от 20 до 30% [1]. Серверная виртуализация позволила максимально загрузить аппаратные серверы, повысив процент их утилизации. В связи с этим, серверная виртуализация рассматривается как средство консолидации серверов. Существуют две основные причины повышенного интереса к построению наиболее оптимальной модели для задачи консолидации серверов, то есть задачи такого размещения виртуальных серверов на аппаратных платформах, при котором наблюдается максимально эффективное использование
аппаратных ресурсов. Одна из них - это эффективность использования оборудования, приводящая к сокращению затрат на приобретение, развертывание, администрирование серверных платформ, и, следовательно, уменьшение общей стоимости владения (TCO- Total Cost of Ownership). Другая причина - энергосбережение. Энергопотребление крупного дата центра сопоставимо с энергопотреблением целого города, и в 10-100 раз превышает таковое на единицу площади по сравнению, например, с жилым многоэтажным домом [2]. Кроме электропитания самих серверов необходимо обеспечить еще и эффективное охлаждение помещения, поэтому поддержание работы простаивающих серверов так неэффективно и не соответствует все более популярной концепции Green Computing [3].
В настоящий момент имеется два принципиально различных подхода к решению задачи оптимизации размещения виртуальных серверов на аппаратных платформах - статический и динамический.
Статический подход в общем случае сводится к решению задачи многомерной упаковки в контейнеры или решению задачи о рюкзаке. Обе эти задачи являются NP- трудными, поэтому для их решения используются самые различные эвристические алгоритмы. В качестве исходных данных используются данные о трассировке нагрузки в реальных центрах обработки данных (ЦОДах). В основном, для демонстрации работы алгоритмов применяются системы имитационного моделирования. Статический подход
подразумевает, что нагрузка на серверы, или количество и параметры виртуальных машин (ВМ) заранее известны и достаточно стабильны, или, по крайней мере, периодически повторяются [1,4].
Динамический подход к решению задачи оптимальной серверной консолидации основан на поддержке наиболее популярными гипервизорами, например, VMWare ESX, Xen, Linux KVM, Hyper-V технологии динамической миграции (live migration), позволяющей перемещать виртуальные машины «на ходу» без прерывания их работы. Для этого используется отслеживание операций записи в оперативную память и передача содержимого памяти через сеть, что, в свою очередь, требует значительных ресурсов сети и центрального процессора. Эта технология делает возможным создание алгоритмов динамического выделения ресурсов без предварительного планирования и статического назначения соответствия виртуальной машины конкретному аппаратному серверу, следовательно, такие алгоритмы будут работать в ситуации, когда нагрузка заранее неизвестна, и прекрасно подходит для сервис-провайдеров, которые предоставляют услуги виртуальных машин по запросу, то есть, IaaS (Infrastructure-as-a-Service) [2,3].
Все известные нам коммерческие и open-source реализации базируются на некотором контроллере, который отслеживает основные ресурсы и при достижении порогового значения
инициирует процесс динамической миграции виртуальной машины на менее загруженный аппаратный сервер. Достоинство данного подхода состоит в том, что контроллер можно «обучить» предвидеть достижение пороговых значений и мигрировать машины заранее [4,5].
Тем не менее сам процесс миграции виртуальных машин требует больших накладных расходов, поэтому преимущество такого подхода в оптимизации серверной инфраструктуры не очевидно.
В одной из последних работ [7] приведены результаты экспериментального сравнения двух подходов к решению задачи оптимизации и делается вывод о том, что при стабильном наборе бизнес-приложений и предсказуемом временном распределении нагрузки лучше себя показывает статическая модель, которая может быть скомбинирована с динамической для обработки пиковых нагрузок, которые сложно предусмотреть заранее.
Виртуализация рабочих столов
В то время как серверная виртуализация в последнее десятилетие используется в большинстве организаций, виртуализация рабочих столов или VDI (Virtual Desktop Infrastructure) - относительно новая технология. Ключом к ее успеху является использование хорошо зарекомендовавшей себя технологии гипервизора в сочетании с новыми протоколами доставки образа экрана по сети, таких как PCoIP, Vast, HDX. Распространение широкополосного доступа к сети Интернет и повсеместное использование технологии виртуальных частных сетей (VPN) позволяет доставлять образ экрана виртуальной машины, исполняемой на корпоративном сервере или сервере Интернет-провайдера, на клиентское устройство пользователя, обеспечивая высокий уровень безопасности и централизации данных.
На рынке представлено несколько коммерческих продуктов по реализации технологии виртуализации рабочих столов, таких как VMWare Horizon View от компании VMWare, Microsoft VDI, XenDesktop от Citrix. Есть также реализация на базе свободно-распространяемого продукта KVM.
Одним из существенных преимуществ технологии виртуализации рабочих столов является возможность выполнять разнообразные
приложения на всем многообразии клиентских устройств, для которых разработаны т.н. клиенты VDI, поскольку приложение выполняется по сути на сервере, а не клиентском устройстве.
Таким образом, виртуализация рабочих столов обеспечивает основу для многообещающей технологии работы корпоративных клиентов -BYOD (Bring Your Own Device) - новой инициативы, подразумевающей использование персональных устройств на рабочем месте и избавляющей сотрудника от необходимости пользоваться разными устройствами для работы и отдыха. Виртуальное рабочее место может быть
доставлено на любое устройство и в случае потери клиентского устройства на нем не останется корпоративных данных, что обезопасит работодателя от риска утечки корпоративной информации.
Число клиентских компьютеров в обычной организации намного превышает число серверов, поэтому проблема оптимизации использования серверных ресурсов при переходе на данную технологию становится еще более актуальной.
В общем случае, задача оптимизации серверных ресурсов применима к виртуализации рабочих столов, но имеет свои особенности, например, использование однотипных виртуальных машин в большом количестве, сконцентрированное по времени включение виртуальных машин и т д.
Примеры применения моделей к оптимизации ресурсов для данной технологии мы можем найти в [8, 9].
Постановка задачи
Особенностью внедрения технологии виртуализации рабочих столов являются довольно большие затраты на первом этапе, поскольку экономически переход на данную технологию оправдан для относительно больших количеств клиентских устройств [10]. При внедрении часто бывает необходима закупка аппаратных серверов, на которых будут выполняться виртуальные машины. Повышение процента использования серверных ресурсов и оптимальный выбор оборудования на этапе закупки позволяет минимизировать первоначальные затраты и повысить доверие к проекту внедрения VDI.
В процессе выбора оборудования обычно нужно отталкиваться от необходимого количества виртуальных машин и от их требований к ресурсам. Оценить требования к ресурсам можно с различной степенью точности. Можно отталкиваться от требований производителя ПО VDI в первом приближении, затем можно уточнить требуемые параметры в процессе развертывания пилотного проекта с помощью специального ПО, например, VMWare View Planner, или использовать счетчики производительности в нагрузочных экспериментах.
После оценки требуемых ресурсов для одной машины необходимо выбрать для закупки набор серверов таким образом, чтобы обеспечить выполнение заданного количества виртуальных машин и минимизировать стоимость приобретаемого оборудования. Зачастую в организации используется однотипное
оборудование определенного поставщика, для упрощения поддержки имеет смысл выбирать серверы из модельного ряда этого поставщика.
Мы рассматриваем внедрение VDI в Воронежском государственном техническом университете, где уже существует
централизованная серверная инфраструктура и хорошо спроектированная сеть. По нашим оценкам, ее пропускной способности должно хватить для работы приблизительно 500 виртуальных машин [10]. Клиентские компьютеры представлены двумя
типами: первый тип — это компьютеры сотрудников университета, имеющие совершенно различный набор программного обеспечения, это и компьютеры на кафедрах, и компьютеры различных служб университета, второй тип -компьютеры, установленные в учебных классах и используемые в учебном процессе. Для внедрения инфраструктуры виртуальных рабочих столов подходит второй тип, представляющий собой наборы однообразно сконфигурированных клиентских устройств. Применение технологии в компьютерных классах позволит значительно повысить гибкость учебного процесса, централизовать администрирование клиентских устройств.
Математическая модель
Предложенная модель позволяет
минимизировать затраты на этапе закупки оборудования, определив технические
характеристики и количество серверов из заранее определенного множества, обеспечивающее выполнение заранее заданного количества виртуальных машин с заранее определенными требованиями к ресурсам.
Для построения модели предположим, что виртуализируются только компьютеры учебных классов, и, в общем случае, их должно быть несколько типов, с различными требованиями к ресурсам, но в первом приближении допустим, что все компьютеры одинаковы, и требования к ресурсам заранее известны.
Рассмотрим конечный набор моделей серверов, точнее, серверных платформ, каждая из которых может быть дополнена дополнительной оперативной памятью. Для увеличения объема оперативной памяти можно использовать дополнительные модули памяти разного объема и, соответственно, стоимости.
Предположим, основываясь на практическом использовании виртуализации, что
производительность виртуальной машины приемлема, если объем ОЗУ сервера достаточен для работы виртуальной машины только в оперативной памяти без использования страничного файла подкачки. В этом приближении мы не учитываем загрузку процессора, так как основная цель - это минимизация затрат на первом этапе внедрения Можно считать это первым приближением, которое может быть уточнено в будущем.
Для предложенной модели введем следующие переменные:
5 -множество моделей серверных платформ 5, i=1..l, которые могут использоваться как аппаратные серверы;
С - множество стоимостей моделей серверных платформ, где С; 6 С, i=1..l - стоимость платформы ^;
N - число серверов модели которое будет использоваться в конечном наборе щ 6 N, I = 1.. I;
М - максимальный объем ОЗУ, который может быть добавлен к модели , т^ 6 М, I = 1.. I;
R - объем памяти j-го модуля, г} £ R, j=1..k, где k - это количество типов модулей памяти;
Cv- стоимость j-го модуля памяти, cv. £ Cv, j=1..k, '
P- число слотов памяти сервера s¿,p¿ £ Р, i = l..l.
Поскольку наша цель - минимизация стоимости, то мы должны определить целевую функцию, отражающую полную стоимость набора аппаратных серверов. Полная стоимость каждого сервера соответствующей модели складывается из стоимости базовой серверной платформы (c¿) и стоимости дополнительных модулей памяти (Lkj=icvjají), где ají - число модулей памяти типа j на сервере i.
Таким образом, целевая функция будет выглядеть следующим образом:
F = £i=i(c¿ + Zlj=1 cVjaji)ni (1)
Ниже представлены ограничения целевой функции.
1. Общий объем добавляемой к серверной платформе памяти не должен превышать максимальный объем, поддерживаемый серверной платформой:
< m¿, i=1..l, (2)
2. Общий объем модулей памяти не может превышать числа слотов памяти на сервере:
ZUoji<pi, i=1..l. (3)
3. Общий объем памяти на всех серверах из конечного набора должен обеспечивать достаточный объем памяти для работы необходимого числа виртуальных машин:
>NV, (4)
где Nv - это минимально необходимое количество виртуальных машин, V - объем памяти, необходимый для одной виртуальной машины.
4. Чтобы получить решение, которое имеет смысл, добавим ограничение, требующее, чтобы количество серверов и модулей памяти было целочисленным:
n^Oji > 0, n^Oji — целые
(5)
На первом этапе численного решения мы заполняем оптимальным образом слоты памяти аппаратных серверов планками памяти, чтобы достичь определенной степени заполнения от максимально возможной. В качестве шага возьмем шаг в 25%, то есть рассмотрим варианты с заполнением памяти на 25%, 50%, 75% и 100%. При этом для каждой аппаратной платформы мы минимизируем стоимость закупки необходимого объема памяти подбором необходимых планок памяти. Такую задачу можно сформулировать следующим образом:
с1. = ттТ^=1сУ]ап (6)
с учетом следующих ограничений:
I £?=1 ап < p¿ ' '' '
где д - степень заполнения, которая может быть 0,25, 0,5, 0,75 и 1, что соответствует оперативной памяти сервера, заполненной, соответственно, на 25%, 50%, 75% и 100%.
Совокупность полученных решений мы будем рассматривать как множество аппаратных платформ, то есть на базе одной платформы мы получаем четыре сервера во множестве аппаратных платформ, из которых осуществляется выбор. Соответствующую задачу можно сформулировать следующим образом:
■■( УЧ г- I Д/
где cqJ. - это результат (6) с учетом ограничения (4).
Данная задача представляет собой задачу целочисленного линейного программирования. Численное решение было получено с помощью пакета Matlab.
Исходные данные
В нашем случае выбор осуществляется из серверных платформ HP, поскольку данная серверная платформа широко используется в университете.
Для получения исходных данных были выбраны 11 серверных платформ HP Proliant из продуктовых линеек ML и DL. Серверы ML позиционируется как серверы для малого и среднего бизнеса, DL - стоечные серверы. Одной из основных причин выбора этих линеек для нашего расчета является широкое использование этих серверов в ИТ инфраструктуре ВУЗа. Стоимость и комплектация выбранных для анализа решений взяты с сайта одного из поставщиков серверов HP Proliant [11]. Параметры серверов, которые используются для выбора, представлены в табл. 1. Для наглядности в набор включено несколько моделей двухпроцессорных систем, две модели четырехпроцессорных систем и одна модель восьмипроцессорной системы.
Для расчета мы взяли в качестве требуемой оперативной памяти для машины 4Гб, что соответствует требованиям разработчиков. Для оценки реальной потребности планируемых к размещению виртуальных машин в оперативной памяти необходимо провести нагрузочные тесты. Для VMWare Horizon View можно использовать продукт VMWare ViewPlanner, позволяющий с помощью запуска приложений на тестовой виртуальной машине оценить потребляемые при работе аппаратные ресурсы сервера.
Для каждого из выбранных серверов доступны планки памяти для расширения ОЗУ объема 2Гб, 4Гб, 8Гб, 16Гб, 32Гб и стоимостью, соответственно, 26, 136, 215, 315, 840 USD. Для каждого сервера решается задача оптимального, с точки зрения стоимости, заполнения слотов памяти планками оперативной памяти для достижения степени заполненности, соответственно, в 25%, 50%, 75%, 100% от максимального объема поддерживаемой памяти.
m¿n£i=i£j=i(c¿ + cv]i)aij
(8)
Таблица 1
Используемые в модели параметры серверов.
№ платформы Наименование Объем ОЗУ, Гб Установлено модулей ОЗУ, шт. Максимальный объем ОЗУ, Гб Слотов ОЗУ, шт. Цена, USD
ДВУХПРОЦЕССОРНЫЕ СЕРВЕРЫ
1 ML350e Gen 8 2 1 192 12 1624
2 DL360e Gen8 4 1 192 12 1500
3 DL160 Gen9 8 1 512 16 1580
4 DL180 Gen9 8 1 512 16 1760
5 ML350p Gen8 16 2 384 24 7100
6 DL360p Gen8 8 2 384 24 4000
7 DL380p Gen8 8 1 384 24 3300
8 DL380p Gen9 32 2 768 24 1510 0
ЧЕТЫРЕХПРОЦЕССОРНЫЕ СЕРВЕРЫ
9 DL560 Gen8 16 2 1536 48 3200
10 DL580R07 64 8 2048 64 1076 2
ВОСЬМИПРОЦЕССОРНЫЕ СЕРВЕРЫ
11 DL980 12 8 8 4096 12 8 5057 8
Результаты
Результат решения оптимизационной задачи (6-7) для двух серверов приведен в таблице 2. Заполнение оперативной памяти на 100% не всегда возможно при наличии предустановленных планок памяти. В этом случае рассматривался сервер с максимальным заполнением ОЗУ.
Таблица 2
Заполнение слотов модулями оперативной памяти.
Заполнение ОЗУ, % Модулей по 2Гб, шт. Модулей по 4Гб, шт. Модулей по 8Гб, шт. Модулей по 16Гб, шт. Модулей по 32Гб, шт. Цена, USD
Proliant DL360e Gen8
25 228
6 1 0 2 0 6
50 323
6 1 0 5 0 1
75 363
0 2 7 1 2 1
100 573
0 2 1 7 2 6
Proliant DL360p Gen8
25 554
18 3 0 3 0 9
50 746
12 2 0 10 0 2
Продолжение табл. 2
75 4 2 0 17 0 945 9
100 0 2 1 19 2 118 80
Proliant DL980
25 72 0 0 55 0 672 55
50 0 0 0 128 0 883 78
75 0 0 0 64 64 1219 78
100 0 0 0 8 120 1513 78
Полученный результат использовался для второго этапа расчетов. В нем с помощью метода ветвей и границ происходит выбор оптимального набора серверов для размещения заранее заданного числа виртуальных машин. Причем, из каждой реальной серверной платформы у нас получается четыре варианта серверных платформ в задаче целочисленного программирования.
На рис. 1-4 представлены численные решения оптимизационной задачи для размещения 400, 600, 1200. 1600 виртуальных машин, соответственно.
M N (N h
ÎN Г- (M (Ч Г-
rj ri r-~
» Ü s я
<è î s
s
3
s
-
Рис. 1. Решение задачи для 400 виртуальных машин
Рис. 2. Решение задачи для 800 виртуальных машин.
Рис. 3. Решение задачи для 1200 виртуальных машин
Рис. 4. Решение задачи для 1600 виртуальных машин
Так, на рис. 1 видно, что для минимизации стоимости закупаемого оборудования для размещения 400 виртуальных рабочих столов необходимо приобрести один двухпроцессорный сервер DL360p Gen8 с заполнением оперативной памятью на 75% и восьмипроцессорный сервер DL980, заполненный планками памяти таким образом, чтобы достичь 50% от максимально поддерживаемого объема оперативной памяти. С помощью таблицы 2 мы можем точно сказать, какое количество и каких модулей памяти мы должны докупить. Так, для сервера DL360p Gen8 при условии заполнения ОЗУ на 75% необходимо 17 модулей памяти по 16Гб, 4 модуля памяти по 2Гб и 2 модуля по 4Гб. Согласно таблице 1, при покупке в комплект входит 8Гб предустановленной памяти и 2 слота заняты, то есть в наличии есть два модуля по 4 Гб. Для сервера DL980 с заполнением ОЗУ на 25% необходимо иметь в наличии 72 модуля по 2Гб и 55 модулей по 16Гб, из которых в комплект поставки входит 17, то есть надо докупить 47 модулей по 16Гб и 72 модуля по 2Гб.
Для размещения 800 виртуальных машин требуется покупка одного двухпроцессорного сервера DL360e Gen8 с ОЗУ, заполненной на 75% и двух серверов DL980, с заполнением памяти на 25% и 75%.
Для 1200 виртуальных машин необходимо купить один сервер DL360e Gen8 с заполнением 75%, два сервера DL360p Gen8 с заполнением 75% и два DL980, заполненных на 50%.
Для работы 1600 виртуальных машин нужен один сервер DL360p Gen8 с ОЗУ, заполненным на 75% и три сервера DL980, с заполнением оперативной памяти на 50%.
Анализ полученных результатов для расчета различных количеств требуемых виртуальных машин помогает сделать вывод о моделях серверов с хорошим соотношением цена-качество. Так, в нашем случае, три модели серверов встречаются в решениях наиболее часто: DL360p Gen8, DL980, DL360e Gen8. Тем не менее, консолидация всех виртуальных машин на одном-двух серверах может привести к проблемам отказоустойчивости, так как при выходе из строя мощного сервера можно столкнуться с невозможностью перенести виртуальные машины на другие серверы. Следовательно, в модель необходимо вводить ограничения, позволяющие учесть надежность системы при выходе из строя одного из серверов.
Заключение
Внедрение виртуализации рабочих столов -это следующий шаг в направлении централизации ИТ-инфраструктуры предприятия, который открывает новые возможности для образовательных учреждений в создании интегрированной образовательной среды.
Предложенная модель позволяет
оптимизировать затраты на приобретение оборудования на первом этапе внедрения технологии, снижая финансовую нагрузку на организацию.
Литература
1. Speitkamp B. Mathematical programming approach for server consolidation problems in virtualized data centers/ Benjamin Speitkamp, Martin Bichler // IEEE Trans. Services Comput. - 2010. - Vol. 3. No. Х. - P. 266-278.
2. Utility Analysis for Internet-Oriented Server Consolidation in VM-Based Data Centers/ Y. Song, Y. Zhang, Y. Sun, W. Shi// Proceedings of the IEEE International Conference on Services Computing. - 2009. -P. 1-10.
3. Online self-reconfiguration with performance guarantee for energy-efficient large-scale cloud computing data centers/ H. Mi, H. Wang, G. Yin, Y. Zhou, D. Shi, L. Yuan // Proceedings of the IEEE International Conference on Services Computing. - 2010. - P. 514-521
4. Müller H. Optimizing server consolidation for enterprise application service providers / Hendrik Müller, Sascha Bosse, Klaus Turowski // PACIS 2016 Proceedings. -243. (http://aisel. aisnet. org/pacis2016/243)
5. More than bin packing: On dynamic resource allocation strategies in cloud computing / Andreas Wolke, Boldbaatar Tsend-Ayush, Carl Pfeiffer, Martin Bichler // Information Systems. - 2015. - №52. - Р. 83-95.
6. Verma A. Mapper: power and migration cost aware application placement in virtualized systems/ A. Verma, P. Ahuja, A. Neogi // Proceedings of the 9th ACM/IFIP/USENIX International Conference on Middleware. - 2008. - P. 243-264.
7. Wolke A. Planning vs. dynamic control: Resource allocation in corporate clouds / Andreas Wolke, Martin Bichler, Thomas Setzer // IEEE Transactions on Cloud Computing. - 2016. - 4(3). Р. 322-335.
8. Maziero C. Evaluation of desktop operating systems under thrashing conditions / Carlos Maziero, Douglas dos Santos, Altair Santin // Journal of the Brazilian Computer Society. — 2013. №19 - P. 29-42
9. Efficient resource management for virtual desktop cloud computing / Lien Deboosere, Bert Vankeirsbilck, Pieter Simoens, Filip De Turck, Bart Dhoedt, Piet Demeester // Journal of Supercomputing. - 2012. - №62. -P. 741-767.
10. Маковий К.А. Экономическое обоснование внедрения технологии виртуализации рабочих столов (Virtual Desktop Infrastructure) в ИТ- инфраструктуру высшего учебного заведения/ К.А. Маковий, Ю.В. Хицкова // Современная экономика: проблемы и решения. 2015. № 2 (62). C. 75 - 81.
11. Серверы и комплектующие Hewlett-Packard.-Электрон. дан. - Режим доступа: http://www.proliant.ru/ files/File/HP_proliant_price_09_15.xls.
Воронежский государственный технический университет
SELECTING SERVER RESOURCES FOR VIRTUAL DESKTOP INFRASTRUCTURE
DEPLOYMENT
*D.K. Proskurin, 2K.A. Makoviy
'PhD, Associate Professor, Voronezh State Technical University, Voronezh, Russian Federation
e-mail: pdk@vgasu.vrn.ru 2Assistant Professor, Voronezh State Technical University, Voronezh, Russian Federation
e-mail: makkatya@mail.ru
Virtualization as a technological base of Cloud Computing technology provides significant economic and social advantages for educational institutions. While using server virtualization and centralized management of desktop computers server resources consolidation combined with desktop virtualization facilitates the transition to a new level of IT service delivery. Both server virtualization and desktop virtualization raise the problem of resource usage optimization.
The problem of hardware selection for Virtual Desktop Infrastructure deployment is reviewed in the article. The possibility of applying methods of integer mathematical programming to the problem of virtual machines placement on heterogeneous hardware platforms is thoroughly analyzed. A mathematical model of server platform and RAM selecting for placement of predetermined number of virtual machines with specified RAM requirements, objective functions and constrains are suggested.
Problem solution for the proposed range of hardware server models and different numbers of hosted virtual machines are introduced
Key words: Virtual Desktop Infrastructure, integer mathematical programming, linear programming; equipment costs
References
1. Speitkamp B., Bichler M., "A mathematical programming approach for server consolidation problems in virtualized data centers", IEEE Trans. Services Comput., 2010, vol. 3. No. X, 266-278 pp.
2. Song Y., Zhang Y., Sun Y., Shi W. "Utility Analysis for Internet-Oriented Server Consolidation in VM-Based Data Centers", Proceedings of the IEEE International Conference on Services Computing, 2009, 1-10 pp.
3. Mi H., Wang H., Yin G., Zhou Y., Shi D., Yuan L. "Online self-reconfiguration with performance guarantee for energy-efficient large-scale cloud computing data centers", Proceedings of the IEEE International Conference on Services Computing, 2010, 514-52 pp.
4. Wolke A., Bichler M., and Setzer T. "Planning vs. dynamic control: Resource allocation in corporate clouds", IEEE Transactions on Cloud Computing, 2016, vol. 4(3), 322-335 pp.
5. Müller H., Bosse S., Turowski K. "Optimizing server consolidation for enterprise application service providers", PACIS 2016, Proceedings, 2016, 243 pp. (http://aisel.aisnet.org/pacis2016/243)
6. Wolke A., Tsend-Ayush B., Pfeiffer C., and Bichler M. "More than bin packing: On dynamic resource allocation strategies in cloud computing", Information Systems, 2015, no. 52, 83-95 pp.
7. Verma A., Ahuja P., Neogi A., Mapper P. "Power and migration cost aware application placement in virtualized systems", Proceedings of the 9th ACM/IFIP/USENIX International Conference on Middleware, 2008, 243-264 pp.
8. Maziero C., Santos D., Santin A. "Evaluation of desktop operating systems under thrashing conditions", Journal of the Brazilian Computer Society, 2013, vol. 19, 29-42 pp.
9. Deboosere L., Vankeirsbilck B.,-Simoens P., De Turck F., Dhoedt B., Demeester P. "Efficient resource management for virtual desktop cloud computing", Journal of Supercomputing, 2012, no. 62, 741-767 pp.
10. Makoviy K. A., Khitskova, Yu. V. "Economic basis of Virtual Desktop Infrastructure deployment in institutions of higher education it-infrastructure", Modern economy: problem and solutions, 2015, no. 2 (62)., 75 - 81 pp.
11. "Servers and Accessories of Hewlett-Packard. - Electron. dan.", Access: http://www.proliant.ru/ files/File/HP proliant price 09 15.xls.
