移动通信网络云计算的解决方案

(3) 采样值计算公式：

LOAD(Ni)= R1×Llic (Ni)+R2 × Lcpu(Ni )+R3× Lmemory(Ni)+R4 × Lio(Ni)

(4) 判断周期及方法：

针对上述加权后的负载值，可通过多次连续取样的方式进行综合判断。关于采集权值的周期设置，虽然很短的周期可以更确切地反映各个计算单元的即时负载，但是很频繁地采集会给调度中心和被检测计算单元带来负担，也可能增加不必要的网络负荷[16]。为解决该问题可适当地调整采集负载信息的周期（建议可以在10~15 s）；同时使用滑动窗口来避免采样数据的抖动。

(5) 调度决策：

根据以上多次周期性采样获得的数据结合虚拟单元的负载区间进行比对，实现对计算单元负载的智能判断并采取相应的调度处理策略。

通过以上方案可切实解决移动运营商建设可伸缩性业务平台的要求，有效降低业务平台的资本性支出(CAPEX)和运营成本(OPEX)，减少投资浪费，获取更大的利润空间。

3 结束语

在目前移动通信网络各业务平台仍处于独立建设的情况下，运营商在前期建设投资过程中往往都是根据预测的节假日最大业务量峰值评估规模，这样即便峰值预估准确也会造成投资的浪费。同时如果低估了峰值出现配置不足的情况，则可能会导致直接拒绝超量用户的业务请求。不仅被拒绝的用户不可能带来任何收益，而且由于业务服务感知差，致使用户失去信心不会再次使用，造成用户流失的严重后果。

如图4所示，通过业务层的动态调度结合虚拟化技术可使资源分配与实际业务量曲线趋于一致，规避上述两种情况的发生。

文章中提出的"业务调度和虚拟化"是移动通信网络云化的一种可选方案，具备云计算思想的以下特征：

(1) 可按需获取看似无限的计算资源，使云计算用户不用在提供服务很久之前就要做计算资源的计划。

(2) 消除了云用户的事先投入，从而使业务可以从小规模做起，随着需求增加来扩展他们的硬件资源。

(3) 能够以很短的时间为单位付费按需使用计算资源，不需要的时候就将这些资源释放。这样，通过将闲置的机器和存储器释放来节省开支。

业务调度和虚拟化技术方案的提出为移动通信产业的计算云落地提供了一种具体的解决思路和方法。相信在不久的将来，业务调度和虚拟化技术的解决方案会逐步成为移动通信产业的主要建设模式。

4 参考文献
[1] Armbrust m, Fox a, Griffith r,et al. Above the clouds: A Berkeley view of cloud computing[R]. UCB/EECS-2009-28. University of California at Berkeley, 2009.
[2] Washington post case study: Amazon Web services [EB/OL]. [2008-03-13].
     http://aws.amazon.com/solutions/ case-studies/washington-post.
[3]Amazon.com CEO Jeff Bezos on Animoto [EB/OL]. [2008-04-21].http://blog.animoto.com.
[4] Vouk M A. Cloud Computing-Issues, Research and Implementations[C]// Proceedings of the 30th International Conference on Information Technology Interfaces(ITI’08),Jun 23-26,2008, ?Dubrovnik, Croatia. Piscataway,NJ, USA: IEEE, 2008:31-40.
[5] BARROSO L A, HOLZLE U. The Case for Energy-Proportional Computing[J]. IEEE Computer,2007,40(12):33- 37.
[6] Bechtolsheim A. Cloud Computing and Cloud Networking. Talk at UC Berkeley[EB/OL]. [2008-08-10]. http://fi.consolidate-it.eu/tool_userfiles/file/CloudNeworkingQandA2008.
[7] 云计算的演进和挑战性问题(3).[EB/OL]. [2009-05-13].http:// www.cncloudcomputing.com/jinghua/182_3.html.
[8] Dean J, Ghemawat S. MapReduce: Simplified Data Processing on Large Clusters[C]// Proceedings of the 6th USENIX Symposium on Operation Systems Design and Implementation (OSDI'04), Dec 6-8, 2004, San Francisco, CA USA. Berkeley, CA, USA: USENIX Association,2003:10.
[9] BULKELEY W M. IBM, Google, Universities Combine ‘Cloud’ Foces[J].The Wall Street Journal,2007-10-08.
[10] Demers a j, Petersen k, Spreitzer m j,et al. The Bayou Architecture: Support for Data Sharing Among Mobile Users[C]// Proceedings of the 1st IEEE Workshop on Mobile Computing Systems and Applications (WMCSA’94), Dec 8-9,1994, Santa Cruz ,CA, USA. Los Alamitos,CA,USA:IEEE Computer Society, 1994: 2-7.
[11] Garfinkel s l. An evaluation of Amazon’s Grid Computing Services: EC2, S3 and SQS [R]. TR-08-07. Harvard University, 2007.
[12] Ghemawat s, Gobioff h, Leung s t,et al. The Google File System[C]// Proceedings of the 19th ACM SIGOPS Symposium on Operating Systems Principles (SOSP’03), Oct 19 - 22, 2003, Bolton Landing, NY, USA. New York, NY, USA: ACM, 2003: 29-43.
[13] Gray J. Distributed Computing Economics[M]. New York, NY, USA:ACM Press, 2008:63-68.
[14] Gray J, Patterson D. A Conversation with Jim Gray[M]. New York, NY, USA:ACM Press, 2003:8-17.
[15] HAMILTON J. Cost of Power in Large-Scale Data Centers [EB/OL]. [2009-05-13].http://perspectives.mvdirona.com/2008/11/28/CostOfPower.
[16] HAMILTON J. Internet-Scale Service Efficiency[C]. Proceedings of the 2nd Workshop on Large-scale Distributed Systems and Middleware (LADIS'08), Sep 15-17, 2008, Yorktown Heights, NY,USA. New York,NY,USA: ACM,2008.

欧阳新志，南京理工大学计算机科学及应用专业毕业，现就职于中兴通讯业务研究院消息类产品研发总工；主要研究业务运营&融合业务云，曾从事语音、短信、WAP等项目的研发和市场方案推广工作，对移动增值业务和互联网业务有多年的了解和研究。