linux下简单的自适应CPU利用率的控制(Python实现)

简介:
最近在做的是虚拟化相关的一个demo,牵涉到虚拟化环境下的服务器负载均衡。我们用到一个简单的case,就是在负载出现“不平衡”的时候,进行 live migration。由于只是demo需要,我们的负载暂时只考虑到cpu的利用率。而实际准备中,由于没有客户端的压力,很难做到CPU利用率的精确控 制。这里写了个简单的脚本程序,通过自适应的调节,来达到将服务器CPU利用率控制在一定的范围内,从而为确保在某台服务器CPU过高的时候,会自动将虚 拟机live migration到其他CPU利用率低的机器上的测试做了准备。
python实现的脚本如下,这个脚本需要5个数字参数的输入,分别为:
最低CPU利用率,最高CPU利用率,初始线程数量,每次调节的线程数量,每个线程睡眠的时间(毫秒)
当然,很大程度上,由于硬件环境的不同,这些参数带有很强的经验性。
#!/usr/bin/python
import threading
import time
import os
import string
import sys
class ControlThread(threading.Thread):
 
  def __init__(self):
    threading.Thread.__init__(self)
    self.runflag = True #线程运行标示,用于将来减少线程时能够正常结束
  def run(self):
    while self.runflag:
      os.popen('usleep ' + sys.argv[5])
      #time.sleep(string.atof(sys.argv[5]))
#这里使用的是linux下shell里面的usleep,而不是python自带的sleep函数。
#相比之下,usleep还是相当强大的,而python的sleep单位为秒,虽然可以输入浮点数,但还是相对弱了些
  def stop(self):
    self.runflag = False
#让其正常终止循环
threadList=[]
print 'Start Thread Number:' + sys.argv[3] + '\tSleep Time(ms):'+ sys.argv[5]
#初始化一定数量的线程,否则从零开始,可能需要很长的时间才能达到指定范围
for i in range(0,string.atoi(sys.argv[3])):
  thread = ControlThread()
  threadList.append(thread)
  thread.start()
#这里使用sar来抓取cpu利用率,这里指的是总的cpu利用率。然后通过比较,进行自适应调整
while True:
  output = 100 - string.atof(os.popen('sar 1 1 | grep ^Average | awk \'{print $8}\'').read())
  print 'CPU Usage:' + str(output) + '\tCurrent Thread Number:' + str(len(threadList))
  if output < string.atoi(sys.argv[1]):#增加线程
   for i in range(0,string.atoi(sys.argv[4])):
    thread = ControlThread()
    thread.start()
    threadList.append(thread)
   print "+++++"
  if output > string.atoi(sys.argv[2]):#减少线程
   for i in range(0,string.atoi(sys.argv[4])):  
    thread = threadList.pop()
    thread.stop()
   print "-----"
 
总的来说,这个脚本比较简单,而且在不同的机器上,需要操作人员的经验来初始化才能达到最佳效果。但这毕竟是我第一个python程序,而且也达到了预期的目的。以上只是能运行的核心代码,至于usage,错误处理,退出程序等,就没有给出来了:)


本文转自Intel_ISN 51CTO博客,原文链接:http://blog.51cto.com/intelisn/130719,如需转载请自行联系原作者
相关文章
|
1月前
|
并行计算 数据处理 Python
Python并发编程迷雾:IO密集型为何偏爱异步?CPU密集型又该如何应对?
在Python的并发编程世界中,没有万能的解决方案,只有最适合特定场景的方法。希望本文能够为你拨开迷雾,找到那条通往高效并发编程的光明大道。
42 2
|
2月前
|
开发框架 并行计算 算法
揭秘Python并发神器:IO密集型与CPU密集型任务的异步革命,你竟还傻傻分不清?
揭秘Python并发神器:IO密集型与CPU密集型任务的异步革命,你竟还傻傻分不清?
46 4
|
1月前
|
监控 并行计算 数据处理
构建高效Python应用:并发与异步编程的实战秘籍,IO与CPU密集型任务一网打尽!
在Python编程的征途中,面对日益增长的性能需求,如何构建高效的应用成为了每位开发者必须面对的课题。并发与异步编程作为提升程序性能的两大法宝,在处理IO密集型与CPU密集型任务时展现出了巨大的潜力。今天,我们将深入探讨这些技术的最佳实践,助你打造高效Python应用。
38 0
|
19天前
|
缓存 监控 Linux
|
26天前
|
缓存 监控 Linux
Python 实时获取Linux服务器信息
Python 实时获取Linux服务器信息
|
24天前
|
缓存 Linux
揭秘Linux内核:探索CPU拓扑结构
【10月更文挑战第26天】
36 1
|
24天前
|
缓存 运维 Linux
深入探索Linux内核:CPU拓扑结构探测
【10月更文挑战第18天】在现代计算机系统中,CPU的拓扑结构对性能优化和资源管理至关重要。了解CPU的核心、线程、NUMA节点等信息,可以帮助开发者和系统管理员更好地调优应用程序和系统配置。本文将深入探讨如何在Linux内核中探测CPU拓扑结构,介绍相关工具和方法。
20 0
|
1月前
|
安全 Linux 开发者
|
1月前
|
开发框架 并行计算 .NET
脑洞大开!Python并发与异步编程的哲学思考:IO密集型与CPU密集型任务的智慧选择!
脑洞大开!Python并发与异步编程的哲学思考:IO密集型与CPU密集型任务的智慧选择!
29 1
|
2月前
|
Java Linux Python
Linux环境下 代码java调用python出错
Linux环境下 代码java调用python出错
56 3
下一篇
无影云桌面