基于粒子群算法的云计算资源配置研究

资源配置效率决定了云计算的服务效率.为了获得更好的资源配置效果,该文对一般的粒子群算法进行了改进.在改进过程中,高斯参数被引入到粒子速度和粒子位置的更新公式之中,重新设置了适应度函数.2个测试函数的使用,从理论上证实了改进粒子群算法的性能更优.实验结果表明,改进粒子群算法的配置速度快、资源利用率高,更加适合于云计算的资源配置任务.     

基于改进的粒子群优化的云计算资源调度模型

针对云计算系统中多任务并发模式下引发的资源竞争,本文提出了一种基于改进的粒子群优化的云计算资源调度分配模型,以提高资源利用率.首先,对云计算系统中的资源调度问题进行形式化描述,构建以任务的总完成时间为优化对象的目标函数.其次,求解时采用粒子群优化算法,为保证收敛速度且避免粒子群在搜索过程中陷入局部最优,定义了惯性权重函数.另外,引入一个调整算子以优化位置更新.仿真结果表明,本文提出的资源调度分配模型能够有效提高云计算资源利用率,大幅减少任务的处理时间.     

云数据中心基于负载预测的物理主机状态检测策略

针对云数据中心现有物理主机状态检测算法对提高云数据中心物理资源的利用率效果不明显问题,提出了基于负载预测的物理主机状态检测策略(load prediction based physical host status detection,LP-PHSD),LP-PHSD利用时间序列和二次指数平滑法预测出物理主机在未来一段时间内的资源利用率情况,同时结合绝对中位差方法,确定资源利用率动态阈值边界,选择适当的时刻进行迁移,提高物理资源的利用效率,降低能量消耗.LP-PHSD包括源物理主机状态检测和目标物理主机状态检测2个部分,可以很好地判断出虚拟机迁移的时刻.实验表明,经LP-PHSD策略优化后的新虚拟机迁移方法与近几年的BenchMark迁移模型比较起来,云数据中心的总体能量消耗降低,虚拟机迁移次数减少,云服务质量明显提高.     

基于虚拟机迁移的虚拟机集群资源调度

针对虚拟机集群资源负载不平衡的问题,基于虚拟机迁移技术,提出了一种虚拟机集群资源调度策略,将虚拟机的资源进行了分类并用向量表示,描述了每一类资源的数量和负载的计量方法,用最佳适应算法寻找虚拟机迁移的目标主机,通过使用上限阈值和下限阈值约束资源利用率的方法,使负载平衡目标与节能目标相统一,引入最小迁移周期避免了虚拟机资源利用率不稳定带来的频繁迁移.该调度策略能为虚拟机中的应用提供透明的资源调度,并使虚拟机集群达到负载平衡和节能的双重目标.     

一种云环境下的虚拟机负载均衡算法

针对多数负载均衡算法都以虚拟机的CPU、内存等资源的利用率作为优化目标,而未考虑虚拟机上总任务工作时长不均衡导致任务总等待时长增加的问题,提出一种结合随机森林分类器的粒子群优化算法用于解决虚拟机的负载均衡问题.该算法不仅均衡了虚拟机的CPU利用率和内存利用率,也将虚拟机上总任务工作时长作为优化目标,以达到均衡虚拟机资源利用率,同时减少任务总等待时间的目的.仿真实验结果表明,该算法能有效解决虚拟机的负载均衡问题.     

基于改进量子粒子群算法的云计算资源调度

资源调度优化是云计算系统应用中的关键技术,针对标准量子粒子群优化算法收敛速度慢、求解效率低的缺陷,提出一种基于改进量子粒子群算法的云计算资源调度方法。首先在分析云计算资源调度研究现状的基础上,建立了相应的数学模型,然后采用量子粒子群优化算法对其进行求解,在求解过程中,对平均最优位置进行随机扰动,协助粒子逃离局部最优解,最后采用通过仿真实验对其性能进行分析。结果表明,该文方法可以有效提高云计算资源的利用率,保证它们之间负载均衡,具有较好的应用价值。     

绿色云计算环境中基于温度感知的虚拟机迁移策略

虚拟机迁移策略是提高云数据中心的物理主机利用率和降低能量消耗的关键技术。提出了绿色云计算环境中基于温度感知的虚拟机迁移策略 (temperature-aware virtual machine migration,TA-VMM)。主要考虑物理主机处理器的温度情况作为选择和分配虚拟机的关键因素。建立了虚拟机迁移过程中物理资源的温度和能量的数学模型; 以最小温度距离 (minimum temperature distance,MTD)作为虚拟机选择的重要考虑因素;以温度距离比率 (temperature distance ratio,TDR)作为虚拟机重新分配的重要考虑因素;以Cloudsim3.0云计算模拟器中的物理主机超负载检测算法和虚拟机分配策略作为TA-VMM的性能比较对象。利用Cloudsim3.0模拟器建立了TA-VMM的仿真环境,实验结果表明,与Cloudsim中已有的虚拟机迁移策略比较,TA-VMM在节省能量和虚拟机迁移次数方面具有较好的性能, 服务协议(service level agreement,SLA)违规方面只有极小的增加。     

基于改进粒子群优化算法的船舶航向控制

通过船舶响应型数学模型、舵机伺服系统、海浪干扰模型和PID控制器来设计船舶航向控制,并且将粒子群优化算法(PSO)加入到航向控制中,获得最优PID参数值。考虑到粒子群迭代次数和搜索过程中目标函数对PID参数值有一定的影响,主要研究改变迭代次数和目标函数来比较对应的PID参数,根据不同PID参数对应不同的控制效果,继而得出最优控制效果。结果表明:在迭代次数90时,能得到控制效果较好的PID控制参数,目标函数的改变对PID参数值的影响较大。     

监控与预测的云资源优化配置

针对云环境下虚拟机资源在多数时间中处于闲置状态导致云资源利用率低的问题,设计一种云资源监控系统,并在云监控基础上提出一种基于自回归积分滑动平均(ARIMA)模型的动态负载预测与资源配置的方法.该方法利用虚拟机负载与配置的关系,通过预测负载情况,提前启动或者挂起虚拟机,提高云资源的利用率.研究结合OpenStack云环境提供的虚拟机,实现其下的云资源监控,预测和弹性分配功能.结果表明:该系统能准确预测虚拟机的需求量,所制定的资源弹性分配策略能够提高云资源的利用率,进一步节约成本.     

云计算环境下虚拟机动态整合关键技术研究进展

虚拟机的动态整合是提高云计算物理资源利用率和降低云数据中心能耗的有效途径。在分析云计算环境下虚拟机动态整合的相关研究进展及现有关键技术的基础上,给出云计算的体系结构;详细讨论能耗、服务质量(quality of service,QoS)、服务等级协议(service level agreement,SLA)和虚拟机迁移成本4个指标,并提出总体优化目标;根据虚拟机动态整合的三个步骤探讨相关研究方法和关键技术,并从能耗与性能优化的角度进行分析;指出目前研究中的重点问题,并对动态整合策略、能效与性能的折中、QoS和SLA、资源分配和安全性等方面的研究进行展望。     

Virtual Machine-Based Task Scheduling Algorithm in a Cloud Computing Environment

Virtualization technology has been widely used to virtualize single server into multiple servers, which not only creates an operating environment for a virtual machine-based cloud computing platform but also potentially improves its efficiency. Currently, most task scheduling-based algorithms used in cloud computing environments are slow to convergence or easily fall into a local optimum. This paper introduces a Greedy Particle Swarm Optimization(GPSO) based algorithm to solve the task scheduling problem. It uses a greedy algorithm to quickly solve the initial particle value of a particle swarm optimization algorithm derived from a virtual machine-based cloud platform. The archived experimental results show that the algorithm exhibits better performance such as a faster convergence rate, stronger local and global search capabilities, and a more balanced workload on each virtual machine. Therefore, the GPSO algorithm demonstrates improved virtual machine efficiency and resource utilization compared with the traditional particle swarm optimization algorithm.     

基于DPSO负载可控的虚拟网络映射算法

针对多租赁模式下的虚拟网络映射问题，以降低底层链路负载、加快映射速度、提高底层物理资源利用率为目标，将离散粒子群算法与虚拟节点映射规则相结合，提出了物理节点可复用、负载可控制的MLB-VNE-SDPSO算法.该算法在兼顾CPU等主机资源利用率的前提下节约了物理链路的带宽资源，缩短了虚拟链路的映射过程.仿真实验表明，在保证网络负载的前提下，获得了较好的物理节点利用率，提高了虚拟网络的收益成本比.     

基于负载预测的虚拟机资源优化分配方案

云计算环境下,为了提高主机资源利用率和保证性能,考虑了主机负载因素的影响,提出了一种基于负载预测的虚拟机资源优化分配方案。通过预测主机负载情况,过滤掉即将达到警告值的主机,保证主机性能,防止虚拟机因负载过重发生不必要的迁移;对参与分配的物理机进行资源最大化利用分配,提高物理主机的资源利用率。通过仿真实验对该方案进行验证。实验结果表明该方案在保证了主机性能的同时提高了资源利用率。     

一种用于云计算的数据容灾分配算法的改进

在云计算环境下进行数据容灾分配,可以提高云计算数据资源调度能力。传统算法采用粒子群数据聚类方法进行数据的容灾分配,数据负载均衡差,同时消耗数据任务调度的吞吐率。提出一种新的数据容灾分配改进算法。首先建立云计算环境下数据容灾分配层次结构模型,计算整个数据资源处理平台的整体响应时间,将云计算下的数据资源容灾分配优化问题转化为数据资源分配响应时间最小化问题;利用多用户QoS开销适应度运算机制和粒子群聚类算法对云计算中数据资源任务进行权衡分配,减少数据权衡调度时间,提高数据容灾备份能力。实验结果表明,采用改进算法可以提高数据容灾分配时数据的召回率和云计算数据任务权衡调度能力,在云计算信息处理中具有较好的应用价值。     

基于虚拟现实技术的安全智能无线网络资源动态分配方法研究

不同时刻使用无线网络的用户数量不同,安全智能无线网络资源分配处于动态变化中。当前资源分配方法无法适应动态变化环境,导致整个无线网络吞吐量高、资源利用率低下、整体效用差。为此,提出一种新的基于虚拟现实技术的安全智能无线网络资源动态分配方法,给出选择的虚拟现实架构,对虚拟现实架构进行分析。在对安全智能无线网络资源进行动态分配时,将增强网络吞吐量,减少延迟,保证系统稳定和用户的服务质量看作分配原则;将整体效用最大化作为目标函数,实现资源分配。通过粒子群算法对目标函数进行求解。实验结果表明,采用所提方法对安全智能无线网络资源进行动态分配,不仅能够保证网络吞吐量,而且资源利用率高,整体效用强。     

一种基于粒子群优化的虚拟资源分配方法

针对云计算环境下存在虚拟化资源利用率不高?延迟?性能衰减等问题,提出一种基于粒子群的虚拟资源分配优化方法?根据云计算优势,对虚拟化资源 进行描述及状态定义,分析了虚拟环境下的服务质量(quality of services,QoS)组成和计算方法;同时通过用户与云提供商收益最大化的平衡关系,建立一种虚拟化操作方法,以确保虚拟化资源被合理分配和回收;采用粒子群算法使用户和虚拟服务提供方都能趋于收益平衡?在此基础上设计的一款云播放器与直接嵌入到Web播放器相比得出,提出的粒子群优化方法有效且将资源利用率至少提高10%,与QoS约束的二元整数规划方法相比,提出的方法操作虚拟资源更有效?     

云计算中基于拍卖的虚拟机动态供应和分配算法

当前云计算供应商通过定价算法或类似拍卖的算法来分配虚拟机（virtual machine,VM）。针对这些算法大多要求虚拟机静态供应,无法准确预测用户需求,导致资源未得到充分利用的问题,提出一种基于组合拍卖的虚拟机动态供应和分配算法,在做出虚拟机供应决策时考虑用户对虚拟机的需求。该算法将可用的计算资源看成是“流体”资源,且这些资源根据用户请求可分为不同数量、不同类型的虚拟机实例。然后可根据用户的估价决定分配策略,直到所有资源分配完毕。基于并行工作负载存档（parallel workload archive,PWA）的真实工作负载数据进行了仿真实验,结果表明该方法可保证为云供应商带来更高收入,提高资源利用率。     

基于混合能量收集的移动边缘计算系统资源分配策略

针对移动终端(mobile terminal,MT)从环境射频源收集能量较少的问题,研究基于混合能量收集的移动边缘计算系统资源分配策略.通过在基站覆盖区域内部署多个磁感应能量快速充电站,当MT从环境射频源收集的能量即将耗尽时,在附近的磁感应能量快速充电站补充能量.MT通过移动边缘计算将计算任务分流到边缘服务器.将资源分配问题建模为优化问题,以最小化MTs总能量消耗为目标,同时满足MT最大计算能力、边缘服务器最大计算资源、任务计算总时延和MT电池能量的约束条件.通过引入量子行为粒子群优化算法,获得次优解.仿真结果表明,与标准粒子群优化算法和相等分配边缘服务器计算资源的方法相比,量子行为粒子群优化算法具有更少的能量消耗.