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。     

基于效益分析的云平台资源弹性伸缩方法

针对构建弹性云平台的关键问题展开研究,从提升系统负载自适应能力与资源利用率角度,提出一种基于效益分析的面向作业需求的细粒度云平台资源弹性伸缩方法.为最大化系统可伸缩性,消除集中式集群单点限制,采用资源分层管理策略,实现集群内垂直伸缩与集群间水平伸缩相融合的弹性资源管理架构;为提高系统资源利用率,克服虚拟机方案的资源浪费问题,采用轻量级虚拟化容器,实现面向作业的细粒度资源分配;为保证系统动态资源调整的实时性,避免滞后效应,采用效益预估方法,实现资源预分配并兼顾负载均衡.理论分析与仿真实验表明,本方法能有效实现云平台资源弹性伸缩,减少作业等待时间,并显著提升系统资源利用率.     

基于OpenStack云平台的动态带宽分配策略

在传统云平台网络带宽分配机制中,网络带宽仅在虚拟机创建时分配.虚拟机创建后已分配的带宽难以更改甚至无法更改,这在一定程度上造成了资源的浪费.因此,在不影响网络服务质量下,虚拟机需要一种有效的带宽分配机制来提高带宽的利用率.本文以开源云平台Open Stack为实验环境,以虚拟交换软件Open v Switch和监控软件Ceilometer为工具,提出并实现了基于云平台的动态带宽分配策略.测试结果表明,本策略有效的提高了带宽的使用率.     

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。     

基于蚁群优化算法的云计算资源负载均衡研究

针对云数据中心虚拟机分配物理机时存在负载不均衡的问题,提出了一种基于蚁群优化算法的资源调度算法.对问题场景进行了分析,提出了数据中心负载不均衡度以及物理机与虚拟机之间不匹配度的概念,并给出了问题的形式化描述.在蚁群算法选择概率规则中参考了用户对虚拟机资源的需求,尽量避免对相同类型虚拟机部署在一台物理机上,同时对信息素的初始化、信息素的更新进行了改进.通过CloudSim模拟平台进行仿真实验,并与其他的分配算法进行了比较,实验结果表明:该调度算法能够快速地完成虚拟机的放置,并且使云数据中心的物理机具有较低负载不均衡度,提高了资源的利用率.     

一种基于资源使用阈值边界的虚拟机分配策略

虚拟机分配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。提出一种基于资源使用阈值边界的虚拟机(resource utilization thresholds virtual machine,RUT-VM)分配算法,建立了资源使用效率阈值边界和性能参数的数学模型; RUT-VM算法可以根据云端当前工作负载的状态来获得资源的使用效率情况,在工作负载高于或者低于设置的阈值上界与阈值下界时,将物理主机上的虚拟机进行迁移,放置到新的物理主机上。利用CloudSim3.0作为云数据中心的云端RUT-VM分配策略的测试环境。测试结果表明,RUT-VM分配算法可以减少云数据中心的服务等级协议(service level agreement,SLA)违规,保证云计算的服务质量, 与其它的虚拟机分配算法比较起来,可以明显的降低能量消耗。     

基于个性化的云平台虚拟机部署机制的研究

云平台中传统虚拟机部署策略通常是依据单一性能指标来选择目标宿主机,而忽略了承担不同业务的虚拟机对不同资源依赖性的差异,从而导致因资源得不到合理分配而引起的过度迁移现象。针对以上问题,提出了云平台下一种虚拟机的个性化部署机制,该机制通过时间序列预测机制对宿主机的负载进行预测,并结合虚拟机的个性化负载需求,选择并部署在适当的宿主机上。实验结果显示,利用该机制部署虚拟机,在一定程度上能够有效降低虚拟机迁移频率,延长发生首次迁移的时间。     

基于主元分析法的虚拟机异常监控研究

面临云平台中虚拟机使用异常的监控系统缺乏问题,以现有的IaaS开源云平台Eucalyptus和基于Linux内核的Xen虚拟机为基础,研究基于主元分析法(primary component analysis,PCA)的虚拟机异常监控方法,并在此基础上设计在云环境中基于Xen虚拟机异常使用的监控系统.该系统可以对采集到的数据进行分析,判断虚拟机是否出现使用异常并定位异常.实验结果表明,采用基于主元分析法的虚拟机异常监控系统对云环境中的虚拟机产生的异常检测准确度较高,在定位异常方面也有较好的准确度.该研究成果为云环境下虚拟机异常监控提供了有效的理论研究依据和应用实践价值.     

云计算中运营商效益最优的资源分配机制

针对传统的虚拟机调度方法中虚拟机申请时,调用相应负载均衡算法将虚拟机调度到相应的物理服务器上,不能达到整体效益最优的问题,提出了一种实时满足运营商资源最高效益的动态调度方法.每次新加入用户时,新加入的用户资源和先前分配的资源一起重新在所有服务器上规划,进行全局虚拟机调度,迁移那些能给系统带来足够效益部分虚拟机,完成全局最优的虚拟机部署.该方法对云中资源进行了合理的高效益规划,大大节约运营商成本,提高了云中资源利用率,降低了能耗.     

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.     

基于粒子群算法的云计算资源配置研究

对于云计算而言,虚拟机资源的合理高效配置具有重要意义.该文对粒子群方法进行到云计算资源配置的映射,详细地设计了3个约束条件和目标函数.目标函数中包含了资源利用率和迁移次数2个优化目标,整个虚拟机资源的配置过程设置了8个步骤.实验结果表明:同2种参照方法相比,该文所提出的基于粒子群算法的云资源配置方法完成配置后,不仅资源利用率高、迁移次数低,其迭代过程和迭代时间也令人满意.     

云计算环境下多目标约束的虚拟资源动态调度

为了解决静态资源调度所导致的CPU利用率不高的问题,研究了多目标约束的虚拟资源动态调度方法。给出了云计算虚拟资源调度模型,设计了多目标约束的虚拟资源表示方法,采用马尔科夫链对虚拟资源的下一时刻状态进行预测,从而得到可用资源向量;最后,计算任务与可用资源向量之间的匹配向量,将任务分配给匹配向量中具有最大各维分量之和的虚拟资源进行调度,并提出了具体的采用基于马尔科夫链预测的云计算虚拟资源动态调度算法。实验结果表明：该算法能有效解决云环境下多目标约束的虚拟资源动态调度问题,具有较小的负载均衡离差和任务执行跨度,较其它方法具有较大的优越性。     

基于人工蜂群的云计算负载均衡算法

针对云计算负载均衡问题,基于人工蜂群的思想设计负载均衡算法。首先建立了云计算系统中计算负载的数学模型;在此模型基础上,分三步实现负载均衡:①负载均衡决策,计算云系统整体的负载,在云系统整体上尚未过载且负载不均衡的前提下,启动后续步骤;②虚拟机分组,将云系统中的全体虚拟机分别归入过载、低负载、负载均衡三个分组。后续步骤中需要被迁移的计算任务通常处在过载虚拟机之上,而迁移目的地通常是一个低负载虚拟机;③计算任务调度,将过载虚拟机上的任务向外迁移,并设计规则来选择恰当的低负载虚拟机作为迁移目的地。实验验证了所提算法的有效性。     

基于最大收益平衡点动态变化的云资源调度算法

云计算中资源调度是云计算高效利用的核心问题,主要研究如何对云端的资源进行有效地管理和调度?以从服务商需求的角度构建云资源调度的方法为切入点,从服务商的角度出发,在不损害用户和生产商利益的前提下,介入收益?成本?边际收益?边际成本等因素,以节省资源并获得服务商的最大收益为优化目的,根据最大收益平衡点随着负载变化的动态变化,构建了一种基于动态平衡点动态变化的云资源调度算法?通过比较当前周期和上一周期的边际收益变化,动态更新最大收益平衡点的位置,根据此位置对应的参数完成云资源调度?通过CloudSim平台下的仿真实验表明,该方法比基于服务驱动的调度方法具有更快的响应?使用更少的虚拟机?能获得更大的收益?     

云平台调度能耗测量研究*

针对云计算平台利用异构网络资源建设资源池,带来的针对IPv4/IPv6异构网络资源的云计算平台进行能耗度量问题,提出了一种基于分析随机任务变化带来的CPU能耗变化的动态能耗度量数学模型。采用以测试节点为基础,确定数学模型参数值的方法对测试节点CPU频率、CPU使用率进行实时监测;并进行了IPv4/IPv6同构云计算平台虚拟机迁移实验。实验结果得出了IPv4/IPv6过渡前期、中期与后期云计算平台虚拟机迁移能耗;符合云计算能耗测量需求。     

SaaS应用中基于SLA的资源分配研究

随着云计算的普及,软件即服务(Software as a Service,SaaS)得到了广泛的关注.SaaS应用中,需要满足客户服务等级协议(Service Level Agreement,SLA)要求、减少SLA服务违例的同时,尽量提高系统资源的利用率,这对资源分配策略提出了挑战.提出了SaaS模式下的基于SLA的资源分配策略:基于对客户请求动态变化的分析,针对"首次租用服务"和"租用服务升级"两种请求类型,提出了一种用户请求与底层资源的映射策略;提出了提高虚拟机重用度的基于SLA的资源效率优化分配算法.实验表明,该资源分配算法可以在有效保证服务质量的同时,提高资源的利用率.     

基于多目标优化的虚拟机放置方法

在虚拟机放置问题中,传统启发式方法不能完全适用于复杂的云计算环境,采用智能算法的研究又缺乏对时间开销的考虑。针对上述问题,提出一种基于Memetic算法的虚拟机放置(Memetic algorithm-based virtual machine placement MAVMP)方法。MAVMP方法针对云数据中心运营情况建立了最小化能耗、最小化运行时服务等级协议违例率(service level agreement violation time per active host, SLATAH)以及最大化资源利用率的多目标优化模型,将虚拟机按照资源请求情况进行分类,并利用该分类方法改进了Memetic算法,利用改进后的Memetic算法求解多目标优化模型,得到虚拟机放置方案。仿真实验结果表明,仿真数据中心利用MAVMP方法进行虚拟机放置后,其在能耗、资源利用率以及服务质量的评价指标上都有着良好表现。并且,MAVMP方法与已有的基于智能算法的虚拟机放置方法相比计算时间也大幅下降。