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。     

一种融合虚拟机选择的虚拟机放置方法

为了节省云数据中心的能量消耗,提出一种融合虚拟机选择的虚拟机放置方法.该策略将虚拟机迁移过程划分为物理主机状态检测,虚拟机选择和虚拟机放置3个步骤;在物理主机状态检测和虚拟机选择阶段,选取了Cloudsim项目中已有的且被证明是优秀的鲁棒局部归约检测方法和最小迁移时间选择方法;在最后的虚拟机放置阶段,以虚拟机和物理主机...     

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。     

带安全检测的云数据中心虚拟机迁移策略

在云数据中心的构造过程中,通过设计安全的架构来降低能量消耗是一种新的思路.提出了基于安全检测的虚拟机迁移策略,利用隔室技术及病毒传染模型(susceptible infected recovered,SIR)在虚拟机迁移过程把有安全威胁的虚拟机隔离出来,保证云数据中心的能量消耗与安全级别的平衡;参考Cloudsim项目中虚拟机迁移方法,将基于安全检测的策略分为安全虚拟机选择算法(security based selection,SBS)与安全虚拟机放置算法(security based placement,SBP);以Cloudsim云计算模拟器中的虚拟机选择及虚拟机放置策略作为性能比较对象.仿真实验结果表明,基于安全检测的虚拟机迁移策略可扩展性较好,可以抵御网络攻击,在能量消耗上只有少量的增加,可以作为其他云服务提供商构造云数据中心的参考模型.     

云环境下面向能耗降低的虚拟机部署算法

为降低大规模数据中心的能耗,提出了一种虚拟机部署算法——三阈值节能算法(TTEA).该算法利用能耗与处理器资源利用率的线性关系,将负载过重和负载过轻主机上的虚拟机迁移到负载适度的主机上,而负载正常主机上的虚拟机不发生迁移.基于TTEA,进一步提出了4种虚拟机的选择策略,并通过实验对比选择HLGP策略作为最佳策略.仿真结果表明,与单阈值算法和双阈值算法相比,HLGP策略能有效降低数据中心的能耗,保持高的服务质量.     

数据中心多目标虚拟机管理研究

通过建立起资源使用、服务器热点与电源能耗三者的统一优化模型,设计多目标虚拟机动态管理系统,协同优化资源使用、服务器热点和电源能耗,以使得数据中心的效益达到最优.鉴于数据中心负载流量的动态波动性,采用基于滑动窗口的两级状态检测策略来决策迁移虚拟机时刻,基于多目标统一优化模型设计相应算法来解决迁移虚拟机和目的主机的选择问题.最后在Xen虚拟机平台上测试该系统,实验结果表明:本文设计的虚拟机动态管理方法能够较好地协同优化数据中心的资源使用、服务器热点和电源能耗,使得数据中心的效益达到最优.     

基于层次拓扑树的虚拟机节能分配算法

为了均衡分布式数据中心物理主机多维资源的利用率,减少物理主机使用数量,节约能耗,提出了一种基于层次拓扑树的虚拟机节能分配算法HTES(hierarchical topology energy saving),此算法可以有效提升虚拟机分配效率.利用Laplacian矩阵,对大规模网络拓扑分割,建立了层次拓扑树模型.基于层次拓扑模型,根据虚拟机请求中IP地址与数据中心的距离,将虚拟机请求分组,从层次拓扑树模型中查询合适的物理主机区域,按虚拟机请求与物理主机的资源匹配度进行虚拟机的分配.将HTES与其他3种算法进行模拟仿真实验,从虚拟机分配时间、资源均衡率、能耗和物理主机使用情况等方面验证了HTES算法能够有效加快物理主机搜索速度,增加底层占用物理主机的集中度,降低底层物理主机的使用数量,达到节约能耗的目的.     

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。     

基于网络感知的两阶段虚拟机分配算法

提出了一种基于网络感知的两阶段虚拟机分配算法(NWTP).首先,针对现代数据中心网络拓扑的随机性(树形、服务器和光纤混合),根据交互对象的不同,将虚拟机的带宽请求分为网内带宽和网间带宽两种.其次,将虚拟机的分配过程分解成带宽区域划分和物理主机分配两个彼此连续的阶段,建立网络感知模型.然后,利用流水线技术将带宽区域划分和物理主机分配看作两个连续的工序,并发进行分配处理.在带宽区域划分环节,利用节点介数和聚集系数动态感知物理主机的稳定性,通过差异化的分配策略为虚拟机子集选择合适的物理主机区域.在物理主机分配环节,将更多的虚拟机分配到负载方差最大的物理主机上,提高虚拟机网内带宽的节约度,均衡物理主机的资源负载.最后,对NWTP,遗传GA,模拟退火SA,贪婪GR四种算法进行大量的仿真实验,从分配时间、延迟、吞吐率、CPU利用率、带宽利用率和物理主机使用情况六个方面验证了NWTP算法的性能.     

云计算中基于多目标优化的虚拟机整合算法

云数据中心中存在着高能耗和高服务水平协议违约率的问题,为了解决此问题,提出了一种基于多目标优化的虚拟机整合算法.综合考虑能耗、服务质量和迁移开销等多种因素,将虚拟机整合问题构建为一个具有资源约束的多目标优化问题.使用蚁群系统算法对该多目标优化问题进行求解,进行虚拟机整合,获得近似最优的虚拟机主机映射关系.为了减少算法复杂度,利用CPU利用率双阈值来判断主机负载状态,根据主机负载状态分阶段进行整合并使用不同的整合策略.基于CloudSim平台对多目标优化的虚拟机整合算法和其他6种虚拟机整合算法进行仿真实验,将本文算法与现有虚拟机整合算法实验结果进行比较,结果表明本文提出的算法在能耗和服务水平协议违约方面优化显著,具有较好的综合性能.     

Load Feedback-Based Resource Scheduling and Dynamic Migration-Based Data Locality for Virtual Hadoop Clusters in OpenStack-Based Clouds

With cloud computing technology becoming more mature, it is essential to combine the big data processing tool Hadoop with the Infrastructure as a Service(Iaa S) cloud platform. In this study, we first propose a new Dynamic Hadoop Cluster on Iaa S(DHCI) architecture, which includes four key modules: monitoring,scheduling, Virtual Machine(VM) management, and VM migration modules. The load of both physical hosts and VMs is collected by the monitoring module and can be used to design resource scheduling and data locality solutions. Second, we present a simple load feedback-based resource scheduling scheme. The resource allocation can be avoided on overburdened physical hosts or the strong scalability of virtual cluster can be achieved by fluctuating the number of VMs. To improve the flexibility, we adopt the separated deployment of the computation and storage VMs in the DHCI architecture, which negatively impacts the data locality. Third, we reuse the method of VM migration and propose a dynamic migration-based data locality scheme using parallel computing entropy. We migrate the computation nodes to different host(s) or rack(s) where the corresponding storage nodes are deployed to satisfy the requirement of data locality. We evaluate our solutions in a realistic scenario based on Open Stack.Substantial experimental results demonstrate the effectiveness of our solutions that contribute to balance the workload and performance improvement, even under heavy-loaded cloud system conditions.     

数据中心启发式反向人工蜂群虚拟机整合节能策略

针对数据密集型作业的特点,提出一个基于CPU和图形处理器(GPU)两个影响因素构建计算节点的能耗评估模型.该模型基于原虚拟机选择节能算法(ABCS)在虚拟机选择节能策略中的能效优势,进一步利用启发式思想改进蜂群优化算法,寻求虚拟机整合的最优解.在CloudSim 3.0云计算模拟器中的实验结果表明,启发式反向蜂群算法能在保证服务质量的前提下,有效降低虚拟机迁移次数,进而降低数据中心的能耗(节能25%~30%).     

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.     

基于能耗感知的虚拟机迁移管理软件

【目的】在云计算环境中,通过虚拟机在线迁移可以实现服务器的节能优化。【方法】对多种虚拟机迁移模型进行综合分析,研发一个虚拟机在线迁移管理软件,实现云环境的监控与虚拟机迁移模拟,并采用cloudsim作为云仿真平台对虚拟机在线迁移管理软件(Energy-aware Live-migration of Virtual Machine Manager Software,ELVMan)的应用进行测试。【结果】该软件可有效指导降低能源损耗。【结论】通过该软件可以为现实的云环境集群选择最优的迁移策略,达到最大化节能。     

一种C-RAN架构下载波迁移的调度策略

在云无线电接入网络(cloud-radio access network,RAN)架构的基础上,为提高载波迁移后虚拟多模基站的资源利用率和负载均衡度,把CPU资源适度分离成基带CPU资源和协议CPU资源,并提出一种基于负载特征的载波迁移调度策略.针对物理层主机的触发类型和虚拟多模基站的负载特征,采用双阈值上下触发方式触发迁移,根据9种负载状态并采用最小资源代价策略,完成对需要迁移的虚拟多模基站以及目标主机的选择.实验结果表明,基带资源利用率方差均值降低0.04左右,协议资源利用率方差均值降低0.03左右,实现了虚拟基站迁移的自主管理,并且达到了节约资源的目的.迁移前后,虚拟基站的状态没发生太大的改变,具有良好的一致性.     

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。