云数据中心基于阈值的虚拟机迁移节能调度算法

针对采用虚拟机迁移技术在云计算数据中心同时考虑能耗与服务等级协议(SLA)违约优化的问题,提出一种基于阈值的虚拟机部署节能算法(THRSD-MMT).该算法通过对虚拟机运行状态的统计分析,估算虚拟机所需中央处理器(CPU)性能需求(每秒处理百万条指令数MIPS)的期望值与标准差,进而动态地计算主机所需MIPS数量;同时,算法结合静态阈值的设置,以便更准确地预测主机的违约情况并判断虚拟机迁移的时机,从而能够在降低SLA违约的同时减少能耗.实验结果表明:与其他算法相比,提出的算法能够显著降低SLA违约率并节能,具有较好的综合性能.     

基于能耗降低的虚拟机动态迁移算法

在云计算环境中,有效的虚拟机动态迁移算法有助于降低能耗和SLA违反率。本文提出了一种改进的虚拟机动态迁移算法,通过双阈值策略、基于最小迁移代价的虚拟机选择策略和目标物理节点的概率选择策略来降低能耗,并降低SLA违反率。仿真实验表明,该方法在虚拟机动态迁移中能够降低系统的能源消耗,同时也降低了SLA违反率。     

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。     

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。     

基于VIKOR和用户QoS优先级的云计算自适应算法

针对传统调度算法不能提供一种在考虑负载平衡的同时满足用户服务质量(Quality of Service,QoS)的自适应方法进行了研究,提出一种基于改进多准则妥协解排序法(VIKOR)和用户QoS优先级的云计算自适应调度算法.该算法首先使用最优-最差多准则决策为每个评估标准或用户QoS优先级分配重要性权重,然后使用VIKOR评估和确定每个用户请求的等级并进行排序,最后自适应任务调度根据虚拟机的负载率来分配工作负载以保持动态负载平衡.实验结果表明:本文方法在MaKespan、吐出量和虚拟机利用率性能方面均有明显改善.     

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。     

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%).     

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.     

数据云中基于启发式反向蜂群的虚拟机选择节能算法

结合数据中心中数据密集型作业的频繁读写数据特点,综合考虑CPU使用率和RAM使用率两个影响因素构建服务器能耗评价模型,并引入人工蜂群算法及启发式反向思想,将其应用于数据中心虚拟机迁移策略中的虚拟机选择环节,实现云计算中数据中心节能问题的优化.在CloudSim 3.0云计算模拟器中的仿真实验结果表明:该启发式反向蜂群虚拟机选择节能算法(ABCS)与最大最小时间(MMT)、随机选择(RS)和最小使用率(MU)3种经典虚拟机选择算法相比节能20%~25%,虚拟机迁移频率减少至5%以下.     

Windows环境下NDIS技术在服务质量中的应用

为了实现服务质量中的关键技术，本文在区分服务的模型下，利用Ndis技术实现了SLA策略的配置和QoS的实施，文章分析了Ndis技术和区分服务的原理，并详细阐述了Ndis技术在SLA策略配置和QoS实施中的实现。通过SLA策略的配置，改变了数据在传输过程中的优先级，并对不同优先级的数据进行了区分的服务，大大提高了整个系统的QoS性能。     

IaaS云计算中虚拟机部署算法研究

针对基础设施即服务(IaaS)模式的云计算应用系统,以减少宿主机使用数量、提高宿主机资源利用率为优化目标,研究了虚拟机集合向宿主机集合部署算法.分析了虚拟机部署基本原则,提出了扩展降序最佳适应(EBFD)算法,该算法将宿主机和虚拟机资源量化、排序,并引入初始长度的概念.对比了EBFD算法和其他装箱算法的基本性能;针对虚拟机部署,将EBFD算法和已有虚拟机部署算法进行比较,结果表明EBFD算法有较好的调度效果.     

基于副本的跨数据中心虚拟机快速迁移算法

跨广域网的虚拟机动态迁移是多数据中心云计算环境的重要技术支撑。与局域网上相比,跨广域网的动态迁移由于受到带宽的限制而面临更多的技术挑战。基于跨数据中心虚拟机迁移的特性,提出了多数据中心虚拟机快速动态迁移架构和跨数据中心快速动态镜像迁移(FlimCD)算法。FlimCD算法利用脏块去冗、缺块预取和热区排序传输等优化方法,减少了虚拟机整体迁移时间,并降低了迁移对性能的影响。实验表明:对于中等I/O强度工作流,FlimCD算法的迁移时间比前拷贝方法的减少64.3%;FlimCD的优化机制使后拷贝阶段的缺块率下降49%以上。     

基于改进的遗传算法的虚拟机部署研究

云计算环境下虚拟机的部署是有关资源管理、服务质量等方面的综合性问题,是一个多目标的NP-hard问题。根据弹性云环境下虚拟机部署的特点,利用遗传算法解决多目标组合优化问题的优点,提出一种基于改进遗传算法的虚拟机部署算法,以减少物理计算机开销、提高资源利用率、满足用户SLA为优化目标,将云计算环境下的资源管理和服务质量需求转化为算法可识别的信息,通过改进遗传算法,使之适应于静态和动态部署的要求。实验结果分析表明,该算法在满足多目标的条件下得到较优的解,为虚拟机到物理节点的映射提供了较好的解决方案。     

云环境下的服务质量SLA违例预测模型

利用云计算实现高效服务组合,通过SLA(Service Lever Agreement)违例预测避免某些失效操作或分支,以确保服务质量满足SLA约定。提出了一种基于连续时间马尔可夫链的服务质量(QoS)SLA违例预测模型。针对QoS属性,在预测模型中定义了基于线性时序逻辑区间的质量约束规范。利用大数据分析技术CEP(Complex Event Processor)实时更新当前运行组件服务关键性能指标,并以此为输入,使用M/M/1队列模型实现QoS概率预测,当超过定义阈值,启动SLA违例预警。通过将本模型在智能电网中进行实例测试,得到实际预测时间小于服务更新时间,预测准确率较高。     

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.     

基于聚类蚁群算法的虚拟机资源分配算法研究

深入分析云计算环境下虚拟机资源调度分配的调度结构及与之对应的调度策略和算法后,结合云计算资源分配的最新研究成果和发展趋势,研究出一种基于聚类算法和蚁群算法的虚拟机资源分配算法.该算法基于Map/Reduce框架提出,着眼于如何为众多不同的用户任务分配虚拟机节点,充分考虑云计算环境中物理机的地域差异.在一个物理机区域内寻找分配虚拟机资源时引入蚁群算法,能更好地确保用户任务的按时完成,任务执行时间跨度方面满足服务等级协议(SLA).     

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.     

移动Ad hoc网的QoS保障

带宽受限和拓扑改变频繁使得移动Ad hoc网的QoS(服务质量)保障十分困难。文中全面论述了支持移动Ad hoc网用户QoS性能的关键技术,重点研究了QoS服务模型、QoS信令、QoS路由技术、QoS MAC(媒体访问控制子层)协议等方面的问题,同时指出了与这些问题相关的未来的研究方向。     

基于互补机制的虚拟机放置算法

有效的虚拟机放置算法可以优化分配计算资源,提高云计算资源的利用效率。通过分析资源分配中存在的问题,提出了一个基于互补机制的虚拟机放置算法。首先基于虚拟机之间的资源互补关系,将资源粒度较小的虚拟机组合成为新的虚拟机,然后基于虚拟机和服务器之间的资源互补关系,依次将虚拟机放置到互补的服务器中,使服务器中各个资源量呈现均衡分布状态。仿真结果表明,CBVMP算法降低了运行的服务器个数和数据中心的能耗,提高了云计算资源的利用效率。