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。     

IaaS云环境下一种能耗和资源损耗优化的虚拟机放置策略

为了降低IaaS云中物理服务器的资源开销和能耗,提出了一种资源损耗模型;同时结合服务器能耗模型,提出了一种能耗和资源损耗优化的虚拟机放置策略;设计并实现了一种能耗有效且物理资源损耗优化的多目标虚拟机放置算法。仿真实验结果表明,该算法不仅能有效地降低物理服务器的能源消耗,同时能较好地控制物理资源损耗,从而实现节能减排,具有较强的理论和现实意义。     

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.     

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).     

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。     

基于CDVRS的虚拟机资源调度策略研究

云计算将各种处理器、存储以及网络等物理资源虚拟化为虚拟机,为用户分配相应的虚拟机以及将虚拟机调度到物理资源上是云计算中一个重要问题.提出一种基于分类挖掘的虚拟机资源调度模型及算法CDVRS(virtual machine resources scheduling based on classification data mining)解决该问题,采集用户访问虚拟机及虚拟机映射物理资源的历史信息,采用改进的分类挖掘算法对其进行挖掘,得到指导虚拟机资源调度的分类规则和模式,在此基础上实施虚拟机资源调度.对模型和算法进行仿真,实验结果表明采用CDVRS算法相比GA(genetic algorithm)、PSO(particle swarm optimization)等算法在资源利用率上有较大的改善,能有效提高云计算中虚拟机资源调度的效率.     

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。     

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.     

云环境下基于多属性层次分析的虚拟机部署与调度策略

针对云计算中物理服务器间的负载不均问题,提出一种基于多属性层次分析的虚拟机部署与调度策略。该算法将虚拟机按照资源的需求特点进行分类,主要由两方面构成:在虚拟机部署时,对虚拟机的资源进行热点分析并对其重要程度进行量化,根据量化后的权向量以及服务器资源的使用记录对各个服务器进行预测评价,选择最佳服务器进行部署;在虚拟机调度时,获得运行在超载服务器上的各个虚拟机的权向量,并按照一定次序对未超载服务器进行评价,查找是否有更适合的服务器,从而降低超负荷服务器的负载。与同类算法相比,该算法不仅实现了服务器各项资源的优化配置,而且降低了动态负载平衡导致的整体损耗。实验结果表明,当按同一次序在5台物理服务器上申请20台资源需求不等的虚拟机时,该算法到达平衡状态需要的平均动态迁移次数比随机均衡算法减少了80%,同时进入平衡状态后,各服务器的各项资源使用情况也更趋于平衡。     

云计算中虚拟机簇的优化分配

针对云计算中虚拟机资源的优化分配问题,提出一种建立在能量最小化基础上的虚拟机簇分配方法.在这个方法的设计中,运用图割理论对云计算中的虚拟机簇资源进行抽象处理,将虚拟机资源的配置问题映射成最大流-最小割模型.在最大流-最小割模型中进行路径构建,完成对各个虚拟机、虚拟机簇资源的优化分配.验证性实验研究结果表明,按照本文方法实现的虚拟机簇分配,可以达到最高效的配置,使得虚拟机资源很好地对应于物理主机.     

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.     

云计算数据中心的虚拟资源自适应供给模型

随着云计算技术的飞速发展,云计算数据中心的规模越来越大,随之而来的资源管理、运维调度、能耗开销等问题也开始日益严峻。本文对云计算数据中心的设计思路与设计结构进行了详细的介绍,先从云计算数据中心的总体结构进行分析,随后引入虚拟资源自适应供给模型概述,通过综合分析三种不同的虚拟资源供给模型优劣,提出利用多层次网络队列方法搭建虚拟资源自适应供给模型,通过综合考量模型的平均响应时间、服务器利用率、使用成本等因素,对虚拟资源进行合理的规划与调度,最终帮助云计算数据中心配置合适数量的虚拟机,做出合理的资源调度策略,力求优化数据中心的运维调度,降低能耗开销,提高能源利用效率,推动能源发展。     

IaaS云环境下一种基于综合满意度的虚拟机放置策略

基础设施即服务(IaaS)环境下的一个关键需求是对租户申请的虚拟机进行合理放置。当前虚拟机放置策略的研究大都集中在数据中心能耗、资源损耗以及负载均衡等方面,很少有工作关注其对租户虚拟机启动时间的影响。为了减少虚拟机请求的周转时间,降低数据中心的资源损耗,本文首先建立了云服务租户满意度模型,给出了虚拟机请求到达云端后周转时间的量化方法;然后基于数据中心的资源损耗建立了云服务提供商满意度模型;最后,基于租户虚拟机启动时间与系统资源损耗建立了多目标约束优化模型,并提出了一种基于综合满意度(Comprehensive Satisfaction Based,CS-B)的虚拟机放置策略,该策略综合考虑了云服务租户与云服务提供商的需求,将租户所申请的虚拟机放置到综合满意度最高的服务器中运行。在OpenStack云平台上的仿真实验表明,CS-B虚拟机放置策略能够有效减少租户虚拟机在云端的部署时间,降低数据中心的资源损耗,有效提高了云服务商及租户的满意度。     

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.     

一种能量感知的虚拟机放置智能优化算法

针对数据中心的虚拟机放置优化问题,首先对异构数据中心的能耗进行建模,然后提出了一种基于离散粒子群优化的能量感知的虚拟机放置智能优化算法.重新定义了粒子的参数及算子,提出了一种二维编码方法,引入了一种自适应权重机制和一种能耗感知的局部适应优先机制以分别更新粒子的速度和位置,有效地提高了求解质量.仿真实验对比表明,本算法大大提高了数据中心服务器资源的平均利用率,减少了能耗,降低了数据中心的运营成本.     

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双方稳定匹配为目标,采用一种融合虚拟机选择与放置过程之间密切结合的虚拟机迁移策略,该策略可以保证活动物理主机的硬件资源有比较满意的利用效率;使用CloudSim作为云数据中心仿真环境.实验结果表明:与Cloudsim中已有的虚拟机迁移办法相比,提出的放置方法中云数据中心的各类性能指标都可以得到改善,该实验结果对于其他企业构造节能云数据中心有很好的参考价值.     

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。