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。     

基于蚁群优化算法的绿色云计算虚拟机迁移策略

为了提高绿色云计算的能源利用率并降低其能耗,提出了一种基于蚁群优化算法的虚拟机迁移策略,该策略的目标是最小化云计算中心能耗的同时保证服务质量.首先,通过预设资源利用率阈值,找出低负载和过载的物理机;然后通过迁出低负载和过载服务器节点上的虚拟机,达到节能的目的;最后,根据虚拟机迁移列表,采用蚁群优化算法快速寻找虚拟机迁移最佳物理机.仿真结果表明,与其他算法相比,本文提出的迁移策略的执行时间和能耗最小.     

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。     

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。     

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.     

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。     

一种面向云计算非比例资源消耗特性的虚拟机放置算法（英文）

虚拟机放置是云计算中的一个基本问题。通过将多台虚拟机聚集在单台物理机上,云计算可极大降低系统的资源以及能源消耗。虚拟机放置的目标之一是开启最少数量的物理机来满足所有虚拟机的资源需求。一个重要的挑战在于各虚拟机对不同类型资源消耗的比例往往与物理机所配备的各类资源的比例并不相同。一旦物理机上某类资源消耗殆尽,该物理机上其它类型的资源将无法得到利用,随之导致所开启物理机总数以及能耗成本增加。文中借助多种不同配置的物理机来解决上述问题。首先,虚拟机被划分为若干子集合。划分的约束条件是保证各个虚拟机子集合作为一个整体所消耗的各类资源恰与某一类型物理机各类资源的配置成比例。然后,利用同构环境的虚拟机放置算法,完成各虚拟机子集合在相应类型物理机上的放置。实验结果表明,文中算法能够协调各类资源的使用,从而有效减少物理机使用总量,降低能耗成本13.0%～57.6%.     

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.     

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。     

基于猫群优化算法的云计算虚拟机资源负载均衡调度

为了提高虚拟机资源调度的利用率, 实现虚拟机资源合理调度, 提出一种基于猫群优化算法的虚拟机资源调度优化方法. 首先根据虚拟机资源调度优化目标构建数学模型; 然后综合考虑最短时间与最优负载构建猫群优化算法的适应度函数, 并通过模拟猫的日常行为实现虚拟机资源调度最优方案的寻优; 最后在CloudSim平台上对该算法的有效性进行测试. 测试结果表明, 该算法能获得更优的虚拟机资源调度方案, 保证了虚拟机资源的负载均衡, 可以满足用户需求的偏好性.     

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.     

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。     

基于改进萤火虫算法的云计算任务调度策略

针对云计算中任务调度效率低引起的资源利用不平衡问题,提出一种基于改进萤火虫算法的虚拟机任务调度策略,该策略首先构建云计算资源负载平衡优化问题的约束条件,采取最小用户任务完成时间作为资源优化的目标函数;其次通过改进的萤火虫算法优化资源搜索路径,优化云服务器中多个虚拟机之间的任务负载平衡,通过提高云服务器的响应效率达到缩短...     

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.     

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%).     

基于蚁群优化的云任务调度策略的研究

为了解决云任务调度过程中虚拟机资源使用不合理导致任务完成时间长的问题,提出一种基于蚁群优化的任务调度算法。采用集团资产管理模式管理虚拟机资源,同时确定云任务优先级,根据任务优先级与虚拟机的实时情况确立启发因子,增强算法的搜索能力;改进信息素更新规则,提高任务求解率;建立云任务调度过程模型。通过Cloud Sim模拟仿真器实验仿真,结果表明改进算法在任务平均完成时间上比ACO算法减少了,负载均衡值上降低了。     

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.