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.     

面向云计算数据中心的弹性资源调整方法

为了制定多种业务质量要求服务的资源购买方案,通过平台服务商与基础设施服务商之间签订基于服务等级协议的资源分配协议,提出一种面向应用性能的云计算弹性资源调整方法。该方法利用自动伸缩算法,在垂直层次上对负载需求的波动进行虚拟机资源调整,以实现动态调整分配资源量来满足应用的服务级别的需求,优化云计算资源利用率。最后通过仿真验证该算法的有效性。     

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).     

基于强化学习的云资源混合式弹性伸缩算法

为解决强化学习(RL)应用于云资源弹性伸缩问题时算法空间随应用规模变化而呈指数级变化、可伸缩性受限、算法训练时间长、收敛慢及设置水平伸缩动作空间时难以兼顾系统性能与稳定性等问题,提出了一种基于强化学习的分组云资源混合式伸缩算法(BGRL)。将应用实例进行逻辑分组,使算法空间固定,解决了算法空间爆炸及可伸缩性受限问题;采用并行学习,加快了学习速度,解决了算法收敛慢的问题;通过汇集多组的学习结果决定水平伸缩动作,解决了现有算法难以同时保证应用稳定性和资源调整及时性的问题;采用水平和垂直两个方向上的混合式伸缩,在保证应用能力范围的同时,解决了局部性能问题。通过重放实际应用数据集而产生的工作负载模式进行云应用仿真,结果表明:BGRL的应用资源量最贴合负载变化,资源利用率最高,稳定在80%左右;在消耗的资源量和违反服务质量请求的百分比方面,比其他算法分别减少了15%～20%和0.1%～3.26%。     

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。     

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。     

监控与预测的云资源优化配置

针对云环境下虚拟机资源在多数时间中处于闲置状态导致云资源利用率低的问题,设计一种云资源监控系统,并在云监控基础上提出一种基于自回归积分滑动平均(ARIMA)模型的动态负载预测与资源配置的方法.该方法利用虚拟机负载与配置的关系,通过预测负载情况,提前启动或者挂起虚拟机,提高云资源的利用率.研究结合OpenStack云环境提供的虚拟机,实现其下的云资源监控,预测和弹性分配功能.结果表明:该系统能准确预测虚拟机的需求量,所制定的资源弹性分配策略能够提高云资源的利用率,进一步节约成本.     

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.     

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.     

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.     

云计算中时间感知应用的资源分配与调度算法

现有数据中心中时间感知型云计算应用的资源分配算法能耗较高,严重影响了数据中心的服务上限以及云服务商的经济效益,对此提出一种低能耗的云计算资源分配与调度优化算法.算法分为两个阶段:第一阶段,释放并更新请求集的服务器与链接的剩余容量,同时更新能量辅助图中相应的权重;第二阶段,将所有新到达请求按所需时间段以降序排列,为各请求分配资源;第三阶段,检查资源可用性,并基于能量辅助图采用最短权值路径选择算法为资源请求分配虚拟机与流量.基于思科真实设备参数的仿真实验结果表明,本文云计算资源分配与路由算法的能量效率与资源分配性能均优于其他算法.     

基于服务质量的动态资源分配算法

在网络虚拟化过程中,当前大多数物理资源分配算法,主要考虑了资源利用率和网络收益,而忽略了虚拟网络请求的服务质量,从而在不同用户之间造成不公平。针对该问题,提出基于服务质量的动态资源分配算法。该算法在空闲时频资源非连续情况下,只有当虚拟网络请求的生命周期足够长,满足重分配影响因子情况下,才优先为资源量小的虚拟网络请求重分配物理资源;在空闲时频资源连续情况下,综合考虑优先级、时间容忍和网络收益因素影响,为虚拟网络请求分配相适应的物理资源。仿真结果表明,该算法相对于传统基于生命周期的动态资源分配算法和贪婪动态分配,在实现物理资源高效利用的前提下,不但保障了虚拟网络请求的服务质量,而且降低了该算法的运行时间。     

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。     

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。     

基于改进萤火虫算法的虚拟机迁移策略研究

为降低数据中心能耗同时保证其服务质量,提出了一种基于改进萤火虫算法的虚拟机迁移调度策略.综合考虑CPU、内存和带宽等因素对能耗的影响,将虚拟机迁移过程模拟为萤火虫的生物行为,并引入模拟退火机制,选择出待迁源主机,将该主机上负载最大的虚拟机迁移到能耗最低的节点.经实验表明,该方法在降低能耗和保证服务质量方面都具有良好的优...     

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。     

混合云资源调度模型与算法研究

为了解决不同云中的资源基于应用负载的优化调度的问题,设计了混合云原型系统,目的是针对混合云系统的调度模块,联合了私有云和公有云,能够克服私有云和公有云模式的不足,充分发挥云计算的优势,从而兼顾服务质量、安全和成本。实验结果表明,当用户请求增多时,混合云资源调度模型能够实现在公有云上启用新的虚拟机进行负载均衡;当用户请求减少,私有云中虚拟机负载减少,则释放公有云中的资源,以实现资源的自动伸缩。     

采用定价机制的多媒体系统多资源分配算法

针对多媒体系统多资源分配问题,提出了一种基于定价机制的多资源分配算法.假设资消耗函数是凸函数,从而推导出资源分配问题是凸规划问题,可以通过拉格朗日对偶分解理论求解,确定资源的价格并得到最优的资源分配.对于单资源分配问题,使用多标拍卖算法确定最优的资源分配.仿真实验结果表明:对于单资源分配问题,当任务的投标数大于15时,系统总的服务质量水平达到近似最优;对于多资源分配问题,基于定价机制的多资源分配算法性能优于现有算法,且算法复杂度更低.