基于阈值滑动窗口机制的虚拟机迁移判决算法

数据中心是云计算中数据运算、交换、存储的中心。近年来以虚拟机为粒度的虚拟机放置管理成为云数据中心能耗管理、实现动态可伸缩资源提供的重要支撑技术。在虚拟机放置的动态管理阶段,虚拟机迁移触发机制主要是根据物理主机中资源利用率的变化情况,决定是否需要将虚拟机迁移到其它主机。迁移时机判决准确能够有效地平衡过热点并关掉过冷点。当前的迁移时机缺乏对整个数据中心负载变化行为趋势的反映,也因为静态的阈值设定容易发生频繁的迁移,造成不必要的迁移代价和传输开销。提出了基于阈值滑动窗口机制的虚拟机迁移判决算法(iWnd),其能够根据整个数据中心任务量的多少动态调整高低阈值间窗口的大小,减少了任务量满负荷时期需要迁移虚拟机的数量,从而避免不必要的迁移开销和传输代价,有效地实现节能。在云计算平台Cloudsim上进行了仿真实验。结果表明,提出的iWnd算法在减少虚拟机迁移数量、降低迁移失败率上有良好的效果,同时并未产生过多额外的功耗。     

基于迁移技术的云资源动态调度策略研究

现有云资源管理平台存在着瞬时资源利用率峰值易引发迁移、动态负载效果不佳等问题。依据云资源动态调度模型,提出了有效的基于迁移技术的虚拟机动态调度算法。算法将物理节点负载与虚拟机迁移损耗评估、多次触发控制、目标节点定位三者有机结合,实现云计算数据中心高效的动态负载均衡。实验结果表明,该算法优于CloudSim的DVFS调度策略,在保证应用服务水平的同时能减少虚拟机迁移次数和物理机启用数量。     

云计算数据中心虚拟机节能管理机制研究

云计算数据中心的耗电量巨大,但绝大多数的云计算数据中心并没有取得较高的资源利用率,通常只有15%-20%,有相当数量的服务器处于闲置工作状态,导致大量的能耗白白浪费。为了能够有效降低云计算数据中心的能耗,提出了一种适用于异构集群系统的云计算数据中心虚拟机节能调度算法(PVMAP算法),仿真实验结果表明：与经典算法PABFD相比,PVMAP算法的能耗明显更低,可扩展性与稳定性都更好。与此同时,随着〈Hosts,VMs〉数目的不断增加,PVMAP 算法虚拟机迁移总数和关闭主机总数的增长幅度都要低于PABFD算法。     

基于虚拟机动态迁移的负载均衡策略

针对数据中心由于异构节点资源利用率不均衡导致的负载均衡问题,本文提出了一种基于动态阈值的迁移时机判决算法与基于负载类型感知的选择算法相结合的虚拟机动态迁移选择策略.该策略先通过监控全局负载度与高低负载节点占比动态调整状态阈值,并结合负载评估值判断迁移时机;再分析虚拟机负载类型,依据虚拟机与节点资源的依赖度、虚拟机当前内存带宽比和虚拟机贡献度选择待迁移虚拟机,并根据虚拟机与目的节点的资源匹配度与迁移代价选择目的节点,实现对高负载与低负载节点的虚拟机动态调整,从而优化节点资源配置问题.实验结果表明,该策略可以有效减少虚拟机迁移次数并保证数据中心服务质量,最终改善数据中心的负载均衡能力.     

基于代价感知的云任务处理策略

绿色云计算旨在保证服务质量的前提下,最大限度地降低云服务成本．针对这一问题,提出一种兼顾云数据中心高性能和低成本的策略,通过虚拟机动态迁移等技术进行云任务聚合,关闭空闲的节点以最小化能量消耗,同时考虑虚拟机迁移性能,以此保证任务的服务质量．实验结果表明,代价感知的策略可以减少打开节点的个数,兼顾迁移能耗和迁移延迟,在节能的前提下使服务质量得到保证．     

面向数据中心能效优化的虚拟机迁移调度方法

由于服务器资源利用率偏低且资源负载不均衡,使得数据中心能耗浪费严重。针对上述情况,提出基于虚拟机迁移的数据中心节能调度方法。该方法通过选择合适的迁移时机、迁移对象和目标主机,完成虚拟机迁移前的准备工作,然后基于迭代-停止迁移方法对服务器进行动态迁移和整合,从而减少服务器的运行数量,以此最小化数据中心能耗。实验结果表明,该方法能有效提高服务器资源利用率,减少服务器的冗余数量,提高数据中心整体能效。     

云数据中心考虑虚拟机关联性的虚拟机放置策略

提出云数据中心考虑虚拟机关联性的虚拟机放置策略。在物理主机状态检测和虚拟机选择阶段,采用鲁棒局部归约主机检测方法LRR(Local Regression Robust)和最小迁移时间选择方法MMT(Minimum Migration Time);在虚拟机放置阶段,采用多重相关系数来评价虚拟机之间的关联性。该策略在重新分配虚拟机的时候可以减少高关联的虚拟机被放置到同一个物理节点上的机会,尽量避免物理主机超负载问题,最终减少虚拟机迁移次数。实验结果表明:与Cloudsim中已有的虚拟机迁移办法相比,云数据中心的各类性能指标都有所改善,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。     

基于节点负载评估和动态阈值的虚拟机迁移触发策略研究

针对现有的虚拟机迁移触发策略中由于负载瞬间峰谷值易导致的过度迁移问题以及触发时机不合理造成的资源浪费问题,综合考虑数据中心节点的异构性与资源配置的差异性,设计一种基于节点负载评估和动态阈值的虚拟机迁移触发策略(NLADT-MMT).由全局监测模块动态调整标准状态阈值,节点监测模块根据标准阈值和配置信息更新状态阈值,并结合负载预测实现对节点状态进行有效评估并以此判定迁移时机,达到减少虚拟机迁移次数和降低SLA违约率的目的,提高数据中心的资源利用率.仿真实验表明,该方案可以有效减少虚拟机迁移次数,降低平均SLA违约率,并提高数据中心资源的利用率.     

一种云计算环境下的虚拟机动态迁移策略

提出一种云计算环境下的虚拟机动态迁移策略DMS-VM(Dynamic Migration Strategy for Virtual Machine) 。首先,假设了一种云计算环境下虚拟机迁移场景,在该场景下多种应用服务请求处于动态变化之中,并且提供的应用服务与虚拟机是一对一绑定的;其次,提出了该场景下的基于多约束的多目标规划模型,并设计遗传算法作为虚拟机的主要迁移策略;最后利用某个企业的大数据中心作为云端测试环境, 对比测试DMS-VM算法与已有的虚拟机迁移算法的性能。实验结果表明,DMS-VM迁移策略能够更好的减少物理主机的使用数量和虚拟机的迁移次数,同时降低数据中心能耗,性能优于已有的迁移策略。     

面向云计算的多虚拟机管理模型的设计

提出基于P2P结构的多虚拟机管理模型,并实现其原型系统。采用P2P结构组织宿主机节点,利用组播实现资源发现;提出虚拟机动态迁移算法,自主触发节点间虚拟机动态迁移;利用选举的根节点映射云计算用户请求至宿主机,实现节点上虚拟机的按需创建、删除及停止等操作。实验表明:该模型具有收敛时间短、带宽占用率低及高可用性的特点,能够实现云计算资源的动态负载均衡。     

基于模糊动态阈值机制的能效虚拟机合并决策方法

动态虚拟机合并是云数据中心改善功耗和资源利用率的有效方法,但负载变化使数据中心较难维持服务等级协议SLA和最优能效.针对该问题,提出一种模糊动态阈值方法对虚拟机合并过程进行决策,在动态负载环境下实现最小化的虚拟机迁移量.该算法利用模糊推理系统动态调整主机资源利用阈值,使得超载主机上的虚拟机迁移大幅降低,并可以满足服务等...     

云数据中心虚拟资源管理研究综述

云计算数据中心是数据中心架构和发展的方向,云数据中心的虚拟资源管理问题是当前的研究热点。总结了数据中心的发展历程,综述了云数据中心的虚拟化技术、虚拟资源提供与部署、资源调度模型与算法以及基于能量优化和负载均衡的虚拟机迁移技术的研究现状。最后展望了云数据中心虚拟资源管理领域有待进一步研究的方向。     

一种新的蚁群算法优化的虚拟机放置策略

提出了一种新的蚁群算法优化的虚拟机放置策略ACA-VMP (Ant Colony Algorithm based virtual machine placement);ACA-VMP以云数据中心的总体能量消耗降低、服务质量最佳及减少虚拟机迁移次数为目标函数;根据蚁群优化算法,ACA-VMP采用了全局最优解和局部最优解信息素强度更新规则;全局最优解经过多次迭代后,蚂蚁路径的多次寻优,保证这个虚拟机放置优化策略的完成;局部信息素强度参数更新可以补充蚂蚁其他局部最优路径的寻找,这样也可以使得ACA-VMP虚拟机放置优化算法更快的接近全局最优解;仿真结果表明:ACA-VMP策略使得云数据中心的各类性能指标都可以改善,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.     

云数据中心基于贪心算法的虚拟机迁移策略

为了节省云数据中心的能量消耗,提出了几种基于贪心算法的虚拟机（VM）迁移策略。这些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三个步骤,并分别在虚拟机选择和虚拟机放置步骤中采用贪心算法予以优化。提出的三种迁移策略分别为：最小主机使用效率选择且最大主机使用效率放置算法MinMax_Host_Utilization、最大主机能量使用选择且最小主机能量使用放置算法MaxMin_Host_Power_Usage、最小主机计算能力选择且最大主机计算能力放置算法MinMax_Host_MIPS。针对物理主机处理器使用效率、物理主机能量消耗、物理主机处理器计算能力等指标设置最高或者最低的阈值,参考贪心算法的原理,在指标上超过或者低于这些阈值范围的虚拟机都将进行迁移。利用CloudSim作为云数据中心仿真环境的测试结果表明,基于贪心算法的迁移策略与CloudSim中已存在的静态阈值迁移策略和绝对中位差迁移策略比较起来,总体能量消耗少15%,虚拟机迁移次数少60%,平均SLA违规率低5%。     

利用遗传算法完成虚拟机放置策略的优化

提出基于遗传算法的虚拟机放置方法GA-VMP(Genetic Algorithm based Virtual Machine Placement)。GA-VMP是一种应用于虚拟机迁移过程的优化算法。在物理主机状态检测和虚拟机选择阶段分别选取了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,GA-VMP将遗传算法应用到虚拟机的重新分配过程中形成了一个全新的虚拟机迁移模型。设计云数据中心的能量消耗数学模型,以能量消耗最小作为遗传算法的目标函数。Cloudsim模拟器仿真结果表明：在总体能量消耗、虚拟机迁移次数、服务等级协议违规率等指标上明显降低,平衡指标参数只有少量的增加。仿真结果可为其他企业构造节能云数据中心提供参考作用。     

基于三支决策的虚拟机节能迁移策略

虚拟机迁移技术作为云计算中降低数据中心能耗的重要手段被广泛应用。结合三支决策的分、治、效模型提出一种基于三支决策的虚拟机迁移调度策略（TWD-VMM）。首先,通过建立层次阈值树搜索所有可能取到的阈值,由此以数据中心能耗为优化目标得到总能耗最低的一对阈值,从而实现三分区域,即高负载区域、中负载区域和低负载区域。其次,针对不同负载的主机采取不同的迁移策略：对于高负载主机,以主机预迁出后的多维资源均衡度和主机负载下降幅度为目标;对于低负载主机,主要考虑主机预放置后的多维资源均衡度;对于中等负载主机,如果迁移过来的虚拟机依旧满足中负载特性,则可以接受迁入。实验采用CloudSim模拟器进行,将TWD-VMM算法分别与基于阈值调度算法（TVMS）、基于虚拟机迁移节能调度算法（EEVS）、云计算中心节能调度算法（REVMS）算法在主机负载、主机多维资源利用均衡度、数据中心总能耗等方面进行比较,结果表明TWD-VMM算法在提高主机资源利用率、均衡主机负载等方面有明显效果,且能耗平均降低了27%。     

云环境下基于模糊隶属度的虚拟机放置算法

虚拟机放置问题是云数据中心资源调度的核心问题之一,它对数据中心的性能、资源利用率和能耗有着重要的影响。针对此问题,以降低数据中心能耗、改善资源利用率和保证服务质量(QoS)为优化目标,借助模糊聚类的思想提出了一种基于模糊隶属度的虚拟机放置算法。首先,结合物理主机过载概率和虚拟机与物理主机之间的相适性放置关系,提出了新的距离度量方法;然后,根据模糊隶属度函数计算得出虚拟机与物理主机之间的相适性模糊隶属度矩阵;最后,借助能耗感知机制,在模糊隶属度矩阵中进行局部搜索从而获得迁移虚拟机的最优放置方案。仿真实验结果表明,提出的算法在降低云数据中心能耗、改善资源利用率和保证QoS方面表现比较优异。     

A dynamic VM consolidation technique for QoS and energy consumption in cloud environment

Cloud-based data centers consume a significant amount of energy which is a costly procedure. Virtualization technology, which can be regarded as the first step in the cloud by offering benefits like the virtual machine and live migration, is trying to overcome this problem. Virtual machines host workload, and because of the variability of workload, virtual machines consolidation is an effective technique to minimize the total number of active servers and unnecessary migrations and consequently improves energy consumption. Effective virtual machine placement and migration techniques act as a key issue to optimize the consolidation process. In this paper, we present a novel virtual machine consolidation technique to achieve energy–QoS–temperature balance in the cloud data center. We simulated our proposed technique in CloudSim simulation. Results of evaluation certify that physical machine temperature, SLA, and migration technique together control the energy consumption and QoS in a cloud data center.