IaaS云融合Q学习的自适应虚拟机部署

云环境中,仅根据当前负载需求降低活跃主机量,忽略负载变化时的未来资源需求,会导致过多非必要虚拟机迁移,增加SLA违例.为此,提出基于Q学习的自适应虚拟机部署算法.Q学习在无需先验知识前提下,可以自适应生成资源利用率阈值,根据自适应阈值动态地对主机超载状态做出决策,判断是否进行虚拟机迁移.通过现实负载流进行实验分析,实验结果表明,该算法可以降低主机能耗,同步减小虚拟机迁移量和SLA违例率.     

基于K最近邻回归预测的高能效虚拟机合并

虚拟机合并和迁移仅考虑当前负载会导致过多非必要迁移,为此,提出基于资源利用预测的虚拟机合并算法UP-BFD.通过K最近邻回归方法同时对主机和虚拟机的负载进行预测,在虚拟机迁移源主机和目标主机的选择上,同步考虑当前超载和预测超载问题,较好避免无用虚拟机迁移.通过随机负载和现实负载进行仿真测试,测试结果表明,UP-BFD算法可以降低主机总体能耗,同步减少SLA违例和虚拟机迁移量.     

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.     

基于二次指数平滑预测的虚拟机调度方法研究*

针对数据中心的高能耗问题,提出了一种基于负载感知和预测的虚拟机调度方法,采用二次指数平滑法预测物理主机资源负载情况,利用MMT和MM相结合的策略选择待迁虚拟机,使用资源最佳适配策略（BRF）选择目标物理主机。该调度方法的预测模型能提高迁移触发准确率,随着调度轮数的增加,对资源需求互补的虚拟机会被整合到相同物理主机上,从而减少迁移次数;最后,通过CloudSim仿真平台与FT_MMT、CDLC、AR_MMT调度策略进行了对比,结果表明该调度方法在能耗节约、迁移次数方面均有提升。     

一种基于K均值聚簇的虚拟机分类与部署方法

云数据中心环境下,虚拟机部署结果对主机能耗与服务等级协议SLA的遵守均具有重要影响。为了降低数据中心能耗与SLA违例,提出一种基于三门限值的高能效虚拟机部署优化算法。基于历史数据集,设计一种中档四分位的K-均值聚簇方法以产生主机CPU利用率的三个门限值;依据三个门限值,将主机划分为低载主机、轻量负载主机、正常负载主机和重载主机四种类型;为了对重载主机实施虚拟机迁移,分别针对计算密集型任务和I/O密集型任务设计两种虚拟机迁移选择方法,实现虚拟机优化部署;通过现实负载流数据对算法进行仿真分析。结果表明,该算法不仅可以有效降低能耗,而且SLA违例也较低,相比单纯降低能耗而忽略性能的同类算法,具有更高的能效。     

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%。     

基于动态调整阈值的虚拟机迁移算法

针对当前数据中心服务器能耗优化和虚拟机迁移时机合理性问题,提出一种基于动态调整阈值（DAT）的虚拟机迁移算法。该算法首先通过统计分析物理机历史负载数据动态地调整虚拟机迁移的阈值门限,然后通过延时触发和预测物理机的负载趋势确定虚拟机迁移时机。最后将该算法应用到实验室搭建的数据中心平台上进行实验验证,结果表明基于DAT的虚拟机迁移算法比静态阈值法关闭的物理机数量更多,云数据中心能耗更低。基于DAT的虚拟机迁移算法能根据物理机的负载变化动态迁移虚拟机,达到提高物理机资源利用率、降低数据中心能耗、提高虚拟机迁移效率的目的。     

云计算环境下软硬件节能和负载均衡策略

针对云计算服务环境下软硬件节能和负载均衡优化问题,提出一种自适应的云计算环境下虚拟机(VM)动态迁移软节能策略。该策略采用常用的硬件能耗感知技术——动态电压频率调节(DVFS)来实现分段优化的系统部件静态节能,又通过VM在线迁移技术实现云平台的动态自适应软件节能。在CloudSim云仿真平台下对比实现DVFS静态节能和自适应负载均衡的软节能策略,经PlanetLab云平台监测数据验证,结果表明：软硬结合的自适应能耗感知策略能够高效节能96%; DVFS+MAD_MMT节能策略(采用平均绝对偏差算法判定主机是否超载,基于最短迁移时间(MMT)原则选择VM移出)     

虚拟计算环境下虚拟机资源负载均衡方法

针对虚拟机资源粒度大和迁移时传输数据量大的特点,提出一种基于虚拟机迁移的负载均衡方法。该方法利用负载阈值对宿主机后续时间节点的负载趋势进行预测,避免瞬时负载峰值触发的虚拟机迁移问题。在触发迁移后采用加权概率转发方式选择迁移目标节点,解决传统负载均衡技术中的群聚冲突问题。实验结果表明,在宿主机负载分布严重不平衡的情况下,该方法能有效改善系统性能。     

高效能云计算虚拟机优化部署策略

针对云计算应用负载需求的动态变化特性,提出了一种自适应虚拟机优化部署策略。算法通过基于强局部加权回归的热点发现机制,可以根据负载所体现的资源占用历史信息动态决策主机的超载时机;通过迁移周期最优算法MPM和迁移量最少算法MNM进行超载主机的迁移虚拟机选择;提出基于功耗感知的PBFDH算法对迁移虚拟机再次优化部署。实验结果表明,算法不仅可以降低能耗,还可以降低SLA违例率。     

云环境下基于功耗感知的虚拟机博弈迁移算法

为了达到降低云环境下数据中心过高能耗的目的,提出一种基于功耗感知的虚拟机非合作博弈迁移算法PANMA。该算法主要分为基于中值绝对偏差的物理机选择、基于负载最大相关的虚拟机选择和基于非合作博弈的虚拟机迁移三个步骤。实验结果表明,该算法极大地减少了数据中心能量消耗。     

基于PABFD-SA算法的虚拟机动态迁移研究

虚拟机动态迁移整合技术是大规模异构云数据中心降低能耗的有效方法。采用指数平滑预测法进行负载检测,然后以最小迁移时间算法（MMT）为原则筛选出待重分配的虚拟机,并就重分配过程中的能耗优化问题设计了一种感知能耗的最佳适配递减和模拟退火组合算法PABFD-SA（Power Aware Best Fit Decreasing-Simulated Annealing）。该算法将BFD算法获取的物理主机序列作为SA算法的初始解,并在搜索过程中加入了保留和更新历史最优解的功能。仿真结果表明,该算法在减少异构云计算系统的总能耗,降低SLA违约方面有一定改善。     

能耗感知下云资源三支粒度调度策略研究

云资源调度是云数据中心的一种重要节能方式。然而,实际云平台中,受单一物理机资源限制,存在虚拟机资源竞争和利用率低的问题。对此,通过分析虚拟机负载相似性及资源占有度问题,提出一种基于三支决策的能耗感知虚拟机迁移策略。首先,在虚拟机迁移过程中,设计云资源的三支划分策略,并使用K-means算法在划分区域选择待迁移的虚拟机序列;其次,依据虚拟机与物理机的负载相似度,获取虚拟机放置顺序;最后,依托CloudSimPlus云仿真平台验证了所提方法的有效性。实验结果表明,所提方法能够有效降低云能耗,实现资源充分利用。     

一种迁移开销感知的虚拟机动态整合算法

现有的以降低能耗为目标的虚拟机动态整合算法通常忽略了虚拟机迁移所带来的消极影响,导致虚拟机的动态整合虽然减少了数据中心的能耗,但不合理的虚拟机迁移次数较多,极有可能增加了SLA（Service Level Agreements）的违例率。针对上述问题,提出了一种迁移开销感知的虚拟机动态整合算法MigCAP（Migration Cost Aware Policy）,定义了迁移收益参数EMP,MigCAP算法通过EMP值的大小来决定是否需要进行虚拟机的迁移,避免了不合理的虚拟机迁移的发生。实验结果表明,MigCAP算法与现有的其他虚拟机动态整合算法相比,能够在有效减少能耗和降低SLA违例率的基础上,显著减少虚拟机迁移次数。     

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...     

云平台下基于粒子群优化算法的虚拟机迁移模型

提出基于粒子群优化的虚拟机迁移模型(Particle swarm optimization for virtual machine migration model,PSO-VMM)。设计基于多维物理资源约束的能量消耗模型,以能量消耗最小作为粒子群优化的目标函数。在物理主机状态检测和虚拟机选择阶段,利用鲁棒局部归约检测LRR(Local Regression Robust)和最小迁移时间选择MMT(Minimum Migration Time)。在虚拟机放置阶段,将粒子群优化算法应用到大规模的候选迁移虚拟机到物理主机的重新分配。仿真实验结果表明:PSO-VMM迁移策略使得云平台的各类性能指标都得到改善。     

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%。     

基于贪心算法的容器云资源低能耗部署方法

将容器云平台资源整体能耗最低作为目标,设计基于贪心算法的容器云资源低能耗部署方法。在物理主机与虚拟机对应、虚拟机与容器对应等约束条件下,结合静态和动态两个部分构建容器云资源能耗模型。通过资源虚拟化与去除冗余两个步骤,得到容器云资源的整合结果。检测物理机负载状态,确定虚拟机迁移源物理机和目标物理机,利用贪心算法均衡调度容器云资源负载,最终通过容器云资源编排重组,实现容器云资源低能耗部署。通过与传统部署方法的对比得出结论：在优化设计部署方法下,容器云资源的利用率和负载均衡度得到明显提升,能量损耗明显下降。