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他们的虚拟机（VM）实例。然而,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。为此,提出了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Parallel Workload Archive（并行工作负载存档）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。     

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他们的虚拟机(VM)实例。然而,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。为此,提出了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)的真实工作负载数据进行了仿真实验,仿真结果表明所提方法可保证为云供应商带来更高收入,提高资源利用率。     

支持随机服务请求的云虚拟机按需物理资源分配方法

本文针对云平台按负载峰值需求配置处理机资源、提供单一的服务应用和资源需求动态变化导致资源利用率低下的问题,采用云虚拟机中心来同时提供多种服务应用.利用灰色波形预测算法对未来时间段内到达虚拟机的服务请求量进行预测,给出兼顾资源需求和服务优先等级的虚拟机服务效用函数,以最大化物理机的服务效用值为目标,为物理机内的各虚拟机动态配置物理资源.通过同类虚拟机间的全局负载均衡和多次物理机内各虚拟机的物理资源再分配,进一步增加服务请求量较大的相应类型的虚拟机的物理资源分配量.最后,给出了虚拟机中心基于灰色波形预测的按需资源分配算法ODRGWF.模拟实验表明所提算法能够有效提高云平台中处理机的资源利用率,对提高用户请求完成率以及服务质量都具有实际意义.     

云计算和多维QoS环境中基于蚁群优化算法在虚拟机资源负载均衡问题中的研究

针对云计算环境中虚拟机资源负载均衡问题,并为实现云计算下虚拟机资源负载均衡高效调度以满足用户的QoS需求,提出了一种基于多维QoS实现负载均衡的虚拟机资源调度方法。首先,在云计算环境下建立多维QoS网络环境的数学模型;然后,提出一种基于蚁群算法的优化算法,用于实现云计算环境中虚拟机资源高效调度;最后,在云仿真平台CloudSim上进行仿真实验。实验结果表明,相对于其他资源调度算法,所提算法能高效解决云计算下虚拟机资源调度问题,减少虚拟机资源负载均衡离差,具有更好的性能,能完全满足云计算下和多维QoS环境下虚拟机资源负载均衡的需求。     

云工作流中基于分时虚拟机的任务层调度算法

云计算是新的一种面向市场的商业计算模式,向用户按需提供服务,云计算的商业特性使其关注向用户提供服务的服务质量。任务调度和资源分配是云计算中两个关键的技术,所使用的虚拟化技术使得其资源分配和任务调度有别于以往的并行分布式计算。目前主要的调度算法是借鉴网格环境下的调度策略,研究基于QoS的调度算法,存在执行效率较低的问题。我们对云工作流任务层调度进行深入研究,分析由底层资源虚拟化形成的虚拟机的特性,结合工作流任务的各类QoS约束,提出了基于虚拟机分时特性的任务层ACS调度算法。经过试验,我们提出的算法相比于文献[1]中的算法在对于较多并行任务的执行上存在较大的优势,能够很好的利用虚拟的分时特性,优化任务到虚拟机的调度。     

云工作流中基于分时虚拟机的任务层调度算法

云计算是新的一种面向市场的商业计算模式,向用户按需提供服务,云计算的商业特性使其关注向用户提供服务的服务质量。任务调度和资源分配是云计算中两个关键的技术,所使用的虚拟化技术使得其资源分配和任务调度有别于以往的并行分布式计算。目前主要的调度算法是借鉴网格环境下的调度策略,研究基于QoS的调度算法,存在执行效率较低的问题。我们对云工作流任务层调度进行深入研究,分析由底层资源虚拟化形成的虚拟机的特性,结合工作流任务的各类QoS约束,提出了基于虚拟机分时特性的任务层ACS调度算法。经过试验,我们提出的算法相比于文献[1]中的算法在对于较多并行任务的执行上存在较大的优势,能够很好的利用虚拟的分时特性,优化任务到虚拟机的调度。     

基于多维评价模型及改进蚁群优化算法的云计算资源调度策略

针对云计算环境下资源调度模型未充分考虑资源评价的问题,为更好适应不同节点计算性能和大规模数据环境的处理需求,提出了一种基于多维评价模型的虚拟机资源调度策略;首先,在云计算环境下建立包括网络性能在内的多维资源评价模型,在此基础上提出一种改进的蚁群优化算法实现资源调度策略;然后在云计算仿真平台CloudSim上进行实现。实验结果表明,该算法可以更好适应不同网络性能的计算环境,显著提高了资源调度的性能,同时降低了虚拟机负载均衡离差,满足了云计算环境下的虚拟机资源负载均衡需求。     

基于GM(1,1)预测和虚拟机迁移的云计算负载均衡策略设计

针对云计算中心虚拟机集群负载的不均衡问题,设计了一种基于GM(1,1)预测和虚拟机迁移的负载均衡策略;首先,描述了云计算中心的负载均衡原理,介绍了经典ELB算法并总结了其缺点,然后,设计了基于GM(1,1)的虚拟机负载预测算法,能根据虚拟机的历史负载信息来预测下一时刻的负载信息,能有效克服ELB算法中仅依赖当前时刻负载而进行虚拟机的删除和增加,同时通过设定不同的阈值来实现虚拟机的增加、删除和迁移,最后,定义了基于预测机制和虚拟机迁移的负载均衡算法,能在创建虚拟机时根据用户的请求定制AMIs模板,从而提交用户请求的响应速度;在CloudSim环境下进行实验,实验结果表明文中方法能有效地实现云计算中心虚拟机集群的负载均衡,与其它方法相比,具有负载均衡高和负载均衡效率高的优点,是一种有效的云计算环境的负载均衡策略。     

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。     

面向多目标的云计算资源调度算法

在传统的虚拟机资源调度中,仅仅考虑当前负载,对虚拟机历史数据没有充分考虑,在处理云计算资源调度的时候出现负载失衡的状况,为了解决上述问题,本文提出了基于启发式遗传算法的资源调度算法,满足多目标规划的情况下实现云计算资源的调度.算法在为用户提供服务的同时充分考虑虚拟机的各种开销和因素,使提供云计算资源的服务器达到负载均衡.对目前的负载情况和历史数据进行分析,经过搜索和计算,计算得到同时满足负载变化数据约束和最小动态迁移开销的最好的云计算资源调度方案.最后,通过仿真实验,对算法进行验证,通过引入负载变化率和平均负载距离二个性能参数来比较和衡量虚拟机负载.实验数据证明,所提出的算法具有很好的全局收敛性和资源利用率,有效解决在资源调度中出现负载失衡和较大动态迁移开销的问题,因此,算法是可行和有效的.     

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.     

虚拟机资源概率配置的云计算SEFFD算法

摘要：为增强虚拟机资源分配过程性能,有效解决云计算环境下虚拟资源分配的NP hard问题,利用模拟进化算法结合首次下降算法构建虚拟资源分配优化过程（SEFFD）。首先,构建全新的虚拟资源分配的评估方式,并结合模拟进化过程较强的算法寻优爬坡效果,采用迭代方式实现虚拟资源分配过程的个体选择、评估以及排序进化;其次,以模拟进化（SE）过程所获得资源分配结果为基础,结合首次下降（FFD）算法准则,实现物理主机及虚拟机资源的二次分配,从而获得资源分配效果和效率的同步提升;最后,利用CloundSim及Gridbus云计算仿真平台对算法性能进行对比测试,实验结果表明所提策略的内存利用率高于60%,处理器利用率大于55%,可有效减少所需物理主机数量,从而降低能耗。     

Novel dynamic load balancing algorithm for cloud-based big data analytics

Big data analytics in cloud environments introduces challenges such as real-time load balancing besides security, privacy, and energy efficiency. This paper proposes a novel load balancing algorithm in cloud environments that performs resource allocation and task scheduling efficiently. The proposed load balancer reduces the execution response time in big data applications performed on clouds. Scheduling, in general, is an NP-hard problem. Our proposed algorithm provides solutions to reduce the search area that leads to reduced complexity of the load balancing. We recommend two mathematical optimization models to perform dynamic resource allocation to virtual machines and task scheduling. The provided solution is based on the hill-climbing algorithm to minimize response time. We evaluate the performance of proposed algorithms in terms of response time, turnaround time, throughput metrics, and request distribution with some of the existing algorithms that show significant improvements.

     

基于云端协同计算架构的边缘端I/O密集型虚拟机资源分配方案

大型制造业生产车间业务流程复杂,传统固定资源配置方式将产生负载不均衡的问题。针对此问题,设计并实现了一种基于云端协同架构的边缘端I/O密集型虚拟机资源的分配算法,通过定义计算节点中每个I/O密集型虚拟机三个维度的信息计算得出I/O密集型虚拟机的优先级,并按最大优先级队列实时统一分配硬件资源。实验结果表明,该算法在应对工业机械设备高响应和高通量的要求上有较为明显的提升,为实际生产起到了优化资源配置的作用。     

移动边缘计算环境下的动态资源分配策略

在通讯设备爆炸式增长的时代,移动边缘计算作为5G通讯技术的核心技术之一,对其进行合理的资源分配显得尤为重要。移动边缘计算的思想是把云计算中心下沉到基站部署(边缘云),使云计算中心更加靠近用户,以快速解决计算资源分配问题。但是,相对于大型的云计算中心,边缘云的计算资源有限,传统的虚拟机分配方式不足以灵活应对边缘云的计算资源分配问题。为解决此问题,提出一种根据用户综合需求变化的动态计算资源和频谱分配算法(DRFAA),采用"分治"策略,并将资源模拟成"流体"资源进行分配,以寻求较大的吞吐量和较低的传输时延。实验仿真结果显示,动态计算资源和频谱分配算法可以有效地降低用户与边缘云之间的传输时延,也可以提高边缘云的吞吐量。     

Towards an adaptive human-centric computing resource management framework based on resource prediction and multi-objective genetic algorithm

The complexity, scale and dynamic of data source in the human-centric computing bring great challenges to maintainers. It is problem to be solved that how to reduce manual intervention in large scale human-centric computing, such as cloud computing resource management so that system can automatically manage according to configuration strategies. To address the problem, a resource management framework based on resource prediction and multi-objective optimization genetic algorithm resource allocation (RPMGA-RMF) was proposed. It searches for optimal load cluster as training sample based on load similarity. The neural network (NN) algorithm was used to predict resource load. Meanwhile, the model also built virtual machine migration request in accordance with obtained predicted load value. The multi-objective genetic algorithm (GA) based on hybrid group encoding algorithm was introduced for virtual machine (VM) resource management, so as to provide optimal VM migration strategy, thus achieving adaptive optimization configuration management of resource. Experimental resource based on CloudSim platform shows that the RPMGA-RMF can decrease VM migration times while reduce physical node simultaneously. The system energy consumption can be reduced and load balancing can be achieved either.     

基于虚拟化技术的私有云计算平台设计

为提高分布式集群系统的硬件资源利用率,避免闲置设备造成的经济损失,结合虚拟化技术,提出了一种基于多种框架技术的私有云平台实现方案.该方案整合底层硬件资源,实现了对资源的按需分割、动态分配及动态迁移,并针对传统的虚拟机部署方法中的负载不均衡问题,提出了基于动态分配决策的虚拟机部署机制,该策略根据虚拟机资源的特点,结合现有物理节点的负载情况,对虚拟机进行了动态部署.最后设计实现了灵活性强、可扩展性能好的私有云计算服务平台,以石油勘探中的傅里叶有限差分叠前深度偏移为测试用例进行了应用测试,证明了私有云平台的可行性和有效性,并对虚拟机的部署机制进行了测试.实验结果表明,动态分配决策能够在部署大量虚拟机的同时,较好地保持私有云平台的负载平衡.     

基于负载预测的虚拟机动态调度算法研究与实现

在云计算系统中为了实现负载均衡和资源的高效利用,需要在虚拟机粒度上对云计算系统进行调度,通过热迁移技术将虚拟机从高负载物理节点迁移到低负载物理节点。把负载预测技术和虚拟机动态调度技术相结合,提出了LFS算法,通过虚拟机历史负载数据对虚拟机未来的负载变化情况进行预测,然后根据预测结果对虚拟机进行调度,能够有效地避免云计算系统中高负载物理节点出现,实现负载均衡,提高资源使用率。