云环境下计算资源适用性评估

随着云计算和虚拟化技术的发展,一种应用不再是只能部署在一台物理机上,而是可将物理机的计算资源虚拟化成一台虚拟机来部署该应用。传统的分配物理资源放置虚拟机,只考虑应用所需资源是否充足,而未考虑应用类型对物理资源需求的特殊性。本文提出计算资源适用性概念--计算资源当前状态适合部署的应用类型。当需要部署某一应用时,首先判别应用所属类型,同时获取应用对资源占用量;然后根据当前候选资源节点的监控数据,分别进行静态评估和动态评估,计算出综合评估结果,得出部署应用的虚拟机和物理机的映射关系。实验结果表明,与传统的虚拟机放置算法相比,提出的计算资源适用性评估算法,使得应用响应时间变短,提高了应用效率与资源利用率。     

基于效益最大化的云虚拟机资源分配研究

针对云资源分配研究中缺乏对用户使用资源的效益情况进行研究的现状,借鉴网络带宽分配效用最大化的NUM(Network Utility Maximization)模型,提出了一种使用户效益最大化的云虚拟机资源分配模型。在分析分配模型时,通过拉格朗日函数将模型简化为求解拉格朗日对偶函数。最后,引入模糊次梯度算法在理论上证明了可以得到模型的最优解。仿真结果表明了方案的可行性和算法较好的收敛性。     

改进粒子群算法在云计算负载均衡中的应用研究

云计算系统采用虚拟化技术可以更加灵活和高效地分配运算资源,便于管理员根据用户任务需求按需分配云计算资源。但虚拟化后的云计算中心存在种类多样、数量庞大的虚拟机资源,难以将虚拟机合理地放置到物理主机集群上并达到较好的负载均衡。为此,给出了云计算中心虚拟机放置到物理主机的负载均衡模型,采用改进后的粒子群算法（PSO）来求解最优解。最后通过和常用虚拟机放置算法的仿真对比实验,验证了所提云计算负载均衡优化算法的有效性。     

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.     

人工鱼群算法在虚拟机分配中的应用

虚拟机分配是云数据中心的一个重要任务,它实现物理机和虚拟机的映射,这对整个云数据中心中计算集群的性能,响应时间和服务质量有重要影响。需要采用一定的虚拟机分配策略来保障在同一集群中自动地完成虚拟机分配,以便达到物理机集群的负载均衡,虚拟机迁移次数最小并且节能环保等目的。提出了一种添加新型行为策略的人工鱼群算法,并将该算法成功应用于虚拟机分配问题的求解。与多种虚拟机分配算法的对比结果表明,算法能更快获得符合云数据中心多个需求的分配方案,对于其他实时性要求较高的组合优化问题同样具有应用价值。     

云应用资源交付与分裂聚类调度方法

针对私有云环境中资源交付与调度的高效实现问题,提出一种面向云应用的资源交付调度及实现方法。该方法以云应用元模型为核心,根据模型中虚拟机间数据交互特征生成最小生成树,采用图论分裂聚类算法拆分虚拟机集合并映射物理主机。通过对比分析面向虚拟机调度的实验数据,证明该方法能在提升云应用整体性能的同时降低云应用对物理网络设备及带宽资源的占用。     

基于改进的花授粉算法的虚拟机分配策略

构造绿色云数据中心的两个主要目标是低能量消耗与物理资源利用效率的充分利用,为此需要采用虚拟机分配策略来完成优化。本文提出了基于改进花授粉算法的虚拟机分配策略（Flower pollination algorithm based virtual machine allocation, FPA-VMA）。FPA-VMA中一朵花或一个配子就对应于虚拟机映射到物理主机分配优化问题中的一个解;并且描述了云数据中心云客户端的资源请求模型和多维物理资源的能量消耗模型。FPA-VMA在花授粉的动态切换概率阶段的策略可以平衡全局最优解搜索和局部最优解搜索之间的切换,同时改善资源分配的全局收敛能力。真实的虚拟机数据的访问测试结果标明：FPA-VMA比常见的虚拟机分配优化策略有更低的能量消耗和更高的物理资源利用效率。     

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。     

基于离散粒子群优化的云工作流调度

针对云工作流调度问题面临的安全威胁,首先采用云模型量化任务与虚拟机资源的安全性,通过安全云相似度衡量用户对任务所分配虚拟机资源的安全满意程度;然后建立考虑安全性、完成时间和使用费用的云工作流调度模型,并提出基于离散粒子群优化的云工作流调度算法;最后对所提算法进行仿真实验.实验结果表明,与同类算法相比,该算法在安全效用值、完成时间、使用费用和负载均衡离差方面具有较好的性能表现.     

基于多目标演化算法的云计算虚拟机分配策略研究

分析云计算虚拟机资源模型,针对模型中虚拟机与物理机的映射关系以及虚拟机多资源因子、多优化目标的特点,将虚拟机分配问题转化成多维装箱问题,引入多目标演化算法进行求解。算法设计了基于组的虚拟机分配链式编码和染色体评估函数,并根据编码设计了两种交叉算子和智能变异算子,通过引入基于超体积的种群更新机制,设计了基于SMS-EMOA的云计算虚拟机分配算法。为验证SMS-EMOA的性能,分别使用优先匹配启发式算法、基于物理节点数量的单目标简单遗传算法、SMS-EMOA进行了模拟。实验结果表明,基于SMS-EMOA的虚拟机分配算法在性能上更优。