基于Xen虚拟化技术的弹性云架构

云计算通过虚拟化技术为用户提供基础架构即服务(IaaS),IaaS平台上应用和服务的负载是动态变化的,这就导致其对虚拟资源的需求也是动态变化的.因此收集和分析云平台内部虚拟资源的占用量,根据需求对其进行弹性调度就成为提高整个云计算平台服务性能和资源利用率的关键.从负载均衡和降低云平台使用者成本的角度出发,根据云平台内部...     

基于Markov过程的IaaS系统可用性建模与分析方法

针对现有基础设施即服务（IaaS）可用性模型难以计算存在多个可用物理机器（PM）概率的问题，提出一种基于Markov过程的IaaS可用性分析方法。首先，将计算资源划分为hot PM、warm PM和cold PM三类；然后，结合资源分配过程的相应阶段对可用性影响进行建模，分别生成对应的三种分配子模型，子模型之间通过不同种类计算资源的转换关系相互协作，构建系统整体模型；其次，基于Markov过程建立方程组以对可用性模型进行求解；最后，结合实例对分析模型进行验证，并对PM变迁速率等关键影响因素进行了分析。实验结果表明，增加PM尤其是cold PM的数量有助于提升IaaS的可用性。所提方法可以用于评估IaaS存在一个或多个可用PM的概率。     

基于Markov过程的IaaS系统可用性建模与分析方法

针对现有基础设施即服务（IaaS）可用性模型难以计算存在多个可用物理机器（PM）概率的问题，提出一种基于Markov过程的IaaS可用性分析方法。首先，将计算资源划分为hot PM、warm PM和cold PM三类；然后，结合资源分配过程的相应阶段对可用性影响进行建模，分别生成对应的三种分配子模型，子模型之间通过不同种类计算资源的转换关系相互协作，构建系统整体模型；其次，基于Markov过程建立方程组以对可用性模型进行求解；最后，结合实例对分析模型进行验证，并对PM变迁速率等关键影响因素进行了分析。实验结果表明，增加PM尤其是cold PM的数量有助于提升IaaS的可用性。所提方法可以用于评估IaaS存在一个或多个可用PM的概率。     

基于多核感知的应用服务并行调度平台

摘　要 在云计算环境下,PaaS和IaaS协同工作是发展的趋势,针对大数据的处理及应用服务越来越复杂和多样化的需求,利用应用虚拟化技术在PaaS层和IaaS层之间搭建一个应用服务层,研究在管理平台中基于多核感知的并行调度模型。通过应用服务管理平台,实现按业务逻辑需求用不同粒度的应用服务组装形成系统新功能并以平台中基于多核感知的并行调度模型来处理/响应用户的作业请求。一方面提高系统的灵活性和行业适应性,另一方面也能实现对计算资源进行细粒度的分配。从实验结果可知,应用服务管理平台能有效按业务需求完成应用服务组装,通过并行调度提高了系统对基础架构资源的利用率,并有效地提高管理平台的吞吐量。     

基于SaaS的弹性云平台优化调度策略设计

云计算平台利用虚拟化技术使软件应用变得更有效率的同时, 也给资源管理和服务调度带来了挑战。在研究了软件服务（SaaS）与基础设施服务（IaaS）调度的区别基础上, 重点考虑SaaS层的资源调度, 提出基于随机理论的调度模型, 把该层调度描述成一种多目标的优化问题。除了服务质量的要求, 还考虑了弹性这一云服务的重要特性, 并提供了任务调度与弹性服务副本的匹配策略。实验表明本调度机制的设计优化了云平台的整体性能, 达到了较好的负载均衡与资源利用率。     

应用托管环境下的虚拟机优化调度方法

在面对云服务中典型的应用托管需求时,现有的基础设施即服务IaaS大多采用应用无关的方式进行虚拟机调度,无法针对类型不同的应用托管需求调整调度策略,从而会产生虚拟机集群的负载倾斜及资源利用率不高的情况,甚至会影响所托管的应用。针对上述问题,提出了一种应用托管环境下的虚拟机优化调度方法,通过对所托管应用的分析和物理资源的监控,以贪心方式实现虚拟机周期性的调度策略。实际项目中的应用托管实例表明,该虚拟机调度方法可有效减少所使用的物理服务器数量,并提高物理服务器资源利用率。     

应用托管环境下的虚拟机优化调度方法

在面对云服务中典型的应用托管需求时,现有的基础设施即服务IaaS大多采用应用无关的方式进行虚拟机调度,无法针对类型不同的应用托管需求调整调度策略,从而会产生虚拟机集群的负载倾斜及资源利用率不高的情况,甚至会影响所托管的应用。针对上述问题,提出了一种应用托管环境下的虚拟机优化调度方法,通过对所托管应用的分析和物理资源的监控,以贪心方式实现虚拟机周期性的调度策略。实际项目中的应用托管实例表明,该虚拟机调度方法可有效减少所使用的物理服务器数量,并提高物理服务器资源利用率。     

基于改进多目标布谷鸟搜索的资源调度算法

针对IaaS(Infrastructure as a Service)云计算中资源调度的多目标优化问题,提出一种基于改进多目标布谷鸟搜索的资源调度算法。在多目标布谷鸟搜索算法的基础上,通过改进随机游走策略和丢弃概率策略提高了算法的局部搜索能力和收敛速度。以最大限度地减少完成时间和成本为主要目标,将任务分配特定的VM(Virtual Manufacturing)满足云用户对云提供商的资源利用的需求,从而减少延迟,提高资源利用率和服务质量。实验结果表明,该算法可以有效地解决IaaS云计算环境中资源调度的多目标问题,与其他算法相比,具有一定的优势。     

IaaS环境中一种保证SLA的资源调度策略

当基础设施即服务(IaaS)云计算中心的资源需要重新分配时,MM策略在选择迁出集合进行动态迁移时存在过多迁移,因此增大了服务等级协议(SLA)的违反几率,并且会导致能量消耗过多.针对该问题,提出一种改进的资源调度策略FMS.通过服务运行的历史数据得到各虚拟机的资源使用情况,分两阶段对物理机集合进行扫描,从中选出需要迁出的虚拟机并与物理机进行映射.CloudSim软件上的实验结果表明,FMS能减少虚拟机的迁移次数,降低迁移开销,而且能更好地满足服务的SLA,实现IaaS模型下资源的优化部署.     

基于随机模型的云平台资源调度策略设计

针对云计算资源管理的实际需求,提出一种基于随机模型的云平台调度策略,设计合理高效的资源调度算法,解决传统代数模型请求丢失率高以及其他随机模型负载均衡指标性能较差的问题,从而在服务性能和执行效率的基础上保证服务器的资源负载,使云平台处于相对稳定的状态。在实验环境中的验证结果表明,该调度策略能够优化虚拟资源的使用效率和服务响应时间,同时能够达到较好的负载均衡并降低运营成本。     

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%。     

HEART: Unrelated parallel machines problem with precedence constraints for task scheduling in cloud computing using heuristic and meta-heuristic algorithms

Cloud computing is becoming a profitable technology because of it offers cost-effective IT solutions globally. A well-designed task scheduling algorithm ensures the optimal utilization of clouds resources and reducing execution time dynamically. This research article deals with the task scheduling of inter-dependent subtasks on unrelated parallel computing machines in a cloud computing environment. This article considers two variants of the problem-based on two different objective function values. The first variant considers the minimization of the total completion time objective function while the second variant considers the minimization of the makespan objective function. Heuristic and meta-heuristic (HEART) based algorithms are proposed to solve the task scheduling problems. These algorithms utilize the property of list scheduling algorithm of unrelated parallel machine scheduling problem. A mixed integer linear programming (MILP) formulation has been provided for the two variants of the problem. The optimal solution is obtained by solving MILP formulation using A Mathematical Programming Language (AMPL) software. Extensive numerical experiments have been performed to evaluate the performance of proposed algorithms. The solutions obtained by the proposed algorithms are found to out-perform the existing algorithms. The proposed algorithms can be used by cloud computing service providers (CCSPs) for enhancing their resources utilization to reduce their operating cost.     

云环境下基于改进NSGA II的虚拟机调度算法

在云环境中,如何将大量的虚拟机调度到物理节点上是一个基本且复杂的问题。文中首先对虚拟机的调度建立装箱问题模型,将该模型的求解转化一个多目标优化问题,目标分别为负载均衡、提高任务执行效率和降低能耗;接着对基于非支配排序的遗传算法（ Non-dominated Sorting Genetic Algorithm,NSGA II）进行改进,利用回溯法中的剪枝函数确定最优初始种群,引入正态分布密度函数限制优秀精英。仿真结果表明,基于改进NSGA II的虚拟机调度算法在任务执行时间、负载均衡和能量消耗三个方面优于其他一些常用算法。     

云存储系统节能研究综述

云存储系统作为云计算的重要组成部分,是各种云计算服务的基础。但随云存储系统规模的不断扩大和在设计时对能耗因素的忽略,使其日益暴露出高能耗、低效率的问题。因为云存储系统占整个云计算中心能耗的27%～40%,所以无论从降低服务提供商的运营成本,还是从降低能耗以保护环境的角度出发,研究云存储系统中的节能技术都具有很大的现实意义与应用前景。将存储系统中的能耗优化问题分为基于硬件的节能方法与基于调度的节能方法两大类进行讨论;并将基于调度的节能方法分为基于节点调度、基于数据调度和基于缓存预取技术3类进行综合比较;最后,对适应节能的云存储体系结构、节能模式下的QoS保证、节能模式与计算模式的匹配以及纠删码容错技术下的节能研究4个方向进行了展望。     

面向高校教学云服务的虚拟机动态调度方法

随着教学信息化的不断深化,高校云平台越来越普及,但是实际应用中资源利用率仍然较低,核心问题在于当前的虚拟机调度机制未考虑高校教学应用的特征,从而导致负载不均和资源浪费。为了解决这一问题,从高校教学应用需求出发,提出了一种虚拟机动态调度算法(CRS),定义了课程虚拟机模型和物理机负载模型,并实现了基于OpenStack开源云平台的可对虚拟机进行动态调度的校园云平台。实验表明,提出的虚拟机动态调度方法达到了降低能耗及实现负载均衡的目标。     

云计算环境下的PSO可信资源调度

对云计算环境下的资源调度问题进行了研究。针对云计算环境下资源调度的特点,结合节点失效以及任务间的网状结构特点,建立资源调度问题数学模型,运用离散粒子群算法求解该问题。针对模型特点结合云计算服务运营实情,设计算例进行仿真测试。验证表明了所建立模型的合理性及该算法求解的可行性和有效性。     

云计算环境下基于蚁群优化算法的资源调度策略

针对当前云计算环境中节点规模巨大,单个节点资源配置较低,寻找有效计算资源效率不高的缺点,文中在Google公司的Map/Reduce框架上提出了两个基于蚁群优化的资源调度策略ACO1和ACO2,并在这两个资源调度策略中引入双向蚂蚁机制。在该双向蚂蚁机制中蚂蚁通过相互交流,能够快速地发现合适的虚拟机资源,从而使得Master节点能够快速地为用户任务分配虚拟机。实验结果表明这两个利用了双向蚂蚁机制的资源调度策略显著减少了为用户任务寻找虚拟机的时间,从而使得用户任务能够更快地获得虚拟机,保证用户作业能够按时完成。     

私有云平台的虚拟机内存调度策略

在私有云平台中,现有的方法无法灵活地对虚拟机内存资源进行有效的监控和分配。针对以上问题,提出了内存实时监测和动态调度(MMS)模型,利用libvirt函数库和Xen提供的libxc函数库实现了对虚拟机内存紧缺、内存空闲时的实时监测和动态调度,并且提出虚拟机迁移策略,有效地缓解宿主机的内存紧缺问题。最后选取一台物理机作为主控节点,两台物理机作为子节点,利用Eucalyptus搭建一个小型的私有云平台。结果显示,当宿主机处于内存紧缺状态时,MMS系统通过启动虚拟机迁移策略有效地释放了内存空间;当虚拟机占用内存逼近初始最大内存时,MMS为其分配新的最大内存;当占用内容降低时,MMS系统对部分空闲的内存资源进行了回收,而且释放内存不超过150MB(最大内存512MB)时,其对虚拟机性能的影响不大。结果表明该模型对私有云平台中虚拟机内存进行实时监测和动态调度是有效的。