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。     

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。     

虚拟机资源分配的非合作博弈标价模型

基于非合作博弈理论,提出虚拟机资源分配的标价模型,该模型设计了各虚拟机的效益函数,同时利用该函数的最优反应函数,优化各博弈参与者对资源的标价。在效益函数零点无定义下,给出虚拟机标价最优解的唯一性和最优性证明。在满足服务质量条件下,利用优化后的标价按比例分配资源,使资源在各虚拟机之间公平分配,以提高虚拟资源利用率,保证用户的响应时间。仿真实验表明,提出的模型是有效合理的。     

可靠性感知下的虚拟数据中心映射算法

介绍现阶段虚拟数据中心(VDC)映射的研究进展,根据租户对VDC可靠性的需求,提出一种可靠性感知下的VDC映射启发式算法。对于每个VDC,该算法通过限制能放置在同一个服务器上的最大虚拟机数目来保证租户VDC可靠性需求,然后以降低数据中心网络带宽消耗和服务器能耗为主要目标进行VDC映射。其具体做法是:首先将相互之间带宽需求量大的虚拟机合并部署来降低数据中心网络带宽的消耗;然后把合并后的虚拟机优先部署到已开启的服务器上,从而减少开启的服务器数目,降低数据中心的服务器能耗。利用基于胖树结构的数据中心拓扑对提出的算法进行了仿真,结果表明,与2EM算法相比,该算法能够满足租户VDC的可靠性需求,能在不增加额外能耗的前提下最多减少数据中心网络约30%的带宽消耗。     

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。     

云虚拟机资源分配的效用最大化模型

随着云计算和虚拟化技术的发展,为云资源管理提供了一种更高层次的调度选择:一个作业不再只能分配到一台物理机上,而是可将一台或多台物理机的计算资源虚拟化成一台虚拟机来运行该作业.根据作业需要,高效分配定量的物理资源放置虚拟机,是决定云系统性能的关键因素,即云资源调度问题实质就是一个虚拟机和物理机之间的映射问题.文中借鉴网络效用最大化模型,提出了一种云资源调度模型——云效用最大化(Cloud Utility Maximization,CUM)模型,与传统调度模型相比,目标函数不再是最小化最大完工时间,而是以达到效用最大为调度目标,可以充分提高用户的满意程度.通过求解CUM优化问题得到最优的虚拟机和物理机映射关系.设计了针对该模型的分解优化算法——简化次梯度算法求解拉格朗日对偶问题,证明了该算法可以获得原始模型问题的最优解.仿真实验表明算法可行且具有良好的收敛特性,并给出了CUM模型在真实云环境下的应用场景.     

基于灰色关联度的云计算虚拟机分配方法

针对云计算系统中资源利用率提高和系统能耗降低之间的协调问题,提出了一种新的基于灰色关联度的虚拟机分配方法,应用灰色关联度的基本理论建立了基于服务层协议(SLA)违背率、系统能耗和服务器负载评价函数的虚拟机分配决策模型,构造了基于灰色关联度的虚拟机分配算法,并在CloudSim仿真平台上进行了实验。实验结果表明,与传统的基于简单线性权重的多目标优化方法相比,在不同的虚拟机选择策略下,基于灰色关联度的虚拟机分配方法在系统能耗、SLA违背率和虚拟机迁移次数上平均降低〖BP(〗是提高吗？应该是降低吧？请明确一下。〖BP)〗了6.8%、5.2%和15.5%。因此,所提方法在不同的虚拟机选择策略下能够大幅度减少虚拟机迁移次数,较好地满足系统在能耗和SLA违背率上的优化需求。     

具有可控冗余度的虚拟机容错分配算法

在现代基于虚拟化的数据中心中,虚拟机分配是实现云中资源有效调度的首要考虑。已经证明对数据结点分配虚拟机并考虑虚拟机之间的通信延迟,使得最大通信延迟最小的问题是NP-hard问题。目前鲜有在数据中心网络虚拟机分配问题上考虑其安全性和可靠性的研究。针对虚拟机分配中的容错技术,提出了一种具有可控虚拟机冗余度的启发式分配算法。算法以最大通信延迟最小化为优化目标,在可利用的虚拟机集合中通过构造可控冗余度的团来分配处理数据结点。实验结果表明,在Tree、VL2、Fat-tree和BCube四种常用的网络结构中,提出的启发式算法能提供0-200%之间任意冗余度。同时,在冗余度介于0~40%时,虚拟机与数据结点的匹配时间平均降低了67.1%,并且算法运行时间平均降低了12.8%。     

一种基于进化博弈理论的虚拟机部署算法

为了实现云环境中自适应性和稳定性的应用执行与部署,提出一种基于进化博弈理论的多目标虚拟机部署算法.该算法可以确保每个云应用找到一种进化稳定部署策略:对于给定的系统负载和资源可用性,应用可确定其部署位置和相应资源分配.对算法的稳定性进行分析,证明了种群状态可收敛于部署策略的进化稳定策略ESS上,且得到的均衡解是渐近稳定的.通过三层架构的Web应用的仿真实验验证算法性能,结果表明,该算法在响应时间、资源利用率和功耗等指标上表现较优.     

云计算环境下基于多目标优化的虚拟机放置研究

云数据中心的规模日益增长导致其产生的能源消耗及成本呈指数级增长。虚拟机的放置是提高云计算环境服务质量与节约成本的核心。针对传统的虚拟机放置算法存在考虑目标单一化和多目标优化难以找到最优解的问题,提出一种面向能耗、资源利用率、负载均衡的多目标优化虚拟机放置模型。通过改进蚁群算法求解优化模型,利用其信息素正反馈机制和启发式搜索寻找最优解。实验结果表明,该算法综合性能表现良好,符合云环境对高效率低能耗的要求。     

云计算中能耗和性能感知的虚拟机优化部署算法

优化虚拟机部署是数据中心降低能耗的一个重要方法。目前大多数虚拟机部署算法都明显地降低了能耗,但过度虚拟机整合和迁移引起了系统性能较大的退化。针对该问题,首先构建虚拟机优化部署模型。然后提出一种二阶段迭代启发式算法来求解该模型,第一阶段是基于首次适应下降装箱算法,提出一种虚拟机优化部署算法,目标是最小化主机数;第二阶段是提出了一种虚拟机在线迁移选择算法,目标是最小化待迁移虚拟机数。实验结果表明,该算法能够有效地降低能耗,具有较低的服务等级协定(SLA)违背率和较好的时间性能。     

云计算中虚拟机放置的自适应管理与多目标优化

云计算的一个关键需求是其基础设施中大规模虚拟机的放置问题.虚拟机和物理结点之间的映射决定了如何将云计算中虚拟化资源分配给多个Web应用,对云计算系统的性能、能耗和QoS保证有重要影响.文中提出了云计算中虚拟机放置的自适应管理框架,提出了带应用服务级目标约束的虚拟机放置多目标优化遗传算法,用于制定框架中的虚拟机放置策略....     

基于双适应度遗传算法的虚拟机放置的研究

减少数据中心产生的网络时延以及优化数据中心能源消耗和物理资源的浪费等越来越受到研究者的关注。主要关注数据中心的物理资源的浪费和数据中心产生的网络时延,并且建模一个多目标优化问题:最小化数据中心的物理资源以及数据中心的时延。通过改进型双适应度遗传算法将两个目标同时优化,将其结果与贪心算法进行比较,实验结果表明,此算法优于贪心算法,是云环境下有效的虚拟机放置算法。     

基于粒子群优化算法的虚拟机放置策略

当前云计算虚拟化平台无法适用于对时延要求较高的应用。为此,提出一种基于粒子群优化算法的虚拟机放置策略。介绍粒子群优化算法,建立云环境内部时延模型,设计虚拟机放置策略架构。实验结果表明,该策略的请求响应时间比动态资源调度(DRS)策略降低14%~19%,每秒处理请求数比DRS方案提高约17%。     

Dynamic forecast scheduling algorithm for virtual machine placement in cloud computing environment

In most cloud computing platforms, the virtual machine quotas are seldom changed once initialized, although the current allocated resources are not efficiently utilized. The average utilization of cloud servers in most datacenters can be improved through virtual machine placement optimization. How to dynamically forecast the resource usage becomes a key problem. This paper proposes a scheduling algorithm called virtual machine dynamic forecast scheduling (VM-DFS) to deploy virtual machines in a cloud computing environment. In this algorithm, through analysis of historical memory consumption, the most suitable physical machine can be selected to place a virtual machine according to future consumption forecast. This paper formalizes the virtual machine placement problem as a bin-packing problem, which can be solved by the first-fit decreasing scheme. Through this method, for specific virtual machine requirements of applications, we can minimize the number of physical machines. The VM-DFS algorithm is verified through the CloudSim simulator. Our experiments are carried out on different numbers of virtual machine requests. Through analysis of the experimental results, we find that VM-DFS can save 17.08 % physical machines on the average, which outperforms most of the state-of-the-art systems.     

基于Orbital Shrinking的数据中心虚拟机最优放置算法

摘要：虚拟机放置技术能够控制智能电网数据中心物理服务器的资源使用,将有效提升资源使用效率。虚拟机放置策略的思路主要基于时间、空间、计算资源和能耗的综合均衡,其主要面临的瓶颈包括鲁棒性和灵活性的平衡矛盾,以及有限资源的非均衡分配问题。根据当前电力数据中心结构复杂和资源利用率低的问题,本文提出一种基于Orbital Shrinking的数据中心虚拟机最优放置算法,首先研究虚拟机放置的数据中心适用性问题,有效地从多维目标优化和边界动态约束这2方面分析数据中心的资源状态。基于Orbital Shrinking模型,建立计算资源、时空状态和能耗条件的多维背包模型,实现虚拟机放置策略的整体平衡。通过实验仿真表明,新算法能够有效提升数据中心服务器的计算资源利用效率9.8%,降低数据处理时延10.3 s。     

基于改进分组遗传算法的虚拟机放置研究

为了提高云计算的资源利用率以及减少能耗,采用改进的分组遗传算法来解决虚拟机放置的效率.通过对遗传算法的交配和突变等过程进行重新设计,提高遗传算法过程中优秀基因遗传给后代的几率,并提出了相应的算法,达到快速求解虚拟机放置问题的目的.实验结果表明,该算法可以快速采用最少的物理机来放置虚拟机,有效地提高了虚拟机放置问题的求解速度.     

基于资源需求分布特征的异构云环境虚拟机放置算法

针对异构云环境中的虚拟机放置（VMP）问题,提出一种基于虚拟机资源需求分布特征的放置算法（RDDFPA）。首先,建立基于CPU资源和内存资源比例系数的虚拟机需求和物理机配置描述方法,并根据该比例系数对所有虚拟机进行排序;其次,通过分析虚拟机需求与物理机配置各自在CPU资源和内存资源比例方面的关系,确定比例分界点,完成虚拟机集合的划分,每个虚拟机子集合的规模反映出对相匹配的不同配置物理机的需求比例;最后,利用启发式算法如首次适应（First Fit）算法完成虚拟机子集合在相匹配配置的物理机子集合上的放置。理论分析和仿真实验结果表明,与采用任意单一配置的物理机总数量相比,所提算法所需物理机的总台数减少了2%~17%。RDDFPA能够根据虚拟机资源需求分布的不同,确定各类配置物理机的数量,高效完成虚拟机的放置,在提高资源利用率的同时,降低了系统能耗。     

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。