一种新的蚁群算法优化的虚拟机放置策略

提出了一种新的蚁群算法优化的虚拟机放置策略ACA-VMP (Ant Colony Algorithm based virtual machine placement);ACA-VMP以云数据中心的总体能量消耗降低、服务质量最佳及减少虚拟机迁移次数为目标函数;根据蚁群优化算法,ACA-VMP采用了全局最优解和局部最优解信息素强度更新规则;全局最优解经过多次迭代后,蚂蚁路径的多次寻优,保证这个虚拟机放置优化策略的完成;局部信息素强度参数更新可以补充蚂蚁其他局部最优路径的寻找,这样也可以使得ACA-VMP虚拟机放置优化算法更快的接近全局最优解;仿真结果表明:ACA-VMP策略使得云数据中心的各类性能指标都可以改善,该实验结果对于其他企业构造节能云数据中心有很好的参考价值.     

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.     

云环境中多目标优化的虚拟机放置算法

虚拟机放置（VMP）是虚拟机整合的核心,是一个多资源约束的多目标优化问题。高效的VMP算法不仅能显著地降低云数据中心能耗、提高资源利用率,还能保证服务质量（QoS）。针对数据中心能耗高和资源利用率低的问题,提出了基于离散蝙蝠算法的虚拟机放置（DBA-VMP）算法。首先,把最小化能耗和最大化资源利用率作为优化目标,建立多目标约束的VMP优化模型;然后,通过效仿人工蚁群在觅食过程中共享信息素的机制,将信息素反馈机制引入蝙蝠算法,并对经典蝙蝠算法进行离散化改进;最后,用改进的离散蝙蝠算法求解模型的Pareto最优解。实验结果表明,与其他多目标优化的VMP算法相比,所提算法在使用不同数据集的情况下都能有效降低能耗,提高资源利用率,实现了在保证QoS的前提下的降低能耗和提高资源利用率两者之间的优化平衡。     

基于动态规划的虚拟机放置策略

在IaaS云环境中,资源的分配管理关键取决于如何放置虚拟机,不当的放置策略可造成资源的损耗以及更多的能耗开销。为了降低整个数据中心的资源损耗和能耗开销,建立一个多目标优化的问题模型,并提出了一种基于动态规划思想的虚拟机放置策略。策略将放置问题转化为多阶段决策的背包问题,利用动态规划的思想把背包问题划分成一系列规模更小的子问题,通过求解子问题的最优解得到原问题的最优解。仿真实验表明,该策略能大大降低数据中心的能耗,并减少资源损耗。     

一种能耗-性能协调优化的虚拟机重放置策略

在云计算环境中虚拟机重放置方法方面,现有多数算法通常聚焦单一目标的优化,而聚焦一个单一目标通常会牺牲其他目标来达到最优效果,因此有必要考虑多目标权衡的虚拟机重放置方法。以降低能耗和保证虚拟机的服务质量为目标,提出一种能耗-性能协调的虚拟机重放置优化算法,即能耗-性能优化配合降序最佳适应算法（Energy-Performance awareness best fit descending virtual machine relocating,EPAR）,把资源使用率转化为能耗,同时权衡了能耗和性能之间的关系。该算法在选择重放置虚拟机时使用自回归模型预测下一时间段的性能。通过原型验证,EPAR算法能够在确保虚拟机服务的情况下,有效降低宿主机的能耗,避免不必要的虚拟机的迁移。     

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。     

云计算中面向能耗降低的虚拟机多资源放置算法

为降低云计算系统产生的能耗,实现系统多类型资源的合理利用,提出虚拟机多资源能耗优化放置模型,并给出虚拟机多目标资源随机多组优化算法(RMRO)。RMRO算法随机生成多组虚拟机放置序列,并对每组序列进行优化,从中选出最优的序列作为最终的虚拟机序列。基于RMRO,进一步提出了3种虚拟机放置序列的再优化策略,通过实验对比,选择MMBA策略作为最佳策略。仿真结果表明,RMRO相比传统的MBFD和MBFH算法,能明显降低数据中心的能耗,同时使系统多种资源利用更合理。     

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。     

云数据中心基于任务映射的虚拟机选择策略

改变云数据中心虚拟机选择与放置的相互关系可提高云数据中心的整体性能。为此,提出基于任务映射的虚拟机选择策略。重点考虑任务粒度、虚拟机尺寸、物理主机计算能力等指标,将虚拟机选择与放置2个过程相互结合,分别设计Simple、Multiple(k)、Maxsize(u)和Relation算法,以此构建任务映射虚拟机选择的数学模型。基于Cloudsim模拟器的实验结果表明,通过该策略优化虚拟机选择与放置过程,可减少云数据中心的能量消耗和虚拟机迁移次数,节省云服务提供商的成本。     

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。     

基于混合群智能的节能虚拟机整合方法

数据中心的虚拟机（virtual machine,VM）整合技术是当今云计算领域的一个研究热点.要在保证服务质量（QoS）的前提下尽可能地降低云数据中心的服务器能耗,本质上是一个多目标优化的NP难问题.为了更好地解决该问题,面向异构服务器云环境提出了一种基于差分进化与粒子群优化的混合群智能节能虚拟机整合方法（HSI-VMC）.该方法包括基于峰值效能比的静态阈值超载服务器检测策略（PEBST）、基于迁移价值比的待迁移虚拟机选择策略（MRB）、目标服务器选择策略、混合离散化启发式差分进化粒子群优化虚拟机放置算法（HDH-DEPSO）以及基于负载均值的欠载服务器处理策略（AVG）.其中,PEBST,MRB,AVG策略的结合能够根据服务器的峰值效能比和CPU的负载均值检测出超载和欠载服务器,并选出合适的虚拟机进行迁移,降低负载波动引起的服务水平协议违约率（SLAV）和虚拟机迁移的次数;HDH-DEPSO算法结合DE和PSO的优点,能够搜索出更优的虚拟机放置方案,使服务器尽可能地保持在峰值效能比下运行,降低服务器的能耗开销.基于真实云环境数据集（PlanetLab/Mix/Gan）的一系列实验结果表明：HSI-VMC方法与当前主流的几种节能虚拟机整合方法相比,能够更好地兼顾多个QoS指标,并有效地降低云数据中心的服务器能耗开销.     

Comparative study between exact and metaheuristic approaches for virtual machine placement process as knapsack problem

In cloud computing, the virtual machine placement is a critical process which aims to identify the most appropriate physical machine to host the virtual machine. It has a significant impact on the performance, resource usage and energy consumption of the datacenters. In order to reduce the number of active physical machines in a datacenter, several virtual machine placement schemes have already been designed and proposed. This study investigates how do four different methods compare to each other in terms of accuracy and efficiency for solving the virtual machine placement as a knapsack problem. A new approach has been adopted which focuses on maximizing the use of a server’s central processing unit resource considering a certain capacity threshold. The compared methods are classified; two belong to the category of the exact methods, i.e., branch and bound and dynamic programming, while the other two represent the approximate approach, i.e., genetic algorithm and ant colony optimization algorithm. Experimental results show that the metaheuristic ant colony optimization algorithm outperforms the other three algorithms in terms of efficiency.

     

基于渗透式人工蜂群与蚁群优化混合的负载平衡算法

针对当前云计算负载平衡调度过程中出现的虚拟机迁移效率低和能耗高问题,提出了一种基于渗透式人工蜂群与蚁群混合优化负载平衡算法,该算法将化学渗透行为与生物启发的负载平衡算法相结合,在充分利用人工蜂群和蚁群两种优化算法优点的同时,将渗透技术应用于负载均衡。由于渗透技术支持通过云基础设施迁移的虚拟机的自动部署,从而克服了现有仿生算法在实现物理机之间负载平衡方面的缺点,提高了迁移效率。实验结果表明,以现有负载平衡算法相比,提出的算法在迁移性能上提升明显。     

云计算中基于共享机制和群体智能优化算法的任务调度方案

为了提高云计算中虚拟机(VM)的利用率并降低任务的完成时间,提出了一种融合共享机制的混合群智能优化算法,实现云任务的动态调度。首先,将虚拟机调度编码为蜜蜂、蚂蚁和遗传个体。然后,利用人工蜂群算法(ABC)、蚁群算法(ACO)和遗传算法(GA)分别在各自邻域内寻找最优解。最后,通过一个共享机制使3种算法定期交流各自搜索到的解,并将获得的最佳解作为当前最优解进行下一次迭代过程,以此来加速算法收敛并提高收敛精度。通过CloudSim进行了一个云任务调度的仿真实验,结果表明提出的混合算法能够合理有效地调度任务,在任务完成时间和稳定性方面具有优越的性能。     

面向移动云计算的自适应虚拟机调度算法

随着移动云计算的快速发展和应用普及,如何对移动云中心资源进行有效管理同时又降低能耗、确保资源高可用是目前移动云计算数据中心的热点问题之一.本文从CPU、内存、网络带宽和磁盘四个维度,建立了基于多目标优化的虚拟机调度模型VMSM-EUN(Virtual Machine Scheduling Model based on Energy consumption,Utility and minimum Number of servers),将最小化数据中心能耗、最大化数据中心效用以及最小化服务器数量作为调度目标.设计了基于改进粒子群的自适应参数调整的虚拟机调度算法VMSA-IPSO(Virtual Machine Scheduling Algorithm based on Improved Particle Swarm Optimization)来求解该模型.最后通过仿真实验验证了本文提出的调度算法的可行性与有效性.对比实验结果表明,本文设计的基于改进粒子群的自适应虚拟机调度算法在进行虚拟机调度时,能在降低能耗的同时提高数据中心效用.     

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。