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。     

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。     

弹性Web Cache集群的自适应负载均衡策略

在Web cache集群中,Web突发请求的频繁出现引发资源供给不足,造成系统性能显著下降.为有效处理Web突发请求,构建了同时使用本地资源和云资源的弹性Web cache集群.在弹性Web cache集群中,为提升系统性能,降低费用,提出一种自适应的负载模型.该模型可以动态自适应地调整,能够有效适用于异构Web cache集群.考虑到云结点的网络延迟,修正该模型得到云结点负载模型.基于以上负载模型,构造弹性Web cache集群的自适应负载均衡策略.与其他负载均衡策略相比较,使用该自适应负载均衡策略能够在弹性Web cache集群中实现高效的负载均衡.     

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。     

面向云服务平台的弹性负载均衡算法

云计算主要通过虚拟化技术并以虚拟机的形式为用户的各种应用提供资源管理和隔离,但虚拟机的超负荷运行会降低这些应用的性能,因此需要通过虚拟机迁移来进行负载均衡以防止服务器过载。然而,以往的负载均衡方案都是基于确定性的资源需求估计和工作负载特征来进行迁移决策,而没有考虑资源需求的突发性。本文通过对虚拟机资源需求跟踪观测,充分考虑其工作负载的动态性和突发性,提出一种弹性负载均衡的算法。该算法有效地解决了资源需求估计不准确和随机性特征资源需求预测的问题,为具有弹性需求特征的负载均衡问题提供了新的解决方案。最后将本文算法与相关算法对比,表明本文算法取得了较好的效果。     

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。     

云环境下机群弹性负载均衡机制

为克服传统刚性负载均衡机制不能适应多变的网络环境的缺陷,解决云环境下已有负载均衡机制存在不能充分利用弹性机制,且服务质量(QoS)不稳定的问题,提出一种基于绿色计算资源池策略的云环境弹性负载均衡机制,根据系统资源利用率对负载进行量化,量化结果决定资源池虚拟机的分配,最后结合虚拟机的使用情况,回收资源,提高资源的利用率。实验结果显示在该负载均衡机制下,响应时间稳定在2.5s左右,整体服务质量有明显提高,降低了电能消耗,验证了该机制的有效性。     

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.     

基于多维QoS和云计算的资源负载均衡调度研究

为了实现云环境下虚拟资源的高效调度并满足用户QoS需求,提出了一种基于多维QoS能实现负载平衡的云资源调度方法;首先,建立了云资源调度的多维QoS数学模型,然后提出了一种基于蚁群算法实现云环境虚拟资源调度的算法,对信息素的初始化、虚拟机的选择以及信息素的更新等均进行了改进,并在算法中引入遗传变异因子以提高算法的收敛能力;实验结果表明:该算法能有效解决云环境下虚拟资源调度问题,减少负载均衡离差,较其它方法具有较大优越性,满足了云环境下资源调度的需求。     

一种基于Docker容器的集群分段伸缩方法

针对现有的虚拟机集群伸缩方法响应慢、开销大的问题,提出一种基于Docker容器技术的虚拟机集群伸缩方法。在检测实时工作负载同时通过自回归模型对未来工作负载进行预测,最后使用排队论模型计算所需伸缩量。首先从虚拟机自身进行资源重分配,然后依据工作负载变化率选择Docker容器级别的伸缩或虚拟机级别的伸缩,直到请求响应时间在用户可接受范围之内为止。实验结果证明,在面对不同的工作负载变化情况时,该方法可以提供更快的响应速度和更低的开销。     

云计算中负载优化模型及算法研究

云计算环境的动态性和异构性,使得云计算很容易出现负载失衡现象,严重影响了云计算的整体性能和用户体验.论文提出了基于改进遗传算法的负载均衡优化模型,兼顾资源需求动态变化和虚拟机的计算能力,建立相应的资源调度模型,运用改进遗传算法实现资源负载均衡.验证表明,该算法能很好满足云环境下数据中心的使用要求,提高资源利用率和负载均衡度.     

云计算虚拟资源的熵优化和动态加权评估模型

云资源的动态变化和不确定性给资源管理及任务调度带来了很大的困难.为了准确地掌握资源动态负载和可用能力信息,提出一种基于熵优化和动态加权的资源评估模型,其中,熵优化模型利用最大熵和熵增原理的目标函数及约束条件,筛选出满足用户 QoS 和系统最大化的资源,实现最优调度,保障用户 QoS.对筛选后的资源再进行动态加权负载评估,对负载过重及长期不可用资源进行迁移、释放等,可减少能耗,实现负载均衡和提高系统利用率.设计了仿真实验,以验证所提评估模型的性能.实验结果表明,熵优化模型对用户 QoS 和系统最大化有很好的效果,动态加权负载评估有利于均衡负载,提高系统利用率.该评估模型实现了用户QoS保障、减少能耗、负载均衡以及提高系统利用率等多目标的优化.     

An infrastructure for embedded systems using task scheduling

Task scheduling in heterogeneous environments such as cloud data centers is considered to be an NP-complete problem. Efficient task scheduling will lead to balance the load on the virtual machines (VMs) thereby achieving effective resource utilization. Hence there is a need for a new scheduling framework to perform load balancing amid considering multiple quality of service (QoS) metrics such as makespan, response time, execution time, and task priority. Multi-core Web server is difficult to achieve dynamic balance in the process of remote dynamic request scheduling, so it is necessary to improve it based on the traditional scheduling algorithm to enhance the actual effect of the algorithm. This article do research on the multi-core Web server, Focusing on multi-core Web server queuing model. On this basis, the author draws the drawbacks of the multi-core Web server in the remote dynamic request scheduling algorithm, and improves the traditional algorithm with the demand analysis. Not only it overcomes the drawbacks of traditional algorithms, but also promotes the system threads carrying the same amount of tasks, and promotes the server being always in a dynamic balance. On the basis of this, it achieves an effective solution to customer requests.     

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。     

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.

     

云环境下的基于Min-Max的节能资源调度算法的研究

针对云计算环境下的高能耗问题,从系统节能的角度提出一种节能资源调度算法(energy-saving scheduling algorithm based on min-max,ESSAMM)。在Min-Max算法的基础上综合考虑了用户对于任务期望的完成时间和能量消耗两个因素,以节省任务执行过程中产生的能量消耗,并提高用户的时间QoS满意度,实现负载均衡。将任务集合中各任务按照长度从小到大排序,并根据时间QoS为该集合中长度最大和最小的任务选出符合用户期望的物理资源;根据能量估算模型,计算出这两个任务在各物理机上的执行能耗;选择最小能耗对应的物理机来执行该任务;将这两个任务在任务集合中删除,并重复上述过程,直到任务集合为空。仿真结果表明,相比于Min-Max和Min-Min资源调度算法,该算法能够有效降低系统执行任务产生的总能耗,提高用户时间服务质量,并实现调度系统负载均衡。     

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SDN网络构架的网络动态优化研究

针对动态网络优化依赖虚拟机在线迁移技术的问题,利用新型的网络架构SDN很好地实现了对网络设备的灵活管理和配置,达到数据中心虚拟化管理,且使得数据中心在资源优化,差错容忍和负载均衡方面具有很好的灵活性。同时,提出了一种基于QoS流机制的多路径虚拟机迁移策略(QMA),该机制通过对网络动态传输的虚拟机迁移资源划分为不同的QoS流,然后对每一个流选择有效的转发路径进行迁移,从而提高虚拟机整体迁移性能,最终达到对网络资源动态优化管理。     

面向Flink的负载均衡任务调度算法的研究与实现

Apache Flink是现在主流的大数据分布式计算引擎之一,其中任务调度问题是分布式计算系统中的关键问题。由于集群的异构性以及不同算子复杂度不同,大数据计算系统Flink中不可避免地会出现负载不均的情况,针对这种问题,提出了基于资源反馈的负载均衡任务调度算法RFTS。通过实时资源监控、区域划分和基于人工萤火虫优化的任务调度算法3个模块,把负载过重的机器中处于等待状态的任务分配给负载较轻的机器,来实现集群的负载均衡,提高系统集群利用率和执行效率。最后通过基于TPC-C和TPC-H数据集的实验结果表明,RFTS算法从执行时间和吞吐量2个方面有效提升了Apache Flink计算系统的性能。     

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.