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。     

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。     

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。     

云采购平台虚拟供应商资源动态分配

重点探讨将云计算技术运用到采购环节中,构建云采购平台,探讨如何分配载有虚拟供应商资源的虚拟机,改善顾客满足情况。首先提出了云采购平台的概念,假设虚拟机载有供应商资源;其次提出了载有虚拟供应商资源的虚拟机分配流程,并且建立模型;然后分别采用最佳递减匹配（BFD）方法和仪跟踪多群粒子群优化（FTMPSO）算法对其求解;最后分析求解结果。采用最佳递减匹配算法时,优先满足的属性不同,得到的顾客满足情况不同;仪跟踪多群粒子群优化算法对虚拟供应商资源进行分配得到的顾客满足率高于用最佳递减匹配算法对虚拟供应商资源进行分配的顾客满足率。     

基于随机规划的云计算中虚拟机分配优化研究

IaaS是云计算中一种基本的服务模式,虚拟机分配是其中的一项重要任务。本文针对虚拟机分配中响应时间和费用消耗的目标,给出了一种虚拟机分配问题的优化算法。该算法在需求具有不确定性的前提下,综合考虑了响应时间和费用消耗两方面的因素,对从属不同供应商的虚拟机资源进行调度和分配。本文基于随机规划理论,对算法进行了建模和仿真,给出了面向响应时间和费用消耗的目标函数及其约束,并通过仿真实验对模型进行了求解。结果表明,该方法能在最大限度节省计算费用的基础上满足不同用户的需要。     

一种高效的云资源—动态虚拟机实例分配机制

为了实现云中虚拟机实例的提供和分配,提出一种基于拍卖的动态虚拟机实例分配机制.收集用户的投标,计算出全部投标的投标密度,根据投标密度对投标进行排序;计算保留价格,并丢弃投标密度低于保留价格的投标,将计算资源按排序分配给用户;计算每个获胜用户的付款,从而达到用户仅通过出价其所要求的资源的真实估价来最大化其效用.实验结果表明,该机制不仅能为云提供商带来更高的收益,而且还提高了云资源的利用率.     

基于K-means的动态资源分配策略

为提高移动边缘计算(MEC)环境下大型云计算中心资源的利用率和用户体验,提出基于K-means算法的动态计算资源和频谱资源分配算法(KDSAA).分析传统的资源平均分配方式和虚拟机分配方式现状,研究用户的综合需求,将资源模拟成“流体”,采用拍卖算法进行分配,线性求解出边缘云吞吐量和传输时延的最优值.实验结果表明,该算法...     

基于拍卖的数据中心资源匹配算法

云平台数据中心主机与负载均具有异构性,导致任务负载无法均衡利用主机各项资源。主机资源的非均衡利用最终造成总体资源利用率低,主机资源浪费,提高运营成本。针对云平台数据中心任务分配中各项资源无法均衡利用的问题,提出一种基于连续双向拍卖的虚拟机分配与迁移算法。该算法一方面利用多种启发式策略对数据中心主机和虚拟机进行筛选,将过载主机与欠载主机放入数据中心拍卖中;另一方面,构建买卖双方定价策略以及交易策略,形成完整的拍卖流程。同时,为解决多资源情况下的交易问题,提出基于资源匹配度的交易策略。仿真实验表明,文中方法通过引入资源匹配度,能够有效地匹配数据中心主机与虚拟机的各项资源,平衡各类资源利用率,提高整体资源利用率。     

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。     

一种基于QoS的云负载均衡机制的研究

提出一种基于QoS的云负载均衡机制,即:构建QoS模型和云资源模型;建立资源度量与QoS属性之间的映射;对虚拟机实例负载状况和虚拟机集群资源利用状况进行量化评估;感知用户的QoS并对比所监控的云节点的资源度量情况,根据对比结果,通过任务调度算法和弹性伸缩算法分别实现任务的分发和虚拟机集群的弹性伸缩,最终达到优化的负载均衡的目的.通过模拟试验,结果表明本方法与Round robin算法相比,有更好的负载均衡效果.     

多实例云计算资源市场下超额预订决策方法

针对现有云供应商数据中心负载率低、云用户需求不确定及多样性的问题,为提高云供应商平均利润,建立了不确定需求下的多实例类型云服务超额预订模型。该模型结合实际云计算资源市场下超额预订对于云供应商负载均衡及云服务等级协议(SLA)的影响,给出超额预订的多重约束条件,提出了各实例类型数量最优分配策略。实验结果表明,采用该模型在预约未使用概率为0.25时,云供应商利润较高,数据中心负载率达到78%,最终确定了各实例类型的最优分配数量。     

Multi-Layer Resource Management in Cloud Computing

The paper studies multi-layer optimization in service oriented cloud computing to optimize the utility function of cloud computing, subject to resource constraints of an IaaS provider at the resource layer, service provisioning constraints of a SaaS provider at the service layer, and user QoS (quality of service) constraints of cloud users at application layer, respectively. The multi-layer optimization problem can be decomposed into three subproblems: cloud computing resource allocation problem, SaaS service provisioning problem, and user QoS maximization problem. The proposed algorithm decomposes the global optimization problem of cloud computing into three sub-problems via an iterative algorithm. The experiments are conducted to test the efficiency of the proposed algorithm with varying environmental parameters. The experiments also compare the performance of the proposed approach with other related work.     

采用随机规划模型的云资源分配算法

针对云资源提供问题,为了降低云消费者的资源使用成本,提出了一种采用随机规划模型的云资源分配算法.同时考虑按需实例和预留实例,采用两阶段随机整数规划对云资源提供问题进行建模,在资源预留阶段,根据长期的工作负载情况,确定预留实例的类型和数量,在按需分配阶段,根据当前的工作负载,确定动态分配的按需实例的类型和数量.采用抽样平均近似方法减少资源提供问题的场景数量,降低求解复杂度,并提出了一种基于阶段分解的混合进化算法求解资源提供问题.仿真实验结果表明,采用随机规划模型的云资源分配算法能够在较短时间内获得近似最优的云资源预留方案,有效降低了云消费者的资源使用成本.     

一种基于云计算的动态可扩展应用模型

可扩展性对于很多互联网企业而言是非常重要的。如果按照访问量峰值需求配置资源,则成本很高,资源利用率很低。云计算提供了一个强大的计算模式,允许用户按需访问资源。基于虚拟云计算环境中阈值,提出一个动态可扩展的Web应用模型,该模型通过一个前端负载平衡器,将用户的访问请求路由安装在云计算环境中虚拟机上的Web服务器上。又提出了一个动态扩展算法用于自动扩展虚拟服务器的数量。根据提出的模型和算法,通过实验模拟,当用户访问量激增时,系统的响应时间不会显著延长,完全可以满足实际的需求。     

Resource provisioning for cloud applications: a 3-D,provident and flexible approach

The scalability feature of cloud computing attracts application service providers (ASPs) to use cloud application hosting. In cloud environments, resources can be dynamically provisioned on demand for ASPs. Autonomic resource provisioning for the purpose of preventing resources over-provisioning or under-provisioning is a widely investigated topic in cloud environments. There has been proposed a lot of resource-aware and/or service-level agreement (SLA)-aware solutions to handle this problem. However, intelligence solutions such as exploring the hidden knowledge on the Web users’ behavior are more effective in cost efficiency. Most importantly, with considering cloud service diversity, solutions should be flexible and customizable to fulfill ASPs’ requirements. Therefore, lack of a flexible resource provisioning mechanism is strongly felt. In this paper, we proposed an autonomic resource provisioning mechanism with resource-aware, SLA-aware, and user behavior-aware features, which is called three-dimensional mechanism. The proposed mechanism used radial basis function neural network in order to provide providence and flexibility features. The experimental results showed that the proposed mechanism reduces the cost while guarantees the quality of service.     

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.     

An efficient job management of computing service using integrated idle VM resources for high-performance computing based on OpenStack

In recent years, various studies on OpenStack-based high-performance computing have been conducted. OpenStack combines off-the-shelf physical computing devices and creates a resource pool of logical computing. The configuration of the logical computing resource pool provides computing infrastructure according to the user’s request and can be applied to the infrastructure as a service (laaS), which is a cloud computing service model. The OpenStack-based cloud computing can provide various computing services for users using a virtual machine (VM). However, intensive computing service requests from a large number of users during large-scale computing jobs may delay the job execution. Moreover, idle VM resources may occur and computing resources are wasted if users do not employ the cloud computing resources. To resolve the computing job delay and waste of computing resources, a variety of studies are required including computing task allocation, job scheduling, utilization of idle VM resource, and improvements in overall job’s execution speed according to the increase in computing service requests. Thus, this paper proposes an efficient job management of computing service (EJM-CS) by which idle VM resources are utilized in OpenStack and user’s computing services are processed in a distributed manner. EJM-CS logically integrates idle VM resources, which have different performances, for computing services. EJM-CS improves resource wastes by utilizing idle VM resources. EJM-CS takes multiple computing services rather than single computing service into consideration. EJM-CS determines the job execution order considering workloads and waiting time according to job priority of computing service requester and computing service type, thereby providing improved performance of overall job execution when computing service requests increase.

     

一种多租户云数据存储缓存管理机制

随着云计算的普及,软件即服务(software as a service, SaaS)逐渐成为云计算的一种重要表现形式.云中数据节点的缓存是提高多租户应用数据访问性能的一种重要资源,缓存资源的共享和分配受到SaaS提供商的关注.对SaaS提供商而言,如何在多租户间有效地分配数据节点上的缓存资源,从而满足租户的服务水平协议(service level agreement, SLA),获得更高的收益已成为一项挑战.为此,提出了多租户云数据存储缓存管理机制,以实现服务提供商收益最大化的目标,结合SLA收益模型,评估不同缓存策略下服务提供商获取的收益值,将全局缓存管理问题定义为目标优化问题,并结合缓存分配特点,采用优化的遗传算法解决该问题.通过实验比较,该方法能保证SaaS服务提供商在多租户间有效利用缓存资源获取高收益.     

Towards an autonomic performance management approach for a cloud broker environment using a decomposition–coordination based methodology

Efficient resource allocation of computational resources to services is one of the predominant challenges in a cloud computing environment. Furthermore, the advent of cloud brokerage and federated cloud computing systems increases the complexity of cloud resource management. Cloud brokers are considered third party organizations that work as intermediaries between the service providers and the cloud providers. Cloud brokers rent different types of cloud resources from a number of cloud providers and sublet these resources to the requesting service providers. In this paper, an autonomic performance management approach is introduced that provides dynamic resource allocation capabilities for deploying a set of services over a federated cloud computing infrastructure by considering the availability as well as the demand of the cloud computing resources. A distributed control based approach is used for providing autonomic computing features to the proposed framework via a feedback-based control loop. This distributed control based approach is developed using one of the decomposition–coordination methodologies, named interaction balance, for interactive bidding of cloud computing resources. The primary goals of the proposed approach are to maintain the service level agreements, maximize the profit, and minimize the operating cost for the service providers and the cloud broker. The application of interaction balance methodology and prioritization of profit maximization for the cloud broker and the service providers during resource allocation are novel contributions of the proposed approach.     

基于非完全信息博弈的云资源分配模型

针对云环境下相互竞争的多租赁市场运营模式,以提高资源供求双方利益及资源能效为目标,提出了一种基于非完全信息博弈的云资源分配模型.首先利用隐Markov理论根据服务提供商(service provider, SP)的历史资源需求情况预测其当前出价,以预测值为基础构建动态博弈定价模型,激励服务提供商选择符合整体利益的最优购买出价策略,从而实现利益最大化;然后设计了支持多服务提供商、多种资源同时分配,以分类资源单位价格进行分配的资源分配模型,保证了基础设施提供商(infrastructure provider, INP)的收益最优.仿真实验表明：在博弈定价模型中,预测价格与实际交易价格相近且交易价格低于实际估值,能够保障服务提供商的利益;基于不同种类资源单价的分配模型能够增加基础设施提供商的收益.