基于K-means和蝙蝠算法的云计算虚拟机智能调度

针对云计算虚拟机调度中存在的资源分配不均衡问题,提出了一种基于K-means和蝙蝠算法的云计算虚拟机智能调度方法。该方法充分考虑物理节点空闲资源和虚拟机所需资源的互补性,以物理节点作为初始聚类中心,使用资源的相关性定义二者的距离,利用蝙蝠算法的全局寻优能力迭代寻优,达到合理调度虚拟机的目的。模拟实验仿真的结果表明,该方法在降低物理节点数量和提高资源利用率方面具有一定的优势,是一种可行的方法。     

云计算中基于Shapley值改进遗传算法的虚拟机调度模型

云计算系统具有服务器规模大、用户范围广的特点,但同时也消耗了大量的能源,导致云供应商的高运营成本和高碳排放等问题。云计算高度虚拟化,如何分配和管理其虚拟资源,从而保证高效的物理资源利用和能耗控制,是一个多参数博弈过程,同时也是该领域的一个研究热点。提出了一种虚拟机调度模型及基于Shapley 值的遗传算法（SV-GA）,可通过经济学概念Shapley 值计算出参与工作的物理机贡献值,并通过该贡献值修正遗传算法中变异步骤的概率参数,从而完成虚拟机调度的任务。实验结果表明,与Max-Min、LrMmt及DE算法相比,SV-GA在虚拟机调度过程中的迁移时间、次数、SLA违背率、能耗等多参数博弈中具有优异的表现。     

云计算中基于三阈值的虚拟机迁移策略研究

云计算通过网络按需提供可动态伸缩的廉价计算服务,核心概念是资源池。随着现阶段日益增长的云计算数据中心规模,其对应消耗的能源也在倍速提高,如何有效降低整个数据中心能耗,成为云计算重点研究内容之一。文章针对虚拟化技术重点研究了虚拟机迁移技术,提出了自适应三阈值迁移算法改良策略ATEAI,通过仿真实验结果表明,上述虚拟机迁移算法在降低能耗方面有一定的成效。     

云计算环境下虚拟机资源均衡调度方法研究

虚拟机资源是云计算环境下的一类主要云服务资源,有效的资源调度方法对于改善负载均衡和提高资源利用率具有重要意义.针对虚拟机资源的调度问题进行分析,利用任务到达触发任务分配,当任务到达时,首先判断云服务资源池的运行状态,分为饱和与不饱和两种;然后针对当前任务请求下的云服务资源池状态,分别给出资源调度策略,并通过算例分析验证所提方法的有效性.所提虚拟机资源调度方法将有助于云服务资源池中虚拟机资源的均衡利用.     

基于CSP的能耗高效云计算资源调度模型与算法

利用约束满足问题对异构云数据中心的能耗优化资源调度问题建模,通过求解建立的约束模型可以获得能耗最优的资源分配方式,并在此基础上提出了能耗优化的资源分配算法dynamicpower (DY)。与已有的算法MinPM、FFD、BFD相比,算法DY考虑了资源的异构性,能够降低云数据中心物理服务器的能耗。最后,利用Choco实现了提出的算法DY,并将DY与MinPM、FFD、BFD进行实验比较,实验结果表明,提出的算法在能耗上有明显优势。     

基于改进模拟退火算法的虚拟机调度优化方法

本文将着重分析改进模拟退火算法的虚拟机调度优化方法,了解虚拟及调度中的问题和问题特点,针对虚拟机调度优化进行实验并展开实验对比,旨在更好的提高改进模拟退火算法的虚拟机调度优化水平。     

基于蚁群算法的云计算资源调度分析

当前,云计算资源调度中常用的算法包括遗传算法、蚁群算法、粒子群算法以及综合优化算法等。不同算法所关注的角度存在一定的差异,遗传算法和粒子群算法主要从资源调度的效率方面进行优化,而蚁群算法则是从云计算资源调度的计算成本方面进行考虑。论文讨论了基于优化蚁群算法的云计算资源调度,在兼顾任务效率的基础上,能够进一步降低计算成本。     

基于虚拟机聚合的云平台高能效资源调度框架

本文面向实际生产的云计算环境,提出一种基于虚拟机聚合的云平台高能效资源调度框架。首先监测和预测虚拟机资源使用情况,而后应用高效的虚拟机迁移技术进行虚拟机聚合,通过降低物理主机过载概率以及有效减少活动物理主机数量,实现高效地调配云平台资源,从而达到优化云平台性能和节约能源消耗的目标。     

基于包簇框架的云计算能耗优化算法

文中针对以虚拟机为中心的云计算分配模式中结构复杂、分配困难等问题,采用了一种基于包簇结构的分配框架。在此基础上提出了一个有效的能耗模型,并将二进制粒子群算法进行改进,通过调节自适应的权重,提高了包簇分配算法的速度和准确性。实验表明,改进的二进制粒子群算法在收敛速度和寻优能力方面更加优于传统的二进制粒子群算法。相较于以虚拟机为中心的分配算法,基于包簇框架下的改进二进制粒子群分配算法提升了CPU使用率,有效降低了能耗,更加绿色节能。     

构建基于虚拟机的可信云计算平台

云计算结构能极大地降低计算成本,但数据和计算的保密性和完整性目前还无法保证.设计了一种可信赖云计算平台（trust cloud computing platform,TCCP）,可以为客户虚拟机安全执行提供封闭环境,允许用户在执行虚拟机前先检验服务商,能够确保服务安全.     

云计算环境下调度算法的趋势分析

云资源管理是云计算成败的关键,而调度作为云资源管理的重要手段,直接影响到云计算的效果.但是,云计算的异构性与动态性,导致云计算环境下的调度研究复杂和困难.因此,在传统并行分布调度工作的基础上,文中采用五要素刻画调度问题的本质,并且给出每个要素的具体表现形式.通过分析云调度的现有研究成果,结合云计算存在的困难和挑战,指出云计算中调度算法的发展趋势,为将来的云调度研究指明方向和思路.     

基于蚁群的云计算资源调度研究

针对云计算环境中资源调度的问题,提出了一种基于改进蚁群的云计算资源调度算法。在算法中添加了查找表,存储其他蚂蚁推荐的节点。当任务分类比较明确的时候,查找表的优点更加地突出。在信息素的计算中加入了成功率因子,成功率越高的节点被选中的概率就越大。本文使用Cloud Sim对算法进行了仿真,仿真结果表明提出的算法缩短了搜寻资源节点的时间,从而使任务可以更快地获得资源并执行,保证了任务能够按时完成。     

浅谈云计算在虚拟桌面和虚拟主机中的实践和应用

从云计算的实践和应用出发,介绍了上海联通将云计算领域的基础设施虚拟化(IaaS)充分应用于营业厅各类营业终端以及内部IT系统PC服务器的实际案例,在节能减排和降本增效方面取得了实际成效,为云计算的内部IT云化和进一步推广商用奠定了基础。     

云环境下基于迁移的虚拟机集群优化算法

针对云环境中虚拟机集群负载不均衡问题,提出一种基于虚拟机迁移的集群优化算法。通过对节点负载的实时监测,动态调整各种资源的权重,根据资源权重选择可最大程度降低主机负载的虚拟机进行迁移。该算法利用预测机制,消除主机资源利用率的临时越界引起的不必要的虚拟机迁移。在选择目标节点时,采用多目标决策法,兼顾多资源匹配率,服务级目标违背率(SLA)等多种管理目标。实验结果表明,与同类型的负载均衡算法相比,该算法能减少迁移次数,降低SLA违背率。     

基于改进蚁群算法的自适应云资源调度模型研究

对于传统蚁群算法用于云计算资源分配和调度问题过程中存在的不足,提出了一种可以提高负载均衡度、缩短任务执行时间、降低任务执行成本的改进自适应蚁群算法,改进算法以能够基于用户提交的任务求解出执行时间较短、费用较低,负载率均衡的分配方案为目标,通过CloudSim平台对传统蚁群算法、最新的AC-SFL算法、改进自适应蚁群算法进行仿真实验对比。实验数据表明,改进后的自适应蚁群算法能够快速找出最优的云计算资源调度问题的解决方案,缩短了任务完成时间,降低了执行费用,保持了整个云系统中心的负载均衡。     

电力云计算中关联任务调度算法

针对传统电力系统计算平台在计算、存储、信息集成和分析等方面的不足,建立基于云计算的电力系统计算平台。针对电力云计算平台中对关联任务调度进行调度时出现任务执行延迟的问题,提出了一种基于任务分层算法DAG。算法将任务按任务集合优先级的高低顺序调度至具有最小完成时间的资源上。试验证明关联任务调度算法能够有效地减缓关联任务延迟。     

云计算环境下任务调度算法的研究

在云计算环境中存在庞大的任务数,为了能更加高效地完成任务请求,如何进行有效地任务调度是云计算环境下实现按需分配资源的关键。针对调度问题提出了一种基于蚁群优化的任务调度算法,该算法能适应云计算环境下的动态特性,且集成了蚁群算法在处理NP-Hard问题时的优点。该算法旨在减少任务调度完成时间。通过在CloudSim平台进行仿真实验,实验结果表明,改进后的算法能减少任务平均完成时间、并能在云计算环境下有效提高调度效率。     

基于改进分组遗传算法的虚拟机初始化放置算法

随着虚拟化技术成为用于提高云计算数据中心能源利用效率的一项重要技术。文中针对虚拟机的初始化放置问题,通过对遗传算法的染色体编码,变异算子等方面的优化,实现了一个改进的遗传算法 以解决虚拟机的初始化放置。实验结果表明,文中所提算法在对数据中心的能源效率方面有明显的提高。     

云计算中一种高效的虚拟机在线动态分配算法

设计了一种改进的VM在线动态供应和分配算法(ODAA-VM).只要用户发现请求或已经被分配的部分VM实例再次可用,便迅速调用ODAA-VM,确定在所要求的时期内为哪些用户分配VM实例,并保证这些用户在整个被请求期间可以持续使用这些VM.此外,该算法对用户具有激励作用,仿真实验验证了本文算法的有效性.     

云计算环境下能量感知的任务调度算法

云计算环境下传统独立任务调度算法容易导致较高资源能耗或较大任务时间跨度.针对该问题,文中提出了两种能量感知的任务调度算法,并利用遗传算法并行化搜索合理调度方案.两种算法在搜索过程中,分别通过能耗时间归一和能耗时间双适应度方法定义适应度函数并进行个体选择.仿真结果表明,与单独考虑时间或能耗相比,这两种算法能够更有效地缩短任务执行时间跨度,降低资源能耗.