虚拟机放置问题的研究综述

随着云计算数据中心规模和数量的日益增长,以及虚拟化技术的普遍采用,虚拟机放置问题逐步成为产业界和学术界研究的热点。虚拟机放置策略和方法的选择对数据中心的能耗,物理资源的利用率和虚拟机性能具有重大影响。合理的放置方法和策略在保证上层应用和业务不受影响的同时,能有效降低云计算数据中心的能耗,提升物理资源利用率,减少物理资源的浪费。阐述了虚拟机放置问题中的3个基本要素:优化目标、约束限制和实现方法,并基于已有的研究工作进行归纳与总结。最后,结合已有成果,展望了未来的研究方向和亟待解决的关键问题。     

Topology-Aware Virtual Machine Placement in Data Centers

This paper presents the Topology-aware Virtual Machine Placement algorithm, which aims at placing groups of virtual machines in data centers. It was designed to occupy small areas of the data center network in order to consolidate the network flows produced by the virtual machines. Extensive simulation is used to show that the proposed algorithm prevents the formation of network bottlenecks, therefore accepting more requests of allocation of virtual machines. Moreover, these advantages are obtained without compromising energy efficiency. The energy consumption of servers and switches are taken into account, and these are switched off whenever idle.     

一种基于机器学习的虚拟机放置方法

为改善云数据中心的能耗、负载均衡性和服务等级协议(SLA)违背率,对虚拟机放置策略进行优化。基于IaaS环境,提出一种基于机器学习的虚拟机迁移调整方法。根据资源消耗的互补性和不均衡性对虚拟机进行预放置,使用深度神经网络预测物理机负载等级,并利用深度Q网络调整物理机数量。实验结果表明,该方法能够有效均衡负载分布,降低能源开销和SLA违背率。     

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。     

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。     

异构云平台中能源有效的虚拟机部署研究

能源消耗已经成为数据中心操作成本的重要组成部分,虚拟化技术是降低数据中心能源消耗的有效方法之一.为了降低数据中心过高的能源消耗,利用虚拟化技术,结合数据中心中物理机的异构性和虚拟机所需资源的多维性,提出了一个衡量不同类型物理机性能的模型和一个衡量多维资源利用率的模型,在此基础上提出了一个异构云平台下能源有效的虚拟机部署算法.仿真实验表明,与MBFD算法及BFD算法相比,该算法不仅可以有效地降低系统的能源消耗,而且还提高了资源利用率,减少了资源的浪费.     

An Optimization-Based Scheme for Efficient Virtual Machine Placement

According to the important methodology of convex optimization theory, the energy-efficient and scalability problems of modern data centers are studied. Then a novel virtual machine (VM) placement scheme is proposed for solving these problems in large scale. Firstly, by referring the definition of VM placement fairness and utility function, the basic algorithm of VM placement which fulfills server constraints of physical machines is discussed. Then, we abstract the VM placement as an optimization problem which considers the inherent dependencies and traffic between VMs. By given the structural differences of recently proposed data center architectures, we further investigate a comparative analysis on the impact of the network architectures, server constraints and application dependencies on the potential performance gain of optimization-based VM placement. Comparing with the existing schemes, the performance improvements are illustrated from multiple perspectives, such as reducing the number of physical machines deployment, decreasing communication cost between VMs, improving energy-efficient and scalability of data centers.     

INTER-VMM:融合虚拟机选择和放置的虚拟机迁移模型

低能量消耗与物理资源的充分利用是绿色云数据中心构造的两个主要目标,需要采用虚拟机迁移模型来完成优化,为此提出了融合虚拟机选择和放置的虚拟机迁移模型INTER-VMM（Interrelation approach in virtual machine migration）。INTER-VMM设计了云数据中心的基于多维物理资源约束的能量消耗模型,是一种将主机负载检测、虚拟机选择及放置结合起来考虑的虚拟机迁移策略。在虚拟机选择中采用HPS（High CPU utilization selection）选择法,选择超负载物理主机上CPU利用率最高的一个虚拟机,让其进入候选迁移虚拟机列表中。在虚拟机放置中采用空间感知分配（Space aware placement, SAP）放置法,考虑了充分利用物理主机空余空间使用效率的方法。仿真结果表明,INTER-VMM比近几年来常见的虚拟机迁移策略具有更好的性能指标,对云服务提供商具有很好的参考价值。     

基于负载高峰特征的虚拟机放置算法

提出了一种基于虚拟机负载高峰特征的虚拟机放置策略,通过更好地复用物理主机资源来实现资源共享,从而提高资源利用率.在云环境下,当多个虚拟机的负载高峰出现在相同的时间段内时,非高峰时段的资源利用率就会明显偏低;相反,多个虚拟机只要负载高峰能错开在不同的时间,闲置的资源就能更充分地被利用.由于应用的负载通常具有一定的周期性,因此,可以利用虚拟机负载的历史数据作为分析的依据.基于虚拟机的负载高峰特征对虚拟机负载进行建模,建立虚拟机负载之间的相似度矩阵来实现虚拟机联合放置.使用CloudSim模拟实现了所提出的算法,并与基于相关系数的放置算法、随机放置算法进行了比较.实验结果表明:所提算法在平均CPU利用率上有8.9%~12.4%的提高,主机使用量有8.2%~11.0%的节省.     

基于网络感知的两阶段虚拟机放置算法

现有的虚拟机放置研究多以节能为目标,通过资源整合减少能源消耗,然而资源的过度聚合会影响网络性能。为此,研究网络感知的虚拟机放置问题并分析相关影响因素,提出一种两阶段启发式虚拟机放置算法。根据虚拟机之间的相似度进行适当聚合,以提高虚拟机之间的网络通信能力,减少数据中心的网络流量,同时根据聚合结果,利用改进的背包算法在物理机之间合理分配虚拟机。实验结果表明,与最佳适应算法和随机算法相比,该算法能更有效地优化网络流量分布,减少激活的物理机数量,降低能源开销。     

云仿真工具Cloudsim在虚拟机放置中的应用

研究了云仿真工具Cloudsim的体系结构、核心类和应用实例.对云计算中的虚拟机放置问题建立数学模型,引入一个新的近似算法——CF算法解决虚拟机放置问题.最后在Cloudsim平台上实现了对算法的仿真测试并和Cloud-sim自带的FCFS算法进行对比.结果表明,适当地改进虚拟机放置算法,能有效提高云计算的资源利用率,且Cloudsim能够很好地支持扩展仿真,实现虚拟机放置算法的仿真工作.     

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%。     

基于虚拟机放置的数据传输时间最小化方法

在数据密集型结构的数据中心平台中,数据的传输时间是影响整体任务完成时间的重要因素。优秀的虚拟机放置优化方法所需数据传输时间较少,可缩短整体任务完成时间。为此,构建虚拟机放置的优化模型,实现数据传输时间的最小化。证明该模型是一个NP-Complete问题,并设计启发式算法对其进行求解。实验结果表明,该方法能合理优化虚拟机放置位置,有效减少数据传输时间。     

QoS约束的虚拟机镜像放置优化方法

随着云计算的兴起, 虚拟机正逐步成为应用服务的部署环境, 如何高效、经济地管理虚拟机镜像文件至关重要. 提出了一种QoS约束的虚拟机镜像放置优化方法, 通过存储收益模型量化分析用户服务质量约束下的存储服务综合收益, 优化镜像文件的存储策略. 实验结果表明该方法可以在满足用户服务质量的前提下, 显著优化存储收益.     

面向数据中心虚拟机部署的智能优化策略?

虚拟机部署问题是影响数据中心性能的关键问题之一。文中综合考虑资源损耗、系统功耗和负载均衡度,提出面向数据中心虚拟机部署的智能优化策略。该策略首先建立虚拟机部署优化的多目标数学模型,然后将虚拟机部署问题抽象为装箱问题,最后提出基于改进的自适应离散型人工萤火虫群优化算法的优化策略。仿真实验表明,文中的自适应离散型人工萤火虫群优化算法具有较强的鲁棒性和较快的收敛速度,提出的智能优化策略能有效解决虚拟机部署问题。     

基于多目标离散差分进化的网络感知虚拟机放置算法

针对云数据中心网络内部流量快速增长导致链路拥塞及全网通信代价过高的问题,提出一种改进的网络感知虚拟机放置算法。根据虚拟机的硬件资源需求,通过种群初始化提高算法收敛速度,采用离散差分变异和交叉操作保证种群多样性。综合考虑通信代价、最大链路利用率、硬件资源约束违反度和链路容量约束违反度4项指标,提出基于ε松弛的多子群精英选择策略,选择最优虚拟机放置方案,增强算法全局搜索能力。仿真结果表明,该算法能够有效降低全网通信代价,并实现网络负载均衡。