面向云数据中心的虚拟机部署时延优化算法研究

最优化虚拟机部署时延可以有效地提高云数据中心的效率,然而,目前虚拟机部署时延最优化问题主要针对的是单资源类型的部署。本文主要工作是考虑了服务器内资源容量及虚拟机多类型资源需求时虚拟机部署最优化时延问题。首先,将最优化虚拟机部署时延问题进行了形式化建模,并证明了该问题为一个NPC问题。接着,通过遗传结合贪心策略提出了一种高效的虚拟机部署算法优化时延。该算法的主要特点在于：结合了贪心策略指导个体在初始化、选择、交叉、变异时形成最优解,并且在交叉过程中采用奇、偶数位个体交叉的方式形成新个体,既避免了个体间的重复交叉,又通过多样化的新个体形成使得算法的解不会陷入局部最优。另外,由于遗传算法在交叉过程中会存在交叉冲突问题(服务器容量超载),还设计了一种交叉冲突检查方法避免了交叉冲突后非法个体的生成。最后,通过实验比对,将提出的算法分别与最新研究成果VMPDN、粒子群优化算法等算法比较,结果表明提出算法有效的缩短了虚拟机的部署时延。同时通过不同资源类型数量、迭代次数及种群大小的情况下,分析和考察了算法的性能,结果表明提出算法的性能仍好于其他的算法。     

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。     

Many-Objective Virtual Machine Placement

The process of selecting which virtual machines (VMs) should be executed at each physical machine (PM) of a virtualized infrastructure is commonly known as Virtual Machine Placement (VMP). This work presents a general many-objective optimization framework that is able to consider as many objective functions as needed when solving a VMP problem in a pure multi-objective context. As an example of utilization of the proposed framework, a formulation of a many-objective VMP problem (MaVMP) is proposed, considering the simultaneous optimization of the following five objective functions: (1) power consumption, (2) network traffic, (3) economical revenue, (4) quality of service and (5) network load balancing. To solve the formulated MaVMP problem, an interactive memetic algorithm is proposed. Experimental results prove the correctness of the proposed algorithm, its effectiveness converging to a manageable number of solutions and its capabilities to solve problem instances with large numbers of PMs and VMs.     

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。     

贪心算法优化云数据中心的虚拟机分配策略

如何将云客户端的大量虚拟机均匀的分配到云数据中心的物理主机上执行是一个关键问题.提出了贪心算法优化云数据中心的虚拟机分配策略,首先设计一个用于企业的云数据中心的工作场景,该场景包括三层云计算系统结构,包括用户层、云服务提供者层和云数据中心集合层.用户层用来生成虚拟机的请求集;云服务提供者层通过经典的装箱问题算法完成用户...     

DDBS:云数据中心基于数据依赖的虚拟机选择策略

提出了一种云数据中心基于数据依赖的虚拟机选择算法DDBS(data dependency based VM selection).参考Cloudsim项目中方法,将虚拟机迁移过程划分为虚拟机选择操作(VM selection)和虚拟机放置(VM placement)操作.DDBS在虚拟机选择过程中考虑虚拟机之间的数据依赖关系,把选择与迁移代价值比较小的虚拟机形成侯选虚拟机列表,配合后续的虚拟机放置策略最终完成虚拟机的迁移过程.以Cloudsim云计算模拟器中的虚拟机选择及放置策略作为性能比较对象.实验结果表明:DDBS与Cloudsim中已有能量感知的算法比较起来,在虚拟机迁移次数和能量消耗方面都比较少,可用性比较高.     

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。     

基于Orbital Shrinking的数据中心虚拟机最优放置算法

摘要：虚拟机放置技术能够控制智能电网数据中心物理服务器的资源使用,将有效提升资源使用效率。虚拟机放置策略的思路主要基于时间、空间、计算资源和能耗的综合均衡,其主要面临的瓶颈包括鲁棒性和灵活性的平衡矛盾,以及有限资源的非均衡分配问题。根据当前电力数据中心结构复杂和资源利用率低的问题,本文提出一种基于Orbital Shrinking的数据中心虚拟机最优放置算法,首先研究虚拟机放置的数据中心适用性问题,有效地从多维目标优化和边界动态约束这2方面分析数据中心的资源状态。基于Orbital Shrinking模型,建立计算资源、时空状态和能耗条件的多维背包模型,实现虚拟机放置策略的整体平衡。通过实验仿真表明,新算法能够有效提升数据中心服务器的计算资源利用效率9.8%,降低数据处理时延10.3 s。     

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。     

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。     

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。     

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.     

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。     

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.     

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。     

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.     

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.