基于迁移技术的云资源动态调度策略研究

现有云资源管理平台存在着瞬时资源利用率峰值易引发迁移、动态负载效果不佳等问题。依据云资源动态调度模型,提出了有效的基于迁移技术的虚拟机动态调度算法。算法将物理节点负载与虚拟机迁移损耗评估、多次触发控制、目标节点定位三者有机结合,实现云计算数据中心高效的动态负载均衡。实验结果表明,该算法优于CloudSim的DVFS调度策略,在保证应用服务水平的同时能减少虚拟机迁移次数和物理机启用数量。     

基于遗传算法的云计算资源调度策略研究

对云计算环境中的资源调度问题进行了研究,鉴于当前云计算环境中资源利用率不高,节点负载不均衡的问题,提出了一种新的基于遗传算法的关于虚拟机负载均衡的调度策略;根据历史数据和系统的当前状态以及通过遗传算法,该策略能够达到最佳负载均衡和减少或避免动态迁移,同时还引入了平均负载来衡量该算法的全局负载均衡效果;最后通过在CloudSim平台进行仿真实验,结果表明,该策略具有相当好的全局收敛性和效率,当系统虚拟机被调度之后,算法在很大程度上能够解决负载不均衡和高迁移成本问题,并且极大地提高了资源利用率.     

云计算环境下基于并行计算熵的负载均衡算法

针对云计算环境下大量并行任务运行所导致的某些节点负载过重,从而引起整个系统负载不均和效率低下的问题,提出了一种基于并行计算熵的资源负载均衡算法;首先,描述了云计算虚拟机部署原理并给出了适合云计算环境和异构集群的并行计算熵的计算方式,然后,定义了在系统并行计算熵低于阈值时迁移的源物理节点、迁移虚拟机和迁移目标物理节点的确定方式;最后,定义了基于并行计算熵的负载均衡算法;采用CloudSim云计算仿真工具对文中方法进行仿真实验,结果表明文中方法较其它方法的平均负载均衡度约低21.8%,具有较低的任务平均响应时间、合理的资源利用率和较小的负载均衡度,具有较大的优越性。     

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。     

HPC Cloud环境中基于网络Ⅰ/O负载的虚拟机放置算法

随着虚拟化技术和云计算技术的发展,越来越多的高性能计算应用运行在云计算资源上.在基于虚拟化技术的高性能计算云系统中,高性能计算应用运行在多个虚拟机之中,这些虚拟机可能放置在不同的物理节点上.若多个通信密集型作业的虚拟机放置在相同的物理节点上,虚拟机之间将竞争物理节点的网络Ⅰ/O资源,如果虚拟机对网络Ⅰ/O资源的需求超过物理节点的网络Ⅰ/O带宽上限,将严重影响通信密集型作业的计算性能.针对虚拟机对网络Ⅰ/O资源的竞争问题,提出一种基于网络Ⅰ/O负载均衡的虚拟机放置算法NLPA,该算法采用网络Ⅰ/O负载均衡策略来减少虚拟机对网络Ⅰ/O资源的竞争.实验表明,与贪心算法进行比较,对于同样的高性能计算作业测试集,NLPA算法在完成作业的计算时间、系统中的网络Ⅰ/O负载吞吐率、网络Ⅰ/O负载均衡3个方面均有更好的表现.     

虚拟计算环境下虚拟机资源负载均衡方法

针对虚拟机资源粒度大和迁移时传输数据量大的特点,提出一种基于虚拟机迁移的负载均衡方法。该方法利用负载阈值对宿主机后续时间节点的负载趋势进行预测,避免瞬时负载峰值触发的虚拟机迁移问题。在触发迁移后采用加权概率转发方式选择迁移目标节点,解决传统负载均衡技术中的群聚冲突问题。实验结果表明,在宿主机负载分布严重不平衡的情况下,该方法能有效改善系统性能。     

云计算架构下的深层次动态资源调配

云计算是当前学术界和工业界都十分关注的热点,被广泛应用于针对海量数据和用户的大规模计算。云计算的特点要求计算机系统能够提供可伸缩的计算能力,而虚拟化技术正是其中的关键层次,在资源管理、服务器整合、提高资源利用率等方面发挥了巨大的作用。通过虚拟化技术,可以实现一个多层次的资源调度机制,以保证高资源利用率和系统性能:首先面向虚拟机的应用特征建立资源预测模型,然后依据预测结果建立资源分配策略,最终通过虚拟机间的资源动态优化技术,实现在同一物理主机或不同物理主机上虚拟机间动态的资源优化使用。这里,不仅要以物理机的宏观资源利用率作为管理依据,更需要关注虚拟机上应用程序在运行过程中的资源需求变化特征,从而为云计算提供一整套的虚拟化资源优化技术及使用方案,从静态部署、动态预测、单机资源动态调配、多机资源动态均衡调度、在线迁移等多个层次为云计算提供全面、有机的支撑。     

面向云计算的多虚拟机管理模型的设计

提出基于P2P结构的多虚拟机管理模型,并实现其原型系统。采用P2P结构组织宿主机节点,利用组播实现资源发现;提出虚拟机动态迁移算法,自主触发节点间虚拟机动态迁移;利用选举的根节点映射云计算用户请求至宿主机,实现节点上虚拟机的按需创建、删除及停止等操作。实验表明:该模型具有收敛时间短、带宽占用率低及高可用性的特点,能够实现云计算资源的动态负载均衡。     

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。     

基于多维评价模型及改进蚁群优化算法的云计算资源调度策略

针对云计算环境下资源调度模型未充分考虑资源评价的问题,为更好适应不同节点计算性能和大规模数据环境的处理需求,提出了一种基于多维评价模型的虚拟机资源调度策略;首先,在云计算环境下建立包括网络性能在内的多维资源评价模型,在此基础上提出一种改进的蚁群优化算法实现资源调度策略;然后在云计算仿真平台CloudSim上进行实现。实验结果表明,该算法可以更好适应不同网络性能的计算环境,显著提高了资源调度的性能,同时降低了虚拟机负载均衡离差,满足了云计算环境下的虚拟机资源负载均衡需求。     

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.     

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.     

基于渗透式人工蜂群与蚁群优化混合的负载平衡算法

针对当前云计算负载平衡调度过程中出现的虚拟机迁移效率低和能耗高问题,提出了一种基于渗透式人工蜂群与蚁群混合优化负载平衡算法,该算法将化学渗透行为与生物启发的负载平衡算法相结合,在充分利用人工蜂群和蚁群两种优化算法优点的同时,将渗透技术应用于负载均衡。由于渗透技术支持通过云基础设施迁移的虚拟机的自动部署,从而克服了现有仿生算法在实现物理机之间负载平衡方面的缺点,提高了迁移效率。实验结果表明,以现有负载平衡算法相比,提出的算法在迁移性能上提升明显。     

Dynamic forecast scheduling algorithm for virtual machine placement in cloud computing environment

In most cloud computing platforms, the virtual machine quotas are seldom changed once initialized, although the current allocated resources are not efficiently utilized. The average utilization of cloud servers in most datacenters can be improved through virtual machine placement optimization. How to dynamically forecast the resource usage becomes a key problem. This paper proposes a scheduling algorithm called virtual machine dynamic forecast scheduling (VM-DFS) to deploy virtual machines in a cloud computing environment. In this algorithm, through analysis of historical memory consumption, the most suitable physical machine can be selected to place a virtual machine according to future consumption forecast. This paper formalizes the virtual machine placement problem as a bin-packing problem, which can be solved by the first-fit decreasing scheme. Through this method, for specific virtual machine requirements of applications, we can minimize the number of physical machines. The VM-DFS algorithm is verified through the CloudSim simulator. Our experiments are carried out on different numbers of virtual machine requests. Through analysis of the experimental results, we find that VM-DFS can save 17.08 % physical machines on the average, which outperforms most of the state-of-the-art systems.     

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.     

面向长作业环境中的云调度策略

随着云计算的普及,大量的数据处理选择云服务来完成。现有算法较少考虑异构型系统中虚拟机计算能力的不同,导致某些任务等待时间过长。提出了虚拟机负载大小实时调整的算法。对云计算中资源虚拟化特征,给出一种评估虚拟机计算能力的方法。根据虚拟机能力和运行过程中的状态变化,自适应进行任务量大小调整,满足实时要求。通过任务调度,协调任务完成时间,保持各虚拟机负载的动态均衡,缩短长作业的总执行时间,提高了系统的吞吐量和整体服务能力,提升了效益。实验结果表明,本文算法能自适应地调整任务量大小,进行调度,以维持虚拟机负载均衡。     

基于离散人工蜂群算法的云任务调度优化

针对现今云计算任务调度只考虑单目标和云计算应用对虚拟资源的服务的质量要求高等问题,综合考虑了用户最短等待时间、资源负载均衡和经济原则,提出一种离散人工蜂群(ABC)算法的云任务调度优化策略。首先,从理论上建立了云任务调度的多目标数学模型;然后,结合偏好满意度策略并引入局部搜索算子和改变侦察蜂搜索方式,提出多目标离散型人工蜂群(MDABC)算法的优化策略。通过不同的云任务调度仿真实验,显示了改进离散人工蜂群算法相对于基础离散人工蜂群算法、遗传算法以及经典贪心算法,能够得到较高的综合满意度,表明了改进离散人工蜂群算法能够更好地改善虚拟资源中云任务调度系统的性能,具有一定的普适性。     

Xen虚拟机资源调度优化算法

针对Xen虚拟化平台中虚拟机资源分配不合理的问题,提出了两种资源调度优化算法,即细粒度优化算法和粗粒度优化算法.细粒度优化算法主要解决单个物理节点上虚拟机资源分配不合理问题,能够根据物理节点上运行的各虚拟机的资源利用情况来调整资源分配量,适当增加利用率较高的虚拟机的资源,减少资源利用率低的虚拟机的资源,从而优化资源分配,提高资源利用效率,避免不必要的虚拟机迁移.粗粒度优化算法是针对集群中多个物理节点之间虚拟机负载不均衡问题而提出的.该算法结合粒子群优化技术,选择将集群系统中热点物理机上的部分虚拟机迁移到最适合的冷点物理机上,从而避免高载物理机宕机.实验结果表明,这两种资源调度优化算法能够有效解决虚拟机资源分配不合理的问题,具有较好的适用性和应用前景.     

基于动态系数的三次指数平滑算法负载预测

数据中心是企业信息化的重要组成部分,云计算的核心思想就是把数据中心整成一个资源池,对资源池进行统一的调度与管理。随着虚拟化技术的发展,目前对数据中心的资源利用率越来越高,但是还是存在大量资源浪费的情况,其原因在于当前对数据中心未来负载预测的算法还存在一定的局限性,如果对未来负载预测值远远大于实际负载情况,则导致大量的虚拟机资源利用率不高,反之则会导致虚拟机的资源使用率消耗增大,云平台中不同物理服务器之间的负载情况不平衡,一部分物理服务器负载过大,导致云计算平台响应时间过长。因此云计算平台选取一个合适的负载预测算法显得越发重要,如何权衡以上问题,是云计算里面的一个重点研究方向。负载预测选取时间序列预测算法中的三次指数平滑法,在该算法原有的静态系数基础之上,设计了一种动态系数提取方法。通过等距法把静态系数分成若干份进行训练,然后在预测过程中提取该时段误差最小值所对应的系数。在预测结束后,重新计算其误差,并通过均值法覆盖旧误差。实验结果表明,基于自适应三次指数平滑算法其预测误差明显小于静态系数所预测的误差,计算复杂度低,具有一定的应用价值。