云计算中基于NSGA Ⅱ的虚拟资源调度算法

云计算环境下将物理资源抽象为同一的虚拟资源,如何将虚拟资源调度到物理资源上是云计算中一个基本且复杂的问题.对虚拟资源的调度进行建模并证明其难解性,将该模型的求解转化以系统负载均衡为优化目标的多目标优化问题,提出采用改进的基于非支配排序的遗传算法(NSGA Ⅱ)来求解该问题.与针对具体环境的调度算法相比,抽象的模型更能代表典型的云计算环境中的虚拟资源调度问题.对提出模型进行了仿真,实验结果表明了该模型的有效性和NSGA Ⅱ算法求解该问题的可行性,同时对比随机算法、静态算法和排序匹配调度算法,NSGA Ⅱ算法优于其他算法.     

基于蜜蜂采蜜机理的云计算负载均衡策略*

任务调度是云计算研究中的NP难优化问题,负载均衡问题是任务调度的热点研究内容之一。针对云计算环境中任务分配不够合理、用户服务质量低的问题,提出一种模拟蜜蜂采蜜机理的负载均衡策略。该策略模拟蜂群觅食行为,建立负载均衡模型,被迁移的任务作为“侦察蜂”更新虚拟机的负载信息,并采用贝叶斯分类算法对虚拟机负载状态进行分类,将任务从重负载虚拟机迁移至轻负载虚拟机,同时满足目标虚拟机中高优先级任务的数量最少,避免了大量任务被调度到同一性能较优的虚拟机上,能够有效减少任务等待时间。实验结果表明,基于蜜蜂采蜜机理的负载均衡策略,和传统算法相比,减少了任务响应时间、完工时间和迁移次数,同时更好地满足了用户服务质量需求。     

基于负载均衡的云计算任务调度算法的研究

本文针对当前云计算系统负载不均衡和任务完成效率有待提高的问题,提出了一种基于系统整体负载均衡与最小完成时间LB—ECT算法。根据云计算环境下资源需求动态变化,利用任务在虚拟机上执行时间的预测进行任务到虚拟机上的分配、调度。优化系统的整体效率。采用云计算仿真平台CloudSim对本算法进行仿真实验与分析,实验仿真结果表明,LB—ECT算法能够有效提高系统的整体负载均衡能力．明显缩短任务的总完成时间．     

融合遗传和粒子群算法的云工作流调度算法

针对云工作流调度问题,提出一种融合遗传算法和粒子群优化算法的工作流调度负载均衡算法.充分利用多元启发式方法融合的优势,避免遗传算法的收敛过慢和粒子群算法易于陷入局部最优的缺陷,有效将工作流任务映射至虚拟机资源,实现全局工作流执行跨度最小化和虚拟机分配的负载均衡.以算例详细说明算法实现思路,在现实科学工作流条件下进行仿真测试,验证算法性能.与几种单一元启发式调度方法相比,验证该算法拥有更高执行效率和负载均衡度.     

基于改进的蝗虫算法的云计算任务调度研究

针对云计算任务调度存在完成时间长、成本消耗大以及负载不均衡的问题,提出一种基于改进的蝗虫算法(Imorve Grasshopper Optimization Algorithm,IGOA)的任务调度方案.对蝗虫算法采用反向学习和柯西分布分别优化种群和递减系数,提高算法的性能;用自然数对蝗虫个体编码表示蝗虫的位置,将每一个蝗虫个体对应一个可行的调度方案,并将任务完成时间、任务消耗成本、虚拟机负载作为蝗虫个体的适应度函数用以算法迭代中的更新条件;获得最优的蝗虫个体即为最佳调度方案.仿真实验表明,改进的蝗虫算法在云计算任务调度方面相比于基本蝗虫算法、蚁群算法、粒子群算法具有更好的效果,特别适合大任务下的云计算调度.     

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。     

云数据中心中负载均衡的虚拟机调度方法

 本文研究在主机之间迁移虚拟机来提高系统负载均衡度（包括2个方面：CPU和disk I/O）,同时尽可能地降低迁移代价。因此,目标是寻找主机和虚拟机之间尽可能优的映射方案。本文提出虚拟机的亲和力概念,并且定义了亲和力指数的计算方法,然后建立基于遗传算法的虚拟机调度模型。在这个模型中,交叉操作驱动映射方案的亲和力指数尽可能地增加,变异操作使得主机的CPU和disk I/O的差值趋于收敛。在每一代中,选择策略将亲本个体和子代个体分为一组,并选择较大适应度的个体遗传到下一代,从而使得种群不断地进化,得到最终的映射方案解空间。本文提出基于遗传算法的虚拟机均衡调度算法。该算法选取最终映射方案解空间中的最优解,做到从全局的角度考虑负载均衡问题;提前计算迁移的影响,在得到最优的迁移方案时才进行实质性迁移,从而降低了迁移代价;使用MTALB算法将多类型任务均匀地分配到虚拟机中,系统的负载均衡效果更佳。实验结果表明,就迁移代价和系统负载均衡各项具体指标而言,本文算法相比于首次适应和轮转调度算法以及NABM算法存在全面优势。在任务处理率这一关键指标上,本文算法比首次适应和轮转调度算法及NABM算法分别平均提升了25%和12%。     

基于MGA-PSO的云计算多目标任务调度

为了提高云计算任务调度的效率,将微生物遗传算法(MGA)和改进的粒子群算法(PSO)融合成MGA-PSO算法用于云计算任务调度.综合任务完工时间、任务执行成本及虚拟机负载均衡三个目标构造适应度函数,以此寻找任务调度的最优解;对粒子群算法进行改进,使用动态惯性权重策略以提高算法的自适应搜索能力;在任务调度前期使用MGA算法缩小求解空间,在任务调度后期使用改进的PSO快速收敛到最优解.仿真实验表明:与其他三种算法相比,该算法有较快的收敛速度和较强的寻优能力;在云计算任务调度中,不仅能减少任务完工时间和执行成本,还能优化虚拟机的负载.     

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。     

一种求解多目标资源受限项目调度的遗传算法

采用基于非支配性排序的多目标遗传算法—NSGA－Ⅱ,设计了一种求解多模式、多种类资源约束的多目标资源受限项目调度问题的遗传算法,该算法所设计的编码包含两部分,一部分为一个任务链表,另一部分为任务链表中各任务所对应的执行模式组成的模式向量。将所设计的算法用于求解文献中的以项目总工期和资源均衡为目标的农业项目调度问题,结果表明此算法对于求解多目标资源受限项目调度问题是有效的。     

双层虚拟化云架构下任务调度能耗优化算法

虚拟机上部署容器的双层虚拟化云架构在云数据中心中的使用越来越广泛。为了解决该架构下云数据中心的能耗问题,提出了一种工作流任务调度算法TUMS-RTC。针对有截止时间约束的并行工作流,算法将调度过程划分为时间利用率最大化调度和运行时间压缩两个阶段。时间利用率最大化调度通过充分使用给定的时间范围减少完成工作流所需的虚拟机和服务器数量;运行时间压缩阶段通过压缩虚拟机空闲时间以缩短虚拟机和服务器的工作时间,最终达到降低能耗的目标。使用大量特征可控的随机工作流对TUMS-RTC算法的性能进行了测试。实验结果表明,TUMS-RTC算法相较于对比算法有更高的资源利用率,虚拟机数量减少率和能耗节省率,并且可以很好地处理云计算中规模大且并行度高的工作流。     

面向高校教学云服务的虚拟机动态调度方法

随着教学信息化的不断深化,高校云平台越来越普及,但是实际应用中资源利用率仍然较低,核心问题在于当前的虚拟机调度机制未考虑高校教学应用的特征,从而导致负载不均和资源浪费。为了解决这一问题,从高校教学应用需求出发,提出了一种虚拟机动态调度算法(CRS),定义了课程虚拟机模型和物理机负载模型,并实现了基于OpenStack开源云平台的可对虚拟机进行动态调度的校园云平台。实验表明,提出的虚拟机动态调度方法达到了降低能耗及实现负载均衡的目标。     

批量生产柔性作业车间多目标精细化调度方法

提出了一种批量生产柔性作业车间多目标精细化调度方法。针对批量生产柔性作业车间多目标调度问题特点,建立了一类以完工时间最短和制造成本最低为优化目标的等量分批柔性作业车间调度多目标优化模型。提出了5种批量生产柔性作业车间精细化调度技术;设计了一种改进的NSGA II算法对模型进行求解。算法中引入面向对象技术处理复杂的实体逻辑关系,使用矩阵编码技术进行编码,采用分段交叉和分段变异的遗传算子实现遗传进化,应用上述5种精细化调度技术于解码过程以提高设备利用率。通过案例分析验证了该方法的有效性。     

多目标等量分批柔性作业车间调度集成优化方法

针对多目标等量分批柔性作业车间调度问题,提出了一种集成优化方法。构建了一种以完工时间最短、生产成本最低为优化目标的多目标等量分批柔性调度集成优化模型。提出并设计了一种改进的非支配排序遗传算法对模型加以求解。算法中引入面向对象技术处理复杂的实体逻辑关系,采用三段式分段编码技术分别对分批方案、加工顺序、设备进行编码,采用三段式分段交叉和变异的混合遗传算子实现遗传进化,采用两种精细化调度技术进行解码以缩短流程时间。通过案例分析验证了所提方法的有效性。     

基于MapReduce虚拟集群的能耗优化算法

随着全球能源危机的出现,许多研究者开始关注数据中心的能耗问题。在满足用户需求的前提下,减少数据中心的活跃节点个数能够有效地降低其能耗。传统的减少活跃节点的方式是虚拟机迁移,但虚拟机迁移会造成极大的系统开销。提出一种基于MapReduce虚拟集群的能耗优化算法--在线时间平衡算法OTBA,能够减少活跃物理节点数,有效降低数据中心的能耗,并且避免了虚拟机的迁移。通过建立云数据中心的能耗模型、用户提交服务的排队模型和评价作业完成质量的作业运行模型,确定了数据中心节能模型的目标函数和变量因子。在线时间平衡算法是基于虚拟云环境和在线MapReduce作业的一种节能调度算法,能够在虚拟机的生命周期和资源利用率之间做出权衡,使数据中心激活的服务器达到最少,能耗降到最低。此外,该结果通过仿真和Hadoop平台上的实验得到了验证。     

容器云中基于改进遗传算法的资源分配策略

容器很容易针对Web应用程序提供包装、迁移和配置等服务,近年来已成为研究热点;提出了容器云中基于改进遗传算法的资源分配策略Double-GA;Double-GA是一种包括两个层次的资源分配策略:容器到虚拟机的资源分配和虚拟机到物理主机的资源分配;设计了容器云的两层资源分配的数学模型,以容器云中的整体物理主机能量消耗作为Double-GA策略的目标函数;Double-GA以遗传算法为基础,设计了双染色体的表达方式并处理好了遗传算法的初始化、进化、交叉、变异等操作;真实的实验实例数据结果表明:Double-GA双染色体算法明显优于普通遗传算法GA和递减最好适用算法。     

云计算环境下基于多目标优化的虚拟机放置研究

云数据中心的规模日益增长导致其产生的能源消耗及成本呈指数级增长。虚拟机的放置是提高云计算环境服务质量与节约成本的核心。针对传统的虚拟机放置算法存在考虑目标单一化和多目标优化难以找到最优解的问题,提出一种面向能耗、资源利用率、负载均衡的多目标优化虚拟机放置模型。通过改进蚁群算法求解优化模型,利用其信息素正反馈机制和启发式搜索寻找最优解。实验结果表明,该算法综合性能表现良好,符合云环境对高效率低能耗的要求。     

云环境下基于模糊隶属度的虚拟机放置算法

虚拟机放置问题是云数据中心资源调度的核心问题之一,它对数据中心的性能、资源利用率和能耗有着重要的影响。针对此问题,以降低数据中心能耗、改善资源利用率和保证服务质量(QoS)为优化目标,借助模糊聚类的思想提出了一种基于模糊隶属度的虚拟机放置算法。首先,结合物理主机过载概率和虚拟机与物理主机之间的相适性放置关系,提出了新的距离度量方法;然后,根据模糊隶属度函数计算得出虚拟机与物理主机之间的相适性模糊隶属度矩阵;最后,借助能耗感知机制,在模糊隶属度矩阵中进行局部搜索从而获得迁移虚拟机的最优放置方案。仿真实验结果表明,提出的算法在降低云数据中心能耗、改善资源利用率和保证QoS方面表现比较优异。     

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.