面向租户的虚拟机定制化组网技术

基于OpenStack 设计并实现了一个面向租户的虚拟机定制化组网系统,通过资源的元数据定义和基于模板的协同操作,实现云基础设施（计算、存储和网络资源）的自动化部署和管控。具体功能包括统一的图形化租户可拖拽操作、定制化的虚拟机组网编排、动态批量的资源配置更新、网络接口粒度上的服务质量控制以及基于虚拟机网络连接关系的优化映射算法等。该系统可以为租户提供网络配置能力,使租户可以方便、快捷而不受制于技术细节地进行虚拟机组网;性能上降低了网络平均时延,实现了资源的高效匹配,提高了资源利用率。     

一种基于动态规划的虚拟机分配方法

基于组合拍卖的动态分配机制使得云拍卖商能够根据市场需求高效地配置云资源,为拍卖商带来更高的收益。现有方法是贪婪法分配虚拟机资源,优先为投标密度高的用户分配资源,然而这种局部最优选择并不总能带来整体最优解。提出一种基于动态规划的虚拟机分配方法 DP-VMPA,它以最大社会福利作为目标函数,使用CA-DP分配算法求出获得资源的用户集,最后采用VCG机制为用户定价。应用实例表明,DP-VMPA机制能够更有效地分配虚拟机资源,同时为拍卖商带来更高的收益。     

一个基于弹性云的负载均衡方法

提出了一种基于弹性云的负载均衡方法.这一方法构造了负载均衡模型框架,建立了模型对于虚拟机负载状况和虚拟机集群资源利用率进行量化评估,为实现任务的分发和虚拟机集群的弹性伸缩,设计了任务调度算法和弹性伸缩算法.实验结果表明基于弹性云的负载均衡方法在实现负载均衡的同时,有效提高了资源利用率.     

云环境下基于租户的虚拟机分层放置策略

云环境下租户申请虚拟机来部署应用或者计算任务,这些虚拟机之间的通信较频繁,需要消耗较多的网络资源.为了减少网络资源的消耗和物理主机资源的浪费,提出了基于租户的初始化放置算法,并结合运行时放置算法调节虚拟机的位置.仿真结果表明,新算法在达到放置目标的同时,减少了需要重新放置的虚拟机数目,降低了迁移代价.     

基于用户个性化需求的虚拟机部署机制

在云环境中,虚拟机作为一个大粒度的资源,用户通常要求其运行具有稳定性,不希望出现虚拟机频繁迁移的现象。本文提出了一种基于用户个性化需求的虚拟机优化部署方案：根据用户请求的应用背景,在对四类资源（CPU、内存、硬盘和带宽）赋值后比较资源请求值和云平台中宿主机的可用资源值,选出候选目标主机,再根据目标函数计算选择出目标主机。该方案为用户选择较优的宿主机部署虚拟机,既可以科学合理地利用资源,有效地改善了负载不均衡现象,更能获得更好的用户体验。     

基于遗传算法的虚拟机动态放置研究

在云数据中心（IDC）,虚拟机部署（VMP）策略是指如何在数据中心有限的物理资源中内放置合理的虚拟机（VM）。高效的虚拟机部署策略将更好的实现物理资源的整合和利用,最大化实现资源利用和能源节约的效果。该文中,根据虚拟机的存储和CPU两种资源为目标,研究资源利用率最大化的虚拟机放置策略。该策略基于遗传算法,根据虚拟机实际资源（内存和CPU）需求动态,动态的为虚拟机分配资源,实现最大限度降低数据中心资源利用不足和过度利用等概率。在最后,使用CloudSim仿真软件进行模拟实验,通过实验证明,较最佳拟合递减算法（BFD）相比,使用遗传算法对虚拟机进行动态分配,数据中心的资源利用率有较大的提升,同时也说明将多资源需求作为虚拟机放置策略考虑的重要性。     

基于Q-Learning的虚拟机动态伸缩算法

针对大规模云环境中业务量变化时平台服务质量和资源消耗的问题,提出一种基于Q-Learning的虚拟机扩容/缩容决策算法。将该问题转换为马尔科夫决策模型,为了在业务平台服务质量和资源消耗之间取得较好的平衡,智能体根据平台当前状态计算出最佳策略,执行决策并转到下一状态。仿真结果表明,该算法可根据业务量的变化实时作出伸缩决策,并提供最合适的虚拟机资源以满足业务需求,且能提高平台的稳定性。     

基于萤火虫群优化的虚拟机放置方法

利用虚拟机放置策略对云数据中心的物理资源利用效率进行优化十分必要。提出了基于萤火虫群优化的虚拟机放置（glowworm swarm optimization based VM placement,Gso-wmp）方法。GSO-VMP方法将物理主机的处理器使用效率表示为荧光素值，当一个虚拟机被放置到物理主机上时，该物理主机的荧光素值都要进行更新；能够在局部径向范围内搜索到更多的可用物理主机，完成虚拟机放置，减少了虚拟机的迁移次数，从而间接地节省了物理主机的能量消耗。使用CloudSim作为GSO-VMP的仿真环境进行仿真，实验结果表明，GSO-VMP方法使得云数据中心的能耗降低、多维物理资源利用率提高。     

云数据中心高能效的虚拟机迁移整合算法研究

基于多资源能效模型,通过改进CPU双阈值法提出了多资源双阈值法触发虚拟机迁移,并将基于粒子群算法的虚拟机放置算法应用于虚拟机的能效整合.仿真实验结果表明,与传统的启发式算法相比,该算法有效地减少了物理节点的启用数量和虚拟机迁移次数,使系统资源利用率更加均衡.     

面向移动边缘计算中多应用服务的虚拟机部署算法

移动边缘计算(MEC)通过在用户近端以虚拟机(VM)形式部署应用服务,能有效降低服务响应延迟并减少核心网络数据流量。然而,当前MEC中虚拟机部署的大多数研究尚未具体考虑用户对多种应用服务的需求。因此,该文针对MEC中多应用服务的虚拟机部署问题,提出两种启发式算法,即基于适应度的启发式部署算法(FHPA)和基于分治的启发式部署算法(DCBHPA),通过在边缘网络中配置支持多种应用服务的虚拟机来最大限度地减少网络中的数据流量。FHPA和DCBHPA分别基于边缘服务器的网络连接特征和用户对应用请求的差异性,定义了不同的适应度计算模型。在此基础上,通过子问题划分机制实现VM配置。仿真结果表明,相比于基准算法,所提算法能更好地控制系统数据流量,有效地提高边缘网络服务资源的利用率。     

虚拟机在网络安全实验教学中的应用

虚拟机技术在计算机中的应用越来越广泛。利用虚拟机技术可以高效、快速、低成本地搭建复杂的网络环境,特别是在网络安全方面,无论是在评估网络模型性能,病毒分析系统,还是网络环境模拟方面,虚拟机技术都发挥着关键性的支撑作用。文中介绍了如何利用VMware的网络安全工具虚拟机高效快捷地实现全套的网络安全实验。实践结果表明,通过NST完全可以在有限的单机资源上模拟复杂的网络环境,并实现网络攻防过程的演示教学。     

片上网络的动态虚通道分配策略

针对片上网络（NoC）的传统的静态虚通道分配不能很好适应非平衡的业务负荷问题,本论文提出了NoC动态虚通道分配策略。在静态虚通道分配基础上,动态分配虚通道通过实时监测节点端口的包流量的方向,决定分配给该端口的虚通道数目。动态虚通道资源可以在所有端口间共享,并根据通信业务需求动态调度。在二维meshNoC上的仿真表明,动态虚通道分配策略不仅节约了存储器资源,而且对NoC传输延时有一定的改善。     

K均值聚类在云计算的应用

相对于传统的应用部署方式,云计算是基于互联网的一种并行处理技术,提供了一个高度可扩展和按需处理的服务。任务调度一直是云计算环境中的研究热点,在云计算环境中具有重要作用。能否合理分配任务到虚拟机资源上是重要问题之一。本文通过对任务请求的资源进行分析,对不同类型的任务进行聚类,将不同类型任务通过改进贪心调度算法合理分配到虚拟机资源上。通过Cloudsim平台模拟实验表明,该算法相对于Min-Min算法在节省能耗方面有较好的效果。     

基于时间估计的动态频谱接入算法

基于先验知识模型,设计了基于信道剩余空闲时间估计的动态频谱接入算法：每个次用户根据感知历史维护信道剩余空闲时间的估计向量并周期进行更新,每个时隙开始时次用户选择剩余空闲时间估计最大的信道接入。对动态频谱接入算法的适应性问题进行了分析,并求得了次用户的最优传输时间长度。仿真结果表明,在给定的参数下,新算法的信道利用率比其他算法提高约5%-10%,同时对主用户的干扰保持最低。     

面向复杂太赫兹信道的智能调制系统设计

太赫兹通信是未来高速无线通信极具潜能的技术,受到广泛关注。在本文中,提出基于简单、稀疏空域调制的太赫兹通信系统,探索了由硬件缺陷导致的信号失真对系统性能的影响,并结合收发端失真相关性,进行了系统噪声建模,得到了发端噪声、背景噪声和收端噪声的联合模型。在此多维度噪声背景下,依据后验概率最大化准则,本文推导了太赫兹空间调制系统极大似然信号检测算法。此外,考虑到未来太赫兹通信在多域多维度通信的应用场景,传统检测算法匹配度差且复杂,本文提出了利用具有简单结构的极端学习机来实现太赫兹空间调制系统的低复杂度智能算法。仿真结果表明,本文所提出的极大似然检测算法的性能优于传统的极大似然算法,另外本文中所提出的基于极端学习机的接收机方案,其性能接近最优检测方案,并且明显优于基于深度学习网络和支持向量机的方案。      

一种基于LRU算法改进的缓存方案研究与实现

LRU（最近最少使用）替换算法在单处理器结构的许多应用中被广泛使用。然而在多处理器结构中,传统LRU算法对降低共享缓存的缺失率并不是最优的。文中研究了基本的缓存块替换算法,在分析LRU算法的基础上,提出基于LRU算法及访问概率改进的缓存方案,综合考虑最近使用次数和访问频率来决定候选的替换块,增强了替换算法对多处理器的适应性。     

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KVM的虚拟机Post-Copy动态迁移算法稳定性优化

虚拟机动态迁移技术为虚拟化系统的资源调度提供了强有力的支撑,Post-Copy算法作为虚拟机动态迁移的两个核心算法之一,凭借其总体迁移时间稳定与迁移停机时间短的优点,一直是国内外学者研究的热点问题。对虚拟机的故障容错机制、迁移过程中的内存页面传输方式与缺页错误的关联性,以及QEMU-KVM平台源码进行了深入的研究,提出了基于事务同步的故障容错方法以提升Post-Copy迁移算法的稳定性。试验结果表明,提出的虚拟机Post-Copy迁移优化算法,能保证迁移过程中源端虚拟机故障、目标端虚拟机故障以及网络故障的迅速修复,能通过较小的代价解决稳定性问题,所提出的方法有效地提升了Post-Copy迁移算法的稳定性,也为以后的优化研究方向提供了参考。     

异构云DCN中绿色虚拟算法设计

为进一步提升异构云数据中心网络(DCN)动态管理的科学性,在总结当前主流研究局限性的基础上构思一种基于全局相对最优化的绿色虚拟算法.算法综合考虑虚拟机迁移过程中可能涉及到的诸多客观因素,通过科学地规划时间门限、主机筛选策略、以及精度比较机制对虚拟机实施高效的迁移.数据考察表明,所部署的算法不仅可快速精确地物色到最适宜的...