一种基于服务选取的SBS云资源优化分配方法

获取满足全局优化目标的资源分配策略,是影响云环境中基于服务的软件系统(service-based software system,简称SBS)运行时优化效果的关键.然而,由于SBS内部复杂的业务逻辑关系和云环境中的资源约束,现有分配方法无法得到最优资源分配量.以满足SLA约束和最小化资源成本为目标,根据不同资源状态对应不同组件服务性能的特点,将组件服务可能的资源分配量、相应性能及成本转换为备选逻辑服务集,进而提出了一种云环境中基于服务选取的SBS资源优化分配模型,并设计了一种求解模型的混合遗传算法.算法采用整数编码以提高求解效率,并在选择算子中引入了精英保留策略,从而保证收敛到全局最优解.为提高遗传算法的局部搜索能力、加快收敛速度,以局部搜索策略改进了标准变异算子.实验验证了所提出的资源优化分配模型和求解算法的有效性,并表明:与分支定界法及精英保留策略遗传算法相比,混合遗传算法能够在较大规模的问题上快速获得具有较低资源成本的资源分配策略.     

基于SLA和双向拍卖机制的云计算服务资源分配

针对云计算环境下现有的服务资源分配方法在采用SLA约束时未能考虑到市场因素的问题,设计了一种基于SLA约束并采用双向拍卖机制来实现服务提供商利润最大化的服务资源分配方法;首先,定义了云计算环境下基于SLA的双向拍卖服务资源分配模型,然后设计了服务提供商与用户签约的SLA并实现了到其资源提供商的映射,为了保证资源提供商提供真实可靠的信息,设计了分配函数和支付函数对其进行激励约束;最后,定义了采用SLA和双向拍卖机制对云计算资源进行分配的具体算法;仿真实验表明,文中方法的任务执行成功率最高,平均约为78.2%,在具有较少的SLA违约率的同时服务提供商能获取较多的利润,同时较其它方法具有较高的任务成功率,具有很强的可行性。     

基于双市场SLA映射的云资源选择机制研究

基于云计算系统应用层、服务层和资源层提出了双市场云联结构。在预算、时间及违例赔偿约束下,提出基于双市场服务等级协议(SLA)映射的云资源选择机制,分析了云服务SLA与云资源需求之间的关联,建立了云计算资源分配框架。设计了一个激励兼容的云资源选择机制,保证每个资源提供商报告真实类型,提高云服务提供商收益,表明该机制满足个人理性。提出具体的资源选择算法,实验结果表明,该机制的有效性与可行性。     

基于组合双向拍卖的云资源调度方法

针对跨数据中心的资源调度问题，提出了一种基于组合双向拍卖（PCDA）的资源调度方案。首先，将云资源拍卖分为三个部分：云用户代理报价、云资源提供商要价、拍卖代理组织拍卖；其次，在定义用户的优先级及任务紧迫度的基础上，在拍卖过程中估算每一个工作发生的服务等级协议（SLA）违规并以此计算云提供商的收益，同时每轮竞拍允许成交多项交易；最终达到根据用户等级合理分配云资源调度的效果。仿真实验结果表明该算法保证了竞拍成功率，与传统一次拍卖成交一项的组合双向拍卖方案相比，PCDA在竞拍时间段产生的能耗降低了35.00%，拍卖云提供商的利润提高了约38.84%。     

基于经济学的云资源管理模型研究

结合云计算的特点,在分析计算资源的效用市场基础上,从经济学原理的角度提出了云计算经济学架构,设计了基于SLA的云资源管理经济模型.研究了该模型采用的基于使用量的计费机制、基于SLA的谈判流程,基于效用函数的谈判算法,采用CloudSim模拟工具进行仿真实验和性能分析,实验结果表明,该模型有助于促进云环境下资源的高效管理、优化配置,最大限度地满足用户QoS需求.     

网格环境中基于SLA的本地任务调度算法

在服务网格中为用户提供满足SLA（service level agreement）的服务,是实现网格“非凡的服务质量”的一个重要的研究问题。本文提出了网格本地资源基于任务SLA的调度算法,给出了算法的数学模型和描述。在基于Java的网格环境调度模拟器中对算法进行了验证,该算法能实现满足用户SLA约束的调度,为满足全局的服务质量水平提供本地调度支持,对提高网格服务质量水平具有实际意义。     

异构分布环境下的远程协作系统（HD—RCS）

分布环境下的应用处理与资源共享将面临不同层次的异构性（包括：数据库层，操作系统层和网络层），为此我们提出了一种基于客户／服务器结构的远程协作系统，该系统是建立在数据库远程过程调用（ＤＢＲＰＣ）的机制之上的，其特点是通过其底层的抽象通信平台（Ｓｔｅｐｇａｔｅ）能实现与各种网络协议的互联。同时也能支持其上层应用系统对各种远程资源（数据资源、操作处理资源等）实现同步或异步远程访问与操作。进而支持异构分布环境下的资源共享与分布处理。     

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。     

一种基于K均值聚簇的虚拟机分类与部署方法

云数据中心环境下,虚拟机部署结果对主机能耗与服务等级协议SLA的遵守均具有重要影响。为了降低数据中心能耗与SLA违例,提出一种基于三门限值的高能效虚拟机部署优化算法。基于历史数据集,设计一种中档四分位的K-均值聚簇方法以产生主机CPU利用率的三个门限值;依据三个门限值,将主机划分为低载主机、轻量负载主机、正常负载主机和重载主机四种类型;为了对重载主机实施虚拟机迁移,分别针对计算密集型任务和I/O密集型任务设计两种虚拟机迁移选择方法,实现虚拟机优化部署;通过现实负载流数据对算法进行仿真分析。结果表明,该算法不仅可以有效降低能耗,而且SLA违例也较低,相比单纯降低能耗而忽略性能的同类算法,具有更高的能效。     

基于云计算的供应链RFID信息服务研究*

针对供应链环境下现有的EPCGlobal网络存在的问题和信息服务的需求,提出一种基于云计算的射频识别技术（RFID）信息服务架构。该架构将企业的本地RFID应用与供应链公共信息服务解耦,利用基于隐马尔可夫模型的信息分布机制将RFID信息发布到云中,构建起统一的RFID信息服务云平台,为供应链环境下RFID应用提供近实时、序列级的信息服务。将该架构与EPCGlobal网络相比较论证了其优越性。     

An SLA-based cloud computing that facilitates resource allocation in the distributed data centers of a cloud provider

The number of cloud service users has increased worldwide, and cloud service providers have been deploying and operating data centers to serve the globally distributed cloud users. The resource capacity of a data center is limited, so distributing the load to global data centers will be effective in providing stable services. Another issue in cloud computing is the need for providers to guarantee the service level agreements (SLAs) established with consumers. Whereas various load balancing algorithms have been developed, it is necessary to avoid SLA violations (e.g., service response time) when a cloud provider allocates the load to data centers geographically distributed across the world. Considering load balancing and guaranteed SLA, therefore, this paper proposes an SLA-based cloud computing framework to facilitate resource allocation that takes into account the workload and geographical location of distributed data centers. The contributions of this paper include: (1) the design of a cloud computing framework that includes an automated SLA negotiation mechanism and a workload- and location-aware resource allocation scheme (WLARA), and (2) the implementation of an agent-based cloud testbed of the proposed framework. Using the testbed, experiments were conducted to compare the proposed schemes with related approaches. Empirical results show that the proposed WLARA performs better than other related approaches (e.g., round robin, greedy, and manual allocation) in terms of SLA violations and the provider’s profits. We also show that using the automated SLA negotiation mechanism supports providers in earning higher profits.     

基于MPSO算法的云计算资源调度策略

针对云计算服务集群资源调度和负载平衡的优化问题,提出一种基于改进的粒子群优化算法的云计算资源调度策略。将动态多群体协作和变异粒子逆向飞行思想引入到粒子群优化算法中,从而控制全局搜索和局部搜索,尽量避免陷入局部最优。在CloudSim 平台进行模拟测试,结果表明,该调度策略有效且执行效率较高。     

服务水平协议感知的云中心利润最大化资源配置

针对云计算中心优化资源配置以实现利润最大化的问题,提出基于服务水平协议(SLA)感知的云中心服务器数量和运行速率优化的分析模型,同时考虑了云中心能耗成本、服务器租用成本、用户等待时间、SLA违规惩罚等重要因素。通过数值仿真分析了服务器数量、运行速率变化对云中心利润的影响。数值仿真结果表明:在请求速率固定时,通过优化服务器数量、运行速率可使云中心获得最大利润;而随着请求速率的增加,优化服务器数量和运行速率将会使云中心利润呈线性增长。分析结果可为云服务提供商获得更好的收益提供参考方法。     

Multi-Layer Resource Management in Cloud Computing

The paper studies multi-layer optimization in service oriented cloud computing to optimize the utility function of cloud computing, subject to resource constraints of an IaaS provider at the resource layer, service provisioning constraints of a SaaS provider at the service layer, and user QoS (quality of service) constraints of cloud users at application layer, respectively. The multi-layer optimization problem can be decomposed into three subproblems: cloud computing resource allocation problem, SaaS service provisioning problem, and user QoS maximization problem. The proposed algorithm decomposes the global optimization problem of cloud computing into three sub-problems via an iterative algorithm. The experiments are conducted to test the efficiency of the proposed algorithm with varying environmental parameters. The experiments also compare the performance of the proposed approach with other related work.     

An adaptive resource management scheme in cloud computing

There are various significant issues in resource allocation, such as maximum computing performance and green computing, which have attracted researchers’ attention recently. Therefore, how to accomplish tasks with the lowest cost has become an important issue, especially considering the rate at which the resources on the Earth are being used. The goal of this research is to design a sub-optimal resource allocation system in a cloud computing environment. A prediction mechanism is realized by using support vector regressions (SVRs) to estimate the number of resource utilization according to the SLA of each process, and the resources are redistributed based on the current status of all virtual machines installed in physical machines. Notably, a resource dispatch mechanism using genetic algorithms (GAs) is proposed in this study to determine the reallocation of resources. The experimental results show that the proposed scheme achieves an effective configuration via reaching an agreement between the utilization of resources within physical machines monitored by a physical machine monitor and service level agreements (SLA) between virtual machines operators and a cloud services provider. In addition, our proposed mechanism can fully utilize hardware resources and maintain desirable performance in the cloud environment.     

智能无人机轨迹与任务卸载联合优化

移动边缘计算（MEC）是云计算技术在边缘基础设施之上的应用拓展。考虑一个高能效的无人机移动边缘计算系统,通过联合优化无人机的运动轨迹、任务卸载策略和计算资源分配来最小化系统的能耗。为解决以上问题,提出一种双层优化方法,在上层用基于无监督学习的信道增益-自组织特征映射网络（h-SOM）对用户进行实时聚类,该聚类是以信道增益作为判断类别的指标并得到无人机的最佳部署位置;在下层根据无人机的部署,将计算卸载和计算资源分配问题转化为混合整数非线性规划问题（MINLP）,并采用带有精英初始策略和自适应双变异策略的改进差分进化算法（IDE）进行迭代求解,精英初始策略可以根据h-SOM的聚类结果提供优秀的初始解,自适应双变异策略能够提高算法的全局搜索能力并促进算法收敛,从而获得更好的任务卸载决策。通过仿真实验验证了所提方法的有效性,并与传统算法进行了比较,其优化效果显著,为MEC系统的联合优化提供了一种新思路。     

QoS约束的云经济资源管理模型研究

提供用户满意的、具有QoS约束的云计算应用是云计算面临的一大难题。提出了以商品市场为原型的云计算经济资源管理模型,其通过云用户与供应商的SLA协商,实现应用服务层QoS到资源设备层QoS的映射,最后利用效用函数的管理策略实现资源的优化调度。     

云计算下基于CRP算法的资源提供策略

云计算资源管理系统是用于接收来自云计算用户的资源请求,并且把特定的资源封装为服务提供给资源请求者。在云计算环境下,如何为资源请求者选择合适的资源是一个值得研究的课题。文中通过对云计算下现有的资源提供策略的分析,同时根据不同云提供者提供的计算资源的成本不同的特点,综合考虑资源的计算能力、可靠性和单位成本三点因素,提出了云计算下基于CRP算法的资源提供策略。这种资源提供策略既能提供满足用户资源请求的服务,也能降低云服务提供者的运营成本,从而获得更大收益。     

云工作流中基于分时虚拟机的任务层调度算法

云计算是新的一种面向市场的商业计算模式,向用户按需提供服务,云计算的商业特性使其关注向用户提供服务的服务质量。任务调度和资源分配是云计算中两个关键的技术,所使用的虚拟化技术使得其资源分配和任务调度有别于以往的并行分布式计算。目前主要的调度算法是借鉴网格环境下的调度策略,研究基于QoS的调度算法,存在执行效率较低的问题。我们对云工作流任务层调度进行深入研究,分析由底层资源虚拟化形成的虚拟机的特性,结合工作流任务的各类QoS约束,提出了基于虚拟机分时特性的任务层ACS调度算法。经过试验,我们提出的算法相比于文献[1]中的算法在对于较多并行任务的执行上存在较大的优势,能够很好的利用虚拟的分时特性,优化任务到虚拟机的调度。