基于改进分组遗传算法的虚拟机初始化放置算法

随着虚拟化技术成为用于提高云计算数据中心能源利用效率的一项重要技术。文中针对虚拟机的初始化放置问题,通过对遗传算法的染色体编码,变异算子等方面的优化,实现了一个改进的遗传算法 以解决虚拟机的初始化放置。实验结果表明,文中所提算法在对数据中心的能源效率方面有明显的提高。     

基于布谷鸟搜索的虚拟机放置算法

针对虚拟机放置问题,引入了布谷鸟搜索算法。首先,将虚拟机放置方案映射为鸟巢,并按照适应度高低将其分成顶巢和底巢。其次,通过扰动函数对底巢和顶巢进行扰动。最后,通过选择、迭代得到最佳放置方案。该算法可用于云数据中心的物理机整合,使放置物理机数量最小化。通过Cloudsim进行仿真,仿真结果表明,比起重排序分组遗传算法、分组遗传算法、改进的最小加载和改进的降序首次适应算法,提出的方法不仅避免了局部最优,而且具有更高的性能优势。     

基于改进蚁群算法的虚拟机放置方法研究

针对云计算资源调度中虚拟机到物理机上的部署问题,提出了基于剩余资源控制阈值和匹配度函数的虚拟机放置模型,该模型采用三重因子的目标函数,为剩余资源总量、新开物理机数量及剩余资源标准差提供了约束;为求解该模型,提出了基于大请求先安置原则的改进蚁群算法,并对算法的及参数进行了改进。仿真实验表明和其它几种算法比较,改进蚁群算法有更好的收敛性和更强的寻优能力;此外,实验结果也表明该放置模型能有效提高资源利用率,降低能耗。     

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.     

结合偏好处理的虚拟机放置问题研究

虚拟机的调度（放置）问题（Virtual Machine Placement, VMP）是云计算中的一个重要研究课题。它指的是使用特定的调度算法,将虚拟机放置到合适的主机上的过程,是一个典型的NP问题。目前的研究大量的使用了启发式的多目标优化算法,这类方法考虑了调度的目标与限制。针对满足目标和限制的条件下依旧会有多种解决方案的情况,引入了用户偏好表达的调度策略。具体的做法,首先,使用CP-nets定性地描述用户对虚拟机调度的偏好;其次,处理了多个用户偏好以及他们之间的冲突问题,最后,将元启发式算法得出的Pareto解进行偏好处理,返回满足用户偏好的最佳调度方案。实例分析和实验的结果表明,考虑用户偏好的虚拟机调度方案极大的提升了用户的满意程度。     

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。     

大型云计算系统中虚拟机的放置优化算法

为了减少骨干网络内的数据流量,研究确定和优化虚拟机在数据中心的放置问题。虚拟机放置问题是一个HL问题,但是它在大型的云计算系统中表现不能令人满意。为了解决这个问题,重新建模,提出MF模型,利用可变聚合方法和添加有效不等式加强这个模型。通过大量的实验表明,在运行时间和计算资源方面该模型是可行有效的。     

云数据中心的虚拟机放置问题

总结了虚拟机放置所面临的算法、优化目标、算法评估、基准模型及验证工具等关键问题,阐述了虚拟机放置问题的典型算法,深入分析了骨干互联网中虚拟机放置问题的特点及对云数据中心工程实践的借鉴意义,并从算法和工程相互适配的角度,对云数据中心设计、运营中所涉及的监控和计量、业务模型、SLA和资费设计、云资源池设计、资源池规模和架构、业务分区和迁移控制的设计、资源池的资源均衡性、逻辑网络和物理网络基础功能设计及可能的创新等关键问题提出了若干重要原则。     

弹性光数据中心中软管虚拟机的放置算法研究

为了吸纳业务的不确定性并将业务网络灵活高效地映射到数据中心的物理网络中，研究了弹性光数据中心网络中业务模型为软管模型的动态虚拟数据中心映射问题。首先建立了软管虚拟机在弹性光数据中心网络中的映射模型，然后提出了基于虚拟拓扑图的虚拟机放置算法（VT-VMPA）。VT-VMPA首先将软管模型转化为管道模型，再由业务量最大化原则寻找核心虚拟机。然后按照业务量降序，将满足资源约束条件且与核心虚拟机相连的虚拟机合并成簇，以减少簇映射到服务器后的通信带宽需求。最后将构成簇集按跳距自适应和最短路径原则映射到弹性光数据中心网络的服务器和光路上。仿真结果显示，该算法与其他算法相比，平均带宽消耗减少了21%、阻塞率减少了27%、时间平均收益提高了117%。这表明该算法能够降低网络带宽资源的消耗、提高网络映射率。     

Internet中基于启发式遗传算法的受限镜像放置问题求解

求解受限镜像放置问题对于Internet内容提供商具有重要的应用价值,但其在数学上归结为k-supplier问题,是一个NPC问题.本文提出了一种求解受限镜像放置问题的启发式遗传算法,该算法采用启发式交叉和变异算子,本质上是对标准两点交叉和单点变异产生的非法染色体进行启发式修正,以提高算法的局部搜索能力,加速收敛.仿真实验详细考察了启发式算子对收敛速度与全局优化性能的影响,并与两种常用启发式算法进行了性能比较.实验结果表明本文算法具有快速收敛,高性能,全局收敛等优点,证明其可行性和有效性.     

一种基于改进粒子群算法的虚拟机放置方法

针对现有采用粒子群算法放置虚拟机问题存在优化目标单一,容易陷入局部最优解的问题,提出一种基于改进粒子群算法的虚拟机放置方法,通过综合考虑数据中心类型对优化侧重的影响和放置后的负载均衡度,鲁棒性,能源消耗,针对计算密集型数据中心和数据密集型数据中心设计不同的目标函数,对负载均衡度,鲁棒性,能源消耗3方面进行了多目标优化,使其更贴近实际情况。并且通过优化粒子初始位置调节收敛速度,设置动态的学习因子和引入粒子位置的漂移因素使其跳出局部最优解。仿真实验证明,本方法和粒子群算法,模拟退火算法比较,在负载均衡,鲁棒性,能源消耗三个方面都有不同程度的性能提升。     

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。     

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。     

云计算中基于Shapley值改进遗传算法的虚拟机调度模型

云计算系统具有服务器规模大、用户范围广的特点,但同时也消耗了大量的能源,导致云供应商的高运营成本和高碳排放等问题。云计算高度虚拟化,如何分配和管理其虚拟资源,从而保证高效的物理资源利用和能耗控制,是一个多参数博弈过程,同时也是该领域的一个研究热点。提出了一种虚拟机调度模型及基于Shapley 值的遗传算法（SV-GA）,可通过经济学概念Shapley 值计算出参与工作的物理机贡献值,并通过该贡献值修正遗传算法中变异步骤的概率参数,从而完成虚拟机调度的任务。实验结果表明,与Max-Min、LrMmt及DE算法相比,SV-GA在虚拟机调度过程中的迁移时间、次数、SLA违背率、能耗等多参数博弈中具有优异的表现。     

基于动态选择遗传算法的雷达干扰资源分配

电子战中如何针对敌方目标雷达合理高效地分配己方干扰资源,对于获取最佳干扰效益能够起到重要的作用。文中针对雷达干扰资源分配的干扰效益建立评估模型,在模糊综合评估方法的基础上引入遗传算法进行最优解搜索,在遗传算法中关键的选择步骤运用动态选择概率代替了轮盘选择,从而得到了一种行之有效的雷达干扰资源分配方法,预防了经典遗传算法中的早熟收敛问题,使资源分配算法以更大概率收敛至全局最优解。通过进行大量仿真检验,验证了文中所提方法具有有效性和正确性。     

基于脏页率预测的虚拟机动态迁移分析

虚拟机动态迁移中,具有最复杂的内存迁移机制、最多的传输内容,现阶段,预拷贝方法为常用方法。因迁移期间依然运行虚拟机,会改变内存页,因此预拷贝脏页传输需多次进行,频繁的重传高脏页,导致严重降低迁移效率,而此问题的解决正是虚拟机动态迁移中急需解决的问题。本文在介绍虚拟机动态迁移及脏页率预测理论的基础上,探讨了实现短时、高效完成虚拟机动态迁移的方法。     

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。     

基于改进遗传算法的C-RAN网络动态无线资源分配

针对云无线网络(Cloud Radio Access Network,C-RAN)中传统静态资源分配效率低下以及动态无线资源分配中资源种类单一的问题,提出了一种基于用户服务质量(Qulity of Service,QoS)约束的动态无线资源分配方案,对无线资源从无线射频单元(Remote Radio Head,RRH)选择、子载波分配和RRH功率分配三个维度进行研究.首先,根据传统的C-RAN系统传输模型和QoS约束在时变业务环境下建立了以发射功率为变量,以吞吐量最大为优化目标的优化问题;然后,基于改进的遗传算法,将原优化方案转变为通过优化RRH选择、子载波分配和RRH功率分配来达到提高系统吞吐量的目的;最后,将改进的遗传算法与其他智能算法在种群规模变化下进行了时间复杂度对比.实验结果表明,所提算法具有较低时间复杂度,所提资源分配方案下的平均吞吐量增益为17％.     

基于遗传算法的通信卫星资源动态调度方法研究

随着卫星通信技术的持续发展,基于卫星通信的实际应用需求也日益复杂。为了更高效地处理不同体制网系之间的资源竞争,提高通信卫星资源的利用率,更大限度地满足卫星通信任务需求,提出了一种基于遗传算法的通信卫星资源动态调度方法。介绍了卫星资源动态调度所基于的通信任务的基本约束,并结合遗传算法阐述了资源动态调度具体实施过程,通过仿真实验将通信卫星资源的动态调度使用方式与静态分配使用方式进行了对比分析。仿真结果表明,在相同任务数和不同任务数的条件下,资源动态调度的使用方式都可以达到更高的资源利用率。     

一种通信距离最小化的虚拟机分配算法

为了解决云资源分配过程中虚拟机通信距离较大,造成用户计算任务完成时间延长问题,提出一种最短通信距离的虚拟机分配算法.云资源管理器能够根据用户指定的虚拟机条件,将计算任务分割到合适的数据中心及其内部服务器,大大缩短了虚拟机之间的通信距离.仿真实验表明,与现有的贪婪算法和随机方法相比,提出的方法通信量更少,执行速度更快.