基于DVFS感知与虚拟机动态合并的云数据中心能效策略

为了解决云数据中心资源分配时能耗与性能间的均衡问题,提出了一种基于DVFS感知与虚拟机动态合并的能效优化策略。首先,策略通过新的DVFS管理算法（DVFS-perf）在不降低系统性能的同时降低了数据中心功耗,然后,通过频率感知的虚拟机VM部署合并算法（Frequency-aware Placement）在实现DVFS最优配置的同时最小化总体能耗,同时确保了虚拟机映射时的QoS保障。最后,通过真实云负载数据流构建仿真实验进行了性能分析。结果表明,在动态负载条件下,策略可以在不降低QoS和不增加SLA违例的情况下,降低虚拟机迁移次数和数据中心的总体能耗,更好地实现能耗与性能的均衡。     

面向数据中心的虚拟机部署及优化算法

虚拟机动态配置是解决数据中心能耗低效的有效方法。针对动态配置过程中的虚拟机部署及优化问题展开研究,提出一种新的面向系统能耗的虚拟机部署算法以及基于主动迁移的优化策略。为了降低系统能耗,新算法采用基于服务器利用率的最佳适配降序算法求解虚拟机部署方案;同时为了适应应用负载的动态变化,新算法启动主动迁移策略对部署方案进行优化,即通过启发式算法在当前部署的基础上搜索使系统能耗更低的优化方案,并根据新部署对虚拟机执行主动迁移。考虑到迁移会导致应用服务质量降级和额外能耗,新算法通过在优化策略中设置基于服务器利用率的启动门限,对虚拟机主动迁移频率进行控制。仿真实验表明,所提算法在系统能耗、虚拟机迁移频率、服务器状态切换频率以及服务质量等多项性能指标上均有显著提高     

云计算中能耗和性能感知的虚拟机优化部署算法

优化虚拟机部署是数据中心降低能耗的一个重要方法。目前大多数虚拟机部署算法都明显地降低了能耗,但过度虚拟机整合和迁移引起了系统性能较大的退化。针对该问题,首先构建虚拟机优化部署模型。然后提出一种二阶段迭代启发式算法来求解该模型,第一阶段是基于首次适应下降装箱算法,提出一种虚拟机优化部署算法,目标是最小化主机数;第二阶段是提出了一种虚拟机在线迁移选择算法,目标是最小化待迁移虚拟机数。实验结果表明,该算法能够有效地降低能耗,具有较低的服务等级协定(SLA)违背率和较好的时间性能。     

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。     

云数据中心能效可靠的虚拟机部署

优化虚拟机部署是降低云数据中心能耗的有效方法,但是,过度对虚拟机部署进行合并可能导致主机机架出现热点,影响数据中心提供服务的可靠性。提出一种基于能效和可靠性的虚拟机部署算法。综合考虑主机利用率、主机温度、主机功耗、冷却系统功耗和主机可靠性间的相互关系,建立确保主机可靠性的冗余模型。在主动避免机架热点情况下,实现动态的虚拟机部署决策,在降低数据中心总体能耗前提下,确保主机服务可靠性。仿真结果表明,该算法不仅可以节省更多能耗,避免热点主机,而且性能保障上也更好。     

基于混合群智能的节能虚拟机整合方法

数据中心的虚拟机（virtual machine,VM）整合技术是当今云计算领域的一个研究热点.要在保证服务质量（QoS）的前提下尽可能地降低云数据中心的服务器能耗,本质上是一个多目标优化的NP难问题.为了更好地解决该问题,面向异构服务器云环境提出了一种基于差分进化与粒子群优化的混合群智能节能虚拟机整合方法（HSI-VMC）.该方法包括基于峰值效能比的静态阈值超载服务器检测策略（PEBST）、基于迁移价值比的待迁移虚拟机选择策略（MRB）、目标服务器选择策略、混合离散化启发式差分进化粒子群优化虚拟机放置算法（HDH-DEPSO）以及基于负载均值的欠载服务器处理策略（AVG）.其中,PEBST,MRB,AVG策略的结合能够根据服务器的峰值效能比和CPU的负载均值检测出超载和欠载服务器,并选出合适的虚拟机进行迁移,降低负载波动引起的服务水平协议违约率（SLAV）和虚拟机迁移的次数;HDH-DEPSO算法结合DE和PSO的优点,能够搜索出更优的虚拟机放置方案,使服务器尽可能地保持在峰值效能比下运行,降低服务器的能耗开销.基于真实云环境数据集（PlanetLab/Mix/Gan）的一系列实验结果表明：HSI-VMC方法与当前主流的几种节能虚拟机整合方法相比,能够更好地兼顾多个QoS指标,并有效地降低云数据中心的服务器能耗开销.     

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。     

基于磷虾群算法的无线传感器网络QoS任播路由算法

无线传感器网络多约束QoS任播路由问题是一个NP难题,提出一种基于磷虾群算法的优化策略来解决该路由问题.该算法采用适应度函数和全局最优个体位置更新方法来寻找无线传感器网络中满足多QoS约束的最优任播路由,并加入遗传繁殖机制中的交叉与变异操作以加快优化速度.实验验证了该算法的有效性,实验数据表明相比较粒子群优化算法,该算法在算法效率和可扩展性性能上具有较好的性能;具有较快的收敛速度,从而适用于对路由选择有时延敏感的网络.     

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。     

面向云数据中心的虚拟机部署时延优化算法研究

最优化虚拟机部署时延可以有效地提高云数据中心的效率,然而,目前虚拟机部署时延最优化问题主要针对的是单资源类型的部署。本文主要工作是考虑了服务器内资源容量及虚拟机多类型资源需求时虚拟机部署最优化时延问题。首先,将最优化虚拟机部署时延问题进行了形式化建模,并证明了该问题为一个NPC问题。接着,通过遗传结合贪心策略提出了一种高效的虚拟机部署算法优化时延。该算法的主要特点在于：结合了贪心策略指导个体在初始化、选择、交叉、变异时形成最优解,并且在交叉过程中采用奇、偶数位个体交叉的方式形成新个体,既避免了个体间的重复交叉,又通过多样化的新个体形成使得算法的解不会陷入局部最优。另外,由于遗传算法在交叉过程中会存在交叉冲突问题(服务器容量超载),还设计了一种交叉冲突检查方法避免了交叉冲突后非法个体的生成。最后,通过实验比对,将提出的算法分别与最新研究成果VMPDN、粒子群优化算法等算法比较,结果表明提出算法有效的缩短了虚拟机的部署时延。同时通过不同资源类型数量、迭代次数及种群大小的情况下,分析和考察了算法的性能,结果表明提出算法的性能仍好于其他的算法。