基于数据中心的两阶段虚拟机能效优化部署算法

针对数据中心在虚拟机动态部署过程中的高能耗问题,提出了面向数据中心的两阶段虚拟机能效优化部署算法--DVMP_VMMA。第一阶段为初始部署,提出了动态虚拟机部署(DVMP)算法限定主机最优部署数量,降低了闲置能耗;同时,为了应对负载的动态变化,第二阶段提出迁移约束的虚拟机迁移算法(VMMA)对初始部署方案作进一步优化,这样不仅得到的系统能耗更低,而且还能保证应用服务质量。与满载算法(FL)、基于固定门限值的部署算法(FT),绝对中位差部署算法(MAD)、四分位差部署算法(QD)、迁移周期最优算法(MTM)、最小占用率迁移算法(MIU)进行的比较实验结果表明:DVMP_VMMA不仅考虑了系统能耗优化,使运行时资源利用率更高;而且还可以避免VM频繁迁移完成对性能的提升,其在优化数据中心能耗、SLA违例、VM迁移量的控制及性能损失等指标上均有较好效果,其综合性能优于对比算法。     

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。     

面向数据中心虚拟机部署的智能优化策略?

虚拟机部署问题是影响数据中心性能的关键问题之一。文中综合考虑资源损耗、系统功耗和负载均衡度,提出面向数据中心虚拟机部署的智能优化策略。该策略首先建立虚拟机部署优化的多目标数学模型,然后将虚拟机部署问题抽象为装箱问题,最后提出基于改进的自适应离散型人工萤火虫群优化算法的优化策略。仿真实验表明,文中的自适应离散型人工萤火虫群优化算法具有较强的鲁棒性和较快的收敛速度,提出的智能优化策略能有效解决虚拟机部署问题。     

数据中心中能量与QoS保障的虚拟机部署

针对已有虚拟机部署方法侧重于优化数据中心能耗,而忽略QoS保障的问题,提出一种基于能量与多维度QoS保障的虚拟机部署算法。建立虚拟机部署的QoS模型,设计一种通用QoS效用函数,实现不同形式QoS的标准量化。并在此基础上,将虚拟机部署问题形式化为满足全局QoS保障的同时能耗最小化问题。设计一种基于改进粒子群算法的虚拟机部署策略对优化问题进行求解。该策略通过相关参数和进化操作的重新定义,以及局部适应度优先的粒子位置更新机制,实现能耗与全局QoS保障的均衡优化。对算法进行了仿真实验分析,结果表明,该算法不仅在能耗与全局QoS保障性能上是优于同类算法的,并且在稳定性和可扩展性方面也具有较好的性能表现。     

面向数据中心能效优化的虚拟机迁移调度方法

由于服务器资源利用率偏低且资源负载不均衡,使得数据中心能耗浪费严重。针对上述情况,提出基于虚拟机迁移的数据中心节能调度方法。该方法通过选择合适的迁移时机、迁移对象和目标主机,完成虚拟机迁移前的准备工作,然后基于迭代-停止迁移方法对服务器进行动态迁移和整合,从而减少服务器的运行数量,以此最小化数据中心能耗。实验结果表明,该方法能有效提高服务器资源利用率,减少服务器的冗余数量,提高数据中心整体能效。     

云环境下一种基于能耗感知的虚拟机部署算法

云计算技术已经越来越得到人们的关注和接受。在保证用户性能的前提下,怎样有效提高服务器资源的利用率,同时又能节约能源已成为一个热门话题。针对云计算环境下虚拟机初次部署问题,提出了一种基于能耗感知的虚拟机部署算法（ PAVMAA）。该算法充分考虑用户对于不同应用的不同需求,从系统整体最优角度考虑,以能耗与利用率之间的最佳组合点为出发点,通过计算虚拟机性能需求期望与服务器空闲性能之间的欧几里得距离来匹配部署虚拟机。通过Cloudsim仿真平台上的实验,结果表明：算法实现简单,能明显降低能量消耗。     

云计算下虚拟机部署机制的研究

随着云计算的发展,虚拟化技术重新得到了人们的关注。当前,在用户服务不断增多,待处理量激增的情况下,如何提高云计算下虚拟机部署效率成为了人们研究的热点。对云计算下虚拟机部署的体系结构和部署流程,以及针对虚拟机部署机制的优化策略进行了研究。使用了分布式模板文件存储方法来提高虚拟机部署效率,通过实验验证了该方法的有效性。     

云环境中多目标优化的虚拟机放置算法

虚拟机放置（VMP）是虚拟机整合的核心,是一个多资源约束的多目标优化问题。高效的VMP算法不仅能显著地降低云数据中心能耗、提高资源利用率,还能保证服务质量（QoS）。针对数据中心能耗高和资源利用率低的问题,提出了基于离散蝙蝠算法的虚拟机放置（DBA-VMP）算法。首先,把最小化能耗和最大化资源利用率作为优化目标,建立多目标约束的VMP优化模型;然后,通过效仿人工蚁群在觅食过程中共享信息素的机制,将信息素反馈机制引入蝙蝠算法,并对经典蝙蝠算法进行离散化改进;最后,用改进的离散蝙蝠算法求解模型的Pareto最优解。实验结果表明,与其他多目标优化的VMP算法相比,所提算法在使用不同数据集的情况下都能有效降低能耗,提高资源利用率,实现了在保证QoS的前提下的降低能耗和提高资源利用率两者之间的优化平衡。     

数据中心在云计算需求下的技术分析

对当前云计算环境下为互联网数据中心（IDC）带来的新特性及需求进行分析．针对现有非云计算数据中心的网络体系、协议和管理总结其在云计算场景下的不足。同时归纳目前阶段云计算数据中心领域在新需求下出现的主要新技术．并对未来的研究思路及待解决问题进行展望。     

云虚拟环境下资源分配的研究与实现

云计算中的基础设施层IaaS(Infrastructureas a Service)是通过虚拟化技术管理底层物理资源,向用户提供可用的计算机集群。对于如何有效的分配资源,使其利用率最大化,即使得物理机器中的各种资源的碎片最小也成了云计算中需要考虑的问题。针对这一问题,可以结合遗传算法来解决这种多目标多约束的组合优化问题,实现云虚拟环境下的资源分配问题。通过仿真实验表明,该算法可用有效的减少物理机器中的碎片,提高资源的利用率。     

高校云计算中心网络架构设计与实现

使用成熟的、商用化的云计算技术改造现有数据中心,建立一套稳定和可持续发展的云计算数据中心架构,以满足业务长期持续的扩展能力,云数据中心网络的逻辑架构是建立在融合的虚拟化架构基础上的.而传统的逻辑设计,包括VLAN规划、路由和地址结构等,都应服务于新的融合的虚拟化架构.     

基于云模型的自适应量子粒子群算法

利用云模型理论能兼顾随机性和模糊性的特质, 提出一种基于云模型的自适应量子粒子群优化算法。首先分析量子粒子群算法的控制机制, 在此基础上, 使用云算子实现对每个粒子的吸收扩张因子自适应控制, 达到在进化过程中对粒子飞行位置动态调整的目的, 使算法具有较快的收敛速度和较强的全局搜索能力。同时, 补充针对性的优化方案, 有效避免算法陷入局部最优。对典型测试函数的仿真对比实验表明, 该算法具有寻优能力强、搜索精度高、稳定度好等优点, 相比其它同类算法具有一定优势。     

基于云计算的渲染技术研究

针对当前动漫制作采用传统的单机渲染方式,渲染过程缓慢效率低下,而购买大型机又价格昂贵的渲染瓶颈问题,提出通过云计算对渲染技术进行优化,从而缩短制作周期,降低成本,制作出更加宏大壮丽的3D场景和活泼逼真的人物造型。     

采用生物信息机制的量子免疫克隆算法

随机变异会导致多克隆策略的基因进化的无序性, 进而降低免疫克隆算法的效率. 为解决此问题, 文中设计了一种采用生物信息机制的量子免疫算法. 这种算法将量子理论引入多克隆策略的变异过程以提高基因操作效率, 同时采用一种生物信息机制来提高信息交互能力, 加速抗体进化速度. 从理论上证明该算法的收敛性. 仿真试验结果表明, 该基因操作方式能较大地提高免疫克隆算法的优化能力. 与传统的量子免疫克隆算法、其它高级免疫克隆算法和进化算法相比, 该算法具有较好的搜索能力和稳定性.     

一种自适应惯性权重的并行粒子群聚类算法

针对K-means聚类算法和基于遗传（GA）的聚类算法的一些缺点,及求解实优化问题时粒子群算法优于遗传算法这一事实,提出了一种自适应惯性权重的并行粒子群聚类算法。理论分析和实验表明,该算法在收敛速度和收敛精度方面明显优于基于遗传算法的聚类方法。     

一种基于MapReduce的频繁闭项集挖掘算法

频繁闭项集的挖掘是发现数据项之间关联规则的一种有效方式。当前以MapReduce模式为基础的云计算平台为解决海量数据中的关联规则挖掘问题提供新的解决思路。文中提出并实现一种基于Hadoop云计算平台的频繁闭项集的并行挖掘算法。该算法主要包括并行计数、构造全局频繁项表、并行挖掘局部频繁闭项集和并行筛选全局频繁闭项集四个步骤。在多个数据集上的实验表明,该方法能较大提高数据挖掘的效率,具有较好的加速比。