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。     

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。     

云数据中心能量与热量感知的虚拟机合并与部署

动态的虚拟机合并是降低云数据中心能耗的有效手段,然而,激进的合并可能导致局部热点,影响系统可靠性.针对该问题,提出一种基于能量和热量感知的虚拟机合并算法.利用贪婪随机自适应搜索机制,在主动避免产生热点的情况下,可以进行动态的虚拟机合并决策,最小化数据中心计算系统和冷却系统的总体能耗.在现实负载流的仿真测试结果表明,该算...     

基于模糊动态阈值机制的能效虚拟机合并决策方法

动态虚拟机合并是云数据中心改善功耗和资源利用率的有效方法,但负载变化使数据中心较难维持服务等级协议SLA和最优能效.针对该问题,提出一种模糊动态阈值方法对虚拟机合并过程进行决策,在动态负载环境下实现最小化的虚拟机迁移量.该算法利用模糊推理系统动态调整主机资源利用阈值,使得超载主机上的虚拟机迁移大幅降低,并可以满足服务等...     

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。     

数据中心中DVFS对程序性能影响模型的设计

数据中心以可接受的成本承载着超大规模的互联网应用.数据中心的能源消耗直接影响着数据中心的一次性建造成本和长期维护成本,是数据中心总体持有成本的重要组成部分.现代的数据中心普遍采用DVFS（Dynamic Voltage Frequency Scaling,动态电压频率调节）来提升单节点的能耗表现.但是,DVFS这一类机制同时影响应用的能源消耗和性能,而这一问题尚未被深入探索.本文专注于DVFS机制对应用程序性能的影响,提出了一个分析模型用来量化地刻画应用程序的性能同处理器频率之间的关系,可以预测程序在任意频率下的性能.具体来说,依据执行时访问内存子系统资源的不同,本文把程序的指令为两部分：片上指令和片外指令,并分别独立建模.片上指令指仅需访问片上资源就可以完成执行的指令,其执行时间同处理器频率成线性关系;片外指令指需要访问主存的指令,其执行时间同处理器频率无关.通过上述划分和对每部分执行时间的分别建模,我们可以获得应用程序的执行时间同处理器频率之间的量化模型.我们使用两个不同的平台和SPEC 2006中的所有标准程序验证该模型,平均误差不超过1.34%.     

云环境下基于CROTS算法的虚拟机放置策略

随着越来越多数据中心的构建和部署,能耗问题成为研究热点。作为一种有效的节能策略,虚拟机整合受到了研究人员和业界的关注。针对传统的虚拟机放置策略的不足,利用化学反应优化算法CRO求解数据中心的虚拟机放置问题,并通过禁忌搜索算法提高CRO算法中器壁无损碰撞对解的勘探能力。仿真实验表明,相对于传统的贪婪放置策略FFD和基于ACO的放置策略,提出的CROTS算法可有效降低数据中心物理机的使用个数,进而降低了数据中心的能耗。     

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。     

云数据中心基于温度感知的虚拟机迁移模型

提出云数据中心基于温度感知的虚拟机迁移模型TA-VMM.TA-VMM迁移时着重考虑物理主机处理器的温度情况和物理主机负载均衡情况.在物理主机状态检测阶段寻找出候选迁移主机MigrationFromHosts;在虚拟机选择阶段寻找出候选迁移虚拟机列表VmstoMigrateList;在最后的虚拟机放置阶段完成候选迁移虚拟机的重新放置.CloudSim云计算模拟器仿真结果表明,TA-VMM中温度阈值对云数据中心的性能影响十分重要,TA-VMM比其他虚拟机迁移模型具有更低的能量消耗.     

基于动态规划的虚拟机放置策略

在IaaS云环境中,资源的分配管理关键取决于如何放置虚拟机,不当的放置策略可造成资源的损耗以及更多的能耗开销。为了降低整个数据中心的资源损耗和能耗开销,建立一个多目标优化的问题模型,并提出了一种基于动态规划思想的虚拟机放置策略。策略将放置问题转化为多阶段决策的背包问题,利用动态规划的思想把背包问题划分成一系列规模更小的子问题,通过求解子问题的最优解得到原问题的最优解。仿真实验表明,该策略能大大降低数据中心的能耗,并减少资源损耗。     

面向云计算数据中心的能耗建模方法

云计算对计算能力的需求,促进了大规模数据中心的飞速发展.与此同时,云计算数据中心产生了巨大的能耗.由于云计算的弹性服务和可扩展性等特性,云计算数据中心的硬件规模近年来极度膨胀,这使得过去分散的能耗问题变成了集中的能耗问题.因此,深入研究云计算数据中心的节能问题具有重要意义.为此,针对云计算数据中心的能耗问题,提出了一种精确度高的能耗模型来预测云计算数据中心单台服务器的能耗状况.精确的能量模型是很多能耗感知资源调度方法的研究基础,在大多数现有的云计算能耗研究中,多采用线性模型来描述能耗和资源利用率之间的关系.然而随着云计算数据中心服务器体系结构的变化,能耗和资源使用率的关系已经难以用简单的线性函数来描述.因此,从处理器性能计数器和系统使用情况入手,结合多元线性回归和非线性回归的数学方法,分析总结了不同参数和方法对服务器能耗建模的影响,提出了适合云计算数据中心基础架构的服务器能耗模型.实验结果表明,该能耗模型在只监控系统使用率的情况下,在系统稳定后,能耗预测精度可达到95%以上.     

云环境下利用用户到数据中心建模的高效节能路由算法

针对云计算用户、服务、供应商和数据中心的密度不断增长导致传输数据、网络流量和基础设施的大量能耗问题,提出针对云数据的高效节能路由算法。其目的是在用户和数据中心之间定位出最低能量消耗路线,同时确保用户需求。首先,对用户到数据中心的连通性进行建模,分析了网络拓扑结构;然后为了用户意图最简化和能量最小化,通过遍历节点最小数的基线最短路径算法进行评估,将用户任务通过最节能路径发送到数据中心,从而最小化能量损耗和服务响应时间(SRT)。实验的网络拓扑结构使用互联网服务提供商(ISP)的分支设计。实验结果表明提出的算法具有更短的路由路径长度和更低的路由能耗。此外,最短路径方法只有在成功发送或接收之后才能确定最节能的路由。     

数据中心虚拟机节能管理机制

大规模数据中心需要消耗大量的电能,由此带来了高额的运营成本以及环境污染等问题。为了降低数据中心的能耗,在构造了数据中心管理模型的基础上,提出了虚拟机静态安置算法与动态调整算法。虚拟机的动态迁移技术能够有效地降低数据中心能耗,提升资源利用率。然而,过度地迁移虚拟机,会影响应用的运行质量,造成SLA违背。动态调整阶段,采用了动态阈值的方法来控制虚拟机的迁移,降低能耗。最后,利用CloudSim平台进行了大量的模拟实验。实验结果表明,所提出的数据中心虚拟机节能管理机制(EAMVM)能够降低能源消耗,减少虚拟机的迁移次数。     

New Cloud Consolidation Architecture for Electrical Energy Consumption Management

Cloud computing is taking more extensive space in the research field. Cloud architectures will need to worry about energy in its various forms, to be profitable, on the one hand, and comply with environmental constraints （energy consumption and CO2 emission） on the other hand. VM （virtual machines） consolidation （VMs in this document）, among other techniques, must take into account the consumption of electrical energy, for example, while providing a level of performance that meets the requirements of SLAs （service level agreements）. In our work, we focus on an architecture configuration to manage virtual machines in a data center, in order to optimize the consumption of energy, and meet SLAs＇s constraints at the same time, by grafting a tracing component of the multiple consolidation plans that leads to an optimal configuration to finally give the order of the migration machinery to a minimum number of servers switched on, knowing that VMs （virtual machines） that coexist in the same server, are at risk of congestion and interference.     

Assessing and forecasting energy efficiency on Cloud computing platforms

IaaS providers have become interested in optimising their infrastructure energy efficiency. To do so, their VM placement algorithms need to know the current and future energy efficiency at different levels (Virtual Machine, node, infrastructure and service levels) and for potential actions such as service deployment or VM deployment, migration or cancellation. This publication provides a mathematical formulation for the previous aspects, as well as the design of a CPU utilisation estimator used to calculate the aforementioned forecasts. The correct adjustment of the estimators’ configuration parameters has been proved to lead to considerable precision improvements. When running Web workloads, estimators focused on noise filtering provide the best precision even if they react slowly to changes, whereas reactive predictors are desirable for batch workloads. Furthermore, the precision when running batch workloads partially depends on each execution. Finally, it has been observed that the forecasts precision degradation as such forecasts are performed for a longer time period in the future is smaller when running web workloads.     

基于蚁群优化算法的云数据库动态路径规划

云计算是下一代计算网络模型的发展趋势。云中的存储资源如何快速地路由,更是研究的难点。蚁群算法是基于群体的仿生优化算法,具有智能搜索、全局优化、鲁棒性、分布式计算和容易与其他算法相结合等优点。根据这两种事物的特点,提出了合理的结合算法,该算法能够在云中快速、合理地找到所需访问的数据库,减少云数据库数路由的动态负荷,从而很大程度上提高云计算的效率。     

基于云计算的电力能源大数据清洗模型构建

为了提高电力能源大数据的清洗效果,以及电网数据分析的智能程度,对电力能源大数据清洗模型进行构建.其中,运用云计算进行大数据存储.创新性地运用时间序列符号化方法对时间序列进行降维,以欧氏距离算法进行相似度度量,并使用相似度曲线对负荷数据进行数据清洗.结果表明:当数据块数量从10块增加到30块时,相应的数据传输数量由28个...     

云计算数据中心虚拟机节能管理机制研究

云计算数据中心的耗电量巨大,但绝大多数的云计算数据中心并没有取得较高的资源利用率,通常只有15%-20%,有相当数量的服务器处于闲置工作状态,导致大量的能耗白白浪费。为了能够有效降低云计算数据中心的能耗,提出了一种适用于异构集群系统的云计算数据中心虚拟机节能调度算法(PVMAP算法),仿真实验结果表明：与经典算法PABFD相比,PVMAP算法的能耗明显更低,可扩展性与稳定性都更好。与此同时,随着〈Hosts,VMs〉数目的不断增加,PVMAP 算法虚拟机迁移总数和关闭主机总数的增长幅度都要低于PABFD算法。     

云环境下计算资源动态能耗感知的并行任务调度方法

云计算是一种新兴的计算模式,倡导一切皆服务.要实现低成本、高效、安全、易用的云计算系统,依然面临诸多挑战,其中,高能耗已成为云计算不可忽视的问题.在计算资源电压可动态调整的环境下,为截止完成时间有要求的并行任务,提出两种满足并行任务截止时间要求的降低并行任务执行能耗的调度方法Ssef和Egsa.模拟实验表明,提出的算法在保证并行任务截止完成时间要求的条件下能够有效降低并行任务的执行能耗,从而大幅度降低云计算系统的能耗开销.