CloudStack基于KVM的AutoScale研究与实现

发布时间：2017-04-10 14:29

  本文关键词：CloudStack基于KVM的AutoScale研究与实现，由笔耕文化传播整理发布。

【摘要】：AutoScale技术不仅可以帮助云计算服务商提升硬件资源的利用率、改进客户体验,而且可以为用户减少成本、真正地使云端资源达到按需所用的目的。随着KVM虚拟化技术的迅速发展,当前CloudStack社区开发的基于XenServer的AutoScale技术逐渐无法满足技术与市场的双重需求,其不支持当前流行的开源KVM虚拟机监控程序；监控算法性能差,响应延迟高、系统吞吐量小；此外,其对应的基本网络负载均衡算法过于简单,不能达到负载均衡的目的,负载失衡现象时有发生。如何有效的解决上述问题是当前业界研究的热点之一。本文的研究工作围绕以上目标展开,研究基于KVM虚拟机监控程序上的AutoScale方案。论文主要内容如下：1.提出了基于多命令的AutoScale监控算法。由于基于XenServer的AutoScale监控算法响应延迟高、监控数据一致性差,不能根据虚拟机的负载情况快速地对硬件资源进行分配与回收,造成了硬件资源的闲置与浪费。本文提出的基于多命令的AutoScale监控算法,有效地解决了上述问题。通过与基于单命令的监控算法的比较实验结果表明,基于多命令的监控算法显著地减少了监控系统的响应延迟,提高了监控数据的一致性。2.提出了基于动态反馈的加权轮询负载均衡算法模型。由于AutoScale的实施需要负载均衡予以支撑,并且当前CloudStack提供的负载均衡算法性能较差,系统吞吐量较小、响应时间长、无法达到负载均衡的目的。本文提出了一种基于动态反馈的加权轮询算法模型,有效地提升了系统的吞吐量、减少了负载失衡现象。通过三种不同负载情况下的实验结果表明,该方案在响应时间和吞吐量上比传统的轮询法、加权轮询法性能更好。3.实现了基于KVM的AutoScale功能模块。由于当前CloudStack的AutoScale技术并不支持KVM虚拟机监控程序,此外,其响应延迟高、系统吞吐量小、容易引起负载失衡现象。本文将基于虚拟机内部的监控策略和基于多命令的监控算法以及基于动态反馈的加权轮询负载均衡算法结合起来。通过对AutoScale的结构模块进行设计,完成了基于KVM的AutoScale功能模块,系统运行结果验证了该模型与算法的可行性和有效性。最后本文的模块设计与开发通过了相关的功能和性能测试,满足了企业公有云、私有云的相关需求,并且已经应用到企业私有云生产环境中。目前部分模块已经部署在企业核心软件中,在公司内部受到用户的广泛好评,并将逐步实践到企业公有云平台中。
【关键词】：云计算 监控策略 监控算法 负载均衡算法
【学位授予单位】：东南大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP393.09
【目录】：

• 摘要5-6
• Abstract6-10
• 第一章 绪论10-15
• 1.1 研究背景10-12
• 1.2 论文研究内容12-13
• 1.3 论文组织结构13-15
• 第二章 相关理论与技术15-20
• 2.1 相关定义及评价指标15-17
• 2.1.1 相关定义15-16
• 2.1.2 评价指标16-17
• 2.2 AutoScale监控策略研究17-18
• 2.2.1 基于物理机的监控策略17-18
• 2.2.2 基于虚拟机内部的监控策略18
• 2.3 AutoScale监控算法研究18-19
• 2.3.1 基于单命令的监控算法18
• 2.3.2 基于多命令的监控算法18-19
• 2.4 网络负载均衡算法研究19
• 2.5 本章小结19-20
• 第三章 AutoScale监控策略与算法设计20-30
• 3.1 AutoScale流程分析20-22
• 3.2 AutoScale监控策略设计22-25
• 3.2.1 基于物理机的监控策略22-23
• 3.2.2 基于虚拟机内部的监控策略23-25
• 3.3 AutoScale监控算法设计25-27
• 3.3.1 监控数据传输模式25
• 3.3.2 基于单命令的监控算法25-26
• 3.3.3 基于多命令的监控算法26-27
• 3.4 实验结果与分析27-29
• 3.5 本章小结29-30
• 第四章 基于动态反馈的加权轮询负载均衡算法30-44
• 4.1 网络负载均衡的基本原理及性能指标30-32
• 4.1.1 基本原理30-31
• 4.1.2 性能指标31-32
• 4.2 网络负载均衡算法32-34
• 4.2.1 静态负载均衡算法32-33
• 4.2.2 动态负载均衡算法33-34
• 4.3 基于动态反馈的加权轮询负载均衡算法34-38
• 4.3.1 算法设计思想35-36
• 4.3.2 算法设计流程36-37
• 4.3.3 算法设计分析37-38
• 4.4 实验结果与分析38-43
• 4.5 本章小结43-44
• 第五章 CloudStack基于KVM的AutoScale设计和实现44-52
• 5.1 CloudStack基于KVM的AutoScale系统设计44
• 5.2 CloudStack基于KVM的AutoScale实现44-49
• 5.2.1 AutoScale服务模块44-45
• 5.2.2 AutoScale监控模块45-48
• 5.2.3 负载均衡模块48-49
• 5.3 CloudStack基于KVM的AutoScale应用49-51
• 5.3.1 效果展示49-51
• 5.3.2 结果分析51
• 5.4 本章小结51-52
• 第六章 总结与展望52-54
• 6.1 论文工作总结52
• 6.2 论文创新点与贡献52
• 6.3 研究展望52-54
• 致谢54-55
• 参考文献55-58
• 作者简介58

【参考文献】

中国期刊全文数据库 前10条

1 高振斌;潘亚辰;华中;段小红;赵丹;;改进的基于加权最小连接数的负载均衡算法[J];科学技术与工程;2016年06期

2 杨婷婷;;以三网融合为基础探讨信息监控与网络安全策略[J];科技风;2016年01期

3 蒋江波;徐志江;;一种Web服务器集群的动态反馈算法[J];微型机与应用;2016年01期

4 项国富;金海;邹德清;陈学广;;基于虚拟化的安全监控[J];软件学报;2012年08期

5 李乔;郑啸;;云计算研究现状综述[J];计算机科学;2011年04期

6 房秉毅;张云勇;陈清金;贾兴华;;云计算网络虚拟化技术[J];信息通信技术;2011年01期

7 张建勋;古志民;郑超;;云计算研究进展综述[J];计算机应用研究;2010年02期

8 王春娟;董丽丽;贾丽;;Web集群系统的负载均衡算法[J];计算机工程;2010年02期

9 杨林凤;曹袖;;面向xen网络虚拟化的性能研究[J];微型电脑应用;2009年10期

10 陈全;邓倩妮;;云计算及其关键技术[J];计算机应用;2009年09期

  本文关键词：CloudStack基于KVM的AutoScale研究与实现，，由笔耕文化传播整理发布。

本文编号：296929