云环境下基于SLA的优化资源管理机制研究

发布时间：2017-09-22 06:07

  本文关键词：云环境下基于SLA的优化资源管理机制研究

  更多相关文章： SLA协议 资源调度 SA-PSO算法 虚拟机迁移 蚁群算法

【摘要】：自云计算概念提出以来,这种新兴的技术就逐渐成为了工业界与学术界的研究热点,也是当前大数据运用的主要核心技术之一,云计算为大数据处理提供了良好的计算资源底层。作为一种新型计算模式,运用虚拟化技术统一管理和调度存储、软件、带宽和计算等资源,实现按需使用资源并随时扩展。在这种服务模式下,所有资源被虚拟化为一个资源池,云服务供应商通过建立规模庞大的数据中心,来管理并分配各类资源给用户应用程序。面临复杂动态的资源需求,如何建立一个高效的资源管理机制,已成为学术界的研究重点。在已有文献的研究基础上,针对资源分配不合理、资源利用率不高、负载不均衡导致供应商各种成本增加等问题,本文立足于实现云资源供应商的利润最大化目标,设计了用户与供应商之间服务等级协议(Service Level Agreement,SLA)的部分功能性参数,解决资源需求与资源供应之间的不符点,降低协议的违例率和避免主机节点失效,同时确保用户程序的Qo S(Quality of Service)需求,主要通过SLA协议中的计算能力、网络带宽、存储空间等属性来衡量。故本文提出了一种基于SLA的资源管理机制,着重分析并优化该机制中的资源调度和虚拟机迁移问题。本文的主要研究工作如下:(1)针对数据中心的资源分配效率不高的问题,构造了一种用户请求—资源分配的映射模型,将SLA协议中的三大属性:计算能力(Mips)、网络带宽(BW)、存储空间(Memory)作为传递参数,调用改进的智能算法进行资源分配。(2)在上述的资源映射过程中,以实现资源供应商的利润最大化为目标,设计相应的适应度函数。为避免粒子陷入局部最优解,改进标准粒子群(PSO)算法,提出与模拟退火算法(SA)相结合的混合粒子群算法(SA-PSO)来优化分配策略。(3)在云数据中心,面对大量动态的计算需求,在完成资源调度之后,因负载不均衡会导致虚拟机节点失效。针对该问题,提出了一种基于蚁群算法的自主式虚拟机实时迁移策略。借鉴蚂蚁智能搜索的思想,通过推导数据中心各节点的资源负载计算公式,并将该负载公式作为蚁群算法选择目标迁移节点的评价函数,实现虚拟机自动迁移匹配,最终形成一个基于SLA的高效云资源管理机制。
【关键词】：SLA协议 资源调度 SA-PSO算法 虚拟机迁移 蚁群算法
【学位授予单位】：江西理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP393.07;TP18
【目录】：

• 摘要4-5
• Abstract5-10
• 第一章 绪论10-16
• 1.1 研究背景及意义10-11
• 1.2 国内外研究现状11-13
• 1.2.1 基于SLA的资源管理相关研究11-12
• 1.2.2 云计算环境下的资源调度方法12
• 1.2.3 数据中心虚拟机迁移策略12-13
• 1.3 本文主要工作13-14
• 1.4 论文组织结构14-16
• 第二章 云计算与资源管理相关技术16-27
• 2.1 云计算技术概述16-19
• 2.1.1 云计算发展历程16-17
• 2.1.2 云计算的特点17-18
• 2.1.3 云计算体系结构18-19
• 2.2 服务等级协议SLA19-20
• 2.3 虚拟化技术20-21
• 2.4 负载均衡技术21-22
• 2.5 云环境下的虚拟资源管理技术与方法22-26
• 2.5.1 云资源调度机制23-25
• 2.5.2 数据中心虚拟机实时迁移技术25-26
• 2.6 本章小结26-27
• 第三章基于SLA的动态资源调度算法27-40
• 3.1 问题的提出27
• 3.2 云环境下基于SLA的资源分配模型27-31
• 3.2.1 资源调度模型体系27-29
• 3.2.2 适应度函数的构造29-31
• 3.3 粒子群算法的应用31-33
• 3.3.1 粒子群PSO算法思想31-32
• 3.3.2 粒子群算法的应用实例32-33
• 3.4 云环境仿真模拟器CloudSim33-36
• 3.4.1 CloudSim模拟器概述33-35
• 3.4.2 CloudSim仿真形式35
• 3.4.3 CloudSim仿真数据调度流程35-36
• 3.5 实验平台构建与算法实现36-39
• 3.5.1 实验环境36-39
• 3.5.2 资源调度及算法核心类实现39
• 3.6 本章小结39-40
• 第四章 一种改进的混合粒子群SA-PSO优化调度算法40-47
• 4.1 问题的提出40
• 4.2 改进的混合粒子群SA-PSO算法40-42
• 4.2.1 标准模拟退火算法SA概述40-41
• 4.2.2 改进的混合SA-PSO算法41-42
• 4.3 仿真实验与分析42-46
• 4.3.1 虚拟资源实验数据43
• 4.3.2 用户任务实验数据43-44
• 4.3.3 数据中心描述44
• 4.3.4 实验结果分析44-46
• 4.4 本章小结46-47
• 第五章 数据中心虚拟机迁移策略47-60
• 5.1 问题的提出47
• 5.2 数据中心虚拟机迁移模型47-49
• 5.2.1 相关定义47-48
• 5.2.2 资源负载均衡公式推导48-49
• 5.3 虚拟机迁移策略49-51
• 5.3.1 虚拟机迁移框架49-51
• 5.3.2 虚拟机迁移过程51
• 5.4 虚拟机迁移算法51-56
• 5.4.1 蚁群算法ACO原理51-52
• 5.4.2 ACO算法在虚拟机迁移匹配中的应用52-56
• 5.5 仿真实验与结果分析56-59
• 5.6 本章小结59-60
• 第六章 总结与展望60-62
• 6.1 工作总结60
• 6.2 展望60-62
• 参考文献62-66
• 附录66-72
• 致谢72-73
• 攻读学位期间研究成果73-74

【共引文献】

中国期刊全文数据库 前1条

1 王燕;;基于云服务的数字化社区云平台的设计[J];计算机技术与发展;2013年06期

，

本文编号：899176