多维度资源环境下基于矢量代数模型的虚拟机部署

发布时间：2020-12-26 17:20

　　多维度资源云数据中心环境下,资源利用率及系统能耗的同步优化是必须解决的问题。针对该问题,提出一种基于蚁群优化的虚拟机部署与合并算法。建立多维矢量装箱的虚拟机部署模型,定义模型优化目标;为了获取多维资源占用信息,设计基于矢量代数的多维资源利用模型;设计基于蚁群优化的虚拟机合并算法,通过信息素机制、启发信息、伪随机正比例规则及全局信息素更新机制,得到虚拟机部署的全局最优解。实验结果表明,比较同类型启发式算法,该算法在降低数据中心能耗与资源浪费方面均取得了更好的表现。 

【文章来源】：计算机应用与软件. 2020年05期 北大核心

【文章页数】：7 页

【部分图文】：

PE值对比图

图1-图4给出了1 000个VM需求时算法的各项性能指标,包括活动PM的数量、VM装箱效率、总体功耗及能效改善效率。实验中设置Eidle=162 W,Efull=215 W。由图可知,ACO-VMPC在各项指标上均优于其他算法。同时,ACO-VMPC算法获得了接近于期望平均值的PE。以上结果表明,ACO-VMPC算法中的信息素更新机制和伪随机正比例规则下的蚂蚁寻优是有效可行的,它可以找到虚拟机与主机间的能效最优映射解。相比而言,MMVMC算法得到的活动PM数量仅次于本文算法结果,原因在于该算法采用了自适应最大最小蚁群优化机制,但其信息素的更新机制是基于传统蚁群搜索算法的。另外三种算法中,矢量贪婪算法VectorGreedy综合性能是最优的,它与另外两种算法的最大区别在于有效地进行了虚拟机的合并,这使得最终的活动的主机数量有所降低,资源利用率也更高。图2 PE值对比图

能耗对比图


本文编号：2940138