面向OpenStack的云数据中心虚拟机管理机制的研究

发布时间：2021-01-05 00:01

　　随着云数据中心越来越成熟,云计算逐渐成为了信息技术行业的主导计算模式,但高能耗开销问题也随之而来。在云数据中心中,大部分物理机的资源利用率都很低,因此产生了大量的能源浪费。虚拟机整合技术已经被证明是一种高效的节约能耗的方式,该技术将数据中心中的虚拟机放置在尽可能少的物理机上,从而将没有运行虚拟机的物理机切换至低功耗模式以节约能源。但当前的虚拟机整合算法只针对运行特定应用的数据中心时性能表现突出,如CPU密集型应用、网络应用等。因此,为通用的云数据中心设计一个通用的虚拟机整合框架以支持具有不同实时特征的物理机是很有必要的。OpenStack NEAT是一个整合到OpenStack中的成熟的虚拟机整合框架,它将虚拟机整合过程分解成四个子问题:（1）主机欠载检测;（2）主机过载检测;（3）虚拟机选择;（4）虚拟机放置。但该框架也存在缺陷。首先该框架无法正常运行在Ocata版本及更早版本的OpenStack上,且框架中的组件使用的数据不一定是最新的。其次,该框架各组件不能进行自适应的算法选择以应对不同实时特征的物理机,且该框架已实现算法的性能都较差。最后,该框架的可扩展性很差,自定义算法的添加... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：77 页

【学位级别】：硕士

【部分图文】：

超过5000个节点长达六个月的平均CPU用量

哈尔滨工业大学工学硕士学位论文-4-（IQR）[13-15]。其中，MAD是用样本数据相对于其平均值的绝对距离来度量数据离散程度，IQR是稳健统计技术处理中用于表示数据分散程度的度量。另外，还有一些针对虚拟机选择与虚拟机放置算法的研究。Fu等人提出了一个VM选择算法——MP（MeetsPerformance）[16]。在这个算法中他们同时考虑了CPU资源用量与资源满足的程度，研究者通过比较CPU用量偏差与一个上阈值来产生选择策略，以尽可能让迁移后的主机资源用量接近过载阈值。Zhou等人研究了CPU密集型与I/O密集型工作负载的特征，提出了两个虚拟机选择算法：CPU利用率与内存利用率的最大比率（MRCU）与最小化CPU利用率和内存利用率的乘积（MPCU）[17]。Feleke等人提出了一个考虑异构云中能源效率的新的基于装箱的启发式算法，称为medium-fit[18]。Zhou等人提出了一个三阈值算法用于虚拟机放置子问题[19]，他们的算法使用40%作为提高能源效率的最优阈值区间。他们还通过分析历史数据，提出了一个用于CPU密集型工作负载的虚拟机防止算法以减少数据中心能源开销。1.3相关研究工作的研究1.3.1OpenStackNEAT的系统设计图1-2OpenStackNEAT框架的体系结构

哈尔滨工业大学工学硕士学位论文-8-第2章I-NEAT框架与算法库的设计与实现本章首先简要介绍了本研究所实现的智能动态虚拟机资源管理框架I-NEAT的系统结构，并详细介绍其工作流程。接下来根据相关工作的研究对I-NEAT的算法库进行了扩充，并依次描述了框架中主机状态检测、虚拟机选择与虚拟机放置的算法库补充。其中，虚拟机状态检测算法实现了一系列新兴的数据统计方法与机器学习方法，包括ARIMA、朴素贝叶斯模型、三阶马尔可夫模型、决策树模型、SVM等。虚拟机选择算法在保障主机负载状态稳定的同时提高了迁移的效率。虚拟机放置算法通过启发式方法提高了系统的能源效率。2.1I-NEAT框架的整体结构图2-1I-NEAT框架的体系结构本研究所实现的I-NEAT框架是基于已有的OpenStackNEAT框架的优化版


本文编号：2957608