云计算中基于多目标优化的虚拟机整合算法
发布时间：2021-06-17 09:45
云数据中心中存在着高能耗和高服务水平协议违约率的问题,为了解决此问题,提出了一种基于多目标优化的虚拟机整合算法.综合考虑能耗、服务质量和迁移开销等多种因素,将虚拟机整合问题构建为一个具有资源约束的多目标优化问题.使用蚁群系统算法对该多目标优化问题进行求解,进行虚拟机整合,获得近似最优的虚拟机主机映射关系.为了减少算法复杂度,利用CPU利用率双阈值来判断主机负载状态,根据主机负载状态分阶段进行整合并使用不同的整合策略.基于CloudSim平台对多目标优化的虚拟机整合算法和其他6种虚拟机整合算法进行仿真实验,将本文算法与现有虚拟机整合算法实验结果进行比较,结果表明本文提出的算法在能耗和服务水平协议违约方面优化显著,具有较好的综合性能.
【文章来源】：湖南大学学报(自然科学版). 2020,47(02)北大核心EICSCD
【文章页数】：9 页
【部分图文】：
ESV值对比
在MOVMC算法中，α和β值分别控制蚁群算法中信息素和启发式因子的重要性，对蚁群算法的性能有很大的影响.α反映了蚂蚁在以往搜索过程中积累的信息素在指导蚁群寻找新解时的重要程度.α值越大，蚂蚁越有可能选择之前走过的路径，寻找随机解的可能性随之降低.β则反映了启发式因子在指导蚁群寻找新解时的重要程度.β值越大，启发式因子的重要程度越大.α和β的取值越大，计算量也越大，计算时间就越长.考虑到数据中心内庞大的数据量，为了得到最优的算法性能，选择α和β值在[0.5,3.5]内以0.5为单位递增，讨论α和β的组合取值对算法目标函数值的影响，实验结果如图1所示.算法中使用的其他参数值如表4所示.当α和β取值过大时，算法容易过早收敛，易陷入局部最优.当α和β取值过小时，基于经验值和先验性因素的指导作用减弱，致使算法很难找到最优解.从图1中可以看出，当α和β取值分别为1和1.5时，对应的目标函数值最小，系统可以取得最好的性能.故在后面的对比实验中，将α和β分别取值为1和1.5作为系统参数值.3.4结果分析
为了评估MOVMC算法的性能，本研究将MOVMC算法与6种虚拟机动态分配算法ST[4]、DT[4]、MAD[5]、IQR[5]、LR[5]和EVMCACS[15]进行比较.图2为在实际工作负载下MOVMC、ST、DT、MAD、IQR、LR、EVMCACS的能耗值.算法名称后面的数值为该算法的当前参数值.与ST、DT、MAD、IQR、LR、EVMCACS相比，MOVMC消耗的能源最少.由于MOVMC算法优先将虚拟机迁移到正常负载的主机，因此许多低载主机都可以切换到睡眠模式，从而减少了数据中心中活跃主机的数量并节省大量能源.图3是算法针对SLA违约指标进行的比较.图3(a）是对SLAV的比较，可以看出，与其他算法相比，MOVMC算法在实际工作负载下具有最低的SLA违约率.MOVMC算法从过载主机中迁出虚拟机，通过保证主机的CPU利用率低于过载阈值来防止SLA违约.另外，启发式准则确保目标主机在迁入虚拟机后不会超出过载阈值.因此，MOVMC算法的SLAV性能优于其他算法.
【参考文献】：
期刊论文
[1]云数据中心基于阈值的虚拟机迁移节能调度算法[J]. 吴小东,韩建军. 华中科技大学学报(自然科学版). 2018(09)
[2]基于层次拓扑树的虚拟机节能分配算法[J]. 蔡立军,何庭钦,孟涛,陈磊. 湖南大学学报(自然科学版). 2017(02)
本文编号：3234960
【文章来源】：湖南大学学报(自然科学版). 2020,47(02)北大核心EICSCD
【文章页数】：9 页
【部分图文】：
ESV值对比
在MOVMC算法中，α和β值分别控制蚁群算法中信息素和启发式因子的重要性，对蚁群算法的性能有很大的影响.α反映了蚂蚁在以往搜索过程中积累的信息素在指导蚁群寻找新解时的重要程度.α值越大，蚂蚁越有可能选择之前走过的路径，寻找随机解的可能性随之降低.β则反映了启发式因子在指导蚁群寻找新解时的重要程度.β值越大，启发式因子的重要程度越大.α和β的取值越大，计算量也越大，计算时间就越长.考虑到数据中心内庞大的数据量，为了得到最优的算法性能，选择α和β值在[0.5,3.5]内以0.5为单位递增，讨论α和β的组合取值对算法目标函数值的影响，实验结果如图1所示.算法中使用的其他参数值如表4所示.当α和β取值过大时，算法容易过早收敛，易陷入局部最优.当α和β取值过小时，基于经验值和先验性因素的指导作用减弱，致使算法很难找到最优解.从图1中可以看出，当α和β取值分别为1和1.5时，对应的目标函数值最小，系统可以取得最好的性能.故在后面的对比实验中，将α和β分别取值为1和1.5作为系统参数值.3.4结果分析
为了评估MOVMC算法的性能，本研究将MOVMC算法与6种虚拟机动态分配算法ST[4]、DT[4]、MAD[5]、IQR[5]、LR[5]和EVMCACS[15]进行比较.图2为在实际工作负载下MOVMC、ST、DT、MAD、IQR、LR、EVMCACS的能耗值.算法名称后面的数值为该算法的当前参数值.与ST、DT、MAD、IQR、LR、EVMCACS相比，MOVMC消耗的能源最少.由于MOVMC算法优先将虚拟机迁移到正常负载的主机，因此许多低载主机都可以切换到睡眠模式，从而减少了数据中心中活跃主机的数量并节省大量能源.图3是算法针对SLA违约指标进行的比较.图3(a）是对SLAV的比较，可以看出，与其他算法相比，MOVMC算法在实际工作负载下具有最低的SLA违约率.MOVMC算法从过载主机中迁出虚拟机，通过保证主机的CPU利用率低于过载阈值来防止SLA违约.另外，启发式准则确保目标主机在迁入虚拟机后不会超出过载阈值.因此，MOVMC算法的SLAV性能优于其他算法.
【参考文献】：
期刊论文
[1]云数据中心基于阈值的虚拟机迁移节能调度算法[J]. 吴小东,韩建军. 华中科技大学学报(自然科学版). 2018(09)
[2]基于层次拓扑树的虚拟机节能分配算法[J]. 蔡立军,何庭钦,孟涛,陈磊. 湖南大学学报(自然科学版). 2017(02)
本文编号：3234960
本文链接：https://www.wllwen.com/kejilunwen/jisuanjikexuelunwen/3234960.html
