基于CloudStack的虚拟机部署策略的研究与实现

发布时间：2022-01-25 16:53

　　在公有云部署方式中,云服务提供商将云数据中心中大规模的物理上分散的计算设备以及独立存储设备、网络设备通过虚拟化技术构成虚拟资源池,主要以IaaS这种服务形式为用户提供相应的服务。由于在云数据中心中物理主机的规格可能不同且规模日增,加之用户对虚拟机的性能要求不一,所以合理的虚拟机部署策略将极大地影响云服务的质量和成本。在IaaS中,虚拟机是一个基本的资源调度单位,一台物理主机被虚拟化为若干台虚拟机提供给用户使用,确定虚拟机和物理主机之间的映射关系是虚拟机部署的核心问题。本文首先分析了 CloudStack上的虚拟机部署算法和在CloudStack上实现自定义虚拟机部署策略的方法,同时也分析了其他的主流云平台下的虚拟机部署策略,在这些基础上结合公有云的应用场景,提出了一种基于多目标粒子群算法的虚拟机部署策略。该策略的主要内容为:（1）面向用户的多目标优化虚拟机部署策略,包含了基于指数平滑法的预部署算法和以改进多目标粒子群算法为基础的虚拟机实时部署算法。虚拟机申请由用户使用互联网向云服务提供商提出后,针对虚拟机部署至目标物理主机这一过程,综合考虑了性能和成本两方面的优化目标,首先提出了基于用... 

【文章来源】：西南交通大学四川省 211工程院校 教育部直属院校

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外现状分析
    1.3 本文研究目标和组织结构
    1.4 本章小结
第2章 虚拟机部署相关理论与技术
    2.1 云计算技术的发展历程和分类
    2.2 开源IaaS云计算平台
        2.2.1 常用的开源云平台
        2.2.2 CloudStack介绍
        2.2.3 常用云平台上的虚拟机部署算法
    2.3 粒子群算法相关原理和技术
        2.3.1 基本粒子群算法
        2.3.2 粒子群算法的种群拓扑结构
        2.3.3 外部存档规模控制策略
    2.4 本章小结
第3章 面向用户的多目标优化虚拟机部署策略
    3.1 面向用户的虚拟机部署问题分析
    3.2 基于用户需求的虚拟机部署策略的总体设计
    3.3 基于指数平滑法的预部署算法
        3.3.1 设计思想
        3.3.2 模型参数
        3.3.3 预部署算法流程设计
    3.4 基于改进多目标粒子群算法的虚拟机部署算法
        3.4.1 粒子的编码规则
        3.4.2 粒子群的初始化过程
        3.4.3 Pareto支配和ε-Pareto支配定义
        3.4.4 虚拟机部署算法的目标函数设计
        3.4.5 种群突变操作
        3.4.6 拥挤度判定
        3.4.7 算法的流程设计
    3.5 本章小结
第4章 面向平台的虚拟机动态管理策略
    4.1 基于物理机负载的动态管理方法设计
        4.1.1 问题描述
        4.1.2 动态管理策略的总体设计
    4.2 物理主机的负载预测及异常标记算法设计
        4.2.1 负载预测算法设计
        4.2.2 异常状态标记算法设计
    4.3 基于共享程度判定的多目标粒子群算法
        4.3.1 算法的改进设计思路
        4.3.2 粒子的约束条件
        4.3.3 小生境共享技术
        4.3.4 总体算法流程
    4.4 虚拟机部署策略在CloudStack上的实现方法分析
        4.4.1 CloudStack上的虚拟机部署算法
        4.4.2 在CloudStack上实现虚拟机部署策略的方法分析
    4.5 本章小结
第5章 仿真试验与结果分析
    5.1 CloudSim简介
    5.2 测试方案设计
        5.2.1 参数设计
        5.2.2 试验设计思路和步骤
    5.3 试验结果分析
        5.3.1 面向用户的虚拟机部署策略的结果分析
        5.3.2 面向平台的虚拟机动态管理策略的结果分析
    5.4 本章小结
结论与展望
致谢
参考文献
攻读硕士期间发表的论文及科研成果


【参考文献】：
期刊论文
[1]基于偏好的ε-Pareto支配的多目标粒子群算法[J]. 李静,黄天民,陈尚云.  西华大学学报(自然科学版). 2018(02)
[2]高效能云计算虚拟机优化部署策略[J]. 张小庆.  计算机工程与应用. 2016(15)
[3]基于改进粒子群算法的云资源调度[J]. 袁正午,李君琪.  计算机工程与设计. 2016(02)
[4]云计算虚拟机部署方案的研究[J]. 张笑燕,王敏讷,杜晓峰.  通信学报. 2015(03)
[5]关于如何用角度信息引入决策者偏好的研究[J]. 郑金华,谢谆志.  电子学报. 2014(11)
[6]多目标进化算法中基于角度偏好的ε-Pareto支配策略[J]. 郑金华,赖念,郭观七.  模式识别与人工智能. 2014(06)
[7]基于蚁群优化算法的云计算资源负载均衡研究[J]. 孟凡超,张海洲,初佃辉.  华中科技大学学报(自然科学版). 2013(S2)
[8]基于用户个性化需求的虚拟机部署机制[J]. 彭红,杨根兴,蔡立志.  软件产业与工程. 2013(01)
[9]云计算中调度问题研究综述[J]. 左利云,曹志波.  计算机应用研究. 2012(11)
[10]云计算资源调度研究综述[J]. 林伟伟,齐德昱.  计算机科学. 2012(10)

博士论文
[1]面向虚拟机的云平台资源部署与调度研究[D]. 郭芬.华南理工大学 2015

硕士论文
[1]CloudStack云平台负载均衡方法的研究和实现[D]. 高晨曦.哈尔滨工业大学 2015
[2]基于cloudstack的虚拟机部署方案的研究与实现[D]. 王敏讷.北京邮电大学 2015
[3]基于CloudStack的IaaS资源调度策略研究[D]. 苗壮.哈尔滨工业大学 2014
[4]基于Xen的虚拟机动态迁移技术研究及应用[D]. 张井昆.东北大学 2011
[5]云计算环境下一种基于虚拟机动态迁移的负载均衡算法[D]. 施杨斌.复旦大学 2011



本文编号：3608901