OpenStack平台的虚拟机调度关键技术研究

发布时间：2017-05-18 16:29

  本文关键词：OpenStack平台的虚拟机调度关键技术研究，由笔耕文化传播整理发布。

【摘要】：云计算是从网格计算，并行计算和分布式计算发展而来的一种新的商业模式，它是指用户能够通过网络按照自己的计算需求、以一种容易扩展的方式来获得所需的计算资源服务（如计算，存储，网络，应用服务等）。云计算通过使用虚拟化技术对底层的物理硬件资源进行虚拟化，形成一个庞大的虚拟资源池，然后将资源以动态的、能够自由伸缩的服务方式提供给用户。因此，虚拟化技术是构建云计算环境的技术基石，特别是虚拟机调度技术，是保证云计算技术在基础设施层得以实现的基本手段。在云环境下，如何在保障用户SLA协议的条件下，通过虚拟化技术改进物理资源资源的分配和调度策略，来提高数据中心各种物理资源的整体利用率，降低资源能耗成本和投资成本，是当前迫切需要解决及改善的重要问题。本文的主要工作和研究成果如下： (1)分析了主流平台下的云计算的基本特征、技术架构以及核心技术。重点研究了当前热门的开源云计算平台OpenStack，搭建出分布式OpenStack平台，并在此基础上阅读了OpenStack云计算平台的相关源代码，熟悉OpenStack各组件间的工作流程及实现过程，了解平台的工作机制。 (2)设计并实现了基于OpenStack云平台上虚拟机动态迁移系统OLMS。此系统能够对OpenStack平台中的虚拟机的资源使用情况进行实时监控并对其进行动态整合，减少物理主机节点的使用数目，，有效的提高了OpenStack下集群的资源利用率，减少其能源浪费。 (3)针对云计算平台中的多目标优化虚拟机放置问题，提出了多目标蚁群优化算法MACS。该算法通过对蚁群算法进行改进，重新设计了服务器集群的资源浪费模型和能源损耗模型，能够更加快速的进行启发式搜索，计算出多目标虚拟机放置的Parato最优解，对集群中的虚拟机进行动态整合。通过和多目标优化遗传算法MGGA以及单目标优化算法ACO和FFD进行性能对比实验，本文提出的算法在提高集群的资源利用率，减少集群资源浪费方面，具有更好的效果。同时，本文还在Cloudsim云仿真平台下对该算法进行了大规模数据下的性能测试，发现该算法也能够取得比较好的效果，因此该算法对于大数据中心也适用。
【关键词】：云计算 虚拟化 在线迁移 多目标优化 虚拟机放置
【学位授予单位】：杭州电子科技大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP302
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 绪论10-15
• 1.1 研究背景10-11
• 1.2 相关研究现状11-13
• 1.2.1 云计算研究现状11-12
• 1.2.2 虚拟机调度技术研究12-13
• 1.3 论文的主要工作13-14
• 1.4 论文组织14-15
• 第二章 相关技术15-24
• 2.1 虚拟化技术15-17
• 2.1.1 系统级虚拟化15-16
• 2.1.2 CPU 虚拟化16
• 2.1.3 内存虚拟化16-17
• 2.1.4 I/O 虚拟化17
• 2.2 服务器虚拟化技术17-21
• 2.2.1 Vmware vSphere17-18
• 2.2.2 XEN18-20
• 2.2.3 KVM20-21
• 2.3 虚拟机在线迁移技术21-24
• 2.3.1 虚拟机在线迁移的概念21-22
• 2.3.2 虚拟机在线迁移的内容22-23
• 2.3.3 虚拟机在线迁移的性能评价23-24
• 第三章 OpenStack 虚拟机迁移框架24-35
• 3.1 OpenStack 云计算平台介绍24-29
• 3.1.1 OpenStack 架构介绍24-25
• 3.1.2 计算组件 Nova25-26
• 3.1.3 对象存储组件 Swift 介绍26-27
• 3.1.4 镜像服务组件 Glance 介绍27-28
• 3.1.5 身份认证服务组件 Keystone 介绍28-29
• 3.2 虚拟机动态迁移系统 OLMS 架构与设计29-30
• 3.2.1 OLMS 系统概述29
• 3.2.2. OLMS 系统基本原理29-30
• 3.3 虚拟机动态整合框架 OLMS 系统架构30-35
• 第四章 多目标蚁群优化算法的虚拟机迁移机制35-50
• 4.1 蚁群算法及多目标进化算法35-38
• 4.1.1 虚拟机放置问题概述35
• 4.1.2 蚁群算法35-37
• 4.1.3 多目标进化算法37-38
• 4.2 虚拟机放置性能优化模型38-40
• 4.2.1 资源浪费模型38
• 4.2.2 能源损耗模型38-40
• 4.3 多目标蚁群优化算法40-44
• 4.3.1 信息素和启发式搜素40-42
• 4.3.2 构造最优解42-43
• 4.3.3 信息素更新43-44
• 4.4 实验结果分析44-50
• 4.4.1 MACS 和 MGGA 算法的性能对比45-46
• 4.4.2 MACS 和单目标算法的性能对比46-48
• 4.4.3 大规模数据下 MACS 的性能测试48-50
• 第五章 总结与展望50-51
• 5.1 工作总结50
• 5.2 进一步工作及展望50-51
• 致谢51-52
• 参考文献52-56
• 附录56-57
• 详细摘要57-61

【参考文献】

中国期刊全文数据库 前3条

1 张利彪,周春光,马铭,刘小华;基于粒子群算法求解多目标优化问题[J];计算机研究与发展;2004年07期

2 谢涛,陈火旺,康立山;多目标优化的演化算法[J];计算机学报;2003年08期

3 公茂果;焦李成;杨咚咚;马文萍;;进化多目标优化算法研究[J];软件学报;2009年02期

  本文关键词：OpenStack平台的虚拟机调度关键技术研究，由笔耕文化传播整理发布。

本文编号：376569