云计算环境下基于改进粒子群算法的动态资源调度研究

发布时间：2017-08-13 18:22

  本文关键词：云计算环境下基于改进粒子群算法的动态资源调度研究

  更多相关文章： 云资源调度 粒子群算法 虚拟机迁移 CloudSim

【摘要】：由于云数据中心包括多种物理设备以及网络设备,资源管理量庞大,在静态资源管理的很多情况会出现少数物理设备负载过重而多数设备负载过轻或者闲置的现象,导致利用率过低并且造成不必要的开销,实现云数据中心高利用率以及负载均衡的目标对解决目前所存在的挑战具有十分重要的意义。本文通过分析云计算资源调度特点及问题,提出了基于改进粒子群算法的虚拟机放置方法以及虚拟机动态迁移策略,主要做了以下工作：(1)对云数据中心建立数学模型,抽象数据中心,对云数据中心资源进行了分析和数学描述,对CPU,内存,网络三种资源进行量化,便于实验研究。(2)对粒子群算法更新公式进行改进,使得粒子群算法能够在整数集上运用,并改变相关参数定义,使之能够适应云数据中心的数学模型运用。改进算法步骤,对利用率和负载均衡共同关注,通过最大最小函数解出多种资源请求下的最优解,增加迭代中子代粒子种群数量,增加采样区域,使得虚拟机得到更好的部署,减少数据中心的开销。(3)提出基于预测的虚拟机迁移策略,减少不必要的虚拟机迁移以免引起系统不稳定和额外开销。设计了基于预测的虚拟机迁移触发条件,减少瞬间峰值带来不必要迁移。选择最少迁移次数作为虚拟机迁出策略,减少迁移次数。使用最佳适应算法作为目标物理机选择策略。解决了1、选择何时进行虚拟机迁移；2、选择哪些虚拟机进行迁出；3、选择哪些物理机进行迁入的三个问题。(4)在云计算仿真器CloudSim中进行仿真测试,对比基于贪心算法的轮询放置方案,基本粒子群算法以及改进的粒子群算法在求解云计算虚拟机部署与调度问题时的各项性能表现,并且通过对比虚拟机迁移前后数据中心物理机CPU,内存,带宽三种资源利用率,验证了基于预测的动态虚拟机迁移策略的有效性。
【关键词】：云资源调度 粒子群算法 虚拟机迁移 CloudSim
【学位授予单位】：南京信息工程大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18;TP302
【目录】：

• 摘要5-6
• Abstract6-8
• 第一章 绪论8-18
• 1.1 研究背景和意义8-10
• 1.2 国内外研究现状10-15
• 1.2.1 云计算技术的研究现状10-11
• 1.2.2 云资源调度研究现状11-14
• 1.2.3 当前存在的主要问题14-15
• 1.3 论文的主要工作15-16
• 1.4 论文的组织结构16-18
• 第二章 云计算数据中心及资源概述18-28
• 2.1 云计算的体系结构18-20
• 2.2 云数据中心架构20-22
• 2.3 云资源概述22-25
• 2.4 云资源相关参数定义25-27
• 2.5 本章小结27-28
• 第三章 基于改进粒子群算法的虚拟机放置方法28-39
• 3.1 标准粒子群算法28-31
• 3.2 帕累托最优及最大最小适应函数31-33
• 3.3 基于改进粒子群虚拟机放置算法33-38
• 3.3.1 问题描述33-34
• 3.3.2 离散化粒子更新公式34-35
• 3.3.3 算法流程35-38
• 3.4 本章小结38-39
• 第四章 基于预测的动态虚拟机迁移策略39-47
• 4.1 虚拟机迁移技术39-40
• 4.2 相关参数定义40-41
• 4.3 虚拟机迁移触发条件设计41-42
• 4.4 虚拟机选择迁出策略42-43
• 4.5 目标物理机选择策略43-44
• 4.6 算法流程44-46
• 4.7 本章小结46-47
• 第五章 算法实验仿真与结果分析47-59
• 5.1 CloudSim简介47-51
• 5.1.1 CloudSim的体系结构48-49
• 5.1.2 CloudSim的仿真流程49-50
• 5.1.3 云资源分配策略相关的CloudSim类50-51
• 5.2 实验对比及分析51-58
• 5.2.1 基于改进粒子群算法的虚拟机放置方法实验分析51-55
• 5.2.2 基于预测的动态虚拟机迁移策略实验分析55-58
• 5.3 本章小结58-59
• 第六章 总结与展望59-61
• 6.1 总结59-60
• 6.2 展望60-61
• 参考文献61-67
• 致谢67-68
• 作者简介68

，

本文编号：668692