【摘要】：云計算以其低廉的硬件設(shè)備服務(wù),高質(zhì)量的服務(wù)體驗,大大降低了企業(yè)購買大型服務(wù)器的成本和相應(yīng)的維護費用。這也使得越來越多的企業(yè)將自身的多種業(yè)務(wù)遷移到云計算平臺。企業(yè)通過云計算平臺提供的基礎(chǔ)設(shè)施即服務(wù)Iaa S,按需提出自己的資源請求。云中心根據(jù)企業(yè)的需求為企業(yè)分配足夠的資源供其使用。Iaa S以虛擬機,即云服務(wù)器的形式,向用戶提供資源。云中心控制器為這些云服務(wù)器選擇合適的物理主機,作為放置云服務(wù)器的目標(biāo)主機,這就是虛擬機部署位置選擇問題。同時企業(yè)下轄業(yè)務(wù)之間并不是相互獨立,業(yè)務(wù)之間是相互支撐協(xié)同完成任務(wù),這些相交互云服務(wù)器構(gòu)造了虛擬局域網(wǎng)。為這些云服務(wù)器選擇目標(biāo)主機位置,這就是本文研究的多虛擬機交互的虛擬機部署位置選擇策略問題。選擇最佳用于放置虛擬機的目標(biāo)主機即為虛擬機部署位置選擇策略的目標(biāo)。該問題是一個多維裝箱問題,是NP難問題,也是選擇優(yōu)化問題。本文從優(yōu)化問題角度對問題進行分析求解。選擇最小化電能消耗、最小化資源損耗作為其中兩個目標(biāo),由于虛擬機之間組成了虛擬局域網(wǎng),還要兼顧最小化網(wǎng)絡(luò)通信開銷,組成一個多目標(biāo)優(yōu)化問題。考慮到啟發(fā)式群智能算法在解決多目標(biāo)優(yōu)化問題方面有著巨大的優(yōu)勢,本文將從群智能算法的角度給出研究問題的詳細解過程。為實現(xiàn)快速高效的多虛擬機交互的虛擬機部署,同時折中實現(xiàn)對多個目標(biāo)的優(yōu)化,本文算法首先對虛擬機請求按照交互關(guān)系進行合理化分組,將資源請求重新組合成多組虛擬機集合請求,然后使用引入變異算子的標(biāo)準(zhǔn)粒子群優(yōu)化算法,以適應(yīng)度函數(shù)為度量值,搜尋最優(yōu)放置方案。分組對虛擬機請求集合進行求解,這樣避免了其他虛擬機請求對當(dāng)前虛擬機集合產(chǎn)生的不利影響,能夠更加合理的為虛擬機分配資源。變異算子避免了局部極值。適應(yīng)度函數(shù)綜合考慮了能耗、資源利用和虛擬機間交互產(chǎn)生的通信開銷。最終提出本文研究的算法。為實現(xiàn)多虛擬機交互的虛擬機位置選擇方案,采用以Cloud Sim云平臺仿真平臺為基礎(chǔ),Fat-Tree網(wǎng)絡(luò)拓撲作為數(shù)據(jù)中心的底層架構(gòu),實現(xiàn)本文提出的啟發(fā)式分組變異粒子群算法。該算法不僅能夠避免局部極值的情況,還能避免不同虛擬機集合間在資源分配時產(chǎn)生的相互影響。同時使用SDN作為云平臺的網(wǎng)絡(luò)架構(gòu),測試不同的策略下虛擬機交互的時間延遲。為此,本文研究內(nèi)容如下:首先,研究Cloud Sim模擬器,掌握平臺的基本結(jié)構(gòu)和功能,為編寫模擬程序打下基礎(chǔ)。其次,研究相關(guān)的群智能優(yōu)化算法,特別是粒子群優(yōu)化算法以及相應(yīng)的改進算法。然后研究SDN的基本原理、控制模塊以及Fat Tree拓撲結(jié)構(gòu)。最后,在Cloud Sim平臺實現(xiàn)粒子群算法,同時使用虛擬網(wǎng)絡(luò)環(huán)境測試網(wǎng)絡(luò)延遲。在上述工作的基礎(chǔ)上,實現(xiàn)本文提出的啟發(fā)式分組變異粒子群算法。根據(jù)云平臺可用剩余資源,為多虛擬機分配目標(biāo)主機,保證通信開銷最小、資源利用率最大化,然后在虛擬網(wǎng)絡(luò)環(huán)境下驗證不同策略下的網(wǎng)絡(luò)延遲。通過測試驗證,啟發(fā)式分組變異粒子群算法,保證了網(wǎng)絡(luò)開銷最小和全局最優(yōu)解。
[Abstract]:Cloud computing greatly reduces the cost of purchasing large-scale servers and the corresponding maintenance costs because of its low-cost hardware services and high-quality service experience. The cloud center allocates sufficient resources for the enterprise to use according to its needs. Iaa S provides resources to users in the form of virtual machines, namely cloud servers. At the same time, the business under the jurisdiction of the enterprise is not mutually independent, and the business is mutually supporting and cooperating to complete the task. These interactive cloud servers construct a virtual local area network. Choosing the best target host for placement of the virtual machine is the goal of the VM deployment location selection strategy. This problem is a multi-dimensional packing problem, NP-hard problem, and also a selection optimization problem. In order to solve the multi-objective optimization problem, the heuristic swarm intelligence algorithm has great advantages in solving the multi-objective optimization problem. In this paper, the detailed solution process of the problem is given from the point of view of swarm intelligence algorithm. Rapid and efficient deployment of virtual machines with multiple virtual machine interactions and compromise optimization of multiple objectives are achieved. Firstly, the virtual machine requests are grouped rationally according to the interaction relationship, and the resource requests are re-grouped into multiple sets of virtual machine requests. Then, the standard particle swarm optimization algorithm with mutation operator is used to adapt to the requirements. The degree function is a measure and searches for the optimal placement scheme. The group solves the virtual machine request set, thus avoiding the adverse effects of other virtual machine requests on the current virtual machine set, and allocating resources for the virtual machine more reasonably. In order to implement the virtual machine location selection scheme for multi-virtual machine interaction, a heuristic packet mutation particle swarm optimization algorithm based on Cloud Sim cloud platform and Fat-Tree network topology as the underlying architecture of data center is proposed. This algorithm can not only avoid local extremum, but also avoid the interaction between different virtual machine sets in resource allocation. At the same time, SDN is used as the network architecture of cloud platform to test the time delay of virtual machine interaction under different strategies. The basic structure and function of the platform lay the foundation for writing simulation program. Secondly, the related swarm intelligence optimization algorithm, especially the particle swarm optimization algorithm and the corresponding improved algorithm are studied. Then the basic principle of SDN, the control module and the Fat Tree topology structure are studied. Finally, the particle swarm optimization algorithm is implemented on Cloud Sim platform, and the virtual algorithm is used. Based on the above work, a heuristic packet mutation particle swarm optimization algorithm is proposed. The target hosts are allocated to multiple virtual machines according to the remaining resources available in the cloud platform to ensure minimum communication overhead and maximize resource utilization. Then the network delay under different strategies is verified in the virtual network environment. Later, the heuristic packet mutation particle swarm optimization algorithm guarantees the minimum network overhead and the global optimal solution.
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP302

【相似文獻】

相關(guān)期刊論文 前10條

1 王立冬,張凱;Java虛擬機分析[J];北京理工大學(xué)學(xué)報;2002年01期

2 曹曉剛;;Java虛擬機的10年[J];程序員;2005年07期

3 宋韜;盤細平;羅元柯;倪國軍;;Java虛擬機在嵌入式DSP系統(tǒng)上的實現(xiàn)[J];計算機應(yīng)用與軟件;2007年04期

4 劉黎波;;Java虛擬機攔截原理研究[J];科技風(fēng);2008年21期

5 劉治波;;Java虛擬機簡析[J];濟南職業(yè)學(xué)院學(xué)報;2008年01期

6 郝帥;;Java虛擬機中相關(guān)技術(shù)的探討[J];成功(教育);2008年08期

7 李霞;;系統(tǒng)虛擬機關(guān)鍵技術(shù)研究[J];微型電腦應(yīng)用;2010年03期

8 鄭曉瓏;孔挺;;虛擬機的安全風(fēng)險與管理[J];硅谷;2010年16期

9 李學(xué)昌;平淡;;為速度而戰(zhàn),虛擬機內(nèi)外兼修[J];電腦愛好者;2010年18期

10 王惠萍;張海龍;馮帆;王建華;;Java虛擬機使用及優(yōu)化[J];計算機與網(wǎng)絡(luò);2010年21期

相關(guān)會議論文 前10條

1 孟廣平;;虛擬機漂移網(wǎng)絡(luò)連接方法探討[A];中國計量協(xié)會冶金分會2011年會論文集[C];2011年

2 段翼真;王曉程;;可信安全虛擬機平臺的研究[A];第26次全國計算機安全學(xué)術(shù)交流會論文集[C];2011年

3 李明宇;張倩;呂品;;網(wǎng)絡(luò)流量感知的虛擬機高可用動態(tài)部署研究[A];2014第二屆中國指揮控制大會論文集（上）[C];2014年

4 林紅;;Java虛擬機面向數(shù)字媒體的應(yīng)用研究[A];計算機技術(shù)與應(yīng)用進展——全國第17屆計算機科學(xué)與技術(shù)應(yīng)用（CACIS）學(xué)術(shù)會議論文集（上冊）[C];2006年

5 楊旭;彭一明;刑承杰;李若淼;;基于VMware vSphere 5虛擬機的備份系統(tǒng)實現(xiàn)[A];中國高等教育學(xué)會教育信息化分會第十二次學(xué)術(shù)年會論文集[C];2014年

6 沈敏虎;查德平;劉百祥;趙澤宇;;虛擬機網(wǎng)絡(luò)部署與管理研究[A];中國高等教育學(xué)會教育信息化分會第十次學(xué)術(shù)年會論文集[C];2010年

7 李英壯;廖培騰;孫夢;李先毅;;基于云計算的數(shù)據(jù)中心虛擬機管理平臺的設(shè)計[A];中國高等教育學(xué)會教育信息化分會第十次學(xué)術(shù)年會論文集[C];2010年

8 朱欣焰;蘇科華;毛繼國;龔健雅;;GIS符號虛擬機及實現(xiàn)方法研究[A];《測繪通報》測繪科學(xué)前沿技術(shù)論壇摘要集[C];2008年

9 于洋;陳曉東;俞承芳;李旦;;基于FPGA平臺的虛擬機建模與仿真[A];2007'儀表，自動化及先進集成技術(shù)大會論文集（一）[C];2007年

10 丁濤;郝沁汾;張冰;;內(nèi)核虛擬機調(diào)度策略的研究與分析[A];'2010系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會議論文集[C];2010年

相關(guān)重要報紙文章 前10條

1 ;虛擬機的生與死[N];網(wǎng)絡(luò)世界;2008年

2 本報記者 卜娜;高性能Java虛擬機將在中國云市場釋能[N];中國計算機報;2012年

3 本報記者 邱燕娜;如何告別虛擬機管理煩惱[N];中國計算機報;2012年

4 ;首批通過云計算產(chǎn)品虛擬機管理測評名單[N];中國電子報;2014年

5 申琳;虛擬機泛濫 系統(tǒng)安全怎么辦[N];中國計算機報;2008年

6 Tom Henderson邋沈建苗 編譯;虛擬機管理的五大問題[N];計算機世界;2008年

7 盆盆;真實的虛擬機[N];中國電腦教育報;2004年

8 本版編輯　綜合 編譯整理 田夢;管理好虛擬機的全生命周期[N];計算機世界;2008年

9 李婷;中國研制出全球最快反病毒虛擬機[N];人民郵電;2009年

10 張弛;虛擬機遷移走向真正自由[N];網(wǎng)絡(luò)世界;2010年

相關(guān)博士學(xué)位論文 前10條

1 宋翔;多核虛擬環(huán)境的性能及可伸縮性研究[D];復(fù)旦大學(xué);2014年

2 王桂平;云環(huán)境下面向可信的虛擬機異常檢測關(guān)鍵技術(shù)研究[D];重慶大學(xué);2015年

3 周真;云平臺下運行環(huán)境感知的虛擬機異常檢測策略及算法研究[D];重慶大學(xué);2015年

4 郭芬;面向虛擬機的云平臺資源部署與調(diào)度研究[D];華南理工大學(xué);2015年

5 周傲;高可靠云服務(wù)供應(yīng)關(guān)鍵技術(shù)研究[D];北京郵電大學(xué);2015年

6 劉圣卓;面向虛擬集群的鏡像存儲與傳輸優(yōu)化[D];清華大學(xué);2015年

7 彭成磊;云數(shù)據(jù)中心綠色節(jié)能需求的虛擬機負載均衡技術(shù)研究[D];南京大學(xué);2016年

8 趙長名;IaaS云中基于資源感知的虛擬機資源管埋[D];電子科技大學(xué);2016年

9 許小龍;支持綠色云計算的資源調(diào)度方法及關(guān)鍵技術(shù)研究[D];南京大學(xué);2016年

10 衷宜;虛擬化系統(tǒng)中的軟件自愈相關(guān)技術(shù)研究[D];南京理工大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 潘飛;負載相關(guān)的虛擬機放置策略研究[D];杭州電子科技大學(xué);2011年

2 王建一;混合型桌面云高可用性研究與實現(xiàn)[D];華南理工大學(xué);2015年

3 周衡;云計算環(huán)境下虛擬機優(yōu)化調(diào)度策略研究[D];河北大學(xué);2015年

4 羅仲皓;基于OpenStack的私有云計算平臺的設(shè)計與實現(xiàn)[D];華南理工大學(xué);2015年

5 李子堂;面向負載均衡的虛擬機動態(tài)遷移優(yōu)化研究[D];遼寧大學(xué);2015年

6 張煜;基于OpenStack的“實驗云”平臺的研究與開發(fā)[D];西南交通大學(xué);2015年

7 曾文琦;面向應(yīng)用服務(wù)的云規(guī)模虛似機性能監(jiān)控與負載分析技術(shù)研究[D];復(fù)旦大學(xué);2013年

8 施繼成;面向多核處理器的虛擬機性能優(yōu)化[D];復(fù)旦大學(xué);2014年

9 游井輝;基于虛擬機動態(tài)遷移的資源調(diào)度策略研究[D];華南理工大學(xué);2015年

10 方良英;云平臺的資源優(yōu)化管理研究與實現(xiàn)[D];南京師范大學(xué);2015年

，

本文編號：2220381