多維度資源云數(shù)據(jù)中心環(huán)境下,資源利用率及系統(tǒng)能耗的同步優(yōu)化是必須解決的問(wèn)題。針對(duì)該問(wèn)題,提出一種基于蟻群優(yōu)化的虛擬機(jī)部署與合并算法。建立多維矢量裝箱的虛擬機(jī)部署模型,定義模型優(yōu)化目標(biāo);為了獲取多維資源占用信息,設(shè)計(jì)基于矢量代數(shù)的多維資源利用模型;設(shè)計(jì)基于蟻群優(yōu)化的虛擬機(jī)合并算法,通過(guò)信息素機(jī)制、啟發(fā)信息、偽隨機(jī)正比例規(guī)則及全局信息素更新機(jī)制,得到虛擬機(jī)部署的全局最優(yōu)解。實(shí)驗(yàn)結(jié)果表明,比較同類型啟發(fā)式算法,該算法在降低數(shù)據(jù)中心能耗與資源浪費(fèi)方面均取得了更好的表現(xiàn)。 

【文章來(lái)源】：計(jì)算機(jī)應(yīng)用與軟件. 2020年05期 北大核心

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

PE值對(duì)比圖

圖1-圖4給出了1 000個(gè)VM需求時(shí)算法的各項(xiàng)性能指標(biāo),包括活動(dòng)PM的數(shù)量、VM裝箱效率、總體功耗及能效改善效率。實(shí)驗(yàn)中設(shè)置Eidle=162 W,Efull=215 W。由圖可知,ACO-VMPC在各項(xiàng)指標(biāo)上均優(yōu)于其他算法。同時(shí),ACO-VMPC算法獲得了接近于期望平均值的PE。以上結(jié)果表明,ACO-VMPC算法中的信息素更新機(jī)制和偽隨機(jī)正比例規(guī)則下的螞蟻尋優(yōu)是有效可行的,它可以找到虛擬機(jī)與主機(jī)間的能效最優(yōu)映射解。相比而言,MMVMC算法得到的活動(dòng)PM數(shù)量?jī)H次于本文算法結(jié)果,原因在于該算法采用了自適應(yīng)最大最小蟻群優(yōu)化機(jī)制,但其信息素的更新機(jī)制是基于傳統(tǒng)蟻群搜索算法的。另外三種算法中,矢量貪婪算法VectorGreedy綜合性能是最優(yōu)的,它與另外兩種算法的最大區(qū)別在于有效地進(jìn)行了虛擬機(jī)的合并,這使得最終的活動(dòng)的主機(jī)數(shù)量有所降低,資源利用率也更高。圖2 PE值對(duì)比圖

能耗對(duì)比圖


本文編號(hào)：2940138