隨著云數(shù)據(jù)中心越來(lái)越成熟,云計(jì)算逐漸成為了信息技術(shù)行業(yè)的主導(dǎo)計(jì)算模式,但高能耗開銷問(wèn)題也隨之而來(lái)。在云數(shù)據(jù)中心中,大部分物理機(jī)的資源利用率都很低,因此產(chǎn)生了大量的能源浪費(fèi)。虛擬機(jī)整合技術(shù)已經(jīng)被證明是一種高效的節(jié)約能耗的方式,該技術(shù)將數(shù)據(jù)中心中的虛擬機(jī)放置在盡可能少的物理機(jī)上,從而將沒(méi)有運(yùn)行虛擬機(jī)的物理機(jī)切換至低功耗模式以節(jié)約能源。但當(dāng)前的虛擬機(jī)整合算法只針對(duì)運(yùn)行特定應(yīng)用的數(shù)據(jù)中心時(shí)性能表現(xiàn)突出,如CPU密集型應(yīng)用、網(wǎng)絡(luò)應(yīng)用等。因此,為通用的云數(shù)據(jù)中心設(shè)計(jì)一個(gè)通用的虛擬機(jī)整合框架以支持具有不同實(shí)時(shí)特征的物理機(jī)是很有必要的。OpenStack NEAT是一個(gè)整合到OpenStack中的成熟的虛擬機(jī)整合框架,它將虛擬機(jī)整合過(guò)程分解成四個(gè)子問(wèn)題:（1）主機(jī)欠載檢測(cè);（2）主機(jī)過(guò)載檢測(cè);（3）虛擬機(jī)選擇;（4）虛擬機(jī)放置。但該框架也存在缺陷。首先該框架無(wú)法正常運(yùn)行在Ocata版本及更早版本的OpenStack上,且框架中的組件使用的數(shù)據(jù)不一定是最新的。其次,該框架各組件不能進(jìn)行自適應(yīng)的算法選擇以應(yīng)對(duì)不同實(shí)時(shí)特征的物理機(jī),且該框架已實(shí)現(xiàn)算法的性能都較差。最后,該框架的可擴(kuò)展性很差,自定義算法的添加... 

【文章來(lái)源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

超過(guò)5000個(gè)節(jié)點(diǎn)長(zhǎng)達(dá)六個(gè)月的平均CPU用量

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-4-（IQR）[13-15]。其中，MAD是用樣本數(shù)據(jù)相對(duì)于其平均值的絕對(duì)距離來(lái)度量數(shù)據(jù)離散程度，IQR是穩(wěn)健統(tǒng)計(jì)技術(shù)處理中用于表示數(shù)據(jù)分散程度的度量。另外，還有一些針對(duì)虛擬機(jī)選擇與虛擬機(jī)放置算法的研究。Fu等人提出了一個(gè)VM選擇算法——MP（MeetsPerformance）[16]。在這個(gè)算法中他們同時(shí)考慮了CPU資源用量與資源滿足的程度，研究者通過(guò)比較CPU用量偏差與一個(gè)上閾值來(lái)產(chǎn)生選擇策略，以盡可能讓遷移后的主機(jī)資源用量接近過(guò)載閾值。Zhou等人研究了CPU密集型與I/O密集型工作負(fù)載的特征，提出了兩個(gè)虛擬機(jī)選擇算法：CPU利用率與內(nèi)存利用率的最大比率（MRCU）與最小化CPU利用率和內(nèi)存利用率的乘積（MPCU）[17]。Feleke等人提出了一個(gè)考慮異構(gòu)云中能源效率的新的基于裝箱的啟發(fā)式算法，稱為medium-fit[18]。Zhou等人提出了一個(gè)三閾值算法用于虛擬機(jī)放置子問(wèn)題[19]，他們的算法使用40%作為提高能源效率的最優(yōu)閾值區(qū)間。他們還通過(guò)分析歷史數(shù)據(jù)，提出了一個(gè)用于CPU密集型工作負(fù)載的虛擬機(jī)防止算法以減少數(shù)據(jù)中心能源開銷。1.3相關(guān)研究工作的研究1.3.1OpenStackNEAT的系統(tǒng)設(shè)計(jì)圖1-2OpenStackNEAT框架的體系結(jié)構(gòu)

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-8-第2章I-NEAT框架與算法庫(kù)的設(shè)計(jì)與實(shí)現(xiàn)本章首先簡(jiǎn)要介紹了本研究所實(shí)現(xiàn)的智能動(dòng)態(tài)虛擬機(jī)資源管理框架I-NEAT的系統(tǒng)結(jié)構(gòu)，并詳細(xì)介紹其工作流程。接下來(lái)根據(jù)相關(guān)工作的研究對(duì)I-NEAT的算法庫(kù)進(jìn)行了擴(kuò)充，并依次描述了框架中主機(jī)狀態(tài)檢測(cè)、虛擬機(jī)選擇與虛擬機(jī)放置的算法庫(kù)補(bǔ)充。其中，虛擬機(jī)狀態(tài)檢測(cè)算法實(shí)現(xiàn)了一系列新興的數(shù)據(jù)統(tǒng)計(jì)方法與機(jī)器學(xué)習(xí)方法，包括ARIMA、樸素貝葉斯模型、三階馬爾可夫模型、決策樹模型、SVM等。虛擬機(jī)選擇算法在保障主機(jī)負(fù)載狀態(tài)穩(wěn)定的同時(shí)提高了遷移的效率。虛擬機(jī)放置算法通過(guò)啟發(fā)式方法提高了系統(tǒng)的能源效率。2.1I-NEAT框架的整體結(jié)構(gòu)圖2-1I-NEAT框架的體系結(jié)構(gòu)本研究所實(shí)現(xiàn)的I-NEAT框架是基于已有的OpenStackNEAT框架的優(yōu)化版


本文編號(hào)：2957608