發(fā)布時間：2021-10-09 13:45

　　在虛擬機放置問題中,傳統(tǒng)啟發(fā)式方法不能完全適用于復雜的云計算環(huán)境,采用智能算法的研究又缺乏對時間開銷的考慮。針對上述問題,提出一種基于Memetic算法的虛擬機放置（Memetic algorithm-based virtual machine placement MAVMP）方法。MAVMP方法針對云數(shù)據(jù)中心運營情況建立了最小化能耗、最小化運行時服務等級協(xié)議違例率（service level agreement violation time per active host, SLATAH）以及最大化資源利用率的多目標優(yōu)化模型,將虛擬機按照資源請求情況進行分類,并利用該分類方法改進了Memetic算法,利用改進后的Memetic算法求解多目標優(yōu)化模型,得到虛擬機放置方案。仿真實驗結果表明,仿真數(shù)據(jù)中心利用MAVMP方法進行虛擬機放置后,其在能耗、資源利用率以及服務質量的評價指標上都有著良好表現(xiàn)。并且,MAVMP方法與已有的基于智能算法的虛擬機放置方法相比計算時間也大幅下降。 

【文章來源】：重慶郵電大學學報(自然科學版). 2020,32(03)北大核心CSCD

【文章頁數(shù)】：12 頁

【部分圖文】：

CPU利用率與功率關系

在Memetic算法中,每個個體代表問題的一個解,由不同個體組成的解的集合稱為種群。個體利用不同基因組成表示不同的解結構。云計算資源調度中生成一次合理的放置方案需要確定虛擬機與物理主機的映射關系。合理的映射關系必須滿足(12)式的約束,即一臺虛擬機只能放置在一臺物理主機上,同一臺物理主機可以放置不同的虛擬機。根據(jù)以上條件,可以對個體進行如圖2的編碼。其中,個體中基因數(shù)量等于待放置的虛擬機數(shù)量。個體上第i個基因存儲了虛擬機i所放置的物理主機編號。例如,圖2中VM(N-1)放置在編號為10的物理主機上。采用這種編碼方式產生的個體顯然可以滿足(12)式的約束。種群初始化時需要確定待放置的物理主機集合。為了縮小解空間,提高算法效率,首先將資源利用率不超過70%的物理主機加入可用物理主機集合。為了避免出現(xiàn)物理主機不能滿足虛擬機資源請求的情況,再將一部分空閑主機加入可用物理主機集合�？臻e物理主機的數(shù)量應保證可以滿足所有待放置虛擬機的資源請求。然后,對集合中的物理主機進行編號。對于個體上的每個基因,利用隨機的方法為其選擇物理主機,判斷隨機得到的物理主機是否滿足(13)式的約束。如果滿足約束則將該物理主機編號填入基因位,否則重新選擇物理主機。智能算法中種群規(guī)模一般與問題規(guī)模相當。但由于Memetic框架的特性,使得Memetic算法相比其他智能集群算法種群規(guī)模小。本文將種群規(guī)模設置為20。

本文將物理主機分別以3種資源的剩余可用量降序排列。物理主機的3種序列使得局部搜索時有3種不同的搜索策略。不同的搜索策略對局部搜索性能有著重要的影響。圖3展示了一臺以CPU為主要資源的虛擬機按照不同的搜索策略產生的搜索路徑。圖3標示了物理主機各個資源的剩余量和虛擬機各個資源的實際請求量以及當前利用率,圖中上方物理主機按照CPU資源降序排列,下方物理主機按照RAM資源降序排列。由圖3可知,該虛擬機按照CPU資源序列進行搜索只需進行一次嘗試,而利用RAM資源進行搜索時則需進行4次嘗試。根據(jù)分析,如果將虛擬機分類融入到局部搜索過程,那么局部搜索的效率能夠得到改善。本文利用虛擬機分類思想改進了Memetic算法的局部搜索策略,多資源約束的Memetic局部搜索策略如算法1。該策略針對個體中的每個基因,首先判斷該基因位所代表的虛擬機的主要資源,然后將待放置物理主機按照主要資源的可用量降序排列,最后將序列中第1個滿足虛擬機資源請求的物理主機編號存入該基因位。

【參考文獻】：
期刊論文
[1]多虛擬機動態(tài)遷移情景下的服務功能鏈調整方法[J]. 古英漢,伊鵬.  小型微型計算機系統(tǒng). 2017(05)
[2]異構云環(huán)境多目標Memetic優(yōu)化任務調度方法[J]. 李智勇,陳少淼,楊波,李仁發(fā).  計算機學報. 2016(02)
[3]基于DEA的能耗感知虛擬機資源分配算法[J]. 陳小嬌,陳世平.  小型微型計算機系統(tǒng). 2015(01)



本文編號：3426502