本文關(guān)鍵詞：基于負(fù)載特征的虛擬機動態(tài)放置策略研究，由筆耕文化傳播整理發(fā)布。

【摘要】：目前云計算相關(guān)研究領(lǐng)域普遍關(guān)注的兩個問題是如何保證用戶的服務(wù)等級協(xié)議(SLA)和提高數(shù)據(jù)中心的資源利用效率。虛擬化技術(shù)是云計算資源管理的關(guān)鍵技術(shù)，而虛擬機動態(tài)放置策略則是虛擬化資源管理的重要手段。它包括遷移時機的確定、待遷移虛擬機的選擇和目標(biāo)節(jié)點的重定位三個步驟。本文的目標(biāo)是設(shè)計一套包含這三個步驟的、完整高效的、更適合云計算環(huán)境的虛擬機動態(tài)放置策略。 針對遷移時機的確定問題，本文提出一種基于負(fù)載歷史記錄的預(yù)測判斷機制，，通過合理預(yù)測未來時刻的負(fù)載信息，起到大幅度減少遷移次數(shù)的作用；針對待遷移虛擬機的選擇問題，提出了一種“過濾+資源配對”的分步選擇機制。首先對待遷移節(jié)點上的候選虛擬機進(jìn)行過濾，確保不適合遷移的虛擬機被排除到待遷移虛擬機集合之外。然后通過基于時間的資源互補性配對原理，對待遷移虛擬機進(jìn)行多次配對。通過配對，減小了虛擬機之間對節(jié)點的資源競爭，達(dá)到提高資源利用效率的目的。選擇策略提出負(fù)載內(nèi)存比的概念，該機制的提出，有助于盡可能多的釋放節(jié)點資源的同時，造成盡可能少的遷移開銷；針對虛擬機到宿主節(jié)點的重定位問題，提出了一種面向負(fù)載特征的、基于自適應(yīng)變異粒子群算法(AMPSO,Adaptive Mutation Particle Swarm Optimization)的映射策略。策略充分考慮了節(jié)點的多種物理資源和節(jié)點的資源異構(gòu)性特征，將最大化數(shù)據(jù)中心的資源利用率，最小化SLA違反率的同時保證數(shù)據(jù)中心負(fù)載均衡作為優(yōu)化目標(biāo)，并通過仿真實驗驗證了其有效性。三個步驟涉及的機制之間相互關(guān)聯(lián)，互相配合，共同組成一套完整高效的虛擬機動態(tài)放置方法。通過對本文策略涉及的三個步驟分別進(jìn)行實驗和對比，驗證了本文提出的基于負(fù)載特征的虛擬機動態(tài)放置策略更加適合云計算環(huán)境，對于解決數(shù)據(jù)中心的資源再分配管理問題更加高效。
【關(guān)鍵詞】：云計算 虛擬機放置 自適應(yīng)變異粒子群 服務(wù)等級協(xié)議 資源利用率
【學(xué)位授予單位】：重慶大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TP302
【目錄】：

• 摘要3-4
• ABSTRACT4-7
• 1 緒論7-12
• 1.1 課題背景和意義7-8
• 1.2 研究現(xiàn)狀8-10
• 1.3 主要研究內(nèi)容10-11
• 1.4 論文組織結(jié)構(gòu)11-12
• 2 虛擬機動態(tài)放置相關(guān)研究12-18
• 2.1 虛擬機動態(tài)放置有效指標(biāo)體系12-15
• 2.1.1 用戶訪問質(zhì)量指標(biāo)12
• 2.1.2 資源利用率指標(biāo)12-13
• 2.1.3 網(wǎng)絡(luò)流量指標(biāo)13
• 2.1.4 負(fù)載均衡指標(biāo)13-14
• 2.1.5 虛擬機遷移次數(shù)指標(biāo)14-15
• 2.2 傳統(tǒng)虛擬機動態(tài)放置策略應(yīng)用于云計算環(huán)境時的缺點15-16
• 2.2.1 遷移的異構(gòu)性15
• 2.2.3 遷移的決策15-16
• 2.2.4 遷移的控制16
• 2.3 虛擬機放置相關(guān)的理論問題16-17
• 2.3.1 多目標(biāo)優(yōu)化問題16-17
• 2.4 本章小結(jié)17-18
• 3 虛擬機動態(tài)放置先導(dǎo)性分析18-24
• 3.1 虛擬機動態(tài)放置策略的分步解析18-21
• 3.1.1 遷移時機的確定18-19
• 3.1.2 待遷移虛擬機的選取19-21
• 3.1.3 目標(biāo)節(jié)點的定位21
• 3.2 自適應(yīng)變異粒子群算法21-23
• 3.3 本章小結(jié)23-24
• 4 基于負(fù)載特征的虛擬機動態(tài)放置策略24-35
• 4.1 基于時間序列預(yù)測的觸發(fā)機制24-26
• 4.2 基于資源互補性的多配對的選擇策略26-31
• 4.2.1 候選虛擬機的選擇27-28
• 4.2.2 虛擬機的資源互補性配對28-31
• 4.3 基于自適應(yīng)變異粒子群的定位和映射算法31-33
• 4.3.1 適應(yīng)度函數(shù)32-33
• 4.3.2 問題解編碼33
• 4.3.3 算法步驟33
• 4.4 本章小結(jié)33-35
• 5 仿真實驗與分析35-46
• 5.1 云仿真工具 CloudSim 概述35-37
• 5.2 仿真環(huán)境搭建37-39
• 5.3 實驗結(jié)果及分析39-45
• 5.3.1 觸發(fā)機制實驗：與單門限判定方法的對比39-40
• 5.3.2 選擇機制實驗：與基于貪心法則的虛擬機選擇方法的對比40-42
• 5.3.3 映射機制實驗：與傳統(tǒng)峰值分配策略和基本粒子群算法的性能對比42-45
• 5.4 本章小結(jié)45-46
• 6 總結(jié)和展望46-48
• 6.1 論文總結(jié)46-47
• 6.2 進(jìn)一步的研究和展望47-48
• 致謝48-49
• 參考文獻(xiàn)49-51
• 附錄51
• A. 作者在攻讀碩士學(xué)位期間發(fā)表的論文目錄51
• B. 作者在攻讀碩士學(xué)位期間參見的科研成果項目51

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 劉詩海;孫宇清;石維琪;高云偉;;面向可擴展集群環(huán)境的快速虛擬機遷移方法[J];東南大學(xué)學(xué)報(自然科學(xué)版);2011年03期

2 呂振肅,侯志榮;自適應(yīng)變異的粒子群優(yōu)化算法[J];電子學(xué)報;2004年03期

3 張彬彬;羅英偉;汪小林;王振林;孫逸峰;陳昊罡;許卓群;李曉明;;虛擬機全系統(tǒng)在線遷移[J];電子學(xué)報;2009年04期

4 張怡,張擁軍,彭宇行,陳福接;一種基于QoS的多維資源近似最優(yōu)分配算法[J];計算機研究與發(fā)展;2000年10期

5 林正華,馮仁忠;自回歸模型參數(shù)的最小二乘估計[J];吉林大學(xué)自然科學(xué)學(xué)報;2001年02期

6 劉鵬程;陳榕;;面向云計算的虛擬機動態(tài)遷移框架[J];計算機工程;2010年05期

7 孫國飛;谷建華;胡金華;趙天海;;基于預(yù)拷貝的虛擬機動態(tài)內(nèi)存遷移機制改進(jìn)[J];計算機工程;2011年13期

8 李建鋒;彭艦;;云計算環(huán)境下基于改進(jìn)遺傳算法的任務(wù)調(diào)度算法[J];計算機應(yīng)用;2011年01期

9 張春艷;劉清林;孟珂;;基于蟻群優(yōu)化算法的云計算任務(wù)分配[J];計算機應(yīng)用;2012年05期

10 王浩;;云存儲與網(wǎng)絡(luò)相互影響的研究[J];計算機工程;2013年10期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 趙佳;虛擬機動態(tài)遷移的關(guān)鍵問題研究[D];吉林大學(xué);2013年

2 馬飛;云數(shù)據(jù)中心中虛擬機放置和實時遷移研究[D];北京交通大學(xué);2013年

  本文關(guān)鍵詞：基于負(fù)載特征的虛擬機動態(tài)放置策略研究，由筆耕文化傳播整理發(fā)布。

本文編號：465599