本文關鍵詞：云計算環(huán)境下基于改進粒子群算法的動態(tài)資源調(diào)度研究

  更多相關文章： 云資源調(diào)度 粒子群算法 虛擬機遷移 CloudSim

【摘要】：由于云數(shù)據(jù)中心包括多種物理設備以及網(wǎng)絡設備,資源管理量龐大,在靜態(tài)資源管理的很多情況會出現(xiàn)少數(shù)物理設備負載過重而多數(shù)設備負載過輕或者閑置的現(xiàn)象,導致利用率過低并且造成不必要的開銷,實現(xiàn)云數(shù)據(jù)中心高利用率以及負載均衡的目標對解決目前所存在的挑戰(zhàn)具有十分重要的意義。本文通過分析云計算資源調(diào)度特點及問題,提出了基于改進粒子群算法的虛擬機放置方法以及虛擬機動態(tài)遷移策略,主要做了以下工作：(1)對云數(shù)據(jù)中心建立數(shù)學模型,抽象數(shù)據(jù)中心,對云數(shù)據(jù)中心資源進行了分析和數(shù)學描述,對CPU,內(nèi)存,網(wǎng)絡三種資源進行量化,便于實驗研究。(2)對粒子群算法更新公式進行改進,使得粒子群算法能夠在整數(shù)集上運用,并改變相關參數(shù)定義,使之能夠適應云數(shù)據(jù)中心的數(shù)學模型運用。改進算法步驟,對利用率和負載均衡共同關注,通過最大最小函數(shù)解出多種資源請求下的最優(yōu)解,增加迭代中子代粒子種群數(shù)量,增加采樣區(qū)域,使得虛擬機得到更好的部署,減少數(shù)據(jù)中心的開銷。(3)提出基于預測的虛擬機遷移策略,減少不必要的虛擬機遷移以免引起系統(tǒng)不穩(wěn)定和額外開銷。設計了基于預測的虛擬機遷移觸發(fā)條件,減少瞬間峰值帶來不必要遷移。選擇最少遷移次數(shù)作為虛擬機遷出策略,減少遷移次數(shù)。使用最佳適應算法作為目標物理機選擇策略。解決了1、選擇何時進行虛擬機遷移；2、選擇哪些虛擬機進行遷出；3、選擇哪些物理機進行遷入的三個問題。(4)在云計算仿真器CloudSim中進行仿真測試,對比基于貪心算法的輪詢放置方案,基本粒子群算法以及改進的粒子群算法在求解云計算虛擬機部署與調(diào)度問題時的各項性能表現(xiàn),并且通過對比虛擬機遷移前后數(shù)據(jù)中心物理機CPU,內(nèi)存,帶寬三種資源利用率,驗證了基于預測的動態(tài)虛擬機遷移策略的有效性。
【關鍵詞】：云資源調(diào)度 粒子群算法 虛擬機遷移 CloudSim
【學位授予單位】：南京信息工程大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP18;TP302
【目錄】：

• 摘要5-6
• Abstract6-8
• 第一章 緒論8-18
• 1.1 研究背景和意義8-10
• 1.2 國內(nèi)外研究現(xiàn)狀10-15
• 1.2.1 云計算技術的研究現(xiàn)狀10-11
• 1.2.2 云資源調(diào)度研究現(xiàn)狀11-14
• 1.2.3 當前存在的主要問題14-15
• 1.3 論文的主要工作15-16
• 1.4 論文的組織結構16-18
• 第二章 云計算數(shù)據(jù)中心及資源概述18-28
• 2.1 云計算的體系結構18-20
• 2.2 云數(shù)據(jù)中心架構20-22
• 2.3 云資源概述22-25
• 2.4 云資源相關參數(shù)定義25-27
• 2.5 本章小結27-28
• 第三章 基于改進粒子群算法的虛擬機放置方法28-39
• 3.1 標準粒子群算法28-31
• 3.2 帕累托最優(yōu)及最大最小適應函數(shù)31-33
• 3.3 基于改進粒子群虛擬機放置算法33-38
• 3.3.1 問題描述33-34
• 3.3.2 離散化粒子更新公式34-35
• 3.3.3 算法流程35-38
• 3.4 本章小結38-39
• 第四章 基于預測的動態(tài)虛擬機遷移策略39-47
• 4.1 虛擬機遷移技術39-40
• 4.2 相關參數(shù)定義40-41
• 4.3 虛擬機遷移觸發(fā)條件設計41-42
• 4.4 虛擬機選擇遷出策略42-43
• 4.5 目標物理機選擇策略43-44
• 4.6 算法流程44-46
• 4.7 本章小結46-47
• 第五章 算法實驗仿真與結果分析47-59
• 5.1 CloudSim簡介47-51
• 5.1.1 CloudSim的體系結構48-49
• 5.1.2 CloudSim的仿真流程49-50
• 5.1.3 云資源分配策略相關的CloudSim類50-51
• 5.2 實驗對比及分析51-58
• 5.2.1 基于改進粒子群算法的虛擬機放置方法實驗分析51-55
• 5.2.2 基于預測的動態(tài)虛擬機遷移策略實驗分析55-58
• 5.3 本章小結58-59
• 第六章 總結與展望59-61
• 6.1 總結59-60
• 6.2 展望60-61
• 參考文獻61-67
• 致謝67-68
• 作者簡介68

，

本文編號：668692