本文關(guān)鍵詞：云計算數(shù)據(jù)中心若干節(jié)能優(yōu)化算法

  更多相關(guān)文章： 云計算 節(jié)能算法 虛擬機遷移 虛擬機整合 蜂群算法

【摘要】：隨著云計算在世界各國的蓬勃發(fā)展,云數(shù)據(jù)中心中的服務(wù)器及其配套設(shè)備的規(guī)模持續(xù)高速增長。為保證對用戶的服務(wù)質(zhì)量,快速響應(yīng)變得尤為重要,而快速響應(yīng)依托于海量服務(wù)器的協(xié)同運作。然而,海量服務(wù)器使云數(shù)據(jù)中心能耗驚人,且當(dāng)前云數(shù)據(jù)中心的資源利用率還處于較低水平,這無形之中就推高了云服務(wù)提供商的運營成本。因此,云計算數(shù)據(jù)中心中的節(jié)能問題亟待解決。當(dāng)前,大量國內(nèi)外學(xué)者關(guān)注云計算數(shù)據(jù)中心的節(jié)能問題,主要的節(jié)能解決策略包括硬件節(jié)能策略和軟件節(jié)能策略兩個方面。其中,硬件節(jié)能策略已達到一定的瓶頸,而軟件節(jié)能策略通過虛擬化技術(shù)能有效解決數(shù)據(jù)中心中的負載均衡問題,是當(dāng)前研究的熱點,也是本文關(guān)注的焦點。虛擬機整合又是當(dāng)前最重要的軟件節(jié)能策略之一。虛擬機整合包括源主機選擇、虛擬機選擇和虛擬機分配三大關(guān)鍵環(huán)節(jié)。然而,現(xiàn)有的源主機選擇算法往往基于CPU處理性能來構(gòu)建模型,未考慮數(shù)據(jù)密集型作業(yè)的處理特點,而虛擬機選擇和虛擬機分配過程中又往往存在著局部較優(yōu)、選擇反復(fù)等現(xiàn)象,難以獲得全局最優(yōu)解。因此,本文就源主機選擇問題綜合考慮CPU利用率和RAM利用率,采用靜態(tài)雙閾值的方式對源主機進行選擇,并立足于虛擬機選擇和虛擬機分配兩個關(guān)鍵點,結(jié)合改進的反向蜂群算法的優(yōu)化思想和啟發(fā)式思想的優(yōu)點,分別提出數(shù)據(jù)云中基于啟發(fā)式反向蜂群的虛擬機選擇節(jié)能算法(ABCS)和數(shù)據(jù)云中基于啟發(fā)式反向蜂群的虛擬機分配節(jié)能算法(ABCA),進而將源主機選擇算法、ABCS算法與ABCA算法整合為數(shù)據(jù)云中基于啟發(fā)式反向蜂群的虛擬機整合節(jié)能算法(ABCC)。旨在尋求虛擬機的選擇和分配問題的全局最優(yōu)解,從而實現(xiàn)數(shù)據(jù)中心負載均衡,并提高服務(wù)器的資源利用率,關(guān)閉或休眠空閑節(jié)點以節(jié)省能耗。這不僅降低了云服務(wù)提供商的運營成本,同時也減少了因CO2排放造成的環(huán)境污染。在云計算模擬器CloudSim3.0中的實驗結(jié)果表明:ABCC算法與其他幾大經(jīng)典的虛擬機選擇和分配算法組合而成的整合算法相比較,能大幅度降低虛擬機遷移次數(shù),并在保證服務(wù)質(zhì)量(QoS)的前提下,能在CloudSim3.0模擬器中經(jīng)典的虛擬機整合策略基礎(chǔ)上有效降低云計算數(shù)據(jù)中心的能耗(節(jié)約25%~30%)。
【關(guān)鍵詞】：云計算 節(jié)能算法 虛擬機遷移 虛擬機整合 蜂群算法
【學(xué)位授予單位】：吉林財經(jīng)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP308
【目錄】：

• 摘要4-5
• Abstract5-10
• 第1章 緒論10-17
• 1.1 課題研究背景及意義10-12
• 1.2 國內(nèi)外研究現(xiàn)狀12-14
• 1.3 課題的主要工作14-15
• 1.4 論文的內(nèi)容安排15-17
• 第2章 面向云計算的虛擬機整合及人工蜂群算法簡介17-29
• 2.1 云計算概述17-20
• 2.1.1 云計算概念與分類17-19
• 2.1.2 云計算實現(xiàn)機制19-20
• 2.2 云計算關(guān)鍵技術(shù)20-23
• 2.2.1 數(shù)據(jù)存儲技術(shù)20
• 2.2.2 海量數(shù)據(jù)處理技術(shù)20-21
• 2.2.3 虛擬化技術(shù)21-22
• 2.2.4 快速部署技術(shù)22
• 2.2.5 資源調(diào)度技術(shù)22-23
• 2.3 虛擬機整合23-26
• 2.3.1 負載均衡概述23-24
• 2.3.2 虛擬機動態(tài)遷移技術(shù)24
• 2.3.3 源主機選擇24-25
• 2.3.4 虛擬機選擇25-26
• 2.3.5 虛擬機分配26
• 2.4 人工蜂群算法26-28
• 2.4.1 人工蜂群算法簡介26-27
• 2.4.2 改進的基于反向的人工蜂群算法27-28
• 2.5 本章小結(jié)28-29
• 第3章 數(shù)據(jù)中心能耗研究與模型構(gòu)建29-34
• 3.1 數(shù)據(jù)中心的能耗分布29-30
• 3.2 單個服務(wù)器能耗分布30-31
• 3.3 能耗評估模型31-33
• 3.3.1 虛擬機能耗評估模型31-32
• 3.3.2 主機能耗評估模型32-33
• 3.4 本章小結(jié)33-34
• 第4章 數(shù)據(jù)云中基于啟發(fā)式反向蜂群的虛擬機整合節(jié)能算法34-46
• 4.1 虛擬機整合問題描述34-36
• 4.2 經(jīng)典的虛擬機選擇算法36-37
• 4.2.1 最小遷移時間策略（MMT）36-37
• 4.2.2 隨機選擇策略（RS）37
• 4.2.3 最大關(guān)聯(lián)策略（MC）37
• 4.3 經(jīng)典的虛擬機分配算法37-38
• 4.3.1 靜態(tài)單閾值策略（THR）37
• 4.3.2 四分位差策略（IQR）37
• 4.3.3 中值絕對偏差策略（MAD）37-38
• 4.4 基于啟發(fā)式反向蜂群的虛擬機整合節(jié)能算法38-45
• 4.4.1 源主機選擇算法38-39
• 4.4.2 基于啟發(fā)式反向蜂群的虛擬機選擇節(jié)能算法（ABCS）39-43
• 4.4.3 基于啟發(fā)式反向蜂群的虛擬機分配節(jié)能算法（ABCA）43-45
• 4.5 本章小結(jié)45-46
• 第5章 仿真實驗與結(jié)果分析46-54
• 5.1 CloudSim簡介46-47
• 5.2 CloudSim實驗平臺擴展構(gòu)建47-49
• 5.2.1 實驗環(huán)境47-48
• 5.2.2 平臺擴展與編譯48
• 5.2.3 仿真實驗數(shù)據(jù)48-49
• 5.3 主要實驗參數(shù)介紹49-51
• 5.3.1 數(shù)據(jù)中心總能耗49
• 5.3.2 服務(wù)水平協(xié)議違反率SLAV49-50
• 5.3.3 虛擬機遷移數(shù)量50
• 5.3.4 ESV50-51
• 5.4 實驗結(jié)果與分析51-53
• 5.5 本章小結(jié)53-54
• 第6章 結(jié)論與展望54-55
• 參考文獻55-58
• 在學(xué)期間發(fā)表的科研成果58-59
• 致謝59

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 江南;數(shù)據(jù)中心如何應(yīng)付管理挑戰(zhàn)[J];互聯(lián)網(wǎng)周刊;2001年40期

2 ;簡化管理挑戰(zhàn)——惠普推實用數(shù)據(jù)中心解決方案[J];每周電腦報;2001年67期

3 李慶莉;去數(shù)據(jù)中心看一看——中國銀行華北信息中心計劃處處長云恩善談數(shù)據(jù)中心運行、管理[J];中國金融電腦;2002年12期

4 馬天蔚;;數(shù)據(jù)中心按需造[J];每周電腦報;2002年25期

5 戚麗,蔣東興,武海平,馮珂;校園數(shù)據(jù)中心建設(shè)與管理方法的探索[J];教育信息化;2002年S1期

6 何俊山;您企業(yè)的數(shù)據(jù)中心2003了嗎?[J];微電腦世界;2003年17期

7 ;挖潛數(shù)據(jù)中心[J];金融電子化;2004年07期

8 王琨月;;數(shù)據(jù)中心業(yè)務(wù)就緒[J];每周電腦報;2004年21期

9 包東智;新熱點:創(chuàng)建下一代數(shù)據(jù)中心[J];上海信息化;2005年10期

10 ;把握數(shù)據(jù)中心建設(shè)五大看點[J];中國計算機用戶;2005年10期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 姚，

本文編號：775768