本文選題：節(jié)能高效　切入點(diǎn)：負(fù)載均衡　出處：《南京大學(xué)》2016年博士論文　論文類型：學(xué)位論文

【摘要】：虛擬化技術(shù)作為云計(jì)算中最關(guān)鍵的核心技術(shù),使得商用云數(shù)據(jù)中心可以向用戶提供按需配置的彈性計(jì)算資源。然而,在數(shù)據(jù)中心的部署中,高性能計(jì)算往往是評(píng)價(jià)的最主要標(biāo)準(zhǔn),缺少對(duì)能源消耗和碳排放的關(guān)注。隨著云數(shù)據(jù)中心的規(guī)模越來(lái)越大,其消耗的電能也十分巨大,這不僅帶來(lái)了較高的運(yùn)行成本,而且還產(chǎn)生了較高的二氧化碳排放量。導(dǎo)致數(shù)據(jù)中心耗電量巨大的一個(gè)很重要的原因是計(jì)算資源的低效利用。大量數(shù)據(jù)表明,數(shù)據(jù)中心中大部分服務(wù)器設(shè)備事實(shí)上處于低負(fù)載運(yùn)行狀態(tài),即處于滿負(fù)荷的10%-50%,而這些設(shè)備卻要消耗滿負(fù)載運(yùn)行時(shí)能耗的70%。不僅如此,還帶來(lái)了額外的冷卻系統(tǒng)能耗。在倡導(dǎo)綠色節(jié)能、降低碳排放從而實(shí)現(xiàn)可持續(xù)發(fā)展的今天,云數(shù)據(jù)中心應(yīng)該不僅僅關(guān)注用戶服務(wù)質(zhì)量,而應(yīng)該更加重視提高資源利用率對(duì)能耗的影響,實(shí)現(xiàn)綠色節(jié)能高效的可持續(xù)發(fā)展目標(biāo)。但是,除非開(kāi)發(fā)并應(yīng)用先進(jìn)的節(jié)能資源管理解決方案,否則這些數(shù)據(jù)預(yù)計(jì)將進(jìn)一步快速增長(zhǎng)。本論文重點(diǎn)圍繞以綠色節(jié)能為目標(biāo)的的云數(shù)據(jù)中心資源管理問(wèn)題進(jìn)行研究,在滿足用戶服務(wù)質(zhì)量的前提下,通過(guò)建立能耗模型,對(duì)比分析云環(huán)境下主機(jī)負(fù)載數(shù)據(jù)的新特點(diǎn),提出一系列的主機(jī)負(fù)載檢測(cè)、虛擬機(jī)安置等動(dòng)態(tài)虛擬機(jī)均衡算法,使用真實(shí)云環(huán)境下的主機(jī)負(fù)載數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn),結(jié)果表明,本文提出的多個(gè)算法組合與基準(zhǔn)參考算法相比,都有明顯的性能提升。具體而言,本文的主要工作內(nèi)容和創(chuàng)新點(diǎn)如下：1.針對(duì)高能耗問(wèn)題,對(duì)云計(jì)算系統(tǒng)的節(jié)能技術(shù)進(jìn)行了分類研究。從靜態(tài)和動(dòng)態(tài)功率管理,硬件和軟件層面,操作系統(tǒng)級(jí)、虛擬機(jī)級(jí)和數(shù)據(jù)中心級(jí)等多個(gè)類別展開(kāi)了深入的分析。在研究過(guò)程中,重點(diǎn)從系統(tǒng)資源、優(yōu)化目標(biāo)、節(jié)能技術(shù)、負(fù)載特性等多個(gè)方面進(jìn)行展開(kāi)。重點(diǎn)分析了操作系統(tǒng)級(jí)、虛擬機(jī)以及云數(shù)據(jù)中心級(jí)三方面節(jié)能高效的關(guān)鍵技術(shù)。相關(guān)分類研究對(duì)本文進(jìn)一步開(kāi)展以綠色節(jié)能為目標(biāo)的動(dòng)態(tài)虛擬機(jī)均衡算法研究具有很強(qiáng)的指導(dǎo)意義。2.提出了云計(jì)算環(huán)境下一整套分布式動(dòng)態(tài)虛擬機(jī)均衡的啟發(fā)式算法。提出利用中值絕對(duì)偏差和四分差來(lái)改進(jìn)傳統(tǒng)的設(shè)定靜態(tài)閾值,進(jìn)一步利用局部回歸LR和強(qiáng)局部回歸LRR的動(dòng)態(tài)自適應(yīng)算法進(jìn)行過(guò)載主機(jī)探測(cè)。提出利用最短遷移時(shí)間策略、隨機(jī)選擇策略和最大相關(guān)性策略等三種遷移選擇算法進(jìn)行虛擬機(jī)遷移選擇。將云計(jì)算環(huán)境中的虛擬機(jī)安置問(wèn)題定義為一個(gè)一維裝箱問(wèn)題,設(shè)計(jì)基于功耗的改進(jìn)降序最佳自適應(yīng)啟發(fā)式算法BFD-PA進(jìn)行虛擬機(jī)安置。通過(guò)使用真實(shí)Planetlab云數(shù)據(jù)中心工作負(fù)載數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)。結(jié)果表明,所提出的結(jié)合局部回歸算法和最短遷移時(shí)間策略來(lái)實(shí)現(xiàn)虛擬機(jī)均衡的綜合算法顯著優(yōu)于其他動(dòng)態(tài)虛擬機(jī)均衡算法,能夠大大降低SLA違例情況和并減少虛擬機(jī)遷移的數(shù)量。3.提出了基于相空間重構(gòu)(PSR)和數(shù)據(jù)組合處理進(jìn)化方法(EA-GMDH)的組合算法,首次將其用于云計(jì)算環(huán)境下的主機(jī)負(fù)載預(yù)測(cè)領(lǐng)域。利用PSR方法,將一維工作負(fù)載的時(shí)間序列重構(gòu)成了多維空間中的時(shí)間序列,送入EA-GMDH神經(jīng)網(wǎng)絡(luò),通過(guò)訓(xùn)練和學(xué)習(xí)得到最終的預(yù)測(cè)結(jié)果。通過(guò)使用真實(shí)Google云數(shù)據(jù)中心工作負(fù)載數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)。本文提出的EA-GMDH算法在平均負(fù)載預(yù)測(cè)和精確負(fù)載預(yù)測(cè)兩個(gè)方面都好于對(duì)比的基準(zhǔn)算法：Bayes, EMA, LWMA, LMA, AR, ANN和PP等。4.提出了一種全新的實(shí)現(xiàn)云環(huán)境下主機(jī)負(fù)載預(yù)測(cè)的方法,利用Autoencoder自編碼網(wǎng)絡(luò)和Softmax分類器,將回歸問(wèn)題轉(zhuǎn)換成分類問(wèn)題,再次提升了負(fù)載預(yù)測(cè)的準(zhǔn)確度。通過(guò)無(wú)監(jiān)督學(xué)習(xí)方法成功地將歷史窗口中的負(fù)載數(shù)據(jù)特征提取出來(lái)。基于這些提取的特征,利用分類器,成功地獲得了負(fù)載數(shù)據(jù)的預(yù)測(cè)結(jié)果。同樣,通過(guò)使用Google云數(shù)據(jù)中心的工作負(fù)載數(shù)據(jù)作為數(shù)據(jù)源進(jìn)行仿真。與基準(zhǔn)參照算法ANN、Bayes以及EA-GMDH算法相比,提出的新算法可以獲得更高的準(zhǔn)確度性能,從而更好地為實(shí)現(xiàn)云環(huán)境下更為精確的動(dòng)態(tài)虛擬機(jī)均衡提供服務(wù)和支撐,最終達(dá)到在滿足QoS要求下降低系統(tǒng)整體能耗的目的。
[Abstract]:Virtualization technology as the core technology of the key cloud computing, makes the commercial cloud data center can provide on-demand computing resources allocation flexibility to the user. However, in the data center deployment, high performance computing often is the main evaluation standard, lack of energy consumption and carbon emissions. With the cloud data center the increasingly large scale, its power consumption is also very great, which not only brings higher operating costs, but also produce carbon dioxide emissions higher. Lead to huge data center power consumption is a very important reason is the inefficient use of computational resources. A large amount of data shows that, in a state of low load operation most in fact, the data center server device, which is in full load 10%-50%, and these devices are consumed at full load energy consumption 70%. not only that, but also brought additional cooling system The system energy consumption. In promoting green energy, reduce carbon emissions and achieve sustainable development today, cloud data center should not only pay attention to customer service, but should pay more attention to improving the utilization rate of resources impact on energy consumption, realize sustainable development of green energy saving and high efficiency. However, unless such resource management the development and application of advanced solutions otherwise, the data is expected to further rapid growth. This thesis focuses on the study of the green energy-saving goal of the cloud data center resource management issues, in order to meet the demand of customer service quality, through the establishment of energy consumption model, comparative analysis of the host cloud environment load characteristics data, put forward a series of host load detection. The virtual machine placement virtual machine dynamic balancing algorithm, using real host cloud environment simulation results show that the load data. Compared with proposed algorithm combined with reference datum, have significantly better performance. Specifically, the main contents and innovations of this paper are as follows: 1.. Aiming at the problem of high energy consumption, energy saving calculation technology system classified research on cloud. From the static and dynamic power management, hardware and software level, operating system class, virtual machine level and data center level and other categories in-depth analysis. In the course of the study, focusing on the system resources, the optimization goal, energy-saving technology, many aspects of the load characteristics were analyzed. The operating system level, three key technologies of energy efficient virtual machine and cloud data center level. Classification of equalization algorithm has a strong guiding significance of.2. put forward a set of distributed cloud computing environment for the further dynamic virtual machine to green energy-saving target The heuristic algorithm of dynamic equilibrium. This virtual machine uses the median absolute deviation and four points to improve the traditional static threshold setting, the further use of dynamic adaptive local regression algorithm LR and strong local regression LRR overload detection. Using the shortest host migration time strategy, random selection strategy and the maximum correlation of three kinds of migration strategies selection algorithm for virtual machine migration. Cloud computing environment of virtual machine placement problem is defined as a one-dimensional packing problem, improved design of descending optimal adaptive heuristic algorithm BFD-PA power based on virtual machine placement. Through the use of real Planetlab cloud data center work load data simulation experiments. The results show that the combination of local regression algorithm and the shortest time migration strategy to achieve comprehensive and balanced algorithm of virtual machine is significantly better than that of the other dynamic virtual machine Equalization algorithm, which can greatly reduce the SLA violation and.3. reduced the number of virtual machine migration is proposed based on phase space reconstruction (PSR) and the combination of data processing methods (EA-GMDH) combination of evolutionary algorithm, for the first time for cloud computing environment of host load prediction. By using the PSR method, the time series of one dimensional work load the form of time series in a multidimensional space, into the EA-GMDH neural network, the forecasting results through training and learning. Through the use of real Google cloud data center work load data by simulation experiment. This paper presents the EA-GMDH algorithm in average load forecasting and accurate load forecasting algorithm benchmark two aspects are better than the contrast Bayes, EMA, LWMA, LMA, AR, ANN and PP.4. proposed a new implementation of the cloud environment host load prediction method, using Autoencoder network and self encoding The Softmax classifier will return problem into a classification problem, again to enhance the load forecasting accuracy. Through an unsupervised learning method successfully the history window in the load data feature extraction. Using these extracted feature classifier, based on the successful prediction results of load data. Also, through the use of Google cloud the data center work load data as the data source for simulation. With the reference algorithm ANN, compared with Bayes and EA-GMDH algorithm, the proposed algorithm can obtain higher accuracy performance, to better realize the cloud environment for dynamic virtual machine precise balance to provide service and support, to reduce the overall system in the energy consumption to meet the requirements of QoS.

【學(xué)位授予單位】：南京大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP308

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 曹曉剛;;Java虛擬機(jī)的10年[J];程序員;2005年07期

2 宋韜;盤細(xì)平;羅元柯;倪國(guó)軍;;Java虛擬機(jī)在嵌入式DSP系統(tǒng)上的實(shí)現(xiàn)[J];計(jì)算機(jī)應(yīng)用與軟件;2007年04期

3 劉黎波;;Java虛擬機(jī)攔截原理研究[J];科技風(fēng);2008年21期

4 劉治波;;Java虛擬機(jī)簡(jiǎn)析[J];濟(jì)南職業(yè)學(xué)院學(xué)報(bào);2008年01期

5 郝帥;;Java虛擬機(jī)中相關(guān)技術(shù)的探討[J];成功(教育);2008年08期

6 李霞;;系統(tǒng)虛擬機(jī)關(guān)鍵技術(shù)研究[J];微型電腦應(yīng)用;2010年03期

7 鄭曉瓏;孔挺;;虛擬機(jī)的安全風(fēng)險(xiǎn)與管理[J];硅谷;2010年16期

8 李學(xué)昌;平淡;;為速度而戰(zhàn),虛擬機(jī)內(nèi)外兼修[J];電腦愛(ài)好者;2010年18期

9 王惠萍;張海龍;馮帆;王建華;;Java虛擬機(jī)使用及優(yōu)化[J];計(jì)算機(jī)與網(wǎng)絡(luò);2010年21期

10 鄭婷婷;武延軍;賀也平;;云計(jì)算環(huán)境下的虛擬機(jī)快速克隆技術(shù)[J];計(jì)算機(jī)工程與應(yīng)用;2011年13期

相關(guān)會(huì)議論文 前10條

1 孟廣平;;虛擬機(jī)漂移網(wǎng)絡(luò)連接方法探討[A];中國(guó)計(jì)量協(xié)會(huì)冶金分會(huì)2011年會(huì)論文集[C];2011年

2 段翼真;王曉程;;可信安全虛擬機(jī)平臺(tái)的研究[A];第26次全國(guó)計(jì)算機(jī)安全學(xué)術(shù)交流會(huì)論文集[C];2011年

3 李明宇;張倩;呂品;;網(wǎng)絡(luò)流量感知的虛擬機(jī)高可用動(dòng)態(tài)部署研究[A];2014第二屆中國(guó)指揮控制大會(huì)論文集（上）[C];2014年

4 林紅;;Java虛擬機(jī)面向數(shù)字媒體的應(yīng)用研究[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展——全國(guó)第17屆計(jì)算機(jī)科學(xué)與技術(shù)應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集（上冊(cè)）[C];2006年

5 楊旭;彭一明;刑承杰;李若淼;;基于VMware vSphere 5虛擬機(jī)的備份系統(tǒng)實(shí)現(xiàn)[A];中國(guó)高等教育學(xué)會(huì)教育信息化分會(huì)第十二次學(xué)術(shù)年會(huì)論文集[C];2014年

6 沈敏虎;查德平;劉百祥;趙澤宇;;虛擬機(jī)網(wǎng)絡(luò)部署與管理研究[A];中國(guó)高等教育學(xué)會(huì)教育信息化分會(huì)第十次學(xué)術(shù)年會(huì)論文集[C];2010年

7 李英壯;廖培騰;孫夢(mèng);李先毅;;基于云計(jì)算的數(shù)據(jù)中心虛擬機(jī)管理平臺(tái)的設(shè)計(jì)[A];中國(guó)高等教育學(xué)會(huì)教育信息化分會(huì)第十次學(xué)術(shù)年會(huì)論文集[C];2010年

8 朱欣焰;蘇科華;毛繼國(guó);龔健雅;;GIS符號(hào)虛擬機(jī)及實(shí)現(xiàn)方法研究[A];《測(cè)繪通報(bào)》測(cè)繪科學(xué)前沿技術(shù)論壇摘要集[C];2008年

9 于洋;陳曉東;俞承芳;李旦;;基于FPGA平臺(tái)的虛擬機(jī)建模與仿真[A];2007'儀表，自動(dòng)化及先進(jìn)集成技術(shù)大會(huì)論文集（一）[C];2007年

10 丁濤;郝沁汾;張冰;;內(nèi)核虛擬機(jī)調(diào)度策略的研究與分析[A];'2010系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2010年

相關(guān)重要報(bào)紙文章 前10條

1 ;虛擬機(jī)的生與死[N];網(wǎng)絡(luò)世界;2008年

2 本報(bào)記者 卜娜;高性能Java虛擬機(jī)將在中國(guó)云市場(chǎng)釋能[N];中國(guó)計(jì)算機(jī)報(bào);2012年

3 本報(bào)記者 邱燕娜;如何告別虛擬機(jī)管理煩惱[N];中國(guó)計(jì)算機(jī)報(bào);2012年

4 ;首批通過(guò)云計(jì)算產(chǎn)品虛擬機(jī)管理測(cè)評(píng)名單[N];中國(guó)電子報(bào);2014年

5 申琳;虛擬機(jī)泛濫 系統(tǒng)安全怎么辦[N];中國(guó)計(jì)算機(jī)報(bào);2008年

6 Tom Henderson邋沈建苗 編譯;虛擬機(jī)管理的五大問(wèn)題[N];計(jì)算機(jī)世界;2008年

7 盆盆;真實(shí)的虛擬機(jī)[N];中國(guó)電腦教育報(bào);2004年

8 本版編輯　綜合 編譯整理 田夢(mèng);管理好虛擬機(jī)的全生命周期[N];計(jì)算機(jī)世界;2008年

9 李婷;中國(guó)研制出全球最快反病毒虛擬機(jī)[N];人民郵電;2009年

10 張弛;虛擬機(jī)遷移走向真正自由[N];網(wǎng)絡(luò)世界;2010年

相關(guān)博士學(xué)位論文 前10條

1 宋翔;多核虛擬環(huán)境的性能及可伸縮性研究[D];復(fù)旦大學(xué);2014年

2 王桂平;云環(huán)境下面向可信的虛擬機(jī)異常檢測(cè)關(guān)鍵技術(shù)研究[D];重慶大學(xué);2015年

3 周真;云平臺(tái)下運(yùn)行環(huán)境感知的虛擬機(jī)異常檢測(cè)策略及算法研究[D];重慶大學(xué);2015年

4 郭芬;面向虛擬機(jī)的云平臺(tái)資源部署與調(diào)度研究[D];華南理工大學(xué);2015年

5 周傲;高可靠云服務(wù)供應(yīng)關(guān)鍵技術(shù)研究[D];北京郵電大學(xué);2015年

6 代煒琦;云計(jì)算執(zhí)行環(huán)境可信構(gòu)建關(guān)鍵技術(shù)研究[D];華中科技大學(xué);2015年

7 劉圣卓;面向虛擬集群的鏡像存儲(chǔ)與傳輸優(yōu)化[D];清華大學(xué);2015年

8 彭成磊;云數(shù)據(jù)中心綠色節(jié)能需求的虛擬機(jī)負(fù)載均衡技術(shù)研究[D];南京大學(xué);2016年

9 趙長(zhǎng)名;IaaS云中基于資源感知的虛擬機(jī)資源管埋[D];電子科技大學(xué);2016年

10 陳彬;分布環(huán)境下虛擬機(jī)按需部署關(guān)鍵技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 潘飛;負(fù)載相關(guān)的虛擬機(jī)放置策略研究[D];杭州電子科技大學(xué);2011年

2 李子堂;面向負(fù)載均衡的虛擬機(jī)動(dòng)態(tài)遷移優(yōu)化研究[D];遼寧大學(xué);2015年

3 張煜;基于OpenStack的“實(shí)驗(yàn)云”平臺(tái)的研究與開(kāi)發(fā)[D];西南交通大學(xué);2015年

4 曾文琦;面向應(yīng)用服務(wù)的云規(guī)模虛似機(jī)性能監(jiān)控與負(fù)載分析技術(shù)研究[D];復(fù)旦大學(xué);2013年

5 施繼成;面向多核處理器的虛擬機(jī)性能優(yōu)化[D];復(fù)旦大學(xué);2014年

6 于暉;基于ARM平臺(tái)的Java智能卡虛擬機(jī)研究與實(shí)現(xiàn)[D];上海交通大學(xué);2015年

7 王志遠(yuǎn);多數(shù)據(jù)中心的虛擬機(jī)調(diào)度算法研究和實(shí)現(xiàn)[D];上海交通大學(xué);2015年

8 毛亞強(qiáng);基于Xen虛擬化技術(shù)的混合監(jiān)控度量框架研究[D];上海交通大學(xué);2015年

9 李傳云;KVM虛擬機(jī)熱遷移算法分析及優(yōu)化[D];浙江大學(xué);2016年

10 曲曉雅;負(fù)載感知的虛擬機(jī)初始化放置和遷移時(shí)機(jī)判決機(jī)制的研究[D];北京交通大學(xué);2016年

，

本文編號(hào)：1611185