论文部分内容阅读
作为一种新兴的商业模式,云计算通过开放的技术和标准把软硬件虚拟化成动态的资源,并以按需服务的形式提供给用户。云计算不仅能够大幅降低购买硬件、能源、制冷等成本,还能够加快应用程序的部署。云计算的核心特征为按需服务,而这也使得云计算环境下资源的管理成为一大难题。由于云资源提供商和云资源使用者之间存在利益上的冲突,现有的大多数研究都是从单一角色出发,研究如何通过资源管理使单一角色受益。在某种程度上,云资源提供商和云资源使用者之间是利益共同体。如果没有云资源使用者租用资源,云资源提供商就不能获取利润;而如果没有云资源提供商提供资源,云资源使用者就不能降低成本。因此,在进行资源管理时,必须综合考虑云资源提供商和云资源使用者的获益,在提高云资源使用者满意度的前提下,实现云资源提供商利润的最大化。首先,研究客户满意度驱动的虚拟机资源分配策略,从合理定价和性能保障两方面来提高云资源使用者的满意度。在定价方面,引入了微观经济学中的效用理论;在性能保障方面,使用负载预测和基于排队论的性能预测模型。针对现有的负载预测方法只适用于单层云服务,或只考虑请求总量而忽略其他因素造成预测不准的问题,提出了多因素感知的负载预测模型(MAPM),综合考虑请求总量、服务时间和最终用户偏好对负载的影响,以提高预测准确度。接着,使用排队论对多层云服务进行性能建模,计算出客户所需资源,为资源调度打下基础。实验证明,相对于只考虑请求总量的负载预测算法,多因素感知的负载预测模型(MAPM)能提高预测的准确度。然后,研究利润驱动的虚拟机资源调度策略,最大化云资源提供商的利润。首先,建立云资源提供商的利润模型,并根据微观经济学的原理,计算出能够使云资源提供商利润最大化的虚拟机资源数目。接着,以粒子群算法为指导,对数据中心虚拟机资源的调度进行建模分析,根据客户需求和当前数据中心的负载状态,以最大化资源利用率、最小化所占用物理机的数目及虚拟机迁移次数三个方面为目标,提出了基于增强型多目标粒子群算法的VM资源调度策略(EPSO-VM)来实现虚拟机资源的优化调度。实验证明,相对于标准粒子群算法以及贪婪算法,该策略能提高资源的利用率和云资源提供商的利润,同时降低占用物理机的数目和虚拟机迁移次数。