论文部分内容阅读
云计算是一种面向服务的计算模型,能够根据用户需求提供各种类型的服务。在资源调度过程中,虚拟化技术作为云计算的关键技术之一,能够在满足用户需求的前提下,有效实现资源的管理和分配。然而,由于用户需求的增加,导致了数据中心资源管理和分配的复杂性,使得提高资源利用率和降低能耗开销成为资源分配过程中需要解决的主要问题。因此,如何设计一种有效的资源自适应调度策略,除了提高资源利用率以外,还可以降低能耗开销;这已成为资源调度过程中面临的主要挑战之一。本文以提高资源利用率和降低能耗开销作为出发点,重点针对多目标优化和资源调度策略展开深入的研究。具体研究内容可以概括为以下几个方面。第一,提出了一种基于整体性能的自适应调度策略。通过分析多个关键性能指标,从生存性角度出发,利用熵差值方法确定性能临界值。在此基础上,根据用户的不同需求,设计了基于物理主机或虚拟机的自适应资源调度策略;当资源过度分配时,结合WMA(Weighted Moving Average)预测方法,设计了基于虚拟机的自适应减少策略来降低能耗开销。实验结果表明,在资源分配过程中,本文提出的自适应调度策略,能够根据用户需求快速增加或减少资源的使用数量。第二,提出了考虑三阶段的多目标资源优化策略。由于用户需求的随机可变性,导致了传统的预留计划无法灵活地满足用户需求,本文提出了将资源预留,预测以及整合三个阶段相结合的资源优化策略。在预留计划里,设计了随机整数线性规划模型来确定预留计划。在此基础上,提出了基于双指数平滑的组合预测方法确定下一阶段的负载需求。在整合过程中,通过提高资源利用率的方法来降低能耗开销。实验结果指出,在降低租用成本的前提下,本文提出的三阶段资源优化策略能够实现资源的快速管理和分配。第三,提出了基于改进粒子群算法的负载均衡策略。在资源调度过程中,除了传统单一目标(如能耗)的优化方法以外,还需要考虑其它的优化目标。而且,还需要解决确定热点主机以及虚拟机定位等主要问题。因此,本文设计了基于粒子群算法的负载均衡策略,主要目标是提高资源利用率和降低能耗开销。在均衡过程中,提出将CPU和内存等关键因素与熵值方法相结合来确定热点主机。在此基础上,设计了基于理想解的粒子群算法,提出通过虚拟机定位方法来提高资源利用率和降低能耗开销。实验结果表明,本文提出的基于双目标粒子群算法的负载均衡策略能够实现有效的负载均衡。第四,提出了基于两阶段的多目标资源整合策略。针对资源调度过程中存在的迁移时机,待迁移虚拟机以及虚拟机定位等问题,本文提出了基于多目标蚁群算法的资源整合策略,主要目标是提高资源利用率,降低能耗开销和资源损耗程度。在整合过程中,提出了将多个性能指标与灰色关联分析相结合的方法来确定当前物理主机状态。在此基础上考虑了CPU和内存利用率,提出利用欧式距离方法来确定待迁移虚拟机。而且,设计了基于帕累托的多目标蚁群算法,研究了虚拟机放置问题。实验结果表明,本文提出的多目标资源整合策略具有更好的整合效果;与其它启发算法对比,该算法能够有效地降低SLA违约以及能耗开销。