论文部分内容阅读
【摘要】 近几年来我国的经济水平与科技水平在飞速提升，云计算技术获得了迅猛的发展，将IT资源转换为动态化的虚拟资源，从而为人们提供更加优质、快速的服务。基于云环境中的虚拟机资源分配算法可提升服务器运行的可靠性与安全性，还可将资源进行优化，降低各种因素形成的风险。综上所述，本文将基于云环境对虚拟资源分配算法展开分析与研究，以期增强算法的准确性，并对资源进行更加合理、高效的分配。
【关键词】 云环境 虚拟机 资源分配算法 研究
前言：云环境作为构建智慧城市采用的主要技术，会将互联网作为主要的媒介，将分布式结构、网格技术等互相结合。相比于传统的服务模式来说，这种服务模式更具商业价值，还能将资源更加合理地进行配置。而基于云环境的基础上，对虚拟机资源进行分配的技术是将云计算技术大规模应用的主要技术，从而将资源进行更好的调度。
一、云环境中影响虚拟机资源分配算法的相关因素
1.1多目标优化模型的差异
多目标优化模型在此方面可以发挥很好的作用，然而此方面在发展过程中已经由传统模型进化为新模型，两者之间存在着一定的差异，如在传统模型中，目标函数的权重较大，但此项特点在如今的云计算中却并不十分适用，如今更多的是针对减少数据能耗方面采取措施，因此第一个目标函数是最重要的，也是最大的權重，模型的差异使得此方面建设难以得到完善，如在逻辑意义上，需要将虚拟主机集中在尽可能少的物理服务器上运行，但人工干预模式在多目标优化模型差异下难以得到实现。
1.2 NSGA-II算法的作用难以发挥
在此方面，限制函数的存在是很有必要的，其可以将一个虚拟主机调到另外一台物理服务器上运行的，但具有针对性，而正是因为此限制条件，使得NSGA-II算法在进化过程中难以通过变异来提高遗传算法对于局部空间的搜索能力。另外，在应用变异算法时，很多情况下均会出现得到的新染色体存在不满足限制条件的可能性。
1.3传统虚拟机部署的局限性
根据对传统部署方法的研究可以知道，该方法在应用时会有一定的局限性，具体表现在如下几个方面：一、一般来讲，若虚拟机中有着操作系统，同时又拥有大量业务应用软件，其所包含的模板映像容量往往很大，几个GB，甚至是几十个GB的情况均十分常见，若要对其进行传输，往往需要较长时间，导致部署效率下降；二、当出现集群现象时，往往会出现较高的网络传输开销；三、目前来看很多虚拟机均会存在相似的情况，即以集中式存储形式为主，然而此种方式总会带来数据吞吐问题，进而造成运行不畅现象。
二、云环境中虚拟机优化方案
用户在应用云计算一定形式之后，虚拟机在应用内会产生一定数额费用，并且需要一段计算时间。本文对虚拟机资源分配进行分析研究，主要目的就是借助云计算形式，优化运行计算手段，最大程度减少用户在规定时间内所承担的经济成本。云计算虚拟机优化内，用户一同具有两种优化方案，第一种优化方案暂时忽略时间因素，仅对虚拟机费用进行优化，最大程度降低虚拟机成本，但是时间因素在忽略之后，所涉及到的用户计算时间较短；第二种优化方案就是综合时间及费用影响因素，方案在设定默认时间之后，在约束条件控制之下，完成云计算虚拟机费用优化操作。用户如果对处理时间要求十分严苛，还可以按照自身实际需求，设置针对性限制时间，进而完成费用优化。
三、系统模型的构建
将分布在不同地理区域的数据中心构成的云计算平台，各个数据中心的容量、延时性能以及虚拟机的资源价格都不一致。基于云环境提供的服务会将用户的要求作为基础，对相应的虚拟机资源合理分配，云用户在业务运行的过程中，可通过虚拟机的数据中心将相关信息充分掌握[1]，可以将其定义为以下几点内容：第一，资源的调度器。将云用户的相关要求以及云计算数据中心的运行状态作为基础，为用户提供有效的虚拟机资源，资源调度器自身还会在云计算的平台中某个数据中心上进行运行。第二，数据中心所实施状态监控的具体进程，会运行于各个数据中心之上，还会对数据提供实施的监控，将其运行状态充分掌握，其中还包含数据中心剩余的资源量以及虚拟机资源价格等方面的信息，还会向资源的调度器将相关状态信息发送至数据中心中[2]。第三，数据中心形成的状态表。资源调度器中还将各种中心状态信息的模块进行存储，还会将数据的中心状态进行实时监控，以确保状态信息可以获得实时的更新，其中主要包含数据中心的剩余资源量、延时以及资源价格等方面的相关信息。
通过对上述三种定义进行分析，可以生成系统的架构示意图。
四、模型构建方式与问题的描述
基于云用户的层面来说，会将业务的主要特征作为基础对虚拟机中的各项资源进行合理分配，主要是对云用户具备的业务特征进行描述，还会将资源调度器中的数据中心状态表实时更新，这两种信息的准确性都会对最终资源分配的收益产生重要影响。
4.1业务特征的描述方式
从系统的架构示意图可以看出，可利Ri（li，ni，ci）对云用户的i资源请求进行表述，其中的ci是指云用户的业务特征，其中会包含虚拟机部署的策略[3]、延时敏感度以及价格敏感度。对于不同类型的云用户来说，会具备不同的业务特征，因此需要采取不同的虚拟机部署策略，通过这样的方式可以将云用户的成本大幅降低，还可增加额外获得的收益。之后本文利用si对用户i的虚拟机部署策略进行表示，并将其分成两种类型即集中式与分布式。对于集中式的部署策略来说，需要将用户需要的全部虚拟机部署在相同的数据中心中。另一方面，对于分布式部署策略来说，需要将云用户的各方面需求共同部署在v个数据中心当中，在本文中的数据中心个数超过v 的量。
不同类型云用户业务会对延时与资源的价格存在不同程度的敏感度，技術人员利用αi与βi分别对云用户i的延时因子与价格因子进行表示，不同类型的业务中，两种因子也会各不相同。 对于具体的业务来说，例如在大型的多人同时在线游戏业务来说，由于其内部存在大量的交互信息，在利用虚拟机将资源进行分配的过程中，便需要采用集中式的部署方式，其也不会造成高度敏感的问题，也不会对资源的价格产生较为严重的影响。再如微博等相关的社交业务来说，由于其具备较强的区域特性，在业务内部的信息交互程度较弱，在虚拟机对资源进行部署的过程中，便可采用分布式的部署方式。还由于这种类型的业务不会存在过高的延时敏感度，但其具备较高的价格敏感度。由于云用户业务中存在一定程度的差异性，使得其他业务的特征也不尽相同，还会将虚拟机部署的要求、两种因子作为基础，可利用以下公式对云用户i的业务特征进行描述：ci=（si，αi，βi）。
4.2数据中心的状态更新
将上文叙述的系统模型作为基础，在数据中心的状态信息，时由数据中心实施的状态监控进程实时监控，从而为资源调度器传送相应的数据信息，资源调度器会将数据中心状态监控进程的信息作为基础，制成相应的数据中心状态表。对于数据中心的状态信息来说，会包含资源的剩余量Lk，t、资源的价格[4]Pk，t，还包含相应的数据中心延时估计Dk，t。另外还会包含数据中心的CPU计算资源，内外存储器。
在数据中心提供的资源价格与云服务的供应商定价模型之间存在密切的联系，在对相關系统模型进行描述的过程中，会将各个数据中心负载的需求进行综合考虑，在本文中主要讲剩余的资源量动态价格模型作为基础。通常来说，要想得出数据中心的资源价格，可利用以下公式计算得出：Pk，t=γ1Pk，0+γ2f（Lk，t）。在公式當中，k是指数据中心的编号，t指目前的时刻，指权重因子，将数据中心的k作为基础的资源价格，还可将其作为定值，f（Lk，t）与剩余的资源量互相关联，呈现函数的表达形式。
在数据中心出现的延时可作为主要的更新过程：资源调度期会以周期性的方式对云计算的数据中心发送相应的延时测试信号，还会将测试信号的应答延时进行记录，将测试的信号发送周期设置为td，如果资源调度器接收到来源于数据中心的状态信息时，会对数据中心发送实验需要的测试信号。
4.3问题描述
为了将数据中心的延时与资源价格对业务产生的影响更加直观、完整的进行描述，本文将业务的成本指数概念进行了描述，通过资源调度器将云用户业务成本作为基础，对相应的业务进行合理分配[5]。
五、业务特征基础的资源分配算法
将本文描述的系统模型以及相应的问题分析作为基础，本文将提出基于云用户业务特征的虚拟机资源分配的算法，其主要的算法操作步骤流程如下：第一，云用户会对资源调度器提出资源请求：Ri（li，ni，ci）；第二，需要将云用户的虚拟机部署策略作为基础，便会执行下一个步骤，如果si=v，（v>1），便可执行下一个步骤。第三，利用集中式的处理方式，对云用户i将虚拟机的资源进行分配，可采用以下几种方法：1.在资源调度器对数据中心的状态表进行查询，将充分满足云用户资源需求的数据进行正确选择，从而构成数据的中心集合。2.将云用户的候选数据中心集合看作为空集，便可以将其看作为云计算平台中并不具备足够的资源为用户进行分配，资源的调度器会拒绝云用户的相关请求，之后便可执行下一个步骤。第四，利用分布式的方式对云用户的虚拟机进行部署。
结语：将云环境作为基础，实施的虚拟机资源分配算法，可将资源实施合理、科学的分配，从而将用户花费的成本降低，将云端资源所提供的收益最大化，从根本上为用户的服务质量提供保障。
参 考 文 献
[1]陈小娇，陈世平，方芳. 云计算中虚拟机资源分配算法[J]. 计算机应用研究，2014，09：2584-2587+2616.
[2]蒋茜，何嘉. 基于聚类蚁群算法的虚拟机资源分配算法研究[J]. 四川文理学院学报，2014，05：80-84.
[3]刘强. 基于收益的云环境虚拟机资源动态分配方法研究[D].东北大学，2012.
【关键词】 云环境 虚拟机 资源分配算法 研究
前言：云环境作为构建智慧城市采用的主要技术，会将互联网作为主要的媒介，将分布式结构、网格技术等互相结合。相比于传统的服务模式来说，这种服务模式更具商业价值，还能将资源更加合理地进行配置。而基于云环境的基础上，对虚拟机资源进行分配的技术是将云计算技术大规模应用的主要技术，从而将资源进行更好的调度。
一、云环境中影响虚拟机资源分配算法的相关因素
1.1多目标优化模型的差异
多目标优化模型在此方面可以发挥很好的作用，然而此方面在发展过程中已经由传统模型进化为新模型，两者之间存在着一定的差异，如在传统模型中，目标函数的权重较大，但此项特点在如今的云计算中却并不十分适用，如今更多的是针对减少数据能耗方面采取措施，因此第一个目标函数是最重要的，也是最大的權重，模型的差异使得此方面建设难以得到完善，如在逻辑意义上，需要将虚拟主机集中在尽可能少的物理服务器上运行，但人工干预模式在多目标优化模型差异下难以得到实现。
1.2 NSGA-II算法的作用难以发挥
在此方面，限制函数的存在是很有必要的，其可以将一个虚拟主机调到另外一台物理服务器上运行的，但具有针对性，而正是因为此限制条件，使得NSGA-II算法在进化过程中难以通过变异来提高遗传算法对于局部空间的搜索能力。另外，在应用变异算法时，很多情况下均会出现得到的新染色体存在不满足限制条件的可能性。
1.3传统虚拟机部署的局限性
根据对传统部署方法的研究可以知道，该方法在应用时会有一定的局限性，具体表现在如下几个方面：一、一般来讲，若虚拟机中有着操作系统，同时又拥有大量业务应用软件，其所包含的模板映像容量往往很大，几个GB，甚至是几十个GB的情况均十分常见，若要对其进行传输，往往需要较长时间，导致部署效率下降；二、当出现集群现象时，往往会出现较高的网络传输开销；三、目前来看很多虚拟机均会存在相似的情况，即以集中式存储形式为主，然而此种方式总会带来数据吞吐问题，进而造成运行不畅现象。
二、云环境中虚拟机优化方案
用户在应用云计算一定形式之后，虚拟机在应用内会产生一定数额费用，并且需要一段计算时间。本文对虚拟机资源分配进行分析研究，主要目的就是借助云计算形式，优化运行计算手段，最大程度减少用户在规定时间内所承担的经济成本。云计算虚拟机优化内，用户一同具有两种优化方案，第一种优化方案暂时忽略时间因素，仅对虚拟机费用进行优化，最大程度降低虚拟机成本，但是时间因素在忽略之后，所涉及到的用户计算时间较短；第二种优化方案就是综合时间及费用影响因素，方案在设定默认时间之后，在约束条件控制之下，完成云计算虚拟机费用优化操作。用户如果对处理时间要求十分严苛，还可以按照自身实际需求，设置针对性限制时间，进而完成费用优化。
三、系统模型的构建
将分布在不同地理区域的数据中心构成的云计算平台，各个数据中心的容量、延时性能以及虚拟机的资源价格都不一致。基于云环境提供的服务会将用户的要求作为基础，对相应的虚拟机资源合理分配，云用户在业务运行的过程中，可通过虚拟机的数据中心将相关信息充分掌握[1]，可以将其定义为以下几点内容：第一，资源的调度器。将云用户的相关要求以及云计算数据中心的运行状态作为基础，为用户提供有效的虚拟机资源，资源调度器自身还会在云计算的平台中某个数据中心上进行运行。第二，数据中心所实施状态监控的具体进程，会运行于各个数据中心之上，还会对数据提供实施的监控，将其运行状态充分掌握，其中还包含数据中心剩余的资源量以及虚拟机资源价格等方面的信息，还会向资源的调度器将相关状态信息发送至数据中心中[2]。第三，数据中心形成的状态表。资源调度器中还将各种中心状态信息的模块进行存储，还会将数据的中心状态进行实时监控，以确保状态信息可以获得实时的更新，其中主要包含数据中心的剩余资源量、延时以及资源价格等方面的相关信息。
通过对上述三种定义进行分析，可以生成系统的架构示意图。
四、模型构建方式与问题的描述
基于云用户的层面来说，会将业务的主要特征作为基础对虚拟机中的各项资源进行合理分配，主要是对云用户具备的业务特征进行描述，还会将资源调度器中的数据中心状态表实时更新，这两种信息的准确性都会对最终资源分配的收益产生重要影响。
4.1业务特征的描述方式
从系统的架构示意图可以看出，可利Ri（li，ni，ci）对云用户的i资源请求进行表述，其中的ci是指云用户的业务特征，其中会包含虚拟机部署的策略[3]、延时敏感度以及价格敏感度。对于不同类型的云用户来说，会具备不同的业务特征，因此需要采取不同的虚拟机部署策略，通过这样的方式可以将云用户的成本大幅降低，还可增加额外获得的收益。之后本文利用si对用户i的虚拟机部署策略进行表示，并将其分成两种类型即集中式与分布式。对于集中式的部署策略来说，需要将用户需要的全部虚拟机部署在相同的数据中心中。另一方面，对于分布式部署策略来说，需要将云用户的各方面需求共同部署在v个数据中心当中，在本文中的数据中心个数超过v 的量。
不同类型云用户业务会对延时与资源的价格存在不同程度的敏感度，技術人员利用αi与βi分别对云用户i的延时因子与价格因子进行表示，不同类型的业务中，两种因子也会各不相同。 对于具体的业务来说，例如在大型的多人同时在线游戏业务来说，由于其内部存在大量的交互信息，在利用虚拟机将资源进行分配的过程中，便需要采用集中式的部署方式，其也不会造成高度敏感的问题，也不会对资源的价格产生较为严重的影响。再如微博等相关的社交业务来说，由于其具备较强的区域特性，在业务内部的信息交互程度较弱，在虚拟机对资源进行部署的过程中，便可采用分布式的部署方式。还由于这种类型的业务不会存在过高的延时敏感度，但其具备较高的价格敏感度。由于云用户业务中存在一定程度的差异性，使得其他业务的特征也不尽相同，还会将虚拟机部署的要求、两种因子作为基础，可利用以下公式对云用户i的业务特征进行描述：ci=（si，αi，βi）。
4.2数据中心的状态更新
将上文叙述的系统模型作为基础，在数据中心的状态信息，时由数据中心实施的状态监控进程实时监控，从而为资源调度器传送相应的数据信息，资源调度器会将数据中心状态监控进程的信息作为基础，制成相应的数据中心状态表。对于数据中心的状态信息来说，会包含资源的剩余量Lk，t、资源的价格[4]Pk，t，还包含相应的数据中心延时估计Dk，t。另外还会包含数据中心的CPU计算资源，内外存储器。
在数据中心提供的资源价格与云服务的供应商定价模型之间存在密切的联系，在对相關系统模型进行描述的过程中，会将各个数据中心负载的需求进行综合考虑，在本文中主要讲剩余的资源量动态价格模型作为基础。通常来说，要想得出数据中心的资源价格，可利用以下公式计算得出：Pk，t=γ1Pk，0+γ2f（Lk，t）。在公式當中，k是指数据中心的编号，t指目前的时刻，指权重因子，将数据中心的k作为基础的资源价格，还可将其作为定值，f（Lk，t）与剩余的资源量互相关联，呈现函数的表达形式。
在数据中心出现的延时可作为主要的更新过程：资源调度期会以周期性的方式对云计算的数据中心发送相应的延时测试信号，还会将测试信号的应答延时进行记录，将测试的信号发送周期设置为td，如果资源调度器接收到来源于数据中心的状态信息时，会对数据中心发送实验需要的测试信号。
4.3问题描述
为了将数据中心的延时与资源价格对业务产生的影响更加直观、完整的进行描述，本文将业务的成本指数概念进行了描述，通过资源调度器将云用户业务成本作为基础，对相应的业务进行合理分配[5]。
五、业务特征基础的资源分配算法
将本文描述的系统模型以及相应的问题分析作为基础，本文将提出基于云用户业务特征的虚拟机资源分配的算法，其主要的算法操作步骤流程如下：第一，云用户会对资源调度器提出资源请求：Ri（li，ni，ci）；第二，需要将云用户的虚拟机部署策略作为基础，便会执行下一个步骤，如果si=v，（v>1），便可执行下一个步骤。第三，利用集中式的处理方式，对云用户i将虚拟机的资源进行分配，可采用以下几种方法：1.在资源调度器对数据中心的状态表进行查询，将充分满足云用户资源需求的数据进行正确选择，从而构成数据的中心集合。2.将云用户的候选数据中心集合看作为空集，便可以将其看作为云计算平台中并不具备足够的资源为用户进行分配，资源的调度器会拒绝云用户的相关请求，之后便可执行下一个步骤。第四，利用分布式的方式对云用户的虚拟机进行部署。
结语：将云环境作为基础，实施的虚拟机资源分配算法，可将资源实施合理、科学的分配，从而将用户花费的成本降低，将云端资源所提供的收益最大化，从根本上为用户的服务质量提供保障。
参 考 文 献
[1]陈小娇，陈世平，方芳. 云计算中虚拟机资源分配算法[J]. 计算机应用研究，2014，09：2584-2587+2616.
[2]蒋茜，何嘉. 基于聚类蚁群算法的虚拟机资源分配算法研究[J]. 四川文理学院学报，2014，05：80-84.
[3]刘强. 基于收益的云环境虚拟机资源动态分配方法研究[D].东北大学，2012.