在虛擬機(jī)放置問題中,傳統(tǒng)啟發(fā)式方法不能完全適用于復(fù)雜的云計(jì)算環(huán)境,采用智能算法的研究又缺乏對時(shí)間開銷的考慮。針對上述問題,提出一種基于Memetic算法的虛擬機(jī)放置（Memetic algorithm-based virtual machine placement MAVMP）方法。MAVMP方法針對云數(shù)據(jù)中心運(yùn)營情況建立了最小化能耗、最小化運(yùn)行時(shí)服務(wù)等級協(xié)議違例率（service level agreement violation time per active host, SLATAH）以及最大化資源利用率的多目標(biāo)優(yōu)化模型,將虛擬機(jī)按照資源請求情況進(jìn)行分類,并利用該分類方法改進(jìn)了Memetic算法,利用改進(jìn)后的Memetic算法求解多目標(biāo)優(yōu)化模型,得到虛擬機(jī)放置方案。仿真實(shí)驗(yàn)結(jié)果表明,仿真數(shù)據(jù)中心利用MAVMP方法進(jìn)行虛擬機(jī)放置后,其在能耗、資源利用率以及服務(wù)質(zhì)量的評價(jià)指標(biāo)上都有著良好表現(xiàn)。并且,MAVMP方法與已有的基于智能算法的虛擬機(jī)放置方法相比計(jì)算時(shí)間也大幅下降。 

【文章來源】：重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020,32(03)北大核心CSCD

【文章頁數(shù)】：12 頁

【部分圖文】：

CPU利用率與功率關(guān)系

在Memetic算法中,每個(gè)個(gè)體代表問題的一個(gè)解,由不同個(gè)體組成的解的集合稱為種群。個(gè)體利用不同基因組成表示不同的解結(jié)構(gòu)。云計(jì)算資源調(diào)度中生成一次合理的放置方案需要確定虛擬機(jī)與物理主機(jī)的映射關(guān)系。合理的映射關(guān)系必須滿足(12)式的約束,即一臺虛擬機(jī)只能放置在一臺物理主機(jī)上,同一臺物理主機(jī)可以放置不同的虛擬機(jī)。根據(jù)以上條件,可以對個(gè)體進(jìn)行如圖2的編碼。其中,個(gè)體中基因數(shù)量等于待放置的虛擬機(jī)數(shù)量。個(gè)體上第i個(gè)基因存儲了虛擬機(jī)i所放置的物理主機(jī)編號。例如,圖2中VM(N-1)放置在編號為10的物理主機(jī)上。采用這種編碼方式產(chǎn)生的個(gè)體顯然可以滿足(12)式的約束。種群初始化時(shí)需要確定待放置的物理主機(jī)集合。為了縮小解空間,提高算法效率,首先將資源利用率不超過70%的物理主機(jī)加入可用物理主機(jī)集合。為了避免出現(xiàn)物理主機(jī)不能滿足虛擬機(jī)資源請求的情況,再將一部分空閑主機(jī)加入可用物理主機(jī)集合�？臻e物理主機(jī)的數(shù)量應(yīng)保證可以滿足所有待放置虛擬機(jī)的資源請求。然后,對集合中的物理主機(jī)進(jìn)行編號。對于個(gè)體上的每個(gè)基因,利用隨機(jī)的方法為其選擇物理主機(jī),判斷隨機(jī)得到的物理主機(jī)是否滿足(13)式的約束。如果滿足約束則將該物理主機(jī)編號填入基因位,否則重新選擇物理主機(jī)。智能算法中種群規(guī)模一般與問題規(guī)模相當(dāng)。但由于Memetic框架的特性,使得Memetic算法相比其他智能集群算法種群規(guī)模小。本文將種群規(guī)模設(shè)置為20。

本文將物理主機(jī)分別以3種資源的剩余可用量降序排列。物理主機(jī)的3種序列使得局部搜索時(shí)有3種不同的搜索策略。不同的搜索策略對局部搜索性能有著重要的影響。圖3展示了一臺以CPU為主要資源的虛擬機(jī)按照不同的搜索策略產(chǎn)生的搜索路徑。圖3標(biāo)示了物理主機(jī)各個(gè)資源的剩余量和虛擬機(jī)各個(gè)資源的實(shí)際請求量以及當(dāng)前利用率,圖中上方物理主機(jī)按照CPU資源降序排列,下方物理主機(jī)按照RAM資源降序排列。由圖3可知,該虛擬機(jī)按照CPU資源序列進(jìn)行搜索只需進(jìn)行一次嘗試,而利用RAM資源進(jìn)行搜索時(shí)則需進(jìn)行4次嘗試。根據(jù)分析,如果將虛擬機(jī)分類融入到局部搜索過程,那么局部搜索的效率能夠得到改善。本文利用虛擬機(jī)分類思想改進(jìn)了Memetic算法的局部搜索策略,多資源約束的Memetic局部搜索策略如算法1。該策略針對個(gè)體中的每個(gè)基因,首先判斷該基因位所代表的虛擬機(jī)的主要資源,然后將待放置物理主機(jī)按照主要資源的可用量降序排列,最后將序列中第1個(gè)滿足虛擬機(jī)資源請求的物理主機(jī)編號存入該基因位。

【參考文獻(xiàn)】：
期刊論文
[1]多虛擬機(jī)動(dòng)態(tài)遷移情景下的服務(wù)功能鏈調(diào)整方法[J]. 古英漢,伊鵬.  小型微型計(jì)算機(jī)系統(tǒng). 2017(05)
[2]異構(gòu)云環(huán)境多目標(biāo)Memetic優(yōu)化任務(wù)調(diào)度方法[J]. 李智勇,陳少淼,楊波,李仁發(fā).  計(jì)算機(jī)學(xué)報(bào). 2016(02)
[3]基于DEA的能耗感知虛擬機(jī)資源分配算法[J]. 陳小嬌,陳世平.  小型微型計(jì)算機(jī)系統(tǒng). 2015(01)



本文編號：3426502