基于Orbital Shrinking的數(shù)據(jù)中心虛擬機(jī)最優(yōu)放置算法

孫慶恭,陳海彪,林 楠,吳金銘

(廣東電網(wǎng)有限責(zé)任公司汕尾供電局,廣東 汕尾 516600)

0 引 言

能源轉(zhuǎn)型發(fā)展是互聯(lián)網(wǎng)時(shí)代下電氣化對(duì)化石能源的深度替代。智能化、綠色化、分布式是電網(wǎng)“十三五”發(fā)展規(guī)劃的重要目標(biāo)，海量的數(shù)據(jù)、異構(gòu)的網(wǎng)絡(luò)和異質(zhì)的服務(wù)需要依賴于更大容量、更高效率以及更強(qiáng)穩(wěn)定的數(shù)據(jù)存儲(chǔ)和處理對(duì)電網(wǎng)運(yùn)行進(jìn)行有力支撐。通過(guò)“十二五”堅(jiān)強(qiáng)智能電網(wǎng)數(shù)據(jù)中心的專項(xiàng)建設(shè)，使得當(dāng)前電網(wǎng)具備了基礎(chǔ)數(shù)據(jù)分布式處理和管控能力。

然而，電網(wǎng)由于天然的龐大架構(gòu)和復(fù)雜系統(tǒng)，使得其數(shù)據(jù)存儲(chǔ)和使用都存在嚴(yán)格的可靠性和穩(wěn)定性要求。其主要體現(xiàn)在：

1)服務(wù)范圍廣泛。電力數(shù)據(jù)中心將服務(wù)于輸電、配電、售電的每一個(gè)過(guò)程，每一個(gè)過(guò)程又可以劃分為多種維度和深度，數(shù)據(jù)結(jié)構(gòu)和規(guī)模各不一致，數(shù)據(jù)質(zhì)量要求差異性大，由此很難構(gòu)建統(tǒng)一的數(shù)據(jù)模型進(jìn)行管理。

2)架構(gòu)單一，設(shè)備異構(gòu)。國(guó)內(nèi)外的研究機(jī)構(gòu)和大型企業(yè)對(duì)電網(wǎng)數(shù)據(jù)中心的資源配置問(wèn)題進(jìn)行了研究,其主要集中在軟件定義網(wǎng)絡(luò)(Software Defined Network，SDN)的數(shù)據(jù)中心結(jié)構(gòu)、虛擬機(jī)負(fù)載均衡以及虛擬機(jī)放置遷移等方面。傳統(tǒng)的數(shù)據(jù)中心架構(gòu)以IOE(IBM, Oracle, EMC)為核心，形成大型數(shù)據(jù)庫(kù)集群，通過(guò)集中式存儲(chǔ)支撐高并發(fā)的電力信息服務(wù)，但其設(shè)備種類繁多、個(gè)體差異大、運(yùn)維難度大。

3)冗余度高。由于電網(wǎng)運(yùn)行的高魯棒性要求，電網(wǎng)數(shù)據(jù)中心在建設(shè)時(shí)即預(yù)留了大量的備份資源，但也造成了服務(wù)器冗余程度高。根據(jù)國(guó)家電網(wǎng)的調(diào)研分析顯示，某數(shù)據(jù)中心內(nèi)1000臺(tái)服務(wù)器中CPU(Center Process Unit)利用效率低于1%的服務(wù)器超過(guò)了70%。

電網(wǎng)數(shù)據(jù)中心需要服務(wù)于龐大而復(fù)雜的電力服務(wù)體系，電力服務(wù)體系存在明顯的地理分布特征，且各子體系在空間上相互隔離，由此帶來(lái)了嚴(yán)重的物理資源分配不均問(wèn)題。因此研究虛擬機(jī)放置問(wèn)題，即如何將虛擬機(jī)放置在物理實(shí)體服務(wù)器的最優(yōu)位置，將能夠獲得數(shù)據(jù)中心的虛擬化最大效益。

目前國(guó)內(nèi)外虛擬機(jī)放置技術(shù)主要包括靜態(tài)放置和動(dòng)態(tài)放置這2種。虛擬機(jī)靜態(tài)放置技術(shù)主要是以小型SDN控制器為代表[1]，適應(yīng)于數(shù)據(jù)流量隨時(shí)間變化的數(shù)據(jù)中心應(yīng)用。而為了適應(yīng)數(shù)據(jù)中心的規(guī)模化和復(fù)雜化，動(dòng)態(tài)放置技術(shù)成為了研究的熱點(diǎn)和難點(diǎn)。動(dòng)態(tài)放置技術(shù)主要包括自適應(yīng)控制方法[2]、遺傳算法[3-4]以及蟻群算法[5-7]，主要是設(shè)計(jì)一個(gè)各種資源類型的資源使用情況的函數(shù)，然后基于數(shù)學(xué)模型來(lái)決定如何放置虛擬機(jī)。自適應(yīng)控制方法[2]主要通過(guò)設(shè)置多維參數(shù)感知，建立雙閾值分布式魯棒虛擬機(jī)放置模型，有效解決失能條件下的虛擬機(jī)動(dòng)態(tài)重新分配問(wèn)題。但是自適應(yīng)監(jiān)測(cè)的參數(shù)不能學(xué)習(xí)添加，使得虛擬機(jī)放置的可重構(gòu)性不足。遺傳算法[3-4]主要將服務(wù)器性能優(yōu)化目標(biāo)建模為染色體，采用組方式和三空間分割方法設(shè)計(jì)交叉和變異遺傳算子，實(shí)現(xiàn)解空間的群體和自我進(jìn)化，實(shí)現(xiàn)利用最小化激活物理機(jī)和網(wǎng)絡(luò)設(shè)備的個(gè)數(shù)來(lái)減少數(shù)據(jù)中心能源消耗。該方法注重資源的最高利用效率，但需要兼顧電網(wǎng)系統(tǒng)首先要求的穩(wěn)定性。蟻群算法[5-7]是當(dāng)前虛擬機(jī)動(dòng)態(tài)放置算法研究的重點(diǎn)。通過(guò)多目標(biāo)優(yōu)化的虛擬機(jī)初始化放置策略，基于多目標(biāo)優(yōu)化蟻群算法[6]，使用戶能夠按需獲取計(jì)算能力、存儲(chǔ)空間和信息服務(wù)。為了進(jìn)一步提升資源利用效率，上海交通大學(xué)提出一種多目標(biāo)蟻群放置算法[7]，通過(guò)自回歸時(shí)間序列預(yù)測(cè)模型、虛擬機(jī)之間的通信代價(jià)矩陣、峰值分配放置方法以及基于負(fù)載特征進(jìn)行配對(duì)等降低資源配置的冗余程度。

綜上所述，虛擬機(jī)放置的策略主要是基于時(shí)間、空間、計(jì)算資源和能耗的綜合均衡。其主要面臨的瓶頸在于：

1)魯棒性和靈活性的平衡矛盾。建設(shè)高度冗余的信息網(wǎng)絡(luò)，克服單點(diǎn)和單鏈路隱患的瓶頸，是當(dāng)前電網(wǎng)信息網(wǎng)絡(luò)安全運(yùn)行的重要保障。其復(fù)雜的組成，將導(dǎo)致拓?fù)浣Y(jié)構(gòu)混亂、擴(kuò)展能力差以及故障自愈速度慢等顯著問(wèn)題。

2)有限資源的非均衡分配。當(dāng)前利用煙囪式建設(shè)、離散式管理的模式，使得每一個(gè)電網(wǎng)服務(wù)單元的數(shù)據(jù)中心處于“信息孤島”中，使用生成樹協(xié)議進(jìn)行帶寬調(diào)配，容易造成核心交換環(huán)路的阻塞。

根據(jù)當(dāng)前電力數(shù)據(jù)中心結(jié)構(gòu)復(fù)雜和資源利用率低的問(wèn)題，本文提出一種基于Orbital Shrinking的數(shù)據(jù)中心虛擬機(jī)最優(yōu)放置算法，首先研究虛擬機(jī)放置的數(shù)據(jù)中心適用性問(wèn)題，有效地從多維目標(biāo)優(yōu)化和邊界動(dòng)態(tài)約束這2方面分析數(shù)據(jù)中心的資源狀態(tài)。基于Orbital Shrinking模型，建立計(jì)算資源、時(shí)空狀態(tài)和能耗條件的多維背包模型，實(shí)現(xiàn)了虛擬機(jī)放置策略的整體平衡。通過(guò)實(shí)驗(yàn)仿真驗(yàn)證了新算法的內(nèi)存占用效率和服務(wù)處理時(shí)延性能。

1 Orbital Shrinking模型的多目標(biāo)最優(yōu)控制

數(shù)據(jù)中心的計(jì)算、存儲(chǔ)、控制資源，與服務(wù)質(zhì)量的關(guān)系可以被抽象為組合優(yōu)化的背包問(wèn)題。本文基于Orbital Shrinking模型，建立計(jì)算資源、時(shí)空狀態(tài)和能耗條件的多維背包關(guān)系，實(shí)現(xiàn)虛擬機(jī)放置策略的整體平衡。

1.1 Orbital Shrinking模型

背包問(wèn)題(Knapsack Problem)是描述在有限承載能力下獲得最優(yōu)的元素組合方案。本文將采用Orbital Shrinking模型對(duì)電網(wǎng)數(shù)據(jù)中心的虛擬機(jī)放置進(jìn)行資源的最優(yōu)組合分析，并關(guān)聯(lián)時(shí)空特征、能耗條件進(jìn)行綜合優(yōu)化[8]。

Orbital Shrinking模型給定混合整數(shù)規(guī)劃MIP(Mixed-Integer Programming)組合與其解空間的一個(gè)子組，即能通過(guò)一個(gè)變量替代變量組的變化軌跡[10]，由此能夠?qū)⒔饪臻g的維度大幅降低。其具體的過(guò)程如下：

(1)

1.2 多參數(shù)輸入控制與時(shí)空特征關(guān)聯(lián)

由P推理出目標(biāo)關(guān)聯(lián)遞減虛擬機(jī)放置實(shí)例的局部?jī)?yōu)化目標(biāo)，為整體優(yōu)化目標(biāo)P在輸入條件變化為{Vl,Cl}的局部目標(biāo)P′。

子集合G的特定狀態(tài)為GP′[Vl]，而將G有影響的維度軌道變量設(shè)定為Ω，以下進(jìn)行多參數(shù)輸入控制與時(shí)空特征關(guān)聯(lián)設(shè)計(jì)。

首先對(duì)于每一個(gè)子軌道變量ω∈Ω，引入一個(gè)復(fù)數(shù)參量zω，當(dāng)且僅當(dāng)子軌道變量ω包含整數(shù)變量時(shí)，zω用于將多維參量約束為一個(gè)整數(shù)參量，可以得到z=(zω|ω∈Ω)。

(2)

由此可以將不同維度的參數(shù)與時(shí)空特征進(jìn)行關(guān)聯(lián)。

2 分布式數(shù)據(jù)中心的虛擬機(jī)放置算法

2.1 虛擬機(jī)放置的多維目標(biāo)優(yōu)化

在分布式數(shù)據(jù)中心的虛擬機(jī)放置中，研究的主要目標(biāo)在于面對(duì)同一電網(wǎng)數(shù)據(jù)服務(wù)時(shí)，不同特征的虛擬機(jī)需要物理機(jī)的數(shù)量，所需物理機(jī)的數(shù)量越少，則表明虛擬機(jī)放置的策略越優(yōu)。設(shè)定完成電網(wǎng)數(shù)據(jù)業(yè)務(wù)T的可用物理機(jī)集合為:

(3)

此時(shí)，多維目標(biāo)優(yōu)化可以描述為最小的物理機(jī)數(shù)目來(lái)完成特定的電網(wǎng)數(shù)據(jù)中心業(yè)務(wù)，則有:

(4)

Em為不同虛擬機(jī)的能耗。由此，通過(guò)匹配符合需求的數(shù)據(jù)服務(wù)質(zhì)量的最低處理門限，從而有效映射出多維特征下的最優(yōu)方案。

2.2 虛擬機(jī)放置的邊界動(dòng)態(tài)約束

物理?xiàng)l件是有邊界的，因此虛擬機(jī)的放置存在邊界約束條件。虛擬機(jī)放置的數(shù)據(jù)中心適用性將從資源類約束和放置類約束這2方面展開描述。

1)資源類約束。

(5)

其中，R1,R2,R3,R4為物理機(jī)預(yù)留的控制資源。

2)放置類約束。

從數(shù)據(jù)中心的物理機(jī)資源虛擬化后，虛擬機(jī)放置的物理服務(wù)器與其他服務(wù)器之間存在交互和排斥關(guān)系[9]。即當(dāng)2個(gè)承載著不同虛擬機(jī)的物理機(jī)相互作用時(shí)，滿足:

(6)

為了保護(hù)電網(wǎng)數(shù)據(jù)中心的服務(wù)獨(dú)立性，2個(gè)物理機(jī)的作用應(yīng)為排斥關(guān)系。

當(dāng)2個(gè)承載著相同虛擬機(jī)的物理機(jī)相互作用時(shí)，滿足:

(7)

由于網(wǎng)絡(luò)功能虛擬化的實(shí)現(xiàn)，使得2個(gè)物理機(jī)需要高度協(xié)同才能實(shí)現(xiàn)大規(guī)模的數(shù)據(jù)處理服務(wù)。

2.3 時(shí)空狀態(tài)與計(jì)算資源的綜合優(yōu)化

采用卡方檢驗(yàn)方法，分析不同時(shí)間段下的虛擬計(jì)算資源的變化情況[13]?？ǚ綑z驗(yàn)方法是比較2個(gè)或2個(gè)以上樣本以及2個(gè)分類變量的關(guān)聯(lián)性分析。

(8)

其中，A為樣本的觀察頻數(shù)，T為樣本的理論頻數(shù)。

此時(shí)，在原始的時(shí)間數(shù)據(jù)下，再進(jìn)行時(shí)間段分類和標(biāo)志如下：

T1：6～8時(shí)

T2：8～12時(shí)

T3：12～13時(shí)

T4：13～17時(shí)

T5：17～19時(shí)

T6：19～24時(shí)。

將虛擬機(jī)放置的特征數(shù)據(jù)輸入到卡方檢驗(yàn)?zāi)Ｐ椭?，即可得到一個(gè)不同時(shí)間段的優(yōu)化目標(biāo)變動(dòng)結(jié)果，如表1所示。

表1 不同時(shí)間段計(jì)算資源消耗卡方檢驗(yàn)數(shù)值

時(shí)間段高中低T10.340.360.20T20.020.080.90T30.230.260.51T40.030.090.89T50.210.150.64T60.100.120.78

由此，根據(jù)不同的時(shí)間特征，實(shí)現(xiàn)虛擬機(jī)放置的計(jì)算資源、時(shí)空狀態(tài)和能耗條件的整體平衡。

2.4 分布式數(shù)據(jù)中心的虛擬機(jī)放置

與地理空間緊密關(guān)聯(lián)，是當(dāng)前電網(wǎng)數(shù)據(jù)中心服務(wù)器物理放置的重要分布規(guī)律。由于地理隔離，電網(wǎng)通信網(wǎng)絡(luò)元素需要通過(guò)光纖網(wǎng)絡(luò)或無(wú)線網(wǎng)絡(luò)進(jìn)行不同距離的數(shù)據(jù)傳遞，每個(gè)數(shù)據(jù)鏈路都需要為數(shù)據(jù)服務(wù)提供支撐[17]，從而導(dǎo)致數(shù)據(jù)的重復(fù)封裝和冗余。因此，電網(wǎng)數(shù)據(jù)中心需要將數(shù)據(jù)中心和交換設(shè)備虛擬化，通過(guò)控制和分發(fā)分離，實(shí)現(xiàn)底層物理設(shè)備的自由調(diào)度和組網(wǎng)，從而能夠支持靈活連線、覆蓋高中低端設(shè)備的虛擬化、單點(diǎn)隱患消除以及高技術(shù)適應(yīng)性。分布式數(shù)據(jù)中心的虛擬機(jī)放置主要包括彈性智能結(jié)構(gòu)、跨地域設(shè)備聚合以及虛擬機(jī)放置架構(gòu)，如圖1所示。

圖1 分布式數(shù)據(jù)中心的虛擬機(jī)放置

1)彈性智能結(jié)構(gòu)。

分布式數(shù)據(jù)中心的虛擬機(jī)放置，將主要物理交換機(jī)引擎分類為Master和Slave，每一個(gè)數(shù)據(jù)中心放置的任意時(shí)刻內(nèi)只能設(shè)置一個(gè)Master交換機(jī)引擎，并作為數(shù)據(jù)中心放置系統(tǒng)的核心管理單元。Slave是數(shù)據(jù)中心的備用交換機(jī)引擎，當(dāng)Master發(fā)生事故時(shí)，Slave可從網(wǎng)絡(luò)中完成管理能力接管。彈性智能結(jié)構(gòu)內(nèi)只定義虛擬的邏輯接口，從而有效屏蔽不同設(shè)備的硬件差異性。

2)跨地域設(shè)備聚合。

為了增強(qiáng)接口對(duì)于業(yè)務(wù)特征的適應(yīng)能力，分布式數(shù)據(jù)中心的虛擬機(jī)設(shè)定了多個(gè)物理端口聚合成一個(gè)邏輯接口的協(xié)議。協(xié)議中將物理設(shè)備差異性的設(shè)備接線關(guān)系、網(wǎng)絡(luò)拓?fù)?、接口信息等封裝成聚合函數(shù)，并由聚合函數(shù)向網(wǎng)絡(luò)中的Master和Slave進(jìn)行消息交互。通過(guò)聚合協(xié)議，形成虛擬設(shè)備的路由控制、安全認(rèn)證和設(shè)備管理。

3)靜態(tài)放置與動(dòng)態(tài)遷移的平衡。

由于電網(wǎng)數(shù)據(jù)傳輸業(yè)務(wù)特征差異，虛擬機(jī)對(duì)資源請(qǐng)求、物理節(jié)點(diǎn)能力和用戶業(yè)務(wù)質(zhì)量的處理隨時(shí)間和空間呈現(xiàn)出一定的變動(dòng)[18]。電網(wǎng)數(shù)據(jù)中心存在單點(diǎn)和多點(diǎn)，單鏈和多鏈并行的潛在可能，因此需要在資源整體配置策略上，設(shè)定靜態(tài)放置與動(dòng)態(tài)遷移2種模式，適應(yīng)虛擬機(jī)向量組長(zhǎng)時(shí)間不變映射關(guān)系，以及空余物理機(jī)的資源最優(yōu)遷移利用，并對(duì)用戶透明地完成內(nèi)存數(shù)據(jù)和虛擬機(jī)狀態(tài)的無(wú)縫轉(zhuǎn)移。

3 仿真與分析

3.1 仿真環(huán)境設(shè)計(jì)

本文基于澳大利亞墨爾本大學(xué)團(tuán)隊(duì)研發(fā)的Cloudsim云計(jì)算仿真工具，實(shí)現(xiàn)對(duì)于電網(wǎng)數(shù)據(jù)中心CPU、內(nèi)存、存儲(chǔ)器、接口的模擬調(diào)度和資源利用[14]。其能夠?qū)崿F(xiàn)單個(gè)物理服務(wù)器下的基礎(chǔ)云服務(wù)，并支持?jǐn)?shù)據(jù)共享、分布式控制處理和虛擬化引擎。

數(shù)據(jù)中心虛擬機(jī)最優(yōu)放置算法仿真主要從內(nèi)存占用效率以及服務(wù)處理時(shí)延性能這2方面進(jìn)行分析[15]，對(duì)比算法采用文獻(xiàn)[7]中的蟻群算法。2種算法均在Cloudsim進(jìn)行以下規(guī)劃：在35000 m2范圍內(nèi)設(shè)置4個(gè)單一的數(shù)據(jù)中心，4個(gè)數(shù)據(jù)中心代理和100個(gè)電網(wǎng)數(shù)據(jù)使用用戶。每次仿真實(shí)驗(yàn)，電網(wǎng)數(shù)據(jù)中心將設(shè)定100個(gè)物理服務(wù)器，每個(gè)物理服務(wù)器的配置為2.2 GHz、20線程的CPU處理能力，可動(dòng)態(tài)擴(kuò)展24個(gè)內(nèi)存單元，1個(gè)智能陣列P440ar帶2 GB FBWC。設(shè)定數(shù)據(jù)中心虛擬機(jī)數(shù)量和任務(wù)數(shù)如表2所示。

表2 數(shù)據(jù)中心虛擬機(jī)數(shù)量和任務(wù)數(shù)

物理機(jī)數(shù)量任務(wù)數(shù)量5,10,15,20100,200,300,400

根據(jù)表2中設(shè)定數(shù)據(jù)中心虛擬機(jī)和任務(wù)數(shù)量進(jìn)行任意組合，得到內(nèi)存占用效率以及服務(wù)處理時(shí)延性能的具體情況。

3.2 計(jì)算資源利用效率分析

計(jì)算資源利用效率分析是約定了虛擬機(jī)放置的內(nèi)存、存儲(chǔ)和接口相同前提下，不同的虛擬機(jī)放置數(shù)目下的內(nèi)存占用情況。通過(guò)在Cloudsim平臺(tái)的虛擬機(jī)調(diào)度，得到內(nèi)存資源利用效率如圖2所示。

圖2 不同虛擬機(jī)放置數(shù)目下的內(nèi)存占用情況

如圖2所示，設(shè)定虛擬機(jī)放置數(shù)量為20個(gè)。隨著任務(wù)數(shù)量的增加，本文數(shù)據(jù)中心虛擬機(jī)放置算法和文獻(xiàn)[7]遺傳算法的資源利用效率均逐漸增加。由于采用了多維目標(biāo)優(yōu)化，使得不同特征的虛擬機(jī)需要物理機(jī)的數(shù)量減少。在任務(wù)數(shù)量低于50個(gè)時(shí)，本文數(shù)據(jù)中心虛擬機(jī)放置算法需要進(jìn)行多參數(shù)的預(yù)先匹配，由此將占用一定的內(nèi)存資源。當(dāng)任務(wù)數(shù)量大于50個(gè)時(shí)，由于采用了多維目標(biāo)優(yōu)化[16]，使得不同特征的虛擬機(jī)需要物理機(jī)的數(shù)量減少，因此本文虛擬機(jī)放置算法的內(nèi)存占用更低。當(dāng)任務(wù)數(shù)量為250個(gè)時(shí)，基于Orbital Shrinking放置算法的內(nèi)存占用率為52.3%，相對(duì)于文獻(xiàn)[7]遺傳算法提升了近9.8%。

3.3 服務(wù)處理時(shí)延性能分析

由于電網(wǎng)數(shù)據(jù)中心在大規(guī)模服務(wù)請(qǐng)求下，需要由多個(gè)物理機(jī)同時(shí)提供數(shù)據(jù)處理，因此放置虛擬機(jī)策略和調(diào)動(dòng)策略將很大程度上影響服務(wù)處理時(shí)延。通過(guò)記錄服務(wù)請(qǐng)求時(shí)間和服務(wù)處理完成時(shí)間，得到服務(wù)處理時(shí)延性能如圖3所示。

圖3 不同虛擬機(jī)放置數(shù)目下的內(nèi)存占用情況

如圖3所示，當(dāng)物理機(jī)放置數(shù)量相同時(shí)，隨著任務(wù)數(shù)量的增加，本文數(shù)據(jù)中心虛擬機(jī)放置算法和文獻(xiàn)[7]放置算法的服務(wù)處理時(shí)延均逐漸增加。當(dāng)任務(wù)數(shù)量為300個(gè)時(shí)，Cloudsim的運(yùn)行結(jié)果如圖4所示。

當(dāng)電網(wǎng)數(shù)據(jù)中心處理任務(wù)數(shù)量相同時(shí)，隨著物理機(jī)數(shù)量的增加，服務(wù)處理時(shí)延能夠得到優(yōu)化，這是由于計(jì)算資源的增加，提高了虛擬機(jī)數(shù)據(jù)服務(wù)處理的效率。當(dāng)物理機(jī)放置數(shù)量和任務(wù)數(shù)量相同時(shí)，本文虛擬機(jī)放置算法的服務(wù)處理時(shí)延要低于文獻(xiàn)[7]算法的服務(wù)處理時(shí)延。這是由于基于Orbital Shrinking模型，通過(guò)替代變化軌跡，能夠?qū)⒔饪臻g的維度大幅降低，根據(jù)不同的時(shí)間特征，實(shí)現(xiàn)虛擬機(jī)放置的計(jì)算資源、時(shí)空狀態(tài)和能耗條件的整體平衡。當(dāng)任務(wù)數(shù)量為200個(gè)和物理機(jī)放置數(shù)量為20個(gè)時(shí)，本文放置算法的服務(wù)延時(shí)為28.3 s，比文獻(xiàn)[7]算法降低10.3 s。

4 結(jié)束語(yǔ)

本文通過(guò)基于Orbital Shrinking的數(shù)據(jù)中心虛擬機(jī)最優(yōu)放置算法創(chuàng)新，建立了計(jì)算資源、時(shí)空狀態(tài)和能耗條件的多維背包模型，實(shí)現(xiàn)了虛擬機(jī)放置策略的整體平衡，有效提升數(shù)據(jù)中心服務(wù)器的計(jì)算資源利用效率9.8%，降低數(shù)據(jù)處理時(shí)延10.3 s，解決了當(dāng)前電力數(shù)據(jù)中心結(jié)構(gòu)復(fù)雜和資源利用率低的問(wèn)題。

[1] 徐思堯,林偉偉,王子駿. 基于負(fù)載高峰特征的虛擬機(jī)放置算法[J]. 軟件學(xué)報(bào), 2016,27(7):1876-1887.

[2] Tarutani Y, Ohsita Y, Murata M. Placement of virtual storages for distributed robust cloud storage[J]. IEICE Transactions on Communications, 2016,99(4):885-893.

[3] 李強(qiáng),郝沁汾,肖利民,等. 云計(jì)算中虛擬機(jī)放置的自適應(yīng)管理與多目標(biāo)優(yōu)化[J]. 計(jì)算機(jī)學(xué)報(bào), 2011,34(12):2253-2264.

[4] 朱元昌,陳志佳,邸彥強(qiáng),等. 基于改進(jìn)免疫算法的云訓(xùn)練虛擬機(jī)放置優(yōu)化[J]. 軍械工程學(xué)院學(xué)報(bào), 2015,27(2):54-58.

[5] 趙君,馬中,劉馳,等. 一種多目標(biāo)蟻群優(yōu)化的虛擬機(jī)放置算法[J]. 西安電子科技大學(xué)學(xué)報(bào), 2015,42(3):173-178.

[6] 馬飛. 云數(shù)據(jù)中心中虛擬機(jī)放置和實(shí)時(shí)遷移研究[D]. 北京:北京交通大學(xué), 2013.

[7] Gao Yongqiang, Guan Haibing, Qi Zhengwei, et al. A multi-objective ant colony system algorithm for virtual machine placement in cloud computing[J]. Journal of Computer & System Sciences, 2013,79(8):1230-1242.

[8] Meng Xiaoqiao, Pappas V, Zhang Li. Improving the scalability of data center networks with traffic-aware virtual machine placement[C]// Proceedings of the 29th Conference on Information Communications. 2010:1154-1162.

[9] 李坤,王百杰. 服務(wù)器集群負(fù)載均衡技術(shù)研究及算法比較[J]. 計(jì)算機(jī)與現(xiàn)代化, 2009(8):7-10.

[10] Bin E, Biran O, Boni O, et al. Guaranteeing high availability goals for virtual machine placement[C]// Proceedings of 2011 the 31st International Conference on Distributed Computing Systems. 2011:700-709.

[11] 董健康. 面向云數(shù)據(jù)中心的虛擬機(jī)調(diào)度機(jī)制研究[D]. 北京:北京郵電大學(xué), 2014.

[12] 徐思堯,林偉偉,王子駿. 基于負(fù)載高峰特征的虛擬機(jī)放置算法[J]. 軟件學(xué)報(bào), 2016,27(7):1876-1887.

[13] 何嘉,彭商濂. 云數(shù)據(jù)中心虛擬機(jī)管理研究綜述[J]. 電子科技大學(xué)學(xué)報(bào), 2016,45(1):107-112.

[14] 趙君,馬中,劉馳,等. 一種多目標(biāo)蟻群優(yōu)化的虛擬機(jī)放置算法[J]. 西安電子科技大學(xué)學(xué)報(bào), 2015,42(3):173-178.

[15] 李進(jìn)超. 虛擬機(jī)動(dòng)態(tài)資源分配及放置算法研究[D]. 上海:復(fù)旦大學(xué), 2012.

[16] 肖飛,齊立磊. 大數(shù)據(jù)處理技術(shù)與探索[J]. 計(jì)算機(jī)與現(xiàn)代化, 2013(9):75-77.

[17] 劉志飄,王尚廣,孫其博,等. 一種能量感知的虛擬機(jī)放置智能優(yōu)化算法[J]. 華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版), 2012,40(S1):398-402.

[18] 陳亮. 集群負(fù)載均衡關(guān)鍵技術(shù)研究[D]. 長(zhǎng)沙:中南大學(xué), 2009.