基于螢火蟲(chóng)群優(yōu)化的虛擬機(jī)放置方法

徐勝超，熊茂華，周天綺

基于螢火蟲(chóng)群優(yōu)化的虛擬機(jī)放置方法

徐勝超1，熊茂華1，周天綺2

（1.廣州華商學(xué)院數(shù)據(jù)科學(xué)學(xué)院，廣東 廣州 511300；2.浙江藥科職業(yè)大學(xué)醫(yī)療器械學(xué)院，浙江 寧波 315100）

利用虛擬機(jī)放置策略對(duì)云數(shù)據(jù)中心的物理資源利用效率進(jìn)行優(yōu)化十分必要。提出了基于螢火蟲(chóng)群優(yōu)化的虛擬機(jī)放置（glowworm swarm optimization based VM placement，Gso-wmp）方法。GSO-VMP方法將物理主機(jī)的處理器使用效率表示為熒光素值，當(dāng)一個(gè)虛擬機(jī)被放置到物理主機(jī)上時(shí)，該物理主機(jī)的熒光素值都要進(jìn)行更新；能夠在局部徑向范圍內(nèi)搜索到更多的可用物理主機(jī)，完成虛擬機(jī)放置，減少了虛擬機(jī)的遷移次數(shù)，從而間接地節(jié)省了物理主機(jī)的能量消耗。使用CloudSim作為GSO-VMP的仿真環(huán)境進(jìn)行仿真，實(shí)驗(yàn)結(jié)果表明，GSO-VMP方法使得云數(shù)據(jù)中心的能耗降低、多維物理資源利用率提高。

智能計(jì)算；螢火蟲(chóng)群優(yōu)化；虛擬機(jī)放置；云數(shù)據(jù)中心；低能量消耗

0 引言

低能量消耗與物理資源的充分利用是綠色云數(shù)據(jù)中心構(gòu)造的兩個(gè)主要目標(biāo)[1-2]。目前，國(guó)內(nèi)外的研究主要采用虛擬機(jī)遷移技術(shù)來(lái)達(dá)到這兩個(gè)目標(biāo)[3-5]。虛擬機(jī)放置及優(yōu)化是虛擬機(jī)遷移中最重要的一個(gè)階段，屬于多目標(biāo)優(yōu)化問(wèn)題或者裝箱問(wèn)題[6]，它沒(méi)有最優(yōu)解，只能在目標(biāo)函數(shù)中得到一定程度的最優(yōu)，目前針對(duì)虛擬機(jī)放置有很多智能優(yōu)化算法，近年來(lái)的研究主要涉及兩個(gè)方面的研究進(jìn)展：能量消耗模型的改進(jìn)和智能算法的改進(jìn)。

在能量消耗模型改進(jìn)方面，早期的文獻(xiàn)在設(shè)計(jì)云數(shù)據(jù)中心物理主機(jī)的能量消耗模型時(shí)考慮的物理資源維度比較單一，例如單一物理資源[7]只考慮處理器利用率、處理器主頻大小、處理器溫度大小這一個(gè)維度[8]；后續(xù)考慮問(wèn)題的維度擴(kuò)展到了內(nèi)存利用率、磁盤(pán)空間大小、I/O通信能力等；近3年，還考慮了更多的因素，如網(wǎng)絡(luò)帶寬因素、如網(wǎng)絡(luò)設(shè)備接口能量消耗等[9]。

在智能算法改進(jìn)方面，近年來(lái)研究者提出了大量的新型智能算法進(jìn)行虛擬機(jī)放置階段的優(yōu)化，例如有基于遺傳算法[10]、貪心算法[11]、粒子群優(yōu)化算法[12]、蟻群算法[13-14]、強(qiáng)化學(xué)習(xí)優(yōu)化算法[15]、花授粉優(yōu)化算法[16]、蛙跳算法[17]、穩(wěn)定匹配[18]等的虛擬機(jī)放置策略。大部分優(yōu)化策略的目的是在云數(shù)據(jù)中心的總體能量消耗、虛擬機(jī)遷移次數(shù)、SLA違規(guī)率、活動(dòng)物理主機(jī)數(shù)量等目標(biāo)指標(biāo)上取平衡。

其中，貪心算法優(yōu)化方面常見(jiàn)的有首次遞減適用算法[19]、最佳適用算法[20]、最佳遞減適用算法等，但是由于虛擬機(jī)放置是多目標(biāo)優(yōu)化問(wèn)題，貪心算法也不可能得到最優(yōu)解；在遺傳算法優(yōu)化方面有常見(jiàn)的普通遺傳算法、家族遺傳算法[21]、混合遺傳算法[6]、改進(jìn)的遺傳算法[22]等，但是由于它們采用約束編程的方式，限制了搜索空間。雖然，近年來(lái)蟻群算法優(yōu)化的虛擬機(jī)放置在單維物理資源的高效利用方面取得了一定的成功，它們的實(shí)驗(yàn)結(jié)果表明性能優(yōu)于首次遞減適用的貪心算法，其不足是不能充分利用多個(gè)維度的物理資源。文獻(xiàn)[23]采用蟻群算法優(yōu)化，從處理器和內(nèi)存大小等多個(gè)維度的信息來(lái)考慮云數(shù)據(jù)中心的虛擬機(jī)遷移，結(jié)果表明它的性能優(yōu)于遺傳算法。強(qiáng)化學(xué)習(xí)優(yōu)化算法和花授粉優(yōu)化算法是2019年被提出的虛擬機(jī)放置優(yōu)化算法，在云數(shù)據(jù)中心的能耗與資源利用方面都性能良好，本文重點(diǎn)研究的也是虛擬機(jī)放置及優(yōu)化策略。

由于螢火蟲(chóng)群優(yōu)化算法在解決經(jīng)典裝箱問(wèn)題上有很好的優(yōu)勢(shì)[24]，本文提出了基于螢火蟲(chóng)群優(yōu)化的虛擬機(jī)放置（glowworm swarm optimization based VM placement，GSO-VMP）方法，通過(guò)這種智能優(yōu)化算法，大量的虛擬機(jī)在云數(shù)據(jù)中心的物理主機(jī)上遷移、優(yōu)化放置、負(fù)載均衡，以提高物理資源的使用效率。最后與近幾年的常見(jiàn)虛擬機(jī)放置優(yōu)化策略進(jìn)行比較，在各個(gè)性能指標(biāo)方面完成了GSO-VMP的測(cè)試與性能分析，得到了理想的實(shí)驗(yàn)結(jié)果。

1 螢火蟲(chóng)群優(yōu)化算法

由于螢火蟲(chóng)群算法的控制中心不在一個(gè)單獨(dú)的點(diǎn)上，所以該算法具有很好的擴(kuò)展性。它模擬了螢火蟲(chóng)的行為，一個(gè)會(huì)產(chǎn)生更亮的光（高熒光素）的螢火蟲(chóng)意味著它更接近一個(gè)實(shí)際的位置，具有更加接近目標(biāo)函數(shù)的值，在GSO-VMP中指的是云數(shù)據(jù)中心的總體能量消耗（目標(biāo)函數(shù)）最低。

根據(jù)一定的概率機(jī)制，每個(gè)螢火蟲(chóng)都會(huì)選擇一個(gè)比自己具有更高螢光素的鄰居，并且向它移動(dòng)，該移動(dòng)過(guò)程是基于局部徑向范圍的。螢火蟲(chóng)群算法中，在開(kāi)始的時(shí)候螢火蟲(chóng)在一個(gè)隨機(jī)的位置，所有的螢火蟲(chóng)都包括一個(gè)相同的熒光素。本文將螢火蟲(chóng)群算法應(yīng)用到虛擬機(jī)放置這個(gè)過(guò)程中，使虛擬機(jī)選擇和部署在不同的物理主機(jī)，最終目的是降低云數(shù)據(jù)中心的能量消耗和減少SLA（service level agreement）違規(guī)比率。SLA違規(guī)比率可以通過(guò)式（1）計(jì)算。

其中，SLATAH是SLA違規(guī)的在線時(shí)間PDM是虛擬機(jī)遷移后的性能降低，這些在虛擬機(jī)放置的經(jīng)典文獻(xiàn)都有介紹[25]。

2 GSO-VMP工作環(huán)境與相關(guān)術(shù)語(yǔ)

2.1 GSO-VMP的工作環(huán)境

云計(jì)算環(huán)境下分配可用的資源給云客戶端具有各種不同的模式，這些模式都可以被認(rèn)為是針對(duì)云數(shù)據(jù)中心資源池的一種基于服務(wù)的訪問(wèn)，虛擬機(jī)技術(shù)通過(guò)將云客戶端的請(qǐng)求封裝成虛擬機(jī)的形式來(lái)分配與訪問(wèn)。圖1是GSO-VMP虛擬機(jī)放置策略的資源分配模型，它由3個(gè)主要步驟組成。

步驟1 云客戶端提交請(qǐng)求。

步驟2 服務(wù)提供者處理請(qǐng)求。

步驟3 云數(shù)據(jù)中心資源分配與管理。

首先，云客戶端提交請(qǐng)求到云服務(wù)提供者，代理將返回該結(jié)果到右邊的云數(shù)據(jù)中心資源管理模塊。云資源管理將查詢?cè)撜?qǐng)求，與可用資源池的資源進(jìn)行比較，并做出決策。云資源管理對(duì)云客戶端請(qǐng)求的接受都基于平臺(tái)的資源可用性，如果超過(guò)了資源的可用能力，云資源管理將會(huì)把該請(qǐng)求傳遞到資源分配模式，尋找全局可用資源，該資源分配方法被傳遞到資源管理模塊，里面包含了GSO-VMP等虛擬機(jī)分配與優(yōu)化的相關(guān)的操作。

圖1 GSO-VMP虛擬機(jī)放置策略的資源分配模型

2.2 GSO-VMP的相關(guān)術(shù)語(yǔ)

2.2.1 云客戶端請(qǐng)求模型

所以，當(dāng)云客戶端只發(fā)送一個(gè)請(qǐng)求到一個(gè)資源上時(shí)，可以按照式（2）和式（3）來(lái)表達(dá)。

另外，如果客戶端的請(qǐng)求數(shù)超過(guò)一個(gè)的時(shí)候，可以按照式（3）和式（4）來(lái)表達(dá)。

2.2.2 云數(shù)據(jù)中心能量消耗模型

（1）有資源必須有能力提供給云客戶端的請(qǐng)求；

（2）所有虛擬機(jī)的資源請(qǐng)求必須小于或等于整個(gè)物理主機(jī)的資源提供能力；

則整個(gè)云數(shù)據(jù)中心的物理主機(jī)的資源利用效率如式（8）所示：

3 GSO-VMP虛擬機(jī)放置策略

3.1 GSO-VMP總體描述

下面分別具體描述GSO-VMP的4個(gè)階段。

（1）螢火蟲(chóng)初始化階段

初始種群由大量的螢火蟲(chóng)組成，這些被認(rèn)為是虛擬機(jī)放置階段的候選解決方法。一個(gè)螢火蟲(chóng)可以認(rèn)為是一個(gè)元素向量，每個(gè)元素都表示一個(gè)虛擬機(jī)。元素的值采用被分配了虛擬機(jī)后物理主機(jī)的ID來(lái)表示。

初始種群的產(chǎn)生基于最小負(fù)載的物理主機(jī)，從物理主機(jī)狀態(tài)檢測(cè)階段產(chǎn)生的候選遷移物理主機(jī)列表HostsToMigrateList中獲取。

（2）熒光素值更新階段

因此，物理主機(jī)的熒光素值是根據(jù)目標(biāo)函數(shù)值的變化而改變。無(wú)論什么時(shí)候當(dāng)一個(gè)虛擬機(jī)被放置到物理主機(jī)上時(shí)，該物理主機(jī)的熒光素值都要進(jìn)行更新。如果熒光素值比較高，意味著它可以更好地降低物理主機(jī)的能量消耗，熒光素值也隨著時(shí)間的變化而衰減。

（3）螢火蟲(chóng)移動(dòng)階段

1）發(fā)現(xiàn)鄰居區(qū)域

2）計(jì)算概率

3）螢火蟲(chóng)移動(dòng)

在移動(dòng)階段的最后，根據(jù)它所選擇的物理主機(jī)，虛擬機(jī)的資源使用效率也發(fā)生了變化，虛擬機(jī)的狀態(tài)通過(guò)式（17）進(jìn)行計(jì)算。

（4）局部徑向范圍更新階段

3.2 GSO-VMP放置策略的實(shí)現(xiàn)

GSO-VMP螢火蟲(chóng)群虛擬機(jī)放置優(yōu)化整個(gè)過(guò)程的偽代碼如下。

算法1

輸入 物理主機(jī)列表PhList,虛擬機(jī)選擇階段產(chǎn)生的侯選虛擬機(jī)列表VMsToMigrateList，初始參數(shù)

輸出 已經(jīng)完成好的虛擬機(jī)放置列表Placement of VMs

4 GSO-VMP仿真實(shí)驗(yàn)與性能分析

4.1 實(shí)驗(yàn)環(huán)境

本文參考了Cloudsim4.0工具包，同時(shí)依據(jù)圖1中的功能模塊，實(shí)現(xiàn)了基于Java語(yǔ)言的云資源管理方法，根據(jù)算法1在該模塊中實(shí)現(xiàn)了螢火蟲(chóng)群算法的優(yōu)化代碼。表1顯示了云數(shù)據(jù)中心的物理主機(jī)和虛擬機(jī)的參數(shù)配置情況，為了使描述簡(jiǎn)單，這些物理主機(jī)都是相同的配置，表2顯示了GSO-VMP算法與其他常見(jiàn)的Benchmark智能算法的參數(shù)設(shè)置，這些參數(shù)設(shè)置是虛擬機(jī)放置優(yōu)化算法的常見(jiàn)經(jīng)驗(yàn)設(shè)置，用來(lái)比較不同的虛擬機(jī)放置算法的性能優(yōu)劣[4]。

表1 云數(shù)據(jù)中心的物理主機(jī)的參數(shù)設(shè)置

表2 不同優(yōu)化策略性能分析相關(guān)的參數(shù)設(shè)置

4.2 客戶端虛擬機(jī)類型設(shè)置

實(shí)驗(yàn)中與虛擬機(jī)相關(guān)的參數(shù)都來(lái)自最常見(jiàn)的CoMon項(xiàng)目，它是由PlanetLab開(kāi)發(fā)的一個(gè)項(xiàng)目[30]。虛擬機(jī)遷移周期設(shè)置為10 min一次，一共運(yùn)行24 h，每次統(tǒng)計(jì)一天內(nèi)的能量消耗，在一周內(nèi)重復(fù)運(yùn)行5次取平均值，一周內(nèi)每天虛擬機(jī)請(qǐng)求的個(gè)數(shù)見(jiàn)表3，不同的虛擬機(jī)粒度見(jiàn)表4。

表3 周一到周五PlanetLab項(xiàng)目的設(shè)置

表4 CoMon項(xiàng)目不同虛擬機(jī)粒度的參數(shù)設(shè)置

4.3 仿真結(jié)果與性能分析

4.3.1 物理資源的利用效率

GSO-VMP多維物理資源利用效率分析如圖3所示，顯示了各個(gè)智能算法優(yōu)化針對(duì)云數(shù)據(jù)中心的所有物理主機(jī)的處理器資源、內(nèi)存資源和存儲(chǔ)資源的平均利用效率情況，也對(duì)包括云數(shù)據(jù)中心在內(nèi)的所有活躍物理主機(jī)情況進(jìn)行了分析。CPU利用效率隨虛擬機(jī)個(gè)數(shù)的變化如圖4所示，顯示了隨著虛擬機(jī)請(qǐng)求個(gè)數(shù)的增加，物理資源利用效率的變化情況。這些實(shí)驗(yàn)結(jié)果表明，GSO-VMP策略可以使得云數(shù)據(jù)中心的物理主機(jī)資源利用率平均達(dá)到91%以上，而且處理器的利用效率最高。

在相同的軟硬配置和虛擬機(jī)請(qǐng)求的條件下，花授粉優(yōu)化算法（flower pollination algorithm，F(xiàn)PA）、遺傳算法（genenic algorithm，GA）以及蟻群優(yōu)化（ant colony optimization，ACO）算法等虛擬機(jī)放置優(yōu)化策略只能使得云數(shù)據(jù)中心的物理資源達(dá)到72%的利用效率，GSO-VMP策略能夠高效地利用物理資源。分析原因是GSO-VMP能夠在局部徑向范圍內(nèi)搜索到更多的可用物理主機(jī)，完成虛擬機(jī)放置，通過(guò)定義最佳鄰居數(shù)量，經(jīng)過(guò)螢火蟲(chóng)群優(yōu)化后，各個(gè)物理主機(jī)的處理器的利用效率提高，從而間接地節(jié)省了物理主機(jī)的能量消耗。

圖3 GSO-VMP多維物理資源利用效率分析

圖4 CPU利用效率隨虛擬機(jī)個(gè)數(shù)的變化

另外一個(gè)原因是GSO-VMP中虛擬機(jī)遷移都是基于虛擬機(jī)對(duì)處理器利用效率需求情況。GSO-VMP可以很好地分配虛擬機(jī)到目標(biāo)物理主機(jī)，整體來(lái)講，所有上面的實(shí)驗(yàn)結(jié)果都證明GSO-VMP是一個(gè)可操作的，成功的和高效的大規(guī)模云資源分配和優(yōu)化策略。

4.3.2 云數(shù)據(jù)中心的總體能量消耗

圖5和圖6顯示了GSO-VMP、GA、ACO、FPA等虛擬機(jī)放置策略在不同的虛擬機(jī)請(qǐng)求下的云數(shù)據(jù)中心的能量消耗情況?？傮w來(lái)說(shuō)，隨著云客戶端的虛擬機(jī)個(gè)數(shù)的增加，能量消耗都在增長(zhǎng)。與GA、ACO和FPA策略比較起來(lái)，GSO-VMP策略的能量消耗最小。

圖5 GSO-VMP隨虛擬機(jī)個(gè)數(shù)的能量消耗情況

圖6 GSO-VMP隨主機(jī)個(gè)數(shù)的能量消耗情況

因?yàn)榭蛻舳说奶摂M機(jī)請(qǐng)求個(gè)數(shù)的增加，越來(lái)越多的物理主機(jī)將被分配虛擬機(jī)，當(dāng)活動(dòng)主機(jī)數(shù)目不夠的時(shí)候，云數(shù)據(jù)中心還會(huì)啟動(dòng)處于睡眠狀態(tài)的物理主機(jī)。GSO-VMP能夠獲得這樣的良好性能也是因?yàn)槲灮鹣x(chóng)群算法的虛擬機(jī)放置優(yōu)化策略以及該策略在對(duì)云數(shù)據(jù)中心總體能量消耗的目標(biāo)函數(shù)設(shè)計(jì)之上。

表5顯示了隨著物理主機(jī)數(shù)量的變化，整個(gè)云數(shù)據(jù)中心不同算法的總體能量消耗與資源利用情況。從表5可以看出，在相同的虛擬機(jī)請(qǐng)求個(gè)數(shù)條件下，GSO-VMP策略的最大能量消耗只有100.3 kW·h，GA策略是125 kW·h。ACO策略是 129 kW·h，F(xiàn)PA策略是 111 kW·h，因此GSO-VMP虛擬機(jī)放置策略比常見(jiàn)的優(yōu)化策略可以節(jié)省20%的能量消耗，間接降低了企業(yè)成本。

表5 不同算法的總體能量消耗與資源利用情況

5 結(jié)束語(yǔ)

本文提出了云數(shù)據(jù)中心基于螢火蟲(chóng)群優(yōu)化的虛擬機(jī)放置策略——GSO-VMP。GSO-VMP通過(guò)定義云數(shù)據(jù)中心總體能量消耗的目標(biāo)函數(shù)，將物理主機(jī)處理器的使用效率作為螢火蟲(chóng)群的熒光素亮度值的函數(shù)參數(shù)，將螢火蟲(chóng)群優(yōu)化算法的4個(gè)階段運(yùn)用到虛擬機(jī)的放置過(guò)程中，最終將大量的候選遷移虛擬機(jī)重新高效地放置到最合適的物理主機(jī)之上。實(shí)驗(yàn)結(jié)果表明，GSO-VMP在能量消耗與資源利用方面有更加優(yōu)秀的性能。下一步工作是將GSO-VMP放置策略運(yùn)用到容器云資源分配之中。

[1] 陳雙喜, 趙若琰, 劉會(huì), 等. 基于KVM的虛擬機(jī)Post-Copy動(dòng)態(tài)遷移算法穩(wěn)定性優(yōu)化[J]. 電信科學(xué), 2021, 37(7):57-66.

CHEN S X, ZHAO R Y, LIU H, et al. Stability optimization of dynamic migration algorithm for Post-Copy of virtual machine based on KVM[J]. Telecommunications Science, 2021, 37(7):57-66.

[2] 黃丹池, 何震葦, 嚴(yán)麗云, 等. Kubernetes容器云平臺(tái)多租戶方案研究與設(shè)計(jì)[J]. 電信科學(xué), 2020, 36(9): 102-111.

HUANG D C, HE Z W, YAN L Y, et al. Research and design of multi-tenant scheme for Kubernetes container cloud platform[J]. Telecommunications Science, 2020, 36(9): 102-111.

[3] SHI T, MA H, CHEN G. Energy-aware container consolidation based on PSO in cloud data centers[C]//Proceedings of 2018 IEEE Congress on Evolutionary Computation. Piscataway: IEEE Press, 2018: 1-8.

[4] USMAN M J, ISMAIL A S, CHIZARI H, et al. Energy-efficient virtual machine allocation technique using flower pollination algorithm in cloud datacenter: a panacea to green computing[J]. Journal of Bionic Engineering, 2019, 16(2): 354-366.

[5] ARIANYAN E, TAHERI H, KHOSHDEL V. Novel fuzzy multi objective DVFS-aware consolidation heuristics for energy and SLA efficient resource management in cloud data centers[J]. Journal of Network and Computer Applications, 2017(78): 43-61.

[6] KAAOUACHE M A, BOUAMAMA S. Solving Bin packing problem with a hybrid genetic algorithm for VM placement in cloud[J]. Procedia Computer Science, 2015, 60(1): 1061-1069.

[7] BELOGLAZOV A, BUYYA R. Optimal online deterministic algorithms and adaptive heuristics for energy and performance efficient dynamic consolidation of virtual machines in cloud data centers[J]. Concurrency and Computation: Practice and Experience, 2012, 24(13): 1397-1420.

[8] WANG J V, CHENG C T, TSE C K. A power and thermal-aware virtual machine allocation mechanism for cloud data centers[C]//Proceedings of 2015 IEEE International Conference on Communication Workshop. Piscataway: IEEE Press, 2015: 2850-2855.

[9] 劉開(kāi)南. 云數(shù)據(jù)中心基于遺傳算法的虛擬機(jī)遷移模型[J]. 計(jì)算機(jī)應(yīng)用研究, 2020, 37(4): 1115-1118.

LIU K N. Virtual machine migration model in cloud data centers based on genetic algorithm[J]. Application Research of Computers, 2020, 37(4): 1115-1118.

[10] 徐勝超. 利用遺傳算法完成虛擬機(jī)放置策略的優(yōu)化[J]. 計(jì)算機(jī)與現(xiàn)代化, 2020(12): 25-31, 42.

XU S C. Using genetic algorithm for virtual machine placement optimization[J]. Computer and Modernization, 2020(12): 25-31, 42.

[11] 徐勝超. 貪心算法優(yōu)化云數(shù)據(jù)中心的虛擬機(jī)分配策略[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用, 2021, 30(3): 134-141.

XU S C. Greedy algorithms optimized virtual machine allocation for cloud data centers[J]. Computer Systems & Applications, 2021, 30(3): 134-141.

[12] XIONG A P, XU C X. Energy efficient multiresource allocation of virtual machine based on PSO in cloud data center[J]. Mathematical Problems in Engineering, 2014: 816518.

[13] 徐勝超. 一種新的蟻群算法優(yōu)化的虛擬機(jī)放置策略[J]. 計(jì)算機(jī)測(cè)量與控制, 2021, 29(5): 235-240.

XU S C. A new ant colony algorithm optimized virtual machine placement strategy[J]. Computer Measurement & Control, 2021, 29(5): 235-240.

[14] 陳艷, 周天綺, 徐勝超. 利用蟻群算法完成虛擬機(jī)放置的優(yōu)化[J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2021, 42(5): 1229-1234.

CHEN Y, ZHOU T Q, XU S C. ACO-VMP: using ant colony optimization algorithm for virtual machine placement[J]. Computer Engineering and Design, 2021, 42(5): 1229-1234.

[15] DUGGAN M, FLESK K, DUGGAN J, et al. A reinforcement learning approach for dynamic selection of virtual machines in cloud data centres[C]//Proceedings of 2016 Sixth International Conference on Innovative Computing Technology (INTECH). Piscataway: IEEE Press, 2016: 92-97.

[16] 戴嬌, 張明新, 孫昊, 等. 花朵授粉算法的優(yōu)化[J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2017, 38(6): 1503-1509.

DAI J, ZHANG M X, SUN H, et al. Optimization of flower pollination algorithm[J]. Computer Engineering and Design, 2017, 38(6): 1503-1509.

[17] LUO J P, LI X, CHEN M R. Hybrid shuffled frog leaping algorithm for energy-efficient dynamic consolidation of virtual machines in cloud data centers[J]. Expert Systems With Applications, 2014, 41(13): 5804-5816.

[18] WANG J V, FOK K Y, CHENG C T, et al. A stable matching-based virtual machine allocation mechanism for cloud data centers[C]//Proceedings of 2016 IEEE World Congress on Services. Piscataway: IEEE Press, 2016: 103-106.

[19] WOOD T, SHENOY P, VENKATARAMANI A, et al. Sandpiper: black-box and gray-box resource management for virtual machines[J]. Computer Networks, 2009, 53(17): 2923-2938.

[20] MISHRA M, SAHOO A. On theory of VM placement: anomalies in existing methodologies and their mitigation using a novel vector based approach[C]//Proceedings of 2011 IEEE 4th International Conference on Cloud Computing. Piscataway: IEEE Press, 2011: 275-282.

[21] JOSEPH C T, CHANDRASEKARAN K, CYRIAC R. A novel family genetic approach for virtual machine allocation[J]. Procedia Computer Science, 2015(46): 558-565.

[22] VASUDEVAN M, TIAN Y C, TANG M L, et al. Energy-efficient application assignment in profile-based data center management through a repairing genetic algorithm[J]. Applied Soft Computing, 2018(67): 399-408.

[23] LIU X F, ZHAN Z H, DENG J D, et al. An energy efficient ant colony system for virtual machine placement in cloud computing[J]. IEEE Transactions on Evolutionary Computation, 2018, 22(1): 113-128.

[24] ALBOANEEN D A, TIANFIELD H, ZHANG Y. Glowworm swarm optimisation algorithm for virtual machine placement in cloud computing[C]//Proceedings of 2016 Intl IEEE Conferences on Ubiquitous Intelligence & Computing, Advanced and Trusted Computing, Scalable Computing and Communications, Cloud and Big Data Computing, Internet of People, and Smart World Congress. Piscataway: IEEE Press, 2016: 808-814.

[25] ZHOU Z, HU Z G, LI K Q. Virtual machine placement algorithm for both energy-awareness and SLA violation reduction in cloud data centers[J]. Scientific Programming, 2016: 5612039.

[26] JAMIL M, YANG X S. A literature survey of benchmark functions for global optimisation problems[J]. International Journal of Mathematical Modelling and Numerical Optimisation, 2013, 4(2): 150.

[27] WANG R, ZHOU Y Q. Flower pollination algorithm with dimension by dimension improvement[J]. Mathematical Problems in Engineering, 2014: 481791.

[28] LIN W W, XU S Y, HE L G, et al. Multi-resource scheduling and power simulation for cloud computing[J]. Information Sciences, 2017, 397/398: 168-186.

[29] FARAHNAKIAN F, ASHRAF A, PAHIKKALA T, et al. Using ant colony system to consolidate VMs for green cloud computing[J]. IEEE Transactions on Services Computing, 2015, 8(2): 187-198.

[30] SPEC. Benchmarks, standard performance evaluation corporation[S]. 2021.

Approach of glowworm swarm optimization based virtual machine placement

XU Shengchao1, XIONG Maohua1, ZHOU Tianqi2

1. School of Date Science, Guangzhou Huashang College, Guangzhou 511300, China 2. School of medical instruments, Zhejiang Pharmaceutical Vocational University, Ningbo 315100, China

In a cloud data center, one of the most important problems is using novel virtual machine placement strategy to promote the physical resource utilization. An approach of glowworm swarm optimization based virtual machine placement for cloud data centers called GSO-VMP was proposed. In the virtual placement, GSO algorithm was used to find a near-optimal solution.Each physical host had a luciferin value which represented the available CPU utilization.Whenever a VM was placed to a physical host, luciferin value of this physical host was updated. GSO-VMP algorithm could search the more available physical host within localrange and thus the virtual migration numbers had been decreased and low energy consumption had been obtained. GSO-VMP had been evaluated using CloudSim with real-world workload data. The experimental results show that GSO-VMP has good performance in resource wastage and energy consumption.

intelligent computing, glowworm swarm optimization, virtual machine placement, cloud data center, low energy consumption

TP393

A

10.11959/j.issn.1000?0801.2022060

2021?08?25；

2022?01?24

周天綺，zhoutianqi_2018@126.com

廣東省高等學(xué)校科學(xué)研究特色創(chuàng)新項(xiàng)目（No.2021KTSCX167）；廣州華商學(xué)院校內(nèi)導(dǎo)師制科研項(xiàng)目（No.2021HSDS15）

s: Characteristic Innovation Project of Scientific Research in Colleges and Universities of Guangdong Province (No.2021KTSCX167), Science and Research Project in Supervisor of Guangzhou Huashang College (No.2021HSDS15)

徐勝超（1980? ），男，廣州華商學(xué)院數(shù)據(jù)科學(xué)學(xué)院講師，主要研究方向?yàn)椴⑿蟹植际教幚碥浖?/p>

熊茂華（1958? ），男，廣州華商學(xué)院數(shù)據(jù)科學(xué)學(xué)院教授、碩士生導(dǎo)師，主要研究方向?yàn)榍度胧脚c物聯(lián)網(wǎng)、智能控制、人工智能技術(shù)。

周天綺（1976? ），男，浙江藥科職業(yè)大學(xué)醫(yī)療器械學(xué)院副教授，主要研究方向?yàn)閳D像處理、醫(yī)療大數(shù)據(jù)和云計(jì)算。