CN104063261A - 一种基于云环境下的多目标优化虚拟机放置方法 - Google Patents

Abstract

本发明公开了一种基于云环境下的多目标优化虚拟机放置方法。本发明方法首先初始化改进的蚁群算法中的各个参数，包括蚂蚁数量NA。其次以随机排列的方式对服务器列表进行排序，并从中选出一台新的服务器用来进行虚拟机放置。然后对于每一台能够放入此服务器的虚拟机，通过公式计算出最有价值放入此服务器的虚拟机，并将虚拟机放置到当前服务器上。最后重复上一步直到当前服务器的资源不能满足所有需要放置的虚拟机的资源需求。在发明中的虚拟机放置问题作为一个多目标的组合优化问题，同时考虑了虚拟机运行时物理机的资源使用情况和功耗。对比其他解决方法，本方法能够更好的提高物理服务器的资源利用率并降低其功耗。

Description

一种基于云环境下的多目标优化虚拟机放置方法

技术领域

本发明涉及一种基于云环境下的多目标优化的虚拟机放置方法。

背景技术

近几年来，云计算已经成为一种流行的计算模式，它一般用来在互联网上托管虚拟机和提供服务。云计算主要有三种类型：基础设施作为服务(IaaS)，平台即服务(PaaS)和软件即服务(SaaS)。采用和部署云计算平台主要是因为它有许多吸引人的优点，如可靠性，服务质量和鲁棒性。对于消费者来说，云计算平台的资源似乎是无限的，只要需要，他们可以购买尽可能多的计算资源。从供应商的角度来看，云计算平台需要解决的关键问题是如何减少运营成本，实现利润最大化。在这方面，在云数据中心的电源管理成为一个重要的问题，因为它占运营成本的主导地位。此外，如云的大型计算机系统的功耗也提出了其他许多严重的问题，包括二氧化碳和系统的可靠性。云计算的出现，产生了巨大影响的信息技术(IT)产业在过去的几年中，亚马逊，谷歌，Salesforce，IBM，微软，甲骨文等大公司已开始建立新的数据中心托管云计算应用在世界各地的不同地点，来确保站点数据的可靠性。

在云计算的所有关键技术中，虚拟化技术是最重要的。虚拟化技术是将一台或多台计算机的物理资源如服务器、网络、内存及存储等予以抽象、转换后呈现出来，使用户可以比原本的组态更好的方式来应用这些资源。这些资源的新虚拟部分是不受现有资源的架设方式，地域或物理组态所限制。虚拟化使得云计算环境中的物理资源能够动态共享，并允许多个应用程序通过运行在一台物理服务器上的不同虚拟机中而相互隔离互不干扰。该技术还可以使需求或效用计算刚好满足资源配置模型中所需要的计算资源，即CPU，内存和磁盘空间只有在应用程序有需要使用时才动态的加以提供，而不是静态分配的模型在高峰时期才需要的最大需求。通过虚拟化，云提供商可以确保用户的服务质量(QoS)的同时实现服务器的高利用率和 高能源效率。

发明内容

本发明针对现有技术的不足，提供了一种基于云环境下的多目标优化虚拟机放置方法。

本发明方法的具体步骤是：

a.初始化改进的蚁群算法中的各个参数，包括蚂蚁数量NA。

b.以随机排列的方式对服务器列表进行排序，并从中选出一台新的服务器用来进行虚拟机放置。

c.对于每一台能够放入此服务器的虚拟机，通过公式计算出最有价值放入此服务器的虚拟机，并将虚拟机放置到当前服务器上。

d.重复步骤c，直到当前服务器的资源不能满足所有需要放置的虚拟机的资源需求。

e.重复步骤b、c、d，直到所有虚拟机都放置完毕。

1.进行信息素的收集和启发式信息的搜索。用τ_i,j来表示虚拟机i放置到主机j时信息素浓度，在初始化过程中，初始信息素浓度可以通过τ₀＝1/[n·(P'(S₀)+W(S₀))]计算出来，其中n表示虚拟机的数量，S₀是通过FFD算法计算出来的，W(S₀)表示值为S₀时主机的资源浪费情况，P'(S₀)表示正常情况下值为S₀时的功耗，可以通过以下公式计算出来：

$P^{\′}\left(S_0\right)=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}(P_j/P_j^{\mathrm{Max}})$

其中表示服务器j的最大功耗。

用η_i,j表示启发式搜索信息，它表示了虚拟机i分配到主机j上期望程度。为了准确的计算出每一步的期望程度，启发搜索信息是通过当前蚂蚁的状态来动态计算出来的。

其中，虚拟机i分配到主机j上的第一阶段的目标函数的局部贡献可以通过下面的公式计算出来：

${\mathrm{\η}}_{i,j,1}=\frac{1}{\mathrm{\ϵ}+{\mathrm{\Σ}}_{v=1}^j(P_v/P_v^{\mathrm{Max}})}$

和第一阶段的目标函数计算类似，虚拟机i分配到主机j上的第二阶段的 局部贡献可以通过以下公式计算出来：

${\mathrm{\η}}_{i,j,2}=\frac{1}{\mathrm{\ϵ}+{\mathrm{\Σ}}_{v=1}^j{W}_v}$

采用以下公式来计算虚拟机i分配到主机j上的总的期望程度值：

η_i,j＝η_i,j,1+η_i,j,2

2.构造出最优解。在做分配决定时，蚂蚁k选择虚拟机i并把它放进当前的主机j中是通过下面的伪随机序列规则来执行的。

$i=\left\{\begin{array}{c}\arg {\max }_{u\∈{\mathrm{\Ω}}_{k\left(j\right)}}\{\mathrm{\α}\×{\mathrm{\τ}}_{u,j}+(1-\mathrm{\α})\×{\mathrm{\η}}_{u,j}\},q\≤q_0\\ s,\mathrm{otherwise}\end{array}\right.$

其中α表示允许用户控制信息素浓度的一个参数，q是一个服从[0,1]分布的随机数。如果q大于q₀，则进行启发式搜索，反之，则进行接收来自虚拟机的迁移请求。q₀是一个固定参数，他是通过对知识的积累来探索下一步的移动的相对重要性。Ω_k(j)表示虚拟机集合中满足主机j的虚拟机，因此，

是一个通过下面的随机概率分布选取的一个随机变量，表示蚂蚁k选择将虚拟机i分配到主机j上的概率。

$p_{i,j}^k=\left\{\begin{array}{c}\frac{\mathrm{\α}\×{\mathrm{\τ}}_{i,j}+(1+\mathrm{\α})\×{\mathrm{\η}}_{i,j}}{{\mathrm{\Σ}}_{u\∈{\mathrm{\Ω}}_{k\left(j\right)}}(\mathrm{\α}\×{\mathrm{\τ}}_{u,j}+(1-\mathrm{\α})\×{\mathrm{\η}}_{u,j})},i\∈{\mathrm{\Ω}}_k\left(j\right)\\ 0,\mathrm{otherwise}\end{array}\right.$

3.信息素的更新。当虚拟机i分配到主机j时，蚂蚁降低虚拟机i到主机j的信息素追踪等级通过下面的公式：

τ_i,j(t)＝(1-ρ_l)τ_i,j(t-1)+ρ_l·τ₀

其中τ₀初始的信息素等级，ρ_l是局部的信息素挥发参数。

当所有的蚂蚁都构造出解时全局信息素才会更新。由于所有的非支配解和Pareto解都可以认为是多目标优化问题的最佳解，所以认为所有的非支配解都一样并且都是高效的，所有的可支配解都会被忽略掉。因此，当前Pareto集的每一个解S按照以下规则进行全局信息素更新：

${\mathrm{\τ}}_{i,j}\left(t\right)=(1-{\mathrm{\ρ}}_g){\mathrm{\τ}}_{i,j}(t-1)\frac{{\mathrm{\ρ}}_g\·\mathrm{\λ}}{P^{\′}\left(S\right)+W\left(S\right)}$

其中ρ_g表示全局信息素浓度更新时的挥发系数。构成Pareto集的全局非支配解，都被存储到额外的一个集合中。如果当前迭代中的一个解对于此迭代中的其他解或者额外集合中的来说是不可支配的，此解就会被加到额外的非支配解集中，所有移动过程中构造它的信息素的数量也会增加。NA表示蚂蚁的数量，NI_s表示非支配解S迭代的次数。C表示适应系数，用来控制额外集合中的解随着时间对信息素信息的贡献。

本发明有益效果：大多数的研究解决虚拟机放置问题都只考虑了一个单一的因素，然而，现实世界中的许多的问题需要考虑适用于多种环境条件下。出于这个原因，本发明倾向于看多目标的情况。因此，在发明中的虚拟机放置问题作为一个多目标的组合优化问题，同时考虑了虚拟机运行时物理机的资源使用情况和功耗。对比其他解决方法，本方法能够更好的提高物理服务器的资源利用率并降低其功耗。

附图说明

图1本发明流程图。

具体实施方式

下面结合附图和实施方法对本发明作进一步的详细说明。

参照图1执行步骤来说明本发明的实施过程：

1.信息素收集与启发式信息搜索

用τ_i,j来表示虚拟机i放置到主机j时信息素浓度，在初始化过程中，初始信息素浓度可以通过τ₀＝1/[n·(P'(S₀)+W(S₀))]计算出来，其中n表示虚拟机的数量，S₀是通过FFD算法计算出来的，W(S₀)表示值为S₀时主机的资源浪费情况，P'(S₀)表示正常情况下值为S₀时的功耗，可以通过以下公式计算出来：

$P^{\′}\left(S_0\right)=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}(P_j/P_j^{\mathrm{Max}})$

其中表示服务器j的最大功耗。

用η_i,j表示启发式搜索信息，它表示了虚拟机i分配到主机j上期望程度。为了准确的计算出每一步的期望程度，启发搜索信息是通过当前蚂蚁的状态来动态计算出来的。

其中，虚拟机i分配到主机j上的第一阶段的目标函数的局部贡献可以通过下面的公式计算出来：

${\mathrm{\η}}_{i,j,1}=\frac{1}{\mathrm{\ϵ}+{\mathrm{\Σ}}_{v=1}^j(P_v/P_v^{\mathrm{Max}})}$

和第一阶段的目标函数计算类似，虚拟机i分配到主机j上的第二阶段的局部贡献可以通过以下公式计算出来：

${\mathrm{\η}}_{i,j,2}=\frac{1}{\mathrm{\ϵ}+{\mathrm{\Σ}}_{v=1}^j{W}_v}$

采用以下公式来计算虚拟机i分配到主机j上的总的期望程度值：

η_i,j＝η_i,j,1+η_i,j,2

2.构造最优解

在做分配决定时，蚂蚁k选择虚拟机i并把它放进当前的主机j中是通过下面的伪随机序列规则来执行的。

$i=\left\{\begin{array}{c}\arg {\max }_{u\∈{\mathrm{\Ω}}_{k\left(j\right)}}\{\mathrm{\α}\×{\mathrm{\τ}}_{u,j}+(1-\mathrm{\α})\×{\mathrm{\η}}_{u,j}\},q\≤q_0\\ s,\mathrm{otherwise}\end{array}\right.$

其中α表示允许用户控制信息素浓度的一个参数，q是一个服从[0,1]分布的随机数。如果q大于q₀，则进行启发式搜索，反之，则进行接收来自虚拟机的迁移请求。q₀是一个固定参数，他是通过对知识的积累来探索下一步的移动的相对重要性。Ω_k(j)表示虚拟机集合中满足主机j的虚拟机，因此，

是一个通过下面的随机概率分布选取的一个随机变量，表示蚂蚁k选择将虚拟机i分配到主机j上的概率。

$p_{i,j}^k=\left\{\begin{array}{c}\frac{\mathrm{\α}\×{\mathrm{\τ}}_{i,j}+(1+\mathrm{\α})\×{\mathrm{\η}}_{i,j}}{{\mathrm{\Σ}}_{u\∈{\mathrm{\Ω}}_{k\left(j\right)}}(\mathrm{\α}\×{\mathrm{\τ}}_{u,j}+(1-\mathrm{\α})\×{\mathrm{\η}}_{u,j})},i\∈{\mathrm{\Ω}}_k\left(j\right)\\ 0,\mathrm{otherwise}\end{array}\right.$

3.信息素更新

当虚拟机i分配到主机j时，蚂蚁降低虚拟机i到主机j的信息素追踪等级通过下面的公式：

τ_i,j(t)＝(1-ρ_l)τ_i,j(t-1)+ρ_l·τ₀

其中τ₀初始的信息素等级，ρ_l是局部的信息素挥发参数。

当所有的蚂蚁都构造出解时全局信息素才会更新。由于所有的非支配解和Pareto解都可以认为是多目标优化问题的最佳解，所以认为所有的非支配解都一样并且都是高效的，所有的可支配解都会被忽略掉。因此，当前Pareto集的每一个解S按照以下规则进行全局信息素更新：

${\mathrm{\τ}}_{i,j}\left(t\right)=(1-{\mathrm{\ρ}}_g){\mathrm{\τ}}_{i,j}(t-1)\frac{{\mathrm{\ρ}}_g\·\mathrm{\λ}}{P^{\′}\left(S\right)+W\left(S\right)}$

其中ρ_g表示全局信息素浓度更新时的挥发系数。构成Pareto集的全局非支配解，都被存储到额外的一个集合中。如果当前迭代中的一个解对于此迭代中的其他解或者额外集合中的来说是不可支配的，此解就会被加到额外的非支配解集中，所有移动过程中构造它的信息素的数量也会增加。NA表示蚂蚁的数量，NI_s表示非支配解S迭代的次数。C表示适应系数，用来控制额外集合中的解随着时间对信息素信息的贡献。

Claims (5)

1.一种基于云环境下的多目标优化虚拟机放置方法，其特征在于该方法具体是：

a.初始化改进的蚁群算法中的各个参数；

b.以随机排列的方式对服务器列表进行排序，并从中选出一台新的服务器用来进行虚拟机放置；

c.对于每一台能够放入此服务器的虚拟机，通过公式计算出最有价值放入此服务器的虚拟机，并将虚拟机放置到当前服务器上；

d.重复步骤c，直到当前服务器的资源不能满足所有需要放置的虚拟机的资源需求；

e.重复步骤b、c、d，直到所有虚拟机都放置完毕。

2.根据权利要求1所述的一种基于云环境下的多目标优化虚拟机放置方法，其特征在于：用τ_i,j来表示虚拟机i放置到主机j时信息素浓度；在初始化过程中，初始信息素浓度通过τ₀＝1/[n·(P'(S₀)+W(S₀))]计算出来，其中n表示虚拟机的数量，S₀是通过FFD算法计算出来的，W(S₀)表示值为S₀时主机的资源浪费情况，P'(S₀)表示正常情况下值为S₀时的功耗，通过以下公式计算出来：

$P^{\′}\left(S_0\right)=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}(P^j/P_j^{\mathrm{Max}})$

其中表示服务器j的最大功耗。

3.根据权利要求1所述的一种基于云环境下的多目标优化虚拟机放置方法，其特征在于：在做分配决定时，蚂蚁k选择虚拟机i并把它放进当前的主机j中是通过下面的伪随机序列规则来执行的；

$i=\left\{\begin{array}{c}\arg {\max }_{u\∈{\mathrm{\Ω}}_{k\left(j\right)}}\{\mathrm{\α}\×{\mathrm{\τ}}_{u,j}+(1-\mathrm{\α})\×{\mathrm{\η}}_{u,j}\},q\≤q_0\\ s,\mathrm{otherwise}\end{array}\right.$

其中α表示允许用户控制信息素浓度的一个参数，q是一个服从[0,1]分布的随机数；如果q大于q₀，则进行启发式搜索，反之，则进行接收来自虚拟机的迁移请求；q₀是一个固定参数，它是通过对知识的积累来探索下一步的移动的相对重要性；Ω_k(j)表示虚拟机集合中满足主机j的虚拟机 ${\mathrm{\Ω}}_k\left(j\right)=\{i\∈\{1,...,n\left\}\right\}|({\mathrm{\Σ}}_{u=1}^m{x}_{\mathrm{iu}}=0)^(({\mathrm{\Σ}}_{u=1}^n(x_{\mathrm{uj}}\×R_{\mathrm{pu}})+R_{\mathrm{pi}})\≤T_{\mathrm{pj}})^(({\mathrm{\Σ}}_{u=1}^n(x_{\mathrm{uj}}\×R_{\mathrm{mu}})+R_{\mathrm{mi}})\≤T_{\mathrm{mj}}),$ S是一个通过下面的随机概率分布选取的一个随机变量，表示蚂蚁k选择将虚拟机i分配到主机j上的概率：

$p_{i,j}^k=\left\{\begin{array}{c}\frac{\mathrm{\α}\×{\mathrm{\τ}}_{i,j}+(1-\mathrm{\α})\×{\mathrm{\η}}_{i,j}}{{\mathrm{\Σ}}_{u\∈{\mathrm{\Ω}}_{k\left(j\right)}}(\mathrm{\α}\×{\mathrm{\τ}}_{u,j}+(1-\mathrm{\α})\×{\mathrm{\η}}_{u,j})},i\∈{\mathrm{\Ω}}_k\left(j\right)\\ 0,\mathrm{otherwise}\end{array}\right..$

4.根据权利要求1所述的一种基于云环境下的多目标优化虚拟机放置方法，其特征在于：用η_i,j表示启发式搜索信息，它表示了虚拟机i分配到主机j上期望程度；为了准确的计算出每一步的期望程度，启发搜索信息是通过当前蚂蚁的状态来动态计算出来的；

其中，虚拟机i分配到主机j上的第一阶段的目标函数的局部贡献通过下面的公式计算出来：

${\mathrm{\η}}_{i,j,1}=\frac{1}{\mathrm{\ϵ}+{\mathrm{\Σ}}_{v=1}^j(P_v/P_v^{\mathrm{Max}})}$

和第一阶段的目标函数计算类似，虚拟机i分配到主机j上的第二阶段的局部贡献通过以下公式计算出来：

${\mathrm{\η}}_{i,j,2}=\frac{1}{\mathrm{\ϵ}+{\mathrm{\Σ}}_{v=1}^j{W}_v}$

采用以下公式来计算虚拟机i分配到主机j上的总的期望程度值：

η_i,j＝η_i,j,1+η_i,j,2。

5.根据权利要求1所述的一种基于云环境下的多目标优化虚拟机放置方法，其特征在于：当虚拟机i分配到主机j时，蚂蚁降低虚拟机i到主机j的信息素追踪等级通过下面的公式：

τ_i,j(t)＝(1-ρ_l)τ_i,j(t-1)+ρ_l·τ₀

其中τ₀初始的信息素等级，ρ_l是局部的信息素挥发参数；

当所有的蚂蚁都构造出解时全局信息素才会更新；由于所有的非支配解和Pareto解都可以认为是多目标优化问题的最佳解，所以认为所有的非支配解都一样并且都是高效的，所有的可支配解都会被忽略掉；因此，当前Pareto集的每一个解S按照以下规则进行全局信息素更新：

${\mathrm{\τ}}_{i,j}\left(t\right)=(1-{\mathrm{\ρ}}_g){\mathrm{\τ}}_{i,j}(t-1)\frac{{\mathrm{\ρ}}_g.\mathrm{\λ}}{P^{\′}\left(S\right)+W\left(S\right)}$

其中ρ_g表示全局信息素浓度更新时的挥发系数；构成Pareto集的全局非支配解，都被存储到额外的一个集合中；如果当前迭代中的一个解对于此迭代中的其他解或者额外集合中的来说是不可支配的，此解就会被加到额外的非支配解集中，所有移动过程中构造它的信息素的数量也会增加；NA表示蚂蚁的数量，NI_s表示非支配解S迭代的次数；C表示适应系数，用来控制额外集合中的解随着时间对信息素信息的贡献。