CN107748693A - 云计算环境下的群组虚拟机调度策略 - Google Patents
云计算环境下的群组虚拟机调度策略 Download PDFInfo
- Publication number
- CN107748693A CN107748693A CN201711236583.8A CN201711236583A CN107748693A CN 107748693 A CN107748693 A CN 107748693A CN 201711236583 A CN201711236583 A CN 201711236583A CN 107748693 A CN107748693 A CN 107748693A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- virtual machine
- mtd
- msubsup
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/45595—Network integration; Enabling network access in virtual machine instances
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种云计算环境下的群组虚拟机调度策略，包括以下步骤：S1、建立虚拟机调度的可行决策空间；S2、最小化群组虚拟机所在网络的总流量，建立优化网络总流量的目标函数；S3、最小化网络中的最大链路利用率，建立优化最大链路利用率的目标函数；S4、建立总体目标函数，并结合蚁群算法与模拟退火算法对总体目标函数进行求解，得到函数的最优解以及虚拟机与物理机的映射关系。本发明在充分考虑资源约束的情况下，将控制网络总流量以及均衡网络链路上的流量分布定义为一个组合优化问题，并结合蚁群算法与模拟退火算法进行求解。本发明所提出的调度策略能够较好的优化群组虚拟机所在网络的性能，减小拥塞，有效提升用户的服务质量。
Description
技术领域
本发明属于云计算技术领域，特别涉及一种云计算环境下的群组虚拟机调度策略。
背景技术
在云计算环境下，主要是通过虚拟化技术对底层的物理资源进行分配、管理，以及调度，而虚拟机作为物理设备虚拟化后的主要载体，通过其与物理资源的不同映射，可对资源进行统一管理、动态调配，为用户提供透明的服务。
群组虚拟机，即通过用户请求去选择的一组关联虚拟机，这里的关联主要指：虚拟机或虚拟机的组件间存在资源约束或依赖关系。群组虚拟机可以部署到同一台或多台物理机上，相关的映射关系关系到云计算环境下的系统性能，资源利用率，电能耗费等，有效的映射不仅能够为云计算提供商带来商业利益，还能改善应用性能，提高服务的质量。现有的虚拟机调度策略主要聚焦在服务器资源上，如CPU、内存等。这种基于服务器上的研究往往忽略了云计算环境下网络性能对系统的影响，网络延迟较大时，虚拟机单位时间内处理的任务量减少，服务质量下降。大型云计算环境中一般有成千上万台服务器，这些服务器通过交换机逐层连接，组成庞大的网络体系。以Tree型网络拓扑为例，Tree型网络拓扑结构如图1所示。连接在同一交换机上的服务器之间具有最大的网络宽带，如服务器A与服务器B，若服务器之间的通信要经过聚集层的交换机，网络宽带一般会下降机架交换机的1/4至1/8，如服务器A与服务器D；若要经过核心层交换机，网络宽带会下降的更多延迟增大，如服务器A与服务器E。可见，网络通信过程中经过的交换机越多，通信性能越低。云计算环境下的Web应用或高性能分布式任务等将会部署在多个虚拟机上，由于应用中多个组件之间固有的依赖性，用户所申请的多台虚拟机间往往存在较为频繁的通信，通过上述的分析，可知：应将这组关联的虚拟机尽可能的部署在同一台物理机上或使它们之间的通信尽可能经过较少的交换机，降低虚拟机之间的延迟通信，提高服务的质量。然而，在目前的虚拟机调度算法中，对于群组虚拟机间的通信问题，关注度并不够高。
发明内容
本发明的目的在于克服现有技术的不足，提供一种将控制网络总流量以及均衡网络链路上的流量分布定义为一个组合优化问题，并结合蚁群算法与模拟退火算法进行求解，能够在满足物理机资源约束的情况下，较好的优化群组虚拟机所在网络的性能，减小拥塞，有效的提升用户的服务质量的群组虚拟机调度策略。
本发明的目的是通过以下技术方案来实现的：云计算环境下的群组虚拟机调度策略，包括以下步骤：
S1、根据用户的服务请求，建立虚拟机调度的可行决策空间；
S2、最小化群组虚拟机所在网络的总流量，建立优化网络总流量的目标函数；
S3、最小化网络中的最大链路利用率，建立优化最大链路利用率的目标函数；
S4、综合考虑S1和S2，建立总体目标函数，并结合蚁群算法与模拟退火算法对总体目标函数进行求解，得到函数的最优解以及虚拟机与物理机的映射关系，完成虚拟机的调度。
进一步地，所述步骤S1中建立虚拟机调度的可行决策空间的具体方法为：给定一个二进制变量表示虚拟机Vi被部署在物理机Pj上，则相反；Yi表示物理机Pi所处的状态，Yi＝1表示物理机Pi处于运行状态，Yi＝0表示物理机Pi处于关机状态；群组虚拟机的可行决策空间可表示为：
式中，表示对于任意一个请求虚拟机必须被部署在相应的物理机上；表示物理机的资源约束，部署在同一台物理机上的所有虚拟机的资源需求不能超过物理机本身所能容纳的各类资源数量；Ri,x表示第i台虚拟机Vi上所分配的第x种资源的数量；Hj,x表示第j台物理机Pj上所能容纳的第x种资源的数量；x表示可用的资源的种类，最大值为d。
进一步地，S2中建立的优化网络总流量的目标函数为：
其中，aij为给定虚拟机群组的网络流量矩阵A＝(aij)N×N中的元素，表示虚拟机Vi与虚拟机Vj之间的网络流量；Pi、Pj分别表示虚拟机Vi、Vj所部署的物理机；为矩阵中的元素，表示物理机Pi、Pj之间所经过的交换机或者路由器数目；为物理机Pi与Pj通信时的信息传播时延矩阵。
进一步地，所述步骤S3中建立的链路利用率的函数为：
其中，Cs,t表示链路(s,t)的容量，定义为链路可承受流量的最大带宽；表示虚拟机Vi、Vj相互通信经由链路(s,t)时，分配到链路上的网络流量；
最大化链路利用率的函数为：max(Lutilize)；
得到的目标函数为：min max(Lutilize)。
进一步地，所述步骤S4的总体目标函数为：
minf＝a·Wtraffic+Lutilize
其中，a为自定义的常数。
进一步地，所述步骤S4求解总体目标函数具体包括以下子步骤：
S41、初始化参数，令迭代次数t＝1，随机生成一种虚拟机部署方案；
S42、随机将所有蚂蚁分配到虚拟机上，所有蚂蚁独立工作，各自拥有一个描述其部署虚拟机情况的队列；蚂蚁按照转移概率将虚拟机分别部署到物理机上，将已经完成部署的虚拟机加入其禁忌表；转移概率的具体计算方法为：
表示蚂蚁k将虚拟机Vi部署到物理机Pj上的概率；
τij(t)为信息素，表示将虚拟机Vi部署到物理机Pj的支持率，是蚂蚁在进行路径转移时生成的一个随机数，表示网络总流量和最大链路利用率的重要程度；
ηij(t)为启发式信息，表示虚拟机Vi分配到物理机Pj上的期望程度，定义为网络流量与通信距离的乘积，其中，通信距离采用两个物理机之间所经过的交换机或者路由器数目来表示；启发式信息ηij(t)计算方法为：
allowk表示蚂蚁k可选择的物理机集合；
tabuk表示蚂蚁k对应的禁忌表；
α为信息素因子，表示蚂蚁选择路径过程中受到信息素的影响程度；
β为启发式因子，表示蚂蚁选择路径过程中受启发式信息的影响程度；
S43、所有蚂蚁完成本轮部署后生成K种部署方案，将所有方案组成候选解集，记作Candidata_Set＝{antk(Sk,fk)|1≤k≤K}，其中，Sk表示第k只蚂蚁生成的部署方案，fk表示第k只蚂蚁生成的部署方案的总体目标函数值，K表示蚂蚁的数量；将本次部署中所有蚂蚁的最优解记作为本轮最优解，记作antlocalbest(Slacalbest,flocalbest)；将当前全局最优解记作antbest(Sbest,fbest)；
S44、根据模拟退火准则，确定候选集中的解是否需要进行信息素更新，具体算法为：计算第k只蚂蚁生成的部署方案的总体目标函数值fk与本轮最优解floaclbest的差值：
Δf＝fk-floaclbest
根据上述差值计算接受概率函数P：
其中，T为当前温度值，θ为(0,1)之间的常数，由用户自行定义；
根据接受概率函数P与预设的随机数ε之间的关系确定是否需要进行信息素更新：
其中，ε为(0,1)之间的浮点数；
将需要进行信息素更新的解加入更新集U，记作Updata_Set＝{antck(Sk,fk)}；
S45、对步骤S43得到的本轮最优解antlocalbest(Slacalbest,flocalbest)进行局部优化：对物理机上的虚拟机进行随机交换生成新解antnew(Snew,fnew)，若fnew-flocalbest＜0，则接受该新解并将其加入更新集中，否则拒绝该新解；
S46、对更新集中的解对应的搜索路径进行局部更新，更新规则为：
τij(t)为更新后的信息素，τij(t-1)为更新前的信息素；是蚂蚁k将虚拟机Vi部署到物理机Pj上时留下的信息素，为当前全局最优解路径上的信息素，ρ为挥发因子；
S47、进行降温处理：
T(t+1)、T(t)分别为降温后和降温前的温度值；为预设的降温系数，判断降温处理后得到的温度是否大于预设的温度最小值Tmin，若是则令迭代次数t＝t+1，返回步骤S42，重新将所有蚂蚁分配到虚拟机；否则执行步骤S48；
S48、输出本次部署的全局最优解路径，得到虚拟机与物理机之间的映射关系，并输出总体目标函数的值。
本发明的有益效果是：
1、本发明提出了一种基于资源约束的群组虚拟机调度策略，综合考虑虚拟机所在网络环境中的网络总流量以及最大链路利用率，将控制网络总流量以及均衡网络链路上的流量分布定义为一个组合优化问题，并结合蚁群算法与模拟退火算法进行求解，克服了单纯使用蚁群算法而造成的算法收敛速度慢，易停滞的缺点。在满足物理机资源约束的情况下，通过最小化网络总流量来提高虚拟机间的通信效率；在网络总流量变化不大的情况下，通过降低最大链路利用率均衡网络流量的分布，减小拥塞，提高链路的利用率。从总体上来说，本发明能够有效的提升云计算机环境下的用户服务质量；
2、将蚁群算法和模拟退火算法相结合，能够加快算法的收敛速度，降低算法的复杂度。
附图说明
图1为Tree型网络拓扑结构图；
图2为本发明实施例提供的一组关联虚拟机示意图；
图3为本发明实施例提供的群组虚拟机调度策略的流程图；
图4为本发明实施例提供的求解总体目标函数的流程图；
图5为本发明实施例提供的单目标优化时网络总流量的对比图；
图6为本发明实施例提供的单目标优化时最大链路利用率的对比图；
图7为本发明实施例单提供的目标优化时最小链路利用率的对比图；
图8为本发明实施例提供的综合优化网络总流量的对比图；
图9为本发明实施例提供的综合优化最大链路利用率的对比图。
具体实施方式
在本发明中，主要以群组虚拟机为研究对象，考虑多资源约束下的群组虚拟机调度策略问题。在群组虚拟机的调度中，将主要考虑虚拟机间的通信效率，以及网络总流量、拥塞控制等。
为了使描述更加清楚，以下先给出四个定义：
定义一：云计算环境下共有M台物理机，记作P＝{P1,P2,…,Pm,…PM}，任意一台物理机Pm的可用资源(如CPU、内存、宽带、存储等)种类数记作d，则Hi,j表示物理机Pi的j类资源的容量，其中，j≤d。
定义二：用户申请一组虚拟机，数量为N，记作V＝{V1,V2,…,Vi,…VN}，任意一个虚拟机的需求资源记作Ri,j，表示虚拟机Vi对第j类资源的需求数量。
定义三：根据用户需求估算各组虚拟机对的网络流量，用有权无向项图G＝(V,E)表示，其中，V表示用户申请的虚拟机集合，边E＝(Va,Vb)；Va,Vb∈V，表示虚拟机Va和Vb是相互关联的，边的权值Ta,b表示两个虚拟机之间的通信流量。如图2所示，表示一组关联虚拟机示意图。图中，(Ri,cpu,Ri,mem)表示虚拟机Vi对CPU和内存的需求。
定义四：虚拟机所在网络的拓扑结构用有权无向图表示，D＝(P,E)，其中，P表示所有物理机的集合，E＝(Pe,Pf)；Pe,Pf∈P，表示物理机Pe和Pf存在通信链路，边的权值Ce,f表示链路的宽带。
本发明的优化目标为：将群组虚拟机部署在同一台或多台物理机上，使其在满足物理机资源约束的情况下，达到最小化网络总流量以及最大链路利用率的目的。下面结合附图进一步说明本发明的技术方案。
如图3所示，本发明是一种云计算环境下的群组虚拟机调度策略，包括以下步骤：
S1、根据用户的服务请求，建立虚拟机调度的可行决策空间；本发明群组虚拟机调度问题是解决如何将群组虚拟机部署到物理节点上，在满足物理节点资源约束(CPU、内存等)的情况下，达到优化网络性能的目标。下文步骤S2～S4的优化过程都是在满足步骤S1的基础上进行的。虚拟机调度问题的基础是，选择一台或多台物理机承载用户所申请的虚拟机。所以，本发明执行虚拟机调度的前提条件是：调度算法所选择的物理机必须满足用户最基本的资源请求。建立群组虚拟机调度的可行决策空间的具体方法为：给定一个二进制变量表示虚拟机Vi被部署在物理机Pj上，则相反；Yi表示物理机Pi所处的状态，Yi＝1表示物理机Pi处于运行状态，Yi＝0表示物理机Pi处于关机状态；群组虚拟机的可行决策空间表示为：
式中，表示对于任意一个请求虚拟机必须被部署在相应的物理机上；表示物理机的资源约束，部署在同一台物理机上的所有虚拟机的资源需求不能超过物理机本身所能容纳的各类资源数量；Ri,x表示第i台虚拟机Vi上所分配的第x种资源的数量；Hj,x表示第j台物理机Pj上所能容纳的第x种资源的数量；x表示可用的资源的种类，最大值为d。
S2、最小化群组虚拟机所在网络的总流量，建立优化网络总流量的目标函数；
其中，aij为给定虚拟机群组的网络流量矩阵A＝(aij)N×N中的元素，表示虚拟机Vi与虚拟机Vj之间的网络流量；Pi、Pj分别表示虚拟机Vi、Vj所部署的物理机；为矩阵中的元素，表示物理机Pi、Pj之间所经过的交换机或者路由器数目；为物理机Pi与Pj通信时的信息传播时延矩阵。
S3、最小化网络中的最大链路利用率，建立优化最大链路利用率的目标函数；
链路利用率的函数为：
其中，Cs,t表示链路(s,t)的容量，定义为链路可承受流量的最大带宽；表示虚拟机Vi、Vj相互通信经由链路(s,t)时分配到链路上的网络流量；
最大化链路利用率的函数为：max(Lutilize)；
得到的目标函数为：min max(Lutilize)。
S4、综合考虑S1和S2，建立总体目标函数，并结合蚁群算法与模拟退火算法对总体目标函数进行求解，得到函数的最优解以及虚拟机与物理机的映射关系，完成虚拟机的调度；
本步骤所建立的总体目标函数为：
minf＝a·Wtraffic+Lutilize
其中，a为自定义的常数。
如图4所示，步骤S4求解总体目标函数具体包括以下子步骤：
S41、初始化参数，令迭代次数t＝1，随机生成一种虚拟机部署方案；本发明的优化目标是最小化虚拟机所在网络的总流量以及最大链路利用率。因此，信息素将同时考虑这两种因素，而两种因素对该优化问题的影响程度是不确定的，所以蚂蚁在进行路径转移时生成一个随机数，用于表示网络总流量和最大链路利用率的重要长度，称为信息素；初始化时没有信息素生成，因此素有的蚂蚁随机选择部署路线；
S42、随机将所有蚂蚁分配到虚拟机上，所有蚂蚁独立工作，各自拥有一个描述其部署虚拟机情况的队列；蚂蚁按照转移概率将虚拟机分别部署到物理机上，将已经完成部署的虚拟机加入其禁忌表；转移概率的具体计算方法为：
表示蚂蚁k将虚拟机Vi部署到物理机Pj上的概率；
τij(t)为信息素，表示将虚拟机Vi部署到物理机Pj的支持率，是蚂蚁在进行路径转移时生成的一个随机数，表示网络总流量和最大链路利用率的重要程度；
ηij(t)为启发式信息，表示虚拟机Vi分配到物理机Pj上的期望程度，定义为网络流量与通信距离的乘积，其中，通信距离采用两个物理机之间所经过的交换机或者路由器数目来表示；启发式信息ηij(t)计算方法为：
allowk表示蚂蚁k可选择的物理机集合；
tabuk表示蚂蚁k对应的禁忌表；
α为信息素因子，表示蚂蚁选择路径过程中受到信息素的影响程度；
β为启发式因子，表示蚂蚁选择路径过程中受启发式信息的影响程度；
S43、所有蚂蚁完成本轮部署后生成K种部署方案，将所有方案组成候选解集，记作Candidata_Set＝{antk(Sk,fk)|1≤k≤K}，其中，Sk表示第k只蚂蚁生成的部署方案，fk表示第k只蚂蚁生成的部署方案的总体目标函数值，K表示蚂蚁的数量；将本次部署中所有蚂蚁的最优解记作为本轮最优解，记作antlocalbest(Slacalbest,flocalbest)；将当前全局最优解记作antbest(Sbest,fbest)，当前全局最优解指从第一次迭代开始到本次迭代结束，所有部署方案中的最优解，当t＝1时，当前全局最优解与本轮最优解相同；
S44、本发明所提出的改进的蚁群算法，在传统蚁群算法的基础上引入模拟退回机制，在温度随迭代次数逐渐降低的过程中，根据当前温度按照模拟退火机制从所有蚂蚁搜索得到的解集中生成更新集，更新该更新集中对应的信息素。在每轮迭代结束后以一定的概率选择候选解集中的解，对其所经过的路径进行信息素更新，初始时温度高候选解集中的解一大的概率被选择，是的全局信息素分布广泛，不至于陷入局部最优解。随着迭代次数的增加，温度逐渐降低，候选解集中交叉的解被选择的概率逐渐减少，信息素的更新集中在较优的路径上，能够加快算法收敛速度。根据模拟退火准则，确定候选集中的解是否需要进行信息素更新，具体算法为：计算第k只蚂蚁生成的部署方案的总体目标函数值fk与本轮最优解floaclbest的差值：
Δf＝fk-floaclbest
根据上述差值计算接受概率函数P：
其中，T为当前温度值，θ为(0,1)之间的常数；
根据接受概率函数P与预设的随机数ε之间的关系确定是否需要进行信息素更新：
其中，ε为(0,1)之间的浮点数；
将需要进行信息素更新的解加入更新集U，记作Updata_Set＝{antck(Sk,fk)}；
退火初始时接受概率接近于1，对更新集中解对应的部署方案进行信息素更新，使信息素分布更加广泛避免算法早熟。所有蚂蚁完成一次部署之后对算法进行降温处理，随着迭代次数的增加温度逐渐降低，接受概率变小，较差的解被接受的概率减小，使路径行的信息素分布更加集中，算法逐步收敛；
S45、引入模拟退火机制后，随着温度的逐渐降低信息素更新越来越几种在较优的解上，为避免算法早熟进入局部最优解，需要对步骤S43得到的本轮最优解antlocalbest(Slacalbest,flocalbest)进行局部优化：对物理机上的虚拟机进行随机交换生成新解antnew(Snew,fnew)，若fnew-flocalbest＜0，则接受该新解并将其加入更新集中，否则拒绝该新解；
S46、对更新集中的解对应的搜索路径进行局部更新，更新规则为：
τij(t)为更新后的信息素，τij(t-1)为更新前的信息素；是蚂蚁k将虚拟机Vi部署到物理机Pj上时留下的信息素，为当前全局最优解路径上的信息素，ρ为挥发因子；
S47、进行降温处理：
T(t+1)、T(t)分别为降温后和降温前的温度值；为预设的降温系数，判断降温处理后得到的温度是否大于预设的温度最小值Tmin，若是则令迭代次数t＝t+1，返回步骤S42，重新将所有蚂蚁分配到虚拟机；否则执行步骤S48；
S48、输出本次部署的全局最优解路径，得到虚拟机与物理机之间的映射关系，并输出总体目标函数的值。
下面通过实验仿真来进一步说明本发明所述云计算环境下的群组虚拟机调度策略的有效性。
算法在CloudSim平台上进行仿真实验，采用Java语言进行实现，实验环境的硬件配置为：CPU 2.2GHz，Mcmory 4GB，HDD 320GB。实验中配置的虚拟机数量为100，物理机数量为50，物理机计算能力为1500MIPS，内存为4096MB，虚拟机的计算资源请求为C＝(200MIPS，500MIPS，700MIPS)，内存资源请求为M＝(512MB，1024MB，2560MB)，根据集合C、M随机生成150个虚拟机。实验主要分为两个阶段：一是基于单目标优化网络总流量，该实验在三种网络拓扑环境下进行，分别是Tree、Fat-Tree、VL2；另一个是综合优化网络总流量以及最大链路利用率，该实验在Fat-Tree网络拓扑环境下进行。实验中将任务设置为满载任务，即任务需求恒定，模拟云计算环境下3小时的数据。
算法选取不同的参数对算法效果会产生不同的影响。本发明蚁群算法蚂蚁数目K、信息素因子α和启发式因子β的选取如表一所示，一共进行500次迭代。通过不断实验确定模拟退火算法参数如表二所示。
表一 蚁群算法参数
| 蚂蚁数目K | 45 |
| 信息素因子α | 0.5 |
| 启发式因子β | 1.5 |
| 最大迭代次数G | 500 |
表二 模拟退火算法参数
群组虚拟机调度策略的算法程序为：
实验结果分析
1、基于单目标优化网络的总流量。
测试在三种网络拓扑下的网络总流量以及链路利用率的情况。选取基本的蚁群算法ACO和BFD作为对比。其中，BFD算法是将群组虚拟机抽象成一个有权的无向图，对图中所有的节点按照其度的大小进行降序排列，根据流量大的虚拟机对放置在同一物理机或者交换机为原则，选择物理机节点。
基于单目标优化，得到的网络总流量的对比图如图5所示，最大链路利用率的对比图如图6所示，最小链路利用率的对比图如图7所示。
从图中可以看出，基于单目标优化网络中的流量时，最大链路利用率较高。在不同的网络拓扑结构下，Tree网络拓扑下的网络总流量较低，但最大链路利用率较高。
2、综合优化网络的总流量以及最大链路利用率。
在Fat-Tree网络拓扑环境下，综合优化网络的总流量以及最大链路利用率，选取虚拟机放置算法VMPACS作为对比，该算法采用改进的蚁群算法，解决多目标优化问题；选取基于虚拟机资源调度的粒子群算法PSO。实验选取三组不同数量的虚拟机组，物理机的数量及配置与上述实验相同，得到如图8所示的网络总流量的对比图和如图9所示的最大链路利用率的对比图。
从图中可以看出，本发明中的算法在优化网络总流量方面取得了较好的性能，单目标优化下的总流量没有明显增长，而最大链路利用率明显下降。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.云计算环境下的群组虚拟机调度策略，其特征在于，包括以下步骤：
S1、根据用户的服务请求，建立虚拟机调度的可行决策空间；
S2、最小化群组虚拟机所在网络的总流量，建立优化网络总流量的目标函数；
S3、最小化网络中的最大链路利用率，建立优化最大链路利用率的目标函数；
S4、综合考虑S1和S2，建立总体目标函数，并结合蚁群算法与模拟退火算法对总体目标函数进行求解，得到函数的最优解以及虚拟机与物理机的映射关系，完成虚拟机的调度。
2.根据权利要求1所述的云计算环境下的群组虚拟机调度策略，其特征在于，所述步骤S1中建立虚拟机调度的可行决策空间的具体方法为：给定一个二进制变量 表示虚拟机Vi被部署在物理机Pj上，则相反；Yi表示物理机Pi所处的状态，Yi＝1表示物理机Pi处于运行状态，Yi＝0表示物理机Pi处于关机状态；群组虚拟机的可行决策空间可表示为：
<mrow>
<mi>&pi;</mi>
<mo>=</mo>
<mo>{</mo>
<msubsup>
<mi>&pi;</mi>
<mi>j</mi>
<mi>i</mi>
</msubsup>
<mo>|</mo>
<msubsup>
<mi>&pi;</mi>
<mi>m</mi>
<mi>i</mi>
</msubsup>
<mo>&Element;</mo>
<mo>{</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>}</mo>
<mo>,</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msubsup>
<mi>&pi;</mi>
<mi>m</mi>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>N</mi>
<mo>}</mo>
<mo>,</mo>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msubsup>
<mi>&pi;</mi>
<mi>j</mi>
<mi>i</mi>
</msubsup>
<mo>&CenterDot;</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>x</mi>
</mrow>
</msub>
<mo>&le;</mo>
<msub>
<mi>Y</mi>
<mi>j</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>H</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>x</mi>
</mrow>
</msub>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>x</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>d</mi>
<mo>}</mo>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>j</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>N</mi>
<mo>}</mo>
<mo>}</mo>
</mrow>
式中，表示对于任意一个请求虚拟机必须被部署在相应的物理机上；表示物理机的资源约束，部署在同一台物理机上的所有虚拟机的资源需求不能超过物理机本身所能容纳的各类资源数量；Ri,x表示第i台虚拟机Vi上所分配的第x种资源的数量；Hj,x表示第j台物理机Pj上所能容纳的第x种资源的数量；x表示可用的资源的种类，最大值为d。
3.根据权利要求1所述的云计算环境下的群组虚拟机调度策略，其特征在于，所述步骤S2中建立的优化网络总流量的目标函数为：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mi>min</mi>
</mtd>
<mtd>
<mrow>
<msub>
<mi>W</mi>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mi>a</mi>
<mi>f</mi>
<mi>f</mi>
<mi>i</mi>
<mi>c</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>b</mi>
<mrow>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<msub>
<mi>P</mi>
<mi>j</mi>
</msub>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，aij为给定虚拟机群组的网络流量矩阵A＝(aij)N×N中的元素，表示虚拟机Vi与虚拟机Vj之间的网络流量；Pi、Pj分别表示虚拟机Vi、Vj所部署的物理机；为矩阵中的元素，表示物理机Pi、Pj之间所经过的交换机或者路由器数目；为物理机Pi与Pj通信时的信息传播时延矩阵。
4.根据权利要求3所述的云计算环境下的群组虚拟机调度策略，其特征在于，所述步骤S3中建立的链路利用率的函数为：
<mrow>
<msub>
<mi>L</mi>
<mrow>
<mi>u</mi>
<mi>t</mi>
<mi>i</mi>
<mi>l</mi>
<mi>i</mi>
<mi>z</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
</munder>
<msubsup>
<mi>x</mi>
<mrow>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msubsup>
</mrow>
<msub>
<mi>C</mi>
<mrow>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
</mfrac>
</mrow>
其中，Cs,t表示链路(s,t)的容量，定义为链路可承受流量的最大带宽；表示虚拟机Vi、Vj相互通信经由链路(s,t)时分配到链路上的网络流量；
最大化链路利用率的函数为：max(Lutilize)；
得到的目标函数为：min max(Lutilize)。
5.根据权利要求4所述的云计算环境下的群组虚拟机调度策略，其特征在于，所述步骤S4建立的总体目标函数为：
minf＝a·Wtraffic+Lutilize
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
</munder>
<msubsup>
<mi>x</mi>
<mrow>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msubsup>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
</munder>
<msubsup>
<mi>x</mi>
<mrow>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msubsup>
<mo>&le;</mo>
<msub>
<mi>C</mi>
<mrow>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msubsup>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，a为自定义的常数。
6.根据权利要求5所述的云计算环境下的群组虚拟机调度策略，其特征在于，所述步骤S4求解总体目标函数具体包括以下子步骤：
S41、初始化参数，令迭代次数t＝1，随机生成一种虚拟机部署方案；
S42、随机将所有蚂蚁分配到虚拟机上，所有蚂蚁独立工作，各自拥有一个描述其部署虚拟机情况的队列；蚂蚁按照转移概率将虚拟机分别部署到物理机上，将已经完成部署的虚拟机加入其禁忌表；转移概率的具体计算方法为：
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mfrac>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&tau;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>&alpha;</mi>
</msup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&eta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>&beta;</mi>
</msup>
</mrow>
<mrow>
<munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&NotElement;</mo>
<msub>
<mi>tabu</mi>
<mi>k</mi>
</msub>
</mrow>
</munder>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<msub>
<mi>allow</mi>
<mi>k</mi>
</msub>
</mrow>
</munder>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&tau;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>&alpha;</mi>
</msup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&eta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>&beta;</mi>
</msup>
</mrow>
</mfrac>
</mtd>
<mtd>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<msub>
<mi>allow</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>s</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
表示蚂蚁k将虚拟机Vi部署到物理机Pj上的概率；
τij(t)为信息素，表示将虚拟机Vi部署到物理机Pj的支持率，是蚂蚁在进行路径转移时生成的一个随机数，表示网络总流量和最大链路利用率的重要程度；
ηij(t)为启发式信息，表示虚拟机Vi分配到物理机Pj上的期望程度，定义为网络流量与通信距离的乘积，其中，通信距离采用两个物理机之间所经过的交换机或者路由器数目来表示；启发式信息ηij(t)计算方法为：
allowk表示蚂蚁k可选择的物理机集合；
tabuk表示蚂蚁k对应的禁忌表；
α为信息素因子，表示蚂蚁选择路径过程中受到信息素的影响程度；
β为启发式因子，表示蚂蚁选择路径过程中受启发式信息的影响程度；
S43、所有蚂蚁完成本轮部署后生成K种部署方案，将所有方案组成候选解集，记作Candidata_Set＝{antk(Sk,fk)|1≤k≤K}，其中，Sk表示第k只蚂蚁生成的部署方案，fk表示第k只蚂蚁生成的部署方案的总体目标函数值，K表示蚂蚁的数量；将本次部署中所有蚂蚁的最优解记作为本轮最优解，记作antlocalbest(Slacalbest,flocalbest)；将当前全局最优解记作antbest(Sbest,fbest)；
S44、根据模拟退火准则，确定候选集中的解是否需要进行信息素更新，具体算法为：计算第k只蚂蚁生成的部署方案的总体目标函数值fk与本轮最优解floaclbest的差值：
Δf＝fk-floaclbest
根据上述差值计算接受概率函数P：
<mrow>
<mi>P</mi>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mi>&theta;</mi>
<mi>&Delta;</mi>
<mi>f</mi>
<mo>/</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>&Delta;</mi>
<mi>f</mi>
<mo>></mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mi>&Delta;</mi>
<mi>f</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，T为当前温度值，θ为(0,1)之间的常数；
根据接受概率函数P与预设的随机数ε之间的关系确定是否需要进行信息素更新：
其中，ε为(0,1)之间的浮点数；
将需要进行信息素更新的解加入更新集U，记作Updata_Set＝{antck(Sk,fk)}；
S45、对步骤S43得到的本轮最优解antlocalbest(Slacalbest,flocalbest)进行局部优化：对物理机上的虚拟机进行随机交换，生成新解antnew(Snew,fnew)，若fnew-flocalbest＜0，则接受该新解并将其加入更新集中，否则拒绝该新解；
S46、对更新集中的解对应的搜索路径进行局部更新，更新规则为：
<mrow>
<msub>
<mi>&tau;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&rho;</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>&tau;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msubsup>
<mi>&Delta;&tau;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>&Delta;&tau;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mrow>
<mi>b</mi>
<mi>e</mi>
<mi>s</mi>
<mi>t</mi>
</mrow>
</msubsup>
</mrow>
<mrow>
<msubsup>
<mi>&Delta;&tau;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<msub>
<mi>f</mi>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>c</mi>
<mi>a</mi>
<mi>l</mi>
<mi>b</mi>
<mi>e</mi>
<mi>s</mi>
<mi>t</mi>
</mrow>
</msub>
<msub>
<mi>f</mi>
<mi>k</mi>
</msub>
</mfrac>
</mrow>
<mrow>
<msubsup>
<mi>&Delta;&tau;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mrow>
<mi>b</mi>
<mi>e</mi>
<mi>s</mi>
<mi>t</mi>
</mrow>
</msubsup>
<mo>=</mo>
<mfrac>
<msub>
<mi>f</mi>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>c</mi>
<mi>a</mi>
<mi>l</mi>
<mi>b</mi>
<mi>e</mi>
<mi>s</mi>
<mi>t</mi>
</mrow>
</msub>
<msub>
<mi>f</mi>
<mrow>
<mi>b</mi>
<mi>e</mi>
<mi>s</mi>
<mi>t</mi>
</mrow>
</msub>
</mfrac>
</mrow>
τij(t)为更新后的信息素，τij(t-1)为更新前的信息素；是蚂蚁k将虚拟机Vi部署到物理机Pj上时留下的信息素，为当前全局最优解路径上的信息素，ρ为挥发因子；
S47、进行降温处理：
T(t+1)、T(t)分别为降温后和降温前的温度值；为预设的降温系数，判断降温处理后得到的温度是否大于预设的温度最小值Tmin，若是则令迭代次数t＝t+1，返回步骤S42，重新将所有蚂蚁分配到虚拟机；否则执行步骤S48；
S48、输出本次部署的全局最优解路径，得到虚拟机与物理机之间的映射关系，并输出总体目标函数的值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711236583.8A CN107748693A (zh) | 2017-11-30 | 2017-11-30 | 云计算环境下的群组虚拟机调度策略 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711236583.8A CN107748693A (zh) | 2017-11-30 | 2017-11-30 | 云计算环境下的群组虚拟机调度策略 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107748693A true CN107748693A (zh) | 2018-03-02 |
Family
ID=61250207
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711236583.8A Withdrawn CN107748693A (zh) | 2017-11-30 | 2017-11-30 | 云计算环境下的群组虚拟机调度策略 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107748693A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108182113A (zh) * | 2017-12-13 | 2018-06-19 | 东南大学 | 一种无线云计算系统资源分配方法 |
| CN108712307A (zh) * | 2018-05-11 | 2018-10-26 | 北京奇虎科技有限公司 | 一种基于区块链的带宽能力计算方法及装置 |
| CN109542619A (zh) * | 2018-11-13 | 2019-03-29 | 河海大学常州校区 | 一种面向云计算中心的高效负载均衡优化调度方法 |
| CN109871682A (zh) * | 2018-12-19 | 2019-06-11 | 国网浙江省电力有限公司电力科学研究院 | 异构虚拟机平台的执行体统一控制方法 |
| CN110161997A (zh) * | 2019-06-12 | 2019-08-23 | 安徽大学 | 基于蚁群和模拟退火算法的流水车间调度方法及装置 |
| CN110196772A (zh) * | 2019-04-22 | 2019-09-03 | 河南工业大学 | 一种云数据中心环境下考虑容错机制的虚拟机调度方法 |
| CN110245015A (zh) * | 2019-03-01 | 2019-09-17 | 浙江工业大学 | 基于最优二元交换的服务器优化调度方法 |
| CN110362379A (zh) * | 2019-06-10 | 2019-10-22 | 南京理工大学 | 基于改进蚁群算法的虚拟机调度方法 |
| CN110688224A (zh) * | 2019-09-23 | 2020-01-14 | 苏州大学 | 混合云服务流程调度方法 |
| CN110851230A (zh) * | 2019-06-26 | 2020-02-28 | 湘潭大学 | 一种云计算中基于强化学习的虚拟机放置方法 |
| CN111064633A (zh) * | 2019-11-28 | 2020-04-24 | 国网甘肃省电力公司电力科学研究院 | 一种云边协同电力信息通信设备自动化测试资源分配方法 |
| CN111930469A (zh) * | 2020-07-20 | 2020-11-13 | 湖北美和易思教育科技有限公司 | 一种基于云计算的高校大数据竞赛管理系统及方法 |
| CN112395046A (zh) * | 2020-07-30 | 2021-02-23 | 上海有孚智数云创数字科技有限公司 | 基于温度预测的虚拟机迁移规划调度方法及其系统与介质 |
| CN116149798A (zh) * | 2023-04-13 | 2023-05-23 | 北京中电德瑞电子科技有限公司 | 云操作系统的虚拟机控制方法、装置以及存储介质 |
| CN117785381A (zh) * | 2023-12-19 | 2024-03-29 | 江南大学 | 一种基于多种群蚁群算法的虚拟机部署规划方法 |
| CN117931378A (zh) * | 2024-03-21 | 2024-04-26 | 浪潮通信信息系统有限公司 | 虚拟机迁移方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103067524A (zh) * | 2013-01-18 | 2013-04-24 | 浪潮电子信息产业股份有限公司 | 一种基于云计算环境的蚁群优化计算资源分配方法 |
| CN103095788A (zh) * | 2011-11-02 | 2013-05-08 | 佳都新太科技股份有限公司 | 一种基于网络拓扑的云资源调度策略 |
| CN103970609A (zh) * | 2014-04-24 | 2014-08-06 | 南京信息工程大学 | 一种基于改进蚁群算法的云数据中心任务调度方法 |
| CN106650991A (zh) * | 2016-09-27 | 2017-05-10 | 中国矿业大学(北京) | 基于模拟退火蚁群算法的路径规划 |
| WO2017186916A1 (en) * | 2016-04-29 | 2017-11-02 | Sanctum Networks Limited | A data driven orchestrated network with installation control using a light weight distributed controller |
-
2017
- 2017-11-30 CN CN201711236583.8A patent/CN107748693A/zh not_active Withdrawn
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103095788A (zh) * | 2011-11-02 | 2013-05-08 | 佳都新太科技股份有限公司 | 一种基于网络拓扑的云资源调度策略 |
| CN103067524A (zh) * | 2013-01-18 | 2013-04-24 | 浪潮电子信息产业股份有限公司 | 一种基于云计算环境的蚁群优化计算资源分配方法 |
| CN103970609A (zh) * | 2014-04-24 | 2014-08-06 | 南京信息工程大学 | 一种基于改进蚁群算法的云数据中心任务调度方法 |
| WO2017186916A1 (en) * | 2016-04-29 | 2017-11-02 | Sanctum Networks Limited | A data driven orchestrated network with installation control using a light weight distributed controller |
| CN106650991A (zh) * | 2016-09-27 | 2017-05-10 | 中国矿业大学(北京) | 基于模拟退火蚁群算法的路径规划 |
Non-Patent Citations (1)
| Title |
|---|
| 郑艳琪: "云平台下虚拟机调度研究与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108182113A (zh) * | 2017-12-13 | 2018-06-19 | 东南大学 | 一种无线云计算系统资源分配方法 |
| CN108712307A (zh) * | 2018-05-11 | 2018-10-26 | 北京奇虎科技有限公司 | 一种基于区块链的带宽能力计算方法及装置 |
| CN108712307B (zh) * | 2018-05-11 | 2021-01-29 | 北京奇虎科技有限公司 | 一种基于区块链的带宽能力计算方法及装置 |
| CN109542619A (zh) * | 2018-11-13 | 2019-03-29 | 河海大学常州校区 | 一种面向云计算中心的高效负载均衡优化调度方法 |
| CN109871682A (zh) * | 2018-12-19 | 2019-06-11 | 国网浙江省电力有限公司电力科学研究院 | 异构虚拟机平台的执行体统一控制方法 |
| CN109871682B (zh) * | 2018-12-19 | 2020-12-22 | 国网浙江省电力有限公司电力科学研究院 | 异构虚拟机平台的执行体统一控制方法 |
| CN110245015A (zh) * | 2019-03-01 | 2019-09-17 | 浙江工业大学 | 基于最优二元交换的服务器优化调度方法 |
| CN110245015B (zh) * | 2019-03-01 | 2021-07-27 | 浙江工业大学 | 基于最优二元交换的服务器优化调度方法 |
| CN110196772A (zh) * | 2019-04-22 | 2019-09-03 | 河南工业大学 | 一种云数据中心环境下考虑容错机制的虚拟机调度方法 |
| CN110196772B (zh) * | 2019-04-22 | 2023-05-23 | 河南工业大学 | 一种云数据中心环境下考虑容错机制的虚拟机调度方法 |
| CN110362379A (zh) * | 2019-06-10 | 2019-10-22 | 南京理工大学 | 基于改进蚁群算法的虚拟机调度方法 |
| CN110161997A (zh) * | 2019-06-12 | 2019-08-23 | 安徽大学 | 基于蚁群和模拟退火算法的流水车间调度方法及装置 |
| CN110851230A (zh) * | 2019-06-26 | 2020-02-28 | 湘潭大学 | 一种云计算中基于强化学习的虚拟机放置方法 |
| CN110851230B (zh) * | 2019-06-26 | 2023-08-15 | 湘潭大学 | 一种云计算中的基于强化学习的虚拟机放置方法 |
| CN110688224B (zh) * | 2019-09-23 | 2021-11-23 | 苏州大学 | 混合云服务流程调度方法 |
| CN110688224A (zh) * | 2019-09-23 | 2020-01-14 | 苏州大学 | 混合云服务流程调度方法 |
| CN111064633A (zh) * | 2019-11-28 | 2020-04-24 | 国网甘肃省电力公司电力科学研究院 | 一种云边协同电力信息通信设备自动化测试资源分配方法 |
| CN111064633B (zh) * | 2019-11-28 | 2021-09-24 | 国网甘肃省电力公司电力科学研究院 | 一种云边协同电力信息通信设备自动化测试资源分配方法 |
| CN111930469A (zh) * | 2020-07-20 | 2020-11-13 | 湖北美和易思教育科技有限公司 | 一种基于云计算的高校大数据竞赛管理系统及方法 |
| CN111930469B (zh) * | 2020-07-20 | 2024-04-09 | 武汉美和易思数字科技有限公司 | 一种基于云计算的高校大数据竞赛管理系统及方法 |
| CN112395046B (zh) * | 2020-07-30 | 2021-06-04 | 上海有孚智数云创数字科技有限公司 | 虚拟机迁移规划调度方法及其系统与介质 |
| CN112395046A (zh) * | 2020-07-30 | 2021-02-23 | 上海有孚智数云创数字科技有限公司 | 基于温度预测的虚拟机迁移规划调度方法及其系统与介质 |
| CN116149798A (zh) * | 2023-04-13 | 2023-05-23 | 北京中电德瑞电子科技有限公司 | 云操作系统的虚拟机控制方法、装置以及存储介质 |
| CN117785381A (zh) * | 2023-12-19 | 2024-03-29 | 江南大学 | 一种基于多种群蚁群算法的虚拟机部署规划方法 |
| CN117931378A (zh) * | 2024-03-21 | 2024-04-26 | 浪潮通信信息系统有限公司 | 虚拟机迁移方法及装置 |
| CN117931378B (zh) * | 2024-03-21 | 2024-06-11 | 浪潮通信信息系统有限公司 | 虚拟机迁移方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107748693A (zh) | 云计算环境下的群组虚拟机调度策略 | |
| CN106205126B (zh) | 基于卷积神经网络的大规模交通网络拥堵预测方法及装置 | |
| CN103676881B (zh) | 一种半导体生产线动态瓶颈分析方法 | |
| CN113490254B (zh) | 一种基于联邦学习双向gru资源需求预测的vnf迁移方法 | |
| CN104050242B (zh) | 基于最大信息系数的特征选择、分类方法及其装置 | |
| CN104636801A (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
| CN104317646B (zh) | 基于OpenFlow框架下云数据中心虚拟机调度方法 | |
| CN104036324B (zh) | 一种基于遗传算法的通信网络容量可靠性最优设计方法 | |
| CN104914835A (zh) | 一种柔性作业车间调度多目标的方法 | |
| CN109492774A (zh) | 一种基于深度学习的云资源调度方法 | |
| CN103310279B (zh) | 基于混合蚁群算法的多目标优化产品配置方法 | |
| CN103327082A (zh) | 一种多蚁群疏散优化交换方法 | |
| CN102508935A (zh) | 一种基于蚁群混沌遗传算法的片上网络映射方法 | |
| CN105024645B (zh) | 一种基于矩阵进化的光伏阵列故障定位方法 | |
| Alharbe et al. | An improved ant colony algorithm for solving a virtual machine placement problem in a cloud computing environment | |
| CN114205251A (zh) | 基于时空特征的交换机链路资源预测方法 | |
| Liao et al. | Energy consumption optimization scheme of cloud data center based on SDN | |
| CN111723516A (zh) | 基于自适应dnn替代模型的多目标海水入侵管理模型 | |
| CN108711860B (zh) | 一种基于并行计算的配电网变电站-线路联合规划方法 | |
| Rao et al. | An intelligent routing method based on network partition | |
| Cao et al. | A resource allocation strategy in fog-cloud computing towards the Internet of Things in the 5G era | |
| CN115001978B (zh) | 一种基于强化学习模型的云租户虚拟网络智能映射方法 | |
| Zhao et al. | A mapping method for convolutional neural networks on network-on-chip | |
| CN103440540B (zh) | 一种土地利用空间布局人工免疫优化模型的并行化方法 | |
| Qian et al. | A Cost-driven multi-objective optimization algorithm for SaaS applications placement |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180302 |