CN111124605B - 利用气流组织分布方式进行数据中心虚拟机放置与调度的方法 - Google Patents

利用气流组织分布方式进行数据中心虚拟机放置与调度的方法 Download PDF

Info

Publication number
CN111124605B
CN111124605B CN201911239002.5A CN201911239002A CN111124605B CN 111124605 B CN111124605 B CN 111124605B CN 201911239002 A CN201911239002 A CN 201911239002A CN 111124605 B CN111124605 B CN 111124605B
Authority
CN
China
Prior art keywords
data center
scheduling
server
virtual machine
virtual machines
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.)
Active
Application number
CN201911239002.5A
Other languages
English (en)
Other versions
CN111124605A (zh
Inventor
邓玉辉
冯浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinan University
Original Assignee
Jinan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jinan University filed Critical Jinan University
Priority to CN201911239002.5A priority Critical patent/CN111124605B/zh
Publication of CN111124605A publication Critical patent/CN111124605A/zh
Application granted granted Critical
Publication of CN111124605B publication Critical patent/CN111124605B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/16—Constructional details or arrangements
    • G06F1/20—Cooling means
    • G06F1/206—Cooling means comprising thermal management
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Power Sources (AREA)

Abstract

本发明公开了一种利用气流组织分布方式进行数据中心虚拟机放置与调度的方法，在满足用户所指定的最大执行周期约束和服务器阈值温度下，优化虚拟机放置与调度以降低制冷系统的能耗。本发明结合数据中心气流组织方式进行整体建模，并结合虚拟机负载请求量大小，利用模拟退火算法对模型进行求解，以此获得适配当前数据中心气流组织的虚拟机放置方式，同时在执行任务时由于任务量负载的不确定性，可能会使虚拟机利用率在不同阶段产生较大的变化，因此利用上述模型及方法进行虚拟机调度以重新适配当前数据中心气流组织分布方式。该方法将虚拟机放置与调度与当前数据中心气流组织分布方式进行结合，降低数据中心的制冷能耗，大幅减少局部热点的产生。

Description

利用气流组织分布方式进行数据中心虚拟机放置与调度的 方法
技术领域
本发明涉及数据中心资源调度优化技术领域，具体涉及一种利用气流组织分布方式进行数据中心虚拟机放置与调度的方法。
背景技术
云计算通过对大量计算资源的虚拟聚合和共享，实现按需向用户提供各种各样的计算服务，因此能够满足日益增长的大数据处理需求。为了进一步提高云计算系统对大数据的管理和处理能力，如何合理、高效地调度云计算的资源从而实现向用户弹性地提供计算服务是提高云计算系统性能的关键。
在云计算环境中，由于云计算资源的数量庞大、数据中心虚拟机所承担的计算服务量也相当巨大。在应用云资源处理大数据计算任务时，不同的虚拟机放置及调度方式会带来不同的能耗。在现有的虚拟机调度模型中，可以依据虚拟机的物理资源优化(如CPU、内存、网络优化)进行调度。然而在实际应用中，这类忽略了气流组织特性的调度往往会给制冷系统带来巨大的开销及能耗。因此如何能够在虚拟机调度过程中考虑虚拟机资源和气流组织的特性，从而进一步提高虚拟机分配及调度的效率和对能耗的优化，对虚拟机调度方法提出了新的挑战。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷，提供一种利用气流组织分布方式进行数据中心虚拟机放置与调度的方法，改善当今数据中心耗能过高、热点频发等问题，通过对数据中心服务器排列以及气流组织分布方式进行建模，利用模拟退火算法计算虚拟机放置与调度的最佳方案，提高服务器的运行效率，并减少热点故障产生的可能性。
本发明的目的可以通过采取如下技术方案达到：
一种利用气流组织分布方式进行数据中心虚拟机放置与调度的方法，包括如下步骤：
S1、建立数据中心气流组织模型：结合数据中心气流组织分布方式及数据中心机架排列特点及各机架上服务器数量对数据中心服务器进行建模，输出数据中心气流组织模型，过程如下：
S101、确定每个服务器所能支持的最大虚拟机数量m，数据中心服务器总数为n，假设总任务需要的虚拟机数量为Ctot，分配在每个服务器i上的虚拟机数量为ci，则如下限制条件应被满足：
Figure BDA0002305671900000021
且ci≤m；
S102、将虚拟机放置及调度方案用向量
Figure BDA0002305671900000022
表示，/>
Figure BDA0002305671900000023
表示服务器的基本能耗，/>
Figure BDA0002305671900000024
表示放置m台虚拟机后服务器的当前能耗，服务器需要的入口温度为tnode，D为考虑热循环的数据中心节点热矩阵，可由如下公式计算：/>
D＝[(K-ATK)-1-K-1]，
其中AT表示交叉干扰系数矩阵A的转置矩阵,A矩阵可由实际数据中心基本功耗
Figure BDA0002305671900000025
节点出口温度/>
Figure BDA0002305671900000026
及制冷系统供应温度Tsup依据公式
Figure BDA0002305671900000027
推导得出；K为热力学常数值，K＝ρfiCp，Cp表示气流的比热容(一般值：1005JKg-1K-1)，ρ表示气流密度(一般值：1.19Kg/m3)，fi表示节点i的气流流速(一般值：520，CFM＝0.2454m3/s)。则制冷系统实时输出温度tsup可由如下公式计算：
Figure BDA0002305671900000028
S2、对模型进行求解：运用模拟退火算法对目标函数maximize tsup求最优解，使制冷系统输出温度tsup在满足服务器入口温度阈值的前提下调高，以达到节能的目的。
进一步地，所述的步骤S2中，对模型进行求解的过程如下：
S201、初始化模拟退火算法的初始温度T0、终止温度Tend和队列大小参数L，并生成首次初始解，初始解中每个个体的编码方式为
K＝(k1，k2，…，ki…，kn)
其中，ki表示将工作流的虚拟机匹配到相应的服务器节点Nodei执行；
S202、运用选择交叉法则产生新解，即交叉变换K中的元素；
S203、对以上交叉、变异操作所得到的新一代种群的每个个体，按照Metropolis准则进行筛选，即接受新解的概率P为：
Figure BDA0002305671900000031
即若df＜0，以概率1接受新解；反之若df≥0，以概率
Figure BDA0002305671900000032
接受新解；
S204、如果当前模拟退火温度T超出初始化设定的终止温度Tend则结束迭代，否则返回步骤S202继续执行。
进一步地，进行数据中心服务器建模时，针对不同类型的服务器硬件信息，设置不同的参数值
Figure BDA0002305671900000033
以及/>
Figure BDA0002305671900000034
其中，所述服务器硬件信息包括设备核心数量、内存大小和型号等信息。
进一步地，进行数据中心服务器建模时，应针对最近时刻的服务器利用率进行分类计算，可分为低利用率(利用率为30％以下)、中利用率(利用率为30％至60％)及高利用率(利用率为60％以上)。
进一步地，所述建立数据中心气流组织模型对不同位置的服务器进行区分，服务器间的相互影响参数有所区别，即不同数据中心的数据中心节点热矩阵D矩阵有所差异。
进一步地，所述运用模拟退火算法对目标函数maximize tsup求最优解过程中，设置最大迭代次数以控制模拟退火算法整体运行时间，当迭代达到最大次数时输出当前所获得的最优解。
进一步地，所述运用模拟退火算法对目标函数maximize tsup求最优解后应将所得虚拟机放置与调度方案交由虚拟机调度器进行执行。
进一步地，所述服务器入口温度阈值设定为25℃，即服务器需要的入口温度tnode＝25℃。
进一步地，所述方法中，对等待队列中的业务进行分析，主要判定此业务需要虚拟机数量、业务量大小、优先级及是否允许调度。
进一步地，所述方法中，通过任务调度器对虚拟机任务进行优先级排列，优先级较高的任务首先得到分配执行，设置任务队列
Figure BDA0002305671900000041
将一段时间内到来的虚拟机任务优先级由高至低进行排列，再按需执行分配，在调度阶段应首先对优先级低的虚拟机任务进行调度，以此保证高优先级任务的服务质量。
本方法结合虚拟机放置与动态迁移、数据中心及气流组织建模等技术构建一种利用气流组织分布方式进行数据中心虚拟机放置与调度的方法。本方法例将服务器的使用情况与气流组织分布情况进行结合，优先将虚拟机放置与调度于适配气流组织的服务器上，此方案对不同数据中心具有良好的适配能力，对于已经正在提供服务的数据中心，不需要进行后期对其制冷系统繁杂的改造便能采用。本方法公开的利用气流组织分布方式进行数据中心虚拟机放置与调度的方法能有效的避免服务器成为局部热点，降低数据中心制冷系统所带来的开销。
本发明相对于现有技术具有如下的优点及效果：
1、对于目前已经投入使用的数据中心，无需对其制冷系统及制冷方式进行改造，而是采用不同的虚拟机放置与调度方案，降低数据中心的整体能耗、优化气流组织并减少局部热点的产生。
2、对于尚未建成的数据中心，本发明无需耗费过多开销用于设立独立的分布式制冷系统，能降低数据中心建设初期的投入花销，并降低后期的运营维护花销。
3、本发明公开的利用气流组织分布方式进行数据中心虚拟机放置与调度在数据中心运营过程中自动且智能的执行，减少后期运营维护的开销，并能达到一次投入，终身使用的效果。
附图说明
图1是本发明利用气流组织分布方式进行数据中心虚拟机放置与调度的工作流程图；
图2是本发明模拟退火算法的流程图；
图3是本发明数据中心机架及服务器排列情况结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
将虚拟机任务通过一个向量
Figure BDA0002305671900000051
表述，/>
Figure BDA0002305671900000052
其中节点的集合c1,c2…ci…cn对应虚拟机需求，n是整个任务所需要的虚拟机的数目。在云计算的环境下，每个虚拟机任务都可以通过将虚拟机放置及调度于不同的服务器来实现，即任务ci应放置于相关的服务器si上，/>
Figure BDA0002305671900000053
其中m表示服务器数量。一个虚拟机任务的放置或调度方案可以用一组映射来表示，即/>
Figure BDA0002305671900000061
虚拟机调度的目标是,找到一种调度模式,使得能耗P最低，即使得tsup值最高，其中/>
Figure BDA0002305671900000062
Figure BDA0002305671900000063
使这些虚拟机任务能在满足服务时间质量的优先约束限制的条件下,安排到相应的数据中心服务器中执行,使得能耗的指标能够降低，满足数据中心节能，降低PUE的需求(PUE是能源效率，PowerUsage Effectiveness的简写，是数据中心消耗的所有能源与IT负载使用的能源之比，PUE值越接近于1，表示一个数据中心的绿色化程度越高)。
为了便于分析本发明，以下结合本发明利用气流组织分布方式进行数据中心虚拟机放置与调度工作流程图(图1)；本发明启发式算法(以模拟退火算法为例)流程图(图2)；本发明数据中心机架及服务器排列情况结构示意图(图3)，再作详细分析。
一、对数据中心气流组织建模的具体步骤：
(1)、确定每个服务器所能支持的最大虚拟机数量m；
(2)、确定数据中心服务器总数为n，假设总任务需要的虚拟机数量为Ctot，分配在每个服务器上的虚拟机数量为ci，则如下限制条件应被满足：
Figure BDA0002305671900000064
且ci≤m；
(3)、将虚拟机放置及调度方案用向量
Figure BDA0002305671900000065
表示，/>
Figure BDA0002305671900000066
表示服务器的基本能耗，/>
Figure BDA0002305671900000067
表示放置m台虚拟机后服务器的当前能耗，服务器需要的入口温度为tnode，D为考虑热循环的数据中心节点热矩阵，则制冷系统输出温度可建模表示为：/>
Figure BDA0002305671900000068
基于这种建模方式，本发明所采用的模型就能够充分地考虑虚拟机任务所要求的资源特性及服务器所能承担的虚拟机任务数量。值得注意的是，在模型中，当且仅当放置及调度方案对所有的虚拟机任务都满足所需要的执行时间均能够满足阈值上限Deadline，则该方案是可行的。对于所述气流组织建模应对不同位置的服务器进行区分，服务器间的相互影响参数应有所区别，即不同数据中心的D矩阵应有所差异。
二、模型求解算法的具体执行步骤：
对模型进行求解，其中，目标函数是maximize tsup，即使制冷系统输出温度tsup在满足服务器入口温度阈值的前提下尽量调高，以达到节能的目的。可运用模拟退火算法对模型进行求最优解，求解的过程如下：
(1)、初始化模拟退火算法的初始温度参数T0＝0、终止温度参数Tend＝10000和队列大小参数L＝150，并生成首次初始解，初始解中每个个体的编码方式为K＝(k1,k2,…,ki…,kn)
其中，ki表示将工作流的虚拟机匹配到相应的服务器节点Nodei执行；
(2)、运用选择交叉法则产生新解，即交叉变换K中的元素；
(3)、对以上交叉、变异操作所得到的新一代种群的每个个体，按照Metropolis准则进行筛选，即接受新解的概率P为：
Figure BDA0002305671900000071
即若df＜0,以概率1接受新解；反之若df≥0，以概率
Figure BDA0002305671900000072
接受新解；
(4)、如果当前模拟退火温度T超出算法设定的终止温度Tend则结束迭代，否则返回步骤(2)继续执行。
启发式算法求解后应将所得虚拟机放置与调度方案交由虚拟机调度器进行执行。同时，数据中心环境阈值温度应进行设置，常用阈值温度为25℃，即tnode＝25℃。
整个算法的流程图如图2所示。
有关热感知的虚拟机放置与调度的算法十分少见，在已有的文献中，只有Tang等人提出的XINT-GA算法能用于类似问题的求解中。因此，将发明的方法与XINT-GA算法进行比较。本实施例用10个例子来对这两种方法进行测试。其中，前3个例子是现实中的虚拟机任务问题，包括各种在实际数据中心中产生的虚拟机任务。其余的例子则根据模拟环境生成。由于XINT-GA是一种确定性算法，受此局限，因此它一次计算只能提供问题的一个解。为了将比较结果根据充分性，将发明的方法独立运行100次得到100个结果。在所有的10个问题中，基于模拟退火算法的虚拟机调度方法得到的平均值均优于XINT-GA得到的结果。此外，在中或大规模问题中(带有30个以上任务的)，即使是本发明得到的最差结果也要优于XINT-GA的结果。总的来说，本发明所提出的方法可以降低虚拟机任务运行中带来的10-20％的能耗开销，这证明了发明的方法是有效的。
综上所述，本实施例提出了一种利用气流组织分布方式进行数据中心虚拟机放置与调度的方法。该方法的目标是在满足用户所指定的最大执行周期约束和服务器阈值温度下，优化虚拟机放置与调度以降低制冷系统的能耗。该方法能有效地将虚拟机放置与调度与当前数据中心气流组织分布方式进行结合，从而降低数据中心的制冷能耗，提高数据中心运行的整体效率，并大幅减少局部热点的产生，提高数据中心的运行可靠性。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种利用气流组织分布方式进行数据中心虚拟机放置与调度的方法，其特征在于，所述方法包括如下步骤：
S1、建立数据中心气流组织模型：结合数据中心气流组织分布方式及数据中心机架排列特点及各机架上服务器数量对数据中心服务器进行建模，输出数据中心气流组织模型，过程如下：
S101、确定每个服务器所能支持的最大虚拟机数量m，数据中心服务器总数为n，设定总任务需要的虚拟机数量为Ctot，分配在每个服务器i上的虚拟机数量为ci，则如下限制条件应被满足：
Figure FDA0004054504240000011
且ci≤m；
S102、将虚拟机放置及调度方案用向量
Figure FDA0004054504240000012
表示，/>
Figure FDA0004054504240000013
表示服务器的基本能耗，/>
Figure FDA0004054504240000014
表示放置m台虚拟机后服务器的当前能耗，服务器需要的入口温度为tnode，D为考虑热循环的数据中心节点热矩阵，由如下公式计算：
Figure FDA0004054504240000015
其中AT表示交叉干扰系数矩阵A的转置矩阵，A矩阵由实际数据中心基本功耗
Figure FDA0004054504240000016
节点出口温度/>
Figure FDA0004054504240000017
及制冷系统供应温度Tsup依据公式
Figure FDA0004054504240000018
推导得出；其中K为热力学常数值，K＝ρfiCp，Cp表示气流的比热容，ρ表示气流密度，fi表示节点i的气流流速，则制冷系统实时输出温度tsup可由如下公式计算：
Figure FDA0004054504240000019
S2、对模型进行求解：运用模拟退火算法对目标函数maximizetsup求最优解，使制冷系统输出温度tsup在满足服务器入口温度阈值的前提下调高，以达到节能的目的；所述运用模拟退火算法对目标函数maximizetsup求最优解过程中，设置最大迭代次数以控制模拟退火算法整体运行时间，当迭代达到最大次数时输出当前所获得的最优解；
其中，所述的步骤S2中，对模型进行求解的过程如下：
S201、初始化模拟退火算法的初始温度T0、终止温度Tend和队列大小参数L，并生成首次初始解，初始解中每个个体的编码方式为
K(k1,k2,…,ki…,kn)
其中，ki表示将工作流的虚拟机匹配到相应的服务器节点Nodei执行；
S202、运用选择交叉法则产生新解，即交叉变换K中的元素；
S203、对以上交叉、变异操作所得到的新一代种群的每个个体，按照Metropolis准则进行筛选，即接受新解的概率P为：
Figure FDA0004054504240000021
即若df<0，以概率1接受新解；反之若df≥0，以概率
Figure FDA0004054504240000022
接受新解；/>
S204、如果当前模拟退火温度T超出初始化设定的终止温度Tend则结束迭代，否则返回步骤S202继续执行。
2.根据权利要求1所述的利用气流组织分布方式进行数据中心虚拟机放置与调度的方法，其特征在于，进行数据中心服务器建模时，针对不同类型的服务器硬件信息，设置不同的参数值
Figure FDA0004054504240000023
以及/>
Figure FDA0004054504240000024
其中，所述服务器硬件信息包括设备核心数量、内存大小和型号信息。
3.根据权利要求1所述的利用气流组织分布方式进行数据中心虚拟机放置与调度的方法，其特征在于，进行数据中心服务器建模时，针对最近时刻的服务器利用率进行分类计算，所述服务器利用率分为低利用率、中利用率及高利用率，所述低利用率定义为利用率在30％以下，所述中利用率定义为利用率介于30％至60％，所述高利用率定义为利用率在60％以上。
4.根据权利要求1所述的利用气流组织分布方式进行数据中心虚拟机放置与调度的方法，其特征在于，所述建立数据中心气流组织模型对不同位置的服务器进行区分，服务器间的相互影响参数有所区别，即不同数据中心的数据中心节点热矩阵D矩阵有所差异。
5.根据权利要求1所述的利用气流组织分布方式进行数据中心虚拟机放置与调度的方法，其特征在于，所述运用模拟退火算法对目标函数maximizetsup求最优解后应将所得虚拟机放置与调度方案交由虚拟机调度器进行执行。
6.根据权利要求1所述的利用气流组织分布方式进行数据中心虚拟机放置与调度的方法，其特征在于，所述服务器入口温度阈值设定为25℃，即服务器需要的入口温度tnode＝25℃。
7.根据权利要求1所述的利用气流组织分布方式进行数据中心虚拟机放置与调度的方法，其特征在于，所述方法中，对等待队列中的业务进行分析，主要判定此业务需要虚拟机数量、业务量大小、优先级及是否允许调度。
8.根据权利要求1所述的利用气流组织分布方式进行数据中心虚拟机放置与调度的方法，其特征在于，所述方法中，通过任务调度器对虚拟机任务进行优先级排列，优先级较高的任务首先得到分配执行，设置任务队列
Figure FDA0004054504240000031
将一段时间内到来的虚拟机任务优先级由高至低进行排列，再按需执行分配，在调度阶段应首先对优先级低的虚拟机任务进行调度，以此保证高优先级任务的服务质量。/>
CN201911239002.5A 2019-12-06 2019-12-06 利用气流组织分布方式进行数据中心虚拟机放置与调度的方法 Active CN111124605B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911239002.5A CN111124605B (zh) 2019-12-06 2019-12-06 利用气流组织分布方式进行数据中心虚拟机放置与调度的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911239002.5A CN111124605B (zh) 2019-12-06 2019-12-06 利用气流组织分布方式进行数据中心虚拟机放置与调度的方法

Publications (2)

Publication Number Publication Date
CN111124605A CN111124605A (zh) 2020-05-08
CN111124605B true CN111124605B (zh) 2023-03-31

Family

ID=70496236

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911239002.5A Active CN111124605B (zh) 2019-12-06 2019-12-06 利用气流组织分布方式进行数据中心虚拟机放置与调度的方法

Country Status (1)

Country Link
CN (1) CN111124605B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112433807A (zh) * 2020-10-19 2021-03-02 暨南大学 面向数据中心全局能耗优化的气流感知型虚拟机调度方法
CN113342460B (zh) * 2021-05-11 2023-01-13 暨南大学 一种云数据中心面对突发负载的能耗控制方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103023802A (zh) * 2012-12-05 2013-04-03 暨南大学 一种面向web集群的低能耗调度系统和方法
CN109871268A (zh) * 2019-01-10 2019-06-11 暨南大学 一种面向数据中心的基于气流组织的节能调度方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10410115B2 (en) * 2017-04-28 2019-09-10 Intel Corporation Autonomous machines through cloud, error corrections, and predictions

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103023802A (zh) * 2012-12-05 2013-04-03 暨南大学 一种面向web集群的低能耗调度系统和方法
CN109871268A (zh) * 2019-01-10 2019-06-11 暨南大学 一种面向数据中心的基于气流组织的节能调度方法

Also Published As

Publication number Publication date
CN111124605A (zh) 2020-05-08

Similar Documents

Publication Publication Date Title
Liu et al. Task scheduling and server provisioning for energy-efficient cloud-computing data centers
CN110308967B (zh) 一种基于混合云的工作流成本-延迟最优化任务分配方法
Yuan et al. Temporal task scheduling of multiple delay-constrained applications in green hybrid cloud
Nikoui et al. Cost-aware task scheduling in fog-cloud environment
CN112433807A (zh) 面向数据中心全局能耗优化的气流感知型虚拟机调度方法
CN104901989B (zh) 一种现场服务提供系统及方法
CN111124605B (zh) 利用气流组织分布方式进行数据中心虚拟机放置与调度的方法
Li et al. Energy-efficient mobile edge computing under delay constraints
Xu et al. RJCC: Reinforcement-learning-based joint communicational-and-computational resource allocation mechanism for smart city IoT
Sarvabhatla et al. A dynamic and energy efficient greedy scheduling algorithm for cloud data centers
CN110362379A (zh) 基于改进蚁群算法的虚拟机调度方法
Zhang et al. A new energy efficient VM scheduling algorithm for cloud computing based on dynamic programming
Dong et al. Quantum particle swarm optimization for task offloading in mobile edge computing
Song et al. A deep reinforcement learning-based task scheduling algorithm for energy efficiency in data centers
Singh et al. Value and energy optimizing dynamic resource allocation in many-core HPC systems
CN113342460B (zh) 一种云数据中心面对突发负载的能耗控制方法
CN110308991B (zh) 一种基于随机任务的数据中心节能优化方法及系统
Yang et al. An offloading strategy based on cloud and edge computing for industrial Internet
CN115758742A (zh) 一种面向配电网边缘计算装置的计算任务优化调度方法
Yakubu et al. Priority based delay time scheduling for quality of service in cloud computing networks
CN110149341B (zh) 基于休眠模式的云系统用户接入控制方法
Sahoo et al. MCSA: A multi-constraint scheduling algorithm for real-time task in virtualized cloud
CN113094149A (zh) 一种数据中心虚拟机放置方法、系统、介质及设备
Lou et al. Energy-efficient joint task assignment and migration in data centers: A deep reinforcement learning approach
Li et al. BTVMP: A Burst-Aware and Thermal-Efficient Virtual Machine Placement Approach for Cloud Data Centers

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
GR01 Patent grant
GR01 Patent grant