文摘

最近,虚拟机放置问题(VMP)收到了巨大的注意力从研究社区由于其直接影响能源效率、资源利用率和性能的云数据中心。VMP被认为是一个多维装箱问题,这是一个类型的np难问题。VMP的挑战是如何优化地方多个独立的虚拟机到几个物理服务器云提供商的收入最大化,同时满足服务水平协议(sla)。在本文中,一个有效的基于粒子群优化(PSO)的多目标算法VMP的技术问题,提出了被称为VMPMOPSO,。拟议中的VMPMOPSO利用拥挤熵方法来优化VMP,改善获得解决方案之间的多样性以及加速向最优解收敛的速度。VMPMOPSO与一个简单的简略算法相比,被称为First-Fit-Decreasing (FFD),和两个多目标蚁群遗传算法。两个仿真实验进行验证的有效性和效率提出VMPMOPSO。第一个实验表明,该算法有更好的性能比我们的算法相比,它的功耗,违反SLA和资源浪费。第二表明帕累托最优解决方案获得通过应用VMPMOPSO有良好的分布和比对比算法更好的收敛性。

1。介绍

云计算提供了一种有前途的方法,通过它的服务交付给用户在互联网上1]。它可以提供基础设施、平台和应用程序托管服务在现收现付大量的用户模型(2]。云用户可以购买更多或更少的计算资源的需求,因为云的资源似乎是无限的。以满足高性能的云用户的预期成本效益的方式,云提供商必须考虑几个关键的挑战,如大功耗,高资源浪费,和高服务水平协议(SLA)违反(3]。在这种背景下,能源管理在云数据中心是一个关键问题,因为它有一个直接影响运营成本(3]。统计数据显示,基础设施和电力成本的贡献约为75%,而信息技术只占总成本的25%操作一个云数据中心(4]。这不仅高功耗的增加是由于计算资源的坏处和能源效率低下的硬件,但也由于低效使用可用的资源。收集的数据来自5000多个物理服务器显示,在过去六个月,尽管大多数的这些服务器不空闲的大部分时间,利用很少达到100% (5]。此外,活跃的服务器通常在10 - 50%的运营能力,造成极大的资源浪费和权力。因此,它是非常重要的,以减少大电力消耗造成的闲置服务器提供商的收入最大化而满意的服务质量(QoS)交付给云消费者(6]。

的一个方法来解决电力低效和无效的云数据中心的资源利用率是采用虚拟化的功能(7)技术来创建多个虚拟机(vm)在单个服务器和关闭空闲的服务器。虚拟化的支持下,单个物理机的资源,如大量的cpu,内存,存储和网络带宽划分为多个执行环境几个虚拟机。虚拟机放置(VMP) [8,9虚拟化在云环境中是一个重要的问题,尤其是在基础设施即服务(IaaS) [10)模型。VMP vm中的一组映射到一个合适的物理服务器。然而,计算所有可能VM-server映射在云数据中心的环境和选择最好的一个是不可行的,因为复杂性与虚拟机和服务器的数量迅速增长。此外,不同的虚拟机放置的解决方案可能离开不同数量的物理资源,消耗不同数量的能量(11]。因此,如何优化地方虚拟机到云数据中心能耗最小化和资源浪费,同时保证QoS交付给云用户对研究人员仍然是一个挑战。

到目前为止,一些技术已经应用到解决问题VMP的虚拟化数据中心的基础设施,如线性规划(LP) [12),随机贪婪算法(13)、启发式本包装(14),模拟退火优化(15),约束编程(16)、遗传算法(GA) [17),和一个经典蚁群优化(ACO)算法(18]。另一种方法来优化虚拟机放置实现基于泛化的背包问题19]。VM部分算法试图自动调整其行为取决于工作负载的提交过程。尽管这些方法可能发现VMP的解决方案的问题,他们很容易落入当地极端的解决方案。同时,他们专注于优化一个目标如能耗、SLA、负载平衡、或资源利用率。

在这项工作中,我们提出一种新的算法VMP的问题,称为VMPMOPSO。该算法结合了PSO的技术原理和多目标优化。它可以分为四个部分:(1)一个合适的编码方案VMP问题旨在粒子空间映射所有可能的解决方案;(2)所有粒子的健身价值评估;(3)利用帕累托统治规则建立偏好中生成的解决方案;之后,nondominated解决方案投入存档;(4)最后,拥挤熵方法用于促进nondominated多样性的解决方案。相比现有的两个多目标VMP算法(20.,21)和简略算法(22),该算法具有更好的性能在能耗方面,资源浪费和SLA违反。此外,VMPMOPSO获得解决方案的算法比现有算法有更好的分销和收敛。

本文的其余部分组织如下。节2,最近VMP的相关工作方法进行了讨论。拟议的钢瓶管理框架在云数据中心的基础设施中描述部分3。在那之后,部分4介绍了问题陈述和制定VMP的问题。节5,我们提供背景知识的VMPMOPSO算法。给出了部分仿真结果和评估6。最后,提出了本文的结论和未来的工作7。

2。相关工作

近年来,VMP的问题已经引起相当大的关注,大量的研究已经进行了克服传统VMP方法的局限性(23- - - - - -27]。先生和撒母耳28)提出本packing-based方法优化VMP的云数据中心环境。在这种方法中,每个物理机器被认为是箱子和vm的目标在自由本。目标是最小化能量消耗通过将vm成几个主机。在[29日Verma)等人介绍的修改版本First-Fit-Decreasing (FFD)算法为vm映射到服务器有足够的资源主机。他们的目标是减少资源浪费减少片段泄漏所导致的放置多个VM在一个主机。然而,作者没有讨论违反SLA由于VM分配。最近,Beloglazov和Buyya [30.)提出了两种新颖的算法,可以互相参与开发一个动态虚拟机整合方法。他们首先提出一个修改Best-Fit-Decreasing (MBFD)算法,将钢瓶作为本支持问题的问题。该算法可分为两个部分:(1)vm降序排序根据他们当前的CPU利用率;(2)VMs被映射到服务器有足够的资源,并提供最低能耗由于这种映射。最后,对于消除服务器的过载,他们应用最小迁移(毫米)算法,旨在控制虚拟机的迁移服务器之间通过上、下阈值的CPU利用率。结果表明,该算法优于现有的其他政策。然而,拟议的MBFD算法通常是单点搜索,只集中在本地解决方案上,而忽略了全局最优位置在大规模数据中心的解决方案。

徐,(11)提出了一种改进的遗传算法基于模糊多目标评价为了有效地处理大型VMP的搜索空间问题的解决方案。他们的目标是减少能耗,有效地利用多维资源,避免热点。作者还设计两级自动控制系统来管理资源虚拟化的数据中心。在virtual-container层面,为了提高SLA,本地控制器是用来确定所要求的应用程序和资源请求的数量额外资源,以避免性能的退化。在资源池水平,全球控制器应用于管理虚拟机位置和资源分配,在物理资源分配作为片基于VM的要求请求。尽管该方法会取得更好的结果,与其他现有算法相比,它有更多的时间复杂性的结果解决多维资源分配基于多维矩阵。

刘等人。31日)制定VMP问题作为多目标优化问题和解决它通过使用一种改进的进化多目标优化算法NS-GGA命名。该算法结合了快速nondominated排序NSGA-II分组气体。分析结果表明,该NS-GGA优于现有算法。然而,它只关注解决VMP问题得到帕累托最优面前,同时相关问题如何改善VMP的多样性中获得解决问题的关注更少在这工作。

高et al。21)认为VMP虚拟化数据中心的问题是一个多目标优化问题和解决它通过使用一种改进的算法系统算法。我们的目标是找到一个的帕累托最优解集一起提高资源利用率和能源效率。然而,如何保证用户的SLA尚未讨论的论文。

郑et al。32)提出了一种新颖的方法称为VMPMBBO VMP的问题。该方法应用biogeography-based优化,以确保收敛到最优解的大型解决方案VMP优化问题的搜索空间。他们的目标是提高云数据中心效率的同时减少总能耗和资源浪费。然而,钢瓶操作的影响SLA违反并没有被认为是在他们的论文中。

在[33),Kumar和Raza PSO方法VM调度策略,以最小化总资源浪费和心理服务器利用率。拟议的工作达到更好的结果比传统策略如最佳,首先满足,Worst-Fit放置。然而,这种方法可以被困在当地的最适条件。

最近,Dashti和拉赫曼(34)提出了一个改进算法重新分配虚拟机迁移的重载的主机。然而,他们认为只有服务器利用率和迁移成本获得最优解的虚拟机放置的过程。特里帕西et al。35)制定的虚拟机放置过程多目标优化问题更好的能源消耗和资源使用。然而,他们忽略了SLA违反物理服务器。

正如上面所讨论的,许多方法已被研究人员提出解决VMP的问题,但他们都没有考虑过这样的问题的所有问题,确保交付给用户的QoS,同时云提供商的收入最大化。因此,发展一种新的算法所需钢瓶的问题是为了减少操作成本云提供商,同时也为消费者提供良好的服务。

3所示。系统架构和问题公式化

本节介绍了虚拟机管理系统架构在云环境和制定VM位置作为多目标优化问题。

3.1。系统架构

IaaS云计算平台,计算资源作为服务提供给消费者的需求,和消费者可以买到尽可能多或尽可能少的计算能力的需求。云用户可以访问计算资源通过任何电子设备连接到互联网,比如笔记本电脑,PC、PDA和移动电话。今天,许多IaaS提供商如谷歌计算引擎[36)和Amazon AWS (37)的形式为用户提供独家的基础设施VM实例。他们提供了几种类型的VM实例有不同配置和不同的价格。有大量的用户请求同时VM实例,因此如何优化地方这些VM在云数据中心云提供商的利润最大化,同时满足用户的需求是一个重要的问题要解决。为了解决这个问题,我们现在提出了云环境中的虚拟机管理系统架构如图1。

在云数据中心,首先,云用户请求从云IaaS提供商使用VM虚拟机描述模板。每个虚拟机的配置中定义的物理资源指标如cpu核心,磁盘存储、内存容量和网络带宽。第二,虚拟机调度程序接受和处理传入的请求从云用户对租用VM实例。与此同时,两个动作进行自动:虚拟资源的供应和监测这些资源。因此,在本文中,我们使用一个优化政策加上我们的算法优化虚拟机的放置到不同的服务器考虑云提供者与消费者的相互冲突的目标。该算法的目标是找到一组帕累托最优解决方案,优化多目标如违反SLA、能源消耗和资源浪费。改善获得的解决方案之间的差异和加速向最优解收敛速度,该算法利用拥挤熵机制来估计拥挤距离每个获得准确的解决方案。

3.2。问题公式化

云IaaS提供商定期接收大量计算资源的请求,如CPU,内存,存储和网络带宽,从不同的用户。这些资源是作为vm打包,然后被放置在不同的服务器上的云提供商的基础设施基于特定的限制,如满足SLA需求,提高能源效率,减少资源的浪费。这里,虚拟机的资源和服务器的资源由一个多维向量表示。我们使用两个维度来表示一个VM服务器cpu和内存。每个服务器可以使用的资源 在哪里米代表了服务器的总数,代表的CPU能力,代表主内存的大小。类似地,每个请求的资源VM可以表示为向量 ,在哪里n是虚拟机请求的总数。我们用一个二进制变量引用是否服务器k使用( )( )。此外,通过假设一个服务器能够托管多个独立的虚拟机,我们定义了决策变量代表虚拟机是否我映射到服务器k( )( )。

3.2.1之上。违反SLA建模

在云计算环境中,将虚拟机放置到合适的主机提供至少违反SLA云提供者和使用者来说都是非常重要的。Beloglazov和Buyya38,39)违反SLA由于VM配置定义为一小部分的区别处理单元的总要求所有虚拟机和CPU资源的实际分配的CPU处理单元相对的总请求处理单元的CPU /虚拟机的生命周期。然而,这些研究只考虑性能退化由于CPU资源的缺乏,而不是其他资源(如存储、内存和网络带宽。在这里,我们量化违反SLA考虑资源(CPU和内存)的一个二维向量,而不是一个CPU资源,如下面所示: 在哪里和由VM CPU和内存资源的要求吗我进行物理机器k分别 ,和n代表vm的总数。同样的,和是大量的CPU和内存资源分配给虚拟机我。

基于上述违反SLA的定义,介绍了量化造成的违反SLA物理机器吗k,见

3.2.2。资源浪费的建模

每个物理服务器上的剩余资源与不同VMP的解决方案可能差别很大。因此,有必要开发一种高效VMP的方法来增加物理服务器的资源利用率和保持每个服务器上的剩余资源平衡不同的维度。在这里,我们定义了资源浪费不同维度之间的平均价值剩余资源(CPU和内存)和整个物理机资源,如以下几点:

基于上述考虑,介绍了计算的总资源浪费kth服务器,见

3.2.3。功耗建模

最近的研究(40)显示的总功耗物理服务器是线性与CPU利用率成正比。这些研究表明,一个空闲服务器消耗了大约70%的能源消耗CPU时充分的利用。因此,为了节省电力,闲置服务器应该关掉。最后,见方程(5),提出了计算总功耗kth服务器。 在哪里和是指服务器的功耗k分别在闲置和满载。代表由VM CPU的数量要求我进行服务器k。在我们的仿真实验,和分别设置为162和215瓦特。

3.2.4。优化配方

VMP的问题描述如下。假设有n的虚拟机放置在米在云数据中心的服务器,这些虚拟机计算资源要求超过单个服务器的能力。目标是同时最小化违反SLA,浪费资源,和功耗。因此,我们制定了VMP的问题如下: 受

目标方程(6)和(7分别),旨在减少违反SLA和资源浪费的物理服务器上,和目标方程(8)旨在减少总能耗。约束方程(9)确保每个VM映射到一个且只有一个,主机。约束方程(10)和(11由所有vm)确保所请求的资源不超过全容量可用的服务器的资源。

4所示。介绍了改进的多目标粒子群算法

在本节中,我们首先概述PSO算法的原理,然后介绍背景知识的多目标优化。最后,我们给出一个简短描述的多目标粒子群优化算法(MOPSO)加上拥挤熵优化VMP的机制。

4.1。粒子群优化算法

的粒子群优化(PSO)是一个流行的计算技术(41]受到鱼的社会行为教育和鸟涌向寻求食物。最近的研究(42,43)表明,算法执行更好的与GA相比,分布式计算和网格计算环境。算法也能实现比遗传算法更好的收敛在搜索(42]。此外,Reyes-Sieraa和Coello [44)注意算法使用简单的操作与一些参数在低计算成本产生很好的结果。

在PSO,人口的所有可能的解决方案,称为粒子,首先初始化。然后,这些粒子可以飞的适应速度解决方案中寻找最优解的搜索空间。每个粒子可以存储到目前为止获得的最佳位置(局部最优),以及最好的位置跟踪整群(全局最优)。在这里,我们使用四倍 代表每个粒子群, 和 是第i个粒子的位置和速度矢量,分别。 表示本地i粒子和获得的最佳位置 代表了全球最佳位置进行搜索整群,d代表粒子的维度。

在每一次迭代t,PSO算法更新粒子的速度和定位方程(12)和(13),分别。 在哪里是加速度系数。的参数是积极的随机数均匀分布在0和1之间。惯性权重, ,用来控制粒子的无限增长的速度。惯性权重的定义如下: 在哪里和分别表示惯性最大和最小的值,t表示当前迭代值,表示迭代的最大数量,价值越高是,体重越小将。

4.2。多目标优化的定义

大多数现实问题有不止一个的目标通常是在彼此冲突,同时和优化这些目标是非常困难的。多目标优化(MOO)解决了这个问题。研制了许多多目标进化算法来解决MOO NSGA-ΙΙ[等问题45),国家环保总局(46],MOPSO [47)算法。实验结果(48)表明,MOPSO算法执行比传统多目标算法MOO问题。也可以达到减少计算时间和高比PAES和NSGA-ΙΙ算法搜索能力。自第一努力介绍了(49]Parsopoulos和Vrahatis采用传统PSO算法MOO的原则问题,许多作者提出了不同的尝试提高MOPSO的性能,例如,Durillo et al。50),Nebro et al。51],Moubayed et al。52]。大多数的这些努力致力于改善收敛性和多样性之间生成的解决方案。工作(53]包含nondominated MOPSO算法排序机制,提高全局搜索的规模。他的机制开始,但由于搜索空间的大小,控制数量的最好的解决方案是困难和机制可能倾向于进入当地的最适条件。为了避免MOPSO陷入局部解,李(54建议使用一个极大极小加上一个随机惯性权重策略。在这个策略,极大极小适应度函数是用来解决方案和确定帕累托统治地位而不需要集群或小生境过程。尽管该策略提高了群体的多样性,它的力量在全球搜索是不满足。

MOO的目标是找到这些值n维决策变量的向量一个m维目标向量的值最小(或最大)。MOO问题的最佳解决方案被称为帕累托最优解,结果从几个目标之间的偏好。MOO问题可以被描述在以下方式: 在哪里 被称为决策向量,X代表一组可行的解决方案, 被称为一个客观的向量,然后呢Y是一个客观的空间。指的是我th不等式约束时是j等式约束。正如上面所讨论的,我们寻找帕累托最优。更正式,我们有以下。

定义1(优势)。给定两个决策向量 和 ,我们说占主导地位 ,用 ,当且仅当(如果) : 和 。

定义2(帕累托最优)。一个向量帕累托最优解对吗X如果,

定义3(帕累托最优设置)。 被称为帕累托最优设置包含所有帕累托最优解决方案,定义为

4.3。基于距离拥挤外部存档

改善MOPSO获得解决方案的算法之间的差异和提高搜索能力,需要良好的聚集距离方法来测量周围的拥挤程度准确外部档案中的每个生成的解决方案。几种方法已经应用于估计的拥挤程度,如自适应超立方体中使用MOPSO [47),密度估计策略使用SPEA2 (55),和一个聚集距离方法提出了45]。这些方法有效地促成了MOPSO算法,但得到帕累托最优设置的多样性保护和全球最佳更新策略非常复杂,导致较高的时间复杂度。在这里,王等人提出的拥挤熵方法,在56),纳入MOPSO找到完美的解决方案具有良好的多样性。这种方法耦合的熵分布与拥挤距离策略为了更准确地估计每个粒子周围的密度。它可以定义如下: 在哪里 在哪里和代表的最大和最小值j目标函数,分别米是总数量的目标。和代表的距离我th粒子在其上下最亲密的邻居粒子沿j目标函数,分别。

最后,为了延长MOPSO拥挤熵方法,最重要的问题是修改首选方法。因此,偏好MOPSO规则可以定义在以下方式: 在哪里 代表了更少的拥挤距离决策向量。根据两个解向量之间的支配关系和 ,最多有三种情况:(1)占主导地位 ;(2)占主导地位 ;(3)和彼此nondominated ( )。

5。拟议中的VMPMOPSO方法

在本节中,多目标粒子群优化(MOPSO)算法,扩展与拥挤熵方法,称为VMPMOPSO,已经提出了VMP的问题。VMPMOPSO算法的目标是找到最优位置的解决方案,有效地减少违反SLA和资源浪费,节约能源。

VMPMOPSO演算法的伪代码中列出的算法1。这个算法开始与一些参数的初始化工作,如粒子的位置和速度,蜂群大小和最大迭代。然后,评估每个粒子根据健身功能6、7和8。nondominated获得解决方案在评估过程中都存储在归档集。通过继续新的nondominated解决方案添加到归档设置,形成外部存档。当有重复的解决方案相同的拥挤熵值,该算法删除,保留一份。之后,拥挤熵应用于改善之间的多样性得到解决方案。最高的解决方案拥挤熵值有更好的机会被选为全球最佳。在选择全球最好的,每个粒子的速度和位置更新的迭代t来t+ 1使用方程(12)和(13),分别。最后,VMPMOPSO检查循环终止条件,以确保如果销量超过最大迭代。如果循环销量超过最大迭代,停止;并返回帕累托集存储VMP问题的最优解;否则,继续下去,直到一个循环的结束。

5.1。粒子的定义

为了提出VMPMOPSO算法成功地申请VMP的问题,有必要开发一个高效编码方案VMP的解决方案问题映射到粒子空间。这是一个关键的步骤,因为最好的映射问题的解决方案到粒子会导致更多的VMPMOPSO算法的效率和更好的性能。在这里,我们定义粒子的位置矩阵代表VMP问题的所有可能的解决方案如下: 在哪里我代表第i个可能的解决方案t表示迭代数。此外,有n的虚拟机放置在米物理服务器。我们使用一个决策变量代表虚拟机是否我是分配给服务器k与否。如果虚拟机我是分配给服务器k, ;如果不是这样, 。

5.2。全球最佳更新策略

在VMPMOPSO,拥挤熵机制包含MOPSO专门对全球最佳选择。目标是提高收敛到真实的帕累托最优和控制能力的档案存档删除冗余解决方案。基于拥挤熵,所有nondominated解的拥挤距离值的降序排列存档计算和排名。之后,聚集值最高的解决方案有更好的机会被选为全球最优。例如,给定两个解向量 , 是一套存档, ,和解决方案向量据说全球最佳吗jth目标函数如果满足下列条件:(1)如果一个解决方案向量主导解决拥挤熵值向量沿着j目标函数,表示 ,那么解决方案更拥挤的解决方案吗(2)如果解决方案的拥挤熵值向量主导所有归档解决方案沿着j目标函数表示 ,那么解决方案选为全球最佳

6。结果与讨论

在本节中,我们已经进行了两次仿真实验验证了VMPMOPSO算法的有效性和效率。我们比较算法的性能与三个互相争生意的算法包括传统的简略算法FDD [52)和两个多目标算法MGGA (19]和VMPACS [20.在能源消耗方面,违反SLA和资源浪费。我们使用CloudSim工具包(57)来模拟和评估我们的算法在java语言和编码上运行英特尔酷睿i3 1.90 GHz CPU和4 GB RAM。在我们的实验中,我们使用一个云数据中心有200个物理机器。我们随机生成200个vm实例。每个实例请求CPU和内存资源。我们提出的线性相关性的CPU和内存使用率VM实例和使用方法22算法中列出)2生成VM部署请求。这两个和形成了VM部署要求。 , ,和µ随机数验证随机在区间[0,1]。和代表CPU和内存的引用值要求,分别。

控制在不同参数下生成的VM部署请求,我们假设两种情况。在第一种情况下,生成的CPU和内存资源的范围是在区间[0,50),引用值和设置为25%,概率值,控制不同的引用值之间的关系,表示为P不同,设置为0.0,0.25,0.50,0.75和1.0。同时,CPU和内存需求的平均相关系数设置为−0.754−0.348−0.072,0.371,和0.755的部署要求。这五个相关系数状态表示强烈的负面,weak-negative,不,弱阳性,强阳性。在第二种情况下,生成的CPU和内存需求的范围区间[0 90%)和参考价值设置为45%,平均相关系数的CPU和内存的要求,称为“相关系数。”,是−0.755−0.374−0.052,0.398,和0.751。

优化方法的参数值在我们VMPMOPSO算法随机验证如下。人口规模是有限的300微粒,最大迭代次数是500。惯性权重确定随机区间[0,0.8],加速常数 被验证随机区间[1.5,2.5],和随机数 验证随机在区间[0,1]。

6.1。实验我

我们验证的性能提出VMPMOPSO算法通过比较三种算法,即FDD [52],MGGA [19],VMPACS [20.]。图2显示了总功率消耗,浪费资源,和SLA违反的四个算法(FDD, MGGA VMPACCS, VMPMPSO)值设置为当参考== 25%,相关系数为0.754,0.348−−0.072,0.371,和0.755,分别。如图2(一个),VMPMOPSO算法可以显著降低功耗。很容易发现VMPMOPSO算法最小功耗和FDD相比,MGGA, VMPACCS。这是因为该VMPMOPSO基于拥挤熵能有效改善之间的多样性得到虚拟机放置问题的解决方案和探索更多的未知地区的可行的解决方案,因此,找到最优的位置的概率增加解决方案,最大限度地减少总能耗。同样,我们比较FDD的资源浪费,MGGA, VMPACS, VMPMOPSO算法,如图2 (b)。我们可以观察到VMPMOPSO FFD算法优越,MGGA, VMPACS算法在所有场景。VMPMOPSO可以有效地找到最优位置的解决方案,让最少的资源浪费。最后,第三个参数来评估是违反SLA定义为在服务器性能的退化将VM。四个算法(FDD, MGGA、VMPACS VMPMOPSO)与不同相关系数(−−0.754−0.348,0.072,0.371,和0.755)== 25%,萨尔违反如图3 (c)。很容易发现VMPMOPSO至少导致违反SLA和FDD相比,MGGA和VMPACS分别。原因是VMPMOPSO算法考虑CPU利用率和内存使用的物理服务器之前放置的决定。

图3报告的结果第二个场景时的参考价值== 45%,Corr.将−0.755−0.374−0.052,0.398,和0.751,分别。如数据所示3(一个)- - - - - -3 (c),再次提出VMPMOPSO算法相比FFD, MGGA,和VMPACS算法在能耗方面,资源浪费和SLA违反。也表明,在这种情况下,我们建议VMPMOPSO算法提供了更好的结果。

为了演示VMPMOPSO算法的有效性,我们进行了一个模拟实验比较MGGA, VMPACS,我们提出VMPMOPSO算法。数据4和5显示三个算法的收敛曲线。曲线上的每个点是指一个问题的最优解VMP的大规模数据中心。此外,一组解决方案,不是由任何其他点结合在一起,一组nondominated解决方案被称为帕累托集。在这里,三个目标函数定义如下:代表违反SLA,代表功耗,代表资源浪费。MGGA的帕累托最优解的分布,VMPACS, VMPMOPSO跑后100代图所示4。同样,MGGA的帕累托最优解的分布,VMPACS, VMPMOPSO跑后500代图所示5。如数据所示4和5,帕累托解集VMPMOPSO算法具有更好的分布和比从MGGA和VMPACS收敛。可以看出VMPMOPSO算法可以快速地朝着帕累托前沿,结果更接近比MGGA和VMPACS帕累托最优的解决方案。另外,我们观察到获得的解决方案由VMPMOPSO不专注于小区域,但分布在大型搜索空间目标的问题,导致更多的多样性在搜索和增加机会高的帕累托最优解收敛的速度。

6.2。实验二世

在本节中,我们进行了另一个实验来评估VMPMOPSO算法性能的两种多目标算法:MGGA VMPACS。我们计算两个指标,一代距离(GD) [58和间距(SP)59),为每一个算法。GD和SP可以定义如下: 在哪里的欧几里得距离吗我解决真正的帕累托面前,n是nondominated解决方案的数量。GD值越小,越向帕累托面前收敛。 在哪里 f是目标函数,平均的吗 ,和米数量的目标。SP的值接近于0表示解决方案,已发现的算法集。表是一个很好的解决方案1显示了GD和SP通过VMPMOPSO VMPACS算法。在这个表中,列”。柯尔。“显示了CPU利用率的相关系数和内存使用。

作为显示在表1,我们可以得出这样的结论:GD值平均VMPMOPSO并不比其他两个算法(MGGA和VMPACS)。这些结果是由于这一事实VMPMOPSO获得解决方案的算法更接近真正的帕累托面前MGGA和VMPACS比其他解决方案。关于SP度量,很明显,VMPMOPSO算法执行最好的结果相比MGGA和VMPACS算法。换句话说,最优解集的分布VMPPSO比另一个更加统一的最优解套MGGA和VMPACS算法。

7所示。结论

在本文中,我们提出一个新颖的称为VMPMOPSO VMP算法。VMPMOPSO对待VMP的问题作为一个多目标优化问题,并使用MOPSO优化VMP的解决问题。该方法优化多目标如违反SLA、能源消耗和资源浪费。我们已经进行了两次仿真实验评估VMPMOPSO算法的有效性和效率。VMPMOPSO与一个简略FDD算法和两个现有的多目标算法,MGGA VMPACS。实验结果表明,VMPMOPSO比FDD更有效和高效,MGGA, VMPACS算法。此外,VMPMOPSO拥挤熵方法的帮助下保持良好的人口多样性和可以迅速走向帕累托。一般来说,VMPMOPSO算法可以找到最优VMP不同目标之间的解决方案,提供了最好的妥协,不仅有助于供应商利润最大化通过减少能源消耗,还帮助他们保持SLA所需的水平。未来的工作将集中在使用VMPMOPSO来处理一些实际的多目标问题。

数据可用性

没有数据被用来支持本研究。

的利益冲突

作者宣称没有利益冲突。