文摘
当部署基础设施即服务(IaaS)云虚拟机使用现有的算法,不能简化部署流程,算法很难被应用。这将导致能耗高的问题,大量的迁移和高平均服务水平协议(SLA)违反率。为了解决上述问题,一种自适应IaaS云虚拟机基于部署算法学习机制提出了研究。基于部署原则,IaaS云虚拟机的部署特性进行了分析。虚拟机调度问题被替换为马尔可夫过程。多步骤的学习算法用于虚拟机基于时间表完成自适应学习机制IaaS云虚拟机的部署。实验结果表明,该算法具有低能耗、小数量的迁移,较低的平均SLA违反率。
1。介绍
近年来,服务计算模型的发展规模逐渐扩大,已广泛应用于各个领域。分布式计算的快速进步、虚拟化和并行计算技术的发展促进了云技术(1,2]。云计算服务模型,通常分为软件即服务(SaaS)、平台即服务(PaaS)和IaaS。IaaS云计算服务属于基本水平和网络中可以提供资源和存储资源。因此,研究具有重要意义的算法部署IaaS云虚拟机(3]。
Lei和王4)结合的最佳适应算法和分层聚类算法优化效率。在此基础上,本地搜索算法被用来优化部署虚拟机的位置。算法的部署过程相对繁琐,导致算法的高能源消耗。廖et al。5)结合动态规划方法和马尔可夫模型预测的价格虚拟机和虚拟机部署在云环境中根据工作流的执行期限。然而,这种算法不能简化虚拟机部署过程。迁移的虚拟机的数量是相对较高的。Jiliang et al。6)建立了一个multiservice-desk排队模型。系统节能率和平均停留时间的云用户请求是通过矩阵几何法和虚拟出生和死亡的过程。虚拟机是将实现部署。该方法的平均违反SLA率很高,和算法的有效性差。
为了解决上面的问题的算法,自适应IaaS云虚拟机部署算法的基础上提出了学习机制。
本文的其余部分组织如下。部分2给虚拟机部署的基本问题和IaaS云虚拟机的自适应部署算法。实验中提供了部分3为了说明该方法的有效性。最后,部分4本文总结道。
2。相关的工作
2.1。虚拟机部署的基本问题
自适应的问题IaaS云虚拟机的部署可以描述如下。虚拟机是一套虚拟机(7,8),表示 ,在哪里 是一个虚拟机。是一种虚拟机; 是一个虚拟机配置。在虚拟机cpu的个数,虚拟机的内存,代表预期的带宽,表示硬盘空间;代表了构建虚拟机所需的数据量(9]。一组主机组成宿主机,表示 ,在哪里 代表一个主机。是一个虚拟化平台现有的主机, 意味着主机的硬件配置,意味着在主机cpu的个数,意味着主机的硬盘空间,和意味着主机的内存。一个映射 构造, 是虚拟机的部署在主机上 。
2.1.1。部署原则
虚拟机运行在主机的硬件资源的基础。主要硬件资源包括硬盘、内存和CPU。
经过充分测试的应用程序中存在的虚拟机,可以设置的资源使用情况。然而,它通常是很难预测IaaS用户的行为。为了提高服务质量,IaaS云的部署虚拟机需要实现以下原则的基础上(10,11]:(一)的数量在所有虚拟机的主机CPU核的数量应低于实际主机CPU核心(b)主机的内存应低于虚拟内存的虚拟机主机机器
2.1.2。部署的特点
关于部署虚拟机作为一个独立的问题,部署有以下特点:(一)在任务执行过程中资源是有限的。当传统方法安排独立的任务,任意数量的任务可以分配一定的资源,但当部署虚拟机,有必要为主机提供足够的资源(12,13](b)任务计划的资源时,任务可以扩展和加工
2.1.3。问题描述
在虚拟机部署算法,合适的主机应该找到所有虚拟机吗优化目标。任务调度目标通常可以分为以下两类:(一)优化的任务通过考虑资源用户的利益(b)优化资源使用过程的具体情况通过考虑资源提供者的利益
服务器虚拟化技术引入能提高资源利用率。的主要任务IaaS云虚拟机部署算法是使用最少的主机来完成虚拟机的部署,不管部署时,带宽和硬盘空间。之间有明确的对应关系类型的虚拟机和虚拟机的主机的经理14,15),所以IaaS云虚拟机部署问题可以简化如下。
虚拟机的设置 , ,和主机 , ,我们获得一个子集 , ,主机的设置并建立一个映射 满足 在哪里代表的cpu数量后的主机映射过程代表后,主机的内存映射过程。
2.2。IaaS云虚拟机的自适应部署算法
根据上述分析,IaaS云虚拟机的部署问题,自适应部署算法IaaS云虚拟机的基础上学习机制使用马尔可夫决策过程来描述IaaS云虚拟机的部署问题。IaaS云虚拟机部署的本质是调度实现自适应云环境中的虚拟机部署。
2.2.1。学习方法
的学习算法可以解决马尔可夫决策过程,这属于强化学习算法(16,17]。马尔可夫模型可以用五元组描述 ,在那里是集,代表了行动组,是返回的函数,代表状态转移概率矩阵,是模型函数值。
马尔可夫的策略可以通过映射描述概率分布的行动空间和状态空间(18,19),表示为 ,在哪里相对应的概率分布是操作集吗 。
在政府行动领域,价值函数的策略可以通过计算 在哪里代表行动时获得的回报易状态下 , 代表相应的概率,当行动过渡状态州 ,和代表预期的总折扣返回对应于状态下的策略 。
使用最优值来获得最优策略的原则是什么学习机制, 用于描述最优价值。如果 ,这个时候最优策略可以描述的 。
的学习的过程通常是由两部分组成,即情节和步骤。情节是一个目标状态之间的一系列步骤和起始状态;一步是返回收购和行动执行的状态决定的。
据推测代表国家相应的代理 ,和表示动作的执行。我们观察返回和下一个状态在学习过程中并更新值函数: 的参数 和代表了学习速率。
2.2.2。马尔可夫任务调度的描述
当使用强化学习来解决虚拟机调度问题,有必要使用马尔可夫模型来代替虚拟机调度问题。马尔可夫元素可以选择按照下列原则:(一)国家在下一时刻不受历史影响状态,仅与当前状态有关。选中的状态需要反映马尔可夫属性(20.,21](b)当选择一个动作,它是必要的,以确保有一个状态转换,所有的州都可以达到,代理的目的是通过执行一系列的操作完成(c)选择返回函数需要最少的决策步骤让代理到达目标状态
马尔可夫过程描述了上述原则的基础上:(一)特遣匹配矩阵是用来描述马尔可夫状态。在虚拟机调度过程中,矩阵的状态是调度的可行的解决方案,有一个状态转换的强化学习在可行解空间(22,23](b)在所有国家中,有任务和行动。的th ( )任务可以运送到下一个设计单位通过行动。在这个时候,执行的结果行动可以表达的 ,和参数可以通过计算 (c)判断返回值 在强化学习
2.2.3。多步学习算法
在学习过程,价值函数 通过更新 ,和返回是由 在哪里代表的迭代次数,代表学习系数,代表了截断返回相应的校正步骤一次 。
截断的加权平均回报用于更新和学习步骤简化。加权平均截断返回可以通过计算一步时差 。 在哪里代表了时差。
加权平均代替为了简化处理:
方程(7)被转换为
当学习速率低,调整的速度值是缓慢的。在这个时候,的速度价值也降低。让 , ,我们有
方程(9)被转换为
通过上述过程,更新规则学习机制获得:
虚拟机将根据上述规则实现的自适应部署IaaS云虚拟机。
3所示。实验和结果
为了验证自适应部署算法的整体有效性IaaS云虚拟机的基础上学习机制,有必要对该算法进行相关测试。开关在这个测试是一个三层交换机,能耗为80 W, 750 W的物理机器能耗,网络带宽容量为100米。
该算法,文献[4)算法,文献[5)算法被用于比较在以下测试。
3.1。能耗测试
不同的算法在网络拥塞的能源消耗和noncongestion条件进行了测试。测试结果如图1。
(一)
(b)
从图1该算法的能量消耗并没有改变在美国有和没有网络拥堵和低于文献[4)算法和文献[5)算法。文献[的能源消耗4)算法和文献[5)算法在网络拥塞的状态是高于国家没有网络拥塞。通过以上分析,可以看出该算法的能量消耗是不会受网络拥塞的影响。的原因通过多步算法简化学习过程学习算法的基础上学习机制,虚拟机调度改进的虚拟机部署的合理性和减少能源消耗。
3.2。迁移的数量分析
迁移的虚拟机数量的算法,文献[4)算法,文献[5)算法相比,在不同资源利用率阈值。分析结果如图所示2。
从图2,它表明增加资源利用率阈值时,迁移的三个算法的数量逐渐增加。通过比较,可以看到,该算法的迁移是最小的,表明该算法完成了IaaS云的部署虚拟机通过最少的迁移。
3.3。违反SLA平均
平均违反SLA率作为试验指标比较部署算法的有效性,文献[4)算法,文献[5)算法。平均违反SLA率越低,部署算法的效果就越好。平均违反SLA率可以被计算 在哪里代表所有请求的处理能力对应的处理能力分配请求。
该算法的平均违反SLA利率,文献[4)算法,文献[5如表所示)算法1。
从表1,这表明该算法的平均违反SLA率没有改变后,资源利用率阈值达到60%。(供参考4)算法和文献[5)算法,获得平均违反SLA率增加与资源利用率阈值增加。通过分析,可以看出该算法的平均违反SLA率是最低的,说明该算法的部署效果最好。
4所示。结论
各种云服务提供商已经开始建立大数据中心的环境中交流的不断减少交通成本和网络带宽的逐渐增加。大数据中心的能源消耗高。因此,企业和政府需要构建环保和节能的云数据中心。部署虚拟机可以提高服务质量,减少能源消耗。
目前,虚拟机部署算法具有高能源消耗的问题,大量的迁移和高平均SLA违反率。IaaS云虚拟机的自适应部署算法的基础上提出了学习机制。首先,IaaS云虚拟机的部署问题进行了分析。然后,学习机制用于实现自适应IaaS云虚拟机的部署,减少能源消耗,迁移,平均SLA违反率。未来的工作是提高算法的运行速度,同时保证准确性。
数据可用性
标签数据集用于支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
2019年广西大学支持的研究的中青年教师的基础研究能力改进项目(2019 ky1604)。