使用遗传算法在云计算节能资源重新配置

文摘

基于虚拟化技术的云计算支持可伸缩的计算。然而,当前资源再分配解决方案很少考虑虚拟机(VM)位置的稳定模式。不同的工作负载的应用程序会导致频繁的资源重新配置需求由于重复出现的热节点。本文几个算法的虚拟机放置(多目标遗传算法(分公司)、节能多目标遗传算法(pMOGA)和增强节能多目标遗传算法(EpMOGA))提出了提高稳定性的虚拟机放置模式迁移开销较少。能源消耗也被认为是。类型匹配的控制器是旨在提高进化的过程。第二Nondominated排序遗传算法(NSGAII)是进化过程中用于选择新一代。我们的模拟结果表明,这些算法都提供资源再分配的解决方案与长期稳定的时间节点。pMOGA EpMOGA也更好的平衡稳定和能源效率的关系通过添加数量的活跃节点的最优目标。类型匹配的控制器使得pMOGA EpMOGA优越。

1。介绍

云计算(1)提供了一个巨大的资源池由大量用户共享。虚拟化技术可以动态资源配置根据实际需求的应用程序(2)和虚拟机的动态迁移是一个重要的方法来实现云中的资源重新分配(3]。

濑鱼(4)是设计来处理广义云中的资源分配。它使用大规模并行通过编排了大量的轻量级的GPU并行线程探索搜索空间。服务器整合(5- - - - - -7一直是研究了绿色计算。约束编程是用来减少对能源效率活动物理节点的数量在服务水平协议(SLA)保证。高效的虚拟机迁移的数量和位置也有助于减少活跃的经前综合症。此外,云计算的经济效益已被许多研究人员研究[8,9]。拍卖方法提出了平衡经济效率之间的关系和计算效率。

然而,目前的资源管理方法很少考虑稳定性的虚拟机放置在全球范围内提高资源效率(10]。由于时变资源需求的应用程序,当前VMs的映射到物理节点可能不适合未来的工作负载。新热节点会出现在不久的将来,这直接导致另一个资源重新分配。资源重新分配随后会导致一些额外的管理费用(11),比如迁移时间、停机时间、和服务退化。一个VM的稳定位置时应考虑动态资源配置模式。

资源分配问题是一种组合问题,(所谓的np困难问题12]。进化计算算法只能采取多项式时间近似最优的解决方案(12]。在本文中,我们给出了几个资源分配的遗传算法在云计算基于我们之前的工作10]。根据预测信息的应用程序工作负载,这些算法都与长期稳定提供资源重新配置解决方案的时间节点。我们的贡献在下面列出:我们设计遗传算法更好地平衡节点稳定和功率效率之间的关系;类型匹配的控制器,提出了加速进化过程;我们实现遗传算法和Java类型匹配的控制器和比较这些遗传算法的性能。

剩下的纸是组织如下:部分2讨论了关于动态资源分配相关工作。节3,我们给问题公式化的描述。制定目标和约束的动态资源分配。部分4介绍了几种遗传算法的细节。绩效评估的几个算法完成的部分5。最后,我们给我们的总结和未来的研究方向6。

2。相关工作

从传统的静态资源配置是完全不同的,云计算使基于时变的动态资源分配工作负载的应用程序。资源效率显著提高。许多研究者研究了资源重新分配的问题。

动态资源分配通常有以下目标。

(我)绿色计算。能源消耗是最关键的问题在云计算13]。它变得更严重(特别是在多核时代14]。服务器整合(5,6,15)是用来减少活动物理节点的数量。功率效率大大提高。约束编程(5)和遗传算法(15),分别用来找到一个解决方案使用最小数量的活跃节点绿色计算。一个节能资源分配框架(7)提出了最小化物理节点过载发生过度使用云将vm的预测未来的资源利用率。

(2)资源公平。云中的资源是大量的租户之间共享。然后研究资源公平在众多用户(16,17]。(称为multiresource分配机制DRFH)[16)提出了确保公平用法使用启发式云用户之间的资源。

(3)资源效率。资源效率变得非常重要在大规模数据中心与成千上万的服务器(18,19]。一些方法旨在提高计算资源的利用率,如内存(20.)和I / O (21]。有一些方法提出改善sla的应用程序(22]。此外,一些资源管理解决方案提出了特殊的应用程序:流处理(23,24)和业务流程(25]。

(四)经济效率。云中的资源通常是租在现收现付模式。云计算的经济效益已被许多研究人员研究[8,9]。交易的需求响应机制是为了实现最大社会福利与任意高概率。

在本文中,我们的工作主要集中在虚拟机安置模式的稳定性。因为应用程序的工作负载时变特别是在移动云计算,稳定性变得更加重要。

3所示。问题公式化

由于动态工作负载,应用程序的资源需求随时间。一些节点频繁的资源争用和忙时工作量的增加。这些节点被称为热节点。热节点应该缓解减少他们的工作量,确保服务水平目标(sla)的应用程序。

虚拟机的动态迁移是一个重要的方法来减轻热节点。它重新分配虚拟机池的节点。重新映射vm节点时,我们应该考虑应用程序工作负载的未来趋势,避免“抖动”,更热节点出现在未来。因此,稳定是一个重要的指标选择新VM分配节点。VM分配的稳定性主要取决于每个节点的总工作量。

缩写列表的定义一些符号用于我们的讨论。

我们有以下方程:

变量表示节点托管虚拟机在旧VM安置模式,而意味着VM驻留在节点在新VM安置模式。

给出一些定义缩写。

定义1。一个位置模式 是应用程序的一组模式(VMs)分布在物理节点上。

定义2。的节点是稳定的,当且仅当该节点有足够的资源(VMs)驻留在应用程序在一段时间,无论多么不同的应用程序的工作负载。

定义3。位置模式是稳定的,当且仅当每个节点在布局模式在一段时间内是稳定的。

定义4。稳定的时间 最长的一个节点或安置模式保持稳定的从一个特定的时间。这是一个直接的指标来衡量一个节点或一个位置模式的稳定性。位置模式的稳定时间取决于的每个节点,如以下公式所示:

然后,动态资源分配的问题制定如下:了解虚拟机的动态工作负载(包括预测未来工作负载),给定一组节点,动态资源分配的目标是找到一个解决虚拟机在物理节点位置稳定时间最长,最小数量的虚拟机迁移,和最小数量的活跃节点:

我们有三个目的:一是让新vm分配与稳定时间(最长);一个是只有最小的虚拟机数量从当前状态迁移到新状态();最后一个是使用物理节点的最小数量。第一个目标意味着热节点不会在短时间内出现在新的映射。第二个目标要求迁移开销的vm状态为新老状态是最小的。第三个目标是使活动物理节点的数量尽可能小的能源效率。

在上面的公式,公式(4)表明,每个VM只驻留在一个物理节点。公式(5)意味着CPU资源的总量要求vm驻留在相同的节点不超过提供的资源节点的数量。公式(6)表示,vm请求的内存的总量不超过提供的节点的内存数量。公式(7)解释说,,,是二进制变量。

4所示。资源重新配置的方法

作为动态资源分配问题是一个np完全问题,很难在多项式时间内找到最优解。使用生物圈演化理论,遗传算法可以找到一个近似最优解,通过模拟生物进化过程的资源分配问题。

介绍我们提出三种算法:多目标遗传算法(MOGA),节能多目标遗传算法(pMOGA)和增强节能多目标遗传算法(EpMOGA)。莫卡只在两个目标:目标VM分布的长时间稳定性和最小数量的虚拟机迁移。不同于莫卡,pMOGA添加一个新的目的是优化能源效率,显示为公式(3)。基于pMOGA EpMOGA引入了类型匹配的控制器。类型匹配的控制器是用来加速进化过程匹配的基因类型。

4.1。遗传算法的关键部分

有几种遗传算法的关键部分:编码、初始种群生成,主要运营商(交叉、变异和选择),和终止条件,如图1。莫卡,pMOGA EpMOGA编码相同,相同的初始种群生成,和相同的终止条件。

编码。编码表示染色体,基因资源分配问题的元素。有三种方法来表达本包装遗传算法中存在的问题:每个对象一个基因,每本一个基因,每组一个基因(本和对象)26]。采用基于组的编码方案,因为它可以完全表达虚拟机和物理节点之间的关系。

图2使用组列表的例子编码方案。在图2,九vm部署在三个节点。因此,有三个基因的染色体。每个基因都包含一个物理节点和多个vm驻留。染色体或者个人代表一种可能的解决方案,一个虚拟机和物理节点之间的映射。

生成初始种群。人口是一组染色体。让人口规模。遗传算法通常从一个初始种群通常是随机生成的。随机生成提供了广泛的搜索空间找到一个解决方案,但它需要很多时间最优的全球性的解决方案。首先满足启发式用于生成第一个人口。注意,每个人应该满足的约束中讨论部分3。

终止条件。我们设置的值最大的一代。迭代停止时,最大的一代是达到了。

三个算法的区别主要在于运营商交叉,变异和选择。下面讨论的区别。

4.2。介绍多目标遗传算法(MOGA)

多目标遗传算法只有两个目的:长时间稳定的虚拟机放置和少量的虚拟机迁移。

三大运营商(交叉、变异和选择)遗传算法将在下面讨论。

交叉。交叉的两个父母产生后代,这样孩子可以从父母继承更有意义的信息。使用组编码方案,染色体可能有不同的长度。交叉应该在染色体上不同长度。

在运营商跨界车主要有四个步骤:(1)两条染色体随机选择为父母和十字路口,每个父母都是随机选取的父母。例如,染色体和是选为父母。基因和分别是,交叉站点。(2)两个父染色体交叉站点交换基因。交换基因后,上面的两条染色体和。(3)一些基因重复节点或虚拟机应该被删除。所以,上面的染色体变化和。(4)一些丢失的vm使用首先满足减少插入到基因(FFD)启发式。在上面的示例中,第一个染色体的缺失的vm包括vm 3, 5, 6, 7, 8, 9。这些虚拟机应该位于活跃节点。如果没有足够的资源来活跃节点主机这些失踪的vm,空闲节点被激活。

交叉算子是通过利率。人口一代产生的后代具有相同大小的父母。

突变。突变可能使一个人在人群中不同于他的父母。它增加了新的信息以任意方式扩大搜索空间,并避免被困在当地的最适条件。

给定一个小突变率人群中,有些染色体随机选择执行运营商突变。删除一些基因的突变是随机的染色体。失踪的vm使用FFD应该迁移到其他节点。

选择。运营商选择是选择新一代从旧一代人口和他们的后代。一个快速的多目标遗传算法(NSGA-II) [27)用于操作员选择。NSGA-II适合在任何约束多目标优化进化算法(27]。

每一个染色体有两个属性:nondomination排名()和拥挤距离()[27]。nondomination排名是越小,越接近染色体是最佳的解决方案。在同一nondomination等级,拥挤距离越大,染色体是越好。

分公司针对资源重新配置的解决方案与长期稳定的虚拟机放置和少量的VM迁移。的关系两条染色体之间()定义如下: 染色体的稳定时间和分别表示虚拟机迁移的数量。然后,我们有下列方程(表示一组染色体):

拥挤距离的总和计算每一个归一化目标函数(27]。部分订单两条染色体之间和定义。让如果(或()和()))。显然,偏序集(表示一组染色体的人口一代)也是一个秩序井然的设置。是完全有序集。染色体组吗可以订到根据全序链。

当父染色体产生后代,所有这些染色体形成一个大组与元素在一起。然后,选择算子选择第一个染色体的新一代集基于全序。

4.3。节能多目标遗传算法(pMOGA)

节能多目标遗传算法根据分公司考虑功率效率。优化目标中列出公式(3)。

运营商交叉和变异pMOGA这些分公司是一样的。操作员选择是下面讨论。

运营商选择仍然是基于NSGA-II。每一个染色体有两个属性:nondomination排名和拥挤距离。计算两个属性计算分公司。只计算拥挤距离的总和pMOGA三归一化目标函数,当它发现基于两个归一化目标函数分公司。

在pMOGA,关系两条染色体之间定义如下: 染色体的稳定时间和分别表示虚拟机迁移的数量。变量和用染色体表达活动物理节点的数量。

4.4。加强节能多目标遗传算法(EpMOGA)

加强节能多目标遗传算法(EpMOGA)旨在向pMOGA添加类型匹配的控制器。控制器主要用于操作员交叉和变异。EpMOGA和pMOGA有相同的运营商的选择。

如数据所示3和4把丢失的vm, pMOGA使用FFD和EpMOGA雇佣类型匹配的控制器,这是唯一的区别pMOGA和EpMOGA之间。

在云计算中,各种应用程序的工作负载多属性的不同类型的资源(CPU、内存等)28]。因此类型匹配的控制器设计的分类应用程序和节点分成几个类别和有效匹配。根据工作负载的应用,虚拟机分为cpu密集型(CI),内存密集型(MI), cpu密集型和内存密集型(CMI),没有一个cpu密集型和内存密集型(非)。VM的类型通常在他们的一生中保持不变。同时,活跃的物理节点分为四类。但一个活动节点的类型不同主机时不同的vm。

在我们的实验中,我们发现,当相同的虚拟机迁移到不同类型的节点,这些节点有不同的稳定时间。所以,我们定义每个类型的亲密程度的活跃节点vm的每一节课,这是列在表中1。如表所示1,值类型的亲密程度越小,时间越长托管VMs的稳定时间节点。VM时,选择一个目标节点,类型匹配的控制器首先尝试匹配VM节点类型亲密程度较低。只有当没有任何节点类型较低亲密度可用节点高亲密度作为候选人。

当把丢失的vm,类型匹配的控制器试图映射vm与适当的节点类型。它可以避免资源争用,有效提高资源利用率的同时将cpu密集型VM内存密集型节点上。cpu密集型VM,如果没有任何可用的内存密集型活动节点,类型匹配的控制器将试图找到一个节点非型。如果没有任何节点型非可用,然后寻求一个cpu密集型节点。

5。绩效评估

在本节中,我们评估莫卡的性能,pMOGA, EpMOGA。上述算法是用Java编写的,CloudSim [29日是用来模拟云计算基础设施。我们的测试已经完成了与英特尔酷睿i5处理器,华硕K46CM 4 gb RAM和1 tb的硬盘。

我们模拟58物理节点和174 vm。资源请求(CPU和内存)这些vm是随机生成的预测信息。人口规模是设置为32 ()。不变的价值在遗传算法,最大代生产,设置为40 ()。交叉率()是0.7,变异率()是0.05。

5.1。EpMOGA的进化过程

第一检查算法的收敛性和稳定性。我们观察的进化过程EpMOGA从8日人口最多的一代。

图5描述了EpMOGA的演化过程。设在每个染色体的表示数量的虚拟机迁移。设在显示稳定时间在秒。设在描绘活跃节点。VM迁移的数量只是大概估计通过比较每个VM的源节点和目的节点。只有五代(32th 8日,16日,24日,40代)图中列出。每一代有32条染色体。

从图5,我们可以发现,个体的繁殖过程逐渐转向最佳解决方案(较长的稳定时间,更少数量的虚拟机迁移,和更少的活跃节点)。这个过程始于快速变化。第八届人口从16代截然不同。但在后者变小了,小的变化。32代接近40代。图5表明40代足以发现云计算虚拟机放置的最佳解决方案。

5.2。莫卡的比较、pMOGA EpMOGA

在本部分中,我们比较莫卡的表现,pMOGA, EpMOGA。VM环境相同的初始位置和相同的资源预测信息,莫卡,pMOGA, EpMOGA,分别找到一个新的虚拟机的放置。我们比较他们的稳定时间,活动节点的数量和再分配开销(表示数量的VM迁移)。平均功率大概是计算使用公式(11)。

在公式(11),表示虚拟机放置稳定时间模式。所有活跃的物理节点(意味着能源消耗)模式。表示平均功率的服务器。在这里,设置为400瓦(7]。VM迁移期间表达了能源消耗,只与网络流量在迁移过程30.]。网络流量主要是基于迁移虚拟机的内存(表示为)。参数,分别设置为0.512,1.5,和20.165,训练得到的模型30.]。

我们正常性能值pMOGA EpMOGA后设置所有分公司的性能值为1。图中列出的结果6。从图6,我们发现pMOGA和EpMOGA少活跃节点和平均功率的稳定时间短和更多的虚拟机迁移。类型匹配的控制器,比pMOGA EpMOGA有更好的性能值。平均功率的EpMOGA莫卡的0.818倍和0.922倍pMOGA的力量。

图6表明,莫卡有最长的稳定时间和最小数量的虚拟机迁移。但pMOGA VM分布的关系和EpMOGA更好的平衡稳定和功率效率增加活跃节点的优化目标。活跃节点的一个主要云计算能耗因素。pMOGA和EpMOGA更多的虚拟机迁移到使用更少的活动节点,节约更多的能源消耗。类型匹配的控制器,EpMOGA比pMOGA更好的解决方案。控制器有助于优化演化过程的最优目标。

我们改变的节点数量和虚拟机测试的数量平均功率pMOGA EpMOGA。我们设置了最低功率测试结果为1和规范化其他功率值。测试结果如图7。与vm和PMs的增加,平均功率pMOGA EpMOGA上升。EpMOGA总是与权力比pMOGA找到一个解决方案。vm和PMs越多,越清晰EpMOGA有优势。图7表明类型匹配的控制器有助于加速进化过程的最优目标。

6。结论和未来的工作

本文提出了几种遗传算法来实现云计算的动态资源分配稳定。集团编码方案是用来清楚地表达虚拟机和物理节点的映射。类型匹配的控制器是用来加速进化的过程。我们的仿真结果表明,这些遗传算法有效改善虚拟机分配的稳定。同时,pMOGA和EpMOGA更好的平衡稳定和能源效率之间的关系。同类型匹配的控制器,EpMOGA优于pMOGA。

在未来,我们将继续在云计算的动态资源配置使用遗传算法。我们发现,当有更多的目标优化,nondominated排序遗传算法二世就没那么有效了。许多染色体在同一个nondomination等级。应该研究一个新的排序算法。

缩写

:	云中的物理节点的总数
:	云中的虚拟机的总数
:	大量的CPU资源节点供应
:	的内存资源节点供应
:	虚拟机的数量的CPU资源请求
:	虚拟机的内存资源请求
:	二进制变量;如果、节点主机虚拟机,否则,
:	二进制变量;如果节点积极举办至少一个虚拟机,否则,
:	的在云中th安置模式的虚拟机
:	二进制变量;如果,虚拟机迁移一次,否则,
:	稳定时间节点,
:	稳定时间的布局模式。

相互竞争的利益

作者宣称没有利益冲突有关的出版。

确认

这项研究受到了湖北省重点实验室开放项目的智能信息处理和实时(没有在中国工业体系。2016 znss27b),中国国家自然科学基金(没有。61303117也没有。61272110),下的国家社会科学基金重点项目批准号11 &zd189。

引用

1. m . Armbrust a·福克斯,r·格里菲斯et al。”在云层之上:伯克利的云计算,“技术。众议员UCB eecs / - 2009 - 28,电气工程和计算机科学系,加州大学伯克利分校,2009年。视图:谷歌学术搜索
2. g . Copil d摩尔多瓦,h . Truong和s . Dustdar”rSYBL:一个框架,用于指定和控制云服务弹性,”ACM网上交易技术,16卷,不。3,2016。视图:谷歌学术搜索
3. h·金·l·邓,s .吴x h·史,h . h . Chen和x d·潘”MECOM:虚拟机动态迁移,通过自适应压缩内存页,“未来一代计算机系统卷,38 23-35,2014页。视图:出版商的网站|谷歌学术搜索
4. a . Rai, r . Bhagwan和s·古“广义云资源分配,”ACM学报》3日研讨会上云计算(SOCC 12)2012年美国,加州圣何塞。视图:谷歌学术搜索
5. f . Hermenier x洛尔卡,j . m . Menaud g·穆勒和j . Lawall“熵:一个集群整合经理”ACM / Usenix学报》国际会议上虚拟执行环境(v字形的09年)页。每周,华盛顿,美国,2009年3月。视图:出版商的网站|谷歌学术搜索
6. 沈陈和h . .“整合互补vm空间/ temporal-awareness在云数据中心,”美国第33 IEEE计算机通讯大会上(信息通信的14)IEEE,页1033 - 1041年,多伦多,加拿大,2014年5月。视图:出版商的网站|谷歌学术搜索
7. m·达巴格b . Hamdaoui m . Guizani, a .射线”一个节能的VM预测和迁移框架过度使用云,“IEEE云计算,2016年。视图:出版商的网站|谷歌学术搜索
8. l .张、李z和c .吴”动态资源配置在云计算:一项随机拍卖方法,”美国第33 IEEE计算机通讯大会上(“信息通信”14),页433 - 441,安大略省,加拿大,2014年5月。视图:出版商的网站|谷歌学术搜索
9. 李z z, f . Liu, h·金,“当智能电网遇到geo-distributed云:拍卖数据中心需求反应方法,”《IEEE计算机通讯大会上(信息通信的15)IEEE,页2650 - 2658年,2015年5月。视图:出版商的网站|谷歌学术搜索
10. l·邓和l .姚明,“基于遗传算法的虚拟资源动态分配在云中,”亚太服务程序计算会议(APSCC 15),第164 - 153页,2015年。视图:谷歌学术搜索
11. 内森,美国Bellur, p . Kulkarni”向虚拟机动态迁移的综合性能模型,”第六届ACM学报》研讨会上云计算(SoCC 15)科哈拉海岸,页288 - 301年,夏威夷,美国,2015年8月。视图:出版商的网站|谷歌学术搜索
12. Z.-H。詹,x。刘,Y.-J。张锣,j . h .工程学系。钟,y,“云计算资源调度及其进化方法的调查,“ACM计算调查卷,47号4、第63条,2015年。视图:出版商的网站|谷歌学术搜索
13. t·考尔和i .长安汽车节能技术在云计算:一个调查和分类,“ACM计算调查,48卷,不。2、第二十二条,2015年。视图:出版商的网站|谷歌学术搜索
14. k . l . j . Liu, d . k .朱韩j。j和k·李问:“成本最小化调度任务在异构多核嵌入式系统中,“ACM交易嵌入式计算系统,16卷,不。2、2016。视图:谷歌学术搜索
15. 问:李,Q.-F。郝,L.-M。肖,Z.-J。李“适应性管理和多目标优化的虚拟机放置在云计算中,“中国日报的计算机,34卷,不。12日,第2264 - 2253页,2011年。视图:出版商的网站|谷歌学术搜索
16. b . w . Wang李,b .梁”占主导地位的资源公平与异构服务器、云计算系统”《IEEE计算机通讯大会上(信息通信的14)IEEE,页583 - 591年,多伦多,加拿大,2014年5月。视图:出版商的网站|谷歌学术搜索
17. j .郭f . Liu j . c . s .他和h·金,“公平在IaaS数据中心网络带宽分配通过合作博弈的方法,”IEEE / ACM交易网络,24卷,不。2、873 - 886年,2016页。视图:出版商的网站|谷歌学术搜索
18. d, l . Cheng r . Govindaraju p . Ranganathan和c . Kozyrakis“大规模提高资源效率与赫拉克勒斯,”ACM交易计算机系统,34卷,不。2、2016。视图:谷歌学术搜索
19. 辛格和长安汽车,“QoS-aware自主在云计算资源管理:系统回顾,“ACM计算调查,48卷,不。3、第四十二条,2016年。视图:出版商的网站|谷歌学术搜索
20. k . h .公园,w .黄,h . Seok et al .,“MN-MATE:弹性资源管理的冲击和混合云节点的内存层次结构,”ACM计算系统在新兴技术》杂志上,12卷,不。1,第五条,2015。视图:出版商的网站|谷歌学术搜索
21. r . c .蒋介石s Rajasekaran:张、h·h·黄“偷窃者:利用第三方云虚拟机弱点和I / O资源,竞争”IEEE并行和分布式系统,26卷,不。6,1732 - 1742年,2015页。视图:出版商的网站|谷歌学术搜索
22. n . Jain Menache, j . Naor, j . Yaniv”算法调度机制deadline-sensitive工作在大型计算集群,”ACM事务并行计算,卷2,不。1,2015。视图:谷歌学术搜索
23. j . Ghaderi s Shakkottai, r . Srikant“调度在云中风暴和溪流,”ACM事务建模和计算系统的性能评估,1卷,不。4、2016。视图:谷歌学术搜索
24. w·t . Wu窦,f·吴,唐,c . Hu和j·陈,“部署优化方案在多媒体大数据对于大规模流媒体应用程序,”ACM交易多媒体计算、通信和应用程序,12卷,不。5日,第73条,2016年。视图:出版商的网站|谷歌学术搜索
25. j .徐c . Liu x赵,s . Yongchareon z叮,“资源管理业务流程调度的可用性限制,”ACM交易管理信息系统,7卷,不。3、第九条,2016年。视图:出版商的网站|谷歌学术搜索
26. 大肠Falkenauer和A . Delchambre“遗传算法为本包装和线平衡,”诉讼的IEEE机器人与自动化国际会议上不错,页1186 - 1192年,法国,1992年5月。视图:出版商的网站|谷歌学术搜索
27. k . Deb, A .普拉塔普,美国阿加瓦尔和t . Meyarivan”一个快速和精英多目标遗传算法:NSGA-II,”IEEE进化计算》第六卷,没有。2、182 - 197年,2002页。视图:出版商的网站|谷歌学术搜索
28. h·l . Chen沈,k . Sapra以及“分布式自治的虚拟资源管理数据中心使用finite-Markov决策过程,”第五届ACM学报》研讨会上云计算(SOCC 14)页,1-13 ACM、西雅图、洗、美国,2014年11月。视图:出版商的网站|谷歌学术搜索
29. CloudSim:建模与仿真的框架的云计算基础设施和服务,2015年,http://www.cloudbus.org/cloudsim/。
30. h . Liu C.-Z。徐,h·金、j .锣和x辽、“性能和能量建模虚拟机的动态迁移”诉讼20 ACM国际研讨会的高性能并行计算和分布式计算- - - HPDC”(11)ACM,页171 - 181年,圣何塞,加州,美国,2011年6月。视图:出版商的网站|谷歌学术搜索

版权

版权©2016李邓等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。