SRAF: VM管理支持服务资源分配框架移动数据网络

文摘

服务延迟和资源利用率的关键因素限制移动数据网络的发展。为此,我们提出一个支持服务资源分配框架,称为SRAF,分配的基本资源管理虚拟机(VM)。在SRAF,我们设计两个新方法更好的虚拟机(VM)管理。首先,我们提出了自主学习分类算法(SCA)执行服务请求分类。然后,我们使用分类结果来安排不同类型的虚拟机。其次,我们设计一个共享模式,共同执行服务请求,它可以同时共享CPU和带宽。为了提高资源的利用率与共享模式,我们还设计两个扩展算法,即。,the horizontal scaling and the vertical scaling, which execute the operation of resource-level scaling and VM-level scaling, respectively. Furthermore, to enhance the stability of SRAF and avoid the frequent operation of scaling, we introduce a Markov decision process (MDP) to control VM migration. The experimental results reveal that SRAF greatly reduces service latency and enhances resource utilization. In addition, SRAF also has a good performance on stability and robustness for different situations of congestion.

1。介绍

虚拟机(VM)管理基于服务意识是一种新方法,可以大大减少服务延迟和提高资源利用率。此外,虚拟机管理已广泛应用于各种移动数据网络,如信息中心网络(ICN),移动车辆网络(MVN)和移动云计算网络(m cn)。然而,网络是有限的资源池。此外,服务延迟和资源利用率是相互影响的。因此,如何减少服务延迟和如何提高资源的利用率,同时,一直是研究的焦点,特别是对m cn [1,2]。

出于这个原因,服务延迟和资源利用率已成为许多研究的主要方面。在服务延迟的角度来看,文献[3)提出了可预测的资源保证调度方案实现比例共享CPU和I / O带宽,减少了等待时间的Xen的平台。文献[2)使用薄云选择策略安排减少响应时间的薄云。此外,也有一些研究使用的方法减少位置之间的距离,减少延迟。例如,文献[1旨在发现用户之间的最短路径和最近的云数据中心减少传输延迟。减少排队时间的请求,文献[4)使用活动之间的通信控制器的方法主动把请求,当控制器完成它的请求,以减少队列长度。相反,在资源利用的角度来看,文献[5)提出了一种智能迁移机制来实现处理器内存优化基于虚拟机的放置。参考文献(6,7),分别使用Bejo和资讯分类方案的方法分类要求更好的调度。文献[8设计一个李雅普诺夫优化框架来提高mobile-edge计算的效率。李雅普诺夫优化框架的目的是最小化资源过载的虚拟机调度。

上面引用的作品中提出了许多新思想或方法实现最优请求安排或最优资源配置,这可以减少延迟或提高资源利用率。然而,由于云网络的复杂性和多样性的移动设备,也不同,不受控制的请求。所以,简单的客观的研究并不总是有一个良好的性能在不同的因素,因为许多因素是相互影响的。因此,有一些研究人员与整体框架设计高效的方法来优化这些问题。在[9),作者设计一个资源共享的框架命名“共生”实现共享CPU和带宽。当一个请求在CPU、共生会使另一个请求来执行传输。此外,共生可以有效地减少服务请求的延迟。在[6),作者提出一种新的分类算法命名为“Bejo”对请求进行分类。分类结果用于执行虚拟机调度。安装虚拟机请求可以提高资源的利用率。因此,我们提出一个新的框架称为SRAF执行请求分类和资源共享的基础上研究的力量在6,9]。

对于测量SRAF的性能,我们详细分析m cn。SRAF可以分为两个方面。首先,我们提出一个自学习分类算法(SCA)之前执行分类操作请求发送到VM。SCA是由两种加权方法设计,位置权重和特征加权10),可以改善请求分类的准确性。精确的分类结果可以帮助请求找到合适的虚拟机,从而降低服务延迟。其次,我们设计一个共享模式(图1)在一个VM实现资源共享。此外,为了提高资源的利用率,我们还设计两个VM扩展算法,水平扩展和垂直扩展。前者是实现资源级别扩展虚拟机。当CPU或带宽的利用率过高,该算法将添加相应的资源来避免过载的VM,或者按比例缩小。后者是执行vm级别扩展。当所有的虚拟机都很忙,到达任务不断增加,创建新的虚拟机,或者释放。

本文的贡献如下:(我)我们提出一个新的框架命名为“SRAF”来提高资源利用率和降低服务同时延迟。(2)我们设计的SCA自学能力更新功能,分类服务请求。此外,SCA可以提高分类的准确性不断,直到所有的特性都学会了。(3)我们引入一个马尔可夫决策过程(MDP)控制VM迁移,减少频繁的缩放操作,提高SRAF的稳定性。(iv)我们提出一个结合调度成本模型和移动数据网络共享模式。结合调度成本模型可以系统地操作虚拟机调度和可伸缩性。此外,资源利用率提高直接通过共享模式。

本文的其余部分组织如下:部分2简要介绍相关的研究工作。我们特别介绍SRAF的每个组件的细节部分3。部分4SRAF显示整个流程,包括每个模型和相关算法。部分5介绍了SRAF通过一些实验的可行性和性能。部分6本文提出了一个简短的结论。

2。相关工作

减少服务延迟,提高资源的利用率,许多研究提出各种方法。例如,文献[3)提出了一种新的预测方法来达到资源共享的目的。研究人员使用预测方法来预测未来的需求持续时间以调整资源,提高资源的利用率。参考文献(2,5)使用不同的方法来安排的薄云和VM资源减少响应时间和空闲时间,分别。由于移动接入设备的多样性,要求也不同,不受控制。出于这个原因,一些研究设计不同的分类算法分类不同的请求,这取决于需求或输入数据前处理(6,7]。然后,研究人员可以使用一些古典和有效的方法来减少排队时间,提高资源的利用率,如最短工作优先(SJF) [12)和priority-aware最长工作第一(PA-LJF) [13]。此外,还有其他一些新的改进方法,如预期剩余服务时间最短的政策(SE-RSTP) [14和动态门限服务策略15),有一个更好的性能减少延迟和提高QoS。

此外,由于服务请求的随机性,一些研究人员使用马尔可夫决策过程(MDP)量化云服务的整个过程。例如,文献[16)使用动态马尔可夫决策过程模型虚拟机调度的过程。然后,值迭代算法找到最优VM控制策略以减少能量消耗。文献[17VM)也使用MDP量化的整体控制。它使用了贝尔曼最优性方程找到全局最优阈值,以减少不稳定运行虚拟机。MDP提高任务调度的准确性,文献[18设计半马尔科夫决策过程来选择一些计算密集型任务卸载,以减少移动设备的计算。

由于以上分析,单一的方法或策略只能实现一个或两个目标。因此,一些研究者选择设计一个整体框架来处理多个目标。例如,引用(8,9)设计不同的框架,李雅普诺夫优化框架和共生关系,分别控制请求的调度和虚拟机。此外,也有一些研究人员添加分类方法来提高不同框架的性能目标。例如,文献[19)使用权重标签不同的因素通过机器学习的方法。文献[11使用多实例学习方法(MIL)量化不同的数据进行精确分类的概率图形框架。文献[10)使用局部特征选择的方法对数据直接进行分类。此外,许多研究也使用共享方法来提高资源的利用率在不同领域。例如,文献[20.)提出了一个可行的和真实的激励机制(TIM)实现资源共享的用户和服务提供者之间的权衡。文献[21)使用共享模式满足远程无线电网络的资源需求和中央虚拟基站,以最大化网络的下行。

3所示。体系结构设计

在本节中,我们设计了一个绿色的云资源分配框架称为SRAF。目标是减少调度服务请求的延迟,提高资源利用率的同时。我们的框架包含三层,用户层,请求管理器层,层和资源提供者。

在图2,我们展示了总体响应服务请求的过程。用户层有许多用户与各种移动终端发送移动云服务请求。请求管理器层是最重要的一层一层接收来自用户的服务请求。其主要职责是使服务请求和vm的优化管理。然后,结果被发送到VM配置资源提供者层。资源提供者为服务层提供了基本的资源。请求管理器层包括四个部分:(1)历史负荷用于存储请求和他们的分类可以帮助分类经理更新其特性映射库。类别信息来自组合调度管理器请求服务。(2)分类管理分析的信息请求并将请求分为三种类型,即。,file-focus tasks, video-focus tasks, and normal tasks, depending on the demand of bandwidth and CPU resources (details are given in Section 4.2).(3)结合调度管理器使用的分类结果分类管理器的组合调度请求;然后,它执行资源配置和推动请求加载历史的真实信息更新功能(在4.4节给出细节)在操作。(4)监控管理器监视CPU的利用率和带宽的每个活动VM支持实时服务信息。

资源提供者层有许多资源池,如CPU,带宽和内存。这一层提供了基本的资源虚拟机,以处理这些服务请求。

4所示。模型设计和算法分析

4.1。系统模型

我们的目标是降低服务延迟,提高资源利用率的建议系统架构,可以选择一个合适的虚拟机的物理机器的服务请求。换句话说,我们将拟合相结合的要求,虚拟机和物理主机,形容 , , ,和 。

定义1。一组的主机 和虚拟机设置 ,它们的连接可以被定义为一个矩阵 ,也就是说, 如果不创建或释放在一开始,然后我们组 。如果定位在 ,然后 。同时,我们使用来表示的CPU利用率和使用表示带宽的利用率 。

定义2。一组任务 和一个虚拟机集 ,分配的任务被定义为一个矩阵 ,也就是说, 在哪里 ;如果 ,那是分布在 。如果 ,没有联系和 。

4.2。分类模型

考虑到移动终端的复杂性,我们将使分类从服务的角度移动云计算网络。因此,所有的请求都可以分为三个类型的任务,即。file-focus video-focus任务,任务,和正常的任务。

分类模型有三个部分:(1)特征映射库用于存储特性和相应的服务类的关系,使分类;(2)分类器牵引用于分类的任务根据他们的输入数据和特征映射的映射库;和(3)主管更新器用于监督和更新功能映射中映射库基于信息从加载历史。

在本节中,我们使用自主学习分类算法(SCA)经营分类。SCA是设计的机器学习技术(22,23]因为我们可以不断扩展和更新功能映射库,以提高机器学习分类的准确性。SCA还改善了传统分类算法由多个权重,并使用semisupervised方法更新功能特性映射库根据历史负荷的反馈(24]。SCA使用学习方法扩展功能和服务请求的新关系,提高分类结果的准确性。因此,SCA使用位置的组合权重,特征权重和自学习方法来确定每个请求的最后一节课。

在SCA的过程中,我们使用和表示映射组视频和文件,分别。我们首先添加一些典型特征特性映射库映射设置 ,如和 。然后,SCA使用请求的输入数据的映射G。映射的过程中,我们使用位置权重和特征加权的方法,以确保请求有一个准确的分类。特征权重是不同的特性有不同的权重。例如,“视频”功能有一个很大的权重比的avi视频指示的任务。位置权重是我们使用的位置不同的特性在URL中权重。例如,如果请求URL分成n段,然后我们可以使用这些n段形成一个一维数组 。我们使用表示位置的重量特点: 在哪里的位置吗功能的顺序。此外,位置在订货越多,更重要的功能是描述(25]。我们使用β作为最终的重量来确定哪些任务线应该预定请求。例如,有一些特性要求 ,如和 。的权重是为 。因此,视频的总权重计算请求URL的特性

同样的,文件的总权重计算请求URL的特性

最后,计算服务请求的归因

如果 ,这个请求是video-focus传播任务线。否则,此请求传送到file-focus任务线。如果和等于零,这个请求将会传送到正常的任务线。SCA算法所示的过程1。

4.3。虚拟机迁移

根据定义1和2,定义的整个过程SRAF是找到一个适当的位置和为 。如果我们定义一个位置函数 ,那预计在和位于在时间t。此外,当分类的分类器牵引,它将计划吗它不能被转移。因此,当资源的无法满足的需求 , 在时间槽将被迁移到另一个主机吗t根据实际条件的监控管理。让代表的行动,意味着可以迁移来在时隙t。相应地,每一已迁移概率 ,和所有的概率概率 ,索引,

虚拟机迁移的成本函数被定义为 这意味着虚拟机迁移的附加费用。迁移的支出吗从来 。此外,是影响迁移距离,后者操作支出。因此,让是一个基本的MDP代表虚拟机迁移因为服务请求的到来是基于泊松过程(32,33]。所以,如果的能力是静止的,过载和VM迁移将在很长一段时间一个循环。因此,我们可以得到一个固定的政策π控制虚拟机迁移的整个过程。现在,我们使用贝尔曼最优性方程和动态规划的方法来获得最优控制策略π(26,27]。我们引入状态值函数如下: 在哪里意味着惩罚操作动作 ;T是折扣因素来确定历史数据的重要性;的位置是在时隙t在B (t);和意味着VM迁移来根据政策π。我们使用(9)选择最优状态在下一个时隙,以最大化回报。然后,动作值函数

我们使用(10)来确定的行动可以满足最优状态下一个时隙。最后,我们使用值迭代算法来处理控制策略π(27- - - - - -29日]。

在算法2,我们的目标是获取和更新控制策略π基于历史数据,可以控制虚拟机迁移历史上的负载。的控制策略π可以提高系统的资源利用率和负载平衡。整个过程的算法2是更新的状态值函数寻找最优路径的奖励。换句话说,我们需要遍历所有并选择一个最优位置迁移虚拟机,可以最大化的回报所有的虚拟机。然后,我们找到一个最佳的状态随着时间的推移。最后,算法使用往后退的方法得到控制π使用动作值函数和最优的状态 。

4.4。结合调度成本模型

我们首先设计两种类型的虚拟机,高类型和正常的类型,有不同的执行任务的能力。III-B分为三种类型的任务。我们使用共享模式(图1)和共生9)执行调度根据任务对资源的需求。

从图2,我们建议video-focus任务和file-focus任务的共享模式,共同分享高端虚拟机的资源。与共享模式中,一个虚拟机可以同时执行两个任务,一个video-focus任务和一个file-focus任务。此外,两个任务所有者VM共享资源,如带宽、CPU资源。如果小于file-focus video-focus任务任务,VM可以有两个file-focus任务。如果video-focus任务超过file-focus任务,VM将执行一个video-focus任务,等待file-focus任务。相反,普通任务处理正常型共生[vm的9)基于空间分享的想法CloudSim [30.]。

在图3的过程中,我们使用一个例子来显示共享模式。我们设计三个任务,每个任务给不同长度的传输带宽和执行CPU的长度。为了表达清楚,我们的执行效率带宽设置为2在一个时间间隔和CPU 3在一个时间间隔。由于共享模式中,一个虚拟机可以有两个任务,这些任务根据1:1的比例共享资源。所以,工作的过程如下:在时刻0,v-task1和f-task1分配给相同的虚拟机。首先,v-task1和f-task1开始转移他们的传输长度(T-length)通过共享带宽。时间2,T-length f-task1完成为止。f-task1开始仅仅CPU上执行其执行长度(漫长)。同时,v-task1占用带宽为转移剩余T-length本身。3时,v-task1完成T-length并开始执行其漫长与f-task1通过共享。 At time 5, f-task1 finishes the E-length and leaves the VM. Then, the f-task2 begins to transfer for working. So, the f-task2 uses bandwidth by itself, and v-task1 also uses the CPU by itself. At time 6, the f-task2 finishes its T-length and begins to occupy the CPU with v-task1. At time 12, f-task2 is finished and leaves the VM. V-task1 uses CPU by itself. Finally, v-task1 finishes its work and leaves the VM at time 14. At this point, the overall process is finished. Algorithms3- - - - - -5

在下面,我们现在SRAF整个算法过程。当系统调度算法(SSA)开始,我们将创建基本vm(第6行)首先调度。班长将不断地监控和每个VM的开头时间间隔 。然后,该算法将选择一个操作的控制策略π,是否做VM虚拟机迁移或扩展,最小化成本(7 - 11行)。当来临,SSA将分类到相应的任务线(1 - 4和13行)。当任务线的任务,我们将安排他们和这样我们就可以充分利用资源(第14 - 17行)。

水平扩展算法的过程中,我们设置了最大CPU利用率阈值和最大带宽利用率阈值和 ,分别。然后,我们使用和比较与和在每个区间的开始 ,分别。由于算法的比较结果,选择执行不同的操作每一个活跃的虚拟机的资源级别扩展。

在算法5,到达率和完成比率代表的数量和完成请求抵达的时间间隔 ,分别。其主要职责是控制虚拟机的总体框架。根据资源利用率的情况和请求的数量,该算法执行vm级别扩展。

5。绩效评估

评估拟议的框架在本文中,我们建立的SRAF CloudSim这是一个离散事件仿真器(30.]。在CloudSim,我们可以复制和可控实验后我们的想法。CloudSim可以支持各种环境的资源分配和调度研究。我们实现了所有的模型和算法在CloudSim综合评价和分析。

在下面,我们显示整个计算过程执行成本的测量性能。在调度的过程中,我们可以使用(11)和(12)来量化每个VM的成本时间间隔 : 在哪里 ,在这的总体执行时间吗 ; ,在这代表了CPU资源代表了带宽资源;包含两个方面,即和 ,代表的CPU利用率和带宽在时间间隔 ,分别;普通的成本吗问当任务和工作;是基本的成本创建VM的元素集吗问;成本的比例吗问当VM执行的缩放操作时间间隔 ;和是一个区间的执行成本元素的集合问。此外,所有的虚拟机的实际资源的成本在他们的工作时间是由

总成本在vm是由所有的资源

因此,我们得到的总资源利用率通过以下方程: 在哪里 。我们可以得到带宽利用率和CPU利用率分别由(15)。从上面的分析,我们得到最终的优化如下基于成本控制策略π和扩展操作: 在哪里的迁移成本吗的控制策略π在时隙。

5.1。系统配置

我们模拟两个物理节点,每个节点有足够的资源。VM配置如表所示1(9,31日]。由于昂贵的CPU,我们使用CPU的数量限制虚拟机的数量。本文的工作负载数据集是实验室的网络算法(法律)(数据集被命名为“欧盟- 2015. urls.gz”;看到http://law.di.unimi.it/webdata/eu-2015/的更多信息)。此外,我们使用泊松过程到达过程的模拟服务请求(32,33]。测试框架的性能,我们试图稳定到达率。在本文中,我们设置 。在下面,我们将集λ从1到10进行测试SRAF的鲁棒性。

5.2。性能分析

在本节中,我们比较框架(SRAF)框架(共生)提出了(9]。我们还添加Bejo算法(6]共生。此外,我们将最后期限因子添加到实验清楚地显示SRAF之间的区别和共生关系。

在图4,我们做的比较SRAF和共生关系在不同期限。将在每个框架中,服务的所有任务,他们有三个状态。成功意味着主人VM的任务顺利完成。失败的意味着任务时丢弃其服务时间超过了最后期限。规模意味着这个任务需要额外的资源池中的资源为其工作。在图5,结果代表带宽的利用率和CPU在共生和SRAF在不同期限。在图4越来越多的最后期限,许多失败的任务和规模成为成功的任务,等待处理。带宽和CPU将有更多的空闲时间。因此,资源利用率降低,如图5。

在图4最后期限是20 ns和30 ns, SRAF仍有一些失败的任务,而共生关系没有。截止日期是40 ns和50 ns,所有SRAF的任务是成功的任务,但也有一些规模任务的共生关系。因此,SRAF吸收率更高的请求比共生和更高的效率。是什么导致了上面的状态有两面。首先,更多的培训SCA,更好的分类结果。SCA的更好的培训能更好的结合file-focus任务和video-focus任务减少等待时间的共享模式。SCA的操作之后,SRAF将充分利用资源。因此,SRAF有更多时间工作和许多失败和规模任务将成为成功的任务。另一方面,共享模式可以延长长期任务的执行时间(视频)的任务。但这个问题可以通过重置资源共享比例的方法解决。 For example, in Figure5共生的,资源利用率随越来越多的最后期限。SRAF的资源利用率接近97%。这种现象意味着有一些长任务在CPU资源与不断增长的最后期限。因此,带宽资源闲置。最后,减少带宽的利用率和CPU正在增加。然而,SRAF有不同的性能。因为SCA,漫长的任务(视频任务)较短的执行任务(文件任务)的共享模式。换句话说,一个虚拟机可以有两个任务。当任务已完成和短期的任务仍在工作,一个新的任务来传输。因此,CPU和带宽都被一个任务。 Hence, the resource utilization of CPU and bandwidth decreases, but in a small range. However, the resource utilizations are still higher than those of Symbiosis. The detailed process of the above example is shown in Figure2。整体的外观图4SRAF也有一个短的下降率和扩展的所有任务。因此,面对相同的任务,SRAF资源利用率和任务处理速度高于共生关系。

为了测量性能的控制策略π在4.3节中,我们将VM迁移的操作添加到共生相比较而言,这是名为“共生+ vm-mi”(支持向量机)。额外的执行时间代表虚拟机迁移的总执行时间和缩放操作。额外费用的总成本意味着所有VM迁移和缩放操作。增强真实性,我们十个实验SRAF,共生,和支持向量机,分别比较在每一个最后期限。让我们首先做个比较共生和支持向量机的数字6和7因为SVM控制策略来衡量VM迁移。因此,当虚拟机变成重载(资源利用率超过阈值),重载的VM将首先选择移民控制政策。如果不是,SVM算法。所示将缩放操作4和5)。相反,共生为这些重载虚拟机只能做缩放操作。理论上,VM迁移比缩放操作可以降低成本,因为缩放操作很容易创建频繁波动。因此,采取一个整体的数据6和7,SVM具有较短的执行时间和成本比共生,因为控制策略可以使长期预测操作虚拟机迁移,避免VM过载和资源缺乏。换句话说,SVM使用虚拟机迁移的方法来减少频繁的缩放操作减少了额外成本。

从总体的角度来看图6共生的总执行时间比SRAF得多。的总执行时间SRAF几乎是在0.6×10的水平⁵ns当最后期限是50 ns。相应地,额外的执行时间接近于零。但共生的总执行时间几乎四倍SRAF截止日期是50 ns。在图的总成本的共生关系7也是大约SRAF高出5倍。上面的分析意味着SRAF比这更短的服务延迟的共生关系。例如,在图5共生,资源利用率的降低是更比SRAF与日益增长的最后期限。因此,当更多的失败和规模任务成为成功的任务,共生的总执行时间将不断增加。SRAF的总执行时间是在一个小范围的变化。也就是说,面对更多的任务,SRAF有稳定和更好的性能比共生降低服务延迟和成本。

对于测试SRAF的鲁棒性,我们集λ从1到10来模拟不同的拥堵情况。在实验中,我们将提供足够的资源。为了避免额外费用由频繁操作改变虚拟机的资源,我们要扩展资源的操作只能maximully VM上添加两次资源的原始配置资源。我们做十为每个框架在不同的实验λ。然后,根据这些实验,我们得到了平均带宽利用率、平均CPU利用率、和总成本的框架,如图8- - - - - -10,分别。在图8的带宽利用率SRAF、共生和SVM与日益增长的价值增加λ。什么导致了越来越多的现象有两个方面。首先,因为请求到达率是基于泊松分布,交通堵塞的情况变得平稳增长的价值λ。所以,面对更稳定的到达率,框架就可以有更多的时间来工作。因此,所有的带宽的利用率和日益增长的价值增加的趋势λ。其次,如果请求的期限超过传输时间,他们将成为失败的任务。此外,我们不计算失败任务的时间和成本。换句话说,失败的任务是带宽的浪费,这是影响带宽利用率的主要因素。因此,日益增长的价值λ,更稳定的到达率会减少失败的任务。因此,框架正在增加的带宽利用率。详细的图8,它是观察到的带宽利用率SRAF高于共生和支持向量机。共生和SVM有近似的趋势。这是因为SRAF可以同时服务两个任务的共享模式(如图2)。共享模式可以充分利用带宽比共生和CPU资源和支持向量机。因此,SRAF可以有效降低延迟和提高利用免费资源。相同的趋势,支持向量机和共生,他们有相同的带宽传输方法和没有共享模式。根据以上的类比,对不同到达率的请求,SRAF有更好的性能比共生和SVM对带宽利用率,尤其是稳定的到达率。

图9介绍了SRAF的CPU使用率、共生和支持向量机在不同λ。采取一个整体的数据8和9、CPU利用率不同的框架也与日益增长的价值增加λ随着形势的带宽利用率。此外,相邻的增加λ在CPU利用率略高于那些在带宽利用率。因为,锋利的拥堵会造成更多的自由时间在CPU资源带宽资源。排队的时间将超过最后期限和导致许多失败的任务。时的值λ越来越多的从1到4,SVM的CPU使用率高于共生关系。这种现象意味着SVM的VM迁移减少的数量扩展任务和失败的任务。因为VM迁移可以避免VM的过载和减少失败的自由时间任务。此外,越来越多的价值λ,请求到达率变得稳定。稳定的到达率将降低缩放操作的频繁波动。虚拟机迁移的操作也可以减少。时的值λ大于4,SVM的CPU利用率和共生是差不多的。当然,CPU利用率的SRAF稳定,高于SVM和共生关系,因为共享模式和虚拟机迁移。

图10代表SRAF的总成本、共生和支持向量机在不同λ。不同数据的情况8和9支持向量机的总成本和共生关系日益增长λ。SRAF的总成本下降。是什么导致这一现象有两个方面。首先,因为更高的带宽利用率和CPU在SRAF SRAF减少更多的等待时间和服务时间的所有任务共享模式,特别是对于那些短期任务背后的长期任务队列。此外,一个接一个服务方法的共生关系是影响的主要因素的CPU利用率和带宽。因此,面对相同的任务,共生会浪费许多资源,比SRAF延长服务时间。其次,虚拟机迁移可以减少频繁的缩放操作。例如,支持向量机的总成本是低于共生在每个λ在图10。因为,控制策略可以使虚拟机迁移成本和缩放操作成本之间的权衡。控制政策根据历史数据预测的能力,可以选择最小的每个操作成本降低了额外成本。因此,采取了一种整体的数据8- - - - - -10,SRAF有更好的性能稳定性和鲁棒性。

6。结论

在本文中,我们设计、建模和评估SRAF,其目的是为了减少在移动数据网络服务请求的延迟和提高带宽的利用率和CPU资源。在SRAF,我们提出了SCA执行任务的分类。我们还设计了一个共享模式实现组合两个任务的过程。在服务共享模式大大减少了等待时间。此外,我们还设计了一个MDP控制VM迁移。我们使用VM迁移和扩展的组合方法来提高资源利用率。最后,我们把许多不同的实验表明SRAF对资源利用率,有良好的性能稳定性和鲁棒性。

数据可用性

语料库数据用于支持这项研究的结果已经存入实验室网络算法(http://law.di.unimi.it/webdata/eu-2015/)。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持部分由中国国家自然科学基金(国家自然科学基金委)授予U1604155号,61602155,61871430,和61370221,部分由河南科技创新项目批准号174100510010,部分下的河南工业大学研究项目批准号172107000005,和部分基础研究项目在河南大学的批准号19 zx010。

引用

1. 杨,k .柴,z, k . Katsaros和g . Pavlou”的NFV-enabled移动edge-cloud低延迟移动应用,”IEEE网络和服务管理,15卷,不。1,第488 - 475页,2018。视图:出版商的网站|谷歌学术搜索
2. A·穆克吉·d·德·d·罗伊,“权力和延迟知道薄云multi-cloudlet环境选择策略”IEEE云计算,卷99,不。99年,p . 2016。视图:出版商的网站|谷歌学术搜索
3. r . j . Li, h .关美国大卫,和l .魏”准确的CPU比例分享和可预测的虚拟机监视器的I / O响应性:一个案例研究在Xen,”IEEE云计算,5卷,不。4、604 - 616年,2017页。视图:出版商的网站|谷歌学术搜索
4. b p R Killi美国诉饶,“生产下一个控制器放置在软件定义网络中,”IEEE网络和服务管理,14卷,不。3、514 - 527年,2017页。视图:出版商的网站|谷歌学术搜索
5. c . Birkestrand j . Heyrman和c·普罗塞,“虚拟机放置在云计算环境中基于因素包括优化processor-memory亲和力,”美国专利9600321,2017。视图:谷歌学术搜索
6. l .徐j .曹y . Wang l·杨和j·李,“Bejo:以行为为基础的工作分类在云中资源消耗预测,”学报IEEE国际会议上云计算的技术和科学2014年12月,页机、新加坡、。视图:出版商的网站|谷歌学术搜索
7. h·j·金、金h . i和j . w . Chang”一个保护隐私资讯分类算法在云计算,使用姚明的电路”云计算学报IEEE国际会议,页766 - 769,檀香山,夏威夷,美国,2017年6月。视图:出版商的网站|谷歌学术搜索
8. k . Katsalis g . Papaioannou: Nikaein, t·莱安德罗“SLA-driven虚拟机调度在移动计算边缘,”云计算学报IEEE国际会议,页750 - 757年,旧金山,美国,2016年6月。视图:出版商的网站|谷歌学术搜索
9. 李j .江、马s和b”共生:网络感知任务调度方式来表述数据并行处理框架,”《IEEE计算机通信国际会议旧金山,页1 - 9、钙、美国,2016年4月。视图:出版商的网站|谷歌学术搜索
10. n . Armanfard j·p·赖利,m . Komeili“本地数据分类、特征选择”IEEE模式分析与机器智能,38卷,不。6,1217 - 1227年,2016页。视图:出版商的网站|谷歌学术搜索
11. h . Hajimirsadeghi g·森,“多实例分类max-margin基数的马尔可夫网络的训练,”IEEE模式分析与机器智能,39卷,不。9日,第1852 - 1836页,2017年。视图:出版商的网站|谷歌学术搜索
12. s·库马尔·g·库马尔,k . Jain”的方法来减少扭转时间和等待timeby循环赛和最短工作优先算法的选择,”国际工程和技术杂志》上,7卷,不。2、667 - 677年,2018页。视图:出版商的网站|谷歌学术搜索
13. m·库马尔和s . c . Sharma”优先意识到最长工作第一(PA-LJF)算法,利用资源在云环境中,”程序为全球可持续发展国际会议上计算的,页16日至18日,新德里,印度,2016年3月。视图:谷歌学术搜索
14. n . t .氩、c·邓和v . g . Kulkarni”最优控制的单个服务器有限总体排队网络,”排队系统,卷85,不。1 - 2、149 - 172年,2017页。视图:出版商的网站|谷歌学术搜索
15. Legros b,“M / G / 1队列event-dependent到达率,”排队系统,卷89,不。3 - 4、269 - 301年,2018页。视图:出版商的网站|谷歌学术搜索
16. 韩z h . Tan, g·陈,“动态虚拟机管理通过近似马尔可夫决策过程”计算机通信学报IEEE国际会议旧金山,页1 - 9、钙、美国,2016年7月。视图:出版商的网站|谷歌学术搜索
17. z李”,一种自适应过载阈值选择过程使用马尔可夫决策过程的虚拟机在云数据中心,“集群计算卷。2018年,1-13,2018页。视图:出版商的网站|谷歌学术搜索
18. 陈,y . Wang和m . Pedram“半马尔可夫决策过程的控制方法为基础把任务从移动设备到云,”IEEE全球通信学报》会议,页2885 - 2890年,亚特兰大,乔治亚州,美国,2013年12月。视图:出版商的网站|谷歌学术搜索
19. t . Liu和d道”,与嘈杂的标签分类权重重要性。”IEEE模式分析与机器智能,38卷,不。3、447 - 461年,2016页。视图:出版商的网站|谷歌学术搜索
20. a·l·金、w .歌曲和p . Wang”拍卖机制向高效资源共享移动云计算的薄云,”IEEE服务计算,9卷,不。6,895 - 909年,2016页。视图:出版商的网站|谷歌学术搜索
21. t . x Tran和d . Pompili动态广播合作与计算资源共享,下行cloud-RANs”学报IEEE国际会议上移动Ad Hoc和传感器系统巴西利亚,页118 - 126年,巴西,2016年10月。视图:谷歌学术搜索
22. d . Kovachev y曹,r . Klamma et al .,“顺其自然:基于云计算的新方法micro-learning移动网络,”学报的国际会议在基于网络的学习进步51 - 61页。香港,中国,2011年12月。视图:出版商的网站|谷歌学术搜索
23. c .唱:梅茨,美国Dudli“基于机器学习的分类38年spine-related文学到100年研究的话题,“脊柱,42卷,不。11日,第870 - 863页,2017年。视图:出版商的网站|谷歌学术搜索
24. j·张,y汉和j .江“Semi-supervised张量图像分类学习,”多媒体系统,23卷,不。1,第73 - 63页,2017。视图:出版商的网站|谷歌学术搜索
25. j·陈,陈c . y .梁,“优化TF-IDF算法的自适应权重的位置的话,”人工智能国际会议的程序和工业工程2016年11月,北京,中国。视图:出版商的网站|谷歌学术搜索
26. 美国。盖斯和m . c .傅贝尔曼最优性方程激飞美国,纽约,纽约,美国,2013年。
27. d . p . Bertsekas动态规划和最优控制纳舒厄,卷2,雅典娜科学,NH,美国,1995年。
28. a . Heydari“稳定分析的最优自适应控制使用值迭代近似错误,”IEEE自动控制,卷63,不。9日,第3126 - 3119页,2018年。视图:出版商的网站|谷歌学术搜索
29. b·泰勒·m·亨德里克斯,f . Glineur”顺利强烈凸插值和精确的最糟糕的一阶方法的性能,”数学规划,卷161,不。1 - 2、307 - 345年,2017页。视图:出版商的网站|谷歌学术搜索
30. r . n .卡列罗斯r .野生动物,a . Beloglazov c·a·德玫瑰,和r . Buyya”CloudSim:工具包对于云计算的建模和仿真环境和资源配置的评价算法,”软件:实践和经验第41卷。。1,23-50,2011页。视图:出版商的网站|谷歌学术搜索
31. y赵:卡列罗斯,g .规,k . Ramamohanarao和r . Buyya”到基于sla的资源调度对大数据分析作为服务在云计算环境中,”学报IEEE国际会议上并行处理,第519 - 510页,北京,中国,2015年9月。视图:出版商的网站|谷歌学术搜索
32. 问:谢和y . Lu near-data调度优先级算法:吞吐量和私家车最优”学报IEEE计算机通信国际会议,页963 - 972,拉斯维加斯,内华达州,美国,2015年8月。视图:谷歌学术搜索
33. 美国郭、b·肖和y,“节能动态卸载和在移动云计算资源调度,”计算机通信学报IEEE国际会议旧金山,页1 - 9、钙、美国,2016年7月。视图:谷歌学术搜索

版权

版权©2018年康刘et al。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。