文摘

随需应变的计算能力和高效的服务交付的主要好处是云系统。单一的数据中心资源可用性的限制导致的提取从云提供商组额外的资源。动态联盟计划增加资源可用性来响应服务请求。动态资源数量增加会导致过度的能源消耗,最大的成本,和碳足迹排放。因此,资源的减少是主要的需求构建优化的云模型对利润最大化没有考虑能源混合和有限公司₂。本文提出了小说迁移方法减少碳排放和能源消耗。提出的初期工作是数据中心的分类基于MIPS和成本之前工作提供可伸缩的和高效的服务和资源分配到云用户。然后,最大大小的工作分配给虚拟机只有在它的容量小于累计数据中心的能力。基于重小说迁移和充分利用水平向用户提供服务,即使特定VM失败。拟议的工作提供有效的维护资源可用性和云提供商的利润最大化与联邦云环境有关。该算法与现有的比较分析方法对响应时间、准确性、利润、碳排放和能源消耗保证不言而喻云环境中的有效性。

1。介绍

云计算是一种体系结构框架,有助于构建基于服务的应用程序,并提供有效的外包动态服务环境。在这些服务模型中,IAAS允许资源共享客户虚拟机(VM)的形式。资源配置方案对增加IAAS提供商的利润极大地影响。的保证的服务质量(QoS)约束的服务水平协议(SLA)商定的客户依赖于有效的资源管理政策。根据资源性能水平,QoS约束的放松是需要同时处理的请求数量。QoS保证之间的权衡和最小数量的请求需要动态增加的可用资源。场景需要实现增加供应商之间的协调,是指云联盟。期间接待等情况按需请求和联合云环境中缺乏资源闲置,现货价格之间的提供者决定增加或现货VM终止。研究解决一些管理政策的决策过程。

扩展的云计算介绍了云数据中心作为新的研究领域关于最低能源消费和收入的提高。服务需求的增长,数据中心管理部门增加了复杂性,大小和能量。虚拟化的概念进化研究有效减少能源消耗。社会和政治压力的分析有限公司₂从过度的能源消耗排放保护环境。处理器时间和能源消耗是相互关联的,而这种关系在能耗测量中起着重要作用。研究节能意识等方法介绍低功耗服务器预测,优化工作负载位置,和应用程序调度。在节能意识的实现模型,能源消耗的估计是基于假设的功耗处理器时间成正比。但节能意识VM模型描述了所需的处理器时间不是一个标准来估计准确。

VM管理与既定规则保持尽可能低的能源和足迹。基于能源目标,特别的虚拟机放置算法包括数据中心和工作负载性能降低消费水平。工作负载特性和硬件清爽使数据中心作为一个特别的VM中唯一不适当放置算法由于特殊自然阻止根据数据中心升级属性。另外,VM分配算法灵活处理的复杂性和动态变化。基于multispecific硬件和sla,节能意识算法通过使用微调过程提供了额外的节省能源。微调的需求实现过程如下:(i) VM广泛与新SLA申报新服务和数据中心(ii)适应性。利用约束编程(CP)及其相关算法解决了用户需求,也就是说,和容错性能。但缺乏能源模型抵消明确能源担心发挥重要作用在数据中心升级和改进能力。

主机的适应性数据中心与另一个主机在VM取决于资源配置文件创建基于负载管理方案。每个负载管理方案应该包括异质性、硬件多样性、负载波动模式和能源消耗。集中式方法提出了在传统的研究是不够的可伸缩的,因为他们需要多个分布式主机监视过程中复杂的压力条件数据中心。提高资源利用水平有效地减少了云计算运营成本。缺乏适当的管理虚拟化在云数据中心云操作性能降低。VM迁移的概念支持有效的资源管理,消除人类的监督。移民的主要类别模式和非生活。虚拟机动态迁移实现了动态负载管理数据中心,并允许一个虚拟机的迁移到另一个虚拟机没有暂停应用程序服务而非迁移。VM的能源消耗在空闲状态和数据降低联邦云环境的重大问题。因此,研究工作提出了降低能源消耗和提高利润与小说VM迁移模型。(我)的分组数据中心工作之前基于MIPS和成本分配支持可伸缩的云用户的服务交付(2)基于VM状态迁移(重/充分利用)提出了工作期间负责服务提供失败条件(3)小说移民和联邦云环境创建摘要维护资源可用性来增加利润

本文组织如下。部分2描述了相关的节能调度工作和移民联邦云环境的技术。部分3讨论了拟议的工作负载VM /位置迁移和基于优先级的任务分配算法。部分4介绍了该算法的性能分析现有的迁移技术。最后,部分5给出了结论。

2。相关工作

高效的服务交付通过对需求的资源配置条件由范式叫做云计算。服务提供者之间的协调增加动态资源可用性和在施工中起着重要作用的联合云环境中。Toosi et al。1)说明了政策,增加资源利用率和利润。提供者参与联邦云环境有不同的选择,决定政策不适合。大型数据传输在联邦云环境消耗更多的时间。Celesti et al。2]分析了云联邦架构的潜力,提出了一个更高效的云服务提供策略与网络电视的考虑测试用例。观察到的挑战来自卫星应用考虑应用程序部署和迁移服务跨越云。既et al。3]介绍了联邦multicloud环境,解决三个基础:开放服务模型、可配置的架构和基础设施服务。云联盟依靠IAAS提供商的聚合与自己的能力。安德烈•柯特兹et al。4]介绍了云管理解决方案基于云经纪人的利用率水平。他们利用一个综合监测方法,使供应商选择增强和云服务执行。提供按需弹性计算能力来支持服务交付。佩特里et al。5)联合建立和评估政策对系统状态的影响取决于使用彗星云计算实现。利用特殊的网关支持彗星云实现。大型部署数据中心向用户提供各种服务消耗更多的能量和力量。因此,开发技术要求云计算构建环保。

Wadhwa和胆量6]提出了carbon-di-oxide(有限公司₂)发射率数据中心的新技术来减少能源消耗。分布式数据中心中使用这种技术有不同的能源和碳足迹,VM位置的影响。Wadhwa和胆量7VM)提出了低碳排放位置和迁移(CEPM)算法的优化虚拟机放置问题。当前的服务器利用率水平被认为提高效率。效率等指标/数据中心的可伸缩性和托管应用程序的性能依赖于资源分配。Ferdaus et al。8)提出了必要的背景和特点的各种组件VM位置和迁移技术。VM管理基于规则的方法负责每个数据中心能耗的最小化。基于规则的方法并不适用于额外的节能。杜邦et al。9)提出了节能意识VM放置算法称为Plug4Green用于计算VM的合适位置和状态的服务器根据大尺寸约束。QoS约束确保最大能源消耗引起的。因此,一个合适的技术要求提供最低能量消耗之间的平衡和准确的保证QoS约束。Horri和Dastghaibyfard10)提出了QoS-aware VM整顿的小说研究提供必要的QoS约束和能源消费之间的权衡。他们采用了新的方法基于历史数据中存在的CPU和VM内存。云数据中心的可扩展性最大化的增加能源消耗,和一个合适的资源分配策略是需要减少能源消耗。

传统的数据中心模型不包括能源消耗作为他们的关键参数配置。杜邦et al。11]介绍了节能意识VM配置框架。他们使用约束编程(CP)和entropy-based方法实现模型的灵活性。高通量计算资源整合模型的演变与闲置资源有效减少能源消耗的问题。丁(12]讨论了粒子群优化的禁忌(PSO-T)搜索资源利用水平改善以减少能源消耗。PSO-T算法断开稀疏服务器时间和减少电力消费水平。云模型是主要问题的可持续性发展能源效率和有限公司₂排放。瓦吉德et al。13)考虑可持续性的云模型的有用性,允许新技术的概念和发展。资产的优化与可持续发展相关的云模型提高能源效率是一个重要的要求。沃尔克et al。14]讨论了节能方法Eco2Clouds项目低于最低能源消耗和有限公司₂排放。云环境监测是基于数据收集关于能源消费与工作负载的变化。基于处理器的时间和VM实例,虚拟化的成本变化自冷却和能源数据中心的成本超过了采购成本。金等。15)测量了能源消费水平基于处理事件。他们利用一个调度算法提供必要的资源与能源预算基础。云服务利用水平改善所需的资源除了调度优化方法。

同时多个云服务请求被并行处理和处理所需的合适的资源分配和调度的任务。李等人。16)提出的资源分配算法与可抢占的任务分配资源动态调整。定期更新关于所需的任务执行动态操作。时间和能源消耗是先发制人的模型。Nesmachnow et al。17]介绍了meta-broker(一级)和当地的供应商(要求等级2)安排所有接收到的任务。他们调查了能源消耗的资源和能力的多核处理系统。错觉的广告资源,客户要求更高的质量和可靠性水平会导致过度的能源消耗。联苯乙et al。18]提出了基于顺从系统的虚拟机调度方法来降低能耗。他们设计了cloud-sim-based仿真环境评估pliant-system的性能。nonadaptability调度算法的不确定和作业调度的动态特性问题的任务。米兰达et al。19]介绍了调度问题,并回顾了调度算法提供的解决方案的不确定性。虚拟机迁移技术的演变从一个物理机到另一个,以减少时间和服务退化。索尼和卡尔拉20.]讨论了各种迁移技术(离线和动态迁移)减少总体时间消费。他们也提出了不同的动态迁移场景与最小带宽获得更好的性能。不同的参与者与自己的目标需要多重代理系统谈判能力。

雷特et al。21)提出了服务器整合方法称为联合应用程序提供(FAP)战略管理联邦云环境虚拟化的能耗水平。整合方法的主要目标是提供QoS约束之间的权衡满意度和最低能耗相比微不足道的方法。增加处理器提供故障发生的几率。在云环境中运行的应用程序是由工作流。但包含链接失败和服务条款违反了计算环境的鲁棒性。辛格和王22]讨论了故障切除与容错机制(英尺分)。故障检测虚拟化过程中被认为是一个重要的阶段,它需要一种有效的控制方案与参数指导。平衡和整合的工作负载和能量最小化所需解决问题的技巧。加西亚和Nafarrate [23)提出了新颖的负载平衡启发式算法重主机的虚拟机迁移到未充分使用的主机。云资源利用水平的增加有效地降低运营成本。Liaqat et al。24]调查迁移技术和政策在VM域中代表未来的挑战。他们提出了基于队列的内存页面迁移迁移模型。虚拟化和整合方法的公司没有提供必要的最低能量消耗之间的平衡和更好的执行性能。考尔和长安汽车25)提出了绿色云调度模型(GCSM),利用任务和资源的异质性财产使用调度程序单元。GCSM促进能源效率和防止退化提供者的角度。另外,任务的执行期限内通过GCSM受到客户端透视图。高效的资源利用率是具有挑战性的问题在任务执行的性能提升。Rathor et al。26]提供了最适合和最合适的技术来提高资源利用水平高成本。Kruekaew和Kimpan27)与三种情况讨论了人工蜂群算法先到先得(先),最长最短工作第一(SJF),工作第一(LJF)提高资源管理的性能。迁移和放置技术在传统方法没有考虑利用场景(overutilization /未充分利用)和工作优先级导致过度的能源消耗和更少的利润。最新进展在云数据中心及其节能方法讨论了下面的引用(28- - - - - -31日]。

3所示。保护资源巧妙和Exigency-Based迁移(PRH-EM)

本节讨论小说的实现维护资源可用性的技术,以云用户有效地提供服务。图1显示了流程的提出保护资源巧妙和exigency-based迁移(PRH-EM)利润最大化算法减少了能源消耗。

(PRH-EM)算法包含连续过程,如联邦环境中创建、得到VM放置,工作分配,exigency-based迁移。最初,该数据中心联合成四组基于MIPS和成本。然后,FDC的工作负载和VM的容量是衡量。VM的容量比FDC工作量和VM为FDC如果其小于FDC能力。然后,工作分配给相应的VM更新主机/ VM在相同的和不同的FDC列表。当工作是分配给虚拟机在接下来的FDC,阈值计算表明利用水平。然后,基于阈值、重和充分利用VM是分开的。最后,乔布斯从一个虚拟机迁移到另一个根据他们的能力。

3.1。联合会

服务提供者被认为是自主与自己的客户。在需求条件下,联合机制帮助供应商确定过载。联合模型包含云交换服务为中心。交换服务提供者发送必要的查询来确定可用的资源。云与MIPS交换服务生成的列表提供者和成本价值。的重定向请求有助于确定合适的提供者使用MIPS和价格表。

组件负责决策有关的分配额外资源被称为云协调员。同时测量MIPS和成本为每个数据中心在云环境中是负责联邦环境创造。对于每一个数据中心,该算法计算的成本百万指令(MI)执行。MIPS的总成本为每个数据中心测量。计算成本和MIPS被分成三个限制:低,中,高( )。根据MIPS和成本,联合包括四种类型如下:(我)类型我更比高MIPS和小于低成本(2)类型II-More高MIPS小于介质成本(3)比介质类型III-More MIPS和小于介质成本(iv)类型四世比低MIPS和小于介质成本

算法1列出的联合方案如下:

联邦数据中心被假设有足够的资源来处理各种各样的工作而异。但资源可用性和虚拟化过程的变化使工作任务不确定。该算法解决了这个问题,保持资源可用性和提供服务失败条件。

3.2。得到虚拟机位置

联邦数据中心的虚拟机放置的第二阶段提出PRH-EM算法。毕竟数据中心联合为地理位置,每个数据中心的碳足迹计算如下: 在哪里代表了云的碳足迹描述电源使用效率的比率的整体能耗数据中心( )电力消耗的设备在保持时间( )。新到来的请求启动主机分配取决于碳水平。估计碳水平被认为是联邦云计算数据中心的工作负载。算法2提出了被称为得到虚拟机位置,因为它遵循工作负载的降序排列。

每个数据中心的工作负载计算是初始阶段的虚拟机放置算法。然后,每个VM的碳排放水平估计为每台机器在虚拟机列表中。根据工作负载和碳水平估计,高容量的主机列表创建主机在第一时间和低能的主机在过去的地方。然后,比较VM的工作负载的容量选择FDC VM来定位特定的主机。如果选择虚拟机的容量小于FDC的工作负载,那么相应的VM分配给所选主机。否则,接下来的FDC从列表中选择和重复的形成。在比较,和定期更新知道每个VM的特定的主机。得到虚拟机放置在本文提出负责有效服务交付失败条件。但是工作的执行也是一个大问题在节能的云环境。

3.3。工作分配

一个节能的云模型的主要假设是将工作分配给一个云只是没有复制。如果有多个工作出现在特定的实例,高优先级的工作开始执行。然后,根据虚拟机的容量,其他工作都分配给另一个虚拟机。特定数据中心包括路由器和交换机的运输负责服务器和外部世界之间的交通。处理器互连的本质上是静态的,是期刊的利用率水平变化取决于大小的执行工作。大尺寸的I / O数据传输它们之间引起过载状态。与虚拟机监控能力和工作相关的经纪人大小最大容量VM分配的工作。在过载条件(VM达到容量限制或不),代理将互相交换他们的监控,提供持续的资源可用性。

该算法3了工作分配如下:

最初,要执行的工作是收集和它们的大小估计。然后,按降序排列的工作与第一个最大尺寸和最小尺寸是最后一个。然后,分配给每个作业的优先级是基于价值的大小。VM的容量估计平行于优先任务。然后,就业规模与VM初始轮执行能力水平。如果虚拟机的容量大于工作大小,那么相应的工作是分配给虚拟机的 。然后,剩下的容量和工作估计并放置到nonallotted列表进行进一步处理。工作分配算法4对于nonallotted列表描述如下:

nonallotted名单收集的工作和相应的代理和主机识别。然后,开关工作到下一个代理在同一FDC如果有任何VM可用必要的能力,直到最后一个作业。如果有任何的工作列表中可用的容量限制达到状态,然后下一个FDC选择的工作分配。最后,和更新后分配。在需求条件(达到容量限制)工作执行,工作上执行虚拟机从一个虚拟机迁移到另一个VM为了提供有效服务交付给用户。

3.4。Exigency-Based迁移

传统的虚拟机迁移计划违反了资源的可用性。或者,exigency-based偏移算法提出了估计VM的利用率水平的工作。基于利用水平,两个条件出现如overutilization和未充分利用。在充分利用状态的迁移工作空闲虚拟机转换成睡眠模式,减少不必要的能源消耗。同样,工作重状态迁移到最大容量VM提供即时响应,降低了时间延迟。算法5和6重和充分利用条件描述如下:

vm分配给执行工作的提取 。VM的分类阈值计算来确定状态是否重或没有得到充分利用。如果虚拟机的容量超过了最大的阈值,那么相应的虚拟机放置在重列表。然后,这项工作由相应的虚拟机迁移到执行剩下的特定FDC VM。另外,如果选择虚拟机的容量小于最低阈值,它可以被视为没有得到充分利用。工作执行的充分利用虚拟机迁移到下一个VM有足够的能力。迁移基于维护资源可用性和利用率水平有效减少能源消耗。虚拟机故障检测和服务故障转移是失败的两个主要原则处理。一般来说,故障检测的过程就是识别出了问题并通知适当的管理员,这样他们就可以解决这个问题。系统监控和故障检测是两个不同的东西。有频繁和快速故障检测检查(例如,每5秒)。他们通常是更多的约束检查结果。

失败测试API连接简单检查web服务器和数据库的可用性。相反,监视检查通常是定期执行更少,更容易检查等因素CPU、RAM和磁盘空间利用率。这些检查的结果可以记录历史趋势分析找到内存泄漏。

4所示。性能分析

本节讨论的性能提出了保护资源巧妙和exigency-based迁移(PRH-EM)关于准确性、响应时间变化对各种工作,和vm。的比较分析,提出PRH-EM健身最好/最差,贪婪的(26),和ABC方法(27)保证节能的云环境的有效性。此外,利润变化nonfederated完全内部(NFTI),联合意识到面向外包(FAOO),联邦(FAPO)意识到以利润为导向,1),提出PRH-EM。

4.1。响应时间

的总时间消费上升的新请求的响应特定的机器是指响应时间。之间的比较提出了与现有最好/最差PRH-EM健身和贪婪26)对于响应时间描述混合过程,如虚拟机的放置,调度和迁移该方法有效地减少响应时间。

图2显示了响应时间变化的各种虚拟机的数量。VM的增加减少了响应时间在传统方法有效。但得到位置和exigency-based移民提供一个恒定的资源可用性水平,减少了响应时间相对于其他。比较表明,PRH-EM提供28和响应时间减少50%相比,贪婪的方法。

4.2。精度

如何利用数据中心的整体时间限制是指该系统的准确性。FDCs的准确性提出了不同的VM PRH-EM验证显示比传统方法更好的性能。表1显示每个FDC的精度变化在不同的虚拟机。

最小值的VM (25), FDC 4显示了一个比另一种更好的性能。同样,较高的vm的FDC 3提供了更好的性能。vm的增加减少FDC的准确性在相当大程度的不断的资源可用性和高效的交付给用户在通过PRH-EM失败条件。

4.3。考

消费的时间内执行的任务数FDC由时间来表示。任务的增加需要更多的VM,消耗更多的服务交付时间。但是迁移基于紧急条件有效地减少了考。

数据3和4显示时间和vm性能的工作,分别。工作量的增加和VM规模最大完工时间将增加价值。但提供移民和得到的虚拟机放置有效降低了考。比较分析表明,PRH-EM方案减少了考分别由40 - 8.3%的最小和最大工作相比ABC-SJF方法。同样,PRH-EM相比最大完工时间减少了25%和11.76分别ABC-LJF方法。

4.4。能源消耗

能量模型创建本文是基于假设处理器利用率和能源消耗是成正比。特定资源的利用率水平表示为 在哪里虚拟机数量,利用水平特定VM_j

能源消耗为特定VM取决于利用水平,电力消耗( )利用过载峰值(100%),和功耗( )在主动模式利用率(1%),表示为

的能量变化与CPU的利用率水平提出PRH-EM和现有MD_MMT [28]在PRH-EM显示有效减少能源消耗。

图5显示了比较分析与MD_MMT PRH-EM有关能源消耗。提出PRH-EM提供集团数据中心的能源消耗减少15.79%最低(20%)利用率水平。

4.5。碳排放

碳排放水平取决于PUE水平和使用的虚拟机数量根据方程(1)。分析碳利用率水平提出PRH-EM和现有的碳效率位置和迁移(CEPM)和循环(RR)迁移算法(6]。在这些方法中,CEPM RR相比,提供了更少的碳排放水平。

图6显示了碳排放水平变化的比较分析为每个虚拟机请求。请求的数量的增加线性增加碳排放水平。比较分析显示了PRH-EM减少20%的利用率水平VM请求的最大数量(200)CEPM相比,分别。

4.6。利润分析

收入的偏差成就和实现所需的成本收入同时指的是利润。的数学公式表示为获利

利润变化的实验分析琐碎,FAPO策略(1]表明FAPO模型提供更多的利润。

图7显示利润变化的比较分析现有FAPO和PRH-EM模型与不同比例的请求数。比较分析表明,PRH-EM利润增加0.9%相比FAPO由于exigency-based迁移和得到虚拟机放置位置的最小百分比请求。

5。结论

本文讨论了各种问题的调度/迁移计划在资源可用性的维护在一个不言而喻的云环境。小说VM迁移算法提供减少能源消耗之间的权衡和利润最大化。最初,可用的数据中心分类是基于MIPS和成本价值。前分类工作分配资源可用性的维护有很大的影响。累积之间的比较数据中心的工作负载能力和个人VM能力提供立即迁移期间的需求条件,防止资源的损失。重和underutilization-based迁移减少资源的数量,直接减少能源消耗和碳排放。提出工作保持持续的资源可用性和服务交付给用户在虚拟机失败条件,增加了利润水平。比较分析的算法与现有的方法保证的有效性提出了联合云环境中工作。

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。