文摘
虚拟机(VM)技术是一种节能的方法来节约能源与可接受的服务质量(QoS)。在我们先前的研究,人工蜂群(ABC)基于VM分配策略可以使一个好的性能和能耗之间的权衡。然而,有两个问题在最先进的基于ABC方法:(如何找到有效全球优化解决方案;()如何减少虚拟机分配的决定时间。为了解决这两个问题,采用模拟退火的思想得到更好的全球最佳,和梯度下降法的思想应用于加速发现解决方案空间的速度。与最先进的基于ABC政策相比,实验结果表明,该算法有效地减少了能源消耗和SLA违反。
1。介绍
目前,大量的数据中心已经付诸实践来支持基于互联网的服务。许多应用程序,比如电子商务和科学计算,需要大规模数据密集型计算。随着数据中心和应用不断增加,如何实现节能计算已经成为一个特别的挑战。
有几个属性的数据中心节能计算的问题难以得到解决。首先,数据中心的工作负载是先天的未知的节能政策,可能在时间和空间变量。因此,静态节能政策是不够的。第二,客户希望他们的工作可以按时完成一个可接受的价格。第三,大量的计算和存储节点在及时完成他们的工作和高能源消耗和低利用率。因此,找到一个在数据中心能耗和性能之间的权衡是一个重要的问题。
许多实践应用于实现节能,如动态电压和频率扩展(dvf) [1和虚拟机技术2]。虚拟机技术可以提高资源的利用率,计算和存储节点。例如,节能低负荷节点将睡在他们的虚拟机迁移到其他节点负载平衡的原则。
VM分配政策与工作负载平衡被认为是一种重要的数据中心的节能方案。在CloudSim [3模拟器,提出了经典的政策,如随机选择(RS),最小的迁移时间(MMT)和平均绝对偏差(疯了),让VM分配决策。赵et al。4PSO算法应用于虚拟机分配策略,他们在测量取得了显著的节能和QoS。在我们之前的作品中,人工蜂群(ABC) [5]采用实现节能6]。然而,基于ABC的VM分配政策找到全球解决方案的缺点。
要解决这些问题,采用模拟退火的思想尽可能找到全球解决方案。基于模拟退火的原理,蜜蜂有跳出局部最优的概率找到全局最优解空间。更多,梯度下降法的思想应用于加快速度寻找解决方案QoS。考虑这两个想法,一个基于ABC节能生活VM分配策略与模拟退火和梯度下降了。
总结了论文的主要贡献如下:(我)梯度下降的想法是用来解决的问题是如何满足加速的要求找到局部最优解的速度在一个数据中心。(2)采用模拟退火得到的想法近似全局最优搜索在每转持续时间。(3)寻找全球最佳时间后,虚拟机迁移的频率大大降低达到一个相当高的节能水平。
本文的其余部分组织如下。相关工作描述了部分2。该虚拟机分配策略节中给出3。模拟实验是在部分完成4。讨论和分析了部分5。部分6总结了纸。
2。相关工作
虚拟机分配(VM分配)是一个过程,是找到生活的目标主机移民VM。传统上,VM分配策略是为了实现高绩效。目前,能源消费被认为是另一个重要影响因素评估VM分配策略的合理性。因此,性能和能量消耗两个主要影响因素,构建节能评价模型。
风扇等。7)发现很强的相关性之间的单一服务器和CPU利用率;即有直接线性相关性CPU利用率和服务器的能源消耗。CPU利用率越高,更多的能源消耗。这是由一个主机能源评价模型: 在哪里代表了能源消费总量的主机,代表了能源消耗的懒懒的主机,代表高负载的能量消耗主机,和显示主机的CPU利用率。但它不能测量非线性CPU利用率。
Boglazov [8]提出的另一个经验非线性模型评估大量的能源消耗: 在哪里代表最小平方误差校准参数,通过实验获得。
从数据中心的能源消耗的成本,研究人员发现各种有效政策来降低能源成本和保持一个相对较高的QoS级别。
邓et al。9]提出绿色数据中心的概念,这意味着低能耗,低成本,低水平的环境污染。Fiandrino et al。10]提出了虚拟机迁移的能源消费模式,可以减少数据中心的能源消耗成本来实现负载平衡。然而,他们没有讨论的问题找到全局最优和不合适的虚拟机迁移。中田宏和Hirofuchi11)优化物理主机的数量和减少虚拟机迁移的频率。他们服务水平协议(SLA)作为一个重要的影响因素来衡量最优结果,也将VM迁移一个多目标优化问题。
作者Nishant et al。12)利用蚁群算法来解决虚拟机迁移的问题。每只蚂蚁只更新其本地数据,导致收敛速度较低。Jeyarani et al。13]介绍了SAPSO实现动态数据中心的虚拟机调度。SAPSO迅速检测和有效跟踪变化的最佳代表目标服务器虚拟机放置。然而,这个想法并没有考虑到未来的工作负载。从长期的角度操作,政策可能招致额外费用。
以前,我们的研究重点是利用ABC算法来解决虚拟机分配的问题,但它是收敛速度寻找不足当地最优数据中心。在处理同样体积的工作,目标主机的能效水平越高,成本越少。众所周知,能效水平将迅速降低目标主机的负载大于某个临界值。因此,重要的是要达到一个相当高的数据中心的能效水平,使一个有效的生活VM分配策略。在我们先前的研究,基于ABC节能生活VM分配政策提出了。然而,仍然有两个问题需要解决的部分1。
3所示。基于ABC住VM分配策略与模拟退火和梯度下降法
工作负载平衡数据中心可以通过虚拟机迁移到目标主机节能,关键在于将VM分配给最优目标主机(14]。在数据中心实现节能的目标,我们引入一个ABC算法寻求最好的目标主机。然而,Bi和王15发现一个ABC算法容易陷入局部最优。为了解决这个问题,模拟退火使童子军跳出局部最优解空间,然后在多个迭代优化最优解。下面的论文将详细的从两个方面,一个是数据中心的能源评价模型,另一个是一个增强节能生活VM分配策略。
3.1。数据中心能源评价模型
在现场VM分配过程中,我们要评估的成本VM需要迁移到目标主机。我们使用代表不同的能源消耗,来评估虚拟机迁移过程成本: 在哪里对应的能耗目标主机收到VM和意味着当前能源消耗的目标主机。
能源评价模型的基础上,健康的指标被定义为 在哪里对应于能源消耗和和意思是两个不同的物理主机。
3.2。正式的问题
我们正式迁移的问题虚拟机,主机。表示为其解决方案维向量,其中每个元素代表一个目标主机。我们可以描述的问题找到一个虚拟机分配策略;我们将它定义为,这是满足需求最少的能源消费而获得最大的计算性能。为了解决这个问题,我们定义的数组。代表物理主机;,在那里意味着VM迁移时间和VM代表vm。表示为虚拟机迁移的需求。代表的总能耗主机。算法的目的是找到最佳性能的主机位置,减少能源消耗。有多个位置来满足需求,所以我们定义为(6),,,,代表一个不同的位置选择是将虚拟机迁移到号码主机,它有以下关系: 在哪里代表vm和最小的计算节点标志着可用的计算资源主机。有职位为马克斯可以选择安置政策。它可以表示为。
第二个参数是基于能源消耗;,在那里对应的任何位置和代表主机数量。这个职位,在选择主机号码,表示为。他们的能量表示为这意味着,根据的能源消费总量将虚拟机迁移到主机。因此迁移虚拟机能耗可以表示为(7)。为了达到更好的节能,节能VM迁移可以表示为(8)。换句话说,为了减少能源消耗,我们必须减少的价值。
3.3。表达了解决方案
为了实现基于ABC的节能算法,解决方案的代表成为一个优先级。解决方案表示代表之间的对应关系的最佳蜜蜂和空间问题的发现基于ABC算法。在本文中,有虚拟机迁移到目标主机,所以这是一个维向量问题。每个维度是一个整数来。位置矢量表示为。显示了一个的花蜜th (解决方案向量)的位置th (虚拟机迁移)维度。速度矢量表示为;显示维的速度花蜜来源。发现表明,当前最优位置,和最佳位置矢量表示为,这被认为是目前最好的目标位置。
3.4。的主要思想基于ABC的节能生活VM分配策略
基于ABC住VM分配政策被认为是一个更好的节能政策。根据(15),它可以减少25% ~ 30%的能源成本与可接受的违反SLA。然而,在大数据时代,基于ABC的节能生活VM分配策略将面临大量的数据密集型工作,需要得到最好的VM配置决定。
要解决这些问题,我们已经改进了ABC算法两个方面。首先,传统的基于ABC算法速度使用适应度函数来找到当地需要优化的最适条件。因此,应用梯度下降的想法迅速得到当地的最适条件。其次,基于传统的ABC算法可能落入当地时间窗口的最适条件。因此,应用模拟退火找到全球最佳状态。
3.5。改进人工蜜蜂住VM分配策略
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
4所示。结果
4.1。实验环境
云模拟器CloudSim3.0 [3)是用来进行仿真实验。采用Java编程语言从MyEclipse9.0得到结果。实验是以联想™桌面。其系统参数如下:CPU:英特尔核心(R) (™)i7 - 3770 CPU @ 3.40 GHz。内存:4.00 GB。系统类型:64位操作系统。操作系统:Windows 7。
我想(8)是一组计算机,计算机网络和分布式系统研究测试。它成立于2002年由拉里·l·彼得森教授和教授大卫·卡勒,这是由全世界1353个节点,717网站2016年1月(16]。为期10天的样本数据在PlantLab云计算环境选择实验数据如表所示1(8]。模拟数据中心由800异构物理节点,这些节点的半惠普把ML100 G4服务器(1860 MIPS),而另一半是惠普把ML110 G5服务器(2660 MIPS) (8]。这两个服务器的能源消耗在不同载荷如表所示2。服务器虚拟机设置为单芯;内存也可以根据虚拟机的数量分类。以下是虚拟机的主要类型:高cpu中实例(2500 MIPS, 0.85 GB),超大实例(2000 MIPS, 3.75 GB),小实例(1000 MIPS, 1.7 GB)和微观实例(500 MIPS, 613 MB)。
CloudSim3.0的模拟执行,是设置为30秒,其安全系数为1.5。
4.2。与不同的方法评估FP-ABC的能源消耗
在图2,FP-ABC可以降低数据中心的能源消耗5.1% ABC_RS的基础上。提出能源评价模型可以用来评估不同的VM分配策略。我们建议FP-ABC在节能政策优势。
4.3。评估违反SLA率与不同的方法
服务水平协议(SLA)代表保证在一定的过载性能和可靠性的服务。换句话说,服务提供者和用户定义的协议是被对方接受。斯拉夫人是违反SLA的缩写。军队ASLAV是斯拉夫人的平均速度。其军队ASLAV QoS会更好,如果是低。在图3,FP-ABC是最后一个。在这些传统的政策,THR_RS最糟糕的表现。它证明了VM分配策略THR_RS得到更高的军队ASLAV价值。军队ASLAV FP-ABC的值是10.4%,这意味着FP-ABC可以用可接受的军队ASLAV减少能源消耗。因此,基于工作负载平衡策略可以满足用户的QoS要求。
4.4。评估FP-ABC不同VM分配政策的有效性
虚拟机迁移的数量是一个统计变量来衡量VM迁移发生在数据中心。成本会降低如果VM迁移发生少。如图4,FP-ABC和ABC_RS可以大大减少虚拟机迁移的频率。此外,FP-ABC可以减少虚拟机迁移与ABC_RS相比下降6.1%。一个不合理的虚拟机分配策略将会增加虚拟机迁移的频率。因此,最好能找到主机作为BestTargetHostList FP-ABC政策。因此,我们可以节省更多的能量。
4.5。评估FP-ABC VM分配不同的节能政策
在公式(9),ESV是节能综合指数。它度量性能和能耗之间的权衡。众所周知,QoS将违反当能源大省,反之亦然。因此,实现一个好的能效权衡是很困难的。然而,FP-ABC具有良好的性能指标的描述图5。第一个原因是,FP-ABC政策可以减少虚拟机迁移频率保持住在数据中心的工作负载平衡;第二个原因是,该能耗评价模型可以用来制造一个更好的评估数据中心的能源消耗;模拟退火的第三个原因是,思想和基于梯度下降法可以提高性能的ABC的政策。评价模型(8]介绍如下:
4.6。评估的决策时间FP-ABC不同VM分配政策
在图6基于指数在Cloudsim3.0执行时间意味着,它可以减少决策时间THR_RS 85%, 86%, 88%, MD_RS IQR_RS ABC_RS和13.8%。与这些传统的移民政策相比,FP-ABC更有效减少决策时间。
5。讨论
5.1。加速的过程发现的重要性与FP-ABC局部优化的目标主机
大量的移民生活vm等待分配给他们的最好的目标主机。因此,解决方案应在一些合理的时间窗口。目前最先进的基于ABC住VM分配策略应该提高加速寻找当地的优化目标主机的速度。为了解决这个问题,采用梯度下降法的概念基于ABC住VM分配策略。当前基于ABC的政策只会使判断基于其健身价值,不考虑速度的要求。实现本地解决方案的想法很快由梯度下降法实现。它将加速搜索局部优化的过程,以加快的速度FP-ABC政策。节4所示。6,我们看到,执行时间的价值的意思是减少与3相比传统政策和ABC_RS政策。重要在面对大量的应用程序时,也可以节约能源。
5.2。采用模拟退火思想的重要性,找到全局优化的目标主机
我们想要找到全局最优目标主机为每个移民VM虚拟机分配,因为不合理的目标主机将会增加不合理的能源消费。在CloudSim3.0,三个传统虚拟机迁移政策并不善于全球最佳的结果,因为他们决定只有工作负载平衡不合理性分析。此外,基于先进的美国广播公司的政策很容易陷入局部最优。因此,我们基于模拟退火的概念添加到ABC政策,从而使侦察蜂跳出当前的解决方案空间在一定概率检测其他的解空间。
5.3。能源消费和服务质量之间的权衡
数据中心、减少能源消耗和提高服务质量的根本不是一个好节能政策,因为减少了能源消费总量将减少服务质量;也就是说,它会增加斯拉夫人的价值。本文的主要目的是实现节能的目标,使斯拉夫语的接受的价值。实验结果表明,FP-ABC能有效节约能源在欧共体的平衡和斯拉夫人,这是基于公式(9)中引入部分4所示。5。
6。结论
本文提出了一种新的生活VM分配策略达到尽可能满足斯拉夫语的价值,而节约能源消耗。我们提出了基于先进的美国广播公司政策与模拟退火的思想和梯度下降法的概念。梯度下降的想法是用来寻找最优解决方案以更高的速度。和模拟退火的想法是用来找到全局最优的解决方案。仿真实验证明,FP-ABC政策能有效减少能源消耗相对高水平的QoS。此外,FP-ABC可以有效降低数据中心的能源消耗5.1%,相比ABC_RS的最先进的算法。
在未来,提出基于最先进的美国广播公司的政策应该适应云的云。云的云是一种新的商业模式的经济数据中心具有良好的服务性能。改进的基于ABC优化模型应该在新环境中实现。
相互竞争的利益
作者宣称没有利益冲突。
确认
作者感谢金融支持由中国国家自然科学基金(61202306号,61472049,61402193,61572225),吉林财经大学的基础(XJ2012007号和201401年),教育部的吉林省“十二五”科学技术研究项目批准号2015410,和社会科学基金批准号下的吉林省2015 bs48。