目标:资源分配与联邦云应用程序的延迟意识

文摘

联邦云被广泛部署由于实时应用程序的日益流行,因此云之间分配资源成为重要的以满足严格的服务需求。挑战在于实现最小化延迟限制虚拟机租赁开销和资源需求。这个问题变得更加复杂的数据中心的选择。为此,我们提出的目标,一种新的资源分配方法旨在减少延迟在联邦云的背景下受到货币开销。具体地说,网络资源的分配和选择的根据——集群。与此同时,数据中心之间的总延迟基于二元二次规划的优化。评估与实际数据进行跟踪。结果表明,目标可以减少数据中心总延迟有效地与其他方法相比。

1。介绍

实时应用程序继续快速增长,永远永远的功能和全球用户。因为这种增长,现在主要的实时应用程序提供商使用的地理上分散的数据中心支持服务。早期实时应用提供商,他们迫切需要他们的服务从他们自己的服务器迁移到分布式数据中心以确保短延迟和与新应用程序提供商竞争。因此,利用这些数据中心的主要未满足的挑战是有效地分配资源和优化延迟申请。通常的资源是虚拟机(VM)的形式。部署应用程序提供者不同类型的虚拟机配置包含特定数量的CPU、内存和磁盘资源。

它是具有挑战性的决定应用程序提供商的位置和虚拟机的数量,没有任何知识数据中心之间的延迟(因为在SaaS应用程序提供商层)。然而,云计算供应商有自己的光纤互连的链接所有主要地区,和数据中心之间的延迟是稳定的和可衡量的。通过这个功能,它是可行的确定虚拟机的数量和优化应用程序供应商交货延迟。

在本文中,一个资源分配方法的目标(和二元二次规划)则提出了虚拟机放置优化延迟联邦云数据中心的实时应用程序提供商之一。(联邦云的部署和管理多个内部和外部云计算服务以满足业务需求。)目标优化总延迟从应用程序提供商的角度,为实时应用程序提供商提供vm租赁策略,尤其是对早期的供应商需要他们的服务迁移到联邦云。我们得到的测量数据中心间的延迟,然后选择数据中心根据延迟。有几个需要解决的约束。

(1)选择低延迟的人脉广泛的数据中心是必要的,因为有很多世界各地的数据中心和路径的延迟这些数据中心之间是不同的。延迟明显影响实时应用程序用户的体验质量。因此,保证低延迟应用程序提供商的最初目的。

(2)相对于独立的数据中心,不同的数据中心有不同的VM联邦云租赁价格。应用程序提供者可能会选择更便宜的数据中心即使较高的延迟。应用程序供应商有自己的预算租vm。因此,延迟的优化应受到的限制货币开销。

(3)除了vm租赁开销,网络开销也应考虑。实时应用程序,如VoIP可能产生累积庞大的数据以及增加持续时间之间的数据交互存在以来vm位于不同的数据中心。

许多延迟的优化方法已经在联邦云提出了对延迟敏感的应用程序场景。郝et al。1)提出了一个在线算法来保证服务的延迟。郭et al。2]和Grozev Buyya [3)优化延迟为虚拟桌面和web应用程序,分别计算。咸海和Ovatman4)优化interdatacenters延迟和intradatacenters启发式算法。Alicherry和拉5)提出了一个算法来最小化网络延迟和带宽利用率基于VM集群映射到联邦云。与现有的资源分配方法相比,我们工作的主要贡献如下:

(1)我们建议旨在分配资源(虚拟机和网络)与不同类型的虚拟机应用程序提供商的角度考虑。

(2)联邦云的分布并不均匀。我们使用——分类数据中心分为几个区域根据实际延迟数据的痕迹,这是比函数计算方法。比图论分类更准确和有效因为我们使用within-cluster平方和(wcs)来评估。

(3)货币开销和延迟的权衡。每个地区的应用程序提供商可能会限制预算的数据中心。小预算可能导致更高的延迟。我们优化延迟的约束下的预算。

本文旨在推进当前最先进的研究在延迟实时应用程序的优化。提出的目标是双重的:首先,——用于分类数据中心根据延迟。然后,利用二元二次规划将vm在联邦云应用程序提供商。

本文的其余部分组织如下。部分2介绍了相关的工作。节3,我们使用——分类数据中心。然后,我们使用二元二次规划将vm节4。部分5介绍了实现、实验和分析建议的方法,我们得出本文的部分6。

2。相关工作

的方案已经提出了延迟和货币开销优化云。在本节中,我们简要地回顾之前的工作与此相关的工作从三个方面,即独立的云资源分配,联邦云资源分配,移动云计算资源分配。

2.1。独立的云资源分配

许多工作分配虚拟机独立的云来减少延迟和货币的开销。孟et al。6)提出了一个两层近似算法有效vm。该算法包含两个组件:SlotClustering VMMinKcut。SlotClustering是分区槽到集群通过使用槽之间的成本作为划分标准。VMMinKcut是分区虚拟机进虚拟机集群intercluster最小流量。方等。7)设计VMPlanner优化虚拟机位置和交通流量的路由,为节电关掉不必要的网络元素。通过模拟离线虚拟机放置虚拟机迁移是由李等人提出。8]。只要合适的物理机器有足够的能力,迁移算法可以将VM直接的物理机器。此外,他们研究混合动力方案采用一批接受即将到来的虚拟机网络场景。蚁群由高部署等人在云资源分配。他们优化功耗的CPU利用率。

此外,高et al。9,10)也考虑的潜在成本浪费资源。基于不完全信息的云资源分配Stackelberg博弈(IISG)和隐马尔可夫模型(HMM)提出了魏et al。11]。他们首先使用HMM来预测当前服务提供者的报价基于需求。然后他们建立IISG选择最优竞价策略,实现最大利润。李等人。12)注重成本优化网络流量和物理机器的利用率。他们从两个方面解决虚拟机放置问题。第一个方面是将重点放在网络流量的成本与固定物理机器成本两种情况(要求相同或不同的vm)的数量。第二个方面是将vm在一般情况下,网络成本和物理机器利用率成本考虑在内。带宽分配由田等人认为,Yu et al .分布式基于主机的带宽分配设计与衬底拥塞控制层和私人拥塞控制层提出了田et al。13]。来解决这个问题,现有的作品并不认为主要嵌入备份资源消耗的影响,Yu et al。14]提出了一种新颖的算法计算出最有效的资源嵌入特定租户的请求。

2.2。联邦云资源分配

一些著名的方案提出了联邦云资源分配。吴娇等人,和Madhyastha优化网络流量在联邦云资源分配。多目标优化,将用户的数据为社会意识到多个云服务已经研究了焦et al。15]。他们构建一个框架,可以适应不同的目标。基于图的优化方法削减用于分解原来的问题。尽量减少用户感知延迟,吴邦国和Madhyastha [16)进行了深入研究延迟的好处在AWS部署web服务时,微软Azure,谷歌计算引擎。他们的测量表明,有必要复制数据,以确保为用户低延迟。云基础设施的能力已经被Narayanan等人研究和Tordsson et al .精简geodistributed云基础设施,Narayanan et al。17]讨论几个因素影响的能力提供对软件设计和说明研究的挑战。

小说云代理方法提出了Tordsson et al。18)优化跨多个云虚拟基础设施的位置。在高吞吐量计算集群的情况下,他们验证方法的可行性。通信开销是由李等人,易建联et al。李et al。19)提出了一个分布式资源分配方法在联邦云资源的竞争。在他们的方法中,每个工作的任务和任务可以异形之间的沟通行为。根据沟通的行为,他们的方法减少了通信开销,并试图分配任务分组在资源竞争的情况下得到平衡。从客户的角度来看,易et al。20.)关注网络感知资源分配和发展混合二元二次规划优化模型每个客户的租赁成本降到最低。除了能源、带宽也被认为是由徐和李21]。

解决大规模优化,基于交替的分布式算法提出了直接法的乘数。为了实现能源效率和满足最后期限的限制,丁等。22专注于虚拟机的动态调度。Mihailescu王等人,等人现在的价格体系为用户根据他们的资源需求。Mihailescu和张志贤23)讨论了strategic-proof动态定价方案适用于联邦云分配资源。一个新的云王等人提出的经纪服务。24)基于利用价格优势和多路复用收益。提出服务储备大量的实例和服务用户提供价格折扣。挂et al。25]跨数据中心协调作业调度开销较低,同时实现算法性能。数据托管方案已经提出的Zhang et al。26)选择几个与货币减少云存储数据。Ardagna et al。27用博弈论来管理运行时的资源从多个IaaS提供商多个SaaS收入和惩罚成本模型。焦et al。28)多层资源池中分配和重新配置资源。和Palmieri et al。29日)优化云基础设施的整体通信资源利用率和运行时通过重新优化虚拟机之间的通信路径和大数据来源。

2.3。移动云计算资源分配

资源分配问题也是一个大挑战移动云计算环境。时至今日et al。30.)提出了一个动态节能意识cloudlet-based移动云计算模型集中在无线通信能耗。在他们的工作,他们已经解决了能源问题与动态网络和提供指导和理论支持。有效处理峰值负载和满足需求的远程程序执行,通et al。31日)部署云服务器在网络边缘和设计云边缘的树层次结构geodistributed服务器。此外,一个工作负载位置算法来决定哪些应该放在边缘云服务器移动程序。也有许多适合移动服务优化(32- - - - - -34]。

不同于之前的研究,希望通过延迟分配资源优化约束与货币开销。资源包含CPU和内存。我们结合则和二进制二次规划来解决优化问题。

3所示。初步

方便提供建议的方法,我们首先定义一些术语和符号,将用于符号的纸。然后,我们说明延迟模型和货币开销模型为目标。

3.1。延迟模型

在本节中,我们详细介绍我们的延迟模型。我们首先讨论两个用户之间的实时应用程序的通信模型在联邦云数据中心。基于这一通信模型,然后我们模型虚拟机之间的数据传输的延迟。

我们假设一个实时应用程序分布在联邦云通过数据中心网络,为用户提供服务。如图1,user1和user2 server1和server2实时应用程序和用户分布在datacenter1 datacenter2,分别。最近的可用的应用程序服务器Server1在datacenter1 user1, server2和datacenter2是一样的。消息源通过datacenter1和datacenter2 user1与目的地user2。

在联邦云场景中,每个VM可能相互接触和传输数据。我们第一次显示延迟模型两个虚拟机之间的数据传输。让表示th VM的th实例类型数据中心。和它是一样的 。 之间的延迟和 。 之间的传输数据量和 。我们被ping延迟。是平的时候,数据包大小的平。通过和 ,我们可以模型之间的延迟和如下: 在哪里 和 表明选择租用服务;否则 。和它是一样的 。之间的延迟vm之间大约等于延迟数据中心虚拟机所在的地方,由于数据中心是非常大的。总延迟可以显示的公式如下:

是数据中心的虚拟机放置的地方。类型的VM实例的数量。虚拟机的数量吗th实例类型数据中心。我们认为每个虚拟机之间的数据通信在公式(2)。完成后的延迟模型,我们在以下部分显示货币开销模型3.2。

3.2。货币开销模型

我们在本节描述货币开销模型。首先,我们讨论了虚拟机之间的数据通信方式和联邦云的定价机制。图2显示了两个虚拟机之间的数据通信模型。VM 1和2有不同的租赁价格,和数据通信也需要费用。因此,货币总开销由两部分组成:虚拟机租赁货币数据传输开销和货币的开销。

此外,对于联邦云场景,不同的云供应商有不同的价格。即使数据中心属于同一云提供商,它们可能有不同的VM租赁价格和数据传输。联邦云如图的定价机制3。有三个云提供商A、B和C,每个提供者有两个数据中心。用户可以从定价模块获取数据中心的价格。他们可以选择数据中心租用虚拟机根据定价模块。

根据上述讨论,货币总开销由两部分组成:虚拟机租赁货币数据传输开销和货币的开销。不同的数据中心有不同的VM租赁价格和数据传输。我们模型VM租赁货币数据传输开销和货币开销分别如下:

公式(3)代表货币开销和租赁公式(4)代表数据传输货币开销。公式(5)代表的总货币开销。表示的租赁价格 。 表示的租赁期限时间 。 表示之间的数据传输代价和 。

4所示。建议的方法

在本节中,我们说明我们的资源分配方法的目标。在现实世界中,大多数实时通信发生在一个区域,比如一个国家。因此,一个地区的通信比地区之间的交流越来越频繁。基于这个假设,我们根据区域优化的总延迟。我们首先把数据中心区域;然后为每个区域最小化资源分配的总延迟。

4.1。数据中心进行预处理

在本节中,我们进行预处理数据中心数据中心除以地区。数据中心的分布异构。因此,为了方便起见,我们把数据中心根据端到端延迟 。我们使用聚类则把数据中心地区。给定一组数据中心延迟观测( ),其中每个观察是一个维的向量,——集群旨在分区观察到(⩽)集 以最小化within-cluster平方和(wcs)。因此,目标是找到 在哪里是点的意思吗 。

图4是一个数据中心集群的例子当数据中心的数量吗= 5。我们把数据中心区域(等于2)。两个数据中心之间的延迟是没有方向的,这意味着 , , 。我们得到了集 这两部分如图4。延迟的数据中心集如表所示1。每个观测是一个五维的向量, , 。

4.2。延迟的优化数据中心地区

在本节中,我们减少每个地区的总延迟将vm。该地区总延时优化问题建模为二进制二次规划。的地区 , 代表地区的总需要数量的数据中心 。选择数据中心的数量被表示为 。目的是选择数据中心从并将vm的总延迟最小化。我们假设每个区域的容量需要客户要求我们。一个给定的实例类型的容量性能表示为 。因此,区域的目的可以如下所示:

用户可以指定以下类型的部署约束如下:

(1)虚拟机硬件配置约束表示通过限制每个实例类型的数量和总基础设施能力的需要。公式(8)是每个实例类型的虚拟机的数量限制。最低vm实例类型的数量吗的地区 。公式(9)是完全基础设施容量约束的地区 。 是最低的基础设施能力需要的地区吗 。

(2)负载平衡约束表示为虚拟机数量和每个数据中心基础设施能力的需要。公式(10)每一个数据中心的虚拟机数量约束。用户可以决定这种类型的约束的数据中心通过和 ,最小和最大虚拟机数量的数据中心 , 。公式(11)每一个数据中心的基础设施能力需要约束。用户可以决定这种类型的约束的数据中心通过和 ,最小和最大容量需要数据中心 , 。

(3)货币开销预算约束表示为VM租金的开销和数据传输开销。公式(12地区)的货币约束 。

此外,选择数据中心的数量是 。我们应该注意到,每个虚拟机都有一个实例类型和放置在一个云。

引理1。该地区的总延迟最优化问题是np困难的。

证明。我们证明了np困难的减少0 - 1背包问题。给定一个背包实例项目,每一个都有重量和一个值 ,随着最大重量能力 ,我们创建了该地区总延时优化问题如下。数据中心的数量和等于1。每种类型的虚拟机实例的CPU = 0,这意味着没有基础设施的能力。和VM的租赁价格是特殊的。有在vm对应物品的链接。假设每个vm之间的联系的延迟 ,然后对应的值和数据传输价格是对应的重量 。数据中心的预算约束是唯一的限制,这是对应于最大重量的能力 。最后,0 - 1背包问题可以减少该地区总延时优化问题。因此,该地区的总延迟最优化问题是np困难的。

有多个模型解决语言和可用于解决优化问题。我们选择AMPL作为造型语言。AMPL有很好的支持集和它的语法是接近数学符号。自AMPL还可用于各种类型的优化问题的二次规划配方上面所描述的那样,我们使用最大化策略求解器进行求解。

5。绩效评估

目标是基于联邦云环境,很难实现在实践中由于其庞大的网络。我们通过模拟和评估目标比较几种方法。评估显示总延迟和租金的开销在不同的虚拟机数量和数据中心。参数分析包括预算和VM数的偏差。广泛的评价结果表明,目标是有效减少延迟。

5.1。实验装置

(1)使用python PyCharm和基于现实世界的延迟数据跟踪,数据预处理运行在各种现实的设置。我们建立了一个联邦云环境提供22个数据中心和3云提供商包括Amazon Web服务,微软Azure,谷歌的云平台。微软Azure的9个数据中心是美国南部,中部美国、圣保罗、都柏林、阿姆斯特丹、东亚,日本西部,新加坡和澳大利亚东部。Google的数据中心4台湾、欧洲、美国中部和东部。其他9亚马逊数据中心是俄勒冈州、维吉尼亚州,加州,圣保罗、都柏林、法兰克福、新加坡、东京和悉尼。我们使用interdatacenters延迟数据集来衡量Mansouri和Buyya35从云墨尔本大学的实验室。他们测量了22个数据中心之间的延迟8小时。之间的数据包大小是64字节,1 KB和每个数据包之间的时间间隔是4秒。延迟数据集是可衡量的和可靠的,因为云提供商连接所有主要地区有自己的纤维联系。fat-tree每个数据中心的网络拓扑结构。

图5显示了wcs品种 。数据中心的数量= 22。在图5,wcs低于5之后= 4。因此,我们选择4的值并得到聚类结果如下。

集群1包含5数据中心:蔚蓝的都柏林,Azure阿姆斯特丹、法兰克福欧洲谷歌,亚马逊都柏林,和亚马逊。

集群2包含8数据中心:Azure东亚,Azure日本西部,Azure新加坡,Azure澳大利亚东部,谷歌台湾、东京亚马逊,亚马逊新加坡、悉尼和亚马逊。

集群3包含7数据中心:蔚蓝的美国南部,Azure美国中部,谷歌美国中部,东部谷歌美国亚马逊俄勒冈州、弗吉尼亚州亚马逊,亚马逊加州。

集群4包含2数据中心:Azure圣保罗和亚马逊圣保罗。

考虑到每个地区都有类似的趋势,我们进行优化算法的延迟区域1和5数据中心在以下部分。

(2)在本节中,我们使用AMPL最大化策略来实现优化算法的延迟。四个VM实例类型被认为是评价。对于租赁VM配置,列出了性能参数表2。至于租金价格和数据传输,我们使用的价格从他们的网站36- - - - - -38]。我们进行优化算法的延迟5数据中心集群1。为了方便起见,我们定义了一个变量,虚拟机的数量为每个实例类型,来取代总虚拟机数量。这里只有4 VM实例类型被认为是;然后vm的总数是4的倍数。

为了评估目标的性能,我们比较了两种方法的总延迟和货币的开销:(我)随机:这种方法是一个随机方法与约束的虚拟机数量和容量的需要。(2)贪婪:这种方法选择数据中心与便宜的VM租金分配虚拟机(39]。(3)目标:我们的方法是基于二元二次规划。

5.2。总延迟

在本节中,我们显示总延迟的优化结果与不同数量的vm和数据中心。如图6目标的总延迟时间比其他两种方法。目标是14906 ms的总延迟当每个VM实例类型的数量是10;然而,其他方法(例如,随机的,约为24198毫秒,贪婪,约为15977.4 ms)更高。我们的数据中心数量设置为3。的总延迟时间随着数量增加每个VM实例类型,范围从1到10。然而,瞄准和贪婪之间差值随着虚拟机的数量也会增加。这是因为当每个VM实例类型的数量增加,数据传输需要大大增加,从而导致更高的总延迟时间的差值。

图7显示之间的关系总延迟和选定的数据中心的数量。每个VM实例类型的数量等于5,这意味着有20个VM分配。当选择数据中心的数量等于1,只能选择数据中心。目标,贪婪,随机有相同的总延迟时间是400 ms。贪婪的忽略了传输延迟,因为它往往选择最便宜的数据中心。目标可以减少最多46.1%的延迟时间贪婪的方法当选择数据中心的数量是2。

5.3。参数分析

(1)货币的开销和每个VM实例类型的数量。图8之间的关系描述货币开销和每个VM实例类型的数量。我们选择的数据中心的数量设置为3图是一样的6。贪婪、目标几乎有相同的租金的开销,直到每个VM实例类型的数量等于6。原因如下:当每个VM实例类型的数量不够大,VM租赁开销扮演更重要的角色在货币开销比数据传输开销。后的数量每个VM实例类型= 6,数据传输开销占据了很大一部分的目标显然是比贪婪和随机的。当每个VM实例类型的数量是10,目标的货币管理费用,贪婪,和随机是85.275美元,103.1247美元,120.8789美元。

(2)货币开销和选定的数据中心的数量。货币的开销和选定的数据中心数量之间的关系如图9。虚拟机的数量为每个实例类型= 5,也就是图7。当选择数据中心的数量是3,目标开始显示其优势的货币减少超过贪婪。当选择数据中心的数量等于3,它会导致频繁的虚拟机之间的数据交互和数据传输开销成为主要的费用。三种方法增加的货币开销以及选定的数据中心的数量。当选择数据中心的数量等于5,目标的货币管理费用,贪婪,和随机是30.1725美元,32.538美元,71.6723美元。

(3)总延迟和预算。延迟和预算总额的关系如图10。的总延迟降低当预算增加。选择数据中心的数量设置为5。每个VM实例类型的数量是5,这意味着有20个VM分配。我们控制预算从33 - 41美元,和延迟的差异减少女士从5130.8到4542.9 ms。的下降是由于放松预算约束。与预算的增加,VM配置选择范围变大。更好的分配方案将会出现并导致较低的总延迟。

(4)货币开销和偏差的虚拟机数量。使用虚拟机数的偏差,我们讨论每个数据中心的虚拟机数量约束。在数据11和12,每个VM实例类型的数量等于5,选择数据中心的数量是5,这意味着有20个VM分配5数据中心。解释虚拟机数量的偏差,我们举一个例子:如果虚拟机数量的偏差为0,约束每个数据中心的虚拟机数量不超过5,不少于5,这意味着每个数据中心的虚拟机数量的约束是5。如果VM的偏差数等于1,每个数据中心的虚拟机数量的约束是不超过6和不少于4。在图11,货币开销减少从32.4114 - 27.3404美元当VM的偏差数量从0增加到4。这是因为偏差的增加将扩大范围的解决方案。因此,偏差后的曲线显示了一个令人印象深刻的下降等于2。

(5)总延迟和偏差的虚拟机数量。在图12,总延迟降低以及增加VM的偏差。原因如下:当VM的偏差数量增加,VM分配范围变大。因此,更好的分配方案将减少总延迟,曲线下降后偏差= 2。的总延迟时间从4755 ms减少到2967.8女士当VM的偏差数量从0增加到4。

6。结论

在本文中,我们提出一个名为目标的优化方法来优化的总延迟联邦云场景。该方法包括两个步骤:数据中心进行预处理和延迟的优化。第一步是基于——集群、和二次规划用于后者步骤。与实际数据中心间的延迟,VM的租赁价格,和数据传输代价作为输入,我们使用python和AMPL进行评价。评估表明,目标可以有效地降低延迟和货币总开销。除此之外,我们还做大量的参数分析显示更多的细节和影响因素。

符号

:	th VM的th输入th数据中心
:	的虚拟机数量th实例类型th数据中心
:	的租赁价格th VM的th实例类型th数据中心
:	之间的数据传输和
:	之间的延迟和
:	租赁期限的时间
:	之间的传输数据量和
:	萍的数据包大小
:	萍的延迟th数据中心,th数据中心
:	考虑到数据中心的数量
:	VM实例类型的数量
:	货币总开销
:	VM租赁货币开销
:	数据传输货币开销
:	数据中心的总延迟
:	如果选择是租来的, ;否则,
:	数据中心区域的总数
:	数据中心地区的集群
:	选定的数据中心的数量
:	最小数量的实例类型的地区
:	最低基础设施能力的需要
:	最小的虚拟机数量的数据中心 ,
:	最大的虚拟机数量的数据中心 ,
:	最低需要数据中心基础设施能力 ,
:	的最大的数据中心基础设施能力需要 ,
:	地区的货币约束 。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

在这项研究中提出的工作由国家自然科学基金委(61602054)和北京自然科学基金(4174100)。

引用

1. Lakshman, f, m . Kodialam t . v . s·穆克吉,“网上虚拟机分配在一个分布式云,“IEEE / ACM交易网络,25卷,不。1,第249 - 238页,2017。视图:出版商的网站|谷歌学术搜索
2. 郭t、p·谢诺k . k . Ramakrishnan,诉Gopalakrishnan)“Latency-aware虚拟桌面优化分布式云”多媒体系统,22页,2017页。视图:出版商的网站|谷歌学术搜索
3. n Grozev和r . Buyya法规和latency-aware web应用程序的负载分布在多重云,“《华尔街日报》的超级计算,卷72,不。8,3261 - 3280年,2016页。视图:出版商的网站|谷歌学术搜索
4. 答:咸海和t . Ovatman网络感知虚拟机集群的嵌入到联邦云基础设施,“《华尔街日报》的系统和软件卷,120年,第104 - 89页,2016年。视图:出版商的网站|谷歌学术搜索
5. m . Alicherry和t . v . Lakshman网络意识到资源分配在分布式云,”《IEEE计算机通讯大会上(信息通信的12),页963 - 971,奥兰多,佛罗里达州,美国,2012年3月。视图:出版商的网站|谷歌学术搜索
6. 孟x, v .帕帕斯,l .张“改善数据中心网络的可扩展性与traffic-aware虚拟机位置,”《IEEE计算机通讯大会上(IEEE INFOCOM 10),页1 - 9,圣地亚哥,加利福尼亚州,美国,2010年3月。视图:出版商的网站|谷歌学术搜索
7. w·方x梁,s . Li l . Chiaraviglio和n .熊”VMPlanner:优化虚拟机位置和交通流量路由减少网络的电力成本,在云数据中心,“计算机网络卷,57号1,第196 - 179页,2013。视图:出版商的网站|谷歌学术搜索
8. h . k . Li郑,j .吴”为基础的移植虚拟机放置在云系统,”学报2013年IEEE第二国际会议云网络、CloudNet 2013,页83 - 90,美国,2013年11月。视图:出版商的网站|谷歌学术搜索
9. y y高,h .关、z气侯,l·刘,“多目标蚁群系统算法在云计算、虚拟机放置”计算机与系统科学杂志》上,卷79,不。8,1230 - 1242年,2013页。视图:出版商的网站|谷歌学术搜索|MathSciNet
10. c .高h . Wang l .翟y高,和美国,“网络感知的虚拟机放置的能源利用蚁群算法在云计算,”《22日IEEE国际会议在并行和分布式系统中,ICPADS 2016中文,页669 - 676年,2016年12月。视图:出版商的网站|谷歌学术搜索
11. w·魏x粉丝,h .歌曲,x的粉丝,和j·杨,“基于不完全信息动态stackelberg博弈为云计算资源分配使用隐马尔科夫,”IEEE服务计算,2016年。视图:出版商的网站|谷歌学术搜索
12. x, j·吴,唐,和美国,“让我们呆在一起:对交通意识到虚拟机放置在数据中心,”美国第33 IEEE计算机通讯大会上,IEEE 2014信息通信可以,页1842 - 1850年,2014年5月。视图:出版商的网站|谷歌学术搜索
13. c, a·姆尼尔a . x刘et al .,“多租户使用堆叠拥塞控制多目标数据中心的带宽分配,”IEEE INFOCOM学报》2017 - IEEE计算机通讯大会上,页1 - 9,亚特兰大,乔治亚州,美国,2017年5月。视图:出版商的网站|谷歌学术搜索
14. r, g .雪x张,d,“虚拟集群的生存能力和bandwidth-guaranteed嵌入在云数据中心”IEEE INFOCOM学报》2017 - IEEE计算机通讯大会上,页1 - 9,亚特兰大,乔治亚州,美国,2017年5月。视图:出版商的网站|谷歌学术搜索
15. l .焦j .点燃w·杜,和傅x,“多目标数据多重云社会意识到服务的位置,”美国第33 IEEE计算机通讯大会上,IEEE 2014信息通信,几个页,多伦多,加拿大,2014年5月。视图:出版商的网站|谷歌学术搜索
16. 吴z和h . v . Madhyastha”理解的延迟多重云网络服务部署的好处,”计算机通信评审,43卷,不。1,13-20,2013页。视图:出版商的网站|谷歌学术搜索
17. Narayanan, a . Kansal a Sivasubramaniam et al .,“对精简Geo-distributed云基础设施”诉讼的USENIX车间在云计算(HotCloud热门话题,2014年,页1 - 7。视图:谷歌学术搜索
18. 蒙特罗j . Tordsson r s, r . Moreno-Vozmediano i m .略伦特,“云代理机制优化的虚拟机放置多个提供者,“未来一代计算机系统,28卷,不。2、358 - 367年,2012页。视图:出版商的网站|谷歌学术搜索
19. 中州。李,K.-C。黄,M.-R。Shieh, K.-C。赖,“分布式资源分配在联邦云,“《华尔街日报》的超级计算,卷73,不。7,3196 - 3211年,2017页。视图:出版商的网站|谷歌学术搜索
20. p, h .叮,b .需要“Budget-Optimized网络感知联合资源分配网格/云光学网络,”光波技术杂志》,34卷,不。16,3890 - 3900年,2016页。视图:出版商的网站|谷歌学术搜索
21. h .徐和b·李”联合请求映射和响应路由geo-distributed云服务,”美国第32 IEEE计算机通讯大会上,IEEE 2013信息通信,页854 - 862,意大利,2013年4月。视图:出版商的网站|谷歌学术搜索
22. x y叮,秦,l·刘,t . Wang”节能调度云虚拟机的期限限制,”未来一代计算机系统,50卷,第74 - 62页,2015年。视图:出版商的网站|谷歌学术搜索
23. m . Mihailescu和y . m . Teo“联邦云、动态资源定价”学报第十届IEEE / ACM国际研讨会上集群,云计算和网格计算,CCGrid 2010,页513 - 517,澳大利亚,2010年5月。视图:出版商的网站|谷歌学术搜索
24. 李b, d . w . Wang妞妞,b .梁,“动态通过云经纪,云资源预订”学报2013年IEEE 33国际会议在分布式计算系统中,ICDCS 2013,页400 - 409,美国,2013年7月。视图:出版商的网站|谷歌学术搜索
25. c c。挂、l . Golubchik和m . Yu“跨数据中心geo-distributed调度工作,”云计算学报第六届ACM研讨会上,ACM SoCC 2015美国,页111 - 124年,2015年8月。视图:出版商的网站|谷歌学术搜索
26. 问:张,李,z, y, z,和y .戴,“魅力:一个有成本效益的多重云与高可用性数据托管方案,“IEEE云计算,3卷,不。3、372 - 386年,2015页。视图:出版商的网站|谷歌学术搜索
27. d . Ardagna m . Ciavotta和m . Passacantando“广义纳什均衡的服务供应问题在多重云系统中,“IEEE服务计算,10卷,不。3、381 - 395年,2017页。视图:出版商的网站|谷歌学术搜索
28. 焦l ., a . m . Tulino j . Llorca y,和a·萨拉“平滑网络资源分配在多层分布式云计算网络,”IEEE / ACM交易网络,25卷,不。4、2556 - 2570年,2017页。视图:出版商的网站|谷歌学术搜索
29. 费奥雷f . Palmieri美国、美国里恰尔迪、以及a .马匹“GRASP-based资源重新优化有效的大数据访问联邦云,“未来一代计算机系统54卷,第179 - 168页,2016年。视图:出版商的网站|谷歌学术搜索
30. 盖k . m .秋赵h . l .道和z宗庆后,“动态节能意识cloudlet-based绿色计算,移动云计算模型”网络和计算机应用》杂志上卷,59岁,46 - 54岁,2016页。视图:出版商的网站|谷歌学术搜索
31. l .通、李y和w·高,“分层边缘移动计算、云架构”学报》第35届IEEE国际会议上计算机通信、IEEE INFOCOM 20162016年4月,美国,。视图:出版商的网站|谷歌学术搜索
32. w . s . Wang苏、朱x和h .张“Hadoop-based方法有效的web服务管理”,国际期刊的网络和网格服务,9卷,不。1、18 - 34岁的2013页。视图:出版商的网站|谷歌学术搜索
33. 赵y s . Wang,黄l . j . Xu和c .许”QoS服务建议在移动边计算,预测”杂志的并行和分布式计算,2017年。视图:出版商的网站|谷歌学术搜索
34. 郭y, s . Wang k . s . Wong和m·h·金”天际线基于QoS的服务选择方法预测,“国际期刊的网络和网格服务,13卷,不。4、425 - 447年,2017页。视图:出版商的网站|谷歌学术搜索
35. y Mansouri和r . Buyya搬还是不搬:成本优化双云存储架构,”网络和计算机应用》杂志上卷,75年,第235 - 223页,2016年。视图:出版商的网站|谷歌学术搜索
36. 微软Azure的价格,https://azure.microsoft.com/en-us/pricing/。
37. Amazon EC2的价格,https://aws.amazon.com/ec2/pricing/。
38. 谷歌云平台的价格,https://cloud.google.com/pricing/。
39. j·埃德蒙兹,“拟阵和贪婪算法,”数学规划1卷,第136 - 127页,1971年。视图:出版商的网站|谷歌学术搜索|MathSciNet

版权

版权©2018杰魏等。这是一个开放的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。