邓莉　姚力　金瑜

摘要：

目前，云平台的大多数动态资源分配策略只考虑如何减少激活物理节点的数量来达到节能的目的，以实现绿色计算，但这些资源再配置方案很少考虑到虚拟机放置的稳定性。针对应用负载的动态变化特征，提出一种新的面向多虚拟机分布稳定性的基于多目标优化的动态资源配置方法，结合各应用负载的当前状态和未来的预测数据，综合考虑虚拟机重新放置的开销以及新虚擬机放置状态的稳定性，并设计了面向虚拟机分布稳定性的基于多目标优化的遗传算法（MOGANS）进行求解。仿真实验结果表明，相对于面向节能和多虚拟机重分布开销的遗传算法（GANN），MOGANS得到的虚拟机分布方式的稳定时间是GANN的10.42倍；同时，MOGANS也较好权衡了多虚拟机分布的稳定性和新旧状态转换所需的虚拟机迁移开销之间的关系。

关键词：

云计算；多目标优化；遗传算法；动态资源分配；虚拟机迁移

中图分类号：

TP319

文献标志码：A

Abstract：

Currently， most resource reallocation methods in cloud computing mainly aim to how to reduce active physical nodes for green computing， however， node stability of virtual machine placement solution is not considered. According to varying workload information of applications， a new virtual machine placement method based on multiobjective optimization was proposed for node stability， considering both the overhead of virtual machine reallocation and the stability of new virtual machine placement， and a new MultiObjective optimization based Genetic Algorithm for Node Stability （MOGANS） was designed to solve this problem. The simulation results show that， the stability time of Virtual Machine （VM） placement obtained by MOGANS is 10.42 times as long as that of VM placement got by GANN （Genetic Algorithm for greeN computing and Numbers of migration）. Meanwhile， MOGANS can well balance stability time and migration overhead.

英文关键词Key words：

cloud computing； multiobjective optimization； genetic algorithm； dynamic resource allocation； migration of virtual machine

0引言

云平台[1]借助于虚拟化技术使得应用资源的动态按需配置成为可能[2-3]，可以同时为多个用户提供共享资源池[4]，既极大地改善了资源的有效使用，又增加了云服务提供商的收益[5-6]。云环境中的资源分配可以分为两个层次：粗粒度资源分配和细粒度资源分配。粗粒度资源分配是将各应用虚拟机映射到不同的物理节点上，多个应用虚拟机共享同一个物理节点上的硬件资源。粗粒度资源分配解决的是多个应用虚拟机与多个物理节点之间的映射关系[7-8]。……