宋建松，连 玮，陕粉丽，闫慧鹏

(1.长治学院 计算机系，山西 长治 046011；2.中国电信集团有限公司 长治分公司，山西 长治 046011)

0 引 言

虚拟化是云数据中心的主要技术，利用虚拟化可以在物理服务器上部署不同性能的虚拟机，提高资源利用率[1]。虚拟化的主要优势是在数据中心内可以进行动态虚拟机合并来降低能耗，通过将虚拟机部署到更少物理主机上，将闲置主机转换为睡眠以提升能效。动态虚拟机合并实现了运行时虚拟机在不同主机间的在线迁移[2]，尤其在主机处于低负载或超载状态时，迁移将具有诸多好处。因此，通过迁移会使得数据中心的资源管理更加灵活。然而，虚拟机在线迁移对于运行在虚拟机上的任务具有负面影响[3]。由于在云服务提供者与其用户间提供相应服务质量至关重要，所以动态虚拟机合并应该着重考虑优化虚拟机迁移量。

很多算法通过装箱算法求解虚拟机部署问题，但会产生过多非必要迁移，增加SLA违例。比较已有工作最小化活跃主机量，本文设计一种基于Q学习的虚拟机部署算法，同步最小化虚拟机迁移量和SLA违例。所提算法由两个阶段组成，第一个阶段目标是从超载主机上迁移虚拟机，避免SLA违例；第二个阶段目标是合并非超载主机的虚拟机。为了预测负载，设计了一种Q学习机制的预测方法，对未来资源利用率进行有效预测。实验部分通过运行云环境中的两种现实负载流对算法进行评估，验证了该算法在优化能效、提升性能和降低虚拟机迁移量上的优势。……