2019, Vol. 45
b. 三亚学院 院士工作站, 海南 三亚 572022;
c. 三亚学院 超算中心, 海南 三亚 572022
b. Academician Workstation, University of Sanya, Sanya, Hainan 572022, China;
c. Supercomputer Center, University of Sanya, Sanya, Hainan 572022, China
云数据中心的构造与使用已成为目前政府和云服务提供商日益重视的问题。一个云数据中心通常配置有大量紧密堆积的物理节点, 而虚拟化是云数据中心的关键技术。虚拟化指通过虚拟机的形式封装应用程序的任务与数据, 并利用虚拟机调度策略将其分配到具体的物理节点中执行。为节省能量消耗, 云服务提供商采用虚拟机迁移策略将虚拟机在各个物理服务器上进行选择与放置, 最终达到降低云数据中心低能量消耗和物理空间、提高服务质量(Quality of Service, QoS)和可靠性的目标[1-3]。
文献[4-5]以Cloudsim项目为研究内容, 把虚拟机迁移策略划分为物理主机负载状态检测、虚拟机选择与虚拟机放置3个过程, 最终完成整个虚拟机的迁移。虚拟机选择指通过映射的方式把计算任务分配给虚拟机; 虚拟机放置指把虚拟机选择算法中选择出的虚拟机利用相应算法均匀放置到云数据中心最合适的物理节点上。由上述过程可以看出, 虚拟机选择和虚拟机放置应属于2个独立的过程, 但都可以通过算法进行优化。前者主要通过任务粒度、软件代价等来进行调整; 后者属于一类经典装箱问题, 即把大量的虚拟机放置到大量的物理节点之中。常见方法有首次适应算法First Fit、最好适应算法Best Fit、最坏适应算法Worst Fit等。但目前鲜有研究虚拟机选择与虚拟机放置过程之间关系的文献, 事实上虚拟机选择可以影响到虚拟机放置, 至少在私有云中虚拟机选择和虚拟机放置都可以由一个机构去控制。在公有云中也必须分析虚拟机选择和虚拟机放置之间的依赖关系, 然后通过调整任务的粒度和虚拟机的尺寸来改善虚拟机放置的性能。
基于上述分析, 本文考虑虚拟机选择与虚拟机放置过程之间的关系, 提出云数据中心基于任务映射的虚拟机选择策略。因为Cloudsim项目在云计算模拟器研究领域处于领先地位, 所以本文在虚拟机放置上使用Cloudsim项目中的方法, 以提高云数据中心虚拟机迁移性能, 节省能量消耗, 同时降低云服务提供商的成本。
1 相关工作 1.1 虚拟机选择目前关于虚拟机选择问题的研究重点关注计算能力[6-7]或者智能优化虚拟机方法[8], 也有关注硬件资源方面, 如内存大小[9-10], 其研究目标是在性能与虚拟机代价之间追求平衡, 即意味着要么物理资源需求最小, 要么整体开销和代价最小。
关注虚拟机最小代价计算的虚拟机选择算法研究, 多数认为虚拟机代价与虚拟机使用时间成比例[11-13], 还有研究认为该代价应该由消费的资源使用情况或者是长期处于租赁状态下的物理资源使用情况来计算[14-15]。
在已有的虚拟机选择算法研究中, 研究者认为虚拟机应该有固定的租赁报酬和固定的计算能力, 尽管如此, 在私有云中虚拟机的计算能力可以被反复选择或者改变, 而不是租赁报酬, 而在后续的物理主机虚拟机放置上, 真正的操作代价结合虚拟机计算能力必须同时最小化。
1.2 虚拟机放置在虚拟机放置方面的研究较多, 其中有些关注物理主机的计算能力和虚拟机的计算负载[16-17], 有些关注物理资源的内存大小和盘空间大小[18-20], 或者带宽大小和I/O通信能力等[20-21]。这些研究中一个最重要的因素是活动物理主机的数量, 因为可以最大程度地决定能量消耗的大小。此外, 一些研究考虑到物理主机的动态能量消耗的负载相关性, 另有一些研究关注最小化超负载物理主机的数量, 这是因为整个云数据中心的性能取决于超负载主机的数量。此外, 还有一些研究关注虚拟机迁移的代价计算[22]。
在虚拟机放置过程中, 如果资源比较单一, 则目标只是降低物理主机的数量, 可以将该类问题划归为经典的装箱问题。一方面其属于NP难度问题, 没有最优解, 只有近似最优; 另一方面, 经典装箱问题的启发式算法较多, 例如首次适应算法First Fit、最好适应算法Best Fit、最坏适应算法Worst Fit、首次适应降序算法First-Fit-Decreasing(FFD)等, 很多文献都使用上述算法来解决虚拟机的放置问题[4-5, 7]。
1.3 虚拟机选择与虚拟机放置的结合与上面的研究相比, 本文没有把虚拟机选择和虚拟机放置划分开来, 而是发掘它们之间的相关联系, 本文工作与文献[23-24]比较接近。
文献[23]根据任务的特点, 选择最优的虚拟机尺寸来分配虚拟机, 其目的是通过使用最少资源来降低能量消耗, 不考虑其负载, 每个虚拟机都有一个固定的尺寸, 虚拟机尺寸之间的差异及其负载的总体尺寸都有规定。相对而言, 笔者认为虚拟机的真实尺寸应根据资源的需求及其负载来定义。另外一个不同是文献[23]没有考虑虚拟机迁移, 而本文却考虑了迁移因素。通过这些改进, 可使迁移代价与资源消耗得到平衡。
文献[24]把软件即服务云平台中应用程序的组件映射给虚拟机, 关注的也是虚拟机尺寸和虚拟机的共享能力。该文同时也提出了对虚拟机放置算法的建议, 如哪些虚拟机放置可以静态处理, 哪些虚拟机放置需要动态处理, 但是实际上这些虚拟机到物理主机的放置并未完成, 而是通过一个外部算法来操作。与文献[24]相比, 本文重点关注虚拟机尺寸对放置的影响, 从另外一个角度对算法性能进行改善。文献[24]的另外一个限制是假设每个应用组件是映射到一个独立的虚拟机, 而本文则是把多个相互合作的任务映射到一个相同的虚拟机。
2 虚拟机选择的数学模型 2.1 问题描述虚拟机选择是把用户的任务及相关的代码与数据映射到虚拟机上, 而虚拟机放置则是把已经完成了任务映射的虚拟机高效、均匀地分配到合适的物理节点上。虚拟机选择和放置的过程如图 1所示, 其中:虚拟机选择由云客户端完成, 涉及应用级别的软件指标, 如任务粒度、虚拟机尺寸等; 虚拟机放置由云服务提供商完成, 涉及物理资源、能量消耗、在线迁移等指标。
|
Download:
|
| 图 1 虚拟机选择与放置过程 | |
联系虚拟机选择与放置过程的主要媒介是虚拟机。尽管虚拟机具有重要作用, 但笔者认为其仅是一个用来映射客户端任务到物理节点的工具, 必须具有安全性与可管理性。客户端的目的是为任务寻找物理主机, 云服务提供商的目的是利用云数据中心的物理节点承担大量的客户端的工作负载, 虚拟机可以认为是封装任务的包裹, 在云平台中该包裹可以按照一定的价格进行计算。
本文假设物理主机的计算能力为1, 共有6个任务, 其对资源的需求为每个任务的尺寸为0.3。同时还假设虚拟机中增加一个任务, 也会产生约0.05的额外开销。图 2显示了不同虚拟机选择策略对虚拟机放置过程的影响。在图 2(a)中, 每个任务选择一个虚拟机, 导致产生6个虚拟机, 每个虚拟机尺寸为0.35, 则在后续的虚拟机放置过程中就至少需要3个物理主机; 在图 2(b)中, 每两个任务选择一个虚拟机, 导致产生3个虚拟机, 每个虚拟机尺寸为0.65, 则在后续的虚拟机放置过程中也需要3个物理主机; 在图 2(c)中, 每三个任务选择一个虚拟机, 导致产生2个虚拟机, 每个虚拟机尺寸为0.95, 则在后续的虚拟机放置过程中只需要2个物理主机。由此可见, 使用图 2(c)所示的放置策略可节省约33%的能量消耗, 但如果继续把4个任务映射到一个虚拟机上, 可能导致虚拟机的尺寸为1.25, 出现该虚拟机不能被可用物理主机所容纳的情况, 仍需要多使用一个物理节点, 产生新的能量消耗。从上述分析可以看出, 虚拟机选择算法会影响虚拟机放置过程。
|
Download:
|
| 图 2 虚拟机选择策略对虚拟机放置的影响 | |
虚拟机选择过程与虚拟机放置过程都比较复杂, 把这2个过程组合起来更加复杂。因此, 本文重点研究如何提升性能和降低开销代价, 不考虑虚拟机安全和容错等因素。云数据中心的能量消耗主要依赖于其工作负载的数量及自身的物理主机的个数, 例如虚拟化的开销、发起一个虚拟机的开销、虚拟机迁移的开销、物理主机超负载的性能降低情况。但是这些因素之间有时是相互冲突与矛盾的, 例如虚拟化的开销, 尽可能把许多任务映射到一个虚拟机有助于性能提升; 另一方面, 尺寸较大的虚拟机将限制虚拟机迁移, 这样也需要更多物理主机, 会产生额外的能量消耗。
假设有d个资源类型, 如把CPU和内存都考虑在内, 则d=2。每个任务j的尺寸为s(j),
| $ s(v)=s_{0}+\sum\limits_{j \in T(v)} s(j) $ | (1) |
其中,
每个物理主机p具有计算能力
| $ s(p)=\sum\limits_{v \in v(p)} s(v) \leqslant c(p) $ | (2) |
其中, s(v)≤c(p)表明每个维度的资源必须小于等于存在的物理资源。
一个物理主机的能量消耗是CPU负载的函数。基于Cloudsim项目研究, 本文假设每个物理主机都有相同的计算能力与能量消耗特点, 使用一个线性函数计算物理主机的能量消耗。该函数考虑物理主机的CPU计算能力及CPU负载情况, 如式(3)所示。
| $ w(x)=w_{\min }+\frac{\left(w_{\max }-w_{\min }\right) \times x}{c} $ | (3) |
其中, wmin表示物理主机的最小能量消耗, wmax表示物理主机的最大能量消耗。
本文设计基于任务映射的虚拟机选择策略, 其工作机制具体如下:
1) 虚拟机选择过程
(1) 如果一个新任务到达, 它将被映射到一个虚拟机上。在这种的情况下, 它必须映射到一个存在的虚拟机, 或者系统再重新产生一个虚拟机。
(2) 如果一个虚拟机空余, 它应被注销或者保存下来作为后续的重新再使用。
2) 虚拟机放置过程
(1) 如果一个虚拟机被创建, 它必须放置到一个实际的物理主机上, 在这样的情况下, 虚拟机必须选择一个在运行的物理主机, 或者重新开启一个新的物理主机。
(2) 虚拟机可以在物理主机之间进行迁移。
(3) 如果一个物理主机处于空闲状态, 它应该关闭, 节省能量消耗。值得注意的是, 虚拟机放置过程可以反复优化(例如每隔1 h进行1次), 虚拟机也是在线迁移的, 与虚拟机选择相比, 一个任务映射到虚拟机后不会进行迁移, 而虚拟机则可以在物理节点之间在线迁移。
本文的研究目标是结合上述2个过程, 降低工作的物理主机数量和虚拟机代价开销, 最终节省能量消耗和云服务提供商的成本。
3 基于任务映射的虚拟机选择算法本文研究如何使虚拟机选择过程和虚拟机放置过程相互结合, 针对这2个过程有不同的算法, 可以形成大量的组合形式。为保证实验结果的有效性, 本文将虚拟机放置算法固定, 在此基础上调整一系列基于任务映射的虚拟机选择算法, 然后观察最后云数据中心的性能改善情况。
因为Cloudsim项目在云数据中心领域处于领先地位, 所以本文在虚拟机放置算法上选择Cloudsim项目中的方法, 相关实验结果表明这些放置算法能够保证能量消耗与虚拟机迁移代价之间的平衡。
当一个新的虚拟机到达时, 第一个物理主机有足够的计算能力来容纳, 如果不存在处于工作状态下的虚拟机, 则云平台会自动开启一个新的物理主机, 而且虚拟机放置过程可以在一个规则的时间间隔内进行重新优化。该过程具体步骤如下:
1) 对于每个超负载的物理主机, 超负载的含义是负载的尺寸已经超过了至少一个维度的资源尺寸。系统将删除一部分虚拟机, 保证物理主机处于正常状态。
2) 对于每个低负载的物理主机, 低负载的含义是s(p)≤λ×c(p), 0 < λ < 1。
3) 对于被删除的虚拟机, 按照CPU负载大小的降序进行排序。
4) 对于每个被删除的虚拟机, 它们将放置到一个具有足够空闲计算能力的物理主机。
5) 空闲的物理主机将被关闭电源。
本文提出4种虚拟机选择算法用于组合虚拟机放置算法, 具体如下:
1) 简单虚拟机选择算法Simple。该算法针对每个任务只创建一个虚拟机, 与文献[24]方法类似。
2) 多任务映射虚拟机选择算法Multiple(k)。该算法对一个虚拟机上映射k个任务, 其中k是一个常量, 当k=1时, 算法演化为Simple算法。
3) 虚拟机选择算法Maxsize(u)。该算法主要用于提高物理主机的效率, 其设计思想是保证每个虚拟机的尺寸尽量在u×c, 其中, 0 < u≤1, c是一个常量, 表示物理主机的计算能力向量。算法描述如下:当一个新任务到达时, 它将检测哪个存在的虚拟机能够被容纳, 同时不超过该尺寸u×c的阈值的大小, 如果没有这样的虚拟机存在, 该算法将创建一个新的虚拟机; 如果有多个合适的虚拟机存在, 将按照经典装箱方法完成首次适应算法First Fit、最好适应算法Best Fit、最坏适应算法Worst Fit等。由于Maxsize(u)算法工作在一个单维资源条件下, 但是虚拟机和任务尺寸都是多维资源条件, 因此需要定义一个从d维向量到1维的转化, 该指标可以是总数量、产品、最大值、最小值或者其相互组合。向量的长度则用于区别最大值或者最小值。
4) 虚拟机选择算法Relation。该算法不仅要提高物理主机的效率, 而且还要提高虚拟机放置算法的效率。当一个新任务到达时, 首先检测物理主机的超负载情况, 是否有计算能力容纳该新任务。如果存在就不启动其他的物理主机, 即无额外的开销。当有多个这种物理主机时, 其中一个将按照经典装箱物理主机启发式算法被选择, 该思路与Maxsize(u)算法相同。当没有这种物理主机存在时, 将选择一个处于低负载状态under-utilized的物理主机, 此时没有虚拟机迁移的情况, 也无额外的开销。在上述情况下, 在Relation算法完成虚拟机放置之前, 都有虚拟机选择算法操作(该算法除了前面的Simple、Multiple(k)、Maxsize(u)外, 还可以利用目前其他文献提到的虚拟机选择方法), 并把任务映射到虚拟机之上。最后如果没有合适的物理主机, 系统仍然需要创建一个新的虚拟机, 并容纳该项新任务。
在Simple、Multiple(k)、Maxsize(u)、Relation算法中, Maxsize(u)算法比Simple、Multiple(k)相对要先进, 因为Simple、Multiple(k)只考虑了虚拟机尺寸, 并没有考虑该虚拟机尺寸如何与物理主机的计算能力相结合, Relation算法主要通过虚拟机选择策略来提高虚拟机放置算法的性能, 更多关注虚拟机选择和虚拟机放置的结合, 最终可以提高整个云数据中心的性能。
4 仿真实验与性能分析 4.1 测试环境本文实验利用Cloudsim模拟器作为工具, 模拟云客户端的应用程序访问, 使用10 000个具有正确CPU与内存请求的任务数据。模拟时间持续30 d, 这样的工作量足够体现真实情况下的云客户端访问。在物理主机上, 采用HP ProLiant DL380 G7物理服务器, CPU类型为Intel Xeon E5640四核处理器, 16 GB的内存。该物理服务器的基本能量消耗处于0.28 kWh(空余负载)到0.54 kWh(满负载)的范围。
在整个实验过程中, 资源类型主要采用CPU和内存大小, 即d=2。内存大小的单位采用MB。对于CPU的计算能力与负载都采用相关的参考值, 即一个物理CPU内核为使用效率100%时值为最大计算能力。对于虚拟化的开销, 按照相关文献的设置, 具体表示为CPU 5%~15%[25]与内存107 MB~566 MB[26]。虚拟机放置的算法与Cloudsim项目一致, λ=0.4, 虚拟机放置过程每隔5 min进行一次优化。性能评价指标如下:1)云数据中心的总体能量消耗; 2)运行的物理主机的数量; 3)运行的物理主机的最大数量; 4)并发运行的虚拟机的最大数量; 5)虚拟机迁移的数量; 6)超负载的物理主机数量。对于上述性能指标, 实验的结果数值越小, 表明云数据中心的系统整体性能越好。
4.2 Simple与Multiple(k)算法性能首先测试Simple和Multiple(k)虚拟机选择算法的性能, 按照上文描述Multiple(1)与Simple算法是一致的, 实验结果如图 3所示。从中可以看出, 云数据中心整体的能量消耗和启动的物理主机平均数量及最大数量都在开始时上升, k=2时开始下降, 得到这个结果是因为k=2是拐点, 随着k的增加, 虚拟机尺寸都随着虚拟机个数的增加而降低, 这样一方面会导致虚拟机迁移机会减少, 另外一方面也会使能量消耗减少。基于这些性能指标, k值的增加可以提高系统的性能。而从图 3(e)和图 3(f)中可以看出, 超负载的物理主机的数量在k=16时数量急剧增加, 虚拟机迁移的次数在k=4时少量增加, 这些都是系统性能降低的表现。因此, 从图 3中可以看出, 为了使这6个指标平衡, k的最佳值应为3。Multiple(k)虚拟机选择算法的最大问题就是k值选取导致迁移次数增加及启动物理主机数量增加的不可预测性及不可控制性, 这些因素也包括物理主机的计算能力与负载的大小。因此, Multiple(k)算法有一定的风险, 设置较小的k值才比较安全, 但k值设置较小往往会降低云数据中心的整体性能。
|
Download:
|
| 图 3 Multiple(k)算法性能随k值的实验结果 | |
Maxsize(u)算法的最大特点是更改u的值与任务映射方法, 本实验中设置了6个u的值(u=0.25, 0.3, 0.5, 0.6, 0.9, 1.0)。任务映射按照首次适应算法First Fit, 各种组合的实验结果如图 4所示, 其中每个数据点表示了一个u值。与Multiple(k)相比, Maxsize(u)算法的各个组合都没有引起的性能急剧变化, 该算法优点是物理主机的计算能力可以更好地控制物理主机的利用效率, 是一个比较无风险的算法。只有图 4(e)和图 4(f)显示性能有较大的波动, 但与Multiple(k)相比, 这些少量的性能波动是很小的一个范围。
|
Download:
|
| 图 4 Maxsize(u)算法性能随u值的实验结果 | |
Maxsize(u)算法在u=0.6时比u=0.5时性能差, 其原因是虚拟机尺寸在0.5时可能成对地迁移到一个物理主机之上, 但如果虚拟机的尺寸超过这个范围, 虚拟机迁移的机会就相对较少。该实验结果充分表明物理主机级别的算法在虚拟机选择中的优势, 根据上述实验结果可知u=1是最优设置。
4.4 Relation算法性能为测试Relation虚拟机选择算法, 需要设置一些相关的参数, 在物理主机的选择方面有3种策略(FF、BF、WF), 与Maxsize(u)类似, 这些虚拟机选择策略与选择指标并没有对系统整体性能起到很大的影响作用。这就意味着Relation算法是稳健的, 不容易导致系统性能突变, 不会出现Multiple(k)算法中性能急剧变化的情况。
Multiple(3)、Maxsize(1)与Relation算法的性能比较如表 1所示。从中可以看出:Relation算法多数性能优于Maxsize(1)和Multiple(3)算法; Relation算法的在虚拟机迁移次数、能量消耗、启动物理主机个数等方面优于Multiple(3)和Maxsize(1)算法, 因为其考虑到更多的虚拟机选择和虚拟机放置的组合。
|
下载CSV 表 1 基于任务映射的虚拟机选择算法性能比较 |
本文分析云数据中心虚拟机迁移时的选择和放置过程, 并将两者相结合, 提出基于任务映射的虚拟机选择策略, 其中包括Simple、Multiple(k)、Maxsize(u)和Relation算法。实验结果表明, 通过上述4个算法优化虚拟机选择过程可以减少云数据中心的能量消耗和虚拟机迁移次数, 节省云服务提供商的成本。本文提出的虚拟机选择策略适用于私有云计算, 能够调整虚拟机的尺寸和映射任务的粒度, 改善调度系统性能。下一步将考虑安全检测、容错处理等复杂因素, 开发虚拟机选择与虚拟机放置之间的接口, 实现信息准确快速的交互。
| [1] |
叶可江, 吴朝晖, 姜晓红, 等. 虚拟化云计算平台的能耗管理[J]. 计算机学报, 2012, 35(6): 1262-1285. (  0)
|
| [2] |
HE Meijun, JIN Lianwen, LI Lei. A novel hybrid-copy algorithm for live migration of virtual machine[J]. Future Internet, 2017, 9(3): 1-13. ( 0)
|
| [3] |
张玉清, 王晓菲, 刘雪峰, 等. 云计算环境安全综述[J]. 软件学报, 2016, 27(6): 1328-1348. ( 0)
|
| [4] |
BELOGLAZOV A, BUYYA R. Optimal online deterministic algorithms and adaptive heuristics for energy and performance efficient dynamic consolidation of virtual machines in cloud data centers[J]. Concurrency and Computation:Practice and Experience, 2012, 24(13): 1397-1420. DOI:10.1002/cpe.1867 ( 0)
|
| [5] |
AHAMED F, SHAHRESTANI S A, JAVADI B.Security aware and energy-efficient virtual machine consolidation in cloud computing systems[C]//Proceedings of 2016 IEEE Trustcom/BigDataSE/ISPA.Washington D.C., USA: IEEE Press, 2017. https://ieeexplore.ieee.org/document/7847119
( 0)
|
| [6] |
CANDEIA D, ARAÚJO R, LOPES R, et al.Investigating business-driven cloudburst schedulers for e-science bag-of-tasks applications[C]//Proceedings of the 2nd IEEE International Conference on Cloud Computing Technology and Science.Washington D.C., USA: IEEE Press, 2010: 343-350. https://ieeexplore.ieee.org/document/5708469
( 0)
|
| [7] |
LI Wubin, TORDSSON J, ELMROTH E.Modeling for dynamic cloud scheduling via migration of virtual machines[C]//Proceedings of the 3rd IEEE International Conference on Cloud Computing Technology and Science.Washington D.C., USA: IEEE Press, 2011: 163-171. https://ieeexplore.ieee.org/document/6133140
( 0)
|
| [8] |
VILLEGAS D, ANTONIOU A, SADJADI S M, et al.An analysis of provisioning and allocation policies for infrastructure-as-a-service clouds[C]//Proceedings of the 12th IEEE/ACM International Symposium on Cluster, Cloud and Grid Computing.Washington D.C., USA: IEEE Press, 2012: 612-619. https://ieeexplore.ieee.org/document/6217473
( 0)
|
| [9] |
LAMPE U, SIEBENHAAR M, HANS R, et al.Let the clouds compute: cost-efficient workload distribution in infrastructure clouds[C]//Proceedings of the 9th International Conference on Economics of Grids, Clouds, Systems, and Services.Berlin, Germany: Springer, 2012: 91-101. https://link.springer.com/chapter/10.1007/978-3-642-35194-5_7
( 0)
|
| [10] |
OLIVEIRA D, OCANA K A C S, BAIAO F, et al. A provenance-based adaptive scheduling heuristic for parallel scientic workflows in clouds[J]. Journal of Grid Computing, 2012, 10: 521-552. DOI:10.1007/s10723-012-9227-2 ( 0)
|
| [11] |
BITTENCOURT L F, MADEIRA E R, FONSECA N L. Scheduling in hybrid clouds[J]. IEEE Communications Magazine, 2012, 50(9): 42-47. DOI:10.1109/MCOM.2012.6295710 ( 0)
|
| [12] |
TORDSSON J, MONTERO R S, MORENO-VOZMEDIANO R, et al. Cloud brokering mechanisms for optimized placement of virtual machines across multiple providers[J]. Future Generation Computer Systems, 2012, 28(2): 358-367. DOI:10.1016/j.future.2011.07.003 ( 0)
|
| [13] |
TSAMOURA E, GOUNARIS A, TSICHLAS K.Multi-objective optimization of dataflows in a multi-cloud environment[C]//Proceedings of the 2nd Workshop on Data Analytics in the Cloud.Washington D.C., USA: IEEE Press, 2013: 6-10.
( 0)
|
| [14] |
HOENISCH P, HOCHREINER C, SCHULLER D, et al.Cost-efficient scheduling of elastic processes in hybrid clouds[C]//Proceedings of the 8th International Conference on Cloud Computing.Washington D.C., USA: IEEE Press, 2015: 17-24.
( 0)
|
| [15] |
GENEZ T A L, BITTENCOURT L F, MADEIRA E R M.Workflow scheduling for SaaS/PaaS cloud providers considering two SLA levels[C]//Proceedings of Network Operations and Management Symposium.Washington D.C., USA: IEEE Press, 2012: 906-912. https://ieeexplore.ieee.org/document/6212007
( 0)
|
| [16] |
GUAZZONE M, ANGLANO C, CANONICO M.Exploiting VM migration for the automated power and performance management of green cloud computing systems[C]//Proceedings of the 1st International Workshop on Energy Efficient Data Centers.Berlin, Germany: Springer, 2012: 81-92. https://link.springer.com/chapter/10.1007%2F978-3-642-33645-4_8
( 0)
|
| [17] |
MANN Z A. Rigorous results on the effectiveness of some heuristics for the consolidation of virtual machines in a cloud data center[J]. Future Generation Computer Systems, 2015, 51: 1-6. DOI:10.1016/j.future.2015.04.004 ( 0)
|
| [18] |
BIRAN O, CORRADI A, FANELLI M, et al.A stable network-aware VM placement for cloud systems[C]//Proceedings of the 12th IEEE/ACM International Symposium on Cluster, Cloud and Grid Computing.Washington D.C., USA: IEEE Press, 2012: 498-506. A stable network-aware VM placement for cloud systems
( 0)
|
| [19] |
GAO Yongqiang, GUAN Haibing, QI Zhengwei, et al. A multi-objective ant colony system algorithm for virtual machine placement in cloud computing[J]. Journal of Computer and System Sciences, 2013, 79(8): 1230-1242. DOI:10.1016/j.jcss.2013.02.004 ( 0)
|
| [20] |
MISHRA M, SAHOO A.On theory of VM placement: anomalies in existing methodologies and their mitigation using a novel vector based approach[C]//Proceedings of IEEE International Conference on Cloud Computing.Washington D.C., USA: IEEE Press, 2011: 275-282. https://ieeexplore.ieee.org/document/6008720
( 0)
|
| [21] |
TOMÁS L, TORDSSON J. An autonomic approach to risk-aware data center overbooking[J]. IEEE Transactions on Cloud Computing, 2014, 2(3): 292-305. DOI:10.1109/TCC.2014.2326166 ( 0)
|
| [22] |
SVÄRD P, LI Wubin, WADBRO E, et al.Continuous datacenter consolidation[C]//Proceedings of the 7th International Conference on Cloud Computing Technology and Science.Washington D.C., USA: IEEE Press, 2015: 387-396.
( 0)
|
| [23] |
PIRAGHAJ S F, DASTJERDI A V, CALHEIROS R N, et al.Efficient virtual machine sizing for hosting containers as a service[C]//Proceedings of IEEE World Congress on Services.Washington D.C., USA: IEEE Press, 2015: 31-38.
( 0)
|
| [24] |
GANESAN R, SARKAR S, NARAYAN A.Analysis of SaaS business platform workloads for sizing and collocation[C]//Proceedings of the 5th International Conference on Cloud Computing.Washington D.C., USA: IEEE Press, 2012: 868-875.
( 0)
|
| [25] |
ZHOU Yuezhi, ZHANG Yaoxue, LIU Hao, et al. A bare-metal and asymmetric partitioning approach to client virtualization[J]. IEEE Transactions on Services Computing, 2014, 7(1): 40-53. DOI:10.1109/TSC.2012.32 ( 0)
|
| [26] |
CHANG Chaorui, WU J J, LIU Pangfeng.An empirical study on memory sharing of virtual machines for server consolidation[C]//Proceedings of the 9th International Symposium on Parallel and Distributed Processing with Applications.Washington D.C., USA: IEEE Press, 2011: 244-249.
( 0)
|