本發(fā)明涉及一種基于多目標(biāo)的云計算虛擬機分配調(diào)整方法。

背景技術(shù)：

對存儲的數(shù)據(jù)資源進行虛擬化，虛擬化資源是通過虛擬化技術(shù)對物理資源進行抽象后的資源。由于城市數(shù)據(jù)中心硬件設(shè)備間存在差異且兼容性差,進行統(tǒng)一的物理資源管理難以實現(xiàn)。而通過對資源的抽象和虛擬化,屏蔽物理資源間的差異,搭建云計算環(huán)境。目前的資源虛擬化結(jié)構(gòu)見圖1所示。

云計算架構(gòu)的基礎(chǔ)設(shè)施即服務(wù)(laas)層中的虛擬化技術(shù)主要釆用的是系統(tǒng)虛擬化技術(shù)，即使用虛擬化軟件(如VMWare、Ctrix等)在物理機上虛擬出一臺或多臺虛擬機。傳統(tǒng)的虛擬機分配需要手動操作，包括創(chuàng)建、安裝操作系統(tǒng)及軟件、配置、啟動四步，這種方法部署時問較長，無法滿足云計算的彈性需求。

本發(fā)明則是以虛擬機為基礎(chǔ)單元進行調(diào)度分配與重配置。虛擬器件是一個包含預(yù)安裝、預(yù)配置的操作系統(tǒng)、中間件和應(yīng)用程序的最小化的虛擬機。最小化虛擬機有三個模板：CPU消耗型、內(nèi)存消耗型、網(wǎng)絡(luò)帶寬消耗型。虛擬器件文件包含硬件參數(shù)信息、軟件配置參數(shù)信息等。用戶通過根據(jù)自身業(yè)務(wù)需求選取模板進行個性化配置，達到快速部署虛擬機的目的。本發(fā)明目的在于在多個虛擬機創(chuàng)建后，將這些虛擬機首次部署到多個物理機上，以實現(xiàn)物理機集群負載均衡效果最佳且節(jié)能效果最好，以及根據(jù)應(yīng)用需求的變化，實現(xiàn)虛擬機在物理節(jié)點上的自適應(yīng)動態(tài)調(diào)度。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺點與不足，提供了一種基于多目標(biāo)的云計算虛擬機分配調(diào)整方法，解決虛擬資源分配及動態(tài)調(diào)整問題。

本發(fā)明的目的通過以下技術(shù)方案實現(xiàn)：一種基于多目標(biāo)的云計算虛擬機分配調(diào)整方法，包括：

初始化步驟：

每個物理節(jié)點的可用資源是一個d維向量，每一維表示一種資源，所述資源為CPU、內(nèi)存或網(wǎng)絡(luò)帶寬，每個虛擬機的資源是一個d維向量，目標(biāo)是將多個虛擬機放入多個物理節(jié)點，并使得占用物理節(jié)點的個數(shù)最小及負載方差最??；

其中，且

f_PN表示占用物理節(jié)點的個數(shù)，f_LB表示服務(wù)器集群的均衡負載方差；

其中物理節(jié)點i使用時為1，否則為0；Dξ_i表示i維方差，d表示總維數(shù)，

n表示物理節(jié)點數(shù)，表示所有物理節(jié)點第i維性能特征的平均值，性能特征為規(guī)范化值，即等于物理節(jié)點中第i維資源的剩余分配量除以i維總資源量，p_ij為物理節(jié)點j的第i維性能特征；

令

其中虛擬機i分配到物理節(jié)點j時x_i→j為1，否則為0；V_i^cpu、V_i^mem、V_i^I/O為虛擬機i的CPU、內(nèi)存、網(wǎng)絡(luò)帶寬資源，為物理節(jié)點j的CPU、內(nèi)存、網(wǎng)絡(luò)帶寬資源；

染色體編碼及評估步驟：依據(jù)基于組的編碼方式，針對組編碼方式存在的組合冗余問題得出基于組的鏈式編碼方法；

將N個虛擬機分配到M個物理節(jié)點上，通常N>>M；隨機生成一個包含N個虛擬機編號的序列，應(yīng)用優(yōu)先匹配啟發(fā)式算法將隨機序列依次放入物理節(jié)點中,得到染色體編碼；均衡負載保證應(yīng)用系統(tǒng)高性能、物理節(jié)點低使用率兩個目標(biāo)，通過兩個適應(yīng)度函數(shù)來評估個體：

其中，第一個是使用物理節(jié)點的使用個數(shù)來評估染色體的耗能程度，物理節(jié)點占用越少耗能越小，第二個是按照已使用物理節(jié)點的負載方差來評估染色體負載性能，方差值越小負載性能越好；

云計算資源動態(tài)調(diào)度步驟：虛擬化資源管理平臺根據(jù)應(yīng)用服務(wù)的實際運行需求對虛擬資源的分配進行調(diào)整，以優(yōu)化云計算資源分配，實現(xiàn)云計算資源的高效使用和滿足應(yīng)用服務(wù)動態(tài)可伸縮性的需要；同時，對使用率過低的物理節(jié)點，將其上的虛擬資源進行動態(tài)遷移整合,關(guān)閉多余物理節(jié)點。

優(yōu)選地，所述優(yōu)先匹配啟發(fā)式算法具體為：從所有己使用的物理節(jié)點中選取第一個物理節(jié)點，如果該物理節(jié)點的三維資源量能滿足第一個物理節(jié)點的三維資源要求，則將第一個虛擬機放入該物理節(jié)點，否則與后面己使用的物理節(jié)點依次匹配，直到尋找到滿足要求的物理節(jié)點；若在所有已使用的物理節(jié)點中未找到合適的物理節(jié)點，則從所有未使用的物理節(jié)點中選取第一個物理節(jié)點，用于該虛擬機的分配；按照上述描述依次將序列中的其他虛擬機按照上述算法放入物理節(jié)點中。

優(yōu)選地，所述虛擬化資源管理平臺根據(jù)應(yīng)用服務(wù)的實際運行需求對虛擬資源的分配進行調(diào)整，其具體實現(xiàn)為：

步驟1、云應(yīng)用服務(wù)監(jiān)控器監(jiān)測應(yīng)用服務(wù)的運行狀態(tài)、用戶請求和訪問連接；云應(yīng)用服務(wù)負載管理器收集負載信息；

步驟2、云應(yīng)用服務(wù)監(jiān)控器將云應(yīng)用服務(wù)的負載信息發(fā)送到重配置決策器；

步驟3、重配置決策器根據(jù)收集的云應(yīng)用服務(wù)的負載信息以及歷史數(shù)據(jù),調(diào)用預(yù)測算法庫中的程序進行資源重配置決策；確定是否為該應(yīng)用服務(wù)增加或減少虛擬資源；若需增減虛擬資源,則調(diào)用資源調(diào)度算法按照預(yù)測結(jié)果進行資源重配置引導(dǎo)；

步驟4、重配置決策器將資源動態(tài)分配的決策信息發(fā)送到資源動態(tài)分配器；

步驟5、重復(fù)執(zhí)行以上步驟，直到云應(yīng)用服務(wù)停止。

優(yōu)選地，資源動態(tài)分配器具體為：

若資源動態(tài)分配器收到增加虛擬資源的決策信息，依據(jù)決策信息中包含的虛擬資源負載類型，按照優(yōu)先啟發(fā)式分配算法從虛擬資源列表中分配一個合理的虛擬資源給云應(yīng)用服務(wù)，再把增加虛擬資源的信息發(fā)送到資源負載管理器，資源負載管理器將云應(yīng)用服務(wù)部署到新增加的虛擬資源上,最后啟動該云應(yīng)用服務(wù)實例；

若資源動態(tài)分配器收到減少虛擬資源的決策信息，則通知資源負載管理器刪除該云應(yīng)用服務(wù)實例，再通知資源動態(tài)分配器回收該云應(yīng)用服務(wù)實例的虛擬資源，最后將收回的虛擬資源加入到虛擬資源列表中。

優(yōu)選地，虛擬資源負載類型為計算資源、內(nèi)存資源或網(wǎng)絡(luò)資源。

本發(fā)明與現(xiàn)有技術(shù)相比具有以下有益效果：

利用虛擬化技術(shù)將計算資源、存儲資源和網(wǎng)絡(luò)資源統(tǒng)一構(gòu)造成虛擬資源池,使用虛擬資源管理技術(shù)實現(xiàn)云計算資源按需自動分配與調(diào)度、動態(tài)擴展、自動部署等，用戶按需獲取資源。本發(fā)明對云計算資源進行有效管理與高效調(diào)度,保證云數(shù)據(jù)中心的均衡負載性能及低能耗。

附圖說明

圖1：資源虛擬化結(jié)構(gòu)圖；

圖2：虛擬機動態(tài)調(diào)度的基本框架流程圖；

圖3：遷移次數(shù)示意圖；

圖4：SLA平均違背率示意圖；

圖5：不同時間的同一時刻啟用物理節(jié)點示意圖

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

本發(fā)明提供了一種基于多目標(biāo)的云計算虛擬機分配調(diào)整方法，包括：

初始化步驟：

每個物理節(jié)點的可用資源是一個d維向量，每一維表示一種資源，所述資源為CPU、內(nèi)存或網(wǎng)絡(luò)帶寬，每個虛擬機的資源是一個d維向量，目標(biāo)是將多個虛擬機放入多個物理節(jié)點，并使得占用物理節(jié)點的個數(shù)最小及負載方差最??；

其中，且

f_PN表示占用物理節(jié)點的個數(shù)，f_LB表示服務(wù)器集群的均衡負載方差；

其中物理節(jié)點i使用時為1，否則為0；Dξ_i表示i維方差，d表示總維數(shù)，

n表示物理節(jié)點數(shù)，表示所有物理節(jié)點第i維性能特征的平均值，性能特征為規(guī)范化值，即等于物理節(jié)點中第i維資源的剩余分配量除以i維總資源量，p_ij為物理節(jié)點j的第i維性能特征；

令

其中虛擬機i分配到物理節(jié)點j時x_i→j為1，否則為0；V_i^cpu、V_i^mem、V_i^I/O為虛擬機i的CPU、內(nèi)存、網(wǎng)絡(luò)帶寬資源，為物理節(jié)點j的CPU、內(nèi)存、網(wǎng)絡(luò)帶寬資源；

染色體編碼及評估步驟：依據(jù)基于組的編碼方式，針對組編碼方式存在的組合冗余問題得出基于組的鏈式編碼方法；

將N個虛擬機分配到M個物理節(jié)點上，通常N>>M；隨機生成一個包含N個虛擬機編號的序列，應(yīng)用優(yōu)先匹配啟發(fā)式算法將隨機序列依次放入物理節(jié)點中，得到染色體編碼；均衡負載保證應(yīng)用系統(tǒng)高性能、物理節(jié)點低使用率兩個目標(biāo)，通過兩個適應(yīng)度函數(shù)來評估個體：

其中，第一個是使用物理節(jié)點的使用個數(shù)來評估染色體的耗能程度，物理節(jié)點占用越少耗能越小，第二個是按照已使用物理節(jié)點的負載方差來評估染色體負載性能，方差值越小負載性能越好；

演化算子：

1)交叉算子：針對虛擬機分配到物理節(jié)點的問題，基于組的鏈式編碼包含兩個部分：虛擬機編碼和物理節(jié)點編碼。用組及內(nèi)部鏈式結(jié)構(gòu)表示染色體的基因，組中虛擬機個數(shù)不是固定的，所以交叉涉及長度可變的染色體。

在此提出兩種交叉因子：最低索引最大長度交叉、改進單點交叉。

(1)最低索引最大長度交叉的步驟

①兩個父個體交叉產(chǎn)生一個子個體；

②比較兩個父個體的最小索引的組中虛擬機分配鏈式長度，選取較長的組遺傳給子個體；

③刪除兩個父個體中已遺傳到子個體中去的各虛擬機編號；

④循環(huán)步驟，直到所有虛擬機編號都被遺傳給子個體。

假如父個體1{(1,3,6),(2,4),(5)}和父個體2{(1,2),(3,4,5,6)}被選取進行交叉。首先父個體1的最小索引組(1,3,6)的鏈式長度相比父個體2的最小索引組(1,2)的鏈式長度要長(如果長度相等，則比較組對應(yīng)的物理節(jié)點的可分配資源量，選取值小的組)，保留并傳給子個體；然后將兩父個體中的虛擬機編號(1,3,6)刪除，得到父個體1{(2,4),(5)}和父個體2{(2),(4,5)}。再次比較父個體1的最小索引組(2,4)與父個體2的最小索引組(2)的鏈式長度大小，并將較大的組傳給子個體；然后將兩父個體中虛擬機編號(2,4)刪除，得到父個體1{(5)}和得到父個體2{(5)}。最后(5)被傳給子個體。刪除兩父個體的虛擬機編號(5)使得父個體序列為空，則交叉完成。

(2)改進式單點交叉的步驟

①隨機選取父個體1中的一個組，代替父個體2中對應(yīng)的組；

②針對交叉后的父個體2，將其中重復(fù)的虛擬機對應(yīng)的物理節(jié)點從使用物理節(jié)點集合中刪除，加入未使用物理節(jié)點集合，其上的虛擬機也隨之刪除；

③在保留父個體2的虛擬機鏈式結(jié)構(gòu)基礎(chǔ)上生成未分配的虛擬機序列；

④對未分配的虛擬機序列應(yīng)用優(yōu)先匹配啟發(fā)式算法重新分配，得到新的子個體；

⑤同理，隨機選取父個體2中的一個組代替父個體1中對應(yīng)的組，按照步驟2-4生成子個體2。

2)變異算子

變異操作采用一種智能突變因子。從染色體中隨機選取K個物理節(jié)點(其中K＜M/2)，

將K個物理節(jié)點從使用物理節(jié)點集合中刪除后，將其加入未使用物理節(jié)點集合中，物理節(jié)點上部署的虛擬機也隨之被刪除；然后在保留變異個體的虛擬機鏈式結(jié)構(gòu)基礎(chǔ)上形成未分配的虛擬機序列，最后對未分配的虛擬機序列按照優(yōu)先分配啟發(fā)式算法進行重新分配。其中參數(shù)K的取值結(jié)合變異率來給定，參數(shù)K的取值影響多目標(biāo)演化算法的性能，通過實驗來確定參數(shù)的取值大小。

基于超體積的種群更新機制：對當(dāng)前種群進行交叉變異后生成新一代子種群，將當(dāng)前種群與子種群疊加后進行快速非支配排序，根據(jù)個體間支配關(guān)系、擁擠距離以及超體積貢獻來產(chǎn)生下一代種群進行演化。具體的種群更新機制如下：

(1)對疊加后的大種群按照支配關(guān)系進行分級排序，假設(shè)等級數(shù)為v，則非支配集合有L₁,L₂,...,L_v。

(2)假設(shè)種群規(guī)模為N,若Count(L₁)為N，則將L₁集合中的個體作為下一代種群。

(3)若Count(L₁)大于N，則計算L₁集合中除兩個目標(biāo)極值外的所有個體的超體積貢獻值，選擇貢獻值最大的N-2個個體與兩個目標(biāo)極值的個體作為下一代種群。

(4)若Count(L₁)小于N，則將L₁中所有個體加入下一代種群，再將L₂、L₃。。。中的個體加入，直到下一代種群規(guī)模達到N。若加入L_i后下一代種群規(guī)模大于N，則計算L_i個體的擁擠距離，選擇擁擠距離大的個體加入到下一代種群，使下一代種群規(guī)模為N。

云計算虛擬機分配算法：在多目標(biāo)優(yōu)化算法中，NSGA-II和SPEA2被廣泛使用，但兩種算法在衡量改善優(yōu)化方面的進展上存在缺陷。SMS-EMOA算法在多目標(biāo)優(yōu)化問題上對于不同的鋒面形狀表現(xiàn)出了更好的性能和更優(yōu)化的結(jié)果。因此，將云計算資源分配的基本演化算子嵌入SMS-EMOA中，設(shè)計基于SMS-EMOA的云計算資源分配算法。

算法描述如下：

①按基于組的鏈式編碼方式，初始化父個體，生成規(guī)模為N的父種群，并對種群中個體進行適應(yīng)度評估。

②對評估后的父種群進行快速非支配排序，劃分出種群中個體的支配等級。

③對種群進行演化操作，該算法釆用錦標(biāo)賽選擇法從種群中分別選取兩個父個體，并對兩父個體進行改進式單點交叉生成一個雜交個體，然后對雜交個體進行智能變異，得到一個子個體，最后對子個體進行適應(yīng)度評估，并將子個體加入子種群池。重復(fù)此步驟，直到子種群規(guī)模為。

④對父種群和子種群采用基于超體積的種群更新機制蹄選最優(yōu)的個個體作為下一代父種群。

⑤對新一代父種群重復(fù)③、④步驟，直到滿足演化條件(迭代次數(shù)<MaxGeneNum)，則算法終止。

所述優(yōu)先匹配啟發(fā)式算法具體為：從所有己使用的物理節(jié)點中選取第一個物理節(jié)點，如果該物理節(jié)點的三維資源量能滿足第一個物理節(jié)點的三維資源要求，則將第一個虛擬機放入該物理節(jié)點，否則與后面己使用的物理節(jié)點依次匹配，直到尋找到滿足要求的物理節(jié)點(假設(shè)M個物理節(jié)點能滿足N個虛擬機的分配需求)；若在所有已使用的物理節(jié)點中未找到合適的物理節(jié)點，則從所有未使用的物理節(jié)點中選取第一個物理節(jié)點，用于該虛擬機的分配(初始化時,所有物理節(jié)點為未使用的物理節(jié)點)；按照上述描述依次將序列中的其他虛擬機按照上述算法放入物理節(jié)點中。其中所述三維資源量為CPU、內(nèi)存和網(wǎng)絡(luò)帶寬。

云計算資源動態(tài)調(diào)度步驟：虛擬化資源管理平臺根據(jù)應(yīng)用服務(wù)的實際運行需求對虛擬資源的分配進行調(diào)整，以優(yōu)化云計算資源分配，實現(xiàn)云計算資源的高效使用和滿足應(yīng)用服務(wù)動態(tài)可伸縮性的需要；同時，對使用率過低的物理節(jié)點，將其上的虛擬資源進行動態(tài)遷移整合,關(guān)閉多余物理節(jié)點。

根據(jù)各應(yīng)用服務(wù)的性能需求進行資源分配后，隨著各應(yīng)用服務(wù)在運行時性能需求的變化，各應(yīng)用服務(wù)可能出現(xiàn)無法滿足需求或虛擬資源提供過度的情況。因此，在虛擬化資源分配算法的基礎(chǔ)上，還需要云計算資源動態(tài)調(diào)度算法來確保虛擬化資源管理平臺能根據(jù)應(yīng)用服務(wù)的實際運行需求對虛擬資源的分配進行調(diào)整，以優(yōu)化云計算資源分配，實現(xiàn)云計算資源的高效使用和滿足應(yīng)用服務(wù)動態(tài)可仲縮性的需要。同時，對使用率過低的物理節(jié)點，應(yīng)將其上的虛擬資源進行動態(tài)遷移整合，關(guān)閉多余物理節(jié)點。從而充分利用云計算資源，節(jié)省應(yīng)用服務(wù)的資源使用成本。因此，云計算虛擬機動態(tài)調(diào)度包含虛擬機的動態(tài)增減和遷移整合、服務(wù)器集群的負載均衡。

參見圖2，圖2為虛擬機動態(tài)調(diào)度的基本框架流程圖，所述虛擬化資源管理平臺根據(jù)應(yīng)用服務(wù)的實際運行需求對虛擬資源的分配進行調(diào)整，其具體實現(xiàn)為：

步驟1、云應(yīng)用服務(wù)監(jiān)控器監(jiān)測應(yīng)用服務(wù)的運行狀態(tài)、用戶請求和訪問連接；云應(yīng)用服務(wù)負載管理器收集負載信息；

步驟2、云應(yīng)用服務(wù)監(jiān)控器將云應(yīng)用服務(wù)的負載信息發(fā)送到重配置決策器；

步驟3、重配置決策器根據(jù)收集的云應(yīng)用服務(wù)的負載信息以及歷史數(shù)據(jù),調(diào)用預(yù)測算法庫中的程序進行資源重配置決策；確定是否為該應(yīng)用服務(wù)增加或減少虛擬資源；若需增減虛擬資源,則調(diào)用資源調(diào)度算法按照預(yù)測結(jié)果進行資源重配置引導(dǎo)；

步驟4、重配置決策器將資源動態(tài)分配的決策信息發(fā)送到資源動態(tài)分配器；

步驟5、重復(fù)執(zhí)行以上步驟，直到云應(yīng)用服務(wù)停止。

所述資源動態(tài)分配器具體為：

若資源動態(tài)分配器收到增加虛擬資源的決策信息，依據(jù)決策信息中包含的虛擬資源負載類型，按照優(yōu)先啟發(fā)式分配算法從虛擬資源列表中分配一個合理的虛擬資源給云應(yīng)用服務(wù)，再把增加虛擬資源的信息發(fā)送到資源負載管理器，資源負載管理器將云應(yīng)用服務(wù)部署到新增加的虛擬資源上,最后啟動該云應(yīng)用服務(wù)實例；

若資源動態(tài)分配器收到減少虛擬資源的決策信息，則通知資源負載管理器刪除該云應(yīng)用服務(wù)實例，再通知資源動態(tài)分配器回收該云應(yīng)用服務(wù)實例的虛擬資源，最后將收回的虛擬資源加入到虛擬資源列表中。

所述虛擬資源負載類型為計算資源、內(nèi)存資源或網(wǎng)絡(luò)資源。

虛擬機動態(tài)調(diào)度算法實現(xiàn)：

(1)虛擬資源負載過低的虛擬機動態(tài)調(diào)度算法偽代碼

依據(jù)虛擬機動態(tài)調(diào)度的基本框架，基于應(yīng)用服務(wù)性能的虛擬機動態(tài)調(diào)度算法用于解決虛擬機負載或使用率過低的問題，算法偽代碼如下:

其中算法使用了一下函數(shù)：

getVMUR()返回虛擬機的使用率；

getAS()返回虛擬機上部署的應(yīng)用服務(wù)標(biāo)記；

PI返回虛擬機的可用性能指標(biāo)；

getNewVMtype()返回需添加的新虛擬機類型(計算資源消耗型、內(nèi)存資源消耗型)；

AddNewVM()分配新的虛擬機；

Deploy()將所屬的應(yīng)用服務(wù)部署到新分配的虛擬機上；

DelASInstance()刪除虛擬機上的應(yīng)用服務(wù)實例；

Recover()回收虛擬機資源；

(2)物理資源負載過低的虛擬機動態(tài)調(diào)度算法偽代碼

針對物理資源負載低的虛擬資源動態(tài)調(diào)度算法用于對使用率低的物理節(jié)點上的虛擬機資源進行遷移，并關(guān)閉該物理節(jié)點以節(jié)省能耗。算法偽代碼如下：

其中算法使用了以下函數(shù):

getPMURO返回物理節(jié)點的使用率；

getVMlistO返回物理節(jié)點上所有虛擬機；

VMDispatchO虛擬機分配到新的物理節(jié)點；

migrateO遷移虛擬機到新的物理節(jié)點。

云計算虛擬機動態(tài)調(diào)度算法實現(xiàn)：

為驗證MVDS的性能,采用CloudSim自有的無遷移策略以及DVFS(Dynamic

Voltage andFrequency Scaling)策略、MVDS算法進行模擬實驗，實驗采用的云計算仿真軟件CloudSim進行仿真。

CloudSim仿真程序模擬數(shù)據(jù)中心有30臺三類不同性能的物理服務(wù)器，初始部署三類不同性能的虛擬機各一臺，具體模擬實驗參數(shù)見表1。為模擬云計算中心的負載，需要修改DatacenterBroker類,在該類中編寫相隔10s產(chǎn)生rand()％5+3個任務(wù)并隨機添加給虛擬機的加載方法，這樣任務(wù)個數(shù)與任務(wù)分配都是隨機的，虛擬機的數(shù)量隨任務(wù)加載數(shù)量不斷變化，也使得不同虛擬機和主機在同一時刻的負載不同。從而模擬通過虛擬機動態(tài)調(diào)度算法來實現(xiàn)云計算中心的負載均衡實驗。直到所有任務(wù)執(zhí)行完畢,最后輸出遷移次數(shù)、SLA平均違背率以及不同時刻啟用物理節(jié)點數(shù)。

表1動態(tài)調(diào)度算法實驗參數(shù)

依據(jù)以上參數(shù)進行演化實驗,實驗結(jié)果見圖3、4、5所示。由上圖可以看出,三者在SLA平均違背率上數(shù)據(jù)基本一致，SLA違背率越低，對應(yīng)用服務(wù)的性能影響越小。在遷移次數(shù)上，基于多目標(biāo)的云計算虛擬機分配調(diào)整方法要遠少于CloudSim自帶的DVFS調(diào)度策略,遷移次數(shù)越少，對云計算中心的性能影響越小，性能更穩(wěn)定；在不同時間的同一時刻啟用物理節(jié)點數(shù)上，云計算調(diào)度算法要均少于無遷移與DVFS調(diào)度策略,啟用物理節(jié)點數(shù)量越小，節(jié)能降耗效果越好。基于以上分析，可以得出基于云計算的調(diào)度算法在保證應(yīng)用服務(wù)性能的基礎(chǔ)上，可以大大降低虛擬機遷移次數(shù),減輕因遷移對云計算中心整體性能的影響；同時更大程度地提高服務(wù)器資源的有效利用率，減少啟用物理服務(wù)器數(shù)量,實現(xiàn)更加節(jié)能的效果。

以上對本發(fā)明所提供的一種基于多目標(biāo)的云計算虛擬機分配調(diào)整方法，進行了詳細介紹，本文中應(yīng)用了具體個例對本發(fā)明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想；同時，對于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實施方式及應(yīng)用范圍上均會有改變之處，綜上所述，本說明書內(nèi)容不應(yīng)理解為對本發(fā)明的限制。