摘要: 随着云计算技术的发展，云数据中心能够通过虚拟化技术将大量的计算资源进行整合，并通过网络为互联网用户提供稳定的高质量服务。然而随着市场需求的增长以及数据中心规模的扩大，数据中心普遍存在资源利用低下以及负载不均衡的情况。如何改善数据中... 展开 随着云计算技术的发展，云数据中心能够通过虚拟化技术将大量的计算资源进行整合，并通过网络为互联网用户提供稳定的高质量服务。然而随着市场需求的增长以及数据中心规模的扩大，数据中心普遍存在资源利用低下以及负载不均衡的情况。如何改善数据中心资源利用情况，实现资源的高效管理是一个重大的挑战。云数据中心资源管理的主要手段是进行虚拟机的动态整合，而现有的虚拟机整合研究主要是从降低数据中心能耗以及提高某种资源利用率的角度进行展开，忽略了物理节点的资源多样性以及迁移后的数据中心负载均衡。为了使虚拟机动态整合策略能够改善云数据中心的资源分配，需要针对虚拟机动态整合过程中的问题进行研究，并给出相应的策略。本文针对虚拟机动态整合中的迁移触发、待迁移虚拟机选择以及虚拟机的放置分别进行分析研究，主要工作贡献如下： 1.针对迁移触发机制的问题，本文提出了一种基于负载预测的虚拟机迁移触发策略。首先，为了保证虚拟机的运行性能，通过设定物理节点的资源利用阈值以预留资源的方式保障虚拟机的稳定性。然后，通过自适应指数平滑预测法预测物理节点的负载趋势，并依据预测结果判断节点进行虚拟机调整的必要性，从而减少由于数据中心的瞬时负载波动造成的虚拟机迁移次数，提高虚拟机迁移判断的准确性。 2.针对迁移虚拟机选择问题，提出了一种基于节点资源负载的迁移虚拟机选择算法。首先，针对过载节点迁移选择问题，综合考虑过载物理机的资源多样性，并通过定义节点饱和度来衡量物理机各项资源的过载程度。然后，基于虚拟机资源占用以及虚拟机迁移代价，提出了一种虚拟机迁移优先级确定方法。最后，通过虚拟机迁移优先级选择占用过载类资源多且内存小的虚拟机进行迁移，从而达到缓解节点资源压力，提高虚拟机整合效率的效果。 3.本文将虚拟机放置问题描述为最小化物理机资源浪费和最小化数据中心均衡负载度的多目标优化问题，并通过对数据中心虚拟机放置问题的分析，提出了基于MOPSO(Multi-ObjectiveParticleSwarmOptimization)算法的虚拟机放置算法。首先，通过重新设计粒子编码方案，使粒子群算法能够适用于离散问题求解。然后，基于Metropolis准则使得粒子在迭代过程中允许以一定的概率接受劣解的方式解决粒子群过早收敛的问题，并通过遗传算法的交叉变异操作对粒子群算法的位置更新的方式进行调整保证粒子种群的多样性。最后，采用关联度值比较的方式进行全局最优的选择以及Pareto解集的维护，提高种群搜索效率并增强放置算法的多目标寻优的能力。 收起