0 引言
低能量消耗与物理资源的充分利用是绿色云数据中心构造的两个主要目标
[1
-
2
]
。目前，国内外的研究主要采用虚拟机迁移技术来达到这两个目标
[3
-5
]
。虚拟机
放置及优化是虚拟机迁移中最重要的一个阶段，属于多目标优化问题或者装箱
问题
[6
]
，它没有最优解，只能在目标函数中得到一定程度的最优，目前针对虚拟
机放置有很多智能优化算法，近年来的研究主要涉及两个方面的研究进展：能
量消耗模型的改进和智能算法的改进。
在能量消耗模型改进方面，早期的文献在设计云数据中心物理主机的能量
消耗模型时考虑的物理资源维度比较单一，例如单一物理资源
[7
]
只考虑处理器利
用率、处理器主频大小、处理器温度大小这一个维度
[8
]
；后续考虑问题的维度扩
展到了内存利用率、磁盘空间大小、 I/O 通信能力等；近 3 年，还考虑了更多的
因素，如网络带宽因素、如网络设备接口能量消耗等
[9
]
。
在智能算法改进方面，近年来研究者提出了大量的新型智能算法进行虚拟
机放置阶段的优化，例如有基于遗传算法
[10
]
、贪心算法
[11
]
、粒子群优化算法
[12
]
、
蚁群算法
[13
-14
]
、强化学习优化算法
[15
]
、花授粉优化算法
[16
]
、蛙跳算法
[17
]
、稳定匹
配
[18
]
等的虚拟机放置策略。大部分优化策略的目的是在云数据中心的总体能量消
耗、虚拟机迁移次数、SLA 违规率、活动物理主机数量等目标指标上取平衡。
其中，贪心算法优化方面常见的有首次递减适用算法
[19
]
、最佳适用算法
[20
]
、
最佳递减适用算法等，但是由于虚拟机放置是多目标优化问题，贪心算法也不
可能得到最优解；在遗传算法优化方面有常见的普通遗传算法、家族遗传算法
[21
]
、混合遗传算法
[6
]
、改进的遗传算法
[22
]
等，但是由于它们采用约束编程的方式，
限制了搜索空间。虽然，近年来蚁群算法优化的虚拟机放置在单维物理资源的
高效利用方面取得了一定的成功，它们的实验结果表明性能优于首次递减适用
的贪心算法，其不足是不能充分利用多个维度的物理资源。文献[23
]采用蚁群算
法优化，从处理器和内存大小等多个维度的信息来考虑云数据中心的虚拟机迁
移，结果表明它的性能优于遗传算法。强化学习优化算法和花授粉优化算法是
2019 年被提出的虚拟机放置优化算法，在云数据中心的能耗与资源利用方面都
性能良好，本文重点研究的也是虚拟机放置及优化策略。
由于萤火虫群优化算法在解决经典装箱问题上有很好的优势
[24
]
，本文提出了
基于萤火虫群优化的虚拟机放置（ glowworm swarm optimization based VM
placement，GSO-VMP）方法，通过这种智能优化算法，大量的虚拟机在云数
据中心的物理主机上迁移、优化放置、负载均衡，以提高物理资源的使用效率 。
最后与近几年的常见虚拟机放置优化策略进行比较，在各个性能指标方面完成
了 GSO-VMP 的测试与性能分析，得到了理想的实验结果。
1 萤火虫群优化算法
由于萤火虫群算法的控制中心不在一个单独的点上，所以该算法具有很好
的扩展性。它模拟了萤火虫的行为，一个会产生更亮的光（高荧光素）的萤火
虫意味着它更接近一个实际的位置，具有更加接近目标函数的值，在 GSO-
VMP 中指的是云数据中心的总体能量消耗（目标函数）最低。
根据一定的概率机制，每个萤火虫都会选择一个比自己具有更高萤光素的
邻居，并且向它移动，该移动过程是基于局部径向范围的。萤火虫群算法中，
在开始的时候萤火虫在一个随机的位
剩余15页未读，继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 4452
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
VIP享7折，此内容立减5.97元 开通VIP
