基于GM(1,1)预测和虚拟机迁移的云计算负载均衡策略设计

针对云计算中心虚拟机集群负载的不均衡问题,设计了一种基于GM(1,1)预测和虚拟机迁移的负载均衡策略;首先,描述了云计算中心的负载均衡原理,介绍了经典ELB算法并总结了其缺点,然后,设计了基于GM(1,1)的虚拟机负载预测算法,能根据虚拟机的历史负载信息来预测下一时刻的负载信息,能有效克服ELB算法中仅依赖当前时刻负载而进行虚拟机的删除和增加,同时通过设定不同的阈值来实现虚拟机的增加、删除和迁移,最后,定义了基于预测机制和虚拟机迁移的负载均衡算法,能在创建虚拟机时根据用户的请求定制AMIs模板,从而提交用户请求的响应速度;在CloudSim环境下进行实验,实验结果表明文中方法能有效地实现云计算中心虚拟机集群的负载均衡,与其它方法相比,具有负载均衡高和负载均衡效率高的优点,是一种有效的云计算环境的负载均衡策略。     

基于多维评价模型及改进蚁群优化算法的云计算资源调度策略

针对云计算环境下资源调度模型未充分考虑资源评价的问题,为更好适应不同节点计算性能和大规模数据环境的处理需求,提出了一种基于多维评价模型的虚拟机资源调度策略。首先,在云计算环境下建立包括网络性能在内的多维资源评价模型,在此基础上提出一种改进的蚁群优化算法实现资源调度策略;然后在云计算仿真平台CloudSim上进行实现。实验结果表明,该算法可以更好适应不同网络性能的计算环境,显著提高了资源调度的性能,同时降低了虚拟机负载均衡离差,满足了云计算环境下的虚拟机资源负载均衡需求。     

云计算环境下基于并行计算熵的负载均衡算法

针对云计算环境下大量并行任务运行所导致的某些节点负载过重,从而引起整个系统负载不均和效率低下的问题,提出了一种基于并行计算熵的资源负载均衡算法;首先,描述了云计算虚拟机部署原理并给出了适合云计算环境和异构集群的并行计算熵的计算方式,然后,定义了在系统并行计算熵低于阈值时迁移的源物理节点、迁移虚拟机和迁移目标物理节点的确定方式;最后,定义了基于并行计算熵的负载均衡算法;采用CloudSim云计算仿真工具对文中方法进行仿真实验,结果表明文中方法较其它方法的平均负载均衡度约低21.8%,具有较低的任务平均响应时间、合理的资源利用率和较小的负载均衡度,具有较大的优越性。     

基于AHP权重和灰色服务器负载预测的云计算On-line迁移策略

为了克服云计算环境下由于实时用户任务的不确定性到来和服务器性能差异而导致的云计算环境的负载不均衡问题,提出了一种AHP权重获取和灰度算法预测服务器负载的云计算on-line虚拟机迁移策略。首先,设计了基于AHP和灰色服务器预测的虚拟机on-line迁移模型,提出了采用AHP获取虚拟机各资源需求权重,然后,采用灰色模型预测下一时刻的服务器负载,采用此权值向量与各无需迁移的服务器的空闲资源向量进行加权得到加权和,将具有最小加权和的物理服务器作为迁移的目标宿主机。最后,定义了基于AHP权重和灰色服务器负载预测的云计算on-line迁移算法。在CloudSim环境下进行实验,结果表明文中的迁移策略使得云计算在响应用户任务时,具有任务失败次数少、SLA违约率低和迁移成功率高的优点,同时与其它方法相比,具有负载均衡程度高的优点,具有较强的可行性。     

一种用于云计算资源调度的双向蚁群优化算法

对云计算环境中的资源调度问题进行了研究,针对蚁群优化算法(ACO)在处理大规模组合优化问题时易陷入搜索速度慢和局部最优解的缺陷,提出了一种实现云计算负载均衡的双向蚁群优化算法(BACO)用于资源调度;该算法考虑到了每个虚拟机的负载和计算能力,同时在云环境中引入了蚂蚁的向前移动和向后移动;最后通过在CloudSim平台进行仿真实验,结果表明该算法的总任务完成时间较短,具有较好的寻优能力,并且能够实现负载均衡,是一种有效的资源调度算法。     

一种用于云计算资源调度的改进遗传算法

针对轮询调度算法、遗传算法和模拟退火算法在云计算资源调度中存在收敛速度慢、易早熟和资源负载不均衡等问题,提出了一种基于模拟退火思想的改进遗传算法(Simulated Annealing Improved Genetic Algorithm: SAIGA)。改进算法设计了基于任务平均完成时间和负载均衡的双适应度函数和自适应的交叉变异概率函数,允许算法在退火过程中以一定概率接受劣质解从而避免早熟现象的发生,将虚拟资源上任务分配数的标准差作为选择个体的依据来实现节点的负载均衡。仿真结果表明,改进算法与上述算法相比,在任务平均完成时间、资源利用率以及收敛速度上表现得更优越,能够较快地找到资源最优调度方案,具有较好的可行性和实用性。     

云计算环境下资源调度系统设计与实现

在云计算环境下,对开放的网络大数据库信息系统中的数据进行优化调度,提高数据资源的利用效率和配置优化能力。传统的资源调度算法采用资源信息的自相关匹配方法进行资源调度,当数据传输信道中的干扰较大及资源信息流的先验数据缺乏时,资源调度的均衡性不好,准确配准度不高。提出一种基于云计算资源负载均衡控制和信道自适应均衡的资源调度算法,并进行调度系统的软件开发和设计。首先构建了云计算环境下开放网络大数据库信息资源流的时间序列分析模型,采用自适应级联滤波算法对拟合的资源信息流进行滤波降噪预处理,提取滤波输出的资源信息流的关联维特征,通过资源负载均衡控制和信道自适应均衡算法实现资源调度改进。仿真结果表明,采用资源调度算法进行资源调度系统的软件设计,提高了资源调度的信息配准能力和抗干扰能力,计算开销较小,技术指标具有优越性。     

改进粒子群算法在云计算负载均衡中的应用研究

云计算系统采用虚拟化技术可以更加灵活和高效地分配运算资源,便于管理员根据用户任务需求按需分配云计算资源。但虚拟化后的云计算中心存在种类多样、数量庞大的虚拟机资源,难以将虚拟机合理地放置到物理主机集群上并达到较好的负载均衡。为此,给出了云计算中心虚拟机放置到物理主机的负载均衡模型,采用改进后的粒子群算法（PSO）来求解最优解。最后通过和常用虚拟机放置算法的仿真对比实验,验证了所提云计算负载均衡优化算法的有效性。     

基于Wi-Fi与Web的云计算资源调度算法研究

为了缩短云计算执行时间,改善云计算性能,在一定程度上加强云计算资源节点完成任务成功率,需要对云计算资源进行调度。当前的云计算资源调度算法在进行调度时,通过选择合适的调度参数并利用CloudSim仿真工具,完成对云计算资源的调度。该算法在运行时有效地进行平衡负载,导致云计算资源调度的均衡性能较差,存在云计算资源调度结果误差大的问题。为此,提出一种基于Wi-Fi与Web的云计算资源调度算法。该算法首先利用自适应级联滤波算法对云计算资源数据流进行滤波降噪,然后以降噪结果为基础,采用本体论对云计算资源进行预处理操作,最后通过人工蜂群算法完成对云计算资源的调度。实验结果证明,所提算法可以良好地应用于云计算资源调度中,有效提高了云计算资源利用率,具有实用性以及可实践性,为该领域的后续研究发展提供了可靠支撑。     

面向SLA的云计算负载均衡策略

云计算负载均衡是保障SLA协议的关键问题之一。针对云计算负载均衡问题,提出一种面向SLA的负载均衡策略。该策略引入人工神经网络思想,建立负载均衡模型,采用单层感知器算法(SLPA)将虚拟机负载状态进行分类,然后利用结合了动态加权轮询算法的BP神经网络算法(BPNNA-DWRRA)有针对性地对虚拟机负载权重进行预测更新,最后将任务调度到最小权重所对应的可行虚拟机上。应用CloudSim进行仿真实验,结果表明了该策略的可行性,同时,相比加权最小链接算法和粒子群算法,该策略的平均响应时间分别节省了43.6%和22.5%,SLA违反率分别降低了20.7%和14.4%。因此,所提策略在响应用户任务时,请求响应时间短,SLA违反率低,保障了SLA。     

基于改进的布谷鸟算法在云计算资源的研究

如何进行更好地资源调度一直都是云计算研究的热点,本文在云计算资源算法中引入布谷鸟算法,针对布谷鸟算法中出现的收敛速度快,容易局部震荡等现象,本文首先引入高斯变异算子来处理每一个阶段中的鸟窝最佳位置的选择,然后通过自适应动态因子来调整不同阶段中的鸟窝位置的选择,使得改进后的算法收敛精度提高,通过适应度函数的平衡以及遗传算法中的三种操作,使得本文算法能够有效的提高云计算环境下的资源分配效率,降低了网络消耗。在Cloudsim平台仿真实验中,通过三个方面的比较,本文算法在性能上、资源调度效率和任务调度方面都有很大改进,有效提高了云计算系统的资源调度能力。     

基于膜计算和蚁群算法的融合算法在云计算资源调度中的研究

针对云计算下的资源调度的问题,提出将蚁群算法的个体与云计算中的可行性资源调度进行对应,首先对云计算资源调度进行描述,其次针对蚁群算法的路径选择引入了平衡因子,对信息素进行了局部研究和全局研究,将蚁群个体引入到膜计算中,通过膜内运算和膜间运算,提高了算法的局部和全局收敛的能力,最后在云计算资源分配中,引入匹配表概念,将云计算任务和资源进行匹配,融合后的算法提高了算法的整体性能.仿真实验说明在网络消耗,成本消耗,能量消耗上有了明显的降低,提高了资源分配效率。     

基于代价优化的云工作流调度改进PSO算法

云计算可以通过即付即用的方式向用户工作流提供资源。为了解决资源服务代价异构环境下的云工作流任务调度代价问题,提出一种基于改进粒子群算法的云工作流任务调度算法WSA-IPSO。通过综合考虑任务的执行代价和依赖任务间发生数据传输时的通信代价,算法将总代价优化问题形式化为有向无环图DAG中的任务调度模型,并提出基于改进粒子群算法的优化模型对其进行求解。通过改进传统粒子群算法的粒子速度更新策略和惯性权重更新策略,算法可以以更快的收敛速度得到代价最小化的调度方案。通过仿真实验,与MCT算法及标准粒子群算法进行性能比较。实验结果表明,WSA-IPSO算法在降低总代价、任务分布的负载均衡以及算法收敛性方面比较同类算法均表现出更好的性能。     

文化框架下多群智能优化算法的云作业调度

作业调度是一种云计算核心技术,为了获得更优的云计算作业调度方案,提出一种文化框架下多群智能优化算法的云作业调度方法。首先构建云作业调度问题的数学模型,然后借助文化算法模型,粒子群算法组成信仰空间,人工鱼群算法组成群体空间,两者之间并行演化,相互促进,对云计算作业调度数学模型进行求解,最后通过仿真实验测试算法的性能。结果表明,本文加快了算法的收敛速度,获得了更优的云计算作业调度方案,大幅度缩短少云计算作业完成时间,具有一定的实用价值。     

Autonomous DRL-based energy efficient VM consolidation for cloud data centers

The exponential data growth and demands for high computing resources lead to excessive resource use in cloud data centers, which cause an increase in energy consumption and high carbon emissions in the environment. So, the high energy consumption, inefficient resource usage, and quality of service assurance (QoS) are major challenges for cloud data centers. The dynamic consolidation of Virtual Machines (VMs) is proven to be an efficient way to tackle these issues while reducing energy consumption and improving resource utilization in data centers. It reduces the number of active hosts for energy efficiency by switching under-utilized and idle hosts into lower power mode. So, several heuristics and Artificial Intelligence (AI) based VM consolidation approaches have been published in papers. Most existing approaches rely on the aggressive consolidation of VMs for energy efficiency, thus causing performance degradation and high SLA violation. However, an automated solution is needed to reduce energy consumption and SLA violation by ensuring efficient resource usage in the cloud data center environment. Therefore, this article proposes an energy-efficient autonomous VM consolidation (AVMC) mechanism that has Deep Reinforcement Learning (DRL) based agent for performing VM consolidation decisions. The DRL agent learns the optimal distribution of VMs in the data center, considering energy efficiency and QoS assurance. The real-time workload traces from PlanetLab have been used to validate the proposed mechanism. Experimental results reveal the superiority of the proposed AVMC system over the existing models. AVMC reduced the energy consumption and SLA violation rate significantly.     

A new fog computing resource management (FRM) model based on hybrid load balancing and scheduling for critical healthcare applications

Critical healthcare application tasks require a real-time response because it affects patients’ life. Fog computing is the best solution to get a fast response and less energy consumption in healthcare. However, current solutions face difficulties in scheduling the tasks to the correct computing devices based on their priorities and capacity to meet the tasks’ deadlines and resource limitations with minimal latency. Furthermore, challenges of load balancing and prioritization are raised when dealing with inadequate computing resources and telecommunication networks while obtaining the best scheduling of emergency healthcare tasks. In this study, a fog computing resource management (FRM) model is proposed, which the proposed model has three main solutions. Firstly, resource availability is calculated according to the average execution time of each task. Secondly, load balancing is enhanced by proposing a hybrid approach that combines the multi-agent load balancing algorithm and the throttled load balancing algorithm. Thirdly, task scheduling is done based on priority, resource availability, and load balancing. The results have been acquired using the iFogSim toolkit. Two datasets are used in this study, the blood pressure dataset was acquired from the UTeM clinic, and the ECG dataset was acquired from the University of California at Irvine. Both datasets are integrated to enlarge the attributes and get accurate results. The results demonstrate the effectiveness of managing resources and optimizing task scheduling and balancing in a fog computing environment. In comparison with other research studies, the FRM model outperforms delay by 55%, response time by 72%, cost by 72%, and energy consumption by 70%.     

Data center application oriented control architecture in multi-domain optical networks

With the rapid development of cloud computing, data center application based on considerable storage and computing has become one of the most important service types. Currently the high performance computing facilities and large-capacity storage devices are highly distributed in different locations. Then how to make full use of the current data center mainly depends on the effective joint scheduling of application layer and network layer resources. According to the rigid requirement of data center application, a novel convergence control architecture, i.e. Service-Oriented Group Engine (SOGE) framework is proposed in multi-domain optical networks based on DREAM architecture, and also the corresponding resource demand model (RDM) is built. A resource joint scheduling algorithm (RJSA) for application layer and network layer resource is proposed and implemented based on SOGE framework. Moreover, the SOGE framework and resource joint scheduling algorithm are validated and demonstrated on the test-bed based on DREAM architecture.