云计算环境中基于多目标优化的资源调度研究

摘要

云计算平台结合虚拟化技术让资源动态分配成为可能，通过重新分布各应用资源，利用已开启的物理节点资源，减少激活的物理节点等方式达到节能的目的。目前大多数学者提出的云计算环境下资源动态配置方案往往只考虑单个目标或者只考虑当前状态下资源分布的稳定性，而未考虑在未来时刻应用负载的动态变化激发新一轮的虚拟机迁移，造成不必要的资源浪费。
　　针对应用负载的动态变化特征，提出一种新的面向多虚拟机分布稳定性的基于多目标优化的动态资源配置方法，结合各应用负载的当前状态和未来的预测数据，综合考虑虚拟机重新放置的开销以及新虚拟机放置状态的稳定性，并设计了面向虚拟机分布稳定性的基于多目标优化的遗传算法(MOGANS)进行求解。仿真实验结果表明，相对于面向节能和多虚拟机重分布开销的遗传算法(GA-NN)，MOGANS得到的虚拟机分布方式的稳定时间更长;同时，MOGANS也较好权衡了多虚拟机分布的稳定性和新旧状态转换所需的虚拟机迁移开销之间的关系。
　　通过实验仿真表明当增大物理节点和虚拟资源的数量时，MOGANS计算时间呈几何式增长，针对MOGANS计算性能的不足，本文提出了基于MOEA/D的面向虚拟机分布稳定性的多目标优化动态资源配置方法(MOGA-D)，通过实验仿真表明，在同等的计算规模时，MOGA-D能更快的收敛，并且得到相似的多目标优化结果。

目录

声明

摘要

1．1 研究背景和意义

1．2 国内外研究现状

1．2．1 资源调度方案研究

1．2．2 多目标优化技术

1．2．3 多目标优化技术在资源调度中的应用

1．3 论文的主要工作

1．4 论文的组织结构

第2章 多目标优化遗传算法MOGANS

2．1 资源配置

2．2 编码和初始代的生成

2．3 主要操作算子

2．3．1 交叉

2．3．2 变异

2．3．3 选择

2．3．4 适应度函数

2．4 本章小结

第3章 基于MOEA／D算法的资源调度方案(MOGA-D)

3．1 MOEA／D算法

3．1．1 MOEA／D算法的分解策略

3．1．2 MOEA／D的算法流程

3．1．3 MOEA／D算法特点

3．2 MOGA-D资源调度方案的实现

3．2．1 MOGA-D资源调度方案的流程图

3．2．2 目标空间的分解和种群的分类

3．2．3 更新操作

3．2．4 MOGA-D资源调度方案步骤

3．3 本章小结

第4章 实验结果比较与分析

4．1 MOGANS实验结果分析

4．1．1 结果分析

4．1．2 计算性能分析

4．2 基于MOEA／D算法的资源调度方案实验结果分析

4．2．1 结果分析

4．2．2 计算性能分析

4．3 本章小结

5．1 本文总结

5．2 未来工作

致谢

参考文献

附录