CN106227600B - 一种基于能量感知的多维虚拟资源分配方法 - Google Patents
一种基于能量感知的多维虚拟资源分配方法 Download PDFInfo
- Publication number
- CN106227600B CN106227600B CN201610592975.7A CN201610592975A CN106227600B CN 106227600 B CN106227600 B CN 106227600B CN 201610592975 A CN201610592975 A CN 201610592975A CN 106227600 B CN106227600 B CN 106227600B
- Authority
- CN
- China
- Prior art keywords
- physical machine
- resource
- machine
- physical
- virtual machine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000013508 migration Methods 0.000 claims abstract description 28
- 230000005012 migration Effects 0.000 claims abstract description 27
- 238000005265 energy consumption Methods 0.000 claims abstract description 24
- 230000008447 perception Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010187 selection method Methods 0.000 claims description 2
- 238000013468 resource allocation Methods 0.000 abstract description 7
- 238000007726 management method Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241000136406 Comones Species 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009705 shock consolidation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/485—Task life-cycle, e.g. stopping, restarting, resuming execution
- G06F9/4856—Task life-cycle, e.g. stopping, restarting, resuming execution resumption being on a different machine, e.g. task migration, virtual machine migration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/504—Resource capping
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
- Power Sources (AREA)
Abstract
本发明公开了一种基于能量感知的多维虚拟资源分配方法,通过建立D维资源状态模型,引进了物理机距离指标;综合考虑物理机能耗以及各维资源使用状况进一步提出了能量资源状态指标(PAR);在能量感知的基础上充分地考虑了物理机各维资源的使用情况,改善了资源利用率;根据所提出的指标,从而对虚拟机迁移和虚拟机放置过程做了优化,减少了数据中心的资源浪费,提高了资源利用率,同时降低了能耗,更适应于云计算中的动态资源分配管理,并且提供了更好的服务质量。
Description
技术领域
本发明属于云计算虚拟资源分配领域,特别涉及一种基于能量感知的多维虚拟资源分配方法。
背景技术
随着云计算的快速发展,数据中心的规模不断增大,数据中心的能耗问题成了不可忽视的问题。目前,虚拟化技术已经成为资源分配方案中不可或缺的一部分。虚拟化技术通过对计算机硬件进行虚拟化,将软硬件资源抽象成为多个虚拟资源,实现多个用户共同使用一台硬件设备,并允许计算机***能够根据用户需求分配资源及工作负载的动态迁移,极大的提高了物理资源的利用率,在一定程度上节约了数据中心的成本。因此,研究云计算数据中心的资源管理,特别是对虚拟化资源的管理,对于有效降低数据中心能耗,构建绿色数据中心具有重大的现实意义。
在云数据中心,用户的应用请求各种各样,对各种资源类型的需求也大不相同(例如:CPU、内存大小、磁盘大小、带宽等)。而现有的节能分配方式没有考虑工作负载的这种异构性,缺少对单个物理机多维资源有效分配的研究,导致资源浪费现象,即一种资源已经用完,而其他资源还有大量剩余。这些问题直接影响云数据中心资源的高效和集约的利用,造成云资源大量的浪费和损失。一个有效的资源分配机制能够充分利用所拥有的资源服务更多的消费者,从而能减少购买、运行、维持设备的成本开销(计算、网络、存储以及基础设施的冷冻、多余的能量提供)。因此,如何通过合适的资源调度算法来平衡物理机之间的负载以提高云数据中心资源利用率和整体性能是目前云计算领域的一大关键问题。
发明内容
本发明提供了一种基于能量感知的多维虚拟资源分配方法,其目的在于解决现有技术中存在的能耗和性能之间的权衡问题以及在云数据中心,由于用户请求的多样性导致物理机资源不能被充分利用的问题。
本发明所采用的技术方案如下:
一种基于能量感知的多维虚拟资源分配方法,包括以下几个步骤:
步骤1:构建物理机的D维资源状态模型,并设定物理机资源过载阈值;
所述D维资源状态模型包括每个物理机各类资源的利用率,物理机资源状态饱和距离和空载距离;
步骤2:判断是否存在物理机过载,若存在则进入步骤3,否则,重复步骤2;
步骤3:将出现过载的物理机上的资源利用率最小的虚拟机放入虚拟机迁移列表中;
步骤4:依次从虚拟机迁移列表中获取待迁移虚拟机所需的资源大小,遍历所有物理机,从中挑选满足待迁移虚拟机所需资源的物理机,以挑选出的物理机综合衡量指标PAR最小的物理机作为当前待迁移虚拟机的目的物理机,完成虚拟机迁移,返回步骤2;
其中物理机综合衡量指标PAR按照以下公式计算获得:
其中,表示物理机PMj接受虚拟机VM迁移后的资源状态饱和距离,PMj_Power表示虚拟机放置在物理机上后,物理机所增加的能耗;a和b分别为资源状态饱和权值和能耗权值,均为正数,且a+b=1;
PMj_Power=Pfixed+(Pfull-Pfixed)*(ΔRUCPU)
其中,ΔRUCPU表示放置虚拟机后,CPU资源利用率的变化量;
第j个物理机资源状态饱和距离为
第j个物理机资源状态空载距离为
其中,表示物理机PMj上第d类资源的使用量,表示物理机PMj上第d类资源的总容量,表示物理机PMj上第d类资源的剩余容量,0<j≤M,0<d≤D,M表示物理机数量,D表示物理机上资源类的数量;
Vd表示虚拟机所需要的第d类资源容量;
Pfixed表示一台物理机维持正常工作所需要的能耗,Pfull表示一台物理机处于满负荷工作时所需的能耗,RUCPU表示CPU的利用率。
若完成虚拟机迁移后,寻找总体资源利用率最低的物理机,对该物理机上的所有虚拟机 按照步骤4所述目的物理机选取方法进行迁移,若迁移后,出现物理机出现过载情况,则取消本次虚拟机迁移,否则,将该物理机设置为睡眠模式;
第j个物理机的总体资源利用率为RUj:RUj(PMj_RU1,PMj_RU2,...,PMj_RUd);
物理机总体资源利用率最低按照物理机资源状态空载距离最小来计算获得。
所述步骤3中资源利用率最小的虚拟机是指该虚拟机在出现过载的物理机上的总体资源利用率最小,虚拟机在物理机上的总体资源利用率按照以下公式计算:
其中,表示出现过载的物理机上第d类资源的总容量。每个物理机都包含D种不同类型的资源,当任意一维资源用完了,就意味着该物理机处不能再放置新的虚拟机,必须开启一台新的物理机来运行虚拟机。在云数据中心中,物理机的能量消耗主要来源于CPU、存储器、磁盘存储器以及网络接口。而相比于其他的***资源,CPU消耗了大部分能量,并且处于空闲状态的物理机能耗是满载状态下物理机能耗的70%。
有益效果
本发明提供了一种基于能量感知的多维虚拟资源分配方法,通过建立D维资源状态模型,引进了物理机距离指标;综合考虑物理机能耗以及各维资源使用状况进一步提出了能量资源状态指标(PAR);在能量感知的基础上充分地考虑了物理机各维资源的使用情况,改善了资源利用率;根据所提出的指标,从而对虚拟机迁移和虚拟机放置过程做了优化,减少了数据中心的资源浪费,提高了资源利用率,同时降低了能耗,更适应于云计算中的动态资源分配管理,并且提供了更好的服务质量。
附图说明
图1是本发明的算法流程图;
图2是本发明的D维资源状态示意图(D=2);
图3是本发明的物理机距离指标示意图;
图4为应用本发明所述方法和其他算法得到数据中心物理机的总能耗对比示意图;
图5为应用本发明所述方法和其他算法得到的在***运行过程中SLA违背率对比示意图;
图6为应用本发明所述方法与其他算法进行虚拟机迁移时的迁移次数对比示意图。
具体实施方式
下面将结合附图和实施例对本发明做进一步的说明。
一种基于能量感知的多维虚拟资源分配方法,如图1所示,具体包括以下步骤:
步骤1:构建物理机的D维资源状态模型,并设定物理机资源过载阈值;
所述D维资源状态模型包括每个物理机各类资源的利用率,物理机资源状态饱和距离和空载距离;
在D维资源状态模型中,每个物理机的资源状态都对应于模型中的一个点,即:点RUj(PMj_RU1,PMj_RU2,...,PMj_RUd)表示物理机PMj的状态。下面以D=2(CPU,内存)来具体说明。如图2所示,每条坐标轴表示一维资源(竖轴为CPU,横轴为内存),坐标轴的读数表示物理机的该种资源利用率。
实心点表示目前物理机的资源使用状态,即:RUj。点S(1,1)是饱和点,表示所有的资源都用完了;点O(0,0)表示物理机处于空载状态。
物理机资源状态饱和距离:该指标表示在资源状态模型中,物理机PMj距饱和点的距离(如图3虚线所示)。其中表示该物理机d维资源的剩余容量。
物理机资源状态空载距离:该指标表示在资源状态模型中,物理机PMj距原点的距离(如图3实线所示)。
步骤2:判断是否存在物理机过载,若存在则进入步骤3,否则,重复步骤2;
步骤3:当发现物理机出现过载情况(CPU资源利用率超过阈值),虚拟机管理器调用虚拟机选择算法,把该台物理机上总体资源利用率最小的虚拟机放入虚拟机迁移列表,进入下一步;
步骤4:虚拟机迁移列表不为空时,虚拟机管理器调用虚拟机放置算法。
首先虚拟机管理器遍历整个物理机列表,判断物理机是否有足够的资源运行待迁移的虚拟机,如果可以,则计算物理机的PAR指标;如果不可以,则继续判断下一个物理机。搜索完所有物理机后,选择PAR最小的物理机,将虚拟机迁移列表中的虚拟机放置到该物理机上;
步骤5:虚拟机管理器搜索总体资源利用率最小的物理机,尝试将该物理机上的全部虚拟机分配给其他物理机,如果分配成功,则使该物理机处于睡眠模式;如果在分配过程中出现物理机过载情况,则取消这次分配,让该物理机继续运行;
步骤6:返回步骤2,虚拟机管理器继续监视物理机的负载情况。
实验环境:
本发明使用CloudSim3.0来实现和评价所提的资源分配策略。模拟构建一个数据中心包含800台异构的物理机,分别为HP ProLiant ML110G4servers和HP ProLiantML110G5servers,具体参数配置如表1所示。
表1:物理机类型
虚拟机的类型对应于Amazon EC2的实例类型,均为单核。分别为:high-CPUmedium instance(2500MIPS,0.85GB),extra large instance(2000MIPS,3.75GB),smallinstance(1000MIPS,1.7GB),and micro instance(500MIPS,613MB)。在文献[1]中,从PlanetLab的the CoMon project采集出了真实的数据集,在此次仿真实验中,随机选取了6个,如表2所示:
表2:数据集参数(CPU利用率)
数据集 | 虚拟机数量 | Mean(%) | St.dev.(%) | Quartile 1(%) | Median(%) | Quartile 3(%) |
1 | 1052 | 12.31 | 17.09 | 2 | 6 | 15 |
2 | 898 | 12.44 | 16.83 | 2 | 5 | 13 |
3 | 1061 | 10.70 | 15.57 | 2 | 4 | 13 |
4 | 1054 | 11.54 | 15.15 | 2 | 6 | 16 |
5 | 1078 | 10.56 | 14.14 | 2 | 6 | 14 |
6 | 1463 | 12.39 | 16.55 | 2 | 6 | 17 |
上面是实验使用的数据集,都是参考文献[1]中的设置;
实验评价指标有三个:能耗(KWh);SLA违背率(%);虚拟机迁移次数。
第一个指标是数据中心的总能耗。第二个是SLA(服务等级协议)违背率,该指标表示在***运行过程中,SLA违背的频率。在本次实验中,认为当***不能为VM分配所需要的MIPS即为SLA违背。第三个指标是虚拟机迁移次数。
对比的算法是文献[1]中提出的PABFD-MMT,PABFD是虚拟机放置算法,MMT是虚拟机迁移 算法,本发明所提出的算法为MRBEA。
实验时,设定的阈值为0.9。
下面是对应三个指标的实验结果图:
图4表示的是数据中心物理机的总能耗,从图中可以看到本发明提出的算法具有更少的能耗。这也说明了在进行资源分配时,仅仅考虑单个物理机的能耗情况,并不能使得整个数据中心的能耗最小。需要综合物理机各种资源的使用情况和能耗情况来选择最合适的分配方案。
图5表示的是在***运行过程中SLA违背率。本发明所提出的算法有效地降低了SLA违背率,这也为云提供商大大减少了因违背SLA而付出的代价,也给用户提供了更高的性能保证。
图6对比了算法的迁移次数。本发明提出的MRBEA用更少的迁移次数完成了云任务。迁移是需要代价,相应的成本也更高,迁移的次数越多,出现SLA违背情况也会增多。MRBEA算法在节能的基础上,综合考虑虚拟机和物理机的各维资源利用率,从而减少了一些不必要的迁移,提高了资源分配的效率。
参考文献:
[1]Beloglazov A,Buyya R.Optimal online deterministic algorithms andadaptive heuristics for energy and performance efficient dynamicconsolidation of virtual machines in Cloud data centers[J].Concurrency&Computation Practice&Experience,2012,24(13):1397–1420。
Claims (3)
1.一种基于能量感知的多维虚拟资源分配方法,其特征在于,包括以下几个步骤:
步骤1:构建物理机的D维资源状态模型,并设定物理机资源过载阈值;
所述D维资源状态模型包括每个物理机各类资源的利用率,物理机资源状态饱和距离和空载距离;
步骤2:判断是否存在物理机过载,若存在则进入步骤3,否则,重复步骤2;
步骤3:将出现过载的物理机上的资源利用率最小的虚拟机放入虚拟机迁移列表中;
步骤4:依次从虚拟机迁移列表中获取待迁移虚拟机所需的资源大小,遍历所有物理机,从中挑选满足待迁移虚拟机所需资源的物理机,以挑选出的物理机综合衡量指标PAR最小的物理机作为当前待迁移虚拟机的目的物理机,完成虚拟机迁移,返回步骤2;
其中物理机综合衡量指标PAR按照以下公式计算获得:
其中,表示物理机PMj接受虚拟机VM迁移后的资源状态饱和距离,
PMj_Power表示虚拟机放置在物理机上后,物理机所增加的能耗;a和b分别为资源状态饱和权值和能耗权值,均为正数,且a+b=1;
PMj_Power=Pfixed+(Pfull-Pfixed)*(ΔRUCPU)
其中,ΔRUCPU表示放置虚拟机后,CPU资源利用率的变化量;
第j个物理机资源状态饱和距离为
第j个物理机资源状态空载距离为
其中,表示物理机PMj上第d类资源的使用量,表示物理机PMj上第d类资源的总容量,表示物理机PMj上第d类资源的剩余容量,0<j≤M,0<d≤D,M表示物理机数量,D表示物理机上资源类的数量;
Vd表示虚拟机所需要的第d类资源容量;
Pfixed表示一台物理机维持正常工作所需要的能耗,Pfull表示一台物理机处于满负荷工作时所需的能耗,RUCPU表示CPU的利用率。
2.根据权利要求1所述的方法,其特征在于,若完成虚拟机迁移后,寻找总体资源利用率最低的物理机,对该物理机上的所有虚拟机按照步骤4所述目的物理机选取方法进行迁移,若迁移后,出现物理机出现过载情况,则取消本次虚拟机迁移,否则,将该物理机设置为睡眠模式;
第j个物理机的总体资源利用率为RUj:RUj(PMj_RU1,PMj_RU2,...,PMj_RUd);
物理机总体资源利用率最低按照物理机资源状态空载距离最小来计算获得。
3.根据权利要求1或2所述的方法,其特征在于,所述步骤3中资源利用率最小的虚拟机是指该虚拟机在出现过载的物理机上的总体资源利用率最小,虚拟机在物理机上的总体资源利用率按照以下公式计算:
其中,表示出现过载的物理机上第d类资源的总容量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610592975.7A CN106227600B (zh) | 2016-07-25 | 2016-07-25 | 一种基于能量感知的多维虚拟资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610592975.7A CN106227600B (zh) | 2016-07-25 | 2016-07-25 | 一种基于能量感知的多维虚拟资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106227600A CN106227600A (zh) | 2016-12-14 |
CN106227600B true CN106227600B (zh) | 2019-05-17 |
Family
ID=57534099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610592975.7A Active CN106227600B (zh) | 2016-07-25 | 2016-07-25 | 一种基于能量感知的多维虚拟资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106227600B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109144664B (zh) * | 2018-07-26 | 2021-09-14 | 西安电子科技大学 | 一种基于用户服务质量需求差异的虚拟机动态迁移方法 |
CN109656796B (zh) * | 2018-12-14 | 2022-05-10 | 武汉斗鱼鱼乐网络科技有限公司 | 一种任务挑选方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508714A (zh) * | 2011-11-03 | 2012-06-20 | 南京邮电大学 | 一种云计算中基于绿色计算的虚拟机调度方法 |
CN102546379A (zh) * | 2010-12-27 | 2012-07-04 | ***通信集团公司 | 一种虚拟化资源调度的方法及虚拟化资源调度*** |
CN103778020A (zh) * | 2014-02-08 | 2014-05-07 | 中国联合网络通信集团有限公司 | 一种虚拟机放置方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9489222B2 (en) * | 2011-08-24 | 2016-11-08 | Radware, Ltd. | Techniques for workload balancing among a plurality of physical machines |
-
2016
- 2016-07-25 CN CN201610592975.7A patent/CN106227600B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102546379A (zh) * | 2010-12-27 | 2012-07-04 | ***通信集团公司 | 一种虚拟化资源调度的方法及虚拟化资源调度*** |
CN102508714A (zh) * | 2011-11-03 | 2012-06-20 | 南京邮电大学 | 一种云计算中基于绿色计算的虚拟机调度方法 |
CN103778020A (zh) * | 2014-02-08 | 2014-05-07 | 中国联合网络通信集团有限公司 | 一种虚拟机放置方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于利用率和负载均衡的云资源调度算法研究;张海洲;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140315(第3期);第27-32页 |
Also Published As
Publication number | Publication date |
---|---|
CN106227600A (zh) | 2016-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mi et al. | Online self-reconfiguration with performance guarantee for energy-efficient large-scale cloud computing data centers | |
US9218213B2 (en) | Dynamic placement of heterogeneous workloads | |
CN102236582B (zh) | 虚拟化集群负载在多台物理机中均衡分配的方法 | |
CN108182105B (zh) | 基于Docker容器技术的局部动态迁移方法及控制*** | |
Al-Dulaimy et al. | Type-aware virtual machine management for energy efficient cloud data centers | |
Li | An adaptive overload threshold selection process using Markov decision processes of virtual machine in cloud data center | |
Cao et al. | Energy efficient allocation of virtual machines in cloud computing environments based on demand forecast | |
Guo et al. | A container scheduling strategy based on neighborhood division in micro service | |
CN105847385B (zh) | 一种基于运行时长的云计算平台虚拟机调度方法 | |
Gomathi et al. | Multi-objective optimization of energy aware virtual machine placement in cloud data center | |
Liumei et al. | Towards energy efficient cloud: an optimized ant colony model for virtual machine placement | |
CN109976879B (zh) | 一种基于资源使用曲线互补的云计算虚拟机放置方法 | |
Song et al. | Server consolidation energy-saving algorithm based on resource reservation and resource allocation strategy | |
CN106227600B (zh) | 一种基于能量感知的多维虚拟资源分配方法 | |
Ajayi et al. | Multi-Class load balancing scheme for QoS and energy conservation in cloud computing | |
Ma et al. | SE-PSO: resource scheduling strategy for multimedia cloud platform based on security enhanced virtual migration | |
CN110069319A (zh) | 一种面向朵云资源管理的多目标虚拟机调度方法及*** | |
Gao et al. | Energy-aware load balancing in heterogeneous cloud data centers | |
CN115269110A (zh) | 云计算平台的资源分配方法、装置、电子设备和存储介质 | |
CN109062669A (zh) | 一种随机负载下的虚拟机迁移方法及*** | |
Wei et al. | Towards multi-resource physical machine provisioning for IaaS clouds | |
Singhi et al. | A load balancing approach for increasing the resource utilization by minimizing the number of active servers | |
Karthikeyan et al. | Novel heuristics energy efficiency approach for cloud Data Center | |
Arockia et al. | Virtual machine consolidation framework for energy and performance efficient cloud data centers | |
CN114741160A (zh) | 一种基于平衡能耗与服务质量的动态虚拟机整合方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |