Mr-moslo：基于多元回归多目标七斑瓢虫优化的虚拟机整合主机过载检测
分布式、并行与集群计算
2020-03-03 v2
摘要
虚拟机（VM）整合是提升云计算服务资源利用率的关键过程。由于云数据中心消耗高电量，运营成本与二氧化碳排放随之增加。资源的低效使用是这些问题的主要原因，而 VM 整合是一种可行的解决方案。VM 整合包括主机过载/欠载检测、VM 选择与 VM 放置过程。现有多数 VM 整合的主机过载/欠载检测方法仅使用 CPU 利用率来确定主机负载。本文使用 CPU 利用率、内存利用率和带宽利用率三种资源进行主机过载检测，并提出一种称为多元回归多目标七斑瓢虫优化（MR-MOSLO）的自适应回归模型。该模型基于结合自适应阈值法与基于回归的主机过载检测算法之优势。这种特征结合的方法在动态环境中为阈值设定提供了更多优势，并能准确预测主机过载。为此，首先使用依赖于 CPU 利用率、内存利用率和带宽利用率来估计主机负载状况的多元回归（MR）算法。随后引入多目标七斑瓢虫优化（MOSLO）算法以选取主机利用率的上下阈值限。基于这些算法，以高精度和低功耗检测主机过载/欠载。仿真在 CloudSim 工具中进行，实证结果表明所提 MR-MOSLO 算法能高效检测主机过载，其能耗与 SLA 值与现有方法相近，而 SLATAH、PDM、SLAV 和 ESV 值相对更低。
引用
@article{arxiv.1909.06129,
title = {Mr-moslo: vm consolidation using multiple regression multi-objective seven-spot ladybird optimization for host overload detection},
author = {Akram Saeed Aqlan Alhammadi and Dr. V. Vasanthi},
journal= {arXiv preprint arXiv:1909.06129},
year = {2020}
}