不确定下过度订阅云计算数据中心中弹性基础设施的多目标虚拟机放置的标量化方法
分布式、并行与集群计算
2018-02-13 v1
摘要
云计算数据中心在高度动态的环境中按需提供数千至数百万台虚拟机（VM），需要将请求的 VM 快速放置到可用的物理机（PM）中。由于客户请求的随机性，虚拟机放置（VMP）应被表述为在线优化问题。本工作的第一部分分析了所表述问题的求解方案，针对五种不同在线确定性启发式算法与带 VM 迁移的离线模因算法，在多种实验工作负载下进行了实验比较。仿真表明，首次适应递减算法（A4）平均优于其他被评估的启发式算法。本工作提出了一种两阶段模式来表述 VMP 问题，考虑在具有弹性和过度订阅能力的 IaaS 环境中优化三个目标函数。该两阶段模式表述说明 VM 的分配可分离为两个子问题：增量分配（iVMP）和放置重配置（VMPr）。为分析所表述问题的求解方案，作为 iVMP 和 VMPr 的一部分，针对三种不同目标函数标量化方法在多种实验工作负载下进行了实验比较。仿真表明，到原点的欧氏距离平均优于其他被评估的标量化方法。为了刻画 IaaS 环境的动态特性，开发了一个可定制的工作负载轨迹生成器，以模拟 VM 请求中资源弹性与过度订阅场景下的不确定性。实验结果证明，为改善功耗目标函数的值，欧氏距离优于其他标量化方法。
引用
@article{arxiv.1802.04245,
title = {Scalarization Methods for Many-Objective Virtual Machine Placement of Elastic Infrastructures in Overbooked Cloud Computing Data Centers Under Uncertainty},
author = {Augusto Amarilla},
journal= {arXiv preprint arXiv:1802.04245},
year = {2018}
}
备注
71 pages, Informatics Engineering Final Work