基于鲸鱼优化的仿生VM迁移算法

··可在www.sciencedirect.com在线获取ScienceDirectICTExpress 9（2023）92www.elsevier.com/locate/icte一种基于鲸鱼优化的仿生VM迁移算法Shalu Singha， Dinesh Singhba印度法里达巴德Manav Rachna大学计算机科学与技术系bDeenbandhu Chhotu Ram科技大学计算机科学与工程系，印度Sonepat Murthal接收日期：2021年9月6日;接收日期：2022年1月18日;接受日期：2022年2月7日2022年2月14日在线提供摘要虚拟机（VM）迁移在云计算中已经变得相当普遍。高效的VM分配需要许多面向VM迁移的技术，但由于云模型中不正确的能源使用，这些技术仍在努力将WOA算法与NSGA-II算法相结合，提出了一种生物启发的RD-WOA该算法优化了任务分配给虚拟机的过程，减少了虚拟机迁移的次数，从而降低了迁移成本和能耗。在负载、迁移成本、能量利用和资源丰度方面，Bio-inspired R D-WOA的效率分别比现有WOA的性能提高67%、7%、1%和1.98%。在相似的负载水平下，与ChicWhale算法相比，它提供了24.80%的能量效率，31.77%的迁移成本降低，最大资源可用性为0.9917。版权所有© 2022作者。出版社：Elsevier B.V.代表韩国通信和信息科学研究所这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：非支配排序算法;能量;资源丰度; VM迁移;鲸鱼优化1. 介绍云计算作为允许组织使用诸如硬件、应用、软件等的计算能力的现代技术已经获得了显著地位，来完成互联网上的计算。它是一种计算理论，使云基础设施的使用在多个层次的沉思。为了以低成本增加可访问性和适应性，已经对云计算进行了大量考虑[1同时，由于作业规模的不均匀性和节点计算效率的不同，云中描绘的计算节点很少是轻负载的，而其他计算节点则是过载的，这导致负载能力不一致[4因此，在计算节点上分配负载以改善用户需求是至关重要的。许多消费者和公司被授权管理和开发数据中心。采用VM迁移来节省能量。术语“live∗ 通讯作者。电子邮件地址：shalu@mru.edu.in（S.Singh），dineshsingh.dcrustm.org（D.Singh）。同行审议由韩国通信研究所负责教育与信息科学（KICS）。https://doi.org/10.1016/j.icte.2022.02.003在不干扰最终用户服务的情况下，将整个虚拟机（VM）转移到目标主机，从而减少停机时间并节省能源。能源能力已经成为当前云计算模式的重要设计先决条件。它从单个服务器扩展到众多数据中心，再到云，这会消耗大量的电力。因此，云数据中心（CDC）特别需要高效的电源管理技术。虚拟机中的实时迁移减少了恶性干预、组件故障和基础结构缺陷以下是CDC关于VM迁移设计多目标VM迁移算法，优化任务分配，减少VM迁移次数，从而降低迁移成本。提出了RD-WOA算法，将WOA算法与NSGA（II）算法相结合，确定最佳VM进行VM迁移，有效地处理任务，从而调节物理主机间的负载，降低能耗。手稿的组织如下：第2节检查了最新的VM迁移方法，并反对2405-9595/© 2022作者。 由Elsevier B.V.代表韩国通信和信息科学研究所出版。这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。S. Singh和D.辛格ICT Express 9（2023）9293坚持学习的动力。在第3节中，说明了所提出的生物启发的RD-WOA。第4节描述了用于模拟的云设置，并描述了所提出的算法。第5节列出了所制定方法的结果和讨论。最后，第六节对本文的分析进行了总结。2. 背景以下是介绍和审查的一些VM迁移方法：作者[7]提出了节能模型来实现有效的节能VM迁移和合并方法。VM迁移是在这种模式下创建的，具有双重阈值和多个资源的使用。然后，提出了一种改进的粒子群优化算法（PSO）来解决典型启发式方法中的问题。在这种情况下，节能被认为是优越的，尽管它是以大量的服务停机时间为代价的。在这种情况下，能效被确定为得到改善，但它需要大量的服务停机时间。作者[8]创建了一个相邻的框架来管理和管理大量的VM。然后设计了基于Crow hunt的VM分配方法，以减少数据中心的电力使用和浪费。对于并发的、改进的顺序的和顺序的，该方法不能确定活动VM分配的迁移。作者[9]开发了一种减少两个cloudlet服务器的服务暂停的技术。该框架着重于通过VM移动来调节处理延迟和通信方面，以减少传输延迟。该框架没有调查无数的小云和边缘云计算动态性问题（ECC）。作者[9]设计了面向资源的VM迁移。在这个框架中的聚类检测任何快速变化的感觉。然后，根据作业到达率和资源消耗选择最佳的目标服务器。VM没有在目标主机上正确分配，这是该方法最显著的缺点。对于实时VM迁移，作者[10]构建了基于软件定义网络（SDN）的云数据中心。虽然停机时间、反应时间和驱逐时间在大量VM迁移中有所减少，但这里没有讨论针对大量实时迁移操作的适当停机时间管理。在传统的人工蜂群（ABC）算法中，食物源的产生是由随机评估中的无目的偏好的蜜蜂开始的激怒。在ABC算法中随机选择故障机器，这无助于实现最佳能量使用。为了提高能量效率，作者开发了基于ABC-Bat算法的VM迁移方法所提出的方法使用各种指标进行评估，包括能量使用[11]，成功率和精度。它已经超过了1鲸鱼优化算法（WOA）[12]的动机是座头鲸的偷猎行为WOA包括三种机制来模拟捕食，包括捕食和泡网入侵过程。 WOA是非常激烈的，优于传统的技术，多目标WOA目前正在发展中。通过集成鸡群优化算法和WOA来实现ChicWhale优化算法[13]，以选择最佳VM。在该方法中，采用省迁移操作器来重复地管理存储器和资源使用，并且基于VM的资源的先决条件来完成由服务提供商执行的分配的任务迁移。ChicWhale算法认可云中容纳的每个VM的负载突出性[13]，并通过应用特定阈值来执行检查，如果负载超过该阈值，则任务已重新指定到另一个VM。在此基础上，提出了一种新的适应度计算方法，该方法根据不同的参数对新的适应度函数进行了优化，并将作业/任务重新分配到合适的虚拟机上，最后进行适应度计算。3. 提出了一种基于生物启发的重新初始化分解鲸优化算法的虚拟机迁移本 研 究 旨 在 通 过 在 CDC 中 开 发 RD-WOA （ Re-initializationandDecomposition-WhaleOptimizationAlgorithm）来建立一种虚拟机迁移方法，以减少物理主机的能耗。所提出的算法是通过将WOA与非支配排序遗传 算 法 （ NSGA-II ） [14- 最 初 ， 配 置 云 框 架 ， 并 且 在cloudlet中优化任务并将其在更大程度上被降低，从而减少了迁移成本。其他性能指标，如能源利用，资源丰度，迁移成本和负载进行评估。NSGA（II）与WOA合并用于我们的工作，因为：(1) NSGA（II）采用拥挤距离法给出各种解，并采用精英保留技术保留当前种群的最佳解(2) WOA算法实现起来更简单，它包括最小化算法数量的操作符，并在移动尽可能任意的情况下有效地执行全局搜索，这有助于在MOOP中找到由S. Mirjalili等人的WOA是一种群体智能算法[12，20]，它模仿了虎鲸（座头鲸）的觅食方式。虎鲸选择捕食甲壳类动物和小鱼群。一只鲸鱼的翅膀在一个皱缩的圆圈里寻找猎物。当它们发现猎物时，它们会在猎物身上以圆形的方式摇晃气泡，并向顶部靠近。这种狩猎行为被称为泡网攻击。WOA实验验证了三个步骤，包括包围猎物，气泡网攻击和随机搜索猎物[12，20，21]。S. Singh和D.辛格ICT Express 9（2023）9294RU=Gmax（AG）+max（BG）+max（CG）为|−|3.1. 包围猎物由于最佳解决方案最初未被识别，其他鲸鱼将包围最佳代理以修改其位置。可以如下所示映射行为是否要强制一名特工进行任意搜查或探索搜索空间。WOA算法从一组任意解开始。在每次迭代中，侦察代理修改其位置参考任意选择的侦察代理或获得的最佳解决方案，所以远。•E=|J. Y（i）−Y（i）|（一）•Y（i+1）=Y（i）−H . 中文（简体）当|H|>1选择任意的侦察代理，而选择最佳解决方案时，|H|<1.4. 使用生物启发的云设置和虚拟机迁移其中Y是 是如此遥远找到的最优解的位置向量，Y是侦察代理的位置向量，i呈现当前迭代，λ是数值，·是条目-R D-whale优化算法云模型包含各种主机来满足云用户的请求主机服务于这些重新-wisemultiplication[12，20]，H并评价为：•H=2 f。q−f•J=2。q和J是乘子向量（三）（四）通过分配适当的VM来完成任务。用户请求的服务作为任务进入云系统，这些任务以循环方式动态处理。传入的任何VM的负载超过特定阈值，则VM其中，f∈在探索过程中直接从2下降到0，q∈是任意向量。3.2. 泡网攻击（开发阶段）提出了减小包围圈和螺旋线修正两种方法对气泡网攻击法进行数值模拟。在减小包封的情况下，通过降低等式中的f的值来执行该过程。（3）迭代次数。在螺旋更新机制中，使用螺旋方程来模拟鲸鱼的螺旋结构过渡，如下所示：Y（i+1）=E′。例如M。cos（2πm）+Yπm（i）（5）其中E′Y（i）Y（i）阐明了第i个侦察代理到如此远获得的最优解的距离鲸鱼的俯冲是在下降的球体内越过猎物，同时沿着螺旋结构的方向。WOA推断用于选择先前讨论的机制之一的系数ε。行为可以用公式表示如下：（六）：Y（i+1）=根据最短迁移时间策略进行迁移。4.1. 初始化云系统包括各种数量的PM和VM。云中的VM由多个标准表示，例如带宽、CPU利用率、内存利用率、MIPS、CPU数量、虚拟机管理程序类型等。4.2. 负载（L）由VM用于执行从用户接收的任务的资源用于确定VM的负载。所使用的网络带宽、存储器、MIPS和RAM是用于计算云系统中的负载的参数，并且在等式（1）中提到。（九）、载荷（L）=RU/t（ 9）其中RU是资源使用量，t是时间。资源使用由给定的等式表示。其中CPU利用率表示为AG，主机中使用的带宽表示为BG，CG表示为内存。{Y（i）−H. 你好Y<$（i）−Y<$（i）<$，ifpεE.例如M。cos（2πm）+Y（i），p≥（1−ε）（六）1∑ （AGBG CG）其中p是[0，1]中的任意整数3.3. 随机搜索猎物（探索阶段）在探索阶段，WOA更新群，如下式：（7）和（8）。4.3. 资源丰度（RA）它用于保证资源得到有效利用。它需要改进以实现一致的负载平衡。Ra表示为：•E 为|J. −Y−ra→nd−Y（i）|（七）Vi=1（十）S. Singh和D.辛格ICT Express 9（2023）9295RA=1−RU（11）•Y（i+1）=Y−H。E（八）4.4. 迁移费用（MC）这里Y是从现有武器中任意选择的侦察剂。利用乘法器H_∞的值，它是获得的迁移数与完成的总迁移数之迁移成本的表达式S. Singh和D.辛格ICT Express 9（2023）9296L（）下一页| || |=+=（）下一页∑1=c不不（）下一页、表1提出的生物启发的R D-WOA算法的伪代码输入：鲸鱼种群Wi（i = 1，2，.. . ，n）生物启发的R D-WOA优化算法的帕累托前沿如等式2所示获得（十五）：输出：最佳解决方案创建鲸鱼的种群Wi（i = 1，2，. . .，n）初始化ε勘探/开采系数⎧⎪⎪⎨尽量减少 f（ Z）服从0k（ Z）≤ 1<其中Z=[Z，Z，. . . .. T计算所有Scout Agent的初始适应度生成一组均匀分布的人口，目标。// 分解步骤Y*=种群Y的主要侦察代理f（Z）= [（RU），1 2一 、1MCK（1）]T（十五）while（i最高迭代次数对于所有侦察代理，修改f、H、C、m和p如果1（pε）如果2（H <第一章修正当前侦察员的位置。（1）（包围猎物）否则，如果2（H>=1）选择任意侦察代理（Yrand）修正当前侦察员的位置。（8）（寻找猎物）end if2 elseif1（p>=（1-ε））通过等式修正当前搜索的位置。（5）（螺旋更新位置）end if1end for检查是否有侦察智能体远离搜索区域并进行更新计算所有侦察智能体的适应度通过隔离/删除最差拟合代理来重新初始化种群使用每个搜索代理使用拥挤距离来检查是否有更好的解决方案如果找到更新Y*i i1endwhilereturn Y*由Eq给出。 （十二）、k（ Z）=[k1（Z），k2（Z）km（ Z）]T资源丰度表示为RU，L表示负载，MC表示迁移成本，Ec表示能量利用率。4.6.提出的生物启发的R D-WOA算法该算法从初始化鲸鱼种群Wi（i= 1，2，3）开始。. . .n）、维度、上限、下限、云的数量、VmAllocationPolicy=然后，将勘探/开采系数ε初始化为可调参数。如伪代码中所述修改系数ε以改进开发阶段。这样做是实现勘探与开发的平衡[22]。然后计算所有侦察代理的初始适应度，并使用基于分解的多目标进化算法（MOEA/D）生成每个目标的均匀分布种群[22，23]。该算法将MOOP问题分解为多个子问题，并并行地进行改进。为了减少微积分的复杂性，每个子问题都通过利用从其不同的ad-jacket子问题获得的数据和信息来解决。数据集中的云是随机的nMNj=1FhM（十二）分解成各种组，然后基于根据等式（1）的目标函数评估对任务/微云进行重新分组。（十五）、预优化的任务被发送到虚拟机，其中，N是主机总数，M是VM总数，F是VM迁移总数，h是常量。4.5. 能源消耗（EC）能耗严格取决于VM中可用的不同资源所消耗的功率。能量消耗的表达式由Eq. （十三）：EC=1∑U（13）t=1从而减少虚拟机迁移的数量，能耗在每次迭代时，对于所有侦察代理，更新f、H、C、m和p运算符的值同时，检查是否有侦察智能体远离搜索区域，并对其进行修正，然后计算所有侦察智能体的适应度，并通过隔离最差适应度的智能体重新初始化种群。提出的R D-WOA算法的流程图&如图所示。1.一、应用NSGA（II）算法进一步识别Pareto最优解.因为在多目标优化问题中，目标函数的评价是不同的，测量，这是分歧和挑战。 所有这些其中，U是消耗的功率，T表示总体持续时间。所消耗的功率由Eq.（十四）：U=s<$Umax+（1-s）<$Umax<$RU（14）其中，Umax表示使用的最大功率，RU表示资源使用情况。所提出的RD-WOA算法的伪代码在表1中描绘。EC⎩⎪S. Singh和D.辛格ICT Express 9（2023）9297竞争的目标函数使人相信最优解的数量而不是一个最佳解。就所有目标而言，没有任何解决方案比其他任何解决方案更好[22最后，拥挤距离（CD）有助于找到一个更好的解决方案，这是它的两个相邻的解决方案的平均距离。始终选择具有最高值和最低值的两个极端解决方案，因为它们给出了绝对CD值。S. Singh和D.辛格ICT Express 9（2023）9298图1.一、 提出了R&D-WOA算法的流程图。通过加入对应于每个目标函数的总离散CD值来计算结论性拥挤距离。拥挤距离有助于找到在不太拥挤的区域中的解决方案，如图2所示。与拥挤的区域相比，在不太拥挤的区域中找到的解决方案被认为是更好的解决方案。因此，算法被终止，返回具有最佳解的Y。每个目标函数都定义为到特定三维点的距离的平方。使用拥挤距离值，获得M C、Ec和载荷的帕累托前沿，并绘制在图中。 二、5. 结果和讨论本节评价了拟议的生物启发RD-WOA用于VM迁移所获得的结果。所提出的技术的效率被评估为与现有技术ABC-BA、WOA、ChicWhale相当，如在文献部分中通过改变迭代次数所解释的以供参考。5.1. 模拟参数模拟在CloudSim中在具有8 GB RAM的操作Windows 10的工作站上进行。在模拟环境中采用的性能参数包括10个PM和50个VM，任务从25-该算法图二、 帕累托前沿（能耗Vs迁移成本Vs负载）图三. 加载与迭代。在来自PlanetLab研究网络的工作负载跟踪上进行了测试。5.2. 业绩计量用于分析所提出的优化算法的效率的性能度量包括负载、Ec、MC和RA，并且这些度量的推导分别在等式（9）、（11）、（12）、（13）中阐明。5.3. 比较评价（云状物=25）所提出的优化算法的比较评估检查的负载值，MC，EC和RA在图1A和1B中描绘。分别为3图3描述了负载值的比较评估的建议的优化算法与到达云= 25通过改变迭代次数。现有算法ABC-BA、WOA、ChicWhale和所设计的仿生RD-WOA在第50轮模拟时的负载值分别为0.0098、0.0025、0.0015、0.00046。对于第80次运行的模拟，负载值所提出的算法是0.00038，这是相对较低的相比，现有的算法。相应地，对于第90轮仿真，现有算法ABC-BA、WOA、ChicWhale和设计的RD-WOA得到的负载值分别为0.0016、0.0003、0.0002、0.00027图4描绘了通过改变迭代次数对所提出的优化算法的迁移成本的比较评估，其中到达的S. Singh和D.辛格ICT Express 9（2023）9299图四、 迁移成本与迭代。图五、 能源消耗与迭代。现有算法ABC-BA、WOA、ChicWhale和设计的RD-WOA在第60次模拟时的迁移代价分别为0.1698、0.0605、0.0599、0.03563。对于第70轮的模拟，迁移成本所获得的所提出的算法是0.0279，这是相对较低的，与现有的算法相比。相应地，在第90轮模拟中，现有算法ABC-BA、WOA、ChicWhale和设计的RD-WOA计算的迁移代价分别为0.0777、0.0749、0.0578、0.02998。图图5描绘了通过改变迭代次数对所提出的优化算法的能量消耗的比较评估，其中到达的微云= 25。现有算法ABC-BA、WOA、ChicWhale和设计的RD-WOA在第60次运行时的能耗分别为0.4885、0.4946、0.4754、0.19114。在第70轮模拟中，现有算法计算出的能耗分别为ABC-BA、WOA、ChicWhale 0.4854、0.4958、0.4774，而本文算法的EC为0.18469，比现有算法的EC要低。相应地，对于第90轮模拟，现有算法ABC-BA，WOA，ChicWhale和设计的RD-WOA测量的能耗分别为0.4996，0.4979，0.4722，0.16551。图6描述了资源丰度的比较评估。所提出的优化算法的舞蹈与到达的云= 25通过改变迭代次数。现有算法ABC-BA、WOA、ChicWhale和设计的RD-WOA的资源丰度分别为0.9348、0.9560、0.9898、0.99882分别用于第60轮模拟。 在第70轮模拟中，现有算法计算的 资 源 丰 度 分 别 为 ABC-BA 、 WOA 、 ChicWhale e0.9569、0.9678、0.9819，而本文算法的资源丰度为图第六章 资源摘要与迭代。0.99885，相对高于现有技术。相应地，对于第90轮模拟，现有算法ABC-BA、WOA、ChicWhale和设计的RD-WOA测量的资源丰度分别为0.9426、0.9728、0.9819、0.99903。5.4. 比较评价（云状物=75）根据负载值M C、E C和R A，对所提出的算法与现有算法进行了比较评估。分别为7图图7示出了载荷值的比较评估的建议的优化算法与到达云= 75通过改变迭代次数。在第50轮仿真中，现有算法ABC-BA、WOA、ChicWhale和设计的RD-WOA的负载值分别为0.0231、0.0121、0.0091、0.004。第80轮模拟由所提出的算法获得的负载值为0.0033，与现有算法相比，该值相对较低。相应地，对于第90轮仿真，现有算法ABC-BA、WOA、ChicWhale和设计的RD-WOA得到的负荷值分别为0.0119、0.0066、0.0059、0.0041图8描绘了通过改变迭代次数对所提出的优化算法的迁移成本的比较评估，其中到达的微云= 75。现有算法ABC-BA、WOA、ChicWhale和设计的RD-WOA在第60次模 拟 时 的 迁 移 代 价 分 别 为 0.1455 、 0.1164 、 0.0843 、0.02933。对于第70次运行的模拟，迁移成本所获得的算法 是0.0292，与现有算法相比，该值相对较低。类似地，对于第80轮的模拟，通过现有的算法实现的迁移成本分别为0.1033，0.1159，0.0654，而所提出的算法的MC为0.03147。相应地，对于第90轮模拟，现有算法ABC-BA、WOA、ChicWhale和设计的RD-WOA计算的迁移代价分别为0.0998、0.0521、0.0681、0.02894图图9描绘了通过改变迭代次数对所提出的优化算法的能量消耗的比较评估，其中到达的微云= 75。现有算法ABC-BA，WOA，S. Singh和D.辛格ICT Express 9（2023）92100见图7。 加载与迭代。图八、 迁移成本与迭代。在第60次模拟中，ChicWhale和设计的RD-WOA分别为0.4906、0.4862、0.4826、0.17246。在第70轮模拟中，现有算法计算的能耗分别为ABC-BA、WOA、ChicWhale0.4915、0.4879、0.4839，而本文算法的EC为0.16785，比现有算法的能耗低。同样，对于第80轮，仿真结果表明，现有算法的E-C分别为0.4939，0.4912，0.4866，而新算法的E-C为0.16324。相 应 地 ， 在 第 90 轮 模 拟 中 ， 现 有 算 法 ABC-BA 、WOA、ChicWhale和设计的RD-WOA测得的能耗分别为0.4936、0.4907、0.4832、0.15863图图10描绘了通过改变迭代次数对所提出的优化算法的资源丰度的比较评估，其中到达的微云= 75。现有算法ABC-BA、WOA、ChicWhale和设计的RD-WOA在第50轮模 拟 时 的 资 源 丰 度 分 别 为 0.7588 、 0.7776 、 0.7927 、0.98526。现有算法ABC-BA、WOA、ChicWhale和设计的RD-WOA在第70次模拟时的资源丰度分别为0.7969、0.8552、0.882、0.99204。在第90轮模拟中，现有算法计算 的 资 源 丰 度 分 别 为 ABC-BA 、 WOA 、 ChicWhale0.7899、0.8723、0.8929，而本文算法的资源丰度比现有算法的资源丰度高0.99882。图第九章 能源消耗与迭代。图10. 资源摘要与迭代。5.5. 识别未使用的虚拟机该算法识别数据集中未使用的虚拟机，进一步降低了能耗。未利用的VM的识别由以下等式表示：（十六）、未使用的虚拟机的标识=（（1−已使用的虚拟机）100）（十六）所提出的算法进行了测试六个工作负载从PlanetLab研究 网 络 。 工 作 负 载 20110303 、 20110306 、 20110309 、20110322、20110325和20110411包含未使用的VM（%）12.59%、14.13%、19.06%，分别为17.14%、14.42%和13.68%。 11，在将任务分配给它们之前确定它们。它们的识别有助于降低能源消耗，因为它消耗不必要的电力。未利用的VM在它们被识别时从数据集中移除，因为如果它们在完成任务的重新分组时在数据集中持续，则它们可以升级能量使用。因此，我们提出的算法比现有的方法消耗更少的能量6. 结论在这项研究工作中，生物启发的RD-WOA（重新初始化和分解鲸鱼优化算法）提出的虚拟机迁移中的CDC，以减少物理主机消耗的能量消耗。该算法的设计通过集成WOA与NSGA-II算法，发现帕累托最优解，不妨碍对方在MOOP。所开发的算法在目标函数评估方面优化了任务到VM的分配，使得VM迁移的数量是S. Singh和D.辛格ICT Express 9（2023）92101||||||图十一岁（ %）未利用虚拟机与工作负载的识别。更大程度上降低了迁移成本和能耗。在负载、迁移代价、能量利用率和资源丰富度等方面，该算法比现有的WOA算法分别提高了67%、7%、1%和1.98%在相似的负载水平下，与ChicWhale算法相比，它提供了24.80%的能量效率，减少了31.77%的迁移成本，最大资源可用性为0.9917数据集描述数据来自PlanetLab研究网络。它是从PlanetLab虚拟机中收集的CPU使用痕迹的集合，在2011年3月和4月的10天内 获 得 。 https ： //github.com/beloglazov/planetlab-workload-traces.竞合利益作者声明，他们没有已知的可能影响本文所报告工作确认教资会研究补助金为这项研究提供资助，NF-2017-18/31827。引用[1] 云代理：当前实践和即将到来的挑战IEEE期刊&杂志IEEE xplore，2021，https：//ieeexplore。伊。org/document/7116453（于2021年4月17日查阅）。[2] 尼提亚南丹P. Dhanapal。一、云计算采用问题和挑战的回顾，最近的专利。 Comput. Sci. 11（2018）1-6.[3] F. Durao，J. Fernando，A. Fonseka，V. Cardoso，云计算系统综述，J。超级计算机68（3）（2014）1321//dx.doi.org/10.1007/s11227-014-1089-x网站。[4] A. Khiyaita，H.E.L. Bakkali，M. Zbakh，D.E. Kettani，负载平衡云计算：最先进的技术，在：网络安全和系统的日子（JNS2），2012年国家，2012年，pp。106http://dx.doi.org/[5] A.S. Milani，N.J. Navimipour，云环境中的负载平衡机制和技术：系统 文献综述 和未来 趋势，J. Netw 。Comput. 71（ 2016） 86http://dx.doi。org/10.1016/j.jnca.2016.06.003。[6] 分布式系统中的任务分配和负载平衡调查IEEE期刊&杂志IEEExplore，2021，https：//ieeexplore。ieee.org/document/7051215（于二零二一年四月十七日查阅）。[7] H. Li ，G. Zhu，C. Cui，H.唐，Y。窦角，澳-地He，Energy-efficient migration and consolidation algorithm of virtual machines indata centers for cloud computing ， Computing 98 （ 3 ） （ 2016 ）303http://dx.doi.org/10.1007/s00607-015-0467-4[8] A. Satpathy，S.K. Addya，A.K.图鲁克湾Majhi，G. Sahoo，Crowsearch based virtual machine placement strategy in cloud data centerswith live migration，Comput.电子工程69（2018）334//dx.doi.org/10.1016/j.compeleceng.2017.12.032网站。[9] GJ L Paulraj，S.A.J. Francis，J.D. Peter，I.J. Jebadurai，物联网云中的资源感知虚拟机迁移，未来一代。Comput.系统85（2018）173http://dx.doi.org/10.1016/j.future.2018.03。024号[10] T.Z.公司他，A.N.图西河Buyya，启用SDN的云数据中心中实时虚拟机迁移的性能评估，J. Parallel Distrib. Comput. 131（2019）55http://dx.doi.org/10.1016/j.jpdc。2019.04.014。[11] K. Karthikeyan等人，基于混合群优化（ABC-BA）的云环境下虚拟机迁移能耗分析），J.超级计算机（2018）1http://dx.doi.org/10.1007/s11227-018-2583-3[12] S. Mirjalili，A.刘伟，鲸鱼优化算法，高等工程软件。95（2016）51 http://dx.doi.org/10.1016/j.advengsoft.2016。一点零八分[13] S.比亚塔拉亚纳普拉文卡塔斯瓦米岛曼达尔，S. Keshavarao，云计算平台中VM迁移的Chicwhale优化算法，Evol。内特尔（2020）1http://dx.doi.org/10. 1007/s12065-020-00386-9。[14] H.芳角，澳-地王永庆Tu，M.F.霍斯特迈耶，一种有效的非支配排序 方 法 的 进 化 算 法 ， 进 化 。 Comput. 16 （ 3 ） （ 2008 ）355http://dx.doi.org/10.1162/evco.2008.16.3.355[15] G. Verma ， A. Kumar ， K.K. Mishra ， A novel non-dominatedsortingalgorithm，2011.[16] A. Ghosh，基于非支配秩的排序遗传算法，第22页。[17] A.M. AbdelAziz ， T.H.A. Soliman ， K.K.A. Ghany ， A.A.E.- M.Sewisy，A Pareto-based hybrid whale optimization algorithm with tabusearch for multi-objective optimization ， Algorithms 12 （ 12 ）（2019）261，http：//dx.doi.org/10.3390/a12120261网站。[18] Q. Xin，柴油发动机系统设计中的优化技术，载于：柴油发动机系统设计，Elsevier，2013年，pp.203//dx.doi.org/10.1533/9780857090836.1.203网站。[19] K.- H. Chang，Multiobjective optimization and advanced topics，in：E-Design，Elsevier，2015，pp. 1105-http://dx.doi.org/10.1016/[20] H.M. Mohammed，S.U. Umar，T.A.李文生，“优化算法的研究与Meta”，北京：计算机科学出版社.内特尔Neurosci.（2019）1-25。[21] J.A. Goldbogen，A.S.Friedlaender，J.Calambokidis，M.F.麦肯纳M. Simon，D. P. Nowacek，须鲸潜水行为研究的综合方法，喂养性 能 和 觅 食 生 态 学 ， 生 物 科 学 63 （ 2 ） （ 2013 ） 90http://dx.doi.org/10.1525/bio.2013。63.2.5.[22] 一个基于多目标优化的框架，以平衡昂贵优化中的全局探索和局部开发，2021年，SpringerLink。https://link.springer.com/article/10.1007/s10898-014-0210-2（2021年3月12日访问）。[23] MOEA/D：基于分解IEEE期刊杂志IEEE xplore的多目标进化算法，2021年，https：//ieeexplore.ieee.org/document/4358754（于二零二一年三月十二日[24] H. Zhao，C.张湾，澳-地Zhang，P. Duan，Y.杨，基于分解的子问题 最 优 解 更 新 方 向 引 导 进 化 多 目 标 算 法 ， Inform 。 Sci. 448（2018）http://dx.doi.org/10.1016/j.ins.2018.03.015.