基于异步优势Actor-Critic算法的虚拟机整合优化方法研究

沙特国王大学学报VMP-A3 C：基于异步优势Actor-Critic算法魏鹏程a，曾玉山b，贝燕c，周家辉d，伊拉赫·尼古果夫塔ea重庆教育学院人工智能学院，重庆400065b重庆邮电大学自动化学院，重庆400065c重庆邮电大学数学与大数据学院，重庆400065d重庆邮电大学自动化学院，重庆400065e伊朗库姆Taali高等教育学院计算机和电子系阿提奇莱因福奥文章历史记录：接收日期：2023年2023年3月14日修订2023年4月1日接受2023年4月20日在线提供保留字：云计算VMPlacement DRLA3c虚拟机整合A B S T R A C T以虚拟机（VM）为代表的虚拟化技术被认为是云计算中的关键基础设施。这项技术正在迅速发展，云数据中心面临着诸如虚拟机放置（VMP）以提高能效等挑战。VMP是指将虚拟机高效分配给主机（HM），以实现各种目标，如降低能耗、负载平衡和避免违反服务水平协议（SLAV）。在本文中，VMP使用基于深度强化学习（DRL）的策略来确定VM和HM之间的最佳映射。本文提出了一种基于异步优势行动者-批评者（A3 C）算法的动态学习算法VMP-A3 C。VMP-A3 C的目标是在没有SLAV的HM中实现负载平衡，尽可能减少能耗。VMP-A3 C学习使用迁移技术将VM动态整合到最少数量的HM。我们认为，在通过VM迁移关闭小工作负载HM方面还有改进的余地。从部署率、能耗、SLAV、关机HM数和迁移VM数等方面对算法的有效性进行了评估。VMP-A3 C和现有最佳方法之间在能耗和所需HM数量方面的主要差异分别为2.54%和7.14%。版权所有2023作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY许可下的文章（http://creativecommons.org/licenses/by/4.0/）。1. 介绍今天，云计算被认为是信息技术中最具挑战性的研究课题之一（Jazayeri et al. 2021; Cheng等人2023）。云数据中心（CDC）作为云计算的主要组成部分，能够以丰富的资源满足不同用户的需求。随着云服务需求的不断增长，能源消耗已成为开发人员面临的挑战之一。与此同时，大多数云开发人员都专注于*通讯作者。电子邮件地址：weipc@cque.edu.cn（P。Wei），zys15983150882@163.com（Y.Zeng），13985139@qq.com（B. Yan），2690778090@qq.com（J. Zhou），e.gmail.com（E. Nikougoftar）。沙特国王大学负责同行审查而忽略了这些中心的能耗。CDC使用的能源在2010年至2018年期间增加了约6%（Rezaeipanah等人，2022）。此外，2022年CDC的总能耗约为95.3万亿瓦/小时（tWh），2025年已达到104.3万亿瓦/小时（Ghobaei-Arani和Shahidinejad 2022）。虽然雾计算导致云上的数据流量减少，但其能耗在2022年至2025年期间略有下降（Cao等人，2022年;Nasiri等人，2022年）。预测表明，到2030年，CDC消耗的能源将超过658 tWh（Rezaeipanah等人，2022年）。尽管目前CDC的能源消耗份额约为世界能源消耗总量的1%，但预计到2030年将达到1.86%（Zhang等人，2021）。CDC能源消耗增加的最重要原因之一是不间断电源（UPS）和冷却基础设施数量的增加（Shahidinejad et al. 2021年）。CDC中的高能耗导致操作成本增加和硬件资源寿命缩短此外，这一问题还导致温室气体排放量增加，https://doi.org/10.1016/j.jksuci.2023.04.0021319-1578/©2023作者。由Elsevier B.V.代表沙特国王大学出版。这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comP. Wei，Y.曾湾，澳-地Yan等沙特国王大学学报2降低云服务提供的可靠性。因此，研究人员强烈考虑开发一种有效的机制来降低CDC中的能量消耗（SabbirHasan和Huh 2013; Chang等人2022）。通常，CDC由一个或多个主机（HM）组成，其中每个HM使用一个或多个虚拟机（VM）来配置。目前，人们提出了各种策略来解决这一问题，其中虚拟化技术非常流行。该技术提供了在一个HM上部署多个VM的能力（John and Bindu2020; Li et al. 2022）。因此，CDC中的虚拟化技术可以减少活动HM的数量，从而提高资源效率（Tang等人，2022）。同时，虚拟化可以以较低的成本提供不同的计算需求和资源。虚拟化技术为CDC提供的最重要的特征之一是在HM之间移动VM的能力，这被称为实时迁移技术（Liu et al. 2022年a）。这种技术可以将正在运行的VM从一个HM传输到另一个HM，因此运行的VM不会中断（Khoshkholghi等人，2017年; Li等人，2021年）。虽然HM可以托管多个VM，但是这取决于HM的可用资源（例如，CPU、存储器和RAM）。不失一般性，每个VM消耗HM资源的一部分来运行，这导致托管数量有限的VM。迁移技术解决了CDC中资源效率低的问题（Hummaida et al. 2022年）。利用迁移技术，分配给具有低生产率的一个HM的VM被转移到另一HM。因此，空闲HM可以被切换到关闭/不活动模式。随着活动HM的数量的减少，CDC中的能量消耗减少。这种策略被称为在最小数量的HM中动态合并VM（Wang等人，2022 a;Tan等人，2022）。这里出现的主要问题是VM应该迁移到哪些HM？这个问题被称为虚拟机放置（VMP）。在两种不同的情况下考虑VMP：添加新的VM和将VM迁移到另一个HM（Voorsluys等人，2009）。在第一种情况下，必须确定合适的HM来托管新VM。在第二种情况下，必须为迁移的VM选择适当的主机。事实上，VMP是为VM找到合适的主机的过程，它被定义为VM和HM之间的映射（Qin et al. 2020）。一般来说，考虑到VM和HM之间的映射总数，VMP是一个NP难问题，不可能在可接受的时间内解决（Liu等人，2016）。在VM和HM之间的映射中，应满足资源需求，尽可能减少活动HM的数量，并且应在HM之间平衡负载。同时，在放置和迁移过程中应充分考虑到各移动台的总容量，以保证服务质量（QoS）.并且无法避免服务级别协议违规（SLAV）。基于分配给VM的资源来确定VM的负载，并且基于分配给HM的所有VM的负载来测量HM的总负载。在这方面，迁移技术可能导致HM的总电荷的变化。由于这一事实，可以通过在HM之间适当分配VM来实现HM之间的负载平衡（Qin等人，2020）。因此，可以通过避免HM过载或欠载来实现CDC中的负载平衡。因此，在动态需求下，需要考虑各管理模块之间的负载均衡，在线解决VMP问题.这是确保客户满意度和QoS所必需的在CDC。近年来，深度强化学习（DRL）的观点已经变得非常流行，以实现绿色云计算和解决VMP（Zhang et al. 2022 a）。在基于DRL的学习方法中，A3 C算法作为一种新的学习方法，通过考虑行动者-评论者，神经网络架构（Wang et al. 2022 b）。A3C的有效性已被证明可以解决各种现实问题（Si等人，2021）。此外，A3C具有很高的学习速度，与同类算法相比，其优越性已在大多数应用中得到证明，例如，深度Q网 络（ DQN ） 、邻 近 策略 优化 （PPO ） 、深 度 确定 性策 略 梯度（DDPG）和分布式分布式DDPG（D4PG）（Arulkiraran et al.2017年）。在此基础上，提出了一种基于A3 C的VMP求解算法VMP-A3 C。VMP-A3 C的目标是在没有SLAV的HM中实现负载平衡，尽可能减少能耗。此外，VMP-A3 C还可以学习利用迁移技术在最少数量的HM中寻找VM的动力固结。VMP-A3 C通过关闭空闲HM来降低能耗，并考虑若干资源维度（即，CPU、存储器、RAM和带宽）到HM的负载平衡。此外，VMP-A3 C致力于同时最大化长期预期累积回报（LTECR）和资源效率。本文的主要贡献如下：开发A3 C算法，考虑多个不同的目标来配置奖励/惩罚函数使用实时迁移技术同时减少欠载和过载HM以及在没有SLAV的通过尽可能减少活动HM并关闭空闲HM来实现能耗降低论文的其余部分组织如下：相关工作总结在第2节。第3节解释A3C算法。第4节描述了系统模型。 第5节给出了所提出的VMP-A3 C算法的全部细节。第六节通过仿真对VMP-A3 C的结果进行了最后，第6对本文进行了总结。2. 相关作品先前关于 VMP 的工作包括各种资源管理目标（ Zeng等人，2022）。一些方法针对VM请求进行最佳HM选择，目的在于减少能量消耗。暴露于VMP时设置的其他目标包括降低用户同时，许多作品 使用 多 目 标优 化 解决 方 案 来处 理 VMP （ Ghasemi 和 ToroghiHaghighat 2020）。通常，基于启发式/Meta启发式方法的解决方案包括进化算法。这些算法需要恒定的知识来管理云环境中的资源，其中可变负载的管理在动态环境中具有挑战性（Liu等人，2022 b）。近年来，基于强化学习（RL）/DRL的解决方案解决VMP问题变得非常流行，因为它们与动态环境兼容（Arulaaran et al. 2017）。在本节的其余部分中，将回顾在VMP方面所做的工作。表1概述检讨工程的详情。Hummaida等人（2022）介绍了一种可以分散实施的云计算资源管理策略。该策略使用RL快速收敛到VM和HM之间的映射。为了克服常见的RL挑战，作者开发了基于状态/动作空间缩减和并行学习的可扩展VM迁移在这里，响应时间和SLAV被认为是迁移的主要目标此外，RL策略涉及多层次和独特的协作，以尽可能避免SLAV。●●●●P. Wei，Y.曾湾，澳-地Yan等沙特国王大学学报3表1审查工作的总结算法模型方法考虑的目标弱点Hummaida等人（2022年）Zeng等（2022年）–ADVMC使用基于RL的方法在VM和HM之间进行映射基于DRL的自适应机制负载平衡、能源和资源利用SLAV、负载平衡、能源和虚拟机迁移和迁移开销模拟仅针对Li等人（2020）MOVMrB混合虚拟机实时迁移方法资源利用能源、负载平衡和小规模拓扑由于使用BBO，延迟增加Ghasemi和ToroghiRLVMrB基于BBO基于RL的重新平衡资源利用负载平衡、响应时间、不考虑工作量Haghighat（2020）能源和成本对能耗Henry et al. （2022年）Aghasi等人（2022年）DJ-HAFC-BGSAMeta启发式算法DJ-HA一种基于模糊能量、最大完工时间和响应时间能源、SLA、负载平衡和高复杂度的Meta启发式布局缺乏大规模可扩展性的保证Rawas等人（2022）Alharbe和RakroukiLECCLBOGT逻辑基于贪婪算法的智能学习机制使用博弈论进行交通能源、运营成本和延迟负载平衡、SLAV和能源网络缺乏对交通管理相关标准的控制需要扩展到多种资源（2022年）Nabavi等人（2023）-海鸥优化算法能源、流量和电力使用的箱数略多Zeng等（2022）提出了一种基于DRL的自适应机制来处理VMP，其基于动态VM整合来实现。该方法包括两个步骤：计算影响系数和选择合适的HMs进行布局。ADVMC可以使用影响系数来计算VM对HM的负载在这里，提出了一种因此，ICVMS可以减少过载HM上的负载 第二步是用DRL方法求解VMP，称为PADRL。 PADRL策略使用长短期存储器（LSTM）网络来配置，并且可以找到合适的VM用于HM之间的迁移。结果表明，ADVMC通过避免SLAV降低了能耗Li et al. （ 2020 ） 提 出 了 基 于 Pareto 的 多 目 标 VM 再 平 衡（MOVMrB）算法，用于云计算中的高效资源管理。由于HM的负载平衡由于VM的迁移而受到干扰，因此MOVMrB可以同时提供HM间和HM内的重新平衡。此外，MOVMrB还配备了混合VM实时迁移方法，可以尽可能降低负载均衡处理过程中的I/O复杂度。MOVMrB中的迁移工作是基于基于生物地理优化（BBO）算法完成的，该算法旨在考虑CPU，带宽和RAM的负载平衡。Ghasemi和Toroghi Haghighat（2020）提出了RLVMrB（RL-VM-reBalance）方法来解决CDC中的VMPRLVMrB是一种基于RL方法的多目标VM部署技术，其目的是在HM之间进行负载平衡。RLVMrB在两个不同的方面提供负载均衡，例如HM间和HM内，以及几个资源维度，例如CPU，带宽和RAM。此外，与等效方法相比，RLVMrB具有合理的在这里，基于RL的策略有一个学习代理，它在每个情节中更新动作值表，考虑不同的目标。Infantia Henry等人（2022）使用混合Meta启发式概念来处理云计算中VM的VMP和迁移任务。作者介绍了DJ-HA作为一种Meta启发式算法，可以最小化能量消耗，最大完工时间和活动HM的数量。同时，DJ-HA具有更快的收敛性率相比到共同Meta启发式方法。这项工作中的迁移是基于多目标开发的功能（例如，最大完工时间和能耗）。Aghasi等人（2022）提出了模糊控制二进制引力搜索算法（FC-BGSA）来求解VMP，这是一种节能方法。FC-BGSA专注于减少冷却能源，这是总能耗的30%以上在疾控中心除了冷却能量，FC-BGSA同时努力减少计算能量。在FC-BGSA中，引入了一种基于模糊逻辑的自适应方法来管理勘探和开发在PlanetLab数据上的结果表明，FC-BGSA在降低CDC能耗方面具有可靠的性能。Rawas等人（2022）解决了CDC中的常见挑战，例如能耗，运营成本和网络延迟。 作者介绍了位置、能源、碳和成本感知（LECC）方法，该方法可以克服离线和在线VMP的挑战。LECC使用迁移技术来降低能耗，并将问题转化为多目标优化问题。这里，使用贪婪方法来求解LECC。此外，作者还开发了一种智能机器学习机制，以提高LECC的效率。LECC的实用性已经在真实和合成云环境中使用CloudSim工具箱得到了证明Alharbe和Rakrouki（2022）提出了一种基于博弈论的VMP方法，用于在混合云环境中有效部署VM。从服务质量和经济性的角度提出了基于博弈论的负载均衡优化方法来解决VMP问题。考虑这些观点的原因与CDC的高投资和QoS要求之间的冲突有关。基本上，CDC中的高资源投资可能导致资源浪费，其中QoS要求由很少的资源满足。LBOGT可以提供一个折衷的这些冲突与博弈论技术。LBOGT通过个体供应商、供应商群体和用户之间的博弈论配置来更好地执行传统的基于博弈论的方法。Nabavi等人（2023）使用Seagull优化算法解决VMP并降低边缘云环境中的能耗。除了能量消耗之外，资源管理技术还考虑了诸如网络流量和功率消耗之类的若干附加目标，以改进放置过程。这里，通过集中VM的通信以减少在网络中交换的数据来最小化HM之间的业务此外，通过将虚拟机整合到更少的HM来实现能耗降低该算法被评估为具有不同拓扑结构的多目标模型CloudSim。实验结果表明，该算法减少了70%的通信量，降低了80%的功耗，降低了5.5%的能耗。3. 异步优势行动者-批评者算法机器学习是一个广泛的研究领域，通常分为四类：监督学习，无监督学习，半监督学习和RL（Arulsartaran et al. 2017年）。P. Wei，Y.曾湾，澳-地Yan等沙特国王大学学报40ðÞ1/4伏ðjK-1[2]X.Σ.- 是的.Σ当输入和输出数据之间存在精确映射时，使用监督学习。 人脸识别是监督学习最流行的应用之一。无监督学习能够通过发现隐含模式（如结构、密度和类似特征）来学习数据。聚类是无监督学习最流行的应用之一半监督学习是机器学习中结合监督学习和无监督学习的新方法，其中少量的监督/标记数据用于辅助无监督学习（Zhang et al.第2022条b款）。此外，强化学习还包括与动态环境交互以实现既定目标的学习代理代理人通过执行每个动作从环境中获得奖励/惩罚反馈，这导致学习理想的动作并长期改善它（Aruldaran et al. 2017年）。贝尔曼方程是强化学习的一个基本技术，用于选择适当的行动来获得长期回报。Agent、状态、动作和奖惩功能是强化学习的主要组成部分。奖励/惩罚函数是代理行为的即时反馈关于LTECR这里，RL中的值函数可以采用LTECR-最终得出LTECR的状态。策略函数被定义为智能体做出选择适当行动的决策的策略。让s代表环境状态，让CR代表LTECR。通过选择操作a，代理将环境更新为新状态s。执行动作的结果是奖励或惩罚，用r表示。同时，智能体生成一个经验元组，每个经验元组中包含s;a;r;s0时间步长一般来说，智能体需要许多时间步才能达到pωh。设V_s_s_s是从状态s开始的LTECR。Q s; a是通过应用a获得的LTECR（单位：s）。同样，设ps;a是在s中选择a的概率。在A3 C中，使用行动 者 网 络 和 批 评 者 网 络 来 将 V_s;h_v_s 建 模 为 价 值 函 数 ， 将p_s_j_s;h_v_s建模为策略函数。这里，s表示时间步长，hv表示概率参数，ss表示s中的状态，s表示s中的动作。在每一集中，演员网络和评论家网络中的梯度被更新使用代理副本。梯度被异步地考虑，以便更新全局网络中的主代理。dhv用公式表示为临界网络中的梯度更新函数，公式为：（一）.2基于反馈的策略（Zhang et al. 2022 b）。虽然价值函数导致雷特最大化，但这是不可能的dh@ Aasjss;hv@hvð1Þ来存储高维问题的所有值状态。基于近似值函数的方法，如线性逼近器、非线性逼近器和神经网络可以克服这一问题。若用神经网络逼近值函数，则RL扩展为DRL。DRL是RL的一个新兴子领域，近年来已被证明在广泛的领域具有很高的潜力和能力（Alharbe和Rakrouki 2022）。DRL可以提供更广泛和强大的场景，用于构建具有优化动作的网络模型 一些最常见和广泛使用的DRL方法是Actor-Critic（AC）、Advantage Actor Critic（A2 C）、A3 C、DQN、PPO、DDPG、Actor Critic with Experience Replay（ACER）和生成对抗性模仿学习（GAIL）（Arulcidaran et al.2017年）。AC是一种基于直接策略优化的无模型方法（即，演员）和评论家培训来计算未来的奖励（方等人，2023）。A2C是一种基于策略梯度模型和并行行为学习器的DRL方法，可以成功训练深度神经网络controller.A3C算法是A2C的扩展版本，由Mnih等人（2016）提出。该算法配置多个环境并行执行多个代理异步，而不是重播的经验。事实上，A3 C创建了几个线程，以便在每个线程中，一个独立的actor-critics同时与环境交互。环境探索体验由具有全局Actor-Critic的每个线程共享。该策略降低了Agent学习之间的相关性，提供了观察各种模式的经验inthe learning学习process过程. A3C的另一个优点是前馈和递归代理的同时学习。此外，该算法可以使用通用多核处理器在离散和连续空间中实现（Zhang et al. 2022 b）。与大多数DRL方法一样，A3C也具有马尔可夫特性（Arulkiraran et al. 2017）。这表明代理只能基于当前状态考虑操作。因此，A3C一个有用的和实用的方法来解决动态问题，如VMP。A3 C是使用三个参数开发的，包括asyn-prism（代理与环境的互动，以获得更多样化的体验），优势（通过遵循政策从环境中获得更好的洞察力）和actor-critic（价值和最佳政策函数的估计）。图1示出了A3C算法的基本架构不失一般性，A3C试图通过选择a中的动作来获得最优策略pωh。其中，A as ss;hv是优势函数的估计，并且由等式2表示。（二）、Aasjss;hvcirsickVssk;hv-Vss;hv21/4其中k表示样本长度的差异序列和当前样本的索引。此外，rs表示s中的奖励/惩罚，c0; 1是预定义的折扣因子。与使用熵的演员网络相关联的梯度更新由等式表示（三）、在这里，熵可以改善智能体中的探索并避免收敛到局部最优解（Yu et al2021）。dhp¼rhplogpasjs;hpAasjs;hvbrhpHpss;hp3其中b指示控制熵强度的超参数，并且H指示策略p的熵。4. 系统模型CDC中的用户请求由VM提供服务，其中每个VM由HM支持和托管（Arroba等人，2017）。属于HM的所有VM由本地管理器控制，而管理程序支持并管理所有HM。此外，CDC中的所有HM由全球经理控制和支持。同时，虚拟化技术在最少数量的HM中动态合并VM，可以降低CDC中的能耗。CDC架构中的全局管理器负责通过虚拟机管理程序应用迁移技术进行虚拟化控制（Berahmand等人，2022）。因此，用于部署VM的放置算法由全局管理器实现。在VMP中，必须分配一组N个迁移的VM到一设置的M可用/活动嗯。让VM¼ fvm1;vm2;···;vm i;·· ·;vm Ng 是迁移的虚拟机而HMhm1;hm2;···;hm j;···;hm M成为可用嗯。此外，每个VM需要一些资源，并且每个HM具有一些可用资源让CDC包含一组由CPU、存储和RAM三个维度定义的R 设Cvmi，Svmi和Rvmi 是CPU、存储和RAM资源分别由vmi请求同样 ，令C hmj，S hmj和R hmj 是分别在hmj上可用的CPU、存储和RAM资源P. Wei，Y.曾湾，澳-地Yan等沙特国王大学学报5.ΣRM;.X67XHM中的资源的总资源量基于所有分配的VM所HM间负载均衡是指-L。hmjJJ第一章：XL r;hmj-LL HMJ;J1X67-Fig. 1. A3C算法的基本架构。每个行动者-批评者对与环境的实例交互，并使用他们的经验更新全局网络。策略函数由值函数更新，并包含动作的参数概率从云服务提供商的角度来看，VMP提出了各种目标，包括降低能耗、降低功耗、最大限度地提高能效、科学，避免SLAV，减少的number的积极和VM的较高资源利用率指示其较高负载。此外，xi;j是二进制变量，以指示hmj上的vmi的部署状态，如等式（1）中所定义。（七）、过载的HM，活动HM的负载平衡，改善QoS参数，降低成本，增加收入，最大化xi;j1vmi isplacedonhmj0否则ð7Þ资源利用率、减少迁移数量、最小化迁移成本等。具体而言，VMP中的大多数目标是矛盾的，并且该问题被建模为混合多目标问题（Ghasemi和Toroghi Haghighat 2020）。这项工作的潜在目的是在没有SLAV的HM中进行负载平衡，尽可能地降低能耗。因此，我们将在本节的其余部分集中讨论这些目标我们提出了VMP-A3 C来处理VMP，这是一种基于DRL的替换算法目的是找到CDC中VM到可用HM的最映射矩阵对于与不同维度中的HM间和HM内相负载由三个定义除了HM间之外，HM内的负载平衡对于CDC也很重要（Luo et al.2014）。该概念表示剩余资源（例如，CPU、存储器和RAM）。例如，90%的CPU在hmj中被利用，而这个量在RAM维度中仅为10%。在这里，由于缺少RAM，可能无法向hmj分配新的VM。因此，根据内部HM的负载hmj是不平衡的，并且将浪费资源。当量（8）定义用于估计HM内的平均负载不平衡，其来源于方差系数理论。vu1XR0L。你好，我是说.....ffiffihffiffiffimffiffiffiffiffiΣffiffi1ffiffiffiffiffi2ffi帧内JR包括CPU、存储和RAM在内的资源维度。负载不平衡. hmut：@Að8ÞCDC中HM之间的负载平衡。变异系数理论广泛用于估计HM间的负载不平衡（Luo et al.2014年）。它示出了载荷分散的理论，以实现HM间的载荷平衡，如等式2中所定义。（四）、其中，R指示所利用的资源的总数，并且表示HM中使用的所有资源的平均负载。-L。赫姆阿里斯由Eq. （九）、vu别这样你知道吗？ffiffiffi2ffiffi国际收支不平衡M-11XX- 我知道 Σð4Þr11/1[医]高血压VM和HM之间的映射矩阵是N M矩阵其中R指示资源（例如，CPU、存储器和RAM），M表示CDC，L中可用HM的数量。rhm表示如Eq. （十）、在此，mpij2MP表示在映射矩阵MP中，事实上，mpi;j^1表明hmj中资源r的负载，-L<$r;HM<$表示平均负载资源r在所有HM上。与此同时，Eqs。定义（5）和（6）来计算L。r;h mj和-Lr;H M。N将vm i置于hm j上，否则为mp i;j^/4 0。所示等式在（11）和（12）中，每个VM只能放置在一个HM上，而具有足够资源的每个HM VM可以托管多个HM。hm1hm2···hm j·· ·hm ML r;hmj<$xi;j：lr;vmi51/1-NMvm1vm2..2x1; 1x1; 2·· ·x1;j·· ·x1;M36x2; 1x2; 2·· ·x2;j·· ·x2;M7L-100，L-100，L-100，L-1001/1第1页xi;j：lr;vmi6vmi.6i;1.xi;2·· ·X.i;j·· ·X. .i;M7.其中，N指示可用VM的数量，并且.六四........ 75.¼JNr1¼Rxi;j：lr;vmið9ÞMP¼X..... ..... ....ð10Þ将资源r的负载分配到vmi上。通常，VM是根据它所使用的资源来计算的。因此，我们建议，vmNxN;1xN;2·· ·xN;j·· ·xN;M;JP. Wei，Y.曾湾，澳-地Yan等沙特国王大学学报6P≥NX¼X.Σ第1页N;SLATAH¼1FThmji;j：vmi þvmk≤¼ðð ÞÞððVM：vmiÞ考虑到不确定性，估计所消耗的能量。PM x ij¼1;8i¼1; 2;·· ·; N11奴隶。第一种方法被称为性能降级由VM迁移（PDM）引起，并由公式表示。（17）.NN1/1x i;j≥0;8j¼1; 2;·· ·; M=12同时，第二种方法被引入为SLAV每活动主机时间（SLATAH），并由方程表示（十八）、别洛格拉佐夫迁移过程中的所有VM都必须在每个资源维度中考虑。 具体来说，有足够的免费资源可以承载vmi。vmk到hmj的可能映射条件是Buyya（2012）使用PDM和SLATAH之和计算SLAV，即SLAV¼PDMSLATAH。N在Eqs中定义了CPU、存储和RAM（13）-（15）。X.xi;j：CvmiCvmk ≤Chmj≤13μm1/1PDM1DvmiNi¼1CvmiMð17ÞNxi;j：Svmi Svmk ≤Sh mj≤14μm1/1其中Dvmi 指示由vm i，Cvmi的迁移 表示所需的CPU容量，X. xR RR1/1vmi，FThmj15表示时间量hm j 利用了100%应用实时迁移技术导致VM在HM之间的动态合并 在最小数量的HM中动态固结VM的示例如图所示。 二、这是降低成本和能耗的有效方式，因为迁移可以减少活动HM的数量，并且还提供活动HM之间的资源负载平衡虽然虚拟机的迁移是在不中断服务提供的情况下实时完成的，但迁移的成本不应被忽视。因此，强调了通过减少迁移数量来实现HM之间VM的动态迁移虚拟机的成本是根据传输的总数据、停机时间和迁移时间计算的。Voorsluys等人（2009年）基于vmi公式化了迁移成本云服务提供商通过降低能耗（称为ESV）来避免SLAV。Beloglazov和Buyya（2012）通过等式（1）表示ESV。（19）同时考虑SLAV和能量消耗。ESV¼EC：SLAV19 毫米其中，EC表示CDC中的能量消耗，其取决于CPU利用率。具体地，迁移时间处的EC通过等式（1）计算。（20）.ECZt1E U t dt20的t0在其总性能的退化方程。（十六）、其中t0和t1分别表示迁移的开始和结束时间。CMv mD-Zt0TvmiUt dt16、积极此外，Ut表示时间t的CPU利用率，E是一个函数，其中D-VM指示VM中的平均性能降级（即，可容忍性能退化百分比），Uvmitindi-表示时间t时vmi的CPU利用率，t0表示迁移开始时间，并且Tvmi指示vmi的迁移完成时间，其基于所利用的RAM与带宽的比率来计算。除了成本之外，迁移还可能导致QoS和SLAV降低。不失一般性，避免SLAV可以提高QoS。Beloglazov和Buyya（2012）使用两种方法估计5. 该算法放置计划在CDC架构的全局管理器中集中实施，以有效管理资源。在A3 C算法的基础上，提出了VMP-A3 C算法。在放置之后，解决方案由全局管理器发送到每个HM的主管，以控制和监视迁移过程。通常，放置的目的是找到VM和HM之间的最佳映射，图二、在最少数量的HM中动态集成VM在该示例中，三个HM已经被迁移到关闭模式（即， hm3，hm4和hm5），而两个有源HM上的负载（即，hm1和hm2）是平衡的。Xð18ÞMj¼1AThmjhmjÞCPU和AT hmj 指示HM j已经活动的时间量。具体来说，最大CPU利用率可能导致SLAV。Þ我的朋友的t0ðP. Wei，Y.曾湾，澳-地Yan等沙特国王大学学报7.≤ lBBBDdBDdnoDddno.ΣDdDd>：>。 Σ≤H考虑到一些限制和目标。VMP已被证明是动态环境中的HP难题，其中DRL方法被广泛用于解决它（方等人。 2023年）。HM的地位。这里，HM的工作负荷状态通过等式（1）来公式化。（21）.全局管理器具有HM工作负载的准确估计，并且可以选择迁移的VM。选择迁移的hm类别<$8>

下载后可阅读完整内容，剩余1页未读，立即下载