虚拟机整合增强：使用混合回归算法的虚拟机整合来降低计算资源的能耗

埃及信息学杂志18（2017）161全文使用混合回归算法的虚拟机整合增强放大图片作者：Amany Abdelsameaaa，Ali A.作者：Elsayed E.Hemayedc，Hesham Eldeebaa埃及吉萨电子研究所计算机和系统系b阿联酋沙迦沙迦大学电子与计算机工程系c埃及吉萨开罗大学工程学院计算机工程系阿提奇莱因福奥文章历史记录：2016年4月5日收到2016年10月2日修订2016年12月19日接受2017年1月9日在线发布保留字：虚拟机整合主机过载检测多元回归单因素多重因素A B S T R A C T云计算数据中心的数量和容量都在快速增长，以满足对高响应计算和海量存储的日益增长的需求。这样的数据中心消耗大量的电能，导致高运营成本和二氧化碳排放。这种极高能耗的原因不仅仅是计算资源的数量和硬件的功率效率低下，而是在于这些资源的低效使用。虚拟机整合涉及虚拟机的实时迁移，因此能够在物理服务器之间传输虚拟机，停机时间接近零它是提高云数据中心资源利用率和提高能源效率的有效途径虚拟机整合包括主机过载/欠载检测、虚拟机选择和虚拟机放置。当前的大多数VM整合方法应用基于统计学的技术，例如静态利用率阈值，基于历史数据的统计分析的决策;或者简单地定期调整VM分配。这些算法中的大多数仅依赖于CPU在本文中，我们建议使用混合因素，以提高VM巩固。具体来说，我们开发了一种多元回归算法，使用CPU 利 用 率 ， 内 存 利 用 率 和 带 宽 利 用 率 的 主 机 过 载 检 测 。 所 提 出 的 算 法 ， 多 元 回 归 主 机 过 载 检 测（MRHOD），显着降低能耗，同时确保高水平的遵守服务水平协议（SLA），因为它给出了一个真正的主机利用率的指示的基础上，三个参数（CPU，内存，带宽）的利用率，而不是一个参数只有（CPU利用率）。通过仿真，我们表明，我们的方法相比，使用随机工作负载的单因素算法，降低了6倍的功耗此外，使用PlanetLab工作负载跟踪，我们表明，MRHOD提高了约24%的ESV指标优于其他单因素回归算法（LR和LRR）。我们还开发了混合本地回归主机过载检测算法（HLRHOD），这是基于本地回归使用混合因子。它优于单因子算法。©2017制作和主办由Elsevier B.V.代表开罗计算机和信息学院大学这是一篇CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍云计算可以被认为是一种具有许多令人兴奋的特性的计算范例，例如按需计算资源，*通讯作者。电子邮件地址：amany@eri.sci.eg（A.Abdelsamea）、aelmoursy@sharjah.ac.ae（A.A.El-Elissy），hemayed@ieee.org（E.E. Hemayed），heldeeb@eri.sci.eg（H.Eldeeb）。开罗大学计算机和信息系负责同行审查。制作和主办：Elsevier弹性扩展，消除前期资本和运营费用，并为计算和信息技术服务建立现收现付的商业模式[1]。云计算数据中心消耗大量电能，导致高运营成本和二氧化碳排放。高能耗的原因不仅仅是计算资源的数量和硬件的功耗低，而是在于这些资源的低效使用。解决能源效率低下的一种方法是利用虚拟化技术的功能。能量消耗的减少可以通过将空闲节点切换到低功率模式（即，睡眠、休眠），从而消除空闲功耗。此外，通过使用实时迁移，可以将虚拟机动态整合到最低限度http://dx.doi.org/10.1016/j.eij.2016.12.0021110-8665/©2017制作和主办Elsevier B. V.代表开罗大学计算机和信息学院这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表埃及信息学杂志杂志主页：www.sciencedirect.com162A. Abdelsamea et al./ Egyptian Informatics Journal 18（2017）161物理节点的数量，根据其当前的资源需求。当前大多数研究基于CPU利用率迁移VM，因为服务器的总功耗与其CPU利用率之间存在关系[2]。基本上，他们的模型提出，服务器的功耗随着CPU利用率的增长而基于CPU利用率的模型能够为CPU密集型应用程序提供准确的预测;然而，它们对于其他类型的应用程序（如网络，I/O和内存密集型应用程序）往往不准确[2]。这项工作的目的是：开发多元回归主机过载检测算法（MRHOD）.开发混合局部回归主机过载检测算法（HLRHOD）.● 比较不同的主机过载检测算法。本文的组织如下：第2节介绍了动态虚拟机整合。第3节介绍了虚拟机的选择。第四节讨论了相关的工作。第5节讨论了多元回归主机过载检测（MRHOD）算法。第6节讨论了混合本地Regres-sion主机过载检测。第7节讨论评价方法。第8节仿真结果与分析。最后，在第9节中讨论了结论和未来的工作。2. 动态虚拟机整合全动态虚拟机（VM）整合是一种很有前途的方法，通过动态调整活动机器的数量来匹配资源需求，从而降低能耗。为了解决这个问题，大多数当前方法应用基于回归的算法，该算法基于对未来CPU利用率的估计。这些方法的局限性在于它们导致次优结果，并且不允许管理员显式地设置QoS目标。主机过载检测算法[3]类型之间的比较如表1所示.静态利用率阈值是一种简单的方法，因为它基于固定的CPU利用率阈值，但它不适合动态环境。基于自适应利用率的算法适用于动态环境，但对主机过载的预测能力较差基于回归的算法可以更好地预测主机过载，因为它们基于对未来CPU利用率的估计，但它们很复杂。一旦检测到主机过载，下一步就是选择虚拟机来卸载主机，以避免性能下降。一旦检测到主机过载，下一步就是选择虚拟机来卸载主机，以避免性能下降。3. 虚拟机选择一旦检测到主机过载，下一步就是选择虚拟机来卸载主机，以避免性能下降。在选择要迁移的VM后，将再次检查主机是否过度迁移。表1主机过载检测算法的类型。子弹上膛了如果它仍然被认为是过载的，则再次应用VM选择策略以选择要从主机迁移的另一个VM。重复此操作，直到认为主机未过载。本节介绍三种VM选择策略。3.1. 最小迁移时间（MMT）最短迁移时间策略迁移相对于分配给同一主机的其他VM需要最短时间完成迁移的VM。迁移时间估计为虚拟机使用的RAM量除以主机可用的空闲网络带宽[6]。3.2. 随机选择（RC）随机选择策略是从过载主机中选择VM的另一种简单方法。它根据均匀分布的离散随机变量从主机随机选择要迁移的VM[6]。如果仍然过载，重复该步骤，直到主机被认为没有过载。3.3. 最大相关最大相关性（MC）策略背后的思想是，在超额预订的服务器上运行的应用程序的资源使用之间的相关性越高，服务器过载的可能性就越高根据这一思想，我们选择那些要迁移的虚拟机与其他虚拟机的CPU利用率的相关性最高为了估计CPU利用率之间的它用于多元回归分析，以评估因变量的预测质量多重相关系数对应于因变量的预测值和实际值之间的平方相关性[6]。4. 相关工作现有的节能动态VM合并方法可以大致分为三类：VM放置的周期性适应（无过载检测）、基于阈值的算法和基于历史数据的统计分析的决策所有类别都受到研究界的极大关注，因此我们在这里只关注最相关工作的某个子集。4.1. VM放置在云数据中心的能源效率和人工智能方面已经提出了大量的工作在一些方法中，VM整合已经被公式化为优化问题，其目标是找到接近最优的解决方案，因为优化问题与约束（诸如数据中心容量和SLA）相关联。Farahnakian等人[8]提出了分布式系统架构，以执行动态VM整合，类型基于静态利用阈值的算法基于自适应利用的算法基于回归的算法说明基于固定CPU利用率阈值基于虚拟机历史数据的统计分析基于未来CPU利用率的估计优点简单适用于动态环境（鲁棒）更好地预测主机过载缺点不适用于动态环境主机过载预测较差复杂THR（Averaging Threshold-based Algorithm）[4]MAD（中位数绝对偏差）[5]，IQR（四分位数间距）[6]LR（Local Regression）[7]LRR（Robust Local Regression）[7]●●A. Abdelsamea et al./ Egyptian Informatics Journal 18（2017）161163资源利用的PM和减少他们的能源消耗。作者提出了一种动态VM合并方法，该方法使用称为蚁群系统（ACS）的高度自适应在线优化元启发式算法来优化VM放置。所提出的基于ACS的VM整合（ACS-VMC）方法使用人工蚂蚁来根据当前资源需求将VM整合为数量减少的活动PM。这些蚂蚁并行工作，根据指定的目标函数构建VM迁移计划。作者计划进一步改进所提出的系统模型，通过聚类PM并将其分配给相应的合并管理器，他们还打算评估其他VM合并启发式方法的性能。Ghribi等人[9]提出了两种用于云数据中心中虚拟机（VM）对能量感知分配和合并进行建模以最小化总体能量消耗，导致我们将最优分配算法与依赖于服务离开时VM的迁移的合并算法相结合最优分配算法求解为装箱问题，具有最小功耗目标。它是一个能量感知的最佳拟合算法进行比较。精确的迁移算法的结果从一个线性和整数制定的VM迁移，以适应放置时，资源被释放。结果表明，benefits相结合的分配和迁移算法，并证明他们的能力，以实现显着的节能，同时保持可行的收敛时间相比，最佳拟合启发式。这种方法是在虚拟机（VM）级别（或IaaS级别）实现的，因此最好在任务级别实现，以便能够适应平台或软件即服务（PaaS，SaaS）级别。4.2. 基于企业的物流Zhu等人[10]研究了动态VM整合问题，并应用了一种启发式方法，将静态CPU利用率阈值设置为85%，以确定主机何时过载。当超过阈值时，假定主机过载。然而，这种方法不适合于服务于不同类型应用程序的IaaS环境，因为必须针对每种工作负载类型调整阈值，以允许整合控制器高效地执行。Zhou等人[11]提出了一种称为三阈值节能算法（TESA）的虚拟机部署算法，该算法基于能量消耗与（处理器）资源利用率之间的线性关系。TESA通过设置三个阈值，将数据中心主机按负载分为轻负载、适度负载、中等负载和重负载四类。在TESA的基础上，提出了5种虚拟机选择策略：基于TESA的最小化迁移策略（MIMT）、基于TESA的最大 化 迁 移 策 略 （ MAMT ） 、 基 于 TESA 的 最 高 潜 在 增 长 策 略（HPGT）、基于TESA的最低潜在增长策略（LPGT）和基于TESA的在实际工作负荷中，确定三个阈值的实际值是不切实际的。幸运的是，很可能获得每两个阈值之间的最佳间隔。它的缺点是主机过载检测是基于设置三个固定的阈值，这不适合云的动态特性。此外，它4.3. 基于历史数据统计分析的决策利用率阈值的固定值不适用于具有动态和不可预测工作负载的环境，在这种环境中，不同类型的应用程序可以共享物理资源。的系统应该能够根据应用程序显示的工作负载模式自动调整其行为Beloglazov和Buyya[6]提出了一种基于虚拟机资源使用历史数据分析的为了计算CPU利用率阈值上限还使用基于回归的算法（局部回归和局部鲁棒回归），这些算法基于对未来CPU利用率的估计。这些统计方法和策略来选择要迁移的VM被组合以形成各种策略。这些方法不考虑用于主机利用率计算的混合参数，相反，它们仅依赖于CPU。Monil和Rahman[12]提出了一种新的基于VM利用率的均值、中位数和标准差（MMSD）的主机过载检测算法。提出了一种虚拟机选择的模糊方法，该方法采用智能决策的方式来选择要迁移的虚拟机。主机过载检测算法的缺点是，它们仍然使用受终端/离群值影响很大Shidik等人[13]提出了一种基于模糊马尔可夫正态算法的动态VM合并中的VM选择模型，以提高云数据中心的能源效率。模糊逻辑已被用于对VM候选者的属性进行分类，然后决定VM应该被迁移到哪个类别建议的VM选择模型已被评估使用各种VM实例条件（同质或异构）。其缺点是没有考虑混合因素。Beloglazov和Buyya[4]提出了OpenStack Neat，以提供一个可扩展的框架，用于基于OpenStack平台的虚拟机动态整合。该项目涵盖的功能将以与核心OpenStack服务分离的服务形式实现。该项目的服务将使用其公共API与核心OpenStack服务进行交互。现在，OpenStackNeat在非常早期的阶段被用作Terracotta[14]代码基础。Terracotta是OpenStack的扩展，实现了资源的动态整合，例如使用实时迁移的虚拟机（VM）。由于Terracotta处于早期阶段，并且测量功率的设备不在我们的前提下，因此我们使用经过认证的模拟器。上述工作大多依赖于一个参数来计算主机利用率，而本文提出了基于多元回归和混合因子（CPU利用率、内存利用率和带宽利用率）的主机过载检测方法。以前的作品都没有使用多重回归技术来增强主机过载检测。5. 多元回归主机过载检测5.1. 多元回归多元回归[15]是简单线性回归的扩展。它用于根据两个或多个其他变量的值来辅助预测变量的值。我们想要预测的变量称为因变量（有时也称为结果变量、目标变量或标准变量）。我们用来预测因变量值的变量称为自变量（有时也称为预测变量、统计变量或回归变量）。多元回归的设计要求是[16]：一个因变量（标准），两个或两个以上的自变量（预测变量），样本数据：至少是自变量的10倍。●●●164A. Abdelsamea et al./ Egyptian Informatics Journal 18（2017）161X12KX x x XX5.1.1. 多元回归假设多元回归基于独立性、正态性、同方差性和线性假设[17]。5.1.2. 多元回归模型包含一个以上回归变量的回归模型称为多元回归模型[16]，如等式所示。（一）. Y i¼ b0b1X1 ib2X2 i. bkXki哪里Yi是因变量，Xij是独立变量，Bi是斜率（回归）系数，是偏导数，5.2. 使用多元回归的为了托管VM，物理机必须提供VM所需的所有资源，包括CPU、内存、存储和网络带宽。很明显，不同的目标（CPU、RAM和BW）可能有不同的尺度或度量。不可能通过直接相加来计算基于（CPU、RAM和BW）的主机利用率。因此，必须有一个现有的公式来计算主机利用率。在本文中，我们使用[18]中开发的公式，通过使用捕获虚拟和物理服务器的CPU-网络-内存负载组合的度量，基于混合因子计算主机利用率。物理或虚拟服务器的容量定义为CPU、网络和内存负载的乘积，如等式2所示（9）：Y相对于X变量的变化e是Y非系统部分，与任何X波节哪里x1x2x31/4-CPUω 1-内存ω 1-网络节点ð9Þ该模型的关键假设是，相关变量Y与X线性相关，回归变量之间也没有精确的独立性描述如等式所示。（二）：EejX1;X2... X k02误差过程的零条件平均值的假设意味着它不随X系统地变化，也不随X的任何线性组合变化。用k个自变量的样本数据估计多元回归模型的系数。为了计算这些系数，我们必须建立k个正规方程，然后解这些方程，以获得多元回归系数。当量（3）考虑k-变量模型。估计的普通最小二乘（OLS）方程包含感兴趣的参数：y^^b0b1x1b2x2。 . . bkxk普通最小二乘准则可以根据OLS残差来定义，OLS残差是从大小为n的样本计算的，来自等式：（四）：n最小值S1/S2-b0-b1x i1-b2x i2-... -b k x ik2 41/1该表达式的最小化是针对k个参数b0、b1、b2. . bk.我们有一个比要估计的参数数量更大的样本。最小化是通过将标量S关于每个然后将得到的一阶条件设置为零。这就产生了（k +1）个未知数（回归参数）的（k+1）个联立方程，称为最小二乘正规方程。对于（5）Xy¼nb0b1Xx1b2Xx2b3Xx35Xx1y¼b0Xx1b1Xx2b2Xx1x2b3Xx1x36Xx2y¼b0Xx2b1Xx1x2b2Xx2b3Xx2x37..x k y ¼ b0x k b1x1x k b2x2x k.. . 100米x2米80米这些方程可以通过正规代数技术或线性代数唯一地求解，以获得估计的最小二乘参数。正规方程的解是回归系数的最小二乘估计在下一节中，我们将讨论如何在主机过载检测中使用多元回归。xi：CPU、内存和网络负载的权重，cpu：物理主机CPU利用率，内存：物理主机内存利用率，网络节点：物理主机网络端口利用率。在本文中，我们提出了多元回归主机过载检测算法（MRHOD），以提高虚拟机整合使用混合因素。算法1中给出了多元回归主机过载检测（MRHOD）算法的伪代码。算法1.多重回归主机过载检测算法Rithm（MRHOD）首先，每个主机的主机CPU利用率、RAM利用率和BW利用率计算为主机中VM的平均利用率除以最大主机利用率。然后，多元回归算法的输入是两个矩阵：第一个是二维数组X，其行的大小等于数据的长度，列的大小等于算法中的三个独立参数（CPU利用率、RAM利用率和BW利用率）的数量。第二个输入是名为Y的一维数组，它包括从公式（9）计算的主机利用率的数据样本。多元回归是复杂的，因为我们需要通过求解正规方程来获得回归模型 的 系 数 。 我 们 使 用 普 通 最 小 二 乘 多 元 回 归 函 数 （ OLSMultipleRegression函数）[16，17]来计算多元回归模型的回归系数（参数）。每个主机计算一次回归系数。一旦计算出回归系数，就可以形成预测的宿主利用率方程，如方程10所示（十）：●●A. Abdelsamea et al./ Egyptian Informatics Journal 18（2017）161165npredictedUtilization预测利用率<$b0预测利用率1ωCPU利用率预测利用率2ωRamutilizationþðb3ωBwutilizationÞð10Þ通过在方程中代入CPU利用率、RAM利用率和BW利用率的值，我们 得 到 了 预 测 的 Utiliza- tion 。 该 算 法 的 触 发 点 是 ， 如 果predictedUtilization大于或等于1，则认为主机过载，因此我们选择要从过载主机迁移的VM。6. 混合局部回归主机过载检测方法局部回归[7]用于对预测变量和响应变量之间的关系进行建模。局部回归模型基于以下形式：NIQUES允许在模拟系统上测试具有各种工作负载混合和资源性能场景的实验，以详细说明、检查通用应用程序供应方法。CloudSim工具包[20]被选为仿真平台，因为它是一个针对云计算环境的现代仿真框架。我们使用CloudSim工具包来模拟以下主机过载检测算法的[6] （ THR ， IQR ， MAD ， LR ， LLR ， MMSD 和 MRHOD 和HLRHOD），使用三种VM选择算法（MMT，RC，MC）来检测基于混合因子的主机过载。7.2.功率模型数据中心中计算节点的功耗主要由CPU、内存、磁盘存储、电源和冷却系统决定[21]。这一事实与现代多核建模功耗Y 1/4 fx 1/2ð11ÞCPU使构建精确的分析模型成为一项复杂的研究我我我哪里f（x）是一个未知函数，i是一个误差项，表示观测中的随机误差或不包括在xi中的来源的可变性。局部回归方法的主要思想是将简单的模型拟合到局部化的数据子集，以建立近似原始数据的曲线该方法基于Cleveland [19]提出的黄土[6]中提出的本地回归主机过载检测算法是基于对未来CPU利用率的估计它们优于基于阈值和基于自适应阈值的算法，因为它们更好地预测主机过载，但它依赖于单一因素（CPU利用率）的主机过载检测。我们使用[18]中开发的公式来计算基于混合因子的主机利用率，方法是使用一个度量，该度量捕获虚拟和物理服务器的CPU-网络-内存组合负载在从上面的公式计算主机利用率之后，我们使用[6]中提出的局部回归（LR）主机过载检测算法。7. 评价方法7.1. 实验装置由于云计算纯粹是一种基于互联网的技术，因此它面临一个主要问题，即确保互联网始终可用所涉及的货币成本。此外，在实际系统上进行可重复的大规模实验是非常困难的，这需要对推荐的化学方法进行评估和比较。 此外，为了保证实验的可重复性，模拟被选为一种方法，以突出推荐算法的增强。模拟工具具有重要的好处：没有资本成本，提供增强的结果，因为使用这些工具有助于以更容易的方式改变输入和其他参数，从而产生更好和更有效的输出。仿真工具也很容易学习，因为在使用此类仿真工具时，用户只需要具有编程能力[20]。基于模拟的技术-问题.因此，我们利用SPECpower基准测试[6]结果提供的真实功耗数据，而不是使用服务器功耗的分析模型。我们使用随机工作负载跟踪模拟了一个由50台主机和50台虚拟机组成的数据中心。根据设置为300 s的调度间隔频繁评估主机过载[5]。主机类型包括：HP ProLiant ML110 G4（英特尔至强3040，2核1860 MHz，4GB）和HP ProLiant ML110G5（Intel Xeon 3075，（2个内核，2660MHz，4 GB）。所选服务器的配置和功耗特性[5]如表2所示。7.3. 性能度量为了比较算法的效率，我们使用几个指标来评估它们的性能。使用以下指标总能耗（E）被定义为数据中心的物理资源由于应用工作负载而消耗的能量的总和。根据[10]中定义的模型计算能耗。VM迁移数量：对于动态VM整合，一旦发现过载或负载不足的主机，就会选择VM进行迁移。VM迁移时间的最小化是迁移步骤中最重要的约束，它通过减少VM迁移的总数来实现SLA（服务水平协议）：它可以根据所部署系统提供的最小吞吐量或最大响应时间等特性来确定。由于这些特性可能因应用程序的不同而有所不同，因此有必要使用独立于工作负载的指标来评估交付给IaaS中部署的任何VM当VM中的应用程序所请求的100%的性能在任何时间仅由VM的参数限制时，SLA被交付[10]。我们使用两个指标来衡量IaaS环境中SLA违规的级别[9]，定义为：第一个指标是表2所选服务器在不同负载水平下的功耗，单位为瓦特[5]。服务器0%的百分比百分之十百分之二十百分之三十百分之四十百分之五十百分之六十百分之七十百分之八十百分之九十百分百HP ProLiant G48689.492.69699.5102106108112114117HP ProLiant G593.797101105110116121125129133135166A. Abdelsamea et al./ Egyptian Informatics Journal 18（2017）161nX¼X¼活动主机的CPU利用率达到100%的时间百分比，违反SLA的每活动主机的时间（SLATAH），如等式2所示。（十二）：活动主机的CPU利用率达到100%、违反SLA的时间百分比每个活动主机的时间（SLATAH）N物理节点和SLAV的能量消耗是负相关的，因为能量通常可以通过SLA违规水平增加的成本来减少。资源管理系统的目标是最大限度地减少能源和SLA违规。因此，由能量和SLA违规（ESV）表示的组合度量捕获能量消耗和水平在[6]中提出了SLA违规行为。对于ESV指标较低的是打赌-SLATAH1Tsi1吨/年哪里N是主机数量，ð12Þ因为它指示能量节省高于SLA违反。ESV¼ EωSLAV 15毫米Tsi是主机i经历100%利用率导致违反SLA的总时间，Tai是处于活动状态的主机i（服务VM）的总数。第二个指标是迁移导致的虚拟机总体性能下降，迁移导致的性能下降（PDM）如等式2所示。（十三）：M8. 仿真结果和分析我们模拟了以下主机过载检测算法（THR、IQR、MAD、MMSD、LR和LLR以及MRHOD和HLRHOD）与三种VM选择算法（MMT、RC和MC）的所有组合，以检测基于混合参数的主机过载。 对于基于三个因素（CPU，RAM和BW）利用率，我们使用多元回归主机上-PDM1 CdjMj¼1Crj哪里M是VM的数量，ð13Þ负载检测算法（MRHOD）和（HLRHOD）。8.1. 虚拟机选择策略评估Cdj是由迁移引起的VM j的性能降级的估计，Crj是VM j在其生命周期内请求的总CPU容量。SLATAH和PDM指标都是独立的，并且具有同等重要性，可以表征基础设施违反SLA的级别。一个综合指标，包括性能下降，由于主机过载和性能下降，由于虚拟机迁移显示在方程。（十四）、它们表示当VM无法获得承诺的服务质量（QoS）时发生的组合度量SLA违规（SLAV）[6]SLAV¼ SLATAHω PDM14毫米最初，我们使用随机工作负载跟踪在不同算法（THR，MAD，IQR，LR和LRR）上评估MMT，因为它是最容易开始我们实验的工作负载类型，因为没有大型真实世界数据文件，没有敏感数据，并且容易修改而不影响操作。如图所示，与从单因素主机利用率过载检测获得的结果相比，当使用混合因素时，在能耗、VM迁移数量和SLA度量方面有更多的节省。1.一、混合因子（THR和IQR）的能耗比单因子降低约15倍，混合因子（ MAD、 LR和 LRR ） 的能 耗比 单因 子 降低 约5 倍 。在 混合 因素（THR、IQR、LR和LRR）的情况下，VM ESV的数量比单一因素增加约10倍。以来（c）SLA指标（d）ESV指标图1. 多因素与单因素的算法组合比较。(a)能耗(b)虚拟机迁移A. Abdelsamea et al./ Egyptian Informatics Journal 18（2017）161167混合因素的结果优于单一因素的结果，因此VM行为很少是一个变量的函数，它应该是多个因素的函数。基于回归的算法优于使用混合因子以及使用单个因子的基于阈值的算法和基于自适应阈值的算法，因为在LR-MMT和LRR-MMT的情况下的能量服务水平协议违反度量（ESV ）在两种情况下被同时减少到MAD-MMT、IQR-MMT和THR-MMT接下来，我们在同一组算法（THR，MAD，IQR，LR和LRR）中对随机选择VM选择执行类似的评估。物理节点的能耗与SLAV呈负相关。随着能量消耗的增加，SLAV减小，反之亦然。ESV度量用于在如图2所示的算法之间进行比较。MAD_RS算法是ESV算法中性能最高的算法。LR_RS是ESV最低的算法，因此优先使用。在图3中，我们比较了MMT、RS和MC VM选择算法。与RS和MC相比，MMT在基于自适应阈值的算法（MAD，IQR）中的ESV方面给出了较差的结果。与MMC相比，MC在MAD情况下提供了较高的ESV值还有MC。在回归算法的情况下，它们几乎给出了相同的性能，如图所示。3 .第三章。8.2. 敏感性分析8.2.1. 安全参数在本实验中，我们研究了改变安全参数对MRHOD的影响，以确定提供最佳性能的安全参数的最佳值当安全参数为1.5时，MRHOD给出了能耗、ESV指标方面的最佳值，如表3所示。我们还研究了改变安全参数对HLRHOD算法的影响。HLRHOD在安全参数为1.4如表4所示。8.2.2. 数量的vm我们的敏感性分析是基于改变虚拟机的数量，同时保持主机的数量恒定（100主机）和调度间隔等于300使用随机的工作负载跟踪。我们研究了不同算法以及所提出的HLRHOD算法和MRHOD算法的VM数量变化对能耗和ESV度量的影响，分别如表5和表6所示。图2.RS的ESV具有不同的主机过载检测算法。图3. RS与MMT与MC的ESV比较。表3MRHOD的安全参数安全参数0.8 0.9 1 1.1 1.2 1.3 1.4 1.5 1.6 1.7功率（kWh）16.06 16.01 15.23 15.58 15.56 15.46 13.53 13.48 15.72 15.74VM迁移（VM迁移总数）349 386 348 282 274 216 145 120 119 116SLA（应用性能的100n%0.011 0.014 0.016 0.01 0.0125 0.009 0.007 0.006 0.005 0.004PDM（估计性能）降级/请求容量）0.02 0.02 0.02 0.02 0.01 0.01 0.01 0.01 0.01SLATAH（比率）1.502 1.51 1.618 1.63 1.6104 0.833 0.8205 0.8042 0.8327 0.8371ESV 24.13 24.21 24.65 25.52 25.058 12.87 11.1 10.841 13.09 13.17168A. Abdelsamea et al./ Egyptian Informatics Journal 18（2017）161表4HLRHOD的安全参数安全参数0.8 0.9 1 1.1 1.2 1.3 1.4 1.5 1.6 1.7功率（kWh）16.06 16.22 15.65 15.56 15.55 15.46 13.53 15.66 15.72 15.74VM迁移（VM迁移总数）337 351 317 260 270 216 145 120 119 116SLA（应用性能的100n%0.011 0.013 0.014 0.011 0.0126 0.00962 0.00744 0.00479 0.00539 0.004PDM（估计性能）降级/请求容量）0.01 0.02 0.02 0.01 0.02 0.01 0.01 0.01 0.01 0.01 0.01男女比例（比率）0.757 1.504 1.592 0.7874 1.6226 0.8331 0.8205 0.8384 0.8327 0.8372019年12月15日星期一12.252 12.878 11.101 13.129 13.09 13.17表5能源消耗与VM数量算法30507090110130150170190THR_MMT-0.82.7593.1392.9532.6932.4772.4332.3462.2082.344IQR-MMT-1.52.4062.65792.412.2512.062.0252.1041.9582.109MAD-MMT-2.52.3712.6322.4092.1842.0421.9982.0551.9592.096MMSD-MMT-2.52.3012.5542.382.1481.9621.9351.9811.9122.031LRR-MMT-1.21.3671.4581.3281.1471.1011.0621.1541.1391.1717LR-MMT-1.21.3671.4581.3281.1471.1011.0621.1541.1391.1717HLRHOD-1.41.0091.1721.1031.0221.0151.0351.0141.0041.049表6ESV指标与虚拟机数量。算法30507090110130150170190THR_MMT-0.89.510.8229.7178.9168.1377.8379.7312.06515.22IQR-MMT-1.515.29218.97719.79718.27718.25520.28621.09321.75624.82MAD-MMT-2.514.49119.25918.66219.27519.32421.39822.22422.66524.811MMSD-MMT-2.515.02320.80721.76420.59920.17222.28922.8223.68327.109LRR-MMT-1.24.3216.0086.125.7935.5495.5376.716.516.66LR-MMT-1.24.3216.0086.125.7935.5495.5376.716.516.66HLRHOD-MMT-1.40.9761.1831.1081.0291.0221.0160.9991.0021.008我 们 将 结 果 相 对 于 MRHOD-MMT 1.5 标 准 化 。 MRHOD 和HLRHOD算法在运行随机负载跟踪时比所有算法节省更多的能量。MRHOD给出了比MMSD更好的结果，因为它是一种基于回归的算法，该算法基于对未来CPU利用率的估计，这代表了对主机过载的更好预测，但MMSD基于使用对异常值敏感的平均值、中值和标准偏差对历史数据的统计分析。随着虚拟机数量（30、50和70）的增加，MRHOD和HLRHOD 算 法 的 节 能 效 果 比 LR 和 LRR 算 法 更 高 对 于 大 量 VM ，MRHOD和HLRHOD的改善与LR和LRR相比有所降低，但它们仍然是最好的。8.2.3. 调度间隔在这个实验中，我们研究了改变搜索间隔对不同算法的能量消耗和ESV度量的影响，除了所提出的MRHOD算法。我们更改调度间隔，同时保持主机数量不变（50台主机）和VM数量不变（50台），如表7所示。我们将结果相对于MRHOD-MMT 1.5标准化。随着调度间隔的增加，ESV在所有算法中都减小。8.3. 算法比较分析8.3.1. 随机工作负载不同单因子算法和多元回归主机过载检测（MRHOD）之间的比较如表8所示。在表8中，每个算法名称后面都有一个数字，表示运行算法时使用的安全系数值。安全系数是方法的一个参数，它指示系统整合VM的积极程度。它允许调整方法的安全性，安全参数越低，能耗越少，但合并导致的SLA违规水平越高。对于表8，我们为每种算法选择了不同的安全性参数，因为并非所有算法在相同安全性参数下均表现最佳，因此所示结果为表现最佳的安全性表7ESV指标与调度间隔。算法300400500600700800900THR_MMT11.5237.8745.2734.1743.2182.6732.338IQR-MMT19.16913.0789.7357.5836.7515.3974.838MAD-MMT18.9521.13310.1797.8346.3745.3894.909MMSD-MMT20.81714.4210.6998.4416.9476.0684.996LRR-MMT5.8455.2964.7964.3694.0083.6563.415LR-MMT5.8455.2964.7964.3694.0083.6563.415HLRHOD-MMT1.1561.1121.0681.0250.9860.9480.942A. Abdelsamea et al./ Egyptian Informatics Journal 18（2017）161169表8主机过载检测算法的仿真结果。政策能耗VM迁移SLAPDM斯拉塔斯拉夫ESVTHR_MMT0.841.8148390.030480.2312.992.987124.917IQR-MMT 1.536.446850.065210.2720.855.629204.914MAD-MMT 2.537.8444900.043040.2517.344.335164.036MMSD_MMT2.534.5716130.019210.0920.451.84163.626LRR-MMT 1.219.71670.007650.03199.123.00159.12LR-MMT 1.219.71670.007650.03199.123.00159.12HLRHOD-1.413.531450.007440.0182.050.8211.101MRHOD-MMT 1.513.481200.00660.0167.670.80410.8406每个算法的参数。对于最近提出的算法（THR、IQR、MAD、LRR和LR），我们使用了[6]中提供的推荐安全参数。基于单因素局部回归的算法优于单因素THR、IQR、MAD和MMSD，这是因为它更好地预测了主机过载，因此减少了由于主机过载（SLATAH）和