云计算在医疗保健中的能效优化与成本控制：水果优化算法模拟退火技术应用

信息学在医学解锁8（2017）42用于EHR应用的M. Lawanyashri，Balamurugan Balusamy，S. Subha印度泰米尔纳德邦Vellore VIT大学信息技术与工程学院A R T I C L E I N F O保留字：云计算电子健康记录（EHR）负载平衡水果优化算法（FOA）模拟退火（SA）能耗A B S T R A C T云计算由于其可扩展和动态的能力，已经获得了研究界和IT管理层的高度关注。它正在发展成为一种充满活力的技术，用于现代化和重组医疗保健组织，为消费者提供最佳服务。对云计算中的医疗服务和应用的需求不断增长，导致资源使用的不平衡，并急剧增加功耗，从而导致高运营成本。为了实现快速的执行时间和虚拟机的最佳利用率，我们提出了一种基于模拟退火的多目标混合水果优化技术，以提高收敛速度和优化精度。在云计算环境下，该方法能够实现资源的最优利用，降低能耗和成本。在我们提出的技术中获得的结果提供了一种改进的解决方案。 实验结果表明，该算法有效地优于现有的负载均衡算法。1. 介绍云计算是一种技术趋势，它向广泛的用户提供面向实用程序的服务[1]。它是一个蓬勃发展的范例，能够从科学和商业领域的融合中托管普遍的应用程序[2]。对虚拟化数据中心的分布式和动态访问使用户可以使用即付即用模式随时随地访问IT资源。最近，由于可扩展性和成本效益的性质，云计算已被医疗保健行业广泛使用和采用[3]。这种加速医疗保健向云的迁移显然意味着医疗保健行业的一个渐进式变革模式，因为它具有快速配置、快速部署、弹性、更高的弹性、更低的成本和数据存储解决方案等固有功能。它为医疗行业提供了一个终极平台，从而为用户提供高效的医疗服务[4]。云计算可以在医疗保健行业的所有运营中充当普遍和持久的游戏规则改变者，例如服务提供，协作能力，运营模式和最终用户服务。云医疗服务的主要目的是让医疗用户快速方便地访问资源，提供各种高效的分布式服务。基于云的医疗保健应用程序的主要目标是提高医疗保健应用程序的可用性，可扩展性和性能[5]。许多云医疗保健用户可以连接到服务通过高效的负载平衡机制，由多个网络中心、服务器和存储器来实现。在多个服务器之间平衡工作负载，应用程序扩展，将流量路由到最近的服务器，检查和最小化繁重的流量是云计算中负载均衡器的重要功能[6]。云计算中的服务器通常由功能强大的异构服务器组成，托管多个可能具有不同规格和资源使用的虚拟机;这可能导致虚拟机之间的资源使用不 平衡， 从而 导致 性 能下 降 和违 反 SLA [7]。 随着 电子 健 康记 录（EHR）应用的发展，数据中心资源上的工作负载被大量囤积。然而，向患者和消费者提供医疗保健数据而不造成重大延迟是EHR应用中最有前途的角色。为了提高云资源的利用率并提高性能，有效的负载均衡方法至关重要。医疗保健数据是实时数据，随着时间的推移具有不同的大小。基于关键数据的资源分配和调度是一个重要的研究课题。因此，在基于云的医疗保健服务的虚拟机之间平衡负载是非常重要的[8，9]。数据中心中的负载均衡是均匀地分配工作负载。从过载的资源迁移到未充分利用的资源是主要的解决方案[10，11]。自然计算已经广泛地着迷于涌现关切 之间 研究人员 在 的 菲尔德 的 优化. 自然-*Correspondent author.电子邮件地址：lawanyaraj@gmail.com（M. Lawanyashri）。http://dx.doi.org/10.1016/j.imu.2017.02.005接收日期：2017年1月2日;接收日期：2017年2月20日;接受日期：2017年2月22日在线提供2017年2352-9148/© 2017由Elsevier Ltd.发布 这是CC BY-NC-ND许可下的开放获取文章（http：//creativecommons.org/licenses/BY-NC-ND/4.0/）。目录可在ScienceDirect医学信息学杂志主页：www.elsevier.com/locate/imuM. Lawanyashri等人信息学在医学解锁8（2017）4243受启发的算法是元算法，计算速度快，可以大量模仿自然。元启发式方法用于解决优化问题。优化是在一定的限制下，为给定的复杂问题寻找最佳解决方案的过程[12]。找到最佳解决方案是令人担忧的，该解决方案可以最大化特定系统的效率或最小化处理成本。杂交可以提高通过元启发式技术获得的解的收敛速度和质量[13]。在我们提出的方法中，资源（VM）之间的工作负载的平衡，可以实现水果的觅食行为。与其他物种相比，野果的嗅觉和视觉感官敏锐度更健康。该算法基于最简单的Fruit最优化（FOA）结构，易于理解。由于FOA中的参数数量很少，易于实现，这使得FOA适合于云计算中的负载均衡问题。FOA方法与其他优化算法相比具有很强的竞争力。该方法存在着优化精度低、易陷入局部最优等缺陷。为了解决这些问题，我们提出了一种混合FOA方法与SA。杂交证明了基于模拟退火的Fruit树负载均衡优化算法（FOA-SA-LB）的有效性。它具有较强的全局寻优能力。大大提高了优化的收敛速度和精度。在这里，我们建议在云环境中应用FOA-SA-LB进行负载平衡。在这种方法中，水果代理就像一个协作代理，用于平衡虚拟机之间的工作负载。FOA有两个阶段，例如基于嗅觉和视觉的搜索。每当虚拟机过载时，过载的虚拟机的任务将被移除并放置在未过载或未充分利用的不同虚拟机中。FOA-SA-LB中的搜索阶段用于找到适合于待分配的移除任务的合适的虚拟机。定义了多目标函数，使负载均衡模型能够遵循目标函数的约束条件。该方法使用阈值来识别虚拟机的负载。如果特定虚拟机过载，则基于任务执行的最后期限将任务移除并分配给所识别的虚拟机。FOA和FOA-SA-LB的比较如图1所示。该方法选择具有最小截止期任务的虚拟机来提高数据中心的性能。基于嗅觉的搜索用于找到可用的位置或虚拟机，基于视觉的搜索用于找到最佳位置或虚拟机，以将任务从过载的位置或虚拟机迁移。本文提出了一种基于模拟退火算法的混合Fruit算法，以提高解的收敛本文的主要贡献是：1. FruitFly优化算法与模拟退火的混合，以找到最优解。2. 设计并实现了用于云环境中任务均衡3. 定义了一个多目标函数，用于虚拟机之间的任务的有效负载平衡，以最小化完工时间，能源和成本。4. 与现有的负载均衡算法的性能分析所提出的方法。本文的其余部分结构如下：第2节讨论理解概念所需的背景工作。部分3给出了基本的Fruit算法和模拟退火算法。第4节介绍了拟议的方法。第5节重点介绍了仿真结果。最后，第6节总结了我们的工作，并描绘了未来的增强。2. 相关工作云计算中的负载均衡是一个NP难问题。许多研究人员最近都在解决云计算中的负载平衡问题。找到最佳最优解所需的计算时间取决于问题的大小。在本节中，我们讨论了云计算中的一些当前负载平衡机制。Goyal等人[14]成功地提出了一种在网格计算中使用蚁群优化的动态负载平衡算法。本文将信息素与资源联系起来。其主要目标是平衡工作量和提高资源利用率。Ajit等人。[15]提出了一种使用加权签名的VM级负载平衡方法。本文考虑分析现有的三种算法作为准备阶段，以减少用户的响应时间。Moradi等人[16]提出了一种新的时间概率优化算法;它基于过去的最佳状态和最小完成时间来选择云资源。这种优化的负载平衡算法的主要目标是减少总体响应时间。Abdullah等人[17]设计并提出了共生有机体优化算法，用于在云数据中心的虚拟机之间调度任务。他们建议的方法的主要目标是有效地安排任务，并最大限度地减少完工时间，响应时间和不平衡程度。 Maguluri等人[18]提出了一种用于在云环境中平衡负载的随机模型，其中任务基于随机过程到达。作者指定的模型，实现在云环境中的数据中心的容量区域的任何随机分数。他们通过用户约束和优化条件来定义BestFit调度方法不是吞吐量最优的。Shanthi等人[十九]Fig. 1. （a）FOA技术。 (b)FOA-SA-LB技术。M. Lawanyashri等人信息学在医学解锁8（2017）4244提出了一种用于云计算中负载均衡的Firefoxy算法。在他们的方法中，该算法调整了负载，结果表明，他们的方法提高了任务迁移，作业到达率和减少计算时间的性能。Ali等人[20]提出了一种动态方法指南，其中任务动态地从过载机器移动到未充分利用的虚拟机，通过基于系统的当前状态动态地和连续地改变。实验结果表明，与静态负载均衡方法相比，该方法提高了性能.然而，实施动态负载均衡方法会导致更准确的结果。Ramazani等人[21]提出了一种基于任务的负载平衡算法。他们只删除了额外的任务，使虚拟机超载，并放置到欠载的虚拟机使用粒子群优化。Krishna等人[22]提出了另一种在云环境中平衡负载的解决方案。他们使用蜜蜂负载平衡算法，使用三种类型的优先级将任务从一个虚拟机迁移到另一个虚拟机。从一个虚拟机中移除的任务更新该特定虚拟机中的任务的状态。负载均衡技术提高了吞吐量，减少了等待时间和完工时间.从自然界中获得灵感的计算方法为研究人员构建复杂优化方法的算法提供了一个来源，这些方法通常无法基于传统方法解决从自然界中获得灵感的计算方法为研究人员创建复杂优化方法的算法提供了一个来源，这些方法通常无法基于传统方法解决。许多研究人员提出了元启发式优化算法，如遗传算法（GA）[16]，人工蜂群（ABC）[17]，粒子群优化（PSO）[18]，禁忌搜索[19]，火焰优化（FA）[20]，蚁群优化（ACO）[21]等，以寻找多目标解决方案。其中一个重要的计数是自然启发找到最佳的最佳解决方案。每一个都将找到问题的候选解，解的质量由拟合函数确定[22]。遗传算法适用于更大类的进化算法，染色体原理用于为大多数以二进制字符串编码的优化问题生成更好的解决方案。然而，遗传操作更加复杂和耗时[23]。PSO和ABC算法是一种强大的优化技术，具有相对快速的迭代时间，另一方面，它们肯定会陷入局部极值[24]。为了克服单一优化技术的缺点，许多学者提出了混合优化算法。云计算中的混合机制越来越受到研究界的关注。它克服了现有的静态和动态负载平衡算法的缺点，合并它们并保留算法的优点。通过组合一种以上的元启发式方法，可以避免继承的缺点。在文献[25]中，提出了一种混合粒子群优化-遗传算法（PSO-GA）用于机床生产调度。在文献[26]中提出了用遗传算法-粒子群优化算法（GA-ACO）进行电力负荷预测.Buyya等人[32]提出了一种模拟该模型采用主动迁移的方法，根据当前CPU性能需求动态地重新分配虚拟机。实验结果表明，采用QOS（服务质量）指标后，系统的能耗得到了显著降低。Zomaya等人[33]提出了一种用于任务整合的节能技术，以提高资源利用率。这种方法将每个任务映射到虚拟机，从而在不降低性能的情况下减少执行任务所消耗的能量。Wang等人[34]提出了一种自适应无模型技术，用于基于时变负载分配资源并最小化功耗，其中QOS度量包括排队状态、吞吐量和拒绝量，用于设计资源调整方案。Gregory等人[35]研究了云中虚拟机管理的服务能量框架。该模型监测并计算评估云基础设施的功耗和收集的数据以进行有效的虚拟管理。根据上述分析，据我们所知，只有少数工作考虑了云环境中负载平衡的服务可用性和能源效率指标。该方法采用混合Fruit算法和模拟退火算法来获得最优解。我们的技术的目的是通过减少三维方面，如完工时间，能源和成本优化，定义一个多目标函数，以优化资源的使用。从仿真结果中，我们可以表明，我们提出的方法优于更好地克服了缺点，如在FOA的收敛速度。我们的方法优于其他现有的算法，如蜜蜂负载平衡算法（HBB-LB），粒子群优化（PSO）和EFOA-LB（能量感知的水果树负载平衡优化）。3. 水果产量优化算法水果树优化是Pan[36]提出的一种新的元启发式智能优化算法。该算法以其简单的计算过程和可操作的搜索能力而受到研究者的青睐。水果果实的清除行为激发了水果果实优化算法的热情。最近，它被用于许多研究领域，如网络拍卖物流服务[37]，多维背包问题[38]，年度电力负荷预测模型[39]，批量流Flow-shop调度[40]，财务困境[41]，PID控制器整定[42]，旅行推销员问题[43]，炼钢铸造问题[44]，位置分配库存问题[45]，服务组合[46]。在视觉和嗅觉方面，果蝠优于其他物种。以下是水果搜索过程，图1定义了FOA的过程。第一步：利用嗅觉器官对食物源进行嗅觉，朝着那个方向。第二步：它利用敏锐的视觉找到最好的食物和储藏地点。100万美元。FOA的基本程序输入：种群大小，初始水果树位置，最大迭代输出：最佳解决方案1.做2.对于（各种位置的所有食物）3.初始化4.指定移动5.评价气味浓度适宜值6.将气味浓度拟合值代入拟合函数7.通过最大气味浓度找到最佳气味8.使用视觉搜索向最佳气味值位置搜索。9.端10.当不超过停止条件时。利用嗅觉器官闻到食物的气味并向那个方向移动，是一种有效的全局寻优方法。它通过它的邻居来传达信息，用它绝望的视觉和品味的适应性来等同和找到完美的位置。3.1. 初始化阶段参数的选择，分配种群大小，随机水果的位置（X，Y）和最大迭代次数。分配阶段：给小蚂蚁任意的方向和距离去寻找食物。M. Lawanyashri等人信息学在医学解锁8（2017）4245帽Xk=X轴+RandomValue（distance）Yk=Y轴+RandomValue（distance）（一）3：利用s 0的邻居生成当前解s0 * 4：基于等式（六）评估阶段：根据每个水果店的食物位置评估气味判断值，并估计食物源的距离。5：根据PB接受或拒绝新的解决方案6：更新现有解决方案中的最佳解决方案7：最小化温度Dis k=Xk2 +Yk28：未超过停止条件气味浓度n（Sk）=1/Disk（二）替代阶段：将气味适合度值替代为适合度函数，以确定每个水果的气味浓度。4. 问题形成云数据中心中的物理机器m由下式表示：k=（三）P={p1，p2，. pm}，其中q个虚拟机表示为识别阶段：识别具有最大气味值的最佳气味浓度。V={v1，v2，. vn}和k个任务Tk={t1，t2，. tk}。用户将任务提交给云代理。它由一组参数表示，如ti={ari，最佳索引]= max（最佳索引）（四）lni，dli， fti}，其中ari是到达时间，si是到达时间的长度或大小task，dli是任务执行的时间限制或最后期限，以及选择阶段：使用基于视觉的搜索，它基于max（pixk）向食物位置X轴=X（最佳索引）Y轴=Y（最佳索引）（5）ft i是任务的完成时间。提交的任务ti由云代理映射到虚拟机v j。云代理将提交的任务映射到虚拟机。在这种方法中，我们主要关注虚拟机的利用率，任务的完成时间（makespan），能源消耗和数据中心的成本。设Pk为所有任务的处理时间[22]3.2. 模拟退火Pn=K∑Pij j= 1，，n模拟退火是一种元启发式方法，其灵感来自于冶金中的退火过程。它是一种简单的优化方法，包括材料的加热和冷却控制器，以强化其晶体尺寸。根据室温降低能量，以减少金属结构中的缺陷。模拟退火技术使用其温度进程作为控制因素，其内部能量作为目标函数。模拟退火过程从初始解S和作为S′创建的更新解开始。如果i=1（8）4.1. 虚拟机容量capj=penum_pj×pemips_pj×vbw_vj（9）其中pe是处理单元，penum_pj是处理器计数，pe mips_pj是所有处理器的mips，v bw_vj是V j的带宽。LVM（t）=N（T，t）拟合函数F（S*）的值小于F（S）。Service_rate（Vj，t）（十）P=exp−（f（S*）−f（S））其中，LVM是特定虚拟机的负载，bTm（六）在时间t的任务总数，Service_rate（Vj，t）是S*的较高拟合值以定义的概率被接受，当量（6）. 这一策略使搜索过程避免陷入局部最优解。这里F（S*）是邻域的拟合函数虚拟机Vj在t。所有虚拟机的负载：n负载（VM）=∑L解，F（S）是当前解的拟合函数。温度Tm定义控制参数。平衡态是j=1VM（t）（十一）根据连续的移动和冷却速率，确定温度控制参数控制参数Tm影响全局搜索的性能如果温度达到虚拟机处理时间PT（VM）j=LVM（t）J所有V的负载（十二）较高的初始值，则模拟退火工艺将具有较大的在温度连续下降后，如果没有改善，SA程序将终止。如果初始温度较低，则定位全局解的可能性进一步受到限制，并且计算时间会更短。所有虚拟机的处理时间PT（VM）=任务T的执行时间：example（T）=1Tc（Vj）J所有容量Vj（十三）（十四）Tm=δk+To+Tfn（7）其中δk是Tm的下降速率，0δ 1，k是产生相邻解的stint数;T0是温度的初始值，Tfn是温度的最终值算法2定义M. Lawanyashri等人信息学在医学解锁8（2017）4246=其中IT是任务T的长度/大小，CPU性能的分数由c（Vj）确定。[四十七]假设stt ij是任务t i在虚拟机v j上的开始时间，ft i是任务ti在虚拟机v j上的结束时间。可以通过以下公式计算ftiSA的程序fti=sttij+exclusive（T）（十五）算法2. 模拟退火的基本程序。χij 是一个决策变量，因为每个任务都应该分配给只有一台虚拟机。Pij被定义为处理时间，输入：温度初始值，温度最终值任务T i被分配给虚拟机V j。冷却速率输出：最佳最优解1：生成主解s0χij如果被分配给虚拟机Vj和ftidli，<否则，如果fti>dli，（十六）2：做因此，负载均衡模型的目标函数如下：M. Lawanyashri等人信息学在医学解锁8（2017）42474.1.1. 完工时间云中的Makespan定义了任务T在虚拟机Vj中的总完成时间。因此，该目标函数用于减少任务的完工时间。4.2. 目标函数4.6. 不平衡程度Deg_imb=Max（T）其中Max（T）是任务的最大数量，Min（T）是任务的最小数量，Avg（T）是任务（T）的平均值[22]。4.7. FOA-SA-LB算法F1（Y）=最小化{maxti∈T，v j∈V ftij}.（十七）本文采用一种混合Fruit算法优化技术，其中ftij是任务ti在虚拟机vj上的完成时间。4.2.1. 能耗设econsij为任务ti在虚拟机vj上运行所产生的能耗，econs_ratej表示虚拟机的能耗率，exect（T）为执行在云数据中心的虚拟机之间均衡负载。水果产量优化存在着优化精度低、易陷入局部最优等缺点.开发FOA-SA-LB的首要动机是克服原始Fruit算法的缺陷。所提出的方法的程序包括两个阶段。第一阶段采用FOA，每个蜂群在不同的方向上移动，以遵循均匀分布。任务的时间。能源消耗计算如下：econsij=econs_ratej×exec（T）总能耗计算如下：（十八）第二阶段结合模拟退火更新当前位置和解决方案，迫使FOA的障碍出早熟收敛，由于其探索和开发能力。该方法提高了收敛速度和优化精度。FOA算法在仿真Kn退火在算法3中定义。E（X）=∑∑econsiji=1j=1（19）算法3. 基于模拟退火程序的FOA搜索解.4.3. 因此，目标函数定义为：F2（Y）=最小化{E（X）}4.3.1. 数据中心的成本（二十）输入：温度初始值、温度最终值和冷却速率输出：最佳最优解决方案1.做2.对于（各种位置的所有食物）使用等式（19）计算数据中心的成本C（X）=c×E（X）（21）其中c是1 kW功率的成本4.4. 因此，成本的目标函数定义为：3.初始化4.指定移动5.评价气味浓度适宜值6.将气味浓度拟合值代入拟合函数7.通过最大气味浓度找到最佳气味8.使用视觉搜索向最佳气味值位置搜索。9.Δf=f（Si*）−f（Si）F3（Y）=最小化{C（X）}（二十二）⎛Δf10.g=exp−Tm负载平衡模型的目标函数服从11.如果 Δf ≤ 0或 G > R（0，1）n∑χij= 1（ti∈T，vj∈V）j=1K∑Ti≤ dli（ti∈T，vj∈V）（二十三）12.Si←S*i13.Endif14.R（0，1）是在0和1之间均匀生成的随机数15.端i=1（24）≤Th16.当不超过停止条件时。上（二十五）4.8.用于负载平衡的FOA-SA-LB解决方案构造的过程约束（23）表示仅一个任务应当被分配给vj，约束（24）表示每个任务的执行应当小于截止期限，约束（25）揭示负载的标准偏差应当小于上限阈值Thupper。4.5. 响应时间响应时间是从任务进入系统到任务被调度的时间。响应时间计算如下Restime=fti−ari（ 26）1Kk∑ （PT（VM）j–（VM））2i=1M. Lawanyashri等人信息学在医学解锁8（2017）4248每一个fruit都是用一组随机分配的所有虚拟机Vj和任务T k来启动解构造过程。该过程首先基于阈值来识别所有虚拟机上的负载是否平衡。如果任何虚拟机过载，则从过载的虚拟机中删除任务。在这里，被移除的任务被称为水果水果。水果搜索使用基于气味的搜索过程的位置。每个fruit标识虚拟机的位置，以分配已删除的任务。换句话说，虚拟机（食物）在所有合格的虚拟机中的位置以分配移除的任务。该过程继续，直到特定的数据中心达到所有虚拟机M. Lawanyashri等人信息学在医学解锁8（2017）4249平衡负载。为了更新相邻群的位置并找到最佳的最优解，在这项工作中使用模拟退火方法。拟合值由多目标函数确定.4.9. 基于嗅觉和视觉的搜索基于气味的搜索过程是主要的过程，在该过程中，为子群体产生N个水果样本。在FOA-SA-LB方法中，确定了一个适合于删除具有截止期约束的任务的过载和欠载虚拟机列表。基于视觉的搜索过程被用来评估最适合分配被移除的任务的虚拟机。4.10. 负载平衡决策水果搜索器基于气味搜索和基于视觉搜索的最佳气味来搜索食物并找到食物的位置。SA方法用于根据能量和温度找到最佳的最佳解决方案。在我们提出的技术中，删除的任务被认为是一个多目标函数的基础上，寻找合适的虚拟机。遵循基本约束，例如虚拟机的负载，在分配任务后不应大于上限阈值，以选择合适的虚拟机用于移除的任务。如果有更多数量的虚拟机可用，则考虑最后期限约束。任务的最后期限对于将任务从高负载VM迁移到低负载VM是必要的。如果被移除的任务的最后期限d11高，则选择具有最小的较高最后期限任务的虚拟机。如果任务的最后期限是中等，则选择具有较少数量的较高和中等最后期限任务的虚拟机。虚拟机分组基于虚拟机的当前负载L VM（t）。我们考虑两种类型的组，例如过载VM组（findVMListol）和欠载VM组（findVMListul）。任务从findVMList ol中移除，并基于目标函数分配给findVMList ul中的虚拟机。继续从findVMList ol中删除任务的过程，直到findVMListol为NULL。这项工作不仅注重负载平衡，还注重节省数据中心消耗的能源，以降低成本。节能的根本过程是基于使虚拟机处于ON和OFF状态，这是不使用的。它识别数据中心中未充分利用的适用虚拟机，并将状态从活动更改为睡眠。该阈值用于使数据中心中的虚拟机处于睡眠和唤醒模式。如果特定虚拟机的负载小于下阈值Th_lower，则将该虚拟机置于睡眠模式，并且如果虚拟机负载大于Th_upper，则将虚拟机从睡眠模式唤醒。如果虚拟机的负载为空，则将虚拟机从VMList中移除以节省能量。算法4. 用于能量感知负载均衡（FOA-SA-LB）的FOA-SA-LB：步骤8：在l个水果样本上生成S个水果样本Fflp群步骤9：对于VM中的每个vj执行步骤10：如果LVM（t）> Thupper，则ElsefindVMList（ul）←Vj第11步：结束第12步：结束第13步：结束步骤14：对于每l个水果集群进行//基于视觉的搜索对于S中的每一个，评估Fflp在SA中基于邻域群生成新的解决方案第15步：结束步骤16：对于VM中的每个vj执行步骤17：如果LVM（t）！那么，步骤18：按升序对所有VM进行排序。步骤19：根据截止日期（dli）对所有任务进行排序步骤20：对于FindVMList（ol）中的每个Tk，在findVMList（ul）中找到BestVM，使得LVM（t） +lni>=Th下限 &LVM（t）+lni max（capacity），则负载平衡不可能。重新加载。否则，如果LVM（t）>Thlower&LVM（t）

下载后可阅读完整内容，剩余1页未读，立即下载