沙特国王大学学报：安全云计算下的虚拟机优化分配算法的研究

沙特国王大学学报安全云计算框架Kalka Dubey，S.C.Sharma印度理工学院云计算和无线传感器实验室，印度，阿提奇莱因福奥文章历史记录：收到2020年2020年10月31日修订2020年11月1日接受2020年11月10日网上发售保留字：云计算虚拟机分配IWD优化A B S T R A C T云计算为用户提供了许多优势服务，如在线资源可访问性、更好的成本管理、动态资源池和有效的虚拟机（VM）分配。云计算在提供了大量有用服务的同时，也带来了云用户信息隐私的安全隐患，如何选择最少数量的虚拟机来执行任务负载，提高资源利用率是云计算面临的挑战性问题。这项工作的目标是实现更高的资源利用率，同时考虑云数据的安全性。本文对基于自然现象的智能水滴算法进行了扩展，提出了一种优化的虚拟机分配算法，在安全的云环境中执行任务。在CloudSim仿真工具包上实现了该算法实验仿真结果表明，所提出的虚拟机分配策略的性能优于现有的虚拟机分配方法。©2020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-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍云计算包括提供按需计算服务的技术并且已经作为信息技术的地平线出现（Yang et al.，2018年）。他已经得到了广泛的关注，由于它的能力，从任何地方访问云服务器.在众多技术元素中，虚拟机是云数据中心使用的核心技术。虚拟机技术是服务器整合和环境隔离的一个有用的追求（Kumar等人，2018年）。由于服务需求的急剧上升，虚拟机部署的快速增长已经在云数据中心被观察到。为了满足VM分配要求，需要更多数量的主机，这导致能耗和执行的总成本增加（Nasr等人，2020年）。需要有效率的降低能耗的虚拟机分配策略*通讯作者。电 子 邮 件 地 址 ： kdubey@pp.iitr.ac.in （ K. Dubey ） ， subhash. pt.iitr.ac.in（S.C.Sharma）。沙特国王大学负责同行审查并且减少了对活动服务器和VM迁移的要求。能耗的降低可以通过关闭空闲主机来实现，并且来自低负载主机的VM可以被迁移到具有平均负载的主机（Dubey等人， 2020年）。最佳VM分配策略可以通过将虚拟机有效地放置在同构和异构资源上来降低能耗（Dubey等人，2019年）的报告。在本文中，我们扩展了智能水滴（IDA）算法的能源效率的VM分配。该技术最大限度地减少了云数据中心的能耗，并有助于提高系统的整体性能我们还提出了一个用于信息安全和数据隐私的安全云框架。提出的水滴虚拟机分配（WDVMA）算法发现欠载和超载的主机，并相应地执行虚拟机迁移，以提高服务器的利用率。这个概念可以隔离闲置的机器，并通过关闭这些机器来节省能源消耗为了评估该算法，我们使用CloudSim来创建云环境。我们已经比较了所提出的算法与现有的方法的性能，结果表明，所提出的方法的改进性能。这篇文章做出了以下贡献：(a) 提出了一个安全云框架，提高了云用户的数据安全性。https://doi.org/10.1016/j.jksuci.2020.11.0011319-1578/©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/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.comK. Dubey和S.C. Sharma沙特国王大学学报3949(b) 利用智能水滴技术建立了一个目标函数，有效地将请求的任务分配给虚拟机。(c) 该框架利用WDVMA算法生成最优解，提高虚拟机利用率，降低能耗。(d) 我们通过使用CloudSim工具包创建基于计算机的模拟来分析和测试所提出的工作。(e) 仿真结果表明，WDVMA与现有技术MIWD、IWD、MBFD和FF相比，性能有了明显的改善。第二部分对现有的虚拟机分配算法进行了全面的综述，并对其他作者提出的智能水滴算法的优缺点进行了比较第三提出了一个安全的云计算框架，用于将虚拟机分配给主机。第四节讨论了问题陈述及其形成。第五部分给出了水滴虚拟机分配算法的流程图和伪代码。第6讨论了模拟环境参数和结果。第7节详细比较了所提出的算法与其他技术。第八部分是结论部分，对本文进行了总结，并对未来的研究方向2. 相关工作广泛的研究（Gholipour等人，2020年; Wu等人，2020年;Liang等人， 2020年; Mashhadi Moghoun等人， 2020年; Dubey等人，2020年）已经在云计算中的虚拟机分配上被拿出来。在这项研究工作中，几个算法和策略已经讨论了在云环境中的虚拟机到物理主机的分配。其中，一些算法将在本节中讨论。在（Beloglazov和Buyya，2012）中，作者提出了一种用于虚拟机分配问题的改进的最佳拟合递减（MBFD）算法，并生成了分配虚拟机的最佳解决方案。作者将问题分为四个部分：在第一部分中，过载主机被识别，而在第二部分中，欠载主机被检测到，并且在这些过载和欠载主机上分配的所有虚拟机已经迁移并关闭这些主机，直到下一个需求。在第三阶段识别所有迁移的虚拟机，并在最后一节中，分配所有这些迁移的虚拟机MBFD算法首先按照CPU利用率的降序排列虚拟机，并将虚拟机分配到能耗较少的主机上。作者提出了类似的工作（Alboaneen等人，2014年）用于VM分配工作。在提出的工作中，作者将主机分为四种类型：正常主机，过载主机，欠载主机和临界主机。正常主机具有平均利用率，过载主机已达到最大利用率，欠载主机低于利用率，临界主机介于正常和欠载利用率之间。所提出的技术开始与主机的检测和主机被分类在所讨论的四个类别。在正常主机和关键主机检测的情况下，不需要VM迁移，而在过载和欠载检测的情况下，需要VM迁移。然而，在欠载主机检测情况下，需要将VM迁移到关键主机中，之后主机将关闭。这种工作的缺点是大量的VM迁移增加了系统的开销，也影响了云资源的利用率Lin et. Al（Lin等人， 2011）提出了一种调度器，该调度器使用轮询策略来将虚拟机分配给物理层。云计算领域的虚拟主机。调度器有两个规则：第一个规则，如果一个主机已经运行了一个VM，并且仍然有其他VM等待运行，那么主机不再接受任何新的VM请求，并且在所有VM完成之后主机将被关闭。宿主的这种状态称为退休阶段。第二条规则规定主机在特定的时间范围内保持在退役阶段，该时间范围称为退役阈值。一旦超过此时间范围，等待队列中的所有请求的VM都将迁移到云数据中心中的新主机这种方法的主要缺点是缺乏对控制主机上的切换操作的任何约束，并且也不能保证补偿由虚拟机从一个主机或物理机到另一主机的转换和迁移所引起的附加功耗的主机状态改变操作的时间帧。虚拟机分配问题与向量打包问题（Singh和Singh，2017）非常相似，其中虚拟机和主机可以表示为多维向量，其中每个维度表示为虚拟机和主机参数：虚拟机类型，主机类型，RAM，带宽和处理能力。对于解决虚拟机分配问题，一些算法是First-Fit、Best-Fit、Worst-fit和Heaviest-Fit。在作者（Jeyarani等人，2011）提出了一种基于粒子群优化的云数据中心虚拟机分配算法然而，所提出的方法表现良好的功耗方面在调度中心，但SLA vio- lation表明，所提出的算法并没有达到服务质量时，大量的请求到达执行。帕瓦尔等al（Pawar and Wagh，2013）还提出了一种具有可抢占任务执行的动态任务分配的VM分配算法建议的方法考虑到任务的优先级。任务和VM列表根据云用户设置的优先级进行排序之后，任务根据其优先级在虚拟机上执行。如果任何具有更高优先级的任务到达执行，则最近的任务被抢占执行，并且更高优先级的任务被分配执行。这种方法的主要缺点是需要维护一个额外的队列Anusha et.al. （Anusha和Supraja，）拟议的两个组成部分基于VM的整合模式。该模型的第一个组件是虚拟机监控器，它从云数据中心收集所有重要数据，如负载分布率，能耗率，资源状态，资源可用性等。此数据被发送到VM整合模型的第二个组件。 控制器在分析数据之后接收，控制器决定是否需要虚拟机合并。如果需要进行虚拟机整合，则按顺序执行三个过程。在第一个过程中，根据主机负载阈值的中值选择物理机，并根据过载主机对主机进行排序。 第二个过程是选择具有最小迁移策略的虚拟机.最后一个过程是虚拟机放置，其中虚拟机被放置在主机中Zhang等人（Zhang等人， 2019）提出了一种新颖且非常有效的云数据中心虚拟机分配算法。所提出的工作是成功的，在减少能源消耗的资源，提高云资源的效率，同时纳入更多的储备云资源。该算法能够生成虚拟机分配的最优解，能够非常快速地获取备用资源，能够在更少的主机上部署更多的虚拟机，实现比现有工作更好的能量效率类似地，Liu et al. （Liu等人， 2018）提出了一种基于Meta启发式的方法来解决VM分配问题。他们使用蚁群系统（ACS）来生成问题的最优解最佳的VM allo-K. Dubey和S.C. Sharma沙特国王大学学报3950X8电动葫芦1234M阳离子解决方案已经通过使用最少数量的活动服务器和处于空闲状态的其余服务器来实现，以节省云数据中心中的能耗。此外，提供VM分配的主机数量减少了行数生成，避免了可用资源的浪费，并在最终解决方案中提供了先进性。该算法的这一特点增加了全局搜索域，使得该算法在求解大规模问题时比现有的Meta启发式算法效率更高在（Wei等人，2010）考虑服务质量（QoS）约束，提出了一种分布式云域虚拟机分配算法。他们使用博弈论技术来生成VM分配问题的近似解。该算法将虚拟机分配问题映射为云数据中心的资源竞争问题。每个虚拟机被认为是资源，并且具有不同的对应执行时间，每项任务的成本本文提出的算法分为两部分模块在建议的框架中发现用户的真实性。在该模块中，立法用户指纹存储在指纹数据库中.当CSP接收到来自用户的请求时，指纹服务器检查所请求的用户真实性，在指纹模块检查请求被接受并将通知消息发送给用户之后。4. 问题形成云数据中心是一个异构和同构物理机的集合，其中包括不同容量和处理能力的虚拟机。假设m是VM的数量，n是云数据中心中PM的数量我们可以使用等式（1）来定义虚拟机V的集合。类似地，它可以使用等式（2）来定义物理机器P的集合。V¼ fV;V;V;V;-Vg1阶段：在第一阶段中，对博弈论的每个参与者执行优化，并且在第二阶段中，修改在第一阶段之后生成的初始解的多重策略所提出的方法的主要缺点是，博弈论是非常复杂的技术，并添加了额外的复杂性在系统中。3. 建议的安全云框架在本节中，我们为云用户和云服务提供商提出了一个云框架。所提出的框架有三个阶段：认证阶段，数据传输阶段和数据处理阶段。在所提出的框架的第一阶段，云用户向云服务提供商发送服务请求。CSP接收来自多个云用户的请求，并通过指纹模块检查接收者的真实性。如果请求来自立法用户，则接受该请求，否则拒绝该请求，并将该用户添加到相应的操作列表中。在第二阶段，云用户准备发送作业列表以进行处理。用户对数据进行加密处理，通过安全通道Internet发送到CSP。CSP解密从用户接收的数据;如果解密得到有效结果，则接受数据进行处理，否则拒绝处理数据，并向用户发送通知消息以重新发送数据。CSP将作业列表发送到云基础设施模块（CIM）进行处理。CIM分析作业的性质，并分配最合适的VM来处理作业。最后一个阶段是从可用资源池中将VM放置到物理机。在此阶段中，选择一台可以容纳所请求的VM的物理机来处理作业。资源池在将物理机分配给请求的VM后更新。数据被迁移到当前分配的物理机器，VM开始处理作业。当VM完成作业处理时，结果以加密的形式发送回用户。图1显示了一个新的安全场景，以提高安全性的建议云框架在云环境中与未经授权的人员进行整个过程中的用户我们使用高级加密标准（AES）（Yin和Wang，2014）算法用于加密的目的立法云用户使用AES算法对数据执行加密并将其发送到CSP进行处理，而CSP使用AES算法对从云用户接收的加密数据执行解密。指纹P¼ fP1;P2;P3;P4;--Png2虚拟机可以如等式（3）中那样被表征Vi¼ fVid;Vcpu;Vm;Vbwg其中，V_id是每个虚拟机的唯一标识号，V_cpu是VM的处理能力并且以每秒百万指令（MIPS）为单位来测量，V_m是VM的存储器容量，并且V_bw是分配给该虚拟机的带宽容量。每个物理机的特征也与虚拟机相似，如下所示Pi½ fPid;Pcpu;Pm;Pbw;Pcoresg 244位其中，Pid是云数据中心中的物理机的唯一标识号。每个物理机器都可以使用资源池中的这个唯一编号进行标识。Pcpu，Pm、Pbw和P核分别是该物理机的数据处理能力、随机存取能力、分配给该物理机的带宽范围和特定物理机的核数。云服务提供商所采用的虚拟机分配算法对云系统的整体性能有着显著的影响，同时也提高了云服务提供商的资源利用率和收益。虚拟机分配算法解决了如何将虚拟机组最优地分配到物理机组上的问题。该最优解最大化了资源的利用率，最小化了系统的发电率。主机的资源利用率可以通过将所有VM的内存、CPU和带宽利用率相加来计算。第i台虚拟机对主机j的内存利用率Um为Vm/Pm。类似地，Ucpu，Ubw是CPU和带宽利用率，分别计算为Vcpu/Pcpu和Vbw/ Pbw。最大化资源利用率的目标函数如下：最大值为2.5× 10 -6×10abc16其中，a、b和c是分配给存储器、cpu和带宽利用率的恒定权重，并且值位于（Yang）之间例如， 2018年）。VM分配必须满足以下条件：Mi VidPid7我K. Dubey和S.C. Sharma沙特国王大学学报3951X8轴X8轴第一章MiVm我M2019 -04-25ð8Þ在大地上，它是一条直线，它是一条直线，它是一条直线。IWD算法就是从河流中的水滴现象推导出来的IWD用于选择最佳路径的一部分，ticular问题和在此性质启发算法有主要8ix我两个属性速度和土壤和这些属性的值变化时，水滴在其环境中移动IWD算法的伪码（Alijla等人， 2014）在算法1中示出。算法1.智能水滴算法输入：问题数据集在全连通图中表示输出：最优解1. 静态参数调整（整个过程中参数不变）2. 动态参数调整（整个过程中参数多次变化）3. 将N个IWD随机分布在一个构造图上，计算每个IWD4. 初始化速度5. 初始化速度6. 而直到终止条件7.对于k = 1到N（iwd的8.i←分配当前节点9.j←节点，不违反约束10.将drop k从节点i移动到节点j11.更新节点k12.更新节点k13.更新节点i到节点j边上的土壤14.端15. 在迭代群体TIB16. 更新中包含的所有边的土壤值17. 更新全球最佳解决方案TTB18. if（TTB的质量TIB的质量）19. TTB = TIB20. end while21. 返回（TTB）22. 端MiVbw我公司简介ð10ÞIWD算法使用图（V，E）来表示问题。V是图中速度节点的集合，E是图中任意两个相邻速度节点之间的连接边。IWD算法等式（7）确保所有请求的VM必须允许被定位到云数据中心中的同一物理机器等式（8）、9和10必须确保所有所需虚拟机的存储器、处理和带宽容量将不超过所分配的物理机的存储器、处理和带宽容量。5. 拟议框架本节介绍了用于在云环境中找到VM分配问题的最佳解决方案的WDVMA框架。该框架在满足安全约束的前提下，最大限度地降低了能耗，提高了虚拟机的利用率。WDVMA框架利用智能水滴算法的特点，Rithm从遍历一个节点开始，并向下一个节点移动，并继续遍历，直到找到最优路径。IWD算法有两个主要属性，即初始速度值IWD和初始土壤上的水滴土壤IWD。速度属性有一定的值，而土壤属性在算法开始时已为零。由于图中从节点i到节点j的遍历节点从节点i和j之间的边缘带走了一些土壤，因此土壤中有一些增益以及速度增加（Shah-Hosseini和dosSantos，2009）。土壤中的增益被添加到土壤属性中，类似地，增加的速度被添加到速度属性中。当节点i移动到节点j时，使用等式（11）计算IWD，并且IWD与等式（11）成反比。与到达边缘所需的时间成比例。（Shah-Hosseini，2009年）增强技术。5.1. 智能水滴算法d土壤IWD1i;jIWD算法是Shah（Shah-Hosseini，2007）在2007年提出的，它的灵感来自于河流水流的自然现象来解决优化问题。它是在模仿河流中水滴的运动。从源头到目的地的过程中，水的下降可能会影响环境。地球引力将水滴拉向地球的核心，因此水滴也可能改变河流的路线如果没有外力作用在水面IWD在时间间隔t以速度VelIWD从IWD中的节点i移动到节点j所消耗的时间计算如下：时间i jHUD12velIWD其中，启发式不期望度（HUD）是计算IWD从一个节点遍历到另一个节点的不期望度的启发式函数。在虚拟机分配方面，HUD是比率K. Dubey和S.C. Sharma沙特国王大学学报3952Fig. 1. 安全的云框架。图中两个节点之间的能量消耗和资源需求之间的关系如果能源消耗i节点的Ei增加，j节点的资源需求Rj减少，则HUD增加。在这种情况下，选择j节点用于下一次移动，因为节点j具有较少的能量消耗。VM分配问题中节点i到节点j的HUD可以定义如下。EiHUD¼Rj13英寸当土壤从一个节点移动到另一个节点时，IWD上的土壤也有增益。使用等式（12）计算土壤增加量。土壤IWD/土壤IWD类似地，使用等式（13）计算速度的增量，并且其与节点i至节点j的横穿边缘的土壤成反比提高云资源的资源效率。因此，我们计算每个解决方案的能耗，并选择所有解决方案中具有最小能耗的解决方案，这是最优解决方案。找到最优解的第一步是将IWD算法中的VM分配问题转化为全连通图G（V，S），该图由n个通过边彼此连接的节点组成。图中的每个节点表示一个虚拟机，节点的数量等于虚拟机的总数。图中的每个节点被视为水滴，图中的每个边被视为土壤。创建二维数组后，图G的每一条边初始化为一个常数，该常数表示边上的初始土壤量。 该算法从初始化IWD参数速度、土壤和具有随机正值的常数开始。 该算法根据每一条边的土壤值对每一个节点进行访问，并在第一次迭代结束后形成数组列表来跟踪遍历节点的记录。我们不断更新可见节点数组列表和边缘上的土壤节点的选择dvelIWD1土壤IWD/土壤IWD15根据该边的土壤值，选择土壤值最小的边进行下一次移动，当两条边的土壤值相同时，选择未被访问的边和土壤值最小的5.2. 水滴虚拟机分配算法在本节中，我们对传统的IWD算法进行了改进，命名为水滴虚拟机分配（WDVMA）算法，用于寻找云计算中心中虚拟机分配到物理主机的最优解此外，我们的主要重点是减少能源消耗，所需资源数目。每次迭代结束后记录了新的路径，并且该路径给出了该特定迭代的解。我们将当前的解决方案与先前的解决方案进行比较，如果它优于先前的解决方案，则继续使用当前的解决方案并移动到下一次迭代以找到最优解决方案。算法2给出了WDVMA算法的伪代码K. Dubey和S.C. Sharma沙特国王大学学报3953算法2. WDVMA算法布局策略和VM分配算法。我们从效率、吞吐量、最大完工时间和工作负载平衡四个方面对结果进行了比较。安斯。最后，我们说明了输出来自比较部分。输入：VM列表Lvm，HOST列表Lh输出：已分配的VM列表1. 初始化静态参数处理元素（Pe）、RAM、带宽、每个虚拟机VM和主机H参数2. 初始化IWD算法的动态参数3. 创建图G（V，E），其中V是虚拟机的数量，E是图中节点之间的连接边。4. 初始化图6.1. 仿真背景我们在CloudSim（Calheiros等人，2011）平台，在本地机上形成云环境。它被研究人员广泛用于测试云相关问题的几项研究中。使用CloudSim平台的一般动机是，它提供了逻辑建模，模拟和测试云相关问题，如调度，能源效率，服务质量，服务水平协议等它可以定制云基础设施和仿真工具包G5. 初始化VelocityvelIWDIWD和土壤IWD 参数云服务提供商和客户使用实时服务我们可以根据工作需要继承和扩展CloudSim类。6. 根据以下内容按降序对主机列表Lh排序：能力7. 根据处理能力按降序对虚拟机列表LVM排序8. 对于i = 0到m个虚拟机，9.x = VM [最后访问节点]10.对于j = 0到n个主机H，11.RCap（Hj）= Cap（Hj）12.FV =（（RCap（Hj）+Cap（VMi））/Cap（Hj））*10013.如果（d土壤IWD<土壤IWD）&&（VM i.mips< =Hj.mips）&&（J！= VM []）14.K = j15.将j节点添加到VM [] VM图16.end if17.如果（d土壤IWD=土壤IWD）（VMi.mips VMk.mips）18.if（VMi.mips Hj.available_mips）19.将VMi分配给min（FV [Hj]）的主机20.Hj.available_mips =Hj.available_mips - VMi.MIPS21.更新下一个可见节点k22.S边缘 =（（1-m）* S边缘）23.endif24.其他25.将VMi添加到故障列表26.结束else27.end if28.端29. 端WDVMA算法首先对传统IWD算法的静态和动态参数进行静态参数是非易失性的，并且参数值在执行过程中不变化，而动态参数是易失性的，并且在执行阶段多次改变值。在我们的VM分配问题中使用的静态参数是物理机中的处理单元数、RAM大小、网络带宽、VM类型、VM大小、主机大小和主机类型。WDVMA算法的流程图如图所示。 二、6. 结果和讨论在这一部分中，我们讨论了不同的虚拟机放置策略和虚拟机分配策略使用基于云的模拟器的仿真分析我们首先介绍了用于模拟我们工作的模拟器，然后将我们提出的策略和算法的结果与标准VM进行基本的CloudSim框架以及不同的组件如图所示。3.第三章。云用户以小云的形式发送他们的获取云中心服务的请求，并且每个小云与诸如小云id、小云的长度、完成小云的处理元件的数量和输出大小的属性相关联小云服务请求被发送到小云代理。Cloudlet和VM之间的对应映射由数据中心代理执行，并且它属于代理策略。数据中心与多个物理节点相关联，该节点称为主机节点或主机。物理节点与虚拟机关联。PM和VM之间的映射属于VM分配策略。在虚拟机分配策略中，从能够满足虚拟机部署标准的服务器中心中选择主机。我们已经在CloudSim 3.0.3版本上测试了我们的算法，我们使用了与真实世界模型中使用的服务器和虚拟机相同的配置我们在实验中考虑了2台主机，4种类型的VM实例和40个cloudlet。数据中心中的每台主机都与主机ID、进入主机的处理单元数、每台处理单元的处理能力和主机的总体处理能力相关联表1显示了主机配置，表2显示了VM实例类型。6.2. WDVMA算法在本节中，我们通过将我们提出的WDVMA算法与其他四种现有的虚拟机分配策略和算法进行比较来分析其性能：修改的智能水滴（ MIWD ） （ Verma 等 人 ， 2018 ） 、 IWD （ Shah-Hosseini ，2007）、修正的最佳拟合递减（MBFD）（Beloglazov和Buyya，2012）和首次拟合（Borgetto等人，2012年）。在CloudSim工具包构建的云环境中，对异构云资源进行了仿真实验。结果示于附图中。活动主机利用率、能耗和VM迁移分别为4、5和6。我们用20台异构主机和50台虚拟机评估了该算法中活动主机数量的性能。图4示出了用于满足所请求的VM要求的活动主机的数量。从仿真结果可以看出，WDVMA算法在第一台主机上放置了9台虚拟机，在13台主机上放置了41台虚拟机，其余6台主机处于空闲状态，而MIWD算法中活动主机数为15台，空闲主机数为5台。此外，空闲主机可以关闭，以增加节能和成本。提出的WDVMA算法以最少的主机数量来完成所请求的虚拟机的要求。云服务提供商的首要目标是降低能耗，提高资源利用率。能源消耗模型是建立在与K. Dubey和S.C. Sharma沙特国王大学学报3954图二. WDVMA算法流程图。虚拟机利用率，可以使用以下公式来表示。EC总计1/4ECDC 1/4ECTrans 1/4 EC16满足所请求虚拟机要求的活动主机数量减少。两个主机之间的VM迁移需要将VM实例从一个主机转移到另一个主机，这会导致主机上的能量开销。其中EC总是总能耗，ECDC是能源两个主机。 在虚拟机迁移期间，状态和主机上运行的应用程序。图6示出了VM其中，ECTrans是数据中心的能量消耗，EC Trans是收发器设备的能量消耗，ECTrans是存储器的能量消耗在我们的论文中，我们关注的是减少数据中心的能源消耗量，作为加强绿色计算的一种方式因此，我们忽略ECTrans和EC Trans来计算总能源，它相当于数据中心的总能源消耗。我们分析了我们提出的WDVMA算法的总能源消耗的资源，以满足400个虚拟机的请求。图5显示了WDVMA与其他四种现有算法的能耗比较（单位：kWh）。我们从结果中观察到，随着虚拟机请求数量的增加，能量消耗线性增加。我们能够实现更好的能源消耗，WDVMA算法与其它算法的迁移比较。结果表明，WDVMA和MIWD相比IWD，MBFD和FF具有更少的VM转移次数。 在WDVMA中，对于50到150个VM的VM迁移的数量显著多于MIWD，而在150到500个VM范围之后，VM迁移的数量少于所有其他方法。7. 建议框架与其他技术的比较近年来，IWD已被用于解决各个领域的优化和复杂问题为了解决云环境中的虚拟机所提出的算法与其他技术的详细比较如表3所示。K. Dubey和S.C. Sharma沙特国王大学学报3955图三. 基本CloudSim架构。8. 结论本文主要研究基于Meta启发式方法的云计算环境中虚拟机在物理主机上的最优配置策略在本研究工作中，我们提出了WDVMA算法，用于云中的虚拟机分配，这是对传统IWD Meta启发式算法的增强。将虚拟机分配问题应用到IWD中，并将该算法推广到最优解的生成通过将我们的研究工作嵌入CloudSim仿真器中，对一组不同长度的小云团任务进行仿真，对WDVMA算法的性能进行仿真结果与MIWD、IWD、MBFD、FF等虚拟机分配策略和算法的结果进行了比较。在云环境下，采用不同的虚拟机设置，对不同的任务集进行了仿真实验. 仿真实验结果表明，在大多数情况下，本文提出的WDVMA算法的能量消耗、资源利用率和最大完工时间均小于其他算法，且算法具有稳定性。WDVMA表现出更高的效率和整体增长性能的VM分配方案对使用IWD，Meta启发式算法。在未来的工作中，我们计划分析的服务质量（QoS）的算法与Meta启发式优化技术为基础的不同类型的服务级别协议和不同的VM实例。我们还旨在对算法进行增强，以优化其他参数，例如。计算成本和所请求任务的完工时间表1主机物理配置。服务器类型MIPSRAM（GB）PE数量带宽（kbps）容量（GB）E5至强264020001621,000,000128E5至强264025001621,000,000128表2虚拟机类型。VM类型MIPSRAM（MB）PE数量带宽（kbps）容量（GB）VM150020481100,00020VM2100040961100,00020VM3150081921100,00020VM4200061441100,00020见图4。 活动主机与现有算法的比较。K. Dubey和S.C. Sharma沙特国王大学学报3956图五. 能源消耗比较。见图6。 VM迁移比较。表3与其他技术的比较所提出的算法。年问题地址性质该算法参数优势与建议技术的比较2019年（阿迪卡里找到最优序列工作流IWD-DWS成本，最大限度地减少完工时间，他们找到了最优解et. al的虚拟机（VM）算法完工时间，在截止日期前完成，对于相关任务，（Adhikari和Amgoth，2019）2019年（星期日）工作流执行确定搜索概率独立合作SLR和最后期限搜索时间，不受约束。降低发生的可能性我们的技术是为独立的任务工作。他们利用合作组织的目标等人（孙基于地图的环境模型，目标概率搜索重叠搜索方法，而我们例如， 2019年度）设计一个多无人机协同搜索路径搜索方法地图和合作路径和改进搜索有效性建立适应度函数来生成最优解2017优化调度优化工作流基于IWDIWDC路径成本和成本节约他们找到了最优解（Elsherbiny等人（Elsherbiny例如， 2018年）工作流算法完工时间与其他算法相比，IWDC算法的执行时间更短而我们的技术是独立的任务工作。K. Dubey和S.C. Sharma沙特国王大学学报3957表3（续）年问题地址性质该算法参数优势与建议技术的比较2017年（Verma虚拟机的动态资源调配独立MIWD能源MIWD正在提供重要的他们利用动态等人（Verma例如， 2018年）2017年（卡拉同构和异构环境将任务分配给可用资源工作流算法EWID消耗、SLA违规和虚拟机迁移完工时间与MBFD和其他讨论的算法EWID我们同时使用静态和动态预配置。他们找到了最优解等人（卡拉在有限的时间内，算法时间算法性能优于PSO对于相关任务，和Singh，2017）满足用户指定的QoS约束和SGA算法我们的技术是为独立的任务工作。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用杨先生Li，Z.，江，S.，Li，K.，2018.用于云中VM定价和分配的无嫉妒拍卖机制。未来一代计算机系统86，680-693。https://doi.org/10.1016/j.future.2018.04.055网站。库马尔，M.，亚达夫，A.K.，Khatri，P.，Raw，R.S.，2018.云计算中虚拟机全局主机分配 策 略 。 国 际 技 术 信 息 杂 志 10 （ 3 ） ， 279-287.网 址 ： http ：//doi.org/10.1007/s41870-018-0093-4Nasr，A.A.，Dubey，K.，El-Bahnasawy，N.A.，南卡罗来纳州夏尔马Attiya，G.，El-Sayed，A.，2020年。HPFE：一种新的安全框架，用于在公共云中为多用户提供多任务 服 务 ， 而 不 违 反 SLA 。 神 经 计 算 应 用 32 （ 11 ） ， 6821https://doi.org/10.1007/s00521-019-04091-2网站。Dubey，K.，Nasr，A.A.，南卡罗来纳州夏尔马El-Bahnasawy，N.，Attiya，G.，El-Sayed，A.，2020年。云环境中数据中心的高效虚拟机放置策略。软计算：理论与应用Springer，Singapore，pp. 301-309. https://doi.org/10.1007/978-981-15-0751-9_28网站。Dubey，K.，沙姆斯，M. Y.，南卡罗来纳州夏尔马Alarifi，A.，Amoon，M.，Nasr，A.A.，2019.安全云环境下基于社区云模型的多组织服务管理系统。IEEE Access 7，159535-159546。网址：http：//doi.org/10.1109/ACCESS.2019.2950110Gholipour，N.，Arianyan，E.，Buyya河，2020.一种新的能量感知资源管理技术，使用联合虚拟机和容器整合方法，用于云数据中心的绿色计算。你好模型实用理论104，102127。https://doi.org/10.1016/j.simpat.2020.102127网站。Wu，X.，中国农业科学院，王，H.，Wei，D.，施，M.，2020年。基于自然语言处理和灰关联分析的ANFIS云计算框架，用于实时节能资源分配。Comput. Commun.150，122-130。https://doi.org/10.1016/j.comcom.2019.11.015.梁汉，杜，Y.，Gao，E.，孙，J.，2020.混合云中服务流程的成本驱动调度，未来一代计算机系统107，351-367。https://doi.org/10.1016/j.future.2020.01.035.Mashhadi Moghal，S.，奥沙利文，M.，沃克角，Fotuhi Piraghaj，S.，Unsworth，C.P.，2020.嵌入个性化的机器学习预测模型，实现云数据中心内的高能效VM整合。未来一代计算机系统106，221-233。 https://doi.org/10.1016/j.future.2020.01.008网站。Dubey，K.，夏尔马，西-地C.的方法，&纳斯尔A. A.（2020年）。云计算中基于模拟退火的节能VM放置策略。2020年信息技术与工程新兴趋势国际会议（IC-） （ pp. 1-5 ） 。 美 国 电 气 与 电 子 工 程 师 协 会 。 https ： //10.1109/ic-ETITE47903.2020.119.Beloglazov，A.，Buyya河，2012.优化的在线确定性算法和自适应算法，用于云数据中心中虚拟机的节能和性能高效动态Concurrency Computation Practice andExperience 24（13），1397-1420. https://doi.org/10.1002/cpe.1867网站。Alboaneen，D.一、Pranggono，B.，&Tianfield，H.（2014年）。面向云数据中心的节能虚拟机整合Proceedings-2014 IEEE/ACM第7届公用事业和云计算国际会议，UCC 2014，1010https://doi.org/10.1109/UCC.2014.166的网站。林角，澳-地C.的方法，Liu，P.，（1986 - 1990），中国科学院院士，吴&，J. J. （2011年）。面向云计算的能量感知虚拟机动态2011年IEEE第四届国际会议云计算会议，CLOUD 2011，736-737。https://doi.org/ 10.1109/CLOUD.2011.94.辛格，S.，&辛格湾（2017年）。云计算中的最优资源分配方法。Proceedings of 2016InternationalConferenceonAdvancedCommunicationControlandComputingTechnologies ， ICACCCT2016 ， （ 978 ） ， 600-605.https://doi.org/10.1109/ICACCCT.2016.7831711.Jeyarani河，Nagaveni，N.，&瓦桑特拉姆河（2011年）。自适应粒子群优化用于云环境中 的 高 效 虚 拟 机 配 置 。 International Journal of Intelligent InformationTechnologies，7（2），25-44. https://doi.org/ 10.4018/jiit.2011040102.Pawar，C.S.，Wagh，R.B.，2013年。云计算中基于优先级的动态资源分配2013年智能系统与信号处理国际会议。https://doi.org/10.1109/ISSP.2013.6526925。Anusha，G.，&Supraja，P.（2018）.云数据中心中的节能动态虚拟机整合。国际工程技术杂志，7（2.8）