云虚拟机资源分配的效用最大化模型

被引：75

作者：

师雪霖清华大学计算机科学与技术系清华信息科学与技术国家实验室(筹)

徐恪

机构：

[1] 清华大学计算机科学与技术系清华信息科学与技术国家实验室(筹)

来源：

计算机学报 | 2013年 / 36卷 / 02期

关键词：

云计算; 资源调度; 虚拟机放置; 拉格朗日松弛; 次梯度算法;

D O I：

暂无

中图分类号：

TP302 [设计与性能分析];

学科分类号：

081201 ;

摘要：

随着云计算和虚拟化技术的发展,为云资源管理提供了一种更高层次的调度选择:一个作业不再只能分配到一台物理机上,而是可将一台或多台物理机的计算资源虚拟化成一台虚拟机来运行该作业.根据作业需要,高效分配定量的物理资源放置虚拟机,是决定云系统性能的关键因素,即云资源调度问题实质就是一个虚拟机和物理机之间的映射问题.文中借鉴网络效用最大化模型,提出了一种云资源调度模型——云效用最大化(Cloud UtilityMaximization,CUM)模型,与传统调度模型相比,目标函数不再是最小化最大完工时间,而是以达到效用最大为调度目标,可以充分提高用户的满意程度.通过求解CUM优化问题得到最优的虚拟机和物理机映射关系.设计了针对该模型的分解优化算法——简化次梯度算法求解拉格朗日对偶问题,证明了该算法可以获得原始模型问题的最优解.仿真实验表明算法可行且具有良好的收敛特性,并给出了CUM模型在真实云环境下的应用场景.

引用

页码：252 / 262

页数：11

共 5 条

[1] 云计算中虚拟机放置的自适应管理与多目标优化 [J].

李强 ;

郝沁汾 ;

肖利民 ;

李舟军 .

计算机学报, 2011, 34 (12) :2253-2264

[2] 基于效用最大化的网络跨层映射 [J].

李世勇 ;

杨冬 ;

秦雅娟 ;

张宏科 .

软件学报, 2011, 22 (08) :1855-1871

[3] Genetic Algorithm Based Scheduling of Meta-Tasks with Stochastic Execution Times in Heterogeneous Computing Systemst1 [J].

Atakan Doğan ;

Füsun Özgüner .

Cluster Computing, 2004, 7 (2) :177-190

[4]

Validation of subgradient optimization[J] . Michael Held,Philip Wolfe,Harlan P. Crowder.Mathematical Programming . 1974 (1)

[5]

Rate control for communication networks: shadow prices, proportional fairness and stability .2 Kelly F,Maulloo AK,Tan DKH. Journal of the Operational Research Society . 1998

← 1 →