云计算机环境资源配置技术研究.docVIP

云计算机环境资源配置技术研究 摘 要： 针对云计算机资源管理过程中如何减少人工操作，达到资源自适应管理这一问题，提出了基于负载相似度的神经网络负载预测算法和基于混合分组编码的多目标遗传算法的资源管理策略。针对不同神经网络和不同规模物理节点，分别在Matlab和CloudSim环境下进行了仿真实验。实验结果表明，基于负载相似度的Elman神经网络负载预测算法适应云计算机系统的动态特点，可以有效提高资源负载预测的准确性； 基于混合分组编码的多目标遗传算法的资源管理策略能在减少虚拟机迁移次数的同时优化物理机使用数量。 关键词： 云计算； 负载预测； 神经网络； 虚拟机迁移 中图分类号： TN711?34； TM417 文献标识码： A 文章编号： 1004?373X（2016）07?0024?05 Abstract： For the problem of how to reduce the manual operation in the process of cloud computer resources management to achieve resource adaptive management， a resource management strategy of neural network load forecasting algorithm based on load similarity and multi?objective genetic algorithm based on hybrid grouping encoding is proposed. The simulation experiments for physical nodes of different scale and different neural networks were conducted in the environments of Matlab and CloudSim respectively. The experimental results show that the Elman neural network load forecasting algorithm based on load similarity adapts to the dynamic characteristics of cloud computer system， and can effectively improve the accuracy of resource load forecasting. The resource management strategy of multi?objective genetic algorithm based on hybrid grouping encoding can reduce the frequency of the virtual machine migration， and optimize the use quantity of physical machines. Keywords： cloud computing； load forecasting； neural network； virtual machine migration 0 引 言 云计算具有复杂性、大规模性和动态特性等特点给云计算机资源的管理带来了很多挑战性问题，其中虚拟机迁移策略和物理机使用数量的优化最为关键。目前，国内外学者对云计算资源管理的研究主要包括虚拟资源管理、资源负载预测和资源合理分配三方面。在虚拟资源管理方面，大部分是研究如何对内存、CPU及存储资源进行虚拟间的分配，只有少量研究是基于虚拟机负载变化进行虚拟机动态迁移和资源分配的文献[1?2]；在资源负载预测方面，文献[3]无法对突发的负载进行预测，文献[4]中没有考虑短期历史记录中无相似的就会影响预测效果；在资源合理分配方面，文献[5]不能进行自适应的云计算机资源管理。 针对上述问题，本文提出了一种基于负载相似度的神经网络负载预测算法和基于混合分组编码的多目标遗传算法进行虚拟机资源的管理，得出虚拟机最优迁移策略，从而达到资源的自适应优化配置管理。 1 总体思路 基于混合分组编码的多目标遗传算法进行虚拟机资源的管理由3个模块组成，如图1所示。 具体来说，该模型首先从云计算机资源全局监控器模块获取资源的负载情况，然后把这些负载序列发送给资源配置策略生成器。策略生成器的负载预测模块先根据负载进行负载预测，通过负载预测器和虚拟资源优化器得到优化的虚拟机资源配置策略，最后资源配置器根据生成的资源配置策略进行虚拟机的迁移和资源的配置工作，从而达到资源的自适应管理。 2