IaaS云融合Q学习的自适应虚拟机部署.docxVIP

IaaS云融合Q学习的自适应虚拟机部署 摘要：云环境中，仅根据当前负载需求降低活跃主机量，忽略负载变化时的未来资源需求，会导致过多非必要虚拟机迁移，增加SLA违例。为此，提出基于Q学习的自适应虚拟机部署算法。Q学习在无需先验知识前提下，可以自适应生成资源利用率阈值，根据自适应阈值动态地对主机超载状态做出决策，判断是否进行虚拟机迁移。通过现实负载流进行实验分析，实验结果表明，该算法可以降低主机能耗，同步减小虚拟机迁移量和SLA违例率。 0 引言虚拟化是云数据中心的主要技术，利用虚拟化可以在物理服务器上部署不同性能的虚拟机，提高资源利用率很多算法通过装箱算法求解虚拟机部署问题，但会产生过多非必要迁移，增加SLA违例。比较已有工作最小化活跃主机量，本文设计一种基于Q学习的虚拟机部署算法，同步最小化虚拟机迁移量和SLA违例。所提算法由两个阶段组成，第一个阶段目标是从超载主机上迁移虚拟机，避免SLA违例；第二个阶段目标是合并非超载主机的虚拟机。为了预测负载，设计了一种Q学习机制的预测方法，对未来资源利用率进行有效预测。实验部分通过运行云环境中的两种现实负载流对算法进行评估，验证了该算法在优化能效、提升性能和降低虚拟机迁移量上的优势。1 相关工作分析目前，很多方法已被提出用于求解多目标优化的资源管理问题，在IaaS云提供方与其用户间维持需要的QoS等级是当前云资源管理的最