《电子技术应用》
您所在的位置:首页 > 模拟设计 > 设计应用 > 云数据中心基于皮尔逊相关系数的虚拟机选择策略
云数据中心基于皮尔逊相关系数的虚拟机选择策略
2021年电子技术应用第10期
徐胜超1,宋 娟2,潘 欢2
1.广州华商学院 数据科学学院,广东 广州511300; 2.宁夏大学 宁夏沙漠信息智能感知重点实验室,宁夏 银川750021
摘要: 提出了云数据中心基于皮尔逊相关系数的虚拟机选择策略(Pearson Correlation coefficient Virtual Machine Selection,PC-VMS)。PC-VMS把统计学中的皮尔逊相关系数应用于虚拟机CPU历史利用率数据,建立了衡量每对虚拟机CPU利用率之间的相关性的数学模型;PC-VMS会获取每对虚拟机最近n次的CPU利用率,根据输入的两组数据来计算皮尔逊相关系数,最后在一组相关性最高的虚拟机中选择一个CPU利用率最高的进行迁移,随后结合虚拟机放置策略分配到新的目标物理主机上。仿真结果表明,PC-VMS与CloudSim4.0内置的虚拟机选择策略相比,各类性能指标都有改善,PC-VMS可以为企业节能云数据中心的构造提供参考。
中图分类号: TP393.4
文献标识码: A
DOI:10.16157/j.issn.0258-7998.211692
中文引用格式: 徐胜超,宋娟,潘欢. 云数据中心基于皮尔逊相关系数的虚拟机选择策略[J].电子技术应用,2021,47(10):77-81.
英文引用格式: Xu Shengchao,Song Juan,Pan Huan. The Pearson correlation coefficient based virtual machine selection strategy for cloud[J]. Application of Electronic Technique,2021,47(10):77-81.
The Pearson correlation coefficient based virtual machine selection strategy for cloud
Xu Shengchao1,Song Juan2,Pan Huan2
1.School of Date Science,Guangzhou HuaShang College,Guangzhou 511300,China; 2.Ningxia Key Lab of Intelligent Sensing for Desert Information,Ningxia University,Yinchuan 750021,China
Abstract: A Pearson correlation coefficient virtual machine selection approach called PC-VMS was proposed and discussed in this paper. PC-VMS uses the calculation method in statistics of Pearson correlation coefficient for historical CPU utilization data of virtual machines, and establishes a measurement of the CPU utilization of each pair of virtual machines. The mathematical model of the correlation between the rates was also constructed. The PC-VMS algorithm will obtain the CPU utilization of the last n times for each pair of virtual machines, calculate the Pearson correlation coefficient based on the two sets of input data, and finally select the virtual machines in the group of the highest correlation and allocate it on the target physical host. The experimental results and performance analysis show this strategy leads to a further improvement compared with the old migration strategies in CloudSim4.0. This strategy is valuable for other cloud providers to build a low energy consumption cloud data center.
Key words : Pearson correlation coefficient;virtual machine selection;energy consumption model;cloud data centers;virtual machine migration

0 引言

    如何提高云数据中心的物理主机的利用效率并进行负载均衡操作至关重要[1],目前大部分云服务提供商都采用虚拟机迁移技术[2]虚拟机选择是整个虚拟机迁移过程的一个重要步骤,它的功能是从云数据中心的异常物理主机中运用一定的算法选择出需要候选迁移的虚拟机,从而为后续的虚拟机放置过程提供输入参数。

    具有高关联度的虚拟机之间更容易触发超负载事件,因此如何防止那些高关联性的虚拟机在虚拟机放置过程中被分配到同一个物理节点上就是一个关键问题[3-4]

    文献[5]提出了虚拟机选择和虚拟机放置过程结合起来,可以充分提高物理资源的使用效率,具有一定的优势;文献[6-7]提出了贪心算法优化的虚拟机选择策略,在选择过程中通过动态调整物理资源利用阈值边界,可以很好地降低能量消耗;文献[8-9]提出了温度感知的虚拟机选择策略,它将物理主机的处理器的温度作为虚拟机选择的标准,是一种考虑硬件的虚拟机选择策略。文献[10]提出了数据依赖的虚拟机选择策略,它在选择候选迁移虚拟机的过程中考虑虚拟机之间的数据依赖关系,它的思路与本文的考虑十分相似。实验结果表明该策略也可以提高云数据中心的各类指标性能,但是文献[5]-[10]都没有考虑虚拟机的关联性。




本文详细内容请下载:http://www.chinaaet.com/resource/share/2000003787




作者信息:

徐胜超1,宋  娟2,潘  欢2

(1.广州华商学院 数据科学学院,广东 广州511300;

2.宁夏大学 宁夏沙漠信息智能感知重点实验室,宁夏 银川750021)




wd.jpg

此内容为AET网站原创,未经授权禁止转载。