论文部分内容阅读
虚拟化技术通过将应用程序封装到虚拟机,使管理员能够更灵活的部署和迁移虚拟机来适应应用负载和物理资源变化。本文研究了云环境下虚拟机迁移行为对整个数据中心的网络开销的影响。构建网络感知的虚拟机迁移系统为迁移算法提供实验平台,通过任务生成器重放googletrace来模拟终端用户请求,云环境模拟器来模拟云环境中服务器集群工作情景。设计网络感知的迁移算法在服务器过载时执行实时迁移改善资源过载压力,来优化数据中心在整个任务队列执行期间包括迁移虚拟机的网络带宽开销和任务通信的网络流量开销在内的网络总开销。在已有研究提出任务通信的网络开销模型的基础上,考虑迁移数据量和迁移的网络带宽对迁移成本的影响量化迁移开销,建立综合通信开销和迁移代价的网络总开销模型。在此基础上,设计并实现2种基于局部贪心的网络感知迁移算法,在考虑服务器端资源限制和上层应用相关性以及底层拓扑结构的基础上,迁移过载服务器上的虚拟机来优化数据中心的网络通信流量,并尽可能减少迁移带来的额外开销。具体而言,m Bef LM算法引入网络净收益,将迁移后网络通信上的收益和迁移开销的差值作为优化目标。在目的服务器的选择上综合考虑了迁移代价和通信成本,选择迁移能带来最大网络净收益的虚拟机迁移。m BRates LM则引入了网络收益损耗比,将迁移后网络通信上的收益和迁移过程的开销的比值作为优化目标。在目的服务器的选择上只考虑通信上的优化,在虚拟机迁出选择上考虑了迁移代价影响因素,选择单位迁移代价下网络通信收益最大的虚拟机迁移。本文设计的算法引入性能收益,参考迁移前网络通信开销,综合考虑了迁移成本和迁移带来的性能收益。将预测虚拟机迁移后的网络开销作为虚拟机迁移选择的指导。并进一步对算法引入服务器资源阈值来为后续到达的任务预留资源,引入定时策略来应对因短时间内用户资源需求变化而导致服务器资源抖动的情况,来提高算法网络优化性能。实验中,本文就网络开销和任务执行时间等方面比较m Bef LM和m BRates LM算法与已有算法App Aware、sandpiper以及LVF等的差异。实验结果表明,本文设计的算法在基本不影响任务队列的总执行时间的前提下,能显著优化数据中心的整体网络开销。综上所述,本文构建网络感知的云环境下虚拟机迁移系统,模拟终端用户请求和云环境中服务器处理场景,真实的用户任务请求和逼真的云环境处理给算法提供了有效的评估平台。并且,本文提出的网络感知的迁移算法引入了迁移代价和收益的概念,大大优化了数据中心的网络开销。