Multi-objective, Decentralized Dynamic Virtual Machine Consolidation using ACO Metaheuristic in Computing Clouds
计算资源利用不足和高功耗是云资源管理领域的两个主要挑战。本文通过在大规模虚拟化数据中心环境中进行离线、迁移影响感知、多目标动态虚拟机（VM）整合来应对这些挑战。该问题被公式化为NP-难离散组合优化问题，同时具有最小化资源浪费、功耗和相关联的VM迁移开销的目标。由于通过虚拟机实时迁移进行的动态虚拟机整合对托管应用程序性能和数据中心组件有负面影响，因此提出了一种虚拟机实时迁移开销估计技术，该技术考虑了实用的迁移参数和开销因素。为了解决可扩展性问题，提出了一个分层的，分散的动态VM整合框架，有助于本地化与迁移相关的网络流量，降低网络成本。此外，一个多目标，动态VM合并算法，提出了利用蚁群优化（ACO）元启发式，与建议的VM迁移开销估计技术的集成。全面的性能评估表明，所提出的动态VM整合方法在所有性能指标上都超过了最先进的离线、迁移感知的动态VM整合算法，其总体功耗降低了47%，资源浪费降低了64%，迁移开销降低了83%。
2017-06-20 cs.DC
A Combination of Host Overloading Detection and Virtual Machine Selection in Cloud Server Consolidation based on Learning Method
在云数据中心（CDC）中，降低能耗同时保持性能一直是热点问题。在服务器整合中，传统的解决方案是将问题分解为多个小问题，如主机过载检测，虚拟机（VM）选择和VM放置，并逐步解决它们。然而，主机过载检测策略和VM选择策略的设计不能直接与降低能耗和保证性能的最终目标联系起来。本文提出了一种基于学习的虚拟机选择策略，选择适当的虚拟机迁移没有直接的主机过载检测。从而减少了SLAV的产生，保证了CDC的性能，降低了能耗。仿真结果表明，该方法在减少SLAV生成和CDC能耗方面优于现有方法。
2022-06-28 cs.DC
A Kernel Search Algorithm for Virtual Machine Consolidation Problem
虚拟机整合描述了在一组目标服务器上重新分配虚拟机（VM）的过程。该问题可以转化为一个混合整数线性规划问题，并证明了该问题是NP-难问题。针对大规模虚拟机合并问题，提出了一种基于硬变量固定的核搜索启发式算法，以快速获得高质量的解.由于变量固定策略在现有的KS作品可能会使VMCP不可行，我们提出的KS算法采用了一种更有效的策略，选择一组固定的变量，根据相应的减少成本。VMCP算例的数值结果表明，本文提出的KS算法在CPU时间上明显优于现有的混合整数线性规划求解器，而变量固定策略在提高KS算法效率的同时，对解质量的影响可以忽略不计.
2022-12-27 cs.DC math.OC
Self-Adaptive Consolidation of Virtual Machines For Energy-Efficiency in the Cloud
在虚拟化数据中心中，整合虚拟机（VM）以最小化总物理机（PM）的数量已被认为是非常有效的方法。本文考虑了云数据中心中虚拟机的节能整合。集中于CPU密集型应用，目标是非抢占式地调度所有请求，受到PM容量和运行时间间隔跨度的约束，使得所有PM的总能耗最小化（简称为MinTE）。一般来说，MinTE问题是NP完全的。我们提出了一个自适应的方法称为SAVE。该方法通过概率过程来决定VM的分配和迁移，并且完全基于本地信息，因此实现起来非常简单。仿真和实际环境测试表明，与VMWare DRS相比，SAVE平均可以降低30%的能耗，与EcoCloud相比，SAVE平均可以降低10-20%的能耗。
2016-04-15 cs.DC cs.DS
Hotspot-Aware Scheduling of Virtual Machines with Overcommitment for Ultimate Utilization in Cloud Datacenters
Peking university（北京大学）；Huawei Technologies Company Ltd（华为技术有限公司）
本文提出一种考虑虚拟机动态CPU利用率的调度方法，采用Γ-鲁棒性理论和概率k-装箱算法，通过CloseRadiusFit和冷启动AI预测算法提升资源利用率，实验表明其在最优解附近有较小的差距。
2026-04-01 cs.DC math.PR
Virtual Machine Placement Literature Review
云计算数据中心在现实世界的场景中托管数百万个虚拟机（VM）。在这种情况下，虚拟机放置（VMP）是云基础设施管理中最具挑战性的问题之一，同时考虑到大量可能的优化标准和可以研究的不同公式。VMP文献包括能源效率、服务水平协议（SLA）、云服务市场、服务质量（QoS）和二氧化碳排放等相关主题，所有这些主题都具有很高的经济和生态影响。这项工作提出了一个广泛的最新审查最相关的VMP文献，以确定研究机会。
2015-06-04 cs.DC
Hardness of Virtual Network Embedding with Replica Selection
在物理网络中有效地嵌入虚拟集群是一个具有挑战性的问题。在本文中，我们考虑的情况下，物理网络具有一个结构的平衡树。这个假设被许多真实世界的数据中心实现证明是正确的.我们考虑通过在数据块之间引入复制来扩展虚拟集群嵌入。在许多实际应用中，数据以分布式和冗余的方式存储。这个假设在决定处理什么样的复制品时引入了额外的困难。通过对经典的布尔可满足性的NP完全问题的归约，我们证明了嵌入的最优性极限。我们的结果甚至在边高为3的树中也成立。此外，我们表明，限制repi-阳离子因素，每个块类型两个副本并没有使问题更简单。
2015-01-29 cs.DC
Serifos: Workload Consolidation and Load Balancing for SSD Based Cloud Storage Systems
在虚拟化数据中心中实现高性能需要部署高吞吐量存储集群（即基于固态硬盘（SSD）），以及跨存储节点优化整合工作负载。如今，云存储提供商提供保证性能的唯一实用解决方案是过度配置存储节点。生产中使用的当前工作负载调度机制不具备基于SSD性能优化分配块存储卷的智能。在本文中，我们介绍Serifos，自主性能建模和负载均衡系统设计的SSD为基础的云存储。Serifos考虑了SSD存储单元的特性，并构建了硬件相关的工作负载整合模型。因此，Serifos能够预测由工作负载干扰引起的延迟和并发工作负载的平均延迟。此外，Serifos利用I/O负载均衡算法来动态平衡群集中的卷。实验结果表明，Serifos合并模型是能够保持约10%的平均预测误差异构硬件。作为Serifos负载均衡的结果，我们发现方差和最大平均延迟分别减少了82%和52%。测试平台上支持的服务级别目标（SLO）将平均延迟提高了43%，最大读取延迟提高了32%，最大写入延迟提高了63%。
2015-12-25 cs.DC
Prediction-Based Power Oversubscription in Cloud Platforms
数据中心设计人员依靠对IT设备功耗的保守估计来配置资源。这使得资源未得到充分利用，需要建立更多的数据中心。以前的工作使用功率封顶来削减罕见的功率峰值，并向数据中心添加更多的服务器，从而超额订阅其资源并降低资本成本。当工作负载和它们的服务器位置已知时，这很有效。不幸的是，这些因素在公共云中是未知的，迫使提供商限制超额订阅，以便性能永远不会受到影响。在本文中，我们认为，供应商可以使用预测的工作负载性能的关键性和虚拟机（VM）资源利用率，以增加超额认购。这带来了许多挑战，例如从黑盒虚拟机中识别性能关键型工作负载，创建对关键感知电源管理的支持，以及在限制上限影响的同时增加超额订阅。我们为Microsoft Azure的硬件和软件基础架构解决这些挑战。结果表明，我们能够在对关键工作负载影响最小的情况下将超额订阅增加2倍。
2020-10-29 cs.DC
Dynamic Environments for Virtual Machine Placement considering Elasticity and Overbooking
云计算供应商在实际的云市场中提供数百万台虚拟机。在这种情况下，虚拟机放置（VMP）是云基础设施管理中最具挑战性的问题之一，考虑到大量可能的优化标准和可以研究的不同配方。考虑到云计算的按需模型，VMP问题应该动态地解决，以有效地处理现代应用的典型工作负载。这项工作基于VMP文献中迄今为止研究的最相关的动态参数，提出了一种分类法，以了解动态环境中云服务提供商（CSP）可能面临的挑战。根据提出的分类法，已经确定了几个未开发的环境。为了进一步研究这些研究机会，需要每个特定环境的样本工作负载跟踪;因此，基本示例说明了动态工作负载跟踪生成的初步工作。
2016-01-08 cs.DC
A Comprehensive Vision on Cloud Computing Environment: Emerging Challenges and Future Research Directions
云计算已成为计算行业的支柱，并提供基于订阅的按需服务。通过虚拟化，产生在抽象硬件层中运行的计算机系统的虚拟实例，它使我们能够在许多用户之间共享资源。与早期的分布式计算模型相反，它通过其庞大的云计算中心保证了无限的计算资源，并且由于其不断扩展的基础设施，用户群和托管数据量，近年来它非常受欢迎。这些庞大而复杂的工作负载带来了许多问题，包括资源使用、功耗、可扩展性、运营费用、安全性等问题。在此背景下，本文全面概述了各种规模的组织中最普遍的共享和通信问题。讨论了安全分类、负载均衡以及在保护敏感数据时遇到的主要困难。需要对当前最先进的贡献、资源管理分析方法、负载均衡解决方案、授权物流和基于多目标学习的方法进行全面检查。在最后一节中，本文检查，审查，并建议未来的研究方向，在该地区的安全虚拟机安置。
2022-07-16 cs.DC
The Cost Advantage of Virtual Machine Migrations: Empirical Insights into Amazon's EC2 Marketspace
本文通过分析亚马逊定价数据和Bitbrains数据集，研究云组合的成本优化，发现异构组合可实现成本最优，运行6小时至1年的虚拟机迁移具成本效益，且未利用资源为未来优化提供潜力。
2025-08-20 cs.DC cs.GT
Demand-Aware Network Design with Steiner Nodes and a Connection to Virtual Network Embedding
本文研究需求感知有界度网络设计，引入Steiner节点增强模型，分析其复杂性及与虚拟网络嵌入的联系，提出常数因子近似算法和高性能启发式方法，并经数据中心真实流量验证有效。
2023-08-21 cs.DC cs.DS cs.NI
Workload Trace Generation for Dynamic Environments in Cloud Computing
云计算供应商在实际的云市场中提供数百万台虚拟机。在这种情况下，虚拟机放置（VMP）是云基础设施管理中最具挑战性的问题之一，考虑到大量可能的优化标准和可以研究的不同配方。考虑到云计算的按需模型，VMP问题应动态优化以有效地处理现代应用的典型工作负载。这项工作提出了几个动态的环境，解决VMP从供应商的角度来看，最相关的动态参数研究到目前为止，在VMP文献。在这项工作中提出了一套完整的环境和工作负载跟踪的例子。
2015-11-07 cs.DC
Exploring Mixed Integer Programming Reformulations for Virtual Machine Placement with Disk Anti-Colocation Constraints
数据中心资源管理的重要问题之一是将虚拟机（VM）放置到物理机（PM），使得在受到各种约束的情况下优化某些成本、利润或性能目标。在本文中，我们考虑了一个有趣的和困难的虚拟机放置问题与磁盘反托管约束：虚拟机的虚拟磁盘应分散在其分配的PM的物理磁盘。对于解决方案，我们使用混合整数规划（MIP）的配方和算法。然而，一个挑战是MIP算法的潜在的长计算时间。在本文中，我们将探讨如何重新制定的问题，可以帮助减少计算时间。我们开发了两个重新配方，通过重新定义的变量，为我们的VM放置问题，并评估所有三个配方的计算时间。我们表明，它们有很大不同的计算时间。所有这三种公式都是有用的，但适用于不同的问题实例。他们都应该被保存在工具箱中以解决问题。在这三种方法中，公式化COMB特别灵活和通用，它可以解决大型问题实例。
2019-03-06 cs.DC
Energy Efficient Algorithms based on VM Consolidation for Cloud Computing: Comparisons and Evaluations
云计算范式已经彻底改变了IT行业，并能够提供计算作为第五公用事业。云计算采用现收现付的模式，能够随时为客户动态提供资源。云计算被视为现代经济的支柱之一，受到学术界和工业界的关注。然而，云数据中心的高能耗导致了高运营成本和对环境的碳排放。因此，需要绿色云计算来确保能源效率和可持续性，这可以通过节能技术来实现。其中一种主要方法是应用节能算法来优化资源使用和能耗。目前，已经提出了各种基于虚拟机整合的节能算法来降低云计算环境的能量。然而，它们中的大多数没有在相同的场景下进行全面的比较，并且它们的性能没有用相同的实验设置进行评估。这使得用户很难为他们的目标选择合适的算法。为了对现有的节能算法提供见解，并帮助研究人员选择最合适的算法，本文从多个角度，包括架构，建模和度量，深入比较了几种最先进的节能算法。此外，我们还实现和评估这些算法与CloudSim工具包中相同的实验设置。实验结果表明，这些算法的性能比较与综合的结果。最后，这些算法的详细讨论。
2020-02-12 cs.DC
In Datacenter Performance, The Only Constant Is Change
所有计算基础设施都存在性能可变性，无论是裸机还是虚拟化。这种现象源于许多来源：一些是暂时的，例如嘈杂的邻居，而其他则是更永久但突然的，例如硬件的变化或磨损，底层管理程序堆栈的变化，甚至是计算资源提供商的策略与活动工作负载之间的未记录交互。因此，在云、HPC设施以及更一般的数据中心环境上获得的性能测量几乎保证表现出随时间演变的性能机制，这导致应用性能中的不期望的非平稳性。在本文中，我们提出了我们对CloudLab测试平台上可用的裸金属硬件的性能分析，我们专注于使用变点检测来量化不断变化的性能机制。我们描述了我们的研究结果，该结果由一个数据集支持，该数据集在2年零9个月的时间内从1600多台机器中收集了近690万个基准测试结果。这些研究结果产生一个全面的表征，在一个计算设施，用于研究其他基础设施上的这种模式的方法，在现实世界中的性能变化模式，并有助于更好地了解一般的性能变化。
2020-03-10 cs.DC cs.PF
Virtual Network Embedding Algorithms Based on Best-Fit Subgraph Detection
云计算提供商的主要目标之一是通过尽可能多地容纳虚拟网络请求来增加其云计算中心的收入。然而，虚拟网络请求的到达和离开使物理网络的资源碎片化，并且降低了接受更多虚拟网络请求的可能性。为了增加碎片化物理网络所能容纳的虚拟网络请求的数量，提出了两种虚拟网络嵌入算法，分别采用重边匹配（HEM）技术对虚拟网络进行粗化和将粗化后的虚拟网络嵌入到最适合的子网络上.通过大量的仿真实验，对所提算法的性能进行了评估，并与现有算法进行了比较，结果表明，所提算法提高了接收率和收益。
2015-02-10 cs.DC cs.NI
Carbon-Aware Computing for Datacenters
电网上每千瓦时排放的CO $_2$量随时间变化，并且由于发电类型而随位置变化很大。仓库规模计算机的网络集合，有时称为超大规模计算，如果不考虑碳强度的这些变化，则会排放比所需更多的碳。本文介绍了谷歌的碳智能计算管理系统，该系统通过延迟临时灵活的工作负载，积极地最大限度地减少基于电力的碳足迹和电力基础设施成本。该系统的核心组件是一套分析管道，用于收集第二天的碳强度预测，训练前一天的需求预测模型，并使用风险感知优化为Google车队中的所有数据中心集群生成第二天的碳感知虚拟容量曲线（VCC）。VCC对时间灵活的工作负载的可用资源施加了小时限制，同时保留了整体的日容量，使所有此类工作负载都能在一天内完成。运行数据显示，当电网的能源供应组合是碳密集型时，VCC有效地限制了每小时的容量，并将时间灵活的工作负载的执行延迟到“更环保”的时间。
2021-06-11 cs.DC cs.SY eess.SY
A Multi-Tenant Framework for Cloud Container Services
容器技术在云原生时代发展迅速。Kubernetes作为一个生产级容器编排平台，已被证明在内部部署的容器化应用程序管理方面是成功的。然而，Kubernetes在设计上缺乏足够的多租户支持，这意味着在云环境中，需要专用集群来服务多个用户，即，租户.这种限制大大削弱了云计算的优势，并使得使用Kubernetes构建多租户软件即服务（SaaS）产品变得困难。在本文中，我们提出了Virtual-Cluster，这是一个新的多租户框架，它扩展了Kubernetes并提供了足够的多租户支持。基本上，VirtualCluster提供控制平面和数据平面隔离，同时在租户之间共享底层计算资源。新框架通过避免修改Kubernetes核心组件来保持API兼容性。因此，它可以很容易地与现有的Kubernetes用例集成。我们的实验结果表明，VirtualCluster引入的开销，在延迟和吞吐量方面，是适度的。
2021-03-24 cs.DC
BalCon -- resource balancing algorithm for VM consolidation
BalCon算法通过分类集群状态并选择三种启发式策略之一均衡资源，结合关键的Force Step改进，在750多个实例上达到99.7%的最优解率，显著提升虚拟机整合效果并降低迁移成本。
2023-09-21 cs.DC cs.DM cs.DS
Prepartition: Load Balancing Approach for Virtual Machine Reservations in a Cloud Data Center
负载均衡对于云数据中心的高效和长期运营至关重要。对于虚拟化，在分配后进行虚拟机的后（反应式）迁移是负载均衡和整合的传统方式。然而，反应式迁移不容易达到预定义的负载平衡目标，并且可能会中断服务并带来不稳定性。因此，我们提出了一种新的方法，称为预分区，负载均衡。它将VM请求按开始时间、结束时间和容量需求顺序划分为几个子请求，并将每个子请求视为常规VM请求。通过这种方式，它可以主动为每个物理机器上的每个VM请求设置边界，并使调度器在VM迁移之前做好准备，以获得预定义的负载均衡目标，从而以细粒度的方式支持资源分配。仿真合成数据表明，在平均利用率、不平衡度、最大完工时间和容量最大完工时间等指标下，PrepartitionOff调度算法比现有的负载均衡算法性能提高10%~ 20%.我们还将预分区扩展到在线负载均衡。评估结果表明，我们提出的方法也优于现有的在线算法。
2021-10-19 cs.DC
Performance Constraint and Power-Aware Allocation For User Requests In Virtual Computing Lab
云计算由规模经济驱动。云系统使用虚拟化技术以虚拟机的形式向用户提供云资源（例如CPU、内存）。虚拟机（VM）是一种面向用户应用的沙箱，适合在教育环境中为教学和科研需求提供计算资源。在资源管理方面，他们希望通过降低大规模数据中心系统的电子账单的昂贵成本来降低运营成本。基于租赁的模型适用于我们的虚拟计算实验室，其中用户请求租赁虚拟机的资源。本文提出了两种主机选择策略MAP（minimum of active physical hosts）和MAP-H2 L，以及四种解决租用调度问题的算法。FF-MAP、FF-MAP-H2 L算法满足能量消耗和服务质量（例如性能）之间的折衷。通过对LLNL Atlas日志转换的7天工作负载的仿真，表明FF-MAP和FF-MAP-H2 L算法在租赁调度器Haizea中比现有贪婪映射算法分别降低了7.24%和7.42%的能耗。此外，在HalfPI-FF-MAP和PI-FF-MAP算法中引入了合并比θ，θ分别为π/2和π，仿真结果表明，它们的能耗分别降低了34.87%和63.12%。
2012-12-26 cs.DC
Analysis of Memory Ballooning Technique for Dynamic Memory Management of Virtual Machines (VMs)
内存膨胀是虚拟机的动态存储管理技术。内存回收是管理程序使用的内存回收技术操作的一部分，以允许物理主机系统从某些客户虚拟机（VM）检索未使用的内存并与其他虚拟机共享。内存膨胀允许来宾虚拟机所需的RAM总量超过主机上可用的物理RAM量。内存超量使用可以在虚拟机管理程序中实现更高的整合率。使用内存超量使用，用户可以在物理机上整合VM，以便以最佳方式利用物理资源，同时提供良好的性能。因此，内存回收是内存过度使用的一个组成部分。在本文中，我们解决的内存膨胀的基本原因是使用内存密集型虚拟机的内存超量使用。通过对现有回收技术的比较，确定了内存过度使用状态下的代价关联。本文的目的是分析虚拟机动态存储管理的内存膨胀技术。为了进行这项分析，我们在DIU创新科技中心实验室安装和配置了基于VMware的虚拟化软件，例如VMware Server、vCenter Server、vSphere Client，以监控和分析虚拟机的内存膨胀技术性能。用两个不同的测试用例对内存膨胀技术的性能进行了评估。其目的是帮助用户了解这种技术如何影响性能。最后，我们给出了在不同的内存限制下，使用膨胀或交换时的吞吐量，并分析了这种技术的VM性能问题。
2014-11-26 cs.DC
Improving virtual host efficiency through resource and interference aware scheduling
现代的云计算结构即服务云在竞争激烈的环境中运行，可以满足任何用户对计算资源的需求。由不同应用共享各种类型的资源提出了一系列挑战，以便优化资源利用，同时避免由应用干扰引起的性能下降。在本文中，我们提出了两种调度方法，执行多核物理机上的整合技术。我们的资源感知和干扰感知调度方案的目的是提高物理主机的效率，同时考虑到主机超额认购和由此产生的工作负载干扰，保持应用程序的性能。我们通过一组代表广泛的现代云应用程序的实际工作负载来验证我们的全面运营框架。实验结果证明了我们的系统在优化资源利用率，从而能源消耗的效率，即使在存在超额认购。这两种方法实现了显着减少的CPU时间消耗，达到高达50%，而在同一时间保持工作负载性能相比，广泛使用的调度方案下的各种代表性的云平台场景。
2016-01-27 cs.DC
Scalarization Methods for Many-Objective Virtual Machine Placement of Elastic Infrastructures in Overbooked Cloud Computing Data Centers Under Uncertainty
云计算中心在高度动态的环境中按需提供数千到数百万个虚拟机（VM），需要将所请求的VM快速放置到可用的物理机（PM）中。由于客户需求的随机性，虚拟机布局（VMP）应被表示为一个在线优化问题。这项工作的第一部分分析了解决问题的替代方案，考虑到几个实验工作量，对五种不同的在线确定性memetic算法进行了实验比较。仿真结果表明，首次拟合递减算法（A4）的平均性能优于其他评估的算法。这项工作提出了一个两阶段的计划制定的VMP问题，考虑在IaaS环境中的弹性和超额预订能力的三个目标函数的优化。两阶段模式公式描述了虚拟机的分配可以分为两个子问题，增量分配（iVMP）和布局的重新配置（VMPr）。为了分析替代方案，以解决制定的问题，三个不同的目标函数标量化方法的一部分，iVMP和VMPr的实验比较进行了考虑几个实验工作量。仿真结果表明，欧几里德距离原点优于其他评估的标量化方法的平均。为了描绘IaaS环境的动态特性，开发了一个可定制的工作负载跟踪生成器，以模拟虚拟机请求中具有弹性和超额预订资源的场景中的不确定性。实验结果证明，欧几里得距离比其他标度化方法更能提高功耗目标函数的值。
2018-02-12 cs.DC
POLCA: Power Oversubscription in LLM Cloud Providers
University of Washington（华盛顿大学）；Microsoft（微软）；Microsoft Azure（微软Azure）
针对LLM云数据中心功率瓶颈问题，提出稳健可靠的POLCA功率超额订阅框架，可在推理集群中多部署30%服务器且性能损失极小，提升数据中心功率效率与部署速度。
2023-08-24 cs.AR cs.DC cs.LG
Prepartition: Paradigm for the Load Balance of Virtual Machine Allocation in Data Centers
应用负载均衡策略对提高数据中心资源的性能和可靠性具有重要意义。云数据中心调度问题中的一个挑战是考虑可重构虚拟机（VM）的分配和迁移以及托管物理机（PM）的集成特性。在预约模型中，数据中心的工作负载具有固定的处理间隔特性。负载均衡调度是一个NP难问题，已有许多文献证明了这一点。传统上，对于没有迁移的离线负载平衡，最好的方法之一是LPT（最长处理时间优先），众所周知，其近似比率为4/3。通过虚拟化，在分配后对VM进行反应式（后）迁移是一种流行的负载平衡和流量整合方法。然而，反应式迁移很难达到预定义的负载平衡目标，并可能导致服务中断和不稳定以及其他相关成本。有鉴于此，我们提出了一个新的范例，称为预分区，它主动设置处理时间约束的每个请求上的每个PM，并提前准备迁移虚拟机，以实现预定义的平衡目标。预分区可以通过提前准备VM迁移来减少处理时间，从而减少不稳定性并根据需要实现更好的负载平衡。我们还将Prepartition应用于在线（PrepartitionOn）负载平衡，并将其与现有的在线调度算法进行比较。理论和实验结果。
2015-08-26 cs.DC
Reducing the Upfront Cost of Private Clouds with Clairvoyant Virtual Machine Placement
虽然公共云仍然占据了整个云基础设施的最大部分，但私有云由于其更好的安全性和隐私控制，正吸引着越来越多的行业和学术界的兴趣。根据现有的研究，高昂的前期成本是与私有云相关的最关键挑战之一。为了降低成本和提高性能，虚拟机放置（VMP）方法已被广泛研究，然而，这些方法很少关注私有云。本文提出了一种异构和多维透视动态装箱（CDBP）模型，调度器可以使用虚拟机到达时间和持续时间的附加信息进行更有效的VMP流程，以减少数据中心规模，从而降低私有云的前期成本。此外，提出了一种新的分支定界算法与分治策略（DCBB），以有效地和高效地处理派生的问题。一个国家的最先进的和几个经典的VMP方法也被修改，以适应所提出的模型，以观察他们的性能，并与我们提出的算法进行比较。在真实世界和合成工作负载上进行了大量的实验，以评估算法的准确性和效率。实验结果表明，DCBB提供了接近最优的解决方案，收敛速度比其他基于搜索的算法评估快得多。特别是，DCBB产生的最佳解决方案，为现实世界的工作负载的执行时间是一个数量级短于所需的原始分支定界（BB）算法。
2018-12-22 cs.DC
An Efficient Max-Min Resource Allocator and Task Scheduling Algorithm in Cloud Computing Environment
云计算是一种新的原型，它通过数据中心的支持向云用户提供动态计算服务，数据中心采用数据中心代理的服务，数据中心代理发现资源并虚拟地分配资源。本研究的重点是有效地优化资源分配在云中利用最大-最小调度算法，并加强它，以提高效率的完成时间（makespan）。这是提高云调度性能和缩小云服务提供商与云资源消费者/用户之间性能差距的关键。当前的Max-Min算法在能够给出最小完成时间的更快的可用机器或资源上选择具有最大执行时间的任务。该算法考虑的是先给执行时间最长的任务以优先级，然后再给执行时间最短的任务以最小化完工时间。该算法的缺点是，先执行最大执行时间的任务会增加最大完工时间，如果最大执行时间的任务数超过最小执行时间的任务数，则会导致最小执行时间的任务执行延迟，因此需要对其进行改进，以减少最小执行时间的任务执行延迟。利用CloudSim仿真软件对改进的Max-Min算法和传统的Max-Min算法进行了仿真比较。实验结果表明，改进算法是有效的，可以产生更好的最大完工时间比Max-Min和DataAware。
2016-11-27 cs.DC
Towards Efficient VM Placement: A Two-Stage ACO-PSO Approach for Green Cloud Infrastructure
针对云数据中心能耗高的问题，提出两阶段混合ACO-PSO算法HAPSO，通过初始放置与迁移优化实现节能，仿真显示其性能优于多种对比算法，可显著降低能耗与SLA违规。
2025-10-01 cs.DC
Experimental Assessment of Containers Running on Top of Virtual Machines
本文在真实测试平台上实验比较了容器运行于虚拟机之上与独立虚拟机、独立容器在不同硬件资源下的性能，涵盖多种虚拟化方式和容器平台。
2024-01-15 cs.AR cs.DC cs.PF
A smart resource management mechanism with trust access control for cloud computing environment
Panipat Institute of Engineering and Technology（帕尼帕特工程技术学院）
计算机业务的核心现在在云计算的帮助下提供基于订阅的按需服务。我们现在可以通过使用虚拟化在多个用户之间共享资源，虚拟化创建了运行在抽象硬件层中的计算机系统的虚拟实例。与早期的分布式计算模型相比，它通过其庞大的云计算中心提供无限的计算能力，并且由于其不断增长的基础设施，用户群和托管数据量，近年来一直非常受欢迎。本文为云环境中的工作负载管理范例提出了一个概念框架，它既安全又高效。在此范例中，资源管理单元用于能量和高效地执行虚拟机分配，确保用户应用程序的安全执行，并实时防止由未经授权的虚拟机访问带来的数据泄露。安全虚拟机管理单元控制资源管理单元，并且被创建为产生关于非法访问或相互通信的数据。此外，工作负载分析器单元同时工作以估计资源消耗数据，以帮助资源管理单元在虚拟机分配期间更有效。所建议的模型以不同的方式有效地服务于相同的目标，包括在传输之前进行数据加密和解密，使用信任访问机制来防止对虚拟机的未授权访问，这会产生额外的计算成本开销。
2022-12-10 cs.AI cs.DC
Energy and SLA aware VM Scheduling
随着云计算在过去几年中的发展，从传统数据中心到支持云的数据中心已经发生了巨大的转变。拥有云数据中心的企业正将注意力集中在通过有效利用资源来节省能源上。在这项工作中，我们提出的算法，试图尽量减少在数据中心的能源消耗，及时保持SLA的保证。该算法试图通过基于资源利用率动态地重新平衡物理机来利用数据中心中最少数量的物理机。这些算法还可以在物理机器上执行虚拟机的最佳整合，最大限度地减少SLA违规。在广泛的模拟，我们的算法实现节省约21%的能源消耗和维护SLA方面，它比单阈值算法的性能好60%。
2014-11-22 cs.DC
ADARES: Adaptive Resource Management for Virtual Machines
University of Washington（华盛顿大学）；Purdue University（普渡大学）；Nutanix Inc.（路坦力公司）
虚拟执行环境允许将多个应用程序整合到同一物理服务器上，从而能够更有效地使用服务器资源。然而，用户通常通过猜测来静态地配置虚拟机的资源，导致资源分配不足从而阻碍VM性能，或者分配过多从而浪费宝贵的数据中心资源。在本文中，我们首先通过分析一个广泛的数据集，包括超过250k的虚拟机超过3.6k的私营企业集群的真实世界的资源分配和利用率的虚拟机的特征。我们的大规模分析证实，虚拟机经常配置错误，要么过度配置，要么配置不足，而且这个问题在广泛的私有集群中普遍存在。然后，我们提出ADARES，一个自适应系统，动态调整VM资源使用机器学习技术。特别是，ADARES利用上下文强盗框架来有效地管理适应。我们的系统在集群、节点和虚拟机级别利用易于收集的数据来做出更明智的分配决策，并使用迁移学习来安全地探索配置空间并加快训练速度。我们的实证评估表明，ADARES可以显着提高系统利用率，而不牺牲性能。例如，与阈值和基于预测的基线相比，它实现了更可预测的虚拟机级性能，并将实际群集上合成工作负载的虚拟CPU和内存配置量分别减少了35%和60%。
2018-12-06 cs.DC cs.LG
A Taxonomy of Live Migration Management in Cloud Computing
云数据中心已成为提供服务的骨干基础设施。随着新兴的边缘计算模式，计算和网络功能已从云推向边缘，以提供具有低端到端延迟的计算，智能和网络管理。边缘和云计算中跨不同计算节点的服务迁移对于保证动态环境中的服务质量至关重要。动态资源管理涉及到迁移虚拟机以实现各种目标，如负载均衡、整合、性能、节能和灾难恢复等。一些人已经研究了如何提高和预测VM和容器的单个实时迁移的性能。最近，一些研究服务迁移的边缘为中心的计算范式。然而，缺乏关注边缘和云计算环境中的实时迁移管理的调查。我们检查每个字段的特征，并进行以迁移管理为中心的分类和调查。我们还确定了差距和研究机会，以保证实时迁移的资源管理性能。
2021-12-05 cs.DC
A Taxonomy and Future Directions for Sustainable Cloud Computing: 360 Degree View
云计算范例通过互联网提供按需服务并支持各种各样的应用。随着最近基于物联网（IoT）的应用的增长，云服务的使用呈指数级增长。下一代云计算必须是节能和可持续的，以满足不断变化的最终用户需求。目前，云计算提供商面临着确保其服务的能源效率和可持续性的挑战。大量云计算中心的使用增加了成本和碳足迹，这进一步影响了云服务的可持续性。在本文中，我们提出了一个全面的分类可持续的云计算。分类法是用来调查现有的技术，可持续发展，需要仔细的关注和调查所提出的几个学术和工业团体。此外，目前对可持续云计算的研究分为几个类别：应用程序设计，可持续性指标，容量规划，能源管理，虚拟化，热感知调度，冷却管理，可再生能源和废热利用。对现有技术进行了比较，并根据共同的特点和性质进行了分类。提出了可持续云计算的概念模型，并讨论了未来的研究方向。
2018-07-09 cs.DC
Optimized Cloud Resource Allocation Using Genetic Algorithms for Energy Efficiency and QoS Assurance
JAIN (Deemed – to – be University)（JAIN（被视为大学））
针对云计算资源管理中的能耗与服务质量平衡问题，提出基于遗传算法的虚拟机放置与整合方法，动态调整分配，显著降低能耗、迁移次数、SLA违约率和执行时间。
2025-04-24 cs.AI cs.DC
The Case for Time-Shared Computing Resources
本文针对ICT资源约束与环境影响，论证应超越硬件级分时共享，在更高抽象层增强租户间计算资源互助化，以性能权衡换取集群整合与能效提升。
2025-07-28 cs.DC
A Survey on Bilateral Multi-Round Cloud-SLA Negotiation Strategies
本文综述了交易云资源的多轮双边SLA协商策略，分析了现有研究的趋势、差距与形式化方法，并提出了促进工业界实施该策略的建议。
2025-07-09 cs.DC cs.GT
Machine Learning (ML)-Centric Resource Management in Cloud Computing: A Review and Future Directions
University of Electronic Science and Technology of China（电子科技大学）；University of Melbourne（墨尔本大学）
云计算已经迅速成为用于提供基于互联网的效用计算服务的模型。在云计算中，基础设施即服务（IaaS）是最重要和发展最快的领域之一。云提供商在此服务模型中提供用户/机器资源，例如虚拟机、原始（块）存储、防火墙、负载均衡器和网络设备。IaaS的云计算最重要的方面之一是资源管理。可扩展性、服务质量、最佳效用、降低开销、增加吞吐量、减少延迟、专业化环境、成本效益和简化界面是云计算中IaaS资源管理的一些优势。传统上，资源管理是通过静态策略来完成的，这在各种动态场景中施加了一定的限制，促使云服务提供商采用数据驱动的、基于机器学习的方法。机器学习正被用于处理各种资源管理任务，包括工作负载估计、任务调度、VM整合、资源优化和能量优化等。本文详细介绍了基于ML的资源管理在当前研究中面临的挑战，以及当前解决这些挑战的方法，以及它们的优点和局限性。最后，我们提出了潜在的未来研究方向的基础上确定的挑战和局限性，在目前的研究。
2021-05-09 cs.DC cs.LG
Big Data Workload Profiling for Energy-Aware Cloud Resource Management
Independent Researchers, Senior Members, IEEE（IEEE独立研究者、高级成员）
本文提出一种基于大数据工作负载建模的能耗感知云资源调度框架，通过分析CPU、内存和存储IO行为，实现虚拟机放置的节能优化，实验表明可节省15-20%的能耗并保持性能稳定。
2026-01-17 cs.AI cs.DC cs.SE
Combination of Convolutional Neural Network and Gated Recurrent Unit for Energy Aware Resource Allocation
Ayandegan Institute of Higher Education（阿扬德甘高等教育学院）；Islamic Azad University（伊斯兰阿扎德大学）
云计算服务模式已经经历了快速的增长，并且低效率的资源使用被认为是云数据中心高能耗的最大原因之一。旨在减少能耗的云数据中心中的资源分配已经使用虚拟机（VM）的实时迁移及其合并到少量物理机（PM）中来进行。然而，选择适当的VM进行迁移是一个重要的挑战。为了解决这个问题，可以根据用户请求的模式将VM分类为对延迟敏感或不敏感的类别，然后可以选择合适的VM进行迁移。在本文中，卷积神经网络（CNN）和门控递归单元（GRU）的组合用于Microsoft Azure数据集中的VM分类。由于该数据集中的大多数VM都被标记为对延迟不敏感，因此迁移该组中的更多VM不仅可以降低能耗，还可以减少违反服务水平协议（SLA）的情况。实证结果表明，该模型的预测准确率为95.18，明显优于其他模型。
2021-06-23 cs.DC cs.LG cs.NI
Genomics as a Service: a Joint Computing and Networking Perspective
本文提供了一个全球性的图片部署的网络处理服务的基因组数据集。目前许多研究广泛使用基因组数据，这些数据是巨大的，并随着时间的推移迅速增加。它们通常存储在远程数据库中，可通过互联网访问。因此，通过数据网有效处理基因组数据的重要问题在于可用的网络服务。本文的第一个贡献包括识别基因组数据的尚未开发的功能，可以优化其网络化管理。这项调查的第二个也是主要贡献包括计算和网络替代方案的方法分类，这些替代方案可用于提供我们所谓的基因组即服务（GaaS）范式。更详细地说，我们分析了主要的基因组处理应用程序，不仅对在本地机器或分布式云环境中运行基因组学工作流程的主要计算替代方案进行了分类，而且还对可用于开发基因组处理服务的主要软件技术进行了分类。由于仅包含计算方面的分析只能提供部署GaaS系统问题的部分视图，因此我们还介绍了可用于有效支持GaaS解决方案的主要网络技术。我们首先关注现有的服务平台，并分析它们的服务功能，如可扩展性，灵活性和效率。然后，我们为广域网和数据中心网络技术提出了一个分类，这些技术可能符合GaaS的要求。通过推动GaaS范式的采用，计算和网络中的虚拟化是成功大规模利用基因组数据的关键。最后，本文阐述了该领域未来研究挑战的短期和长期愿景。
2018-09-26 cs.DC q-bio.GN
