陳偉, 程家超, 張超

(宿州職業(yè)技術(shù)學(xué)院計(jì)算機(jī)系, 安徽宿州234101)

云計(jì)算環(huán)境下基于改進(jìn)GSO的目標(biāo)主機(jī)選擇算法

陳偉, 程家超, 張超

(宿州職業(yè)技術(shù)學(xué)院計(jì)算機(jī)系, 安徽宿州234101)

目標(biāo)主機(jī)的選擇是虛擬機(jī)動(dòng)態(tài)遷移過(guò)程中的重要階段，是實(shí)現(xiàn)負(fù)載均衡的關(guān)鍵。針對(duì)基本螢火蟲(chóng)算法存在的精度不高、收斂較慢的問(wèn)題，提出了一種改進(jìn)的螢火蟲(chóng)優(yōu)化算法，用于解決虛擬機(jī)遷移時(shí)虛擬機(jī)和目標(biāo)物理主機(jī)的映射問(wèn)題，實(shí)現(xiàn)多目標(biāo)最優(yōu)求解。該算法通過(guò)引入步長(zhǎng)調(diào)整因子，能夠動(dòng)態(tài)調(diào)整移動(dòng)步長(zhǎng)，克服了步長(zhǎng)過(guò)大或過(guò)小導(dǎo)致的精度不高、后期收斂較慢的缺點(diǎn)。全面考慮物理主機(jī)負(fù)載指標(biāo)，建立負(fù)載均衡模型，將螢火蟲(chóng)算法中個(gè)體與節(jié)點(diǎn)資源相對(duì)應(yīng)，利用螢火蟲(chóng)發(fā)光機(jī)制尋優(yōu)求解，以實(shí)現(xiàn)目標(biāo)主機(jī)的優(yōu)化選擇。仿真實(shí)驗(yàn)表明，該算法能夠快速完成目標(biāo)主機(jī)的選擇，有效平衡系統(tǒng)資源，實(shí)現(xiàn)數(shù)據(jù)中心負(fù)載均衡。

云計(jì)算；螢火蟲(chóng)群優(yōu)化算法；動(dòng)態(tài)步長(zhǎng)；負(fù)載均衡；目標(biāo)主機(jī)選擇；虛擬機(jī)

引言

云計(jì)算[1]是集分布式計(jì)算、虛擬化技術(shù)、網(wǎng)格計(jì)算和 Web 服務(wù)等技術(shù)發(fā)展起來(lái)的一種綜合技術(shù)[2]，它為用戶(hù)提供了基礎(chǔ)設(shè)施、平臺(tái)以及軟件的服務(wù)，并且通過(guò)互聯(lián)網(wǎng)將服務(wù)按需的提供給用戶(hù)[3]。虛擬化技術(shù)[4]是云計(jì)算中的關(guān)鍵技術(shù)，可以把硬件資源如服務(wù)器、網(wǎng)絡(luò)、內(nèi)存及存儲(chǔ)等進(jìn)行虛擬化，在物理機(jī)上批量創(chuàng)建虛擬機(jī)來(lái)擴(kuò)展基礎(chǔ)設(shè)施層的云資源池，同時(shí)可以通過(guò)虛擬機(jī)的動(dòng)態(tài)遷移技術(shù)來(lái)實(shí)現(xiàn)云數(shù)據(jù)中心的負(fù)載均衡。虛擬機(jī)的動(dòng)態(tài)遷移，就是把虛擬機(jī)從高負(fù)載物理節(jié)點(diǎn)遷移至低負(fù)載物理節(jié)點(diǎn)，實(shí)現(xiàn)負(fù)載均衡，以提高資源利用率且節(jié)能降耗[5]。虛擬機(jī)遷移過(guò)程中，如何選擇目標(biāo)主機(jī)來(lái)接收遷出的虛擬機(jī)是本文的研究所在。目標(biāo)主機(jī)選擇是一個(gè)NP問(wèn)題，目前大都采用一些啟發(fā)式的算法進(jìn)行求解。文獻(xiàn)[6]中使用最佳適應(yīng)算法通過(guò)向量比較方式尋找遷移后不會(huì)超出負(fù)載閾值上限的目標(biāo)主機(jī)，實(shí)現(xiàn)虛擬機(jī)的調(diào)度；文獻(xiàn)[7]通過(guò)蟻群算法進(jìn)行目標(biāo)求解，資源利用率相對(duì)提高，但算法收斂速度過(guò)慢；文獻(xiàn)[8]采用遺傳算法進(jìn)行虛擬機(jī)的放置，實(shí)現(xiàn)物理機(jī)負(fù)載均衡；文獻(xiàn)[9]引入粒子群優(yōu)化算法并進(jìn)行改進(jìn)，將不滿足遷移的物理機(jī)加入到規(guī)避列表，以避免遷移后資源占用率過(guò)高；文獻(xiàn)[10]提出了一種多目標(biāo)蟻群優(yōu)化的虛擬機(jī)放置算法，主要考慮數(shù)據(jù)中心網(wǎng)絡(luò)流量的優(yōu)化和物理機(jī)資源浪費(fèi)；文獻(xiàn)[11]提出了數(shù)據(jù)中心負(fù)載不均衡度以及物理機(jī)與虛擬機(jī)之間不匹配度的概念，利用蟻群算法實(shí)現(xiàn)較低負(fù)載不均衡度；文獻(xiàn)[12]采用權(quán)值適應(yīng)度粒子群優(yōu)化(WFPSO)算法，能更好地降低應(yīng)用的執(zhí)行時(shí)間，但未考慮負(fù)載均衡的情況。

本文針對(duì)虛擬機(jī)遷移中目標(biāo)主機(jī)選擇問(wèn)題，引入人工螢火蟲(chóng)群優(yōu)化(Glowworm Swarm Optimization, GSO)算法，并進(jìn)行改進(jìn)，從負(fù)載均衡角度出發(fā)，對(duì)目標(biāo)主機(jī)尋優(yōu)問(wèn)題進(jìn)行求解，并通過(guò)實(shí)驗(yàn)對(duì)該算法有效性進(jìn)行驗(yàn)證。

1 云計(jì)算負(fù)載均衡模型

云計(jì)算環(huán)境下，當(dāng)某物理主機(jī)上負(fù)載過(guò)高時(shí)可以通過(guò)遷出虛擬機(jī)的方式減輕負(fù)載，本文的算法是讓遷出的虛擬機(jī)分配給負(fù)載值小的目標(biāo)主機(jī)，避免加重高載主機(jī)的負(fù)擔(dān)，從而提高系統(tǒng)運(yùn)行效率和資源利用率。

云計(jì)算中單個(gè)節(jié)點(diǎn)的負(fù)載指標(biāo)[13]主要包括CPU利用率Ci、內(nèi)存利用率Mi、磁盤(pán)利用率Di和帶寬利用率Bi。設(shè)Ci、Mi、Di、Bi的權(quán)重分別為α1、α2、α3、α4，則節(jié)點(diǎn)i的綜合負(fù)載為：

L(i)=α1Ci+α2Mi+α3Di+α4Bi

(1)

其中：α1+α2+α3+α4=1，Ci、Mi、Di、Bi的值分別為：

(2)

(3)

(4)

(5)

其中：j表示物理節(jié)點(diǎn)i上第j個(gè)虛擬機(jī)；

分別表示物理節(jié)點(diǎn)i上虛擬機(jī)使用的CPU、內(nèi)存、磁盤(pán)、帶寬之和；

分別表示節(jié)點(diǎn)i上CPU、內(nèi)存、磁盤(pán)、帶寬總量。

云數(shù)據(jù)中心中物理機(jī)集群的平均負(fù)載為各物理主機(jī)負(fù)載的平均值，表示為：

(6)

由此可以計(jì)算出物理機(jī)負(fù)載信息值的標(biāo)準(zhǔn)差，衡量整個(gè)云數(shù)據(jù)中心的總體負(fù)載均衡情況，并將此標(biāo)準(zhǔn)差作為適應(yīng)度函數(shù)。

(7)

由S的表達(dá)式可以看出，標(biāo)準(zhǔn)差越小表明數(shù)據(jù)中心中各個(gè)物理機(jī)負(fù)載差異較小，整個(gè)云計(jì)算環(huán)境負(fù)載效果較好[14]，反之，則越差。虛擬機(jī)遷移中目標(biāo)主機(jī)的選擇就是保證遷入后能讓整體負(fù)載達(dá)到最優(yōu)，S的值達(dá)到最小。

2 GSO算法

GSO算法是印度學(xué)者K.N.Krishnanand和D.Ghose于2005年提出的一種新型群智能優(yōu)化算法[15]。算法的思想源于模擬螢火蟲(chóng)在晚上群聚活動(dòng)的自然現(xiàn)象而提出的，螢火蟲(chóng)通過(guò)散發(fā)熒光素與同伴進(jìn)行信息傳遞告知食物源，熒光素越高越亮的螢火蟲(chóng)其對(duì)同伴的吸引力和號(hào)召力就越強(qiáng)，最終大量的螢火蟲(chóng)聚集在較亮的螢火蟲(chóng)周?chē)布词鞘澄镓S富的地方。

在GSO算法中，每只螢火蟲(chóng)都被看作是解空間的一個(gè)解，每個(gè)螢火蟲(chóng)都被隨機(jī)分布在目標(biāo)函數(shù)的定義空間中，螢火蟲(chóng)各自擁有自己的熒光素和視線范圍。每個(gè)螢火蟲(chóng)熒光素的亮度和自己所在位置對(duì)應(yīng)的目標(biāo)函數(shù)的適應(yīng)度值有關(guān)。熒光素越亮的螢火蟲(chóng)所在位置視為越好，對(duì)應(yīng)的目標(biāo)函數(shù)值越優(yōu)。GSO算法中螢火蟲(chóng)尋優(yōu)的移動(dòng)方式：螢火蟲(chóng)在自己的視野范圍內(nèi)尋找鄰域內(nèi)熒光較亮的螢火蟲(chóng)并向其移動(dòng)靠攏，螢火蟲(chóng)的視野即決策域半徑會(huì)隨鄰域中螢火蟲(chóng)密度發(fā)生變化，當(dāng)密度較小時(shí)會(huì)加大決策半徑以便可以找到更多的螢火蟲(chóng)，反之會(huì)減小決策半徑。最終，通過(guò)不斷地位置更新，使大部分螢火蟲(chóng)聚集在較優(yōu)的位置從而實(shí)現(xiàn)目標(biāo)的優(yōu)化。

2.1熒光素更新

每只螢火蟲(chóng)都有自己的熒光素，通過(guò)熒光素的亮光來(lái)吸引同伴，熒光素的更新公式為：

li(t+1)=(1-ρ)li(t)+γJ(xi(t+1))

(8)

其中：li(t)為第t代第i只螢火蟲(chóng)的熒光素值；xi(t+1)表示第t+1代螢火蟲(chóng)的位置；J(xi(t+1))表示螢火蟲(chóng)所在位置對(duì)應(yīng)的目標(biāo)函數(shù)的適應(yīng)度值；ρ和γ分別表示螢火蟲(chóng)的消失速率和更新速率。

2.2決策域半徑更新

決策域半徑表示螢火蟲(chóng)的視野范圍，表示算法的搜索空間，在視野范圍內(nèi)搜索其他螢火蟲(chóng)。決策域半徑是動(dòng)態(tài)變化的，會(huì)隨著搜索空間內(nèi)螢火蟲(chóng)的數(shù)目多少而加大或減小，以確保視野范圍內(nèi)的螢火蟲(chóng)數(shù)量，決策域半徑得更新公式為：

β(nt-|Ni(t)|)}}

(9)

(10)

2.3確定螢火蟲(chóng)移動(dòng)方向

螢火蟲(chóng)i的移動(dòng)方向受鄰域內(nèi)熒光素值大的螢火蟲(chóng)影響，熒光素值越大吸引力就越大，相應(yīng)地，螢火蟲(chóng)選擇向其移動(dòng)的概率就越大。假設(shè)螢火蟲(chóng)向概率最大的螢火蟲(chóng)j移動(dòng)，則有：

j=max(pi)

(11)

其中：pi=(pi1,pi2,...,piNi(t))；螢火蟲(chóng)i向j移動(dòng)的選擇概率為：

(12)

2.4螢火蟲(chóng)位置更新

螢火蟲(chóng)向選擇概率大的螢火蟲(chóng)移動(dòng)后，新的位置表示為：

(13)

3 改進(jìn)GSO算法在目標(biāo)主機(jī)選擇中應(yīng)用

3.1算法應(yīng)用分析

云計(jì)算環(huán)境下，在確保云數(shù)據(jù)中心負(fù)載均衡前提下，選擇目標(biāo)主機(jī)進(jìn)行虛擬機(jī)遷移，解決虛擬機(jī)和物理機(jī)的映射問(wèn)題，把虛擬機(jī)分配到對(duì)應(yīng)的物理主機(jī)上，此選擇過(guò)程即是尋優(yōu)的過(guò)程，可以借鑒GSO算法解空間尋優(yōu)方式求尋找最適合的目標(biāo)主機(jī)，即求算法的最優(yōu)解。把虛擬機(jī)與螢火蟲(chóng)個(gè)體進(jìn)行對(duì)應(yīng)，把虛擬機(jī)遷移過(guò)程中需要遷移的虛擬機(jī)看作是新加入覓食的螢火蟲(chóng)，把物理機(jī)集群看作是螢火蟲(chóng)的聚集群，新加入的螢火蟲(chóng)可以不斷地移動(dòng)變化位置，直至尋找到最優(yōu)位置。尋優(yōu)過(guò)程需滿足云數(shù)據(jù)中心負(fù)載標(biāo)準(zhǔn)差越小，J(xi(t+1))的值越大，由此得出，螢火蟲(chóng)熒光素越亮，位置越好，負(fù)載標(biāo)準(zhǔn)差也越小，螢火蟲(chóng)的位置即為需要選擇的目標(biāo)主機(jī)。

3.2改進(jìn)GSO算法

3.2.1 GSO算法存在問(wèn)題

GSO算法具有較強(qiáng)的搜索能力，操作方便，實(shí)現(xiàn)起來(lái)比較簡(jiǎn)單，但是后期收斂速度慢和求解精度不高等缺陷依然存在。GSO算法采用固定移動(dòng)步長(zhǎng)，搜索初期，如果步長(zhǎng)較小，則易陷入局部極值，降低收斂速度；搜索后期，螢火蟲(chóng)個(gè)體和峰值的距離也越來(lái)越近，此時(shí)如果步長(zhǎng)較大，超過(guò)這個(gè)距離則會(huì)跳過(guò)全局最優(yōu)解，造成峰值附近的震蕩，導(dǎo)致精度降低。由此可見(jiàn)，在GSO算法采用固定步長(zhǎng)對(duì)算法的精度和收斂速度都會(huì)有一定的影響，不適合實(shí)際需求，因此，要把算法進(jìn)行改進(jìn)，使得算法在不同的搜索時(shí)期，能夠自動(dòng)調(diào)整步長(zhǎng)的大小，以滿足求解的需要。

3.2.2 步長(zhǎng)動(dòng)態(tài)調(diào)整的GSO算法

針對(duì)GSO算法在收斂速度和求解精度上存在的問(wèn)題，對(duì)GSO算法進(jìn)行了改進(jìn)，使其步長(zhǎng)能夠隨著迭代次數(shù)進(jìn)行動(dòng)態(tài)調(diào)整。迭代初期，個(gè)體與最優(yōu)解距離較遠(yuǎn)，設(shè)置較大的步長(zhǎng)值，有利于全局搜索且易跳出局部極值，提高收斂速度；迭代后期，個(gè)體與最優(yōu)解越來(lái)越靠近，逐步減少步長(zhǎng)值對(duì)局部搜索有利，防止跳過(guò)最優(yōu)解，提高算法精度[16]。為此，引入式(14)和(15)對(duì)步長(zhǎng)進(jìn)行動(dòng)態(tài)調(diào)整。

s(t)=c×s0

(14)

(15)

其中：s0為步長(zhǎng)初始值；c為步長(zhǎng)調(diào)整因子，其值隨著迭代次數(shù)的增加而適當(dāng)減小，隨著實(shí)際位置的變化進(jìn)行動(dòng)態(tài)調(diào)整，初始階段個(gè)體移動(dòng)尋優(yōu)時(shí)離高亮度螢火蟲(chóng)實(shí)際距離越大，則步長(zhǎng)越大；tmax為最大迭代次數(shù)；smax和smin分別表示移動(dòng)步長(zhǎng)的最大值和最小值。由式(13)～式(15)可得出改進(jìn)后的螢火蟲(chóng)位置更新公式：

(16)

改進(jìn)后的算法步長(zhǎng)會(huì)隨著迭代次數(shù)和實(shí)際位置的變化而自適應(yīng)調(diào)整，不會(huì)因?yàn)椴介L(zhǎng)太大導(dǎo)致跳過(guò)最優(yōu)解，也不會(huì)因?yàn)閷?yōu)初期階段步長(zhǎng)太小而影響收斂速度，因此，改進(jìn)后算法在搜索精度和收斂速度能夠得到一定的改善。

3.3目標(biāo)主機(jī)選擇算法實(shí)現(xiàn)流程

算法實(shí)現(xiàn)步驟描述如下：

(1) 初始化。初始化參數(shù)n，ρ，γ，β，nt，s0，rs，l0，smax，smin，tmax，并隨機(jī)產(chǎn)生n只螢火蟲(chóng)，定義其初始位置。

(2) 計(jì)算熒光素。根據(jù)式(8)更新各螢火蟲(chóng)的熒光素值，將其作為目標(biāo)函數(shù)，并需滿足云數(shù)據(jù)中心負(fù)載標(biāo)準(zhǔn)差即式(7)的值越小，J(xi(t+1))的值越大。

(3) 尋找鄰域Ni(t)。在決策域內(nèi)尋找熒光值高于自己的個(gè)體構(gòu)成鄰域Ni(t)。

(4) 確定移動(dòng)方向。按照式(12)計(jì)算選擇概率，確定螢火蟲(chóng)移動(dòng)方向。

(5) 更新螢火蟲(chóng)位置。根據(jù)式(14)和(15)對(duì)移動(dòng)步長(zhǎng)進(jìn)行調(diào)整，然后根據(jù)式(16)進(jìn)行螢火蟲(chóng)位置的更新。

(6) 更新決策域。根據(jù)式(9)更新決策域半徑。

(7) 判斷迭代次數(shù)是否超過(guò)最大值，未達(dá)到則轉(zhuǎn)至步驟(2)，否則轉(zhuǎn)步驟(8)。

(8) 輸出最優(yōu)解。

由于螢火蟲(chóng)熒光素越高吸引力越大，使得螢火蟲(chóng)在移動(dòng)過(guò)程中趨向于熒光素亮的螢火蟲(chóng)，因此，把負(fù)載較小的物理主機(jī)看作是熒光素值較高的螢火蟲(chóng)，從而吸引其他螢火蟲(chóng)向其移動(dòng)，實(shí)現(xiàn)虛擬機(jī)往低負(fù)載目標(biāo)主機(jī)遷移。另外把式(7)作為適應(yīng)度函數(shù)，保證了虛擬機(jī)在遷移到目標(biāo)主機(jī)后云數(shù)據(jù)中心整體的負(fù)載標(biāo)準(zhǔn)差較小，實(shí)現(xiàn)集群負(fù)載均衡。

4 仿真實(shí)驗(yàn)

本文采用仿真實(shí)驗(yàn)工具CloudSim[17]模擬云計(jì)算環(huán)境，采用Java語(yǔ)言編程實(shí)現(xiàn)本文算法進(jìn)行仿真實(shí)驗(yàn)，觀察虛擬機(jī)遷移后云中心負(fù)載均衡及資源使用率情況。

4.1負(fù)載均衡測(cè)試

在云數(shù)據(jù)中心模擬60臺(tái)物理主機(jī)，每臺(tái)物理機(jī)上隨機(jī)部署虛擬機(jī)，并通過(guò)隨機(jī)方式改變虛擬機(jī)的資源使用量，以此模擬負(fù)載的變化。

圖1展示了利用本文算法前后云數(shù)據(jù)中心物理機(jī)資源使用率對(duì)比情況。h1～h60表示物理機(jī)節(jié)點(diǎn)，未調(diào)整之前CPU、內(nèi)存、帶寬使用率差異較大，數(shù)據(jù)中心負(fù)載嚴(yán)重失衡，存在很多高負(fù)載狀態(tài)的物理機(jī)。利用本文算法調(diào)整之后，物理機(jī)的CPU、內(nèi)存、帶寬使用率都趨于正常，維持在60%～70%左右，物理機(jī)負(fù)載比較均衡。

圖1 使用本文算法調(diào)整前后資源使用率對(duì)

采用式(7)物理主機(jī)負(fù)載標(biāo)準(zhǔn)差作為負(fù)載均衡度來(lái)衡量數(shù)據(jù)中心的負(fù)載均衡情況。負(fù)載標(biāo)準(zhǔn)差越小，整體負(fù)載均衡效果越好。圖2展示了幾種基于虛擬機(jī)遷移算法的負(fù)載均衡情況對(duì)比。最優(yōu)負(fù)載調(diào)度策略(Optimality Based Schedule, OBS)基于最優(yōu)負(fù)載，負(fù)載較輕的目標(biāo)主機(jī)會(huì)瞬間急劇升高，導(dǎo)致產(chǎn)生群聚效應(yīng)，負(fù)載均衡度效果不佳。文獻(xiàn)[5]的算法采用負(fù)載預(yù)測(cè)進(jìn)行遷移觸發(fā)，使用加權(quán)概率進(jìn)行目標(biāo)主機(jī)選擇，對(duì)負(fù)載均衡有一定的改善。本文在文獻(xiàn)[5]的基礎(chǔ)上，對(duì)目標(biāo)節(jié)點(diǎn)選擇采用改進(jìn)GSO算法進(jìn)行解決，使個(gè)體在移動(dòng)時(shí)保持負(fù)載標(biāo)準(zhǔn)值最小，從而有效避免了群聚效應(yīng)，負(fù)載均衡度維持較低值，負(fù)載均衡表現(xiàn)非常出色。

圖2 負(fù)載均衡對(duì)比

4.2目標(biāo)主機(jī)選擇

選取不同時(shí)刻對(duì)云數(shù)據(jù)中心發(fā)出虛擬機(jī)遷移請(qǐng)求，對(duì)本文改進(jìn)的GSO算法和基本GSO算法進(jìn)行性能比較。不同時(shí)刻提交的虛擬機(jī)遷移請(qǐng)求個(gè)數(shù)見(jiàn)表1。

表1 不同時(shí)刻遷移數(shù)

不同時(shí)刻兩種算法在發(fā)出遷移請(qǐng)求到選擇目標(biāo)主機(jī)的運(yùn)行時(shí)間如圖3所示。可見(jiàn)，在處理相同虛擬機(jī)遷移請(qǐng)求個(gè)數(shù)時(shí)，對(duì)目標(biāo)主機(jī)的尋優(yōu)過(guò)程中，本文改進(jìn)的GSO算法所用時(shí)間明顯低于基本的GSO算法，能夠快速地定位目標(biāo)主機(jī)，使整體負(fù)載值標(biāo)準(zhǔn)差最小，數(shù)據(jù)中心負(fù)載均衡情況良好。

圖3 不同時(shí)刻遷移時(shí)間對(duì)比

5 結(jié)束語(yǔ)

負(fù)載均衡問(wèn)題是云計(jì)算中的關(guān)鍵問(wèn)題。通過(guò)虛擬機(jī)遷移方式解決云數(shù)據(jù)中心負(fù)載均衡問(wèn)題是本文的研究基礎(chǔ)。本文針對(duì)虛擬機(jī)遷移過(guò)程中目標(biāo)主機(jī)選擇問(wèn)題，引入了螢火蟲(chóng)優(yōu)化算法，并對(duì)其進(jìn)行改進(jìn)，通過(guò)動(dòng)態(tài)調(diào)整步長(zhǎng)方式，完善和克服了精度低、收斂速度慢等問(wèn)題，有效實(shí)現(xiàn)了目標(biāo)主機(jī)的最優(yōu)求解。仿真實(shí)驗(yàn)表明，本文算法能夠快速選擇目標(biāo)主機(jī)，平衡各物理機(jī)負(fù)載差異，實(shí)現(xiàn)云計(jì)算環(huán)境下負(fù)載均衡。

[1] VAQUERO L M,RODERO-MERINO L,CACERES J,et al.A break in the clouds:towards a cloud definition[J].Acm Sigcomm Computer Communication Review,2008,39(1):50-55.

[2] 李喬,鄭嘯.云計(jì)算研究現(xiàn)狀綜述[J].計(jì)算機(jī)科學(xué),2011,38(4):32-37.

[3] 韓德志,李楠楠,畢坤.云環(huán)境下的虛擬化技術(shù)探析[J].華中科技大學(xué)學(xué)報(bào):自然科學(xué)版,2012,40(S1):262-265.

[4] 董運(yùn)萌.一種云計(jì)算環(huán)境下負(fù)載均衡敏感的聚類(lèi)部署方法研究[D].長(zhǎng)春:吉林大學(xué),2015.

[5] 陳偉,張超.基于負(fù)載趨勢(shì)預(yù)測(cè)的虛擬機(jī)動(dòng)態(tài)遷移策略研究[J].綏化學(xué)院學(xué)報(bào),2016,36(12):145-149.

[6] 周文煜,陳華平,楊壽保,等.基于虛擬機(jī)遷移的虛擬機(jī)集群資源調(diào)度[J].華中科技大學(xué)學(xué)報(bào):自然科學(xué)版,2011,39(S1):130-133.

[7] GAO Y,GUAN H,QI Z,et al.A multi-objective ant colony system algorithm for virtual machine placement in cloud computing[J].Journal of Computer & System Sciences,2013,79(8):1230-1242.

[8] HU J,GU J,SUN G,et al.A scheduling strategy on load balancing of virtual machine resources in cloud computing environment[C]//Proceedings of the 3rd International Symposium on Parallel Architectures,Algorithms and Programming,Dalian,China,December 18-20,2010:89-96.

[9] 武興宇,孫磊,胡翠云,等.基于改進(jìn)粒子群優(yōu)化算法的虛擬機(jī)遷移選擇策略研究[J].計(jì)算機(jī)科學(xué),2015,42(S1):20-23.

[10] 趙君,馬中,劉馳,等.一種多目標(biāo)蟻群優(yōu)化的虛擬機(jī)放置算法[J].西安電子科技大學(xué)學(xué)報(bào):自然科學(xué)版,2015,42(3):173-178+185.

[11] 孟凡超,張海洲,初佃輝.基于蟻群優(yōu)化算法的云計(jì)算資源負(fù)載均衡研究[J].華中科技大學(xué)學(xué)報(bào):自然科學(xué)版,2013,41(S2):57-62.

[12] 何利文,袁野,王延松,等.基于WFPSO算法的云虛擬機(jī)放置策略[J].計(jì)算機(jī)應(yīng)用研究,2017,34(2):591-594.

[13] 顧桓瑜,石磊,郭俊廷.基于改進(jìn)螢火蟲(chóng)算法的云計(jì)算負(fù)載均衡研究[J]. 大連交通大學(xué)學(xué)報(bào),2015,36(6):107-110.

[14] 寧彬,谷瓊,吳釗,等.云計(jì)算環(huán)境下的混沌螢火蟲(chóng)的資源負(fù)載均衡算法[J].計(jì)算機(jī)應(yīng)用研究,2014,31(11):3397-3400.

[15] 趙光偉.人工螢火蟲(chóng)群優(yōu)化算法改進(jìn)與應(yīng)用研究[D].南寧:廣西民族大學(xué),2012.

[16] 顧忠偉,徐福緣.一種新穎的螢火蟲(chóng)算法求解PID控制器參數(shù)自整定問(wèn)題[J].系統(tǒng)管理學(xué)報(bào),2017,26(1):101-106.

[17] CALHEIROS R N,RANJAN R,BELOGLAZOV A,et al.CloudSim:a toolkit for modeling and simulation of cloud computing environments and evaluation of resource provisioning algorithms[J].Software Practice & Experience,2011,41(1):23-50.

ASelectionAlgorithmofDestinationHostBasedonImprovedGlowwormSwarmOptimizationAlgorithminCloudComputingEnvironment

CHENWei,CHENGJiachao,ZHANGChao

(Department of Computer Information, Suzhou Vocational and Technical College, Suzhou 234101, China)

The selection of destination host is an important stage in the dynamic migration of virtual machines, and is the key to realize load balancing. In order to overcome the shortcomings of basic glowworm swarm optimization algorithm including low accuracy and slow convergence speed, an improved glowworm swarm optimization algorithm is proposed to solve the mapping problem between the virtual machine and the target physical host when the virtual machine is migrated, and the multi-objective optimal solution is realized. By introducing the step adjustment factor, the algorithm can dynamically adjust the moving step and overcome the shortcomings of low accuracy and slow convergence speed caused by too large step or too small step. Considering the physical load index, the load balancing model is established, and the individual and node resources in the improved glowworm swarm optimization algorithm are matched with each other, and the optimal selection of the destination host is realized by using the luminous mechanism of fireflies. The simulation experiment shows that the improved algorithm can select the destination host quickly，balance the system resource effectively and realize the load balancing of data center.

cloud computing; glowworm swarm optimization algorithm; dynamic step; load balancing; destination host selection; virtual machine

TP301.6

A

2017-08-04

安徽省高校自然科學(xué)研究重點(diǎn)項(xiàng)目(KJ2016A778;KJ2016A781);安徽省高校優(yōu)秀青年人才支持計(jì)劃重點(diǎn)項(xiàng)目(gxyqZD2016586);安徽省質(zhì)量工程項(xiàng)目(2016jyxm1039)

陳 偉(1982-),男,安徽阜陽(yáng)人,講師,碩士,主要從事計(jì)算機(jī)網(wǎng)絡(luò)方面的研究,(E-mail)chenwei9737@163.com

1673-1549(2017)05-0051-06

10.11863/j.suse.2017.05.09