چکیده فارسی :

بهینه­ سازی پویا در مورد مکان ­یابی ماشین مجازی به صورت پویا ماشین های مجازی روی ماشین های فیزیکی برای دستیابی به برخی از اهداف خاص با وجود محدودیت ها می باشد. از یک طرف، تعداد ترکیبات احتمالی از VM  و PM می تواند بسیار بزرگ باشد، که بدست آوردن راه حل مطلوب بسیار دشوار است. از طرف دیگر، راه­ حل بهینه از طریق راه ­حل قدیمی قابل دستیابی است. برای حل مشکل از هر دو وجه، یک فریمورک بهینه سازی پارتیشن شده ارائه شده است. اول، چهار حالت مختلف از PM یا ماشین مجازی : خاموش، خواب، آماده و در حال اجرا، که همه این­ها با مصرف انرژی متفاوتی معرفی می­شود. Running pool, sleeping pool  و off pool طوری تنظیم شده اند که در هر پارتیشن برپایه PM حالات مختلف مذکور را دربر می­گیرد. (استخر ذخیره سازی مجموعه ای از دیسک های فیزیکی است. یک استخر ذخیره سازی امکان جمع آوری ذخیره سازی ، گسترش ظرفیت الاستیک و مدیریت تفویض شده را فراهم می کند. از یک استخر ذخیره سازی می توانید یک یا چند دیسک مجازی ایجاد کنید. به این دیسک های مجازی همچنین به فضای ذخیره سازی گفته می شود.) Classification به ما کمک می کند تا الگوی مصرف انرژی را که برای ارزیابی راه­ حل­های mapping موردنیاز است ایجاد کنیم. برای تصمیم ­گیری در مورد اینکه آیا راه ­حل جدید بهتر از روش قدیمی است، تنها سه بخش از انرژی موردنیاز مطرح شده است، یعنی تغییرات انرژی برای PM ها در حالات مختلف، انرژی مصرف شده برای تغییر حالت PMها و مصرف انرژی اضافی برای مهاجرت دادن VM ها. یک مدل انرژی از این­ها از سه بخش تشکیل شده است که به عنوان هدف بهینه ­سازی ایجاد شده است. روشی ارائه شده است که در آن مناسب ­ترین محدوده برای بهینه­ سازی انرژی مصرفی از طریق حذف برخی ماشین­های فیزیکی حالا به شکل Sleep pool یا Off pool می­باشد، حال اگر بهترین راه ­حل که در مسئله­ مان به آن دست می­یابیم از طریق آن PM­ها باشد دیگه راه­ حل جدیدمان بهتر از راه ­حل قدیمی نخواهد بود. یک الگوریتم ممتازی که الگوریتم partheno-genetic را با نظریه بازی تکاملی چندنفره برای دستیابی به راه ­حل بهینه سازی سراسری ارائه شده است و تولید دنباله­ مهاجرت زنده قابل اجرا از old mapping به هدف  در یک زمان. با توجه به نتایج تجربی ما، روش ما می­تواند محدوده بهینه سازی مصرف انرژی را به ­طور قابل ملاحظه ­ای کاهش دهد. در مقیاس بهینه­ سازی شده، الگوریتم پیشنهادی بسیار خوب برای دستیابی به راه ­حل بهینه سراسری انجام شده است و امکان پذیر بودن این راه حل را از راه حل قدیمی در همان زمان تضمین می کند.

چکیده انگلیسی:

The dynamic optimization of virtual machine (VM) placement is to dynamically adjust the placement of VMs on physical machines (PMs) to accomplish some objectives with certain constraints. On one hand, the number of possible combinations of PMs and VMs can be extremely large, which make the optimal solution very hard to get. On the other hand, the optimized solution needs be reachable from the old solution. To solve the problem from both sides, a partitioned optimization framework is proposed. First, four different states of PM, i.e. off, sleeping, ready and running, are introduced with different energy consumption. Running pool, sleeping pool and off pool are set up which partition PMs based on their different states. The classification helps us build the energy consumption model which is needed to evaluate mapping solutions. To decide if a new solution is better than the old one, only three parts of energy need be considered, i.e. energy changes for PMs in different states, energy consumed for changing the states of PMs, and extra energy consumption for migrating VMs. An energy model composed of these three parts is built as the optimization objective. A method is presented to decide the most suitable range to conduct the energy optimization through excluding some PMs in the sleep or off pool if the best solution achieved with those PMs included cannot be better than old solution. A memetic algorithm combining the partheno-genetic algorithm with the multiplayer random evolutionary game theory is proposed to achieve the global optimal solution and generate the executable live migration sequence from old mapping to the target one at the same time. According to our experimental results, our method can decrease the optimization range remarkably. Within the optimized scales, the proposed algorithm performed very well to approach the global optimal solution and guarantee the solution’s feasibility from old solution at the same time.