searchusermenu
  • 发布文章
  • 消息中心
点赞
收藏
评论
分享
原创

资源均衡论文分享

2023-10-09 08:15:33
5
0

动态资源均衡

general类型:

对每个节点定义了斜度,相当于是资源抢占度。对over load节点选择VM进行迁移。其中该VM使得over load节点斜度下降最明显;选择under load节点,使得该节点得到VM后,斜度下降最明显

蚁群算法:

每个节点就是宿主机,蚂蚁从head点出发,遇到under load节点采用FP信息素前进;遇到under load节点采用TP信息素后退寻找under load,将VM转移到under load中。当节点的负载发生变化是,FP和TP两种类型的信息素仍能正常工作

蜂群算法:

将需要迁移的任务看做蜜蜂,under load的节点看做蜜源。自己的理解:雇佣蜂仅用以确定候选宿主机,而跟随蜂才是代表VM,由跟随蜂通过fitness来确定VM最终要去的宿主机。也有论文里面直接根据优先级选择overload中需要迁移的VM,然后根据underload的容量/优先级数目排序来选择宿主机

遗传算法:

能耗优化和负载均衡两个目标函数(只是迁移带来的能耗,只是目的地选择,修改版的NSGA-II)gene:n个任务所对应的目的地(n维向量)crossover:父母加权求和 mutation:随机从n维中选择一个维度加偏置 fitness:rank,拥挤距离,父辈rank的求和。最终从pareto中根据概率选择最优结果

agent:

VM迁移策略(上限和下限,判断何时触发VM迁移);VM接受策略(当前节点能否cover住given VM);VM启发式迁移(对节点中的VM排序,按lowhigh形式都可);VM刚进来时的初始host;首先采用VM迁移策略触发,根据VM接受策略选择候选节点,采用贪婪选择机制,选择负载最小的作为目的地

聚类:

主要是用了后验分布。加权求和cpu和内存计算任务的请求资源量,以及宿主机的剩余资源量,只有大于最大请求资源量的才被选入候选集。并进行精炼,找到后验分布最大的宿主机,以此为聚类中心,筛选出不合理的。最终的候选集通过先进先出将任务匹配到候选集中最大资源的宿主机(没看懂贝叶斯后验分布的优势)

 

蜂群算法
1、honey bee behavior inspired load balancing of tasks in cloud computing environments(蜂群,利用cpu处理能力定义负载,根据任务优先级数量选择宿主机)
2、基于人工蜂群的云计算负载均衡算法(相当于2的翻译)
3、Modelling collective foraging by means of individual behaviour rules in hney-bees(2的理论基础,没啥用)
4、an idea based on honey bee swarm for numercial optimization(正统的蜂群算法)
5、Enhancing of Artificial Bee Colony Algorithm for Virtual Machine Scheduling and Load Balancing Problem in Cloud Computing(蜂群,这个讲解更详细,采用fitness选择宿主机)
6、Enhanced bee colony algorithm for efficient load balancing and scheduling in cloud(蜂群,定义了蜂群与云计算之间的映射关系,但是更像是挑选策略而不是优化算法)

蚁群算法
1、load Balancing of Nodes in Cloud Using Ant Colony Optimization(双向信息素)
2、An efficient load balancing algorithm for virtual machine allocation based on ant colony optimization(问题定义相似,与之前讨论的想法类似,这篇挺实用的,还有测试案例)
3、Enhancing Load Balancing in Cloud Computing by Ant Colony Optimization Method(也是双向信息素,蚂蚁有前进和后退两种选择,这种方法让蚂蚁自行寻找over/under load节点)
4、Task Scheduling Algorithm Based on Load Balancing Ant Colony Optimization in Cloud Computing(在考虑信息素的时候同时考虑任务完成时间以及负载均衡程度,调度方法也是每只蚂蚁代表m个VM的迁移方案)
5、多目标优化问题的蚁群算法研究(考虑多目标,生成pareto最优解,根据解之间的支配情况计算信息素(基于信息素的寻优),同时将迭代过程中的非支配集记录下来,散布最稀疏的非支配解就是寻优方向(全局寻优)。其实就是把所有解记录下来,根据每个解的rank生成信息素然后进行选择)

其他
1、Dynamic resource allocation using virtual machines for cloud computing environment (general类型)
2、Agent-based load balancing in cloud data centers (agent类型)
3、A clustering-based load balancing using bayes theorem in cloud environment(聚类)
4、A Location Selection Policy of Live Virtual Machine Migration for power saving and load balancing(遗传算法)

0条评论
作者已关闭评论
朱****桢
2文章数
0粉丝数
朱****桢
2 文章 | 0 粉丝
朱****桢
2文章数
0粉丝数
朱****桢
2 文章 | 0 粉丝
原创

资源均衡论文分享

2023-10-09 08:15:33
5
0

动态资源均衡

general类型:

对每个节点定义了斜度,相当于是资源抢占度。对over load节点选择VM进行迁移。其中该VM使得over load节点斜度下降最明显;选择under load节点,使得该节点得到VM后,斜度下降最明显

蚁群算法:

每个节点就是宿主机,蚂蚁从head点出发,遇到under load节点采用FP信息素前进;遇到under load节点采用TP信息素后退寻找under load,将VM转移到under load中。当节点的负载发生变化是,FP和TP两种类型的信息素仍能正常工作

蜂群算法:

将需要迁移的任务看做蜜蜂,under load的节点看做蜜源。自己的理解:雇佣蜂仅用以确定候选宿主机,而跟随蜂才是代表VM,由跟随蜂通过fitness来确定VM最终要去的宿主机。也有论文里面直接根据优先级选择overload中需要迁移的VM,然后根据underload的容量/优先级数目排序来选择宿主机

遗传算法:

能耗优化和负载均衡两个目标函数(只是迁移带来的能耗,只是目的地选择,修改版的NSGA-II)gene:n个任务所对应的目的地(n维向量)crossover:父母加权求和 mutation:随机从n维中选择一个维度加偏置 fitness:rank,拥挤距离,父辈rank的求和。最终从pareto中根据概率选择最优结果

agent:

VM迁移策略(上限和下限,判断何时触发VM迁移);VM接受策略(当前节点能否cover住given VM);VM启发式迁移(对节点中的VM排序,按lowhigh形式都可);VM刚进来时的初始host;首先采用VM迁移策略触发,根据VM接受策略选择候选节点,采用贪婪选择机制,选择负载最小的作为目的地

聚类:

主要是用了后验分布。加权求和cpu和内存计算任务的请求资源量,以及宿主机的剩余资源量,只有大于最大请求资源量的才被选入候选集。并进行精炼,找到后验分布最大的宿主机,以此为聚类中心,筛选出不合理的。最终的候选集通过先进先出将任务匹配到候选集中最大资源的宿主机(没看懂贝叶斯后验分布的优势)

 

蜂群算法
1、honey bee behavior inspired load balancing of tasks in cloud computing environments(蜂群,利用cpu处理能力定义负载,根据任务优先级数量选择宿主机)
2、基于人工蜂群的云计算负载均衡算法(相当于2的翻译)
3、Modelling collective foraging by means of individual behaviour rules in hney-bees(2的理论基础,没啥用)
4、an idea based on honey bee swarm for numercial optimization(正统的蜂群算法)
5、Enhancing of Artificial Bee Colony Algorithm for Virtual Machine Scheduling and Load Balancing Problem in Cloud Computing(蜂群,这个讲解更详细,采用fitness选择宿主机)
6、Enhanced bee colony algorithm for efficient load balancing and scheduling in cloud(蜂群,定义了蜂群与云计算之间的映射关系,但是更像是挑选策略而不是优化算法)

蚁群算法
1、load Balancing of Nodes in Cloud Using Ant Colony Optimization(双向信息素)
2、An efficient load balancing algorithm for virtual machine allocation based on ant colony optimization(问题定义相似,与之前讨论的想法类似,这篇挺实用的,还有测试案例)
3、Enhancing Load Balancing in Cloud Computing by Ant Colony Optimization Method(也是双向信息素,蚂蚁有前进和后退两种选择,这种方法让蚂蚁自行寻找over/under load节点)
4、Task Scheduling Algorithm Based on Load Balancing Ant Colony Optimization in Cloud Computing(在考虑信息素的时候同时考虑任务完成时间以及负载均衡程度,调度方法也是每只蚂蚁代表m个VM的迁移方案)
5、多目标优化问题的蚁群算法研究(考虑多目标,生成pareto最优解,根据解之间的支配情况计算信息素(基于信息素的寻优),同时将迭代过程中的非支配集记录下来,散布最稀疏的非支配解就是寻优方向(全局寻优)。其实就是把所有解记录下来,根据每个解的rank生成信息素然后进行选择)

其他
1、Dynamic resource allocation using virtual machines for cloud computing environment (general类型)
2、Agent-based load balancing in cloud data centers (agent类型)
3、A clustering-based load balancing using bayes theorem in cloud environment(聚类)
4、A Location Selection Policy of Live Virtual Machine Migration for power saving and load balancing(遗传算法)

文章来自个人专栏
文章 | 订阅
0条评论
作者已关闭评论
作者已关闭评论
0
0