[发明专利]一种基于混合正弦余弦粒子群优化算法的云平台低资源损耗虚拟机放置方法

说明书

本发明属于云计算技术领域，具体为一种基于混合正弦余弦粒子群优化算法的云平台低资源损耗虚拟机放置方法。包括：步骤1：获取数据中心物理机资源状态和待放置虚拟机的集合，根据虚拟机和物理机的映射关系，随机生成N个粒子作为初始种群；步骤2：使用反向学习策略生成步骤1的初始种群的反向种群，初始种群中个体和其反向个体比较，选择更优的个体为种群的初始个体；步骤3：迭代更新，更新种群的全局最优解和每个个体的历史最优解，利用混合正弦余弦粒子群优化算法更新种群每个个体的速度和位置，直至达到最大迭代次数T，获得种群全局最优解。步骤4：输出步骤3获得的种群全局最优解，全局最优解位置对应的放置方案即为最优的放置方案。

技术领域

本发明属于云计算技术领域，具体涉及一种基于混合正弦余弦粒子群优化算法的云平台低资源损耗虚拟机放置方法。

背景技术

云计算作为继分布式计算、并行计算、网格计算以来新的计算模式，以其成本低廉、安全可靠、可按需分配的资源池机制的特点，已经在全球范围内得到了快速发展。随着云平台的规模不断扩大，资源损耗严重与低利用率的问题日益突出。虚拟机迁移机制是云平台提高资源利用率、降低能耗的重要手段。虚拟机放置是虚拟机迁移的一个重要环节，虚拟机放置位置的优劣影响着云平台的资源分配状况。如果云平台资源损耗严重，必然需要开启更多的物理机来放置虚拟机，造成资源浪费、增加运营成本。因此，构建一种低能耗的虚拟机放置模型具有重要的应用价值。

将n个虚拟机放置在m台物理机上，每一台虚拟机都有m个选择，放置方案共有mⁿ种，这个是一个典型的NP-Hard问题，很难在一个多项式时间内找到最优解。因此虚拟机放置问题的重要目标是找到一个近似最优解。

解决虚拟机放置问题的传统方案是基于贪婪思想的启发式算法，如首次适应法(First Fit，FF)、最佳适应法(Best Fit，BF)等，目的是尽可能减少云平台处于活动状态的物理机的数量来减少能耗，提高资源利用率。但是这种基于贪婪思想的虚拟机放置策略可能会导致某些物理机负载过高，降低运行在其上的虚拟机服务质量，而有些物理机处于低载状态，导致负载失衡。

近年来，一些基于机器学习的方法被用于求解虚拟机放置问题。一种是强化学习下的虚拟机放置策略，该策略以能耗为优化目标，从状态聚合和时间信度两个方面对Q-Learning(λ)算法进行优化，可以有效降低云平台的能耗。一种是基于模糊隶属度的虚拟机放置策略，借助模糊聚类的思想，计算虚拟机与物理机的隶属度矩阵，在矩阵中局部搜索得到最优的放置方案。

元启发式算法也广泛应用于虚拟机放置问题，其中一种基于权值适应度粒子群优化算法，以通讯时延、服务器负载以及CPU的处理时延作为虚拟机放置的依据，对PSO算法的权重因子ω重新编写，能更好地降低应用的执行时间。另一种混合正弦余弦算法和樽海鞘群算法的虚拟机放置策略，该策略通过最小化活动物理机的数量来降低能耗。还有一种用于虚拟机调度的混合模糊蚁群优化算法，以响应时间、处理时间和负载均衡为优化目标，根据历史信息计算信息素值，为虚拟机选择合适的物理机。

但是上述方法缺乏对资源损耗和服务等级的权衡。

发明内容

针对上述存在的问题，本发明提供一种基于混合正弦余弦粒子群优化算法的云平台低资源损耗虚拟机放置方法，在尽可能降低云平台资源损耗的同时，保障用户的服务质量。

为了实现上述目的，本发明所采用的技术方案如下：

1、一种基于混合正弦余弦粒子群优化算法的云平台低资源损耗虚拟机放置方法，其特征在于：包括以下步骤：

步骤1：获取数据中心物理机资源状态和待放置虚拟机的集合，根据虚拟机和物理机的映射关系，随机生成N个粒子作为初始种群，对N个粒子的位置编码获得N个放置方案；

步骤2：使用反向学习策略生成步骤1的初始种群的反向种群，将Lose作为适应度指标，使初始种群中个体和它对应的反向个体进行比较，选择更好的个体作为种群的初始个体；