原文链接：http://pan.baidu.com/s/1bnoxckB
目的
为减少大规模云数据中心的能量消耗。并在一定程度上实现资源负载均衡。提出一种基于虚拟机迁徙的方法LBES(Load Balance and Energy Saving)。
效果
LBES能够在实现负载均衡、保证SLA的基础上，更好地实现节能降耗
关键步骤
在进行虚拟机迁徙的时候，有三个关键步骤
- 迁徙时机的确定：物理节点何时迁徙最佳
- 被迁徙虚拟机的选择：在一个被触发迁徙的物理节点中可能有多个虚拟机，选择那些虚拟机进行迁徙可以使得迁徙开销更小、释放的资源能力很多其它
- 目标节点的定位：在一个云数据中心中，可能有成千上万个物理节点。将虚拟机迁徙到那个物理节点效果更好
迁徙时机的确定
目的
- 因为CPU利用率的不稳定，需要避免一个瞬时负载峰值或谷值触发无谓的迁徙造成的系统开销浪费
方法
- 仅仅有当CPU利用率超过设定的阈值且持续一段时间才触发迁徙
- 为了预測t+1时刻的负载情况。本文採用基于历史数据的加权预測机制。在t时刻。该预測机制使用t个过去的、按时间序列的历史记录值对未来进行预測
时间越近，权重越大 - 当预測值小于较小的阈值。或者大于较大的阈值时，迁徙被触发运行
被迁徙虚拟机的选择
- 为了达到迁徙开销较小、释放资源较多等目的
- 以往云计算中的虚拟机迁徙的研究通常仅仅考虑物理节点中的CPU资源，而不关心它的内存资源。其实，假设虚拟机在物理节点中的内存占用不足，即便有足够的CPU计算能力。它也无法正常工作。
所以在选择迁徙对象时，须综合考虑该虚拟机对CPU的使用率和内存的占用情况
- 虚拟机对内存的占用量越大。迁移所需拷贝的内存镜像就越大，迁移的系统消耗也越大。但同一时候，迁移也释放了原节点中很多其它的内存空间。鉴于以上情况，本文决定当触发迁移节点的内存使用率过高时，选择迁移内存使用率和CPU使用率都较高的虚拟机，反之，则迁移内存使用率较低而CPU使用率较高的虚拟机。
目标节点的定位
目的
避免群聚效应，使得节点负载更均衡。
群聚效应是指在云环境中。假设多个物理节点同一时候选择在当前环境下性能最好的节点作为目标节点进行迁移，就会导致被选中节点的负载在短时间内急剧添加，造成群聚效应。
方法
- 本文的定位策略并不以固定的方式将虚拟机迁移到当前数据中心性能最高的宿主机。而是基于概率机制选择目标节点，定位时要综合考虑节点的CPU 计算能力、内存容量2个性能指标。
- 当一个物理节点出现内存不足、但CPU计算能力过剩。或者内存过剩、但CPU 利用率不足的情况，该节点中的虚拟机都不能正常执行，造成资源浪费。
为了可以均衡物理节点中内存资源与CPU 计算资源的使用，本文在选择目标节点的过程中，须考虑待迁移虚拟机与目标节点的(CPU 消耗/内存消耗)的匹配程度。
步骤
- 选择n个符合要求的节点
- 依据目标节点的性能。给该节点赋概率
- 从这n个节点中随机选择一个节点作为目标节点
实验结果与分析
实验环境
工具云计算环境模拟器CloudSim
实验參数
结果分析
能耗：
LBES(20%~80%)<LBES(10%~70%)<DT(20%~80%)<DT(10%~70%)<ST(80%)<ST(70%)<DVFS<NPA
现象在节能效果上。DVFS方法、ST方法与NPA方法相比，有了明显的提高。DT通过在ST的基础上多设立一个阈值。在实现了负载均衡的基础上，同一时候降低了能量的消耗。
在触发策略阈值同样的情况下。LBES与ST相比。能量消耗、虚拟机迁徙数量、SLA违反率均有降低
分析这是因为LBES在DT基础上，对迁徙时机的决定、被迁徙虚拟机的选择和目标节点的定位3个关键步骤进行了优化，使得虚拟机的迁徙变得更有效率
SLA违反率：
ST(80%)<ST(70%)
LBES(20%~80%)>LBES(10%~70%)
DT(20%~80%)>DT(10%~70%)
现象ST、DT、LBES3种方法随着阈值的添加。云数据中心中的能量消耗降低，而SLA的违反率添加
分析为了实现节能，要以减少用户的QoS为代价
结束语
在云数据中心环境下，能够通过虚拟机的迁移实现虚拟机的动态重分配，本文提出了一种基于虚拟机迁移的方法LBES，该方法在双阈值触发策略的基础上，对迁移时机的决定、被迁移虚拟机的选择和目标节点的定位3个关键步骤进行了优化。通过实验证明，该方法能够在实现负载均衡、保证SLA的基础上，更好地实现节能降耗。
下一步工作将进一步改进虚拟机迁移触发的预測模型和目标节点定位的概率模型，研究怎样确定各个策略中的阈值，使迁移方法的性能达到最佳。