Перераспределение виртуализированных вычислительных и коммуникационных ресурсов в центрах обработки данных представляет собой значительную проблему в контексте облачных технологий, осложняя обеспечение стабильного функционирования сервисов. Эти сервисы должны соответствовать критериям качества обслуживания, оценки производительности и условиям контрактов на обслуживание, которые предъявляют поставщики облачных услуг. Главная цель перераспределения виртуализированных вычислительных и коммуникационных ресурсов – оптимальное размещение подмножества активных виртуальных машин на минимальном количестве физических машин с учетом их многомерных потребностей в вычислительных и коммуникационных ресурсах. Что значительно улучшит эффективность работы виртуализированного центра обработки данных. Проблема перераспределения вычислительных и коммуникационных ресурсов центра обработки данных попадает под класс проблем, определяемых как «NP-трудные» проблемы, так как предполагает обширное пространство решений. Поэтому необходимо больше времени для нахождения оптимального варианта. В предыдущих исследованиях ряда таких проблем было доказано, что метаэвристические стратегии позволяют находить приемлемые решения за пригодное время. В статье предлагается использовать модифицированный вариант метаэвристического алгоритма муравьиной колонии для решения задачи перераспределения вычислительных и коммуникационных ресурсов между виртуальными машинами центра обработки данных, рассматриваемой в рамках задачи многомерной векторной упаковки.
1. Бумажкина Н.Ю., Захарова И.Н., Кочкуров А.Е. К вопросу об использовании технологий живой миграции виртуальных машин в задаче оптимизации ресурсов центра обработки данных. В сборнике: Современные проблемы информатизации в области анализа и синтеза технологических и телекоммуникационных систем: Сборник статей по материалам 29-й международной открытой научной конференции, ноябрь 2023 года – январь 2024 года, Воронеж, Россия. Воронеж: Научная книга; 2024. С. 133–137.
2. Choudhary A., Govil M.Ch., Singh G., Awasthi L.K., Pilli E.S., Kapil D. A critical survey of live virtual machine migration techniques. Journal of Cloud Computing. 2017;6(1). https://doi.org/10.1186/s13677-017-0092-1
3. Mishra M., Sahoo A. On Theory of VM Placement: Anomalies in Existing Methodologies and Their Mitigation Using a Novel Vector Based Approach. In: 2011 IEEE 4th International Conference on Cloud Computing, 04-09 July 2011, Washington, DC, USA. IEEE; 2011. pp. 275–282. https://doi.org/10.1109/CLOUD.2011.38
4. Li X., Qian Z., Lu S., Wu J. Energy efficient virtual machine placement algorithm with balanced and improved resource utilization in a data center. Mathematical and Computer Modelling. 2013;58(5-6):1222–1235. https://doi.org/10.1016/j.mcm.2013.02.003
5. Murtazaev A., Oh S. Sercon: Server Consolidation Algorithm using Live Migration of Virtual Machines for Green Computing. IETE Technical Review. 2011;28(3):212–231.
6. Shen H., Chen L. A Resource Usage Intensity Aware Load Balancing Method for Virtual Machine Migration in Cloud Datacenters. IEEE Transactions on Cloud Computing. 2020;8(1):17–31. https://doi.org/10.1109/TCC.2017.2737628
7. Marzolla M., Babaoglu O., Panzieri F. Server consolidation in Clouds through gossiping. In: 2011 IEEE International Symposium on a World of Wireless, Mobile and Multimedia Networks, 20-24 June 2011, Lucca, Italy. IEEE; 2021. pp. 1–6. https://doi.org/10.1109/WoWMoM.2011.5986483
8. Feller E., Morin C., Esnault A. A case for fully decentralized dynamic VM consolidation in clouds. In: 4th IEEE International Conference on Cloud Computing Technology and Science: Proceedings, 03-06 December 2012, Taipei, Taiwan. IEEE; 2012. pp. 26–33. https://doi.org/10.1109/CloudCom.2012.6427585
9. Caprara A., Toth P. Lower bounds and algorithms for the 2-dimensional vector packing problem. Discrete Applied Mathematics. 2001;111(3):231–262. https://doi.org/10.1016/S0166-218X(00)00267-5
10. Пантелеев А.В. Метаэвристические алгоритмы поиска глобального экстремума. Москва: Издательство МАИ-Принт; 2009. 160 с.
11. Blum Ch., Roli A. Metaheuristics in combinatorial optimization: Overview and conceptual comparison. ACM Computing Surveys. 2003;35(3):268–308. https://doi.org/10.1145/937503.937505
12. Reeves C.R. Modern Heuristic Techniques for Combinatorial Problems. New York: John Wiley & Sons, Inc.; 1993. 320 p.
13. Glover F.W., Kochenberger G.A. Handbook of Metaheuristics. Dordrecht: Kluwer Academic Publishers; 2003. 557 p. https://doi.org/10.1007/b101874
14. Nesmachnow S. An overview of metaheuristics: accurate and efficient methods for optimisation. International Journal of Metaheuristics. 2014;3(4):320–347. https://doi.org/10.1504/ijmheur.2014.068914
15. Алексеев В.Е., Захарова Д.В. Теория графов. Нижний Новгород: Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского; 2012. 57 с.
16. Reeves C. Hybrid genetic algorithms for bin-packing and related problems. Annals of Operations Research. 1996;63(3):371–396. https://doi.org/10.1007/BF02125404
17. Kaaouache M.A., Bouamama S. Solving bin Packing Problem with a Hybrid Genetic Algorithm for VM Placement in Cloud. Procedia Computer Science. 2015;60:1061–1069. https://doi.org/10.1016/j.procs.2015.08.151
18. Junjie P., Dingwei W. An Ant Colony Optimization Algorithm for Multiple Travelling Salesman Problem. In: First International Conference on Innovative Computing, Information and Control (ICICIC'06): Volume I, 30 August 2006 - 01 September 2006, Beijing, China. IEEE; 2006. pp. 210–213. https://doi.org/10.1109/ICICIC.2006.40
19. Dorigo M., Stützle T. The Ant Colony Optimization Metaheuristic: Algorithms, Applications, and Advances. In: Handbook of Metaheuristics. Dordrecht: Kluwer Academic Publishers; 2003. pp. 250–285. https://doi.org/10.1007/0-306-48056-5_9
20. Dorigo M., Birattari M., Stutzle T. Ant colony optimization. IEEE Computational Intelligence Magazine. 2006;1(4):28–39. https://doi.org/10.1109/mci.2006.329691
Бумажкина Наталья Юрьевна
Академии Федеральной службы охраны Российской Федерации
Орёл, Россия
