云数据中心的虚拟机部署时延优化算法

于方泽 杨松涛

摘要：随着云技术的不断发展，云数据中心部署的服务器内部资源呈现出了多样化、大容量的特征。基于此，由于数据业务发展需求量的大幅提升，可以通过云计算技术为相关用户提供稳定可靠的在线请求服务，但需要及时地寻找到一种能够缩短虚拟机部署时延的优化算法，为其技术提供支持。

关键词：云数据；虚拟机；部署时延算法；优化方法

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2018）06-0241-02

互联网技术的高速发展，网络业务量也随着其技术发展而不断变化。为了能够更好地满足许多企业基于云计算核心技术环境下，构建数据中心的发展需求。可以利用云计算数据中心中的虚拟化技术来增强其数据中心资源利用率，最终结合用户服务需要，针对其服务请求来完成将虚拟机部署于服务器上的方法，实现为用户提供更加优质的服务。但在这个业务处理过程中，由于云数据中心服务器数量繁多，其中心的带宽会在一定程度上受到限制，对于其中心虚拟机部署时延优化问题成为了当前各专家所研究的重点。因此，为了能够有效减少服务器数量以及缓解虚拟机迁移，需要一种能够切实解决其问题的优化算法，以此来提高云数据中心性能。

1云数据中心模型分析

2优化算法设计思路

2.1算法简介

在行云数据中心的虚拟机部署时延优化过程中，可以选择采用遗传算法。通过这种算法，能够有效地对其组合优化。但在此所运用的遗传算法与传统算法有一定的区别，可以考虑与贪心理念进行结合来实现对目标服务器的选择。此外，为了能够解决因交叉问题所造成的冲突问题，可以为其算法设计相应的交叉个体检查法。整个算法的主要流程为以下几个方面：（1）在进行初始化时，需要通过贪心理念来为其整个算法构建一个种群，其大小为[P]。在所构建的种群中，不同的个体可以一个部署方案进行对应，其长度为[M]。（2）再根据所构建种群所产生的随机概率进行个体选择，将其两个个体进行对比，然后选择将一个适应性非常好的个体进行保存，成为个体种群。（3）再将其种群个体进行奇偶数排列，然后通过将奇、偶数位置的个体进行随机交叉，同时需要对交叉成所形成的新个体进行检查，分析个体是否存在冲突问题。（4）经过交叉后形成的新体，需要其进行变异位的随机选择，然后在所有种群中提取出最佳的个体进行保留。（5）通过重复上述几个流程，实现完成所规定迭代次数，然后完成算法并输出结果。

2.2算法设计细节，提升个体适应性

对于本文所提及的优化算法，主要是以遗传算法为核心思想。想要实现通过初始化来完成编码的目标，需要以随机生成虚拟机的部署序列的方式来进行。（如图1所示）

图1中的编码，是以随机产生的方式对长度为M部署序列，根据相应的次序来选择贪心理念排序后的目标服务器。但在一定程度上会受到带宽影响，导致虚拟机网络迁移时延大于配置时延。所以，需要结合贪心理念并按照上次公式来针对虚拟机到目标服务器的部署时延进行计算。在此过程中，需要将能够部署的目标服务器部署时延按照从小到大的顺序进行排列，然后再结合虚拟机不同资源需求以及相应的容量限制，并根据贪心理念将虚拟机部署到目标服务器形成长度为[M]的个体，在通过重复执行之后会形成一个种群，其种群大小为[P]。通过其种群中的不同个体进行选择，将其适应性最好的个体虚拟机到目标服务器的总体部署时延高为Γ，如果Γ呈现出较短的表现，则代表其个体的适应性非常好。然后再将其种群中所有奇数位个体遍历，将其随机生成[0，1]间的数，将所生成的随机数小于交叉概率的个体与下一个偶数位个体进行交叉。通过这样的交叉方法，可以形成一个新的交叉个体，从而可以有效地防止出现重复交叉个体的出现。这也是一种非常有效的检查是否存在冲突的手段。

在此过程中，如果完成交叉后的虚拟机没有部署到目标服务器，可以让其完成其余虚拟机部署后，再对其进行部署，而且其时延会最小并能够满足虚拟机资源需求的目标服务器。在实现交叉操作之后，需要变异操作。其具体操作方法是遍历所有个体生成[0，1]随机数，将随机数小于变异概率进行变异。在整个变异操作过程中，每一次变异都是针对某一位所进行随机变异，再结合贪心理念来将虚拟机部署至时延最小且满足虚拟机资源需求的目标服务器。

2.3算法分析

本文所提出来的云数据中心虚拟机部署时延优化算法，其主要核心是以遗传算法为主，并结合了贪心策略来进行完成。因此，对于整个优化算法的每一个流程需要进行复杂化分析。（1）针对贪心理念的分析。假设具算法中虚拟机的数量为M，物理服务器的数量为N。同时，在其云数据中心中拥有L条通信链路。在进行贪心理念排序算法时间复杂度时，可以通过O（N·M·L）来表示。（2）针对选择、交叉、变异操作的复杂度分析。前面有所提及，这些操作过程都是在选择了大小为[P]的种群来进行操作。因此，需要把种群个体均分后，在确保其不会出现重复的前提下进行对比，然后保留下适应度较好的个体。因此，可以通过来代表其复杂度。当完成交叉操作后，再将其种群中奇、偶数个体根据交叉概率来完O（P²）成交叉形成新个体。因此，如果所有偶数位个体被交叉，其操作最坏复杂度为D（P²）；如果所有偶数位个体只有一个被交叉，其复杂度应该为：O（P）。根据这种算法，可以得到种群内个体某个位进行变异，算法复杂度最坏为：O（M）。综合上述各个步骤，再对其算法复杂度进行分析后得知：如果种群中个体数为P，算法规定的迭代次数为G，则可以得出最坏的情况下复杂度为：O（G·（NML+2P²+M））。

3结语

总之，在本文中所提出的云数据中心的虚拟机部署时延优化算法，主要是基于遗传算法为核心，并结合了理论来完成将虚拟机部署到目标服务器的时延从小到大的排列。通过这种优化算法，可以实现每次选择时延最小的服务器部署形成個体，同时还可以针对个体形成的多样性进行了解，基本终实现最小化虚拟机部署的时延。