綜合負(fù)載均衡度最小優(yōu)先：一種實現(xiàn)云數(shù)據(jù)中心負(fù)載均衡的新方法.pdf

1、隨著數(shù)據(jù)中心規(guī)模的不斷擴大，數(shù)據(jù)中心服務(wù)器的性能越來越受人們的關(guān)注，性能低在很大程度上是由于服務(wù)器負(fù)載過高而效率低下。同時，能源消耗成為日益嚴(yán)重和備受關(guān)注的問題，負(fù)載均衡使得數(shù)據(jù)中心不會因為某些機器負(fù)載太低而浪費不必要的資源。本文首先介紹了云計算的背景和負(fù)載均衡的研究意義。然后重點設(shè)計了最小綜合負(fù)載優(yōu)先：一種高可變環(huán)境下的云計算數(shù)據(jù)中心動態(tài)調(diào)度算法。云計算數(shù)據(jù)中心的一個挑戰(zhàn)性的調(diào)度問題是分配和遷移虛擬機，以及物理主機的集成功能。動態(tài)負(fù)載

2、均衡調(diào)度算法是一個NP-hard問題。傳統(tǒng)的負(fù)載均衡調(diào)度算法普遍只考慮一個因素，比如物理服務(wù)器的CPU。綜合負(fù)載均衡度最小優(yōu)先算法(lowest integrated load first，以下簡稱LILF)同時考慮了多個維度的資源，包括：CPU、內(nèi)存和網(wǎng)絡(luò)帶寬，將他們整合進了物理服務(wù)器和虛擬服務(wù)器進行調(diào)度，用綜合負(fù)載值用來作為分配虛擬機的依據(jù)。本文還研究了云計算數(shù)據(jù)中心整體的多維度不均衡度的衡量、物理服務(wù)器的平均不均衡度的衡量，以及

3、CPU、內(nèi)存和網(wǎng)絡(luò)帶寬的平均利用率。這些指標(biāo)用來比較算法之間的優(yōu)劣。最后的模擬結(jié)果顯示了LILF在數(shù)據(jù)中心總體不均衡度、物理服務(wù)器不均衡度，以及平均利用率三個指標(biāo)上均有非常好的性能。作為應(yīng)對預(yù)訂任務(wù)的業(yè)務(wù)需求的擴展，本論文還詳細的設(shè)計和實現(xiàn)了靜態(tài)離線負(fù)載均衡調(diào)度算法。靜態(tài)離線負(fù)載均衡調(diào)度算法的目標(biāo)是使得未來一段時間內(nèi)的物理服務(wù)器平均負(fù)載均衡。調(diào)度系統(tǒng)知曉一段時間內(nèi)前來的所有任務(wù)以及其生命周期，從而可以計算出一段時間內(nèi)平均每一臺物理機應(yīng)該