基于麻雀搜索算法优化分层粒子群的虚拟机放置

随着用户和应用程序数量的不断增长,云数据中心对虚拟机的需求也日益增加。虚拟机放置(VMP)作为实现高效资源管理的关键问题,备受关注。本文针对VMP问题提出了一种新的优化模型,综合考虑了放置时间、功率消耗和资源浪费三个目标的最小化。为了优化VMP方案,我们采用了基于麻雀优化分层粒子群算法(SSA-HPSO)。该算法通过对粒子进行层次划分,使得粒子的搜索策略和更新规则针对不同层次和能量水平进行优化。同时,结合麻雀搜索算法,进一步提高了搜索效率和全局搜索能力。这种混合优化策略充分利用了分层粒子群算法的全局搜索和麻雀搜索算法个体之间的协同搜索能力,从而有效地解决了VMP问题。实验结果表明,所提出的基于麻雀搜索算法优化分层粒子群的虚拟机放置算法要优于传统的方法,显著提升了虚拟机放置性能。

融合三支决策的预测式容器伸缩优化策略

当前Kubernetes中基于固定阈值的响应式伸缩策略存在无法根据集群负载动态调整扩缩容力度以及存在的时间滞后性等突出性问题。针对该问题,利用负载预测模型在检测实时工作负载的同时对未来的工作负载进行预测,同时,根据历史负载变化情况并结合三支决策对负载波动进行三分,即低负载波动期、正常负载波动期、高负载波动期,针对每一种负载波动期,对伸缩力度进行细粒化,最后基于负载波动期和预测的CPU利用率执行相应的容器伸缩决策。通过对比Kubernetes原生算法和同类算法,所提出的伸缩优化策略能够有效地应对负载波动,降低SLA违约率,在保证QoS的同时降低了资源的浪费。