云环境下随机请求性能分析综述

如何在云服务中心为随机到达系统的用户请求选择并分配合适资源以最优化某些性能指标是云计算的关键问题之一.不同云计算场景下请求到资源的映射产生不同排队模型.现有研究中,用户请求具有泊松到达、一般随机到达等不同模式,具有不同忍耐程度、截止期等约束;服务资源通常为单队列或多队列的异构处理器,其服务方式服从指数或其它随机分布.这些模式和约束组合成多类复杂排队模型,如何为每类供需服务确定合适的处理器数量并合理调度以优化响应时间和功耗、租赁成本、系统能耗、服务提供商收益等不同目标是云计算的关键问题.针对具有忍耐程度、截止期等不同约束的泊松到达用户请求,本文分别研究单队列和多队列异构处理器的排队性能分析和调度优化方法.请求的调度规则有先到先服务和最早开始截止时间优先.根据云计算特性,本文提出性能分析的核心问题;根据实际应用场景,本文分析问题挑战,总结多种排队模型;结合相关系统排队模型,本文提出通用的云计算环境性能分析框架和相应的性能分析步骤;本文综述目前云环境下随机请求性能分析的研究进展,考虑成本、收益、响应时间和能耗等优化目标,比较多种排队模型优缺点;展望未来研究方向.

支持随机服务请求的云虚拟机按需物理资源分配方法

针对云平台按负载峰值需求配置处理机资源、提供单一的服务应用和资源需求动态变化导致资源利用率低下的问题,采用云虚拟机中心来同时提供多种服务应用.利用灰色波形预测算法对未来时间段内到达虚拟机的服务请求量进行预测,给出兼顾资源需求和服务优先等级的虚拟机服务效用函数,以最大化物理机的服务效用值为目标,为物理机内的各虚拟机动态配置物理资源.通过同类虚拟机间的全局负载均衡和多次物理机内各虚拟机的物理资源再分配,进一步增加服务请求量较大的相应类型的虚拟机的物理资源分配量.最后,给出了虚拟机中心基于灰色波形预测的按需资源分配算法ODRGWF.模拟实验结果表明,该算法能够有效地提高云平台中处理机的资源利用率,对提高用户请求完成率以及服务质量都具有实际意义.