基于遷置優(yōu)化的云計(jì)算資源調(diào)度算法

許文慶

(1.福州理工學(xué)院，福建 福州 350506;2.福州理工學(xué)院移動(dòng)通信和 物聯(lián)網(wǎng)福建省高校工程研究中心，福建 福州 350506)

0 引言

近年來隨著大數(shù)據(jù)和云計(jì)算等新技術(shù)的協(xié)同[1]推進(jìn)，基于云計(jì)算環(huán)境下的數(shù)據(jù)中心網(wǎng)絡(luò)在節(jié)點(diǎn)數(shù)量和數(shù)據(jù)規(guī)模上變得更加錯(cuò)綜復(fù)雜.這使得整個(gè)云環(huán)境在系統(tǒng)可靠性、擴(kuò)展性、成本可控性等諸多方面受到嚴(yán)峻的挑戰(zhàn).科學(xué)的虛擬資源調(diào)度策略作為云計(jì)算環(huán)境的核心技術(shù)，不僅可以應(yīng)對(duì)傳統(tǒng)網(wǎng)絡(luò)的“僵化”[2]問題，對(duì)全新的應(yīng)用服務(wù)和網(wǎng)絡(luò)協(xié)議實(shí)施評(píng)估，也有利于改善云計(jì)算環(huán)境中數(shù)據(jù)中心的能耗度、資源沖突、載荷均衡及用戶服務(wù)質(zhì)量(QoS)等一系列問題[3].所謂的虛擬資源調(diào)度是指通過為云計(jì)算環(huán)境下的數(shù)據(jù)中心物理主機(jī)節(jié)點(diǎn)重載程度展開評(píng)估，并將其中的虛擬機(jī)科學(xué)地遷置到數(shù)據(jù)中心中其他最合適的目標(biāo)物理宿機(jī)上.此舉意在為虛擬機(jī)的遷移做鋪墊，從而最小化服務(wù)成本和資源開銷,最大化整個(gè)云計(jì)算系統(tǒng)的服務(wù)效益，同時(shí)也便于服務(wù)供應(yīng)商良好地對(duì)數(shù)據(jù)中心進(jìn)行管理.如此看來，對(duì)虛擬機(jī)資源實(shí)施科學(xué)高效地遷置就成了當(dāng)前云計(jì)算環(huán)境下數(shù)據(jù)資源管理的核心問題之一.

對(duì)云計(jì)算系統(tǒng)中虛擬機(jī)實(shí)施遷置的關(guān)鍵在于使參與虛擬資源調(diào)度的物理主機(jī)節(jié)點(diǎn)規(guī)模最小，使參與虛擬資源調(diào)度的物理主機(jī)節(jié)點(diǎn)資源使用率最高，避免整個(gè)云計(jì)算數(shù)據(jù)中心的載荷分布失衡進(jìn)而真正實(shí)現(xiàn)能源的綠色[4]管理.尤其在當(dāng)前云計(jì)算和大數(shù)據(jù)協(xié)同并進(jìn)的形式下，日益凸顯的能源問題再次引發(fā)學(xué)術(shù)界的熱議.并因此圍繞以能耗管理為目標(biāo)的云計(jì)算系統(tǒng)虛擬機(jī)安置問題展開一系列相關(guān)研究.對(duì)于虛擬機(jī)的安置可視為裝箱問題來討論，因此對(duì)于該問題的求解可考慮通過啟發(fā)式算法來解決,譬如，遺傳算法.但是文獻(xiàn)[5]的研究結(jié)果表明該算法在編碼效率中表現(xiàn)出的科學(xué)性有待改進(jìn).因此若將該算法用于筆者所提的分組問題的求解，那么在虛擬機(jī)實(shí)施安置過程中將無法得到全局最佳值.這勢(shì)必造成虛擬機(jī)遷移效率劣化等一系列惡性循環(huán)問題，最終導(dǎo)致安置管理方案的失效.為了優(yōu)化云計(jì)算系統(tǒng)中數(shù)據(jù)中心的物理主機(jī)資源利用率，改善能耗的管理效率，文獻(xiàn)[6]提出了多目標(biāo)安置優(yōu)化思路.先是通過描述多目標(biāo)優(yōu)化模型極力提高物理資源使用率，將能耗最小化.然后使用經(jīng)過改良的多適應(yīng)函數(shù)遺傳算法來并行優(yōu)化多個(gè)目標(biāo).該算法思想相對(duì)于傳統(tǒng)的遺傳算法，在安置管理方面的科學(xué)效益較為顯著.然而此思路的編碼對(duì)象僅為虛擬機(jī)，編碼長(zhǎng)度較為冗繁，算法復(fù)雜度不占優(yōu)勢(shì).因此也不適用于筆者提出的復(fù)雜分組問題的求解.為進(jìn)一步使算法在分組[7]求解問題中具備更好的適應(yīng)性，文獻(xiàn)[8]對(duì)上述改良的多適應(yīng)函數(shù)遺傳算法做了持續(xù)優(yōu)化.在秉承遺傳算法在云環(huán)境數(shù)據(jù)中心資源使用率方面發(fā)揮優(yōu)勢(shì)的基礎(chǔ)上，對(duì)遺傳算法中3個(gè)步驟均做了延伸思考.顯然此舉促進(jìn)遺傳算法性能上升了一個(gè)臺(tái)階.然而從實(shí)際成效來看，該研究在至關(guān)重要的交叉步驟、變異步驟中卻未能保證總是把優(yōu)質(zhì)的基因保留下來.從理論上看這樣的思路在科學(xué)性方面稍顯不足，而實(shí)際實(shí)驗(yàn)成效也應(yīng)驗(yàn)了算法收斂較早.據(jù)此，可以預(yù)測(cè)該項(xiàng)持續(xù)改進(jìn)的算法研究用于應(yīng)對(duì)筆者提出的復(fù)雜分組求解問題收效甚微.

鑒于當(dāng)前主流研究始終未能在資源利用率、效能安置、復(fù)雜分組問題求解中尋求到一個(gè)科學(xué)的平衡解，筆者圍繞云計(jì)算環(huán)境下數(shù)據(jù)中心中以優(yōu)化為目標(biāo)，規(guī)劃一個(gè)兼顧效能和極優(yōu)解的虛擬機(jī)安置策略.

1 遷置優(yōu)化算法數(shù)學(xué)模型

云計(jì)算環(huán)境下的數(shù)據(jù)中心基礎(chǔ)設(shè)施由若干個(gè)物理服務(wù)器經(jīng)由拓?fù)浣Y(jié)構(gòu)連接而成.為了最大化云計(jì)算系統(tǒng)中物理服務(wù)器的資源使用率和最小化基礎(chǔ)設(shè)施的能耗等問題，在物理服務(wù)器中實(shí)施虛擬機(jī)高效部署顯得至關(guān)重要，這也是遷置虛擬機(jī)的目標(biāo)所在.所謂高效部署指從x個(gè)物理服務(wù)器形成的集合PM=[pm1,pm2,pm3,…,pmx]中篩選出合適的目的物理服務(wù)器用于響應(yīng)y個(gè)虛擬機(jī)形成的虛擬機(jī)集合VM=[vm1,vm2,vm3,…,vmy]提出的遷置請(qǐng)求.部署過程不僅要使參與遷置作業(yè)的物理服務(wù)器規(guī)模最小，更要使遷置的部署過程具有最佳的魯棒性.由于云計(jì)算系統(tǒng)的邊緣用戶請(qǐng)求呈現(xiàn)多樣化，云計(jì)算對(duì)象的數(shù)據(jù)較大，故用于響應(yīng)遷置請(qǐng)求的物理服務(wù)器集合所提供的資源類型和容量也需多元化[9].所提供的計(jì)算響應(yīng)資源包括：帶寬(GBs/day)、中央處理器(MIPS)、內(nèi)存(GB)等.令第k個(gè)物理服務(wù)器中用于響應(yīng)虛擬遷置計(jì)算請(qǐng)求的t類資源容量為sk-t，則PM=[pm1,pm2,pm3,…,pmx]中所能提供的資源大小記作Sk=[sk-1,sk-2,sk-3,…,sk-t].同時(shí)，令第l個(gè)虛擬機(jī)提請(qǐng)的資源要求為d1-t，則VM=[vm1,vm2,vm3,…,vmy]所提請(qǐng)的資源要求記作Dl=[dl-1,sl-2,sl-3,…,sl-t].為響應(yīng)遷置優(yōu)化算法中關(guān)于物理服務(wù)器規(guī)模最小化的宗旨，遷置過程可描述為：

(1)

其中，二進(jìn)制數(shù)參量Jk=0，說明第k個(gè)物理服務(wù)器為關(guān)機(jī)睡眠；Jk=1則表示參與高效遷置部署作業(yè)中.NWPM指參與高效遷置部署作業(yè)的物理服務(wù)器規(guī)模.令云環(huán)境數(shù)據(jù)中心物理服務(wù)器使用率為u，算得高效遷置部署的目標(biāo)函數(shù)為：

(2)

p(u)=u·(1-r)·PH+r·PH.

(3)

則在時(shí)間T范圍內(nèi)整個(gè)云環(huán)境下的數(shù)據(jù)中心能耗度為：

(4)

(5)

于是，求得第k個(gè)物理服務(wù)器的失衡度為

(6)

整個(gè)云環(huán)境數(shù)據(jù)中心載荷失衡度為

(7)

要規(guī)避云計(jì)算系統(tǒng)中物理服務(wù)器載荷失衡問題實(shí)現(xiàn)高效遷置部署目標(biāo)，要求最小化NBDC參數(shù)值.

2 算法部署設(shè)計(jì)

正如引言所述，云數(shù)據(jù)中心虛擬機(jī)的遷移部署可用集裝箱問題來應(yīng)對(duì).通過梳理傳統(tǒng)研究方案的不足可知，高效的遺傳算法在編碼長(zhǎng)度和搜索長(zhǎng)度方面都應(yīng)該是簡(jiǎn)短的.所以在為空間內(nèi)個(gè)體搜索求解值的時(shí)候要采用小的染色體編碼方法來表征，從而避免染色體的長(zhǎng)度問題導(dǎo)致遷置部署的效能性[12].故筆者考慮用分組表征方法.

傳統(tǒng)的遺傳算法研究方案為了較快地生成第二代染色體,往往直接鎖定那些適配值較高的染色體，該思想下的搜索解通常由于收斂過早導(dǎo)致所求解不具備全局普適性.為避免此類情形再次出現(xiàn)，筆者首先為個(gè)體逐一分析其適配值，再通過輪詢方式計(jì)算出個(gè)體的命中率進(jìn)而篩選出優(yōu)質(zhì)[13]的個(gè)體，即所謂的優(yōu)勝劣汰.按照此思路，首先給出第k個(gè)個(gè)體Jk的命中率：

(8)

式中的Mk指Jk的匹配值.所謂的輪詢適配即指通過一個(gè)圓形模型將種群的數(shù)量和個(gè)體命中率劃分出x個(gè)區(qū)域，則第k個(gè)區(qū)域的角度為：

(9)

可見，Mk和anglek所對(duì)應(yīng)的扇形區(qū)域呈正比.再通過累計(jì)方式計(jì)算圓形模型滾動(dòng)過的弧度即可求解出第n個(gè)個(gè)體的命中率，記作：

(10)

現(xiàn)引入一個(gè)服從區(qū)間[0,1]分布的隨機(jī)均衡系數(shù)δ，用于求解最適合用作第一代染色體的個(gè)體.將此求解過程函數(shù)表征為：

(11)

為使CH2 nd染色體能夠延續(xù)到CH1 st個(gè)體中優(yōu)質(zhì)的基因，算法需先對(duì)CH1 st個(gè)體基因展開分析，評(píng)估函數(shù)記作：

(12)

若算得評(píng)估值越小，則表明該個(gè)體基因的失衡問題越凸顯，非優(yōu)質(zhì)基因；反之，則為優(yōu)質(zhì)基因.然后根據(jù)評(píng)估值的權(quán)重選擇用于交錯(cuò)的基因.從而使得CH2 nd能夠可靠地延續(xù)到CH1 st優(yōu)質(zhì)的基因.極大地提高了物理服務(wù)器接受虛擬機(jī)高效遷置部署的科學(xué)性，克服了傳統(tǒng)研究關(guān)于基因隨機(jī)繼承引發(fā)的灰色效應(yīng)[14].

具體實(shí)施過程為:首先定義兩個(gè)首代染色體CH1 st-A和CH1 st-B;然后對(duì)CH1 st-A中的個(gè)體服務(wù)器展開基因質(zhì)量評(píng)估，將Ek值較大的個(gè)體嵌入CH1 st-B序列中的任意點(diǎn)使之生成CH2 nd序列;接著開始遍歷CH2 nd序列串中的個(gè)體服務(wù)器直至計(jì)算出含有相同編號(hào)虛擬機(jī)的個(gè)體服務(wù)器，并將其剔除.若因剔除而孤立了某些虛擬機(jī)則綜合采用優(yōu)先適應(yīng)算法[15]對(duì)其實(shí)施遷置.

遷置優(yōu)化算法的目標(biāo)旨在最小化NWPM從而節(jié)約云計(jì)算系統(tǒng)數(shù)據(jù)中心服務(wù)器的耗能.基于此思想，本次變種算子研究使用剔除已用過的服務(wù)器以及變種后不具備依賴性的虛擬機(jī)，也就是所求的解中缺少某個(gè)虛擬機(jī)而需采用優(yōu)先適應(yīng)算法對(duì)其實(shí)施返填的方式,以避免出現(xiàn)更大規(guī)模的擴(kuò)散.關(guān)于服務(wù)器剔除的選取標(biāo)準(zhǔn)，主要參照基因評(píng)估函數(shù)的評(píng)估值Ek.若該值越小，表明該物理服務(wù)器中的虛擬機(jī)安置欠缺科學(xué)性，被剔除的概率越高；反之被保留的概率越高.此舉目的在于將劣化變種事件約束在適配值較低的服務(wù)器個(gè)體上.

為了使高效遷置部署算法在迭代計(jì)算期間更好地評(píng)估染色體個(gè)體的優(yōu)質(zhì)狀況，現(xiàn)引入適配參量M用于考量策略收斂快慢程度.為貫徹遷置優(yōu)化算法思想，所引入的適配參量除了要顧及物理服務(wù)器資源使用率外,也應(yīng)最小化被喚醒的服務(wù)器規(guī)模.故該參量具有較大權(quán)重，關(guān)系到所得解的科學(xué)性，表征為：

(13)

3 遷置優(yōu)化算法實(shí)施

根據(jù)上述設(shè)計(jì)的算法方案，本次研究的算法思路為首先結(jié)合虛擬機(jī)提請(qǐng)的遷移請(qǐng)求得出X個(gè)排列.然后使用優(yōu)先適應(yīng)機(jī)制得到X個(gè)不同的安置方法.每歷經(jīng)一次迭代式計(jì)算便對(duì)X個(gè)序列串實(shí)施編碼、選擇、交叉、變異等處理，使CH1 st優(yōu)質(zhì)的基因傳播到CH2 nd.隨著循環(huán)迭代計(jì)算的持續(xù)深入，所有個(gè)體的適配參量M的權(quán)重值都將增加直至搜索到科學(xué)解.整個(gè)遷置優(yōu)化方案的具體實(shí)施過程如下:步驟1,實(shí)施基于分組的基因編碼；步驟2,隨機(jī)化方式將種群進(jìn)行初始化，并將迭代[16]次數(shù)置零；步驟3,根據(jù)所引入的適配評(píng)估函數(shù)依次計(jì)算出種群內(nèi)的個(gè)體適配參量值；步驟4,使用輪詢方式實(shí)施選擇作業(yè)，選出兩個(gè)首代染色體CH1 st-A和CH1 st-B;步驟5,根據(jù)優(yōu)質(zhì)基因評(píng)估函數(shù)的計(jì)算值獲取優(yōu)質(zhì)個(gè)體，然后放在任意交叉處生成CH2 nd序列，并參照適配參量值篩選出變種的個(gè)體;步驟6,根據(jù)基因評(píng)估函數(shù)剔除劣質(zhì)基因?qū)嵤┳兎N;步驟7,結(jié)合個(gè)體的適配參量值篩選出染色體CH1 st和染色體CH2 nd中最優(yōu)質(zhì)的個(gè)體,用作下一輪的迭代計(jì)算，同時(shí)迭代計(jì)數(shù)執(zhí)行加1操作.

4 效益評(píng)估

4.1 實(shí)驗(yàn)環(huán)境

部署遷置優(yōu)化算法的測(cè)評(píng)平臺(tái)是在Cloudsim云模擬平臺(tái)[17]上.為使該平臺(tái)更好地適應(yīng)于遷置優(yōu)化算法的評(píng)估,需事先將六個(gè)類進(jìn)行相關(guān)擴(kuò)展.一般而言,云計(jì)算系統(tǒng)通?？商峁M足各種需求的物理主機(jī)服務(wù)器，所以用于實(shí)施測(cè)評(píng)的物理主機(jī)服務(wù)器資源容量等配置也需要多樣化.相關(guān)研究[18]顯示，當(dāng)物理主機(jī)服務(wù)器的中央處理器處于閑置休眠狀態(tài)時(shí)所消耗的能源可達(dá)到滿載狀態(tài)時(shí)能耗的七成，所對(duì)應(yīng)的功耗約220 W.為了考查遷置優(yōu)化算法相對(duì)于傳統(tǒng)研究方案中遺傳算法和優(yōu)先適應(yīng)機(jī)制在應(yīng)對(duì)虛擬機(jī)提請(qǐng)安置計(jì)算請(qǐng)求方面的優(yōu)勢(shì)，同時(shí)體現(xiàn)資源計(jì)算請(qǐng)求的多元化，本次測(cè)試分別設(shè)立了[100,200,300,400,500,600]6種不同載荷規(guī)模分布的虛擬機(jī)反復(fù)運(yùn)行測(cè)試30次，再統(tǒng)計(jì)測(cè)試數(shù)據(jù)的均值.同時(shí)假設(shè)每個(gè)物理主機(jī)服務(wù)器容納4個(gè)虛擬機(jī).虛擬機(jī)的配置分別是：帶寬(度量單位：GBs/day)∈[1,2,2,4]、中央處理器(度量單位：MIPS)∈[1K,2K,3K,5K]、內(nèi)存(度量單位：GB)∈[4,8,16,24].

4.2 效益分析

目前許多關(guān)于遺傳算法的延伸研究都是在傳統(tǒng)遺傳算法基礎(chǔ)上優(yōu)化而來，正如文獻(xiàn)[6,8]研討的兩種改進(jìn)型研討方案.因此業(yè)界經(jīng)常將遺傳算法作為參照標(biāo)準(zhǔn)用于衡量各類改進(jìn)算法的實(shí)施成效.此外，優(yōu)先適應(yīng)機(jī)制是一種常用作部署虛擬機(jī)安置的啟發(fā)式算法.基于此，筆者通過4個(gè)指標(biāo)對(duì)比遺傳算法、優(yōu)先適應(yīng)機(jī)制、遷置優(yōu)化算法來凸顯各自方案效益.

圖1和圖2描述了3種研究方案在受理虛擬機(jī)提請(qǐng)安置計(jì)算請(qǐng)求時(shí)整個(gè)云計(jì)算環(huán)境下的數(shù)據(jù)中心資源調(diào)度情況.所統(tǒng)計(jì)的數(shù)據(jù)主要考查在安置請(qǐng)求規(guī)模逐漸遞增的情形下3種研究方案實(shí)施調(diào)度計(jì)算期間的性能差異性以及性能總體趨勢(shì).根據(jù)前文方案設(shè)計(jì)的思想以及方案實(shí)施的過程所述可知，相對(duì)于遺傳算法和優(yōu)先適應(yīng)機(jī)制，遷置優(yōu)化算法在實(shí)施虛擬機(jī)安置時(shí)不僅考慮到目標(biāo)物理宿機(jī)選取(即：優(yōu)質(zhì)基因分析)的合理性，還考慮到了編碼和交叉環(huán)節(jié)中盡可能地減少CH2 nd染色體(即：物理主機(jī)服務(wù)器節(jié)點(diǎn))的冗余規(guī)模.遷置優(yōu)化算法的這些思想均填補(bǔ)了傳統(tǒng)遺傳算法和優(yōu)先適應(yīng)機(jī)制的改進(jìn)空間.因此從圖1、2所收集的數(shù)據(jù)不難看出，部署策略曲線走勢(shì)表現(xiàn)出了與遺傳算法和優(yōu)先適應(yīng)機(jī)制的相對(duì)性優(yōu)勢(shì).顯著地提高了云計(jì)算數(shù)據(jù)中心綜合資源使用率，最小化被喚醒的物理主機(jī)服務(wù)器參與到策略中.由于每個(gè)物理主機(jī)服務(wù)器資源有限，故隨著提請(qǐng)安置計(jì)算請(qǐng)求的虛擬機(jī)的規(guī)模持續(xù)增加，勢(shì)必要有更多物理主機(jī)服務(wù)器被喚醒參與到響應(yīng)計(jì)算請(qǐng)求的行列中.這種規(guī)律是所有研究方案都會(huì)存在的.所以圖2所示的3條曲線走勢(shì)呈線性遞增.隨著負(fù)載增加，遷置部署策略在編碼、選取、遺傳環(huán)節(jié)的優(yōu)勢(shì)愈加明顯，因此資源使用情況愈發(fā)良好.故圖1所示曲線在虛擬機(jī)規(guī)模達(dá)到300個(gè)后效益更加凸顯.

云計(jì)算系統(tǒng)中物理機(jī)負(fù)載失衡與否也是考量?jī)?yōu)化成效的重要指標(biāo).圖3所示曲線即表述了在發(fā)起遷置請(qǐng)求虛擬機(jī)規(guī)模保持相同的前提下，3種研究方案所表現(xiàn)出的載荷失衡嚴(yán)重程度.對(duì)于優(yōu)先適應(yīng)機(jī)制而言，其思想為首先按照資源請(qǐng)求數(shù)量對(duì)虛擬機(jī)實(shí)行降序排序，一旦找到符合作為目的物理宿機(jī)要求的物理主機(jī)便開始停止后續(xù)搜尋，既便所求解具備全局性也極具偶然性.遺傳算法通過編碼、選擇等4個(gè)環(huán)節(jié)雖然在一定程度上促進(jìn)了云計(jì)算系統(tǒng)數(shù)據(jù)中心的服務(wù)性能，但受限于編碼環(huán)節(jié)的復(fù)雜和冗余困擾而不具備普適性[19].因此這2種研究方案存在的問題很容易使負(fù)載集中于某些特定的物理主機(jī)服務(wù)器上引發(fā)負(fù)載失衡問題.而本文研究目標(biāo)正是將這些欠周之處作為遷置優(yōu)化算法的改造空間.

圖2 3種方案的服務(wù)器喚醒情況

圖3 3種方案的失衡情況

相對(duì)而言，實(shí)施遷置優(yōu)化算法后云計(jì)算數(shù)據(jù)中心參與遷置虛擬機(jī)的物理主機(jī)服務(wù)器規(guī)模最小，且該算法在重載情形下的資源使用率最優(yōu).而節(jié)能成效高低與否完全取決于整個(gè)云數(shù)據(jù)中心參與工作的物理主機(jī)數(shù)量以及主機(jī)內(nèi)所定義的各類資源利用率.相對(duì)于遷置優(yōu)化算法而言，遺傳算法和優(yōu)先適應(yīng)機(jī)制下被激活的工作主機(jī)服務(wù)器數(shù)量較多，加之相對(duì)較低的資源利用率所造成的浪費(fèi)，都需要為此付出較高的能源代價(jià).甚至于相關(guān)研究[20]也表明了虛擬機(jī)放置過程中云計(jì)算數(shù)據(jù)中心若無法應(yīng)對(duì)物理主機(jī)節(jié)點(diǎn)載荷隨機(jī)波動(dòng)和動(dòng)態(tài)虛擬放置請(qǐng)求時(shí)，物理主機(jī)將出現(xiàn)頻繁開關(guān)機(jī).這必然使得原本凸顯的能耗問題被進(jìn)一步加劇.據(jù)此分析，占相對(duì)優(yōu)勢(shì)的遷置優(yōu)化算法所對(duì)應(yīng)的能源消耗最低.正如圖4所示的數(shù)據(jù)曲線走勢(shì)，充分說明了該問題.隨著虛擬安置請(qǐng)求的增加，用于響應(yīng)該計(jì)算的開銷資源也需同步增加，需要為開銷和主機(jī)供給更多的能源.故曲線走勢(shì)依舊總體呈現(xiàn)遞增趨勢(shì).

圖4 3種方案的能源消耗情況

5 結(jié)論

筆者從科學(xué)的角度為云計(jì)算環(huán)境中的虛擬機(jī)構(gòu)思一種遷置優(yōu)化算法以實(shí)現(xiàn)高效率的資源調(diào)度.該算法在總結(jié)傳統(tǒng)研究方案改進(jìn)空間的基礎(chǔ)上，以綠色指標(biāo)為導(dǎo)向探討了一種通過對(duì)優(yōu)質(zhì)的物理主機(jī)節(jié)點(diǎn)展開科學(xué)性評(píng)估后再用于高效地實(shí)施虛擬機(jī)遷置請(qǐng)求.測(cè)試表明，所研究的算法在應(yīng)對(duì)云計(jì)算資源調(diào)度中具有切實(shí)的有效性與可行性.