陳 陽,王 勇

(1.安徽工程大學 現(xiàn)代教育技術中心,安徽 蕪湖 241000；2.安徽工程大學 計算機與信息學院,安徽 蕪湖 241000)

0 引 言

為了倡導綠色云計算環(huán)境，近年來大規(guī)模節(jié)能的云數(shù)據(jù)中心的構造與使用成了政府和各大IT企業(yè)越來越重視的問題，云數(shù)據(jù)中心的構造目標是低能量消耗、高服務質量(quality of service,QoS)、節(jié)省物理空間和高可靠性等[1-4]。一個數(shù)據(jù)中心(data center,DC)通常配置有大量的緊密堆積在一起物理節(jié)點(physical machines,PM)，目的是提高建筑物空間的利用率；虛擬化技術是云數(shù)據(jù)中心中最關鍵的技術，虛擬化允許用戶對云資源的訪問是透明與簡單方便的, 它通過虛擬機(virtual machines,VM)的形式將應用程序封裝起來，通過虛擬機分配策略將其分配到具體的數(shù)據(jù)中心的物理節(jié)點之中執(zhí)行。在應用程序執(zhí)行過程中，利用虛擬機遷移策略來提高云資源的利用效率，節(jié)省云服務提供商的能量消耗和成本。針對虛擬機遷移策略，目前大量的文獻考慮的遷移因素都關注在物理主機的CPU使用效率，內存大小，空余磁盤空間,網絡帶寬等方面, 把性能指標關注在違規(guī)比率、QoS、系統(tǒng)能量消耗、虛擬機遷移次數(shù)等方面[5]。

本文提出了一種綠色云計算環(huán)境中基于溫度感知的虛擬機遷移策略(TA-VMM),與當前主要的遷移策略不同的是,該策略考慮的主要因素是云數(shù)據(jù)中心的物理節(jié)點的溫度情況和能量溫度結合情況。建立了虛擬機選擇和虛擬機分配過程中物理資源的溫度和能量的數(shù)學模型;TA-VMM由虛擬機選擇算法和虛擬機重分配算法TDR 2個部分組成。最后，在Cloudsim云計算模擬器上實現(xiàn)和測試了TA-VMM的策略。實驗結果表明，在TA-VMM節(jié)省能量和虛擬機遷移次數(shù)方面具有較好的性能,SLA違規(guī)方面只有極小的增加。

1 相關工作

目前，學術界為了節(jié)省云數(shù)據(jù)中心的能量消耗,構建綠色云計算環(huán)境,進行了大量的研究。第1種是運行冷凝系統(tǒng)保證物理服務器的空間不會過熱[6]；第2種是通過虛擬機遷移策略和算法，即云服務提供商應用虛擬機遷移與合并策略到公有云、私有云、混合云之中。

第2種又主要分為3類：①早期的單純的虛擬機遷移策略,沒有采用相關智能算法進行優(yōu)化；②貪心算法、遺傳算法等進行優(yōu)化的虛擬機分配與遷移策略；③Anton Beloglazov博士等為團隊開發(fā)的以Cloudsim模擬器平臺中的遷移策略為主線的虛擬機分配策略的研究。

對于第1類相關研究, 文獻[7]提出了云數(shù)據(jù)中心的綠色計算的思路和減少碳泄露(carbon emission)的方法。它提出的方法都可以支持低能量消耗和減少碳泄露,實驗結果顯示，可以減少23%的能量消耗和25%的碳泄露；文獻[8]提出了虛擬機遷移中一個自適應的低能量消耗方法，使用模糊推理引擎來決定虛擬機的分配與放置，實驗結果顯示，針對普通的能量管理算法，可以減少18%的能量消耗；文獻[9]提出了云數(shù)據(jù)中心中的虛擬機遷移策略，使用動態(tài)的方式使其滿足客戶端的各種SLA應用程序需求，實驗結果顯示，該策略可以保證60%的物理服務器中的SLA違規(guī)忽略不計，在一定程度上可以保證云數(shù)據(jù)中心的QoS服務質量；文獻[10]在Anton Beloglazov博士的基礎上提出SLA違規(guī)算法，引入最小能量最大利用率策略，進一步優(yōu)化虛擬機配置方法。

對于第2類研究,文獻[11]從CPU維度對虛擬機的動態(tài)配置問題進行建模，并利用改進的蛙跳算法進行求解；文獻[12-13]提出了云計算中基于貪心算法的任務調度及改進，把改進任務競爭時間和改進任務執(zhí)行代價作為主要因素。實驗結果表明，貪心算法在串行調度算法的基礎上可以改進任務調度的性能，但是它們并沒有將貪心算法物理資源低能量消耗相關的算法之中；文獻[14-16]都提出了遺傳算法優(yōu)化的云數(shù)據(jù)中心虛擬機遷移策略，相關實驗數(shù)據(jù)表，其性能要優(yōu)于貪心算法和無智能優(yōu)化算法等。

對于第3類研究，文獻[17]分析了虛擬機遷移及其相關的動態(tài)虛擬機合并問題，提出了自適應的基于數(shù)據(jù)歷史分析的啟發(fā)式算法來保證低能量的消耗，實驗結果顯示，局部規(guī)約算法(local regression algorithm)和最近時間遷移(least time migration)方法性能優(yōu)于其他常見方法；文獻[18]提出了能量相關的云計算的體系結構和方法，它的主要思想是基于虛擬機的動態(tài)合并,利用Cloudsim[19]來模擬與評測算法的性能，結果顯示，針對靜態(tài)的資源分配方法，它可以很好地降低云數(shù)據(jù)中心的能量消耗；文獻[20]提出了云數(shù)據(jù)中心考慮資源使用閾值邊界的虛擬機分配策略, 可以根據(jù)云端當前工作負載的狀態(tài)來獲得資源的使用效率情況，在工作負載高于或者低于設置的閾值上界與閾值下界時,該物理主機上的虛擬機將進行遷移,放置到新的物理主機上,測試結果表明,比Cloudsim中已有的median absolute deviation(MAD)策略,static threshold(ST)策略,local regression(LR)策略,local regression robust(LRR)策略和inter quartile range(IQR)等的性能都要優(yōu)秀。

上述這些方法的主要目的是應用虛擬機動態(tài)遷移技術實現(xiàn)云端服務的負載均衡和容錯,節(jié)省服務器的能量等,最終是為了改善云端的服務質量QoS,減少SLA違規(guī), 虛擬機在遷移時考慮的物理資源使用情況的維度由早期的單一CPU利用率到現(xiàn)在的多個維度的指標,甚至后面還有硬件因素、軟件因素、網絡帶寬因素、網絡設備接口能量消耗等[21]。

TA-VMM也是為了構建綠色云計算環(huán)境，針對云端的多種應用服務請求處于動態(tài)變化情形下，提出的一種云數(shù)據(jù)中心的虛擬機動態(tài)遷移模型， 可以認為它是針對Cloudsim云計算模擬器進行后續(xù)研究的虛擬機遷移策略，在資源申請時考慮的主要因素是溫度情況和能量情況，這是其他各類算法考慮較少的地方,它可以避免物理服務器嚴重的hot-spot 或者cold-spot問題。雖然文獻[22-24]在資源分配時也考慮了一些溫度因素，但是并沒有利用到云端的虛擬機選擇與分配之中。

最近這幾年又有文獻提出采用軟件的方法來提高虛擬機分配和虛擬機放置策略的性能，還有文獻提出需要在虛擬機遷移過程中考慮網絡攻擊危險，保證云數(shù)據(jù)中心的可靠性。例如文獻[25]把虛擬機遷移過程劃分為物理主機狀態(tài)檢測、虛擬機映射、虛擬機選擇、虛擬機放置4個復雜的步驟，其中，虛擬機映射主要通過任務粒度、軟件代價等來進行調整；虛擬機放置屬于一類經典裝相問題，即把大量的VM放置到大量的物理節(jié)點之中，它提出要考慮虛擬機映射和虛擬機放置之間的相互聯(lián)系來改善性能。文獻[26] 提出了云數(shù)據(jù)中心基于安全檢測的虛擬機遷移策略。利用隔室技術及SIR(susceptible, infected, recovered)模型在虛擬機遷移過程將有安全威脅的虛擬機隔離出來，保證云數(shù)據(jù)中心的能量消耗與安全級別的平衡。

2 相關概念描述

2.1 能量消耗模型

在TA-VMM中，物理主機的溫度做為重要因素在虛擬機選擇和分配過程中予以考慮，其工作場景為一個云數(shù)據(jù)中心有N個物理服務器節(jié)點，云平臺上運行著M個虛擬機。云客戶端向云數(shù)據(jù)中心申請資源的時候，存在著虛擬機遷移,虛擬機合并等事件,多個虛擬機也可以被分配到一個單獨的物理服務器節(jié)點,我們設計了下面的能量消耗數(shù)學模型。

物理服務器節(jié)點的能量消耗的主要決定因素往往包括主機的CPU使用率、內存大小、磁盤空間大小及網絡接口的使用率等。在這些因素之中，CPU往往是物理主機最重要的能量消耗因素,這也是前5～8年的虛擬機遷移策略的論文主要分析的是CPU利用情況的原因所在。后期有相關文獻[21]表明,一個空閑的物理服務器大約也要消耗它的峰值能量的70%,所以關閉那些空閑的物理服務器在云數(shù)據(jù)中心十分重要。

在TA-VMM中，為了計算云端的能源消耗，假設服務器是空閑的，它的能源消耗百分比是k，pfull表示服務器在完全滿負載工作時的能源消耗(峰值能量消耗)，ui是當前的物理主機i的CPU使用效率。物理主機的能量消耗為整個云服務器端的能源消耗為

Pi=k·pfull+(1-k)pfull·ui

(1)

(2)

2.2 溫度模型

在溫度的數(shù)學模型中，TA-VMM主要參考了文獻[27]中的lumped RC物理服務器的溫度行為。即在時刻t的情況下，假設一個能量消耗為P的處理器的溫度可以描述為

T(t)=P·Rth+Tamb-

(P·Rth+Tamb-Tinit)·e-t/RthCth

(3)

(3)式中：Rth和Cth分別表示其等效的熱電阻和熱電容；Tamb表示環(huán)境溫度；Tinit表示初始溫度。

2.3 物理主機過負載檢測

由于在虛擬機遷移過程中經常要判斷物理主機是否空閑或者超負荷,所以TA-VMM中參考了Cloudsim開發(fā)團隊中的描述，定義了幾種物理主機超負載檢測算法。

1)固定閾值(static threshold，THR)：資源在使用過程中，采取一個固定的使用效率閾值,例如80%或者20%, 超過或小于這個范圍的情況下，虛擬機就要進行遷移。

2)四分差(interquartile range，IQR)：設置一個資源使用的上限利用效率閾值,用來調整CPU的使用效率。

3)絕對中位差(median absolute deviation，MAD)：設置一個資源使用效率閾值,根據(jù)CPU的使用效率的中位來確定是否遷移虛擬機。

4)局部魯棒性(local regression robust，LRR)規(guī)約：尋找一個趨勢多項式到最近的CPU使用效率的j個觀察值來評測下一個觀察值,最后檢測其是否滿足物理主機超負載的狀態(tài)。

2.4 虛擬機選擇策略

TA-VMM虛擬機遷移策略包括2個過程：虛擬機選擇和虛擬機重新分配。TA-VMM中也采用了Cloudsim中的虛擬機遷移方法作為比較性能，這些已有的策略描述如下。

1)最大關聯(lián)(maximum correlation，MC)選擇方法：即選擇同一個物理主機上的且與CPU使用效率有最高關聯(lián)度的虛擬機作為對象。

2)最小遷移時間(minimum migration time，MMT)選擇方法：即遷移一個在最短時間內能夠完成的虛擬機作為選擇對象。

3)最小使用效率(minimum utilization，MU)選擇方法：即對一個具有最小使用效率的虛擬機進行遷移。

4)隨機選擇(random selection，RS)策略：即在物理服務器上隨機選擇一個虛擬機進行遷移。

3 TA-VMM虛擬機遷移工作機制描述

3.1 主要步驟

TA-VMM虛擬機遷移策略的工作機制包括下面3個步驟：①判斷出目標物理主機,即哪個是超負載工作主機或者未超負載的工作主機；②選擇一個虛擬機進行遷移，該遷移一般都是從超負載的物理主機上選擇；③重新分配虛擬機到那些未超負載的物理主機之上。

在這個過程中，可以采用不同的策略來完成超負載狀態(tài)的檢測，如果一個物理主機的CPU使用率已經超過一個設定的閾值，那么該物理主機上的一個或者多個將必須遷移到另外一個物理主機上，這樣的目的是防止產生潛在的SLA違規(guī)。在虛擬機遷移結束階段，那些沒有虛擬機運行的物理主機關閉,最終可以節(jié)約云數(shù)據(jù)中心的能量消耗。

3.2 虛擬機選擇算法

在TA-VMM中，只要有一個物理主機被檢測到處于超負載工作狀態(tài)，其上的虛擬機將進行遷移，在這個步驟中，本文提出了虛擬機選擇算法,該算法的目的是在超負載的物理主機上遷移一個或者多個虛擬機，目的是為了使該物理節(jié)點在虛擬機遷移之后獲得。 這里值的計算方法為其最優(yōu)溫度和當前溫度的距離的絕對值。在這種情況下，如果物理服務器可以控制在根據(jù)文獻[24]提出的最優(yōu)溫度，那么主機的能量消耗和SLA違規(guī)的值都可以保持到相對最低值, 為了最小化,虛擬機選擇算法將選擇VMj完成遷移，定義為

MTD=|Topt-Ti|

(4)

(4)式中：Ti表示物理主機i的溫度；Topt表示物理主機的最優(yōu)溫度。文獻[24]中提到，在這個情況下，云平臺可以獲得能量消耗和SLA違規(guī)的相對平衡。

定義這個虛擬機選擇算法為MTD, TA-VMM中MTD算法的偽代碼如算法1。算法的輸入是超負載的物理主機列表，輸出是被選擇出的虛擬機列表。

Algorithm 1:VM Selection Policy // 虛擬機選擇策略

輸入 Input: OverUtilizedHosts, vmList //超負載物理主機列表,虛擬機列表

輸出 Output:VmsToMigrateList //侯選遷移虛擬機列表

1 for each host in OverUtilizedHosts do //針對所有的超負載物理主機中的每一個物理主機。

2 minTD=MAX //變量MAX賦值給最小溫度距離變量minTD

3 migratableVM=NULL //可遷移的虛擬機被賦值為空

4 for each vm in vmList do //針對所有的虛擬機列表中的每一個虛擬機。

5 if TD< minTD then //如果溫度距離TD小于變量minTD

6 migratableVM=vm //虛擬機被賦值為可遷移的虛擬機

7 minTD=TD 變量TD賦值給最小溫度距離變量minTD

8 end if //結束if循環(huán)

9 end for //結束For循環(huán)

10 VmsToMigrateList.add(migtatableVM) //將虛擬機加入到侯選遷移虛擬機列表

11 end for //結束For循環(huán)

12 return VmsToMigrateList //返回侯選遷移虛擬機列表

3.3 虛擬機分配算法

TA-VMM的最后一個步驟是重新分配被選擇好的虛擬機到新的合適的物理主機,這種問題可以類比為一種經典裝箱問題(bin packing problem) 。每個物理主機上的CPU作為可用資源可以類比為箱的尺寸,貨物代表了將要被分配的虛擬機, 價格代表了物理主機的溫度距離比率(temperature distance ratio，TDR)，即TDR是TA-VMM遷移策略中提出的一個參數(shù)，下面詳細解釋TDR。

當前的CPU都比較先進,處理器都有自動測量芯片溫度的功能，如果芯片處于高溫的狀態(tài)，即表明它有高的能量消耗,芯片長期處于功耗大的狀態(tài)將會出現(xiàn)硬件故障,所以在TA-VMM中，我們期望遷移過來的虛擬機能夠使CPU處于低能量消耗狀態(tài)和低溫的狀態(tài),TDR定義為

(5)

TDR函數(shù)既利用了前面的能量模型，也考慮了溫度模型, 所以TA-VMM最后一步為參考TDR的具體值來完成虛擬機的再分配。值得注意的是,在相同CPU使用效率的情況下，一個主機如果有比較高的每秒百萬條指令(million instructions per second，MIPS) 值, 那么它消耗的能量也相對要多。在相同情況下，2個物理主機可能容納不同數(shù)量的虛擬機,因此，僅僅通過簡單考慮物理主機使用效率或者能量消耗是很難有一個正確的溫度控制。所以TDR函數(shù)的設計只是將遷移那些最接近最優(yōu)溫度的虛擬機。本文采用一個修改的最佳適應遞減算法(best fit decreasing algorithm，BFD)并實現(xiàn)[17],在TA-VMM中稱為TDR-BFD。

在TDR-BFD中，被選擇好的虛擬機按照CPU使用效率遞減的方式排序，那些排序好的虛擬機將被分配到新的合適的物理節(jié)點，這樣就使TDR值獲得最小的增加。

TDR-BFD虛擬機分配算法執(zhí)行完后，虛擬機將選擇到能量和性能最優(yōu)的物理主機。TDR-BFD算法的偽代碼如Algorithm 2。算法的輸入為被選擇出的虛擬機列表,輸出為重新分配好的虛擬機列表。

Algorithm 2: TDR Best Fit Decreasing //最好遞減虛擬機分配算法

輸入 Input:hostList, VmsToMigrateList //物理主機，侯選遷移虛擬機列表

輸出 Output: allocation of Vms //虛擬機分配的結果

1 VmsToMigrateList.sortDecreasingUtilization() //將侯選遷移虛擬機列表中的虛擬機按照資源利用效率排序

2 for each vm in VmsToMigrateList do //針對侯選遷移虛擬機列表中的每一個虛擬機

3 minTDRDiff=MAX //變量MAX賦值給最小溫度差異變量minTDRDiff

4 allocatedHost=MULL //可分配的虛擬機被賦值為空

5 fo reach host in hostlist do //針對所有的物理主機列表中的每一個物理主機

6 if host has enough resources forvm then //如果該物理主機有足夠的資源容納虛擬機

7 TDRDiff=estimateTDRDiff(host,vm) //當前溫度差異變量TDRDiff被賦值給estimateTDRDiff函數(shù)的結果

8 IfTDRDiff

9 allocateHost=host //物理主機被賦值為被選中的可分配的物理主機

10 minTDRDiff=TDRDiff //當前的最小溫度距離差異值TDRDiff賦值給最小溫度差異變量minTDRDiff

11 end if //結束if循環(huán)

12 end if //結束if循環(huán)

13 end for // 結束For循環(huán)

14 if allocatedHost!=NULL then //如果被選中的分配的物理主機列表不為空

15 allcation.add(vm.allocatedHost) // //將物理主機加入到被分配的物理主機列表

16 end if //結束if循環(huán)

17 end for //結束For循環(huán)

18 return allocation //返回虛擬機分配的結果

4 仿真與性能分析

4.1 仿真環(huán)境

Cloudsim[19]工具是Anton Beloglazov博士的研究團隊開發(fā)的一個最常見的面向云數(shù)據(jù)中心的模擬器，上面已經實現(xiàn)了一些虛擬機遷移策略，例如已有能量管理策略 (dynamic voltage and frequency scaling，DVFS)和無能量管理的隨機策略(no power aware policy，NPA),還有另外的單一閾值(single threshold，ST)遷移策略和最小遷移次數(shù) (minimization of migrations，MM)遷移策略。 DVFS是根據(jù)服務器處理器芯片所運行的應用程序對計算能力的不同需要，動態(tài)調節(jié)芯片的運行頻率和電壓。

接下來開始設置Cloudsim模擬的云數(shù)據(jù)中心環(huán)境，它包括一大批空閑的HP ProLiant ML110 G4物理服務器與G4數(shù)量相同的空閑的HP ProLiant ML110 G5物理服務器，服務器的硬件組成如表1。每個物理節(jié)點CPU核心的計算能力相當于1 860 MIPS或者2 660 MIPS。4個模型的虛擬機類型如表2，具有MIPS和內存的具體值,這樣可以模擬真實的計算場景。每個虛擬機都具有100 Mbit/s的網絡帶寬。溫度常量參考了lumped RC溫度模型中的具體值,如表3。最優(yōu)溫度的閾值設置為343 K, 這個溫度可以達到能量消耗和SLA違規(guī)之間的平衡。

表1 云數(shù)據(jù)中心中的物理節(jié)點配置Tab.1 Physical machine configuration of cloud data centers

4.2 性能指標

4.2.1 SLA違規(guī)

SLA違規(guī)值表明在客戶有服務請求的時候，CPU并沒有分配資源的情況，因此，為了云客戶端增加QoS,我們的首要目標是減少SLA違規(guī)值。

表2 虛擬機類型配置Tab.2 Configuration of virtual machine type

表3 溫度常量的設置Tab.3 Setup of temperature constants

文獻[17]中采用了2個方法來評價SLA違規(guī):①單活動主機SLA違規(guī)時間(SLA violation time per active host，SLATAH); ②虛擬機遷移后的性能降低(performance degradation due to migrations，PDM)情況。

所以最終SLA違規(guī)的具體值可以表示為

SLAV=SLATAH·PDM

(6)

(6)式中：SLATAH是活動主機的CPU具有100%的使用效率所占的比例；PDM是整個系統(tǒng)因為虛擬機遷移后的性能降低情況。

4.2.2 能量消耗和SLA違規(guī)聯(lián)合指標

本文這里保證能量消耗和QoS之間的平衡來評價整個云數(shù)據(jù)中心的性能,計算公式為

ESV=E·SLAV

(7)

(7)式中：E是云數(shù)據(jù)中心的整體能量消耗；SLAV是(6)式中所表達的SLA違規(guī)情況，ESV的值正比于能量消耗E和SLAV，所以ESV越小，云數(shù)據(jù)中心系統(tǒng)性能越優(yōu)秀。

4.3 仿真結果與性能分析

為了體現(xiàn)TA-VMM虛擬機遷移策略的性能改進，把TA-VMM和其他能量感知的虛擬機分配機制進行了比較,包括Cloudsim中4類虛擬機遷移策略(MC, MMT, MU 和RS)，同時采取不同的虛擬機超負載檢測算法(THR, IQR, MAD 和LRR)。為了方便描述實驗結果，只保留了這些遷移策略的最大值和最小值的數(shù)據(jù)，仿真了真實情況下應用程序訪問云數(shù)據(jù)中心的情況，隨機選擇24 h來完成工作負載的跟蹤。 在仿真過程中，有800個物理主機和1 052個虛擬機。表4～表7是各類虛擬機遷移策略和本文的TA-VMM遷移策略的比較結果。

表4顯示了TA-VMM遷移策略與其他遷移方法的比較,能量消耗有大約30%的減少。

表4 TA-VMM與Cloudsim中已有的遷移策略能量消耗比較(持續(xù)24 h)Tab.4 Experiment results analysis of energy consumption in TA-VMM and Cloudsim (continue 24 h) KWh

表5 TA-VMM與Cloudsim中已有的遷移策略SLA違規(guī)比較(持續(xù)24 h)Tab.5 Experiment results analysis of SLA violation in TA-VMM and Cloudsim(continue 24 h) %

表6 TA-VMM與Cloudsim中已有的遷移策略虛擬機遷移次數(shù)比較(持續(xù)24 h)Tab.6 Experiment results analysis of migration numbers in TA-VMM and Cloudsim(continue 24 h)

表5中顯示了SLA違規(guī)的仿真結果，從表5中可以看出，所有的虛擬機遷移策略都可以獲得小于0.01%的SLAV值。

表6中顯示了不同虛擬機遷移策略的虛擬機遷移次數(shù)的比較，TA-VMM的遷移次數(shù)比其他的2個策略要少50%。

表7顯示了本文TA-VMM策略的ESV參數(shù)值也小于其他策略的38%～51.2%,當對比活動主機數(shù)目的時候，本文基于TDR的溫度感知機制比其他能量感知的虛擬機遷移機制也要低，具有比較高的MIPS的物理主機SLATAH比較小。分析原因是TA-VMM遷移策略在能量節(jié)省方面更容易使虛擬機到那些低能量消耗的物理主機之上。

表7 TA-VMM與Cloudsim中已有的遷移策略ESV性能比較(持續(xù)24 h)Tab.7 Experiment results analysis of ESV in TA-VMM and Cloudsim(continue 24 h)

然而TA-VMM策略的SLA違規(guī)值也有了一些輕微的提高，但是TA-VMM遷移策略能夠成功地定位被選擇的虛擬機到合適的物理節(jié)點，可以達到能量消耗、最佳溫度及SLA違規(guī)之間的平衡。因為每個虛擬機的遷移都可以導致SLA違規(guī),因此，應該在可能的情況下盡量減少虛擬機遷移的數(shù)量。

從表6還可以看出，TA-VMM遷移策略的遷移次數(shù)比其他策略的要少，通過虛擬機重新分配，它可以保持主機一直工作，同時接近最佳溫度。物理主機的CPU整體利用效率可以一直保持在一個與最佳溫度相對應的閾值范圍之內。整體來說，TA-VMM遷移策略也實現(xiàn)了更好的虛擬機合并,與其他遷移策略比較起來，TA-VMM遷移策略最終在降低虛擬機遷移次數(shù)、減少能量消耗、降低SLA違規(guī)等方面體現(xiàn)了良好的性能。

5 結 論

本文提出綠色云計算環(huán)境下的基于溫度感知的虛擬機遷移策略TA-VMM, 它主要考慮物理主機的溫度情況作為選擇和分配虛擬機的關鍵因素。采用Cloudsim云計算的模擬器建立了TA-VMM仿真環(huán)境，測試結果表明,與Cloudsim中已經有的遷移策略比較起來，TA-VMM可以很好地節(jié)省云數(shù)據(jù)中心的能量消耗，減少SLA違規(guī)值(保證云計算的服務質量QoS)和虛擬機遷移次數(shù)。TA-VMM模型給構造綠色云數(shù)據(jù)中心的企業(yè)提供了一個新的思路，溫度感知和能量感知相結合的虛擬機遷移策略在一定程度上可以更好地降低能量消耗，下一步工作將考慮將云數(shù)據(jù)中心的遷移策略利用到群智網絡或者移動云計算之中[28]。