蔡 豪，袁正道

（1.河南廣播電視大學信息技術中心，鄭州 450008；2.河南廣播電視大學信息工程學院，鄭州 450001）

（?通信作者電子郵箱caihao_2019@21cn.com

0 引言

虛擬機遷移是近年來大規(guī)模節(jié)能云數(shù)據(jù)中心構造的關鍵技術［1-3］，目前大部分文獻將虛擬機遷移過程劃分為物理主機狀態(tài)檢測、虛擬機選擇和虛擬機放置三個步驟［4-7］。物理主機狀態(tài)檢測可以通過監(jiān)視主機的物理資源使用狀態(tài)來判斷，例如主機的處理器的利用率超過90%或者低于10%可以認為是超負載或低負載（over-utilized 或under-utilized），在這種情況下，該主機將作為異常物理節(jié)點被選擇出來，形成候選遷移物理主機列表HostsToMigrateList。虛擬機選擇的含義是從異常的物理主機其上選擇出合適的虛擬機，形成候選遷移虛擬機列表selectedVMList。虛擬機放置的含義是將虛擬機選擇階段中形成的候選遷移虛擬機列表按照一定的算法重新放置到云數(shù)據(jù)中心其他的正常狀態(tài)下的物理節(jié)點之上。

從上述分析可以看出物理主機狀態(tài)檢測、虛擬機選擇、虛擬機放置應該屬于三個不同的過程，這三個過程都可以通過算法進行優(yōu)化。物理主機狀態(tài)檢測可以通過資源利用效率管理策略等來進行優(yōu)化［8］；虛擬機選擇可以通過虛擬機尺寸與粒度、主機能量消耗情況、虛擬機遷移時間長短等策略進行優(yōu)化；虛擬機放置屬于一類經(jīng)典裝箱問題（Classical Packing Problem，CPP），即把大量的候選遷移虛擬機重新分配到大量的物理節(jié)點之中，還有些文獻把它稱為穩(wěn)定匹配或者醫(yī)院病床分配問題［9］，該過程也有很多算法進行優(yōu)化。

本文的研究重點放在虛擬機選擇階段，對另外兩個階段采用近年來已有的比較先進的優(yōu)化算法。本文提出了基于貪心模式的虛擬機選擇算法（Greedy Algorithm Optimization based Virtual Machine Selection，GAO-VMS），之所以這樣稱呼是因為GAO-VMS 每次都是選擇那些目標函數(shù)最好的虛擬機作為標準來遷移，并不考慮選擇之前的影響或者是選擇之后的影響，即考慮的是局部最優(yōu)而不是全局最優(yōu)。

GAO-VMS 虛擬機選擇算法配合在物理主機狀態(tài)檢測和虛擬機放置階段的其他方法，即CloudSim 項目中已有的而且證明是性能優(yōu)異的魯棒局部歸約物理主機檢測方法LRR（Local Regression Robust）和遞減裝箱虛擬機放置方法BFD（Best-Fit-Decreasing bin packing problem）［5］，就構成了一個完整的新型虛擬機遷移模型。

本文將GAO-VMS 虛擬機選擇算法進一步細分為最大能量降低消耗策略、最小遷移時間及能量消耗均衡策略、最小每秒百萬條指令數(shù)（Million Instructions Per Second，MIPS）虛擬機請求策略。GAO-VMS 虛擬機選擇策略通過CloudSim 來實現(xiàn)和仿真，仿真結果表明，通過GAO-VMS 完成貪心模式的優(yōu)化之后，它比常見的虛擬機遷移策略可以更好地節(jié)省云數(shù)據(jù)中心的能量消耗，減少虛擬機遷移次數(shù)，節(jié)約云服務器提供商的企業(yè)成本。

1 相關工作

由于本文研究的重點在虛擬機選擇階段的算法優(yōu)化，所以本章主要介紹虛擬機選擇的相關工作，由于篇幅原因省略物理主機狀態(tài)檢測算法和虛擬機放置算法的相關工作。

早期的文獻在設計云數(shù)據(jù)中心能量消耗模型時往往考慮的物理資源維度比較單一，例如單一物理資源：CPU利用率與處理器溫度發(fā)熱；后續(xù)考慮問題的維度擴展到了內存利用率、磁盤空間大小等；近三年來還有考慮更多的因素，網(wǎng)絡帶寬因素、網(wǎng)絡設備接口能量消耗等；但是在遷移的時候它們并沒有考慮到虛擬機遷移的內部邏輯、數(shù)據(jù)依賴、軟件因素。

當前的虛擬機選擇策略主要分為三大類：第一類是單純的虛擬機選擇策略，沒有利用相關智能算法進行優(yōu)化，例如文獻［10-14］等；第二類是采用貪心算法［15］、蛙跳算法［16］、遺傳算法［17］、穩(wěn)定匹配［18］、虛擬機關聯(lián)性［19］、任務映射［20］、蟻群算法［21］等來進行優(yōu)化的虛擬機選擇策略；第三類是Anton 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選擇策略的及其后續(xù)的相關研究［5，7，22-23］，第三類這些研究中的內容大多都參考了CloudSim項目的研究思路與測試條件。

由于本文提出的GAO-VMS 虛擬機選擇也是參考了CloudSim 項目的研究思路，所以本章也指出在CloudSim 項目中已經(jīng)有的虛擬機選擇算法包括下面幾種，以便后續(xù)性能分析中進行比較。

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

2）最小遷移時間選擇方法MMT（Minimum Migration Time），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）最小資源使用效率選擇方法MU（Minimum Utilization），即對一個具有最小利用效率的虛擬機進行選擇，完成候選遷移虛擬機列表。

4）隨機選擇一個虛擬機RS（Random Selection），完成候選遷移虛擬機列表。

除了上面四種方法外，還有最小遷移次數(shù)虛擬機選擇策略MM（Minimization of Migrations）、最高潛在增加虛擬機選擇策略HPG（Highest Potential Growth）、單一閾值虛擬機選擇策略ST（Single Threshold）等［24-25］。

GAO-VMS是一種既考慮了硬件因素，也考慮了軟件因素的貪心模式的虛擬機選擇策略，硬件方面其考慮的問題維度也是常見的處理器使用率、內存使用率、網(wǎng)絡帶寬大小，軟件方面考慮了云數(shù)據(jù)中心的能量消耗、遷移時間長短、MIPS 請求個數(shù)等，它是一種考慮了軟硬因素的帶智能算法貪心優(yōu)化的虛擬機選擇策略。

2 GAO-VMS工作場景與相關術語

2.1 GAO-VMS的工作場景

圖1 顯示了GAO-VMS 虛擬機選擇算法的工作場景與系統(tǒng)結構，它主要由三個模塊組成：全局代理Global Broker、本地代理Local Broker、虛擬機管理器Virtual Machine Manager。一個應用程序客戶端向云數(shù)據(jù)中心的全局代理請求虛擬機，該全局代理Global Broker 將虛擬機分派到具體的可用的物理主機上執(zhí)行，此時虛擬機遷移過程將啟動。

圖1 GAO-VMS的工作場景Fig.1 Working scenario of GAO-VMS

每個物理主機上都運行有一個本地代理Local Broker，它負責監(jiān)視和管理服務器上的物理資源。實際上GAO-VMS 虛擬機選擇優(yōu)化算法都在這個Local Broker 模塊上實現(xiàn)。本地代理監(jiān)視物理主機的CPU 資源、內存資源、網(wǎng)絡帶寬資源的運行情況，同時決定是否完成虛擬機遷移。虛擬機管理器Virtual Machine Manager 用來配合具體的虛擬機啟動，將物理主機切換到睡眠模式或者重新啟動空閑的物理主機。

2.2 GAO-VMS的工作流程

GAO-VMS工作流程具體包括下面四個步驟：

步驟1 周期性地檢測云數(shù)據(jù)中心的物理主機是否為超負載或者低負載狀態(tài)，形成候選遷移物理主機列表HostsToMigrateList；

步驟2 針對候選遷移物理主機列表上的虛擬機，基于貪心算法完成虛擬機選擇，形成候選遷移虛擬機列表selectedVMList；

步驟3 針對候選虛擬機列表中的大量虛擬機，基于遞減裝箱算法BFD優(yōu)化完成虛擬機的重新放置；

步驟4 重復上述步驟1～3，直到指定的時間周期完成或者所有物理主機都是正常狀態(tài)后停止。

本文的GAO-VMS 虛擬機遷移策略與CloudSim 項目中不同的是，在第二階段虛擬機選擇過程中，利用貪心算法來進行優(yōu)化，完成大量候選遷移虛擬機列表的形成，與MC、MMT、MU、RS、MM、HPG、ST等虛擬機選擇策略都不一樣。圖2顯示了GAO-VMS虛擬機選擇策略的工作流程。

圖2 GAO-VMS的工作流程Fig.2 Working flow of GAO-VMS

2.3 GAO-VMS的相關術語

1）物理主機和虛擬機的資源使用效率（Resource Utilization）。

資源使用效率體現(xiàn)了云數(shù)據(jù)中心資源使用狀態(tài)，這些都是被本地代理Local Broker 所監(jiān)視的。CPUutil(i)是當前的物理主機i的CPU 使用效率，RAMutil(i)是當前的物理主機i的內存使用效率，BWutil(i)是當前的物理主機i的網(wǎng)絡帶寬使用效率，M是物理主機的數(shù)目，VMCPUutil(i)是當前的虛擬機i的CPU 利用率需求情況，VMRAMutil(i)是當前的虛擬機i的內存需求情況，VMBWutil(i)是當前的虛擬機i的網(wǎng)絡帶寬需求情況，N是虛擬機的數(shù)目。

2）能源消耗模型（Energy Consumption）。

假設服務器是空閑的，它的能源消耗的百分比是k，Pmax(i)表示第i個物理主機在完全滿負載工作時的能源消耗，CPUutil(i)是當前的物理主機i的CPU 使用效率，本文把物理主機的能源消耗定義為式（1）和式（2）。

一個云數(shù)據(jù)中心的總體能量消耗可以定義為：

其中M是物理主機的數(shù)目。

3）服務等級協(xié)議違規(guī)比率（Service Level Agreement violation，SLA violation）。

本文參考了文獻［5］中的方法，即CloudSim 中定義的方法，它有兩個參數(shù)來評價SLA違規(guī)。

a）單活動主機SLA 違規(guī)時間（SLA violation Time per Active Host，SLATAH）。

b）虛擬機遷移后的性能降低情況（Performance Degradation due to Migrations，PDM）。

所以最終SLA違規(guī)的具體值可以通過式（3）計算：

其中：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值。

4）SLA違規(guī)與能量消耗聯(lián)合指標。

能量消耗和SLA 違規(guī)這兩個指標往往是互相沖突的，如果SLA違規(guī)比率過高，表明云數(shù)據(jù)中心提供服務出現(xiàn)異常，這樣企業(yè)將會失去商業(yè)利潤。如果使用過多的物理資源來保證服務質量，這樣能量消耗就會增加，間接地提高了企業(yè)的成本。本文參考了CloudSim 中的能量及SLA 聯(lián)合指標（Energy and SLA Violations，ESV）方法來評價整個云數(shù)據(jù)中心的性能。ESV的計算式如下：

其中：E是云數(shù)據(jù)中心的整體能量消耗；SLAV是式（4）中所表達的SLA 違規(guī)情況；ESV體現(xiàn)了能量消耗與云數(shù)據(jù)中心的SLA違規(guī)的平衡。

3 GAO-VMS虛擬機選擇算法

3.1 GAO-VMS選擇策略描述

GAO-VMS每次在選擇虛擬機的時候，都是以物理主機能量消耗最小、最小遷移時間等局部最優(yōu)為目標，這也是貪心模式的基本思想。

正如前面所描述的，在物理主機狀態(tài)檢測階段，所有的物理主機都檢測完畢，形成了候選遷移主機列表Hosts To Migrate List，這些主機可以認為是云數(shù)據(jù)中心的異常物理主機；接下來開始進入虛擬機選擇階段。

在異常物理主機列表中，采用GAO-VMS虛擬機選擇算法的好處是使物理主機的資源利用效率恢復到一個特定的閾值范圍內，例如針對那些CPU 使用率超過80%或者低于20%的物理主機，使其CPU的使用率恢復到20%～80%。

在每次執(zhí)行虛擬機選擇步驟過后，GAO-VMS策略反復運行，每次都重新檢測物理主機資源的利用率，如果物理主機繼續(xù)異常狀態(tài)，其上運行的虛擬機將繼續(xù)被選擇出來。本文的GAO-VMS策略進一步可以細劃分為三種貪心算法。

下面開始分別描述GAO-VMS貪心算法的具體策略。

1）最大能量降低消耗策略（Maximum Power Reduction policy，MPR）。

最大能量降低消耗策略MPR 目的是選擇一個虛擬機之后能最大限度地降低物理主機的能量消耗，當然選擇其上運行的其他的虛擬機來遷移肯定達不到這個效果。假設物理主機i上有j個虛擬機的集合VMj，MPR 策略試圖發(fā)現(xiàn)式（5）中的虛擬機集合V并選擇之。

其中：ui表示物理主機i的資源利用率；Tup物理資源的上限閾值；u(v)表示物理主機分配給虛擬機v的可用CPU 利用率；P|u(v)|表示物理主機i上面運行的虛擬機v所產(chǎn)生的能量消耗；min和max分別表示臨時變量。MPR 的算法偽代碼如算法1所示。

算法1 MPR。

2）最小遷移時間及能量消耗均衡策略（minimum migration Time and Power Tradeoff policy，TPT）。

最小遷移時間及能量消耗均衡策略TPT目的是選擇一個虛擬機使該物理主機在遷移之后具有能量消耗和虛擬機遷移時間的平衡。假設物理主機i上有j個虛擬機的集合VMj，TPT策略試圖發(fā)現(xiàn)式（6）中的虛擬機集合V并選擇之。

其中：ui表示物理主機i的資源利用率；Tup物理資源的上限閾值；u(v)表示物理主機分配給虛擬機v的可用CPU 利用率；P|u(v)|表示物理主機i上面運行的虛擬機v所產(chǎn)生的能量消耗；t(v)表示虛擬機v的遷移時間；min和max分別表示臨時變量。t(v)可以根據(jù)式（7）完成計算：

TPT的算法偽代碼如算法2所示。

算法2 TPT。

3）最小MIPS 虛擬機請求策略（Violated MIPS-VMs policy，VVM）。

最小MIPS虛擬機請求策略VVM 思路是采用另外一個不同的策略去選擇一個虛擬機。VVM 策略將選擇物理主機上的所有具有MIPS請求違規(guī)的虛擬機，這就是說所有應用程序客戶端請求的虛擬機，凡是其MIPS請求超過了物理主機上的虛擬機的MIPS 需求，這些虛擬機將都被選擇出來，在下一階段放置到其他物理主機。假設物理主機i上有j個虛擬機的集合VMj，VVM 策略試圖發(fā)現(xiàn)式（8）中的虛擬機集合V并選擇之。

其中：ui表示物理主機i的資源利用率；Tup物理資源的上限閾值；u(v)表示物理主機分配給虛擬機v的CPU 可用CPU 利用率；ua(v)表示分配給虛擬機v的MIPS；ur(v)表示云客戶端應用程序請求的MIPS 需求。VVM 策略的算法偽代碼如下算法3所示。

算法3 VVM。

3.2 GAO-VMS選擇策略的實現(xiàn)

GAO-VMS虛擬機選擇算法整個過程的偽代碼如下算法4所示。

算法4 VM選擇算法。

把上述代碼在第4）行換成算法1、算法2、算法3 就分別轉化成了MPR、TPT 和VVM 三類貪心算法的虛擬機選擇策略?；贘ava 的運行環(huán)境，在Local Broker 本地代理模塊中可以分別實現(xiàn)三類貪心模式的編碼。

4 GAO-VMS仿真實驗與性能分析

4.1 仿真環(huán)境

為了對GAO-VMS 模型進行實驗分析，采用了CloudSim模擬器，物理主機的能量模型如2.3 節(jié)所描述的能量消耗模型，這也是CloudSim3.0中常用的能量消耗模型［26］。

被模擬的云數(shù)據(jù)中心主要由兩類物理服務器組成，物理服務器總數(shù)為800個，物理服務器配置如表1顯示。

表1 云數(shù)據(jù)中心物理服務器配置Tab.1 Physical server configuration in cloud data center

虛擬機遷移周期設置為5 min一次，這種設置就意味著虛擬機的負載探測和虛擬機的遷移每5 min運行一次，一共運行24 h，每次統(tǒng)計一天內的能量消耗，在一周內重復運行5次，一周內每天虛擬機請求的個數(shù)如表2所示。

表2 一周內每天的虛擬機請求個數(shù)Tab.2 Virtual machine request numbers of days in a week

模擬云客戶端的應用程序訪問，運行的可以是一個Web應用程序或者其他一個具有不同類型工作負載的應用程序，整體來講包括四類不同虛擬機，如表3所示。

表3 虛擬機不同類型配置Tab.3 Configuration of different types of virtual machine

4.2 評測標準與比較對象

由于GAO-VMS 虛擬機選擇策略延續(xù)了CloudSim 項目研究思路，所以本文虛擬機遷移策略評價的主要指標有4 個：1）云數(shù)據(jù)中心的總體能量消耗；2）虛擬機遷移次數(shù)；3）平均的SLA違規(guī)分析；4）能量與SLA違規(guī)的聯(lián)合指標ESV。這4個指標可以體現(xiàn)與云數(shù)據(jù)中心的虛擬機遷移策略的性能好壞，這一點在2.3節(jié)都有描述。

根據(jù)虛擬機遷移三個階段的步驟，CloudSim 中比較好的辦法是魯棒局部歸約物理主機檢測方法LRR（Local Regression Robust）［5］，再結合最小遷移時間選擇方法MMT（Minimum Migration Time）完成虛擬機選擇［5］，再結合遞減裝箱方法BFD（Best-Fit-Decreasing CPP）完成虛擬機放置，稱之為LRR-MMT-BFD 策略，它的實現(xiàn)結果在Anton Beloglazov 博士的相關研究都有發(fā)表［5，7］，它應該作為首要比較對象。

本文的貪心算法優(yōu)化的GAO-VMS 虛擬機選擇策略根據(jù)3.1 節(jié)的描述可以進一步劃分為MPR、TPT、VVM 三種，所以結合其他兩個階段，分別形成了LRR-MPR-BFD（Local RegressionRobust-Maximum Power Reduction-Best-Fit-Decreasing）、LRR-TPT-BFD（Local Regression Robust-Time and Power Tradeoff-Best-Fit-Decreasing）、LRR-VVM-BFD（Local Regression Robust-Violated MIPS-VMs-Best-Fit-Decreasing）等虛擬機遷移策略。

LRR 方法是一種自適應的物理主機異常檢測辦法，它通過檢測一個物理主機的最近的j個處理器的使用率值作為評價方法，來判斷該物理主機是否處于異常狀態(tài)，在本實驗中把j的值設為10。MMT 選擇一個在最短時間內能夠完成遷移的虛擬機作為候選遷移對象，形成候選遷移虛擬機列表selectedVMList；文獻［5］中明顯指出MMT 選擇策略要比其他CloudSim 項目的MC、MU、RS 等策略要高效與節(jié)能。BFD 是遞減裝箱方法，它按照處理器的使用效率按照遞減的方式排序，然后依次完成虛擬機放置。

還與近年來的穩(wěn)定匹配的虛擬機遷移策略Stable-Matching［18］、虛擬機關聯(lián)性遷移策略Correlation-Based［19］、蟻群優(yōu)化的 ACS-VMM（Ant Colony System-Virtual Machine Migration）虛擬機遷移策略［21］、熒火蟲群優(yōu)化的GSO-VMM（Glowworm Swarm Optimisation-Virtual Machine Migration）虛擬機遷移策略［27］進行了比較，這樣選擇的原因是Stable-Matching 策略、Correlation-Based 策略和蟻群優(yōu)化的虛擬機遷移ACS-VMM 策略在項目開發(fā)、實驗方式、測試指標思路一致。綜上所述，本實驗一起涉及到的虛擬機遷移模式如表4所示。包括LRR-MPR-BFD、LRR-TPT-BFD、LRR-VVM-BFD、LRR-MMT-BFD、Stable-Matching、Correlation-Based、ACSVMM、GSO-VMM一共8個虛擬機遷移模型。

表4 虛擬機遷移模式及對應說明Tab.4 Virtual machine migration modes and corresponding explanations

4.3 仿真結果與性能分析

4.3.1 云數(shù)據(jù)中心總體能量消耗

利用貪心算法優(yōu)化GAO-VMS虛擬機選擇策略之后，仿真的云數(shù)據(jù)中心一周之內的每天的能量消耗如表5 所示。從表5中可以看出，采用貪心算法在虛擬機選擇階段優(yōu)化后，LRRMPR-BFD、LRR-TPT-BFD、LRR-VVM-BFD 等遷移模型比CloudSim 中的LRR-MMT-BFD 遷移策略在總體能量消耗上要節(jié)約30%到35%，比Stable-Matching 策略、Correlation-Based 策略、GSO-VMM 策略和ACS-VMM 策略的能量消耗也要低，雖然周一到周五之間的數(shù)據(jù)有一定的波動，但是整體趨勢是LRR-VVM-BFD 遷移策略性能最優(yōu)。分析原因是GAO-VMS能夠每次找到使物理服務器能量消耗最小的物理主機，每次反復貪心選擇后的物理主機資源利用效率進一步提高，從而間接地節(jié)省了物理主機的能量消耗。

表5 云數(shù)據(jù)中心總體能量消耗比較單位：kWhTab.5 Overall energy consumption comparison in cloud data centerunit：kWh

4.3.2 虛擬機遷移次數(shù)

表6 顯示了云數(shù)據(jù)中心的總體的虛擬機遷移次數(shù)。虛擬機次數(shù)越少，間接表示云數(shù)據(jù)中心性能比較好。GAO-VMS中虛擬機選擇都是基于對物理主機資源使用效率的貪心策略。從表6 可以看出，在一周的五天之內LRR-MPR-BFD、LRRTPT-BFD、LRR-VVM-BFD 的虛擬機遷移次數(shù)都低于LRRMMT-BFD 策略、Stable-Matching 策略、Correlation-Based 遷移策略、GSO-VMM策略和ACS-VMM策略。

表6 云數(shù)據(jù)中心虛擬機遷移次數(shù)比Tab.6 Virtual machine migration number comparison in cloud data center

LRR-MMT-BFD 遷移次數(shù)多原因是它容易增加超負載或低負載的物理主機的數(shù)量，這樣很容易出現(xiàn)虛擬機遷移的現(xiàn)象，可以得出的結論是增加的虛擬機遷移間接地也增加了物理主機的能量消耗，因為虛擬機遷移過程也要消耗物理主機的CPU 資源。另外Stable-Matching 策略、Correlation-Based 策略、GSO-VMM 策略和ACS-VMM 策略的優(yōu)化主要在虛擬機放置階段，基本沒有減少太多的虛擬機遷移次數(shù)，要想減少虛擬機遷移次數(shù)，必須在虛擬機選擇階段完成優(yōu)化，所以這4 種策略的遷移次數(shù)也比較多。

4.3.3 SLA違規(guī)率分析

從表7 可以看出，周一到周五，LRR-MPR-BFD、LRR-TPTBFD、LRR-VVM-BFD 遷移策略的SLA 違規(guī)率比LRR-MMTBFD遷移策略要低，有這樣的實驗結果的原因是GAO-VMS的虛擬機遷移次數(shù)比較少，它可以避免出現(xiàn)物理主機出現(xiàn)100%的CPU 利用率的機會，從式（3）可以得到SLA 違規(guī)比率會降低。Stable-Matching 策略、Correlation-Based 策略、GSO-VMM策略和ACS-VMM 策略在虛擬機放置階段都采用另外的優(yōu)化算法，這樣整個云數(shù)據(jù)中心的SLA 違規(guī)率自然會比LRRMMT-BFD 遷移策略要低，它們的SLA 違規(guī)率在某些時候還優(yōu)于GAO-VMS貪心優(yōu)化策略，但是這都是以高能量消耗作為代價的。

表7 云數(shù)據(jù)中心SLA違規(guī)比率性能比較 單位：%Tab.7 SLA violation rate comparison in cloud data center unit：%

4.3.4 能量與SLA違規(guī)的聯(lián)合指標ESV

ESV指標是體現(xiàn)云服務提供商的高服務質量、低SLA 違規(guī)比率和總體能量消耗平衡的指標：

從表8 中的結果可以看到，LRR-MPR-BFD、LRR-TPTBFD、LRR-VVM-BFD 遷移策略的ESV也要低于LRR-MMTBFD 遷移策略。這個實驗結果很明顯地表明，在第二階段虛擬機選擇過程中貪心優(yōu)化算法對云數(shù)據(jù)中心的物理資源利用效率提高的重要性。Stable-Matching 策略、Correlation-Based策略、ACS-VMM 策略和GSO-VMM 策略是2016—2017 年提出的帶智能優(yōu)化的虛擬機放置算法，自然比2012 年的LRRMMT-BFD遷移策略性能要高效與節(jié)能。

表8 云數(shù)據(jù)中心的綜合ESV性能比較Tab.8 General ESV performance comparison in cloud data center

5 結語

本文提出了云數(shù)據(jù)中心基于貪心模式的虛擬機選擇算法（GAO-VMS）。GAO-VMS 結合虛擬機遷移其他階段的優(yōu)化算法又繼續(xù)分解成了LRR-MPR-BFD、LRR-TPT-BFD、LRRVVM-BFD 三個策略。通過定義云數(shù)據(jù)中心總體能量消耗、SLA 違規(guī)率和SLA 與能量消耗聯(lián)合指標ESV 等數(shù)學模型，延續(xù)CloudSim 項目的研究思路進行實驗與性能分析。實驗表明GAO-VMS比近兩年來的虛擬機遷移策略在總體能量消耗、虛擬機遷移次數(shù)上有明顯優(yōu)勢，SLA 違規(guī)比率、ESV 等指標只有少量的增加。下一步工作是將GAO-VMS 與物理主機狀態(tài)檢測、虛擬機放置階段的優(yōu)化結合起來進行性能比較與分析。