.png){kind=icon}
返回
An Efficient Resource Allocation Strategy Using Bandwidth-Aware Virtual Machine Placement in Cloud Datacenter Network Architectures
.png){kind=icon}
PRE
AI
DOI：10.1007/s13369-026-11181-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，云计算通过在可扩展环境中以服务的形式提供硬件、平台和应用程序，彻底改变了计算、带宽和存储的交付方式。高效资源分配，特别是数据中心网络（DCN）内的虚拟机（VM）放置，仍然是在确保服务级别协议（SLA）合规性和优化能耗的同时实现最小资源迁移的挑战。本文提出了一种新颖的自适应资源分配方法，称为SARA-BC，该方法在虚拟机放置决策过程中整合了带宽和计算参数。与假设资源无限的传统方法不同，SARA-BC对实际约束进行了建模，如脏内存率、任务完成时间和主机能耗，以及资源迁移。该模型使用六种DCN拓扑结构（MDCube、HCN、BCN）及其基础和扩展参数进行评估，利用来自Google集群的真实工作负载跟踪数据。SARA-BC技术还与静态、动态、仿人和仿生技术进行了评估和比较分析。实验结果表明，SARA-BC显著改善了平均执行时间，减少了虚拟机迁移次数，并在不同配置中降低了能耗，如第4.5节所示。SARA-BC技术在性能上优于Min-Min、GA、ANN和SARA。本研究为云基础设施中的节能虚拟机管理提供了一种稳健且可扩展的解决方案。因此，在采用BCN、HCN和MDCube DCN拓扑的云计算数据中心网络系统中，带宽和计算感知的资源分配能获得更好的结果。
Keyword:
Bandwidth-aware computing
Self-adaptive resource allocation
Virtual machine placement
Cloud data center
Data center network topologies
期刊
A
IF:
2.9
论文数:
1.1K
被引数:
0
机构
引用论文
A proactive autoscaling and energy-efficient VM allocation framework using online multi-resource neural network for cloud data center.png)
NEUROCOMPUTING
OAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏分享收藏
查看更多内容