面向绿色云计算的虚拟机迁移推荐

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (20): 30-35.

面向绿色云计算的虚拟机迁移推荐

张留美1，2，马建峰1，王一川1

1.西安电子科技大学计算机学院，西安 710071
2.西安石油大学计算机学院，西安 710065

出版日期:2014-10-15 发布日期:2014-10-28

Virtual machine migration recommendation for green cloud computing

ZHANG Liumei1，2, MA Jianfeng1, WANG Yichuan1

1.School of Computer Science and Technology, Xidian University, Xi’an 710071, China
2.School of Computer Science, Xi’an Shiyou University, Xi’an 710065, China

Online:2014-10-15 Published:2014-10-28

摘要/Abstract

摘要： 在以节约能源和提高能源利用率为目的的绿色云计算背景下，提出一种基于层次分析法的虚拟机迁移评估模型。该模型通过基于属性聚类的协同过滤方法，针对虚拟机的属性空间进行评分，给出了最佳绿色虚拟机迁移策略的决策方法。通过建立虚拟机任务资源使用率指标体系及两两比较矩阵，采纳五级评分制对虚拟机迁移及任务资源占用进行了评估。实验结果表明，提出的模型和方法能够显著提高云计算集群的能源利用率、节约能源的消耗。该方法对绿色云计算的研究具有重要意义。

关键词: 绿色云计算, 虚拟机迁移, 层次分析法, 协同过滤

Abstract: For enhancement of energy conservation and resource utilization nature of the green cloud computing, an analytical hierarchy process based virtual machine migration evaluation model is proposed. Such model utilizes the attribute clustering based collaborative filtering to rate attribute space of virtual machines for the decision making of best strategy of green virtual?machine?migration. By constructing pair-wise comparison matrix and adopting five-point rating scale, the model is able to evaluate the liability of migration and resource usage of virtual machine. Experimental result shows that the proposed model and method not only can significantly improve the resource utilization rate but also save the energy?consumption of cloud server cluster. It has the vital significance to the research work of green cloud computing.

Key words: green cloud computing, virtual machine migration, analytical hierarchy process, collaborative filtering

张留美1，2，马建峰1，王一川1. 面向绿色云计算的虚拟机迁移推荐[J]. 计算机工程与应用, 2014, 50(20): 30-35.

ZHANG Liumei1，2, MA Jianfeng1, WANG Yichuan1. Virtual machine migration recommendation for green cloud computing[J]. Computer Engineering and Applications, 2014, 50(20): 30-35.

[1]	张岐山，陈露露. 基于均衡接近度灰关联的Slope One算法[J]. 计算机工程与应用, 2021, 57(9): 96-102.
[2]	王永贵，李倩玉. 基于KNN-GBDT的混合协同过滤推荐算法[J]. 计算机工程与应用, 2021, 57(9): 103-108.
[3]	田维安，陈红梅，周丽华. 基于相似用户好奇心的多样性推荐方法[J]. 计算机工程与应用, 2021, 57(23): 113-121.
[4]	吴昊，徐行健，孟繁军. 课程资源的融合知识图谱多任务特征推荐算法[J]. 计算机工程与应用, 2021, 57(21): 132-139.
[5]	王永，赵旭辉，李晓光，肖玲. 一种面向协同过滤的快速最近邻居搜索方法[J]. 计算机工程与应用, 2021, 57(17): 96-105.
[6]	郑诚，王建. 联合注意力和自编码器的协同过滤推荐[J]. 计算机工程与应用, 2021, 57(10): 139-145.
[7]	陆航，师智斌，刘忠宝. 融合用户兴趣和评分差异的协同过滤推荐算法[J]. 计算机工程与应用, 2020, 56(7): 24-29.
[8]	王卫红，曾英杰. 基于聚类和用户偏好的协同过滤推荐算法[J]. 计算机工程与应用, 2020, 56(3): 68-73.
[9]	顾明星，黄伟建，黄远，生龙，申超，张梦甜. 结合用户聚类与改进用户相似性的协同过滤推荐[J]. 计算机工程与应用, 2020, 56(22): 185-190.
[10]	纪文璐，王海龙，苏贵斌，柳林. 基于关联规则算法的推荐方法研究综述[J]. 计算机工程与应用, 2020, 56(22): 33-41.
[11]	李浩，张亚钏，康雁，杨兵，卜荣景，李晋源. 融合循环知识图谱和协同过滤电影推荐算法[J]. 计算机工程与应用, 2020, 56(2): 106-114.
[12]	曾安，赵恢真. 融合了LSTM和PMF的推荐算法[J]. 计算机工程与应用, 2020, 56(19): 68-75.
[13]	刘春玲，张黎. 改进非对称相似度和关联正则化的推荐算法[J]. 计算机工程与应用, 2020, 56(16): 45-49.
[14]	王永贵，刘凯奇. 一种优化聚类的协同过滤推荐算法[J]. 计算机工程与应用, 2020, 56(15): 66-73.
[15]	张凯辉，周志平，赵卫东. 结合CFDP与时间因子的协同过滤推荐算法[J]. 计算机工程与应用, 2020, 56(15): 80-85.