А.В. Тутов1, М.П. Фархадов2

1 Московский технический университет связи и информатики (Москва, Россия)

1,2 Институт проблем управления им. В.А. Трапезникова РАН (Москва, Россия)

1 andrew_vidnoe@mail.ru, 2 mais@ipu.ru

Постановка проблемы. Распространение облачных вычислений требует создания крупных центров обработки данных, что приводит к чрезмерному потреблению энергии и негативному воздействию на окружающую среду. Во многом это также связано с неэффективным использованием вычислительных ресурсов. В связи с этим актуальной проблемой является достижение высокой энергоэффективности центров обработки данных путем эффективного распределения вычислительных ресурсов между работающими приложениями с разными требованиями к качеству обслуживания, заданными в SLA-соглашениях.

Цель. Разработать математическую модель оптимизации распределения виртуальных машин по физическим серверам с учетом таких противоречивых критериев, как энергоэффективность, загрузка ресурсов, выполнение SLA-соглашений, тепловыделение. Предложить метод решения, который позволил бы найти приемлемое оптимальное по Парето решение среди множества допустимых решений.

Результаты. Рассмотрена постановка задачи статического многокритериального размещения виртуальных машин по физическим серверам. Предложен метод решения, являющийся комбинацией метода последовательных уступок и ограничений, который позволяет достичь баланса между такими противоречивыми критериями, как энергоэффективность, загрузка ресурсов, выполнение SLA-соглашений и тепловыделение.

Практическая значимость. Предложенные модель и метод решения задачи оптимизации размещения виртуальных машин могут быть реализованы в планировщике ресурсов облачных центров обработки данных для выработки эффективного плана размещения виртуальных машин при их первоначальном размещении на физических серверах.

Тутов А.В., Фархадов М.П. Метод и алгоритм статического размещения виртуальных машин для повышения эффективности функционирования инфокоммуникационной системы центров обработки данных // Нейрокомпьютеры: разработка, применение. 2024. T. 26. № 5. С. 107-119. DOI: https://doi.org/10.18127/j19998554-202405-10

1. Barroso L.A., Clidaras J. The datacenter as a computer: An introduction to the design of warehouse-scale machines. Springer Nature. 2022.
2. Fan X., Weber W.D., Barroso L.A. Power provisioning for a warehouse-sized computer // ACM SIGARCH computer architecture news. 2007. Т. 35. № 2. P. 13–23. DOI 10.1145/1273440.1250665.
3. Pietri I., Sakellariou R. Mapping virtual machines onto physical machines in cloud computing: A survey // ACM Computing Surveys (CSUR). 2016. V. 49. № 3. P. 1–30. DOI 10.1145/2983575.
4. Chen M., Huang S., Fu X., X Liu, He J. Statistical Model Checking-Based Evaluation and Optimization for Cloud Workflow Resource Allocation // IEEE Transactions on Cloud Computing. 2020. V. 8. № 2. P. 443–458. DOI 10.1109/TCC.2016.2586067.
5. Калистратов А.П., Афанасьев Г.И., Ревунков Г.И., Семкин П.С. Влияние распределения системных ресурсов на производительность виртуальных машин // Динамика сложных систем – XXI век. 2017. Т. 11. № 4. С. 46–50.
6. Panigrahy R., Talwar K., Uyeda L., Wieder U. Heuristics for vector bin packing. [Электронный ресурс] – Режим доступа: https://www.labri.fr/perso/eyraud/pmwiki/uploads/Main/Panigrahy2011-VBPHeuristics.pdf, дата обращения 18.07.2024.
7. Xu J., Fortes J.A.B. Multi-Objective Virtual Machine Placement in Virtualized Data Center Environments // IEEE/ACM Int'l Conference on Green Computing and Communications & Int'l Conference on Cyber, Physical and Social Computing. 2010. P. 179–188. DOI 10.1109/GreenCom-CPSCom.2010.137.
8. Camati R.S., Calsavara A., Lima Jr L. Solving the virtual machine placement problem as a multiple multidimensional knapsack problem // The Thirteenth International Conference on Networks. 2014. P. 253–260.
9. Ferdaus M.H., Murshed M., Calheiros R.N., Buyya R. Virtual machine consolidation in cloud data centers using ACO metaheuristic // European conference on parallel processing. 2014. P. 306–317.
10. Beloglazov A. Buyya R. Optimal online deterministic algorithms and adaptive heuristics for energy and performance efficient dynamic consolidation of virtual machines in cloud data centers // Concurrency and Computation: Practice and Experience. 2012. V. 24. № 13. P. 1397–1420.
11. Gulati A., Holler A., Ji M., Shanmuganathan G., Waldspurger C., Zhu X. VMware distributed resource management: Design, implementation, and lessons learned // VMware Technical Journal. 2012. V. 1. № 1. P. 45–64.
12. Moges F.F., Abebe S.L. Energy-aware VM placement algorithms for the OpenStack Neat consolidation framework // Journal of Cloud Computing. 2019. V. 8. № 1. P. 2.
13. Murtazaev A., Oh S. Sercon: Server consolidation algorithm using live migration of virtual machines for green computing // IETE Technical Review. 2011. V. 28. № 3. P. 212–231.
14. Wilcox D., McNabb A., Seppi K. Solving virtual machine packing with a reordering grouping genetic algorithm // IEEE Congress of Evolutionary Computation (CEC). 2011. P. 362–369.
15. Feller E., Rilling L., Morin C. Energy-aware ant colony based workload placement in clouds // IEEE/ACM 12th International Conference on Grid Computing. IEEE. 2011. P. 26–33.
16. Gao Y., Guan H., Qi Z., Hou Y., Liu L. A multi-objective ant colony system algorithm for virtual machine placement in cloud computing // Journal of computer and system sciences. 2013. V. 79. № 8. P. 1230–1242. DOI 10.1016/j.jcss.2013.02.004.
17. Хантимиров Р.И., Микрюков А.А. Модель распределения ресурсов в процессе функционирования облачной вычислительной среды // Открытое образование. 2015. № 5. С. 44–47.
18. Zhang X., Wu T., Chen M., Wei T., Zhou J., Hu S., Buyya R. Energy-aware virtual machine allocation for cloud with resource reservation // Journal of Systems and Software. 2019. V. 147. P. 147–161. DOI 10.1016/j.jss.2018.09.084.
19. Standard Performance Evaluation Corporation. [Электронный ресурс] – Режим доступа: https://spec.org/, дата обращения 18.07.2024.
20. Свиридов А.Н., Демкин В.И. Анализ методов повышения энергоэффективности центров обработки данных // Современные наукоемкие технологии. 2022. № 2. С. 110–115. DOI 10.17513/snt.39044.
21. Свиридова Е.А., Свиридов А.Н., Демкин В.И., Бобков В.Д., Быстров Д.Д., Лемза А.В. Анализ применимости нейросетевых технологий для мониторинга температуры вычислительного оборудования // Электронные информационные системы. 2024. № 2(41). С. 105–113.
22. Подиновский В.В. Идеи и методы теории важности критериев в многокритериальных задачах принятия решений. М.: Наука. 2019. 113 с.
23. Михалевич В.С. Волкович В.Л. Вычислительные методы исследования и проектирования сложных систем. М.: Наука. 1982. 286 с.
24. Подиновский В.В., Гаврилов В.М. Оптимизация по последовательно применяемым критериям. Советское радио. 1975. 194 с.
25. Ворожцов А.С., Тутова Н.В. Алгоритм решения задач оптимизации распределения ресурсов центров обработки данных в сети Интернет // T-Comm: Телекоммуникации и транспорт. 2009. № S2. С. 144–146.