云计算是目前国内外科研和商业机构重点研究的一种新兴计算模式，它是网格计算、并行计算和分布式计算的发展，是下一代网络与应用的新技术，主要运用虚拟化技术，将云计算数据中心的任务进行自动化部署。在云计算系统研发和产业化过程中，最迫切解决的技术问题是可靠性问题，其次是能耗问题。云计算系统中数据中心的能耗不仅增加了云服务提供商的运营成本，而且已经组件演变成一个环境问题。本文将围绕如何降低云计算中的能耗问题，提出了一种基于虚拟机迁移、负载均衡新型节能调度策略；然后再围绕如何让实现虚拟机迁移和负载均衡提出了蚁群算法，分析该算法的优缺点。
【关键词】云计算 虚拟机迁移 节能 蚁群算法
云计算在各个领域已得到广泛应用，在云计算发展的同时，构成云计算的基础设施也消耗了大量的电力资源。据2011年的数据统计，世界范围内的计算中心的年均耗电量已经超过3兆kW，且其增长呈明显的加速趋势。高能耗一方面带来了操作成本的增加，从而导致投资回报率的减少；另一方面也带来严重的环境污染问题。因此，降低数据中心的能耗和提高单位能耗的效用已经成为云计算中心研究领域一个亟待解决的问题。
目前，云计算数据中心大都采用虚拟化技术，由于资源的虚拟化的存在，系统资源和任务负载都具有高度的动态性，并由此衍生出一系列的能耗优化问题。例如，I/O 操作“局部性”特征对系统能耗的影响、用户 QoS 需求对能耗感知型调度算法的影响、任务结构特征对能耗优化策略的影响等。对此，国内外研究者从不同的角度提出了大量的解决策略和方案，用于补充宏观能耗优化体系结构的不足，或者为系统提供更加细粒度的能耗优化与控制策略。
1 一种新型的虚拟机迁移资源调度策略
虚拟机迁移、负载均衡资源调度优化算法，它允许作业运行一段时间后立即将作业进行迁移，并且利用虚拟机迁移技术对云节点间的作业进行不均衡调度，使作业整合到尽可能少的云节点上；同时，通过关闭空闲的云节点来释放未被使用的资源以实现高效节能。
云计算资源管理与作业调度中提出了两种基本的调度算法，对文献在此我们用能耗来衡量其性能。为了使系统能耗更低，本文提出了一种新的资源优化调度策略。
具体步骤：
（1）不一定非要等到最小的作业运行完之后再对虚拟机进行迁移，该新算法允许作业运行30s之后就开始对作业进行动态迁移。
（2）接着，利用负载整合技术将尽可能多的作业分配到较少的节点上，使得节点间的负载不均衡，让资源获得高效利用。
（3）最后，关闭未被使用的节点以节能。
这种调度策略考虑到了虚拟机迁移具有灵活控制资源分配，资源动态分配的优势，负载均衡、负载整合技术对资源的优化，以及开关策略控制节点的开启与关闭有效降低能耗。它在某种程度上能够降低节点的能耗，但是这种方法如何实现也是一个很重要的问题，下文将介绍蚁群算法来具体阐述。
2 蚁群算法
2.1 算法原理
在路径选择过程中，如果到一条还没有走过的路径，即周围没有信息素的指引的时候，就按照自己原来运动的方向随机地挑选一条路径前行，同时释放出与路径长度相关的信息素。为了防止蚂蚁原地转圈，它会记住刚走过的哪些点，尽量避开刚走过的一些点，蚂蚁释放出的信息素会与走过的路径长度成正比，路径越长，则播散的信息素就越少。当后来的蚂蚁经过这个路径附近的时候，就会感知信息素的存在，并选择信息量较大的路径前进，直到找到食物，这种现象称之为正反馈机制。局部最优路径即蚂蚁能找到食物的路径上经过的蚂蚁会越来越多，该路径上信息素的量也越来越大，而其他路径上的信息量却会随着时间的推移而逐渐挥发，最终整个蚁群找到食物的那条就是最优路径。利用这种方式进行虚拟机的迁移，将尽可能多的作业分配到较少的节点，使资源达到高效利用。
2.2 算法的优缺点
2.2.1优点
（1）较强的鲁棒性，及稳定性或健壮性。蚂蚁本身的这种觅食规则显示了蚂蚁不会因为一些异常情况而出现找不到食物的现象。
（2）分布式计算。蚁群算法是一种基于种群生存过程的拟生态算法，具有并行性，能有效提高作业运行效率。
（3）蚁群算法是一种本质上并行的算法，由于每只蚂蚁搜索过程彼此独立，通过信息素进行信息交换和通信。这种并行且独立搜索能力，不仅增加了算法的可靠性，还降低整个系统完成搜索的时间，使运行作业较多的虚拟机能快速进行迁移。
2.2.2 缺点
蚁群算法适用范围有限，虽然算法思想简单，在执行过程中需要花费较强的计算，初始阶段由于禁忌表记录的路径数少而容易出现停滞现象，差别并不明显，但可能会导致错误的引导信息，造成大量的无效搜索，降低搜索效率。经过较长一段时间后，才能使较好路径上的信息素明显高于其它路径，随着时间的推移，差别越来越明显，从而最终收敛。但当群体规模较大时，该表记录的路径数目将非常庞大，很难在较短时间内从大量杂乱无章的路径中寻找到一条较好的路径，因此整个系统运行速度就慢。
3 总结
本文围绕云计算中心的节能问题，重点研究并提出了基于虚拟机迁移、负载整合的新型资源调度优化算法，并用蚁群算法去具体实现。
参考文献
[1]陈康，郑纬民.云计算：系统实例与研究现状[J].软件学报，2009，20（5）：1337-1348.
[2]S Ricciardi，D Careglio，G S Boada， et al.Saving Energy in Data Center. Infrastructures [C].Proceedings of the First International Conference on Data Compression， Communications and Processing，2011：265-270.
[3]米海波，王怀民，尹刚等.一种面向虚拟化数字中心资源按需重配置方法[J].软件学报，2011.
，S W Son，M Kandemir，P Raghavan， R Prabhakar.Marko
v Model Based Disk Power Management for Data Intensive Workloads [C].In：Proceedings of IEEE/ACM International Symposium on Cluster Computing and the Grid （CCGRID’09），May 18-21，2009：76-83.
[5]谭一鸣，曾国荪，王伟.随机任务在云计算平台中能耗的优化管理方法[J].软件学报，2012，23（2）：266-278.
作者单位
中南大学通信工程 湖南省长沙市 410075
