云计算中虚拟机资源与应用系统参数的协同自适应配置研究

In the ever-changing cloud computing environments, it is objectively required that both the virtual machine resources and the hosted application system parameters should adaptively be configured online and efficiently in a collaborative manner, in order to maximize cloud service providers' resource utilization when cloud users' service level agreement is met. This project investgates the theoretical issues, key technologies and methods of their collaborative adaptive configurations, focusing on: (1)investigating the multi-agent organization in a granularity of a virtual machine cluster, including its organizational structure and workflow.(2)investigating the semantic consistency and non-monotonic of the distributed collaborative agent, including its architecture and semantic model, the collaborative configuration knowledge bases based on integrating description logic with defeasible logic theory, the highly efficient mapping algorithm for inconsistent ontology transforming to the defeasible logic rules, the extension of inference rules of the defeasible logic theory, the conflict resolution mechanisms of knowledge, and the representation and reasoning of non-monotonic knowledge.(3)investgating the high-performance learning mechanisms of the distributed adaptive learning agent, including action set coordination and reduction, state set abstraction and transfer of knowledge based on reinforcement learning theory and methods, to improve the learning performances of the agents in multiple ways.(4)Developing a prototype system and constructing a test bed to verify the adaptability and scalability of the results.

瞬息万变的云环境客观上要求虚拟机资源和应用系统参数以协同方式进行在线、高效自适应配置，以确保在满足云用户的服务级别协定前提下，最大限度地提高云服务提供商的资源效用。本课题研究两者协同自适应配置的理论问题、关键技术和方法，重点研究：(1)研究以虚拟机簇为粒度的多agent组织，包括组织结构和工作流。(2)研究分布式协同agent的语义一致性、非单调性，包括体系结构及其语义模型、描述逻辑与可废止逻辑理论集成的协同配置知识库、不一致本体转换为可废除逻辑规则的高效映射算法、可废止逻辑理论推理规则的扩展、知识冲突处理机制以及非单调的知识表征与推理。(3)研究分布式自适应学习agent的高性能学习机制，包括基于强化学习理论与方法的动作协调与约简、状态抽象和知识迁移，多途径提高其自适应学习性能。(4)研制原型系统，构建试验床，验证研究成果的可适用性和可扩展性。

云计算环境是一个开放、异构的环境，负载、基础设施、虚拟机和应用部署瞬息万变，虚拟机资源和应用系统参数的配置往往互相影响，需要协同自适应配置。本课题研究云计算环境下虚拟机资源和应用系统参数协同自适应配置的理论问题、关键技术和方法，利用虚拟化技术的优势并结合云计算环境的相关特点，在满足云用户服务级别协定的前提下，最大限度地提高云服务提供商的资源效用。重点研究：(1)研究以虚拟机簇为基本管理单位对云平台中的虚拟机资源进行划分的可行性与性质，证明了簇的同构性以及可重构性。(2)研究以虚拟机簇为粒度的多agent组织以及分布式协同agent的语义一致性和非单调性；基于Lyapunov稳定性理论、脉冲型的Hanalay不等式，得到了非线性随机多agent系统指数一致性的充分条件。(3)研究云环境下基于强化学习的多agent在作业调度、资源调度、多工作流调度、混合作业调度等方面的高性能学习机制。(4)以业界主流的VMware和Xen技术搭建了以虚拟机簇为粒度的虚拟机资源与应用系统参数协同自适应配置原型系统，验证研究成果的可适用性和可扩展性。另外，课题组在虚拟机能耗优化、负载预测等方面进行了扩展研究。.本课题历经四年的研究，按照要求完成了每年的研究计划，在国内外期刊上共发表和录用论文44篇，其中SCI收录14篇，EI收录10篇，中文核心19篇；申请发明专利7项、计算机软件著作权3项（均授权），培养博士研究生1人，硕士研究生8人。课题顺利完成了研究任务并取得了预期的研究成果。