面向校园云平台的虚拟机调度机制

马　倩　王　菁　王　岗

(北方工业大学大规模流数据集成与分析技术北京市重点实验室　北京 100144)



面向校园云平台的虚拟机调度机制

马倩王菁王岗

(北方工业大学大规模流数据集成与分析技术北京市重点实验室北京 100144)

随着教学信息化的不断深化，校园云平台越来越普及，但是实际应用中资源利用率仍然较低，核心问题在于当前的虚拟机调度机制未考虑校园应用的特征，从而导致负载不均和资源浪费。为了解决这一问题，提出面向校园云平台的虚拟机调度机制，定义课程需求模型、物理机负载模型，并在此基础上提出虚拟机部署方法。该机制可适应教学应用周期性、可预测性、批量性等特点，并实现节能及负载均衡的目标。实际平台验证表明，该机制可有效降低能耗并实现负载均衡。

校园云调度机制虚拟机放置降低能耗负载均衡

0　引　言

随着教育改革不断深化，信息化技术迅速发展，高校的信息化建设已成为国内外高校现代化建设的重要内容。而当前高校信息化现状是数据中心大多数是以服务器和SAN存储连接方式为基础，一个应用系统部署在一个服务器上，比如应用服务器、数据库服务器等。这样出现了以下情况：第一，高校二级单位信息化建设规模不断扩大，计算机应用服务也随之增加，具体应用依赖独立的实验室设施，投入了大量资金，形成一个个实验室设备孤岛；第二，实验室项目的扩大以及数字化教学的需求导致投入大量资金购买服务器等设备，但这些设备利用率较低，造成了严重的资源浪费。

将云计算技术应用在校园，即校园云的兴起旨在利用云计算的资源池化、按需分配等技术来求解上述问题。例如文献[1]为满足大学校园日益增长的计算需求和用户需求，设计了一套基于OpenStack的开发云平台，达到了弹性计算的要求；文献[2]提出了校园云平台成本效用函数，建立了马尔科夫链模型来分析负载均衡策略和贪心策略。各高校也相继建起了校园云平台，如东南大学[3]、清华大学[4]等。校园云平台主要是利用虚拟化技术整合、虚拟物理资源，实现对计算资源的动态调配和按需使用。校园云平台包含教学、科研两类应用。科研应用呈现不可预知性、非周期性等特点，与传统应用类似；而教学应用具有周期性、可预测性、批量性等特点，例如Linux上机实验课需要为每个学生分配一台虚拟机，并且在第1～10周，每周二的5、6节课上课时间内使用。但是实践表明，实际应用中资源利用率仍然较低。分析原因可知，当前虚拟机调度机制为传统调度方法，主要分为基于实时的调度与基于负载预测的调度两类。若采用基于实时的调度方法，当上课期间出现过载情况时才会进行调度迁移，而迁移需要消耗较大的带宽资源并且时间较长，势必会影响上课质量；若采用基于负载预测的调度方法，对于新申请的课程虚拟机资源，没有历史运行数据，无法进行正确预测。所以核心问题在于当前的虚拟机调度机制未考虑校园教学应用的特征，不能量体裁衣，从而导致负载不均和资源浪费。本文重点分析这种比较特殊的教学型应用。

由于教学型应用的特性，面向教学需求的计算资源即虚拟机的调配是个关键问题。这一问题又可进一步分解为以下两个子问题：第一，虚拟机创建时的部署问题，即决定新创建的虚拟机部署在哪台物理机上；第二，虚拟机使用时的动态调度问题，即根据物理机实际资源使用情况进行虚拟机的动态迁移。本文重点研究面向校园云平台的虚拟机创建时的部署问题，提出面向校园云平台的虚拟机调度机制，以期实现节能及负载均衡目的。

1　相关工作

虚拟机优化调度是虚拟机管理的核心问题，针对这一问题，学术界和工业界都提出了相关解决方案，下面将从面向节能、面向负载均衡、面向负载均衡以及节能三方面讨论进行讨论。

面向节能方面，Mylavarapu[5]等人将虚拟机的容量规划问题建模为随机优化问题，采用遗传算法与蒙特卡罗模拟相结合的方式加以解决。他们首先根据平均工作负载来分配虚拟机资源，部署虚拟机。此外，根据应用的SLA在每台服务器上预留了空闲的资源池。这就避免了服务器过载、应用不能满足SLA而带来的虚拟机迁移。该算法与传统的基于峰值工作负载的算法相比，所需服务器的数量较少，实现了节能。Goudarzi[6]等人研究了云计算环境中以节能为目的的虚拟机放置问题。他们提出了一种生成虚拟机备份的方法：基于动态优化、局部搜索的算法。该算法决定了每台服务器部署的虚拟机的数量。此外，他们重点研究了虚拟机控制器VMC(VM controller)，VMC采用半静态优化方法以及动态最优法来决定虚拟机的资源需求、部署虚拟机以及对虚拟机进行迁移操作；提出了节能虚拟机放置算法(Energy Efficient VM Placement Algotirhm)，该算法主要用来决定放置在不同物理机上的虚拟机副本数量。

面向负载均衡方面，Chandakanna[7]等人提出了一个适用于负载均衡集群的基于模型视图控制器的自适应调整集群框架SACF(Self-Adjusting Cluster Framework)。该框架可自动部署新的虚拟机，自动升级现有应用，并且保证集群的一致性。Choi[8]等人提出了一种根据最小化CPU利用率标准差的贪心策略进行负载迁移的算法。该算法基于一个学习框架来动态调整不同计算资源的阈值。该学习框架用记事本方法记录了迁移前的CPU利用率的标准差，主机CPU利用率，迁移后的CPU利用率标准差、源机器、目标机器的信息以供学习。当记录信息不存在的时候，模拟所有可能的迁移情况，选择标准差最小的情况进行迁移。该算法利用了记事本来学习历史调度决策从而实现集群内物理机的负载均衡。Hu[9]等人提出了一种根据所采集的历史数据和系统当前状态利用遗传算法计算分配虚拟机资源后对系统的影响，从而找到最优分配方式的以负载均衡为目的的调度算法。

兼顾节能以及负载均衡方面，Chang[10]等人提出了一个基于学习算法的神经网络模型。集群内的每台服务器上部署了资源管理器用以预测云服务器的工作负载，从而高效地对资源进行分配，在提高服务器性能的同时降低能耗。Li[11]等人提出了一种面向感知数据托管的虚拟机调度策略，并采用贪婪思想设计实现了相应的调度系统及其算法。文中定义了冷热点、热度以及迁移优先值等概念，通过对物理机进行冷热点判断，从而选择调度模式：负载均衡模式下的调度、优化节能模式下的调度以及正常模式下的不调度，及时消除冷热点。此外，调度系统在迁移调度时，考虑到了不同业务类型虚拟机对各类资源的不同需求，实现了业务类型敏感的虚拟机调度。

总而言之，虚拟机调度针对不同目的，如上述的面向节能、面向负载均衡、面向负载均衡以及节能，采用优化搜索算法、遗传算法以及贪心策略、启发式策略等在可能的解空间进行解的选择，而后确定如何迁移调度。此外，工业界也提出了一些相关产品，如VMware推出的DRS(Distributed Resource Scheduler)，该动态优化技术产品可对虚拟机集群的性能进行监控、管理以及控制，从而对资源进行优化调度。

但是目前的研究一般针对传统的云数据中心，当然也有少数面向特定应用领域的，比如面向感知数据托管平台[11]、电子政务基础架构云[12]、可对云资源进行综合管理的清华云平台[4]，但是尚没有针对校园云平台的教学应用的虚拟机调度机制，没有考虑到校园云负载的特征。

2　虚拟机部署方法

2.1问题定义

本文重点解决面向教学需求的计算资源调配的第一个子问题——静态部署问题，下面是对该问题的具体阐述。

设校园云平台的数据中心有n台物理服务器，已部署了m个虚拟机供教学应用，待部署g个虚拟机。通过虚拟机部署使：

(1) 活跃的物理机数量尽可能少；

(2) 各活跃物理机的资源利用率尽可能均衡。

该目标可用下述公式表达：

其中：

(1) n为活跃的机器数；

(2) r={cpu,…,memory}，wr反映了虚拟机r资源维度上的利用率对整体资源利用率的贡献权重，文献[13]提出了一种设定权重具体值的方法，我们也可根据自己的经验及需求加以设定；

(3) uir为r资源维度上物理机i的利用率；

(4) averager为r资源维度上n个物理机的平均利用率。

2.2部署原理

当有一个新的课程需求时，首先按照各物理机负载与课程需求的相似程度从高到低对物理机负载进行分组；然后对相似程度最高的一组物理机负载进行以负载均衡为目的的虚拟机部署。若课程需求分配完成，则按照分配情况部署虚拟机；虚拟机部署完成之后更新物理机负载。若课程需求未分配完成，则对相似程度次高的一组物理机负载进行以负载均衡为目的虚拟机部署，重复上面的步骤，直到课程需求全部分配完成。

部署原理如图1所示，它采用了“先集中、再分散”的策略：按照相似程度对物理机进行优先选择，可将虚拟机集中部署在相同时间段处于开机状态的物理机上，用尽量少的物理机数来部署虚拟机从而实现节能；在相似程度一样的物理机组内进行负载均衡的部署，这样既可实现节能，又可实现负载均衡。

图1　虚拟机部署原理图

2.3部署算法

2.3.1相关定义

定义1课程需求模型租户提交申请的课程需求模型可以定义为一个六元组：

CRequest=(CName,CTime,CCpu,CMemory,

CNumber,LSet)

(3)

其中：

1) CName表示课程名称类，是课程唯一性的标识。

2) CTime表示课程时间段类，由于学校上课时间一般用周数来计算，所以可用该门课程的起始和结束周数来表示时间段类，可定义为一个二元组：CTime=(IWeek,FWeek)，其中：IWeek表示课程的起始周数，FWeek表示课程的结束周数。

3) CCpu表示课程申请的虚拟机所需CPU大小。

4) CMemory表示课程申请的虚拟机所需的内存大小。

5) CNumber表示虚拟机个数。

6) LSet表示课程具体的课时集，每个元素可以表示为一个三元组，LSet=(LSection,LDay,LWeek)，其中：

(1) LSection表示课程在某一天具体上课的节数，根据学校实际情况，用一节大课来表示两节课程。例如第2节大课表示第3、4节课。

(2) LDay表示一周具体上课时间，即课程所在的星期几。

(3) LWeek表示课程所在的单双周类，由学校课程安排的实际情况考虑，并不是所有课程每周都有，可定义为一个二元组：LWeek=(SWeek,DWeek)，其中：DWeek为1表示双周有课，SWeek为1表示单周有课，否则为0。

例如，一租户提交了软件工程课程的需求申请，上课时间为1～8周，单周授课，具体时间为星期一的第2节大课以及星期五的第3节大课，每个虚拟机内存为4 GB，VCPUs为2，虚拟机个数为20台。对于此课程需求实例化为：

crequest=(SoftwareEngineering,(1,8),2,4,20,((2,1,

(1,0)),(3,5,(1,0)))

定义2物理机负载模型物理机上所部署的虚拟机的课程详情，该模型可定义为一个5×5×16的三维矩阵C=[Cijk]5×5×16，其中1≤i≤5，1≤j≤5，1≤k≤5。如图2所示。

图3　物理机负载模型

k周，星期j，i节课的虚拟机使用情况Cijk可定义为一个三元组：Cijk=(PName,PCpu,PMemory)，其中：

1) PName={LName1,LName2,…,LNamew}，其中w为第k周，星期j，i节课时间段所要同时进行的课程的数目，LNamew为第w种课程的名称；

2) PCpu为物理机上所占用的CPU资源大小；

3) PMemory为物理机上所占用的内存资源大小。

定义3吻合度新申请的课程需求与物理机负载相对应元之间的重合度高低，公式定义如下：

(4)

其中Numoverlap为新申请的课程需求与物理机负载重合的课程数，Numall为新申请的课程需求的课程总数。例如，一课程申请为crequest=(Java,(1,16),2,4,20,(2,1,(1,0)))，即课程在第1、3、5、7、9、11、13、15周的周一第2节大课进行，共有8次课。若对于一物理机负载存在元C211、C213、C215、C217、C219、C2111,即存在课程在第1、3、5、7、9、11周进行，GOFitjava=Numoverlap/Numall=6/8=0.75，则该物理机与新申请课程需求的吻合度为0.75；若没有相对应的元存在，则吻合度定为0，即若吻合度为0表示该物理机上没有与新申请的课程需求相同时间段的其他课程的虚拟机。

定义4部署优先值该值用来对吻合度相同的物理机做可部署虚拟机的顺序排序，即对物理机所剩资源的综合评价。文献[14]只考虑了CPU维度，但通常情况下，还要考虑内存、存储等维度的资源。本文综合考虑CPU、内存两个维度，公式定义如下：

(5)

其中，vCpu为物理机虚拟出的Cpu的数目；Cijk.PCpu为与申请需求相同时间段的物理机已分配vCpu的数目，其中ijk可按物理机上已有课程与课程需求第一次重合的时间计算，若无重合时间，则ijk为课程需求第一次上课时间；内存公式同上。

2.3.2算法描述

为将新申请的课程需求部署到物理机上，实现以节能及负载均衡为目的的基于时间的虚拟机的部署，首先需要了解每个物理机上资源使用情况。本文采用定义的物理机负载模型来刻画物理机上资源使用情况。

由于分配到每个物理机上单个课程的虚拟机资源是已知的，该算法主要是根据这些已知的虚拟机资源来推导出物理机负载，具体如下：

算法1物理机负载计算算法。

输入：物理机上分配的课程需求实例crequest，物理机负载Cold=[Cijk]5*5*16。

输出：物理机负载Cnew=[Cijk]5*5*16。

算法描述：

1. While crequest is not empty do

2. i←crequest.LSection ,

3. j←crequest.LDay

4.for k←crequest.IWeek to k←crequest.FWeek do

5. If (crequest.LWeek=(1,1)‖ (crequest.LWeek=(1,0)&&(k%2=1))‖(crequest.LWeek=(0,1)&&(k%2)=0))

6. do Cijk.PName=Cijk.PName∪{crequest.CName};

7. Cijk.PCpu=Cijk.PCpu+crequest.CCpu*crequest.CNumber;

8. Cijk.PMemory=Cijk.PCMemory+crequest.CMemory*crequest.CNumber;

9. End if

10. k=k+1;

11.Endfor

12.Return Cnew=[Cijk]5*5*16

13.End while

对于一个课程需求，需经过部署算法，拆分为几个课程需求，然后部署到几个物理机上面；每次部署新的虚拟机以及虚拟机动态调度完成之后要调用该算法重新计算物理机负载，以保证信息的准确性。

对于新申请的虚拟机资源，合理的部署有利于避免虚拟机使用时出现的高负载、低负载导致的虚拟机的动态迁移以及由此带来的大量物力资源的消耗、时间的浪费。所以如何部署虚拟机到现有物理机上是至关重要的一步。本算法基于每个物理机的负载模型来进行基于时间、预测负载的调度，以节能及负载均衡为目标，具体算法如下：

算法2课程需求部署算法(CRD算法)。

输入：crequest′,物理机负载C1，C2，…,Cl, 其中l为物理机个数。

输出：虚拟机与物理机迁移映射关系。

算法描述：

1.按照物理机负载C1，C2,…,Cl与crequest′的吻合度从高到低将物理机进行排列，得到有序的吻合度相同的物理机负载组D1, D2,…,Dm，其中m为小组个数；

2. foreach 有序的物理机负载组 do

3.按照物理机的部署优先值的高低对组内n个物理机排序，得到{P1,P2,…,Pn}；

4. foreach物理机Pi do

6. If NUMi*crequest′.Cpu

NUMi*crequest′.Memory

7. 在物理机Pi上部署NUMi台虚拟机;

8. Else do 部署min{Pi.LCpu/crequest′.Cpu,Pi.LMemo ry/crequest′.Memory}台虚拟机；

9. End if；

10. End foreach；

11. If 课程需求完全分配 do exit

12. Else do 按照更新的物理机的部署优先值的高低对物理机排序；将所剩课程需求部署在有序的物理机上；

13. If 课程需求完全分配 do exit

14. End if；

15. End if；

16. End foreach

17. 如果循环了所有物理机也未部署完成，则发出物理机不足，找不到目标机的警报；

3　系统实现

3.1系统架构

本文在以开源IaaS平台OpenStack[15]为基础的校园云平台上实现了基于上述面向教学需求的虚拟机调度方法的系统。为实现上述目标，提出了调度系统架构，架构如图3所示。

图3　系统架构图

该系统主要由数据存储模块、用户请求模块、虚拟机调度模块、虚拟机控制模块组成。数据存储模块包括物理机预测负载模块、课程需求模块、监控数据模块以及映射关系表模块。物理机预测负载模块用以存储根据虚拟机的课程详情而预测的物理机负载。课程需求模块用以存储用户新提交的课程申请详情。监控数据模块用以存储物理机、虚拟机的实时资源使用情况。映射关系表用以存储服务器与虚拟机的放置映射关系。

用户请求模块即人机交互界面，用户通过校园云平台提交申请以及课程所需虚拟机的详情。

虚拟机调度模块包括吻合度判断模块、部署优先值判断模块、调度决策模块。

虚拟机控制模块包括创建、删除、启动、停止、迁移、配额调整模块，从而实现对虚拟机实例的创建、删除、开启、关闭、迁移以及虚拟机配额调整等操作。

首先，普通用户通过用户界面提交用户请求。管理员对用户请求进行人工审核，对于审核通过的请求，将该请求信息一方面存储到课程需求模块。另一方面发送到虚拟机调度模块，该模块接收到请求，会启动静态部署算法，对该虚拟机创建请求进行处理，最后生成物理机、虚拟机部署映射关系表，并存储到映射关系表模块。虚拟机控制模块根据该部署映射关系表，进行虚拟机的创建。虚拟机创建完成之后，部署在服务器上的监控设备会对该服务器进行实时监控。当发现监控数据超过资源的高低阈值，即服务器出现过载或过闲的情况时，虚拟机调度模块的动态调度部分会根据实时的历史数据对虚拟机进行动态调度，生成迁移指令，并且发送到虚拟机控制模块。虚拟机控制模块根据该迁移指令对虚拟机进行迁移操作，进而实现集群的负载均衡以及节能。此外，虚拟机控制模块还可对虚拟机进行配额调整。

3.2实例验证

为验证调度效果，在该云平台环境下，5台HP服务器构建的集群上搭建了OpenStack平台，具体服务器配置如表1所示。该平台主要是为租户(如教师、科研人员)提供所需的虚拟机资源，从而满足教学与实验需求。

表1　服务器配置

如表1所示，server1.org作为控制节点[16]，server2.org、server3.org、server4.org、server5.org作为计算节点。在这一环境下，将本文提出的算法以Python语言加以实现，并扩展到OpenStack中。

各计算节点已部署课程虚拟机情况如表2所示。

表2　已部署课程情况

如表2所示，服务器server2.org上部署了Java课程所需的2台虚拟机，C语言课程所需的7台虚拟机以及C++课程所需的2台虚拟机； server3.org、server4.org、server5.org所示意义同上。

课程需求为：crequest=(Software Engineering，(1，8)，2，4，15，( 2，1，(1，0)))

分别采用CRD算法，OpenStack开源软件提供的SimpleSchedule(SS)以及贪心算法First Fit(FF)对课程虚拟机资源进行调度分配。

图4、图5所示为虚拟机资源被调度分配、部署完成，第一次运行该课程时集群达到稳定状态的CPU利用率和内存利用率。从图4、图5可看出，经本算法调度部署之后，服务器CPU利用率差距很小，小于5%，内存利用率差距小于10%，基本实现负载均衡。并且有一台服务器在此课程上课期间处于闲置状态，可对其进行关机操作以节能。而由SS算法、FF算法调度部署之后服务器的CPU利用率差距很大，大于20%，内存利用率差距大于60%，存在严重的负载不均衡，且没有服务器此时处于闲置状态，与CRD算法相比，能耗更大。

图4　集群CPU利用率

图5　集群内存利用率

综上所述，CRD算法既可达到节能的目的，又可实现负载均衡。

4　结　语

本文以校园云平台中教学应用的资源调配为背景，提出了一种适应教学应用周期性、可预测性、批量性等特点，以减少物理服务器使用数量、负载均衡为目的的虚拟机调度机制。并在开源IaaS平台OpenStack为基础的教学科研云平台上对该调度算法进行了验证，结果表明，该算法有效地节约了能耗并实现了负载均衡。

下一步将从面向教学需求的计算资源调配问题的第二个子问题入手，研究虚拟机使用时的动态调度问题，根据物理机实际资源使用情况进行虚拟机的动态迁移，并提出相应的调度策略。

[1] 李英壮,汪楠,李先毅.基于OpenStack开发云平台的设计与实现[J].武汉大学学报:理学版,2012,58(S1):58-60.

[2] 戢瑶,胥光辉,毛东方,等.基于马尔可夫链的校园云平台效用分析[J].计算机科学,2013,40(7):49-53.

[3] 伍之昂,罗军舟,宋爱波,等.跨数据中心的动态资源联合预留研究[J].计算机学报,2014,37(11):2317-2325.

[4] 赵少卡,李立耀,凌晓,等.基于OpenStack的清华云平台构建与调度方案设计[J].计算机应用,2013,33(12):3335-3338.

[5] Mylayarapu S,Sukthankar V,Banerjee P.An optimized capacity planning approach for virtual infrastructure exhibiting stochastic workload[C]//ACMSymposium on Applied Computing (SAC),New York,USA,2010:386-390.

[6] Goudarzi H,Pedram M.Energy-efficient virtual machine replication and placement in a cloud computing system[C]//Cloud Computing (CLOUD),2012 IEEE 5th International Conference on.IEEE,2012:750-757.

[7] Chandakanna V R,Vatsavayi V K.A model view controller based Self-Adjusting Clustering Framework[J].Journal of Systems and Software,2013,29(4):581-589.

[8] Choi H W,Kwak H,Sohn A,et al.Autonomous learning for efficient resource utilization of dynamic vm migration[C]//Proceedings of the 22nd annual international conference on Supercomputing.ACM,2008:185-194.

[9] Hu J,Gu J,Sun G,et al.A scheduling strategy on load balancing of virtual machine resources in cloud computing environment[C]//Parallel Architectures,Algorithms and Programming (PAAP),2010 Third International Symposium on.IEEE,2010:89-96.

[10] Chang Y C,Chang R S,Chuang F W.A predictive method for workload forecasting in the cloud environment[M]//Advanced Technologies,Embedded and Multimedia for Human-centric Computing.Springer Netherlands,2014:577-585.

[11] Li X,Jiang Y.A sensory-data-hosting oriented scheduling strategy on virtual machine[C]//Green Computing and Communications (GreenCom),2013 IEEE and Internet of Things (iThings/CPSCom),IEEE International Conference on and IEEE Cybe,Physical and Social Computing.IEEE,2013:2029-2036.

[12] 赵宏卫,施伯乐.电子政务基础架构云的容量规划方法研究[J].计算机应用与软件,2014,31(11):118-121,150.

[13] Zhuang W,Gui X,Lin J,et al.Deployment and Scheduling of Virtual Machines in cloud computing:An″AHP″ Approach[J].Journal Of Xi’an Jiaotong University,2013,47(2):28-32.

[14] Beloglazoy A,Buyya R.Managing overloaded hosts for dynamic consolidation of virtual machines in cloud data centers under quality of service constraints[J].Parallel and Distributed Systems,IEEE Transactions on,2013,24(7):1366-1379.

[15] Sefraoui O,Aissaoui M,Eleuldj M.OpenStack:toward an open-source solution for cloud computing[J].International Journal of Computer Application,2012,55(3):38-42.

[16] Kumar R,Gupta N,Charu S,et al.Open Source Solution for Cloud Computing Platform Using OpenStack[J].International Journal of Computer Science and Mobile Computing,2014,3(5):89-98.

A SCHEDULING MECHANISM OF VIRTUAL MACHINES FOR CAMPUS CLOUD PLATFORM

Ma QianWang JingWang Gang

(BeijingKeyLaboratoryonIntegrationandAnalysisofLarge-ScaleStreamData,NorthChinaUniversityofTechnology,Beijing100144,China)

With the continuous deepening of teaching informatisation, campus cloud platform is becoming increasingly popular, but the resource utilisation is still low in practical applications, and the key problem is that current scheduling mechanism of virtual machines doesn’t take into account the characteristic of campus applications, which results in a waste of resources and load imbalancing. To tackle this problem, this paper puts forward a scheduling mechanism of virtual machines for campus cloud platform, defines the course requirement model and the physical machine load model, and proposes on this basis a virtual machine deployment algorithm. This mechanism can adapt to the characteristics of teaching applications such as periodicity, predictability and batching, etc., and achieves the goals of energy saving and load balancing. Actual platform verification shows that the mechanism can effectively reduce power consumption and realise load balancing.

Campus cloudScheduling mechanismVirtual machine deploymentEnergy savingLoad balancing

2015-01-15。国家自然科学基金项目(610330 06)；北京市自然科学基金项目(4131001)；北京市属高等学校创新团队建设与教师职业发展计划项目(IDHT20130502)。马倩，硕士生，主研领域：虚拟机调度。王菁，副研究员。王岗，硕士生。

TP311

A

10.3969/j.issn.1000-386x.2016.08.022