[论文解读] Virtual Machine Placement Literature Review

Fabio López Pires, Benjamı́n Barán|arXiv (Cornell University)|Jun 4, 2015

Cloud Computing and Resource Management参考文献 91被引用 76

一句话总结

本文对云数据中心中的虚拟机部署（VMP）进行了全面且最新的文献综述，通过多阶段筛选流程系统分析了84项相关研究。研究识别出关键的优化标准、解决方案技术及研究空白，尤其集中在能效、服务质量（QoS）、服务等级协议（SLAs）以及云联邦方面，为未来VMP研究提供了结构化的基础。

ABSTRACT

Cloud Computing Datacenters host millions of virtual machines (VMs) on real world scenarios. In this context, Virtual Machine Placement (VMP) is one of the most challenging problems in cloud infrastructure management, considering also the large number of possible optimization criteria and different formulations that could be studied. VMP literature include relevant topics such as energy-efficiency, Service Level Agreements (SLA), cloud service markets, Quality of Service (QoS) and carbon dioxide emissions, all of them with high economical and ecological impact. This work presents an extensive up-to-date review of the most relevant VMP literature in order to identify research opportunities.

研究动机与目标

• 提供云计算中最具相关性的虚拟机部署（VMP）文献的系统性、最新综述。
• 识别并分类VMP在多样化云环境中的主要优化标准、解决方案技术及研究趋势。
• 揭示VMP中尚未充分探索的研究机遇，尤其关注能效、服务等级协议（SLAs）及云联邦方面。
• 基于实验设计、工作负载类型及部署环境，建立VMP研究的结构化分类体系。
• 通过分析方法论选择并突出VMP算法开发中的开放挑战，支持未来研究。

提出的方法

• 通过在Google Scholar上使用如“virtual machine placement”和“vm consolidation”等关键词进行搜索，启动多阶段文献筛选流程。
• 通过出版商（ACM、IEEE、Elsevier、Springer）筛选结果，聚焦于高影响力期刊和会议。
• 通过摘要筛选，仅保留明确针对VMP问题的研究，排除篇幅小于6页的短篇论文。
• 根据优化方法、目标函数、解决方案技术及实验设置对筛选后的研究进行分类。
• 分析实验设计要素，包括仿真与真实实现、工作负载类型（合成/真实）、工作负载分布及规模（虚拟机/物理机数量）。
• 根据研究取向（提供商导向 vs. 代理导向）、云架构及问题表述方式（在线 vs. 离线）对研究进行分类，以揭示研究趋势。

实验结果

研究问题

• RQ1 当代VMP研究中占主导地位的优化目标和解决方案技术是什么？
• RQ2 VMP研究在实验设计方面有何差异，特别是在工作负载建模和部署环境方面？
• RQ3 VMP中最常见的研究空白和开放挑战是什么，尤其是关于能效、QoS和云联邦方面？
• RQ4 在多大程度上使用了真实世界部署来验证VMP算法？与基于仿真的评估相比有何差异？
• RQ5 在代理导向与提供商导向的云架构中，VMP问题是如何被建模的？

主要发现

• 在84项选定研究中，97.6%为提供商导向，表明研究重点集中于基础设施层面的优化，而非市场驱动或代理中介的部署。
• 87%的研究使用了仿真，仅有4%在云操作系统中包含真实世界实现，凸显了实际验证方面的差距。
• 大多数研究（62%）使用了合成工作负载，22%使用真实工作负载，16%未说明工作负载类型。
• 工作负载分布最常见的为随机（32%）或均匀分布（21%），正态/高斯分布和泊松分布则用于较小子集。
• 多数研究假设物理机配置为同质，这可能限制所提算法在异构真实数据中心中的泛化能力。
• 仅19%的研究使用大规模实验（1,000台及以上虚拟机），表明在工业规模云环境中的可扩展性研究仍需加强。