能耗感知下云資源三支粒度調度策略研究

摘 要：云資源調度是云數據中心的一種重要節能方式。然而，實際云平臺中，受單一物理機資源限制，存在虛擬機資源競爭和利用率低的問題。對此，通過分析虛擬機負載相似性及資源占有度問題，提出一種基于三支決策的能耗感知虛擬機遷移策略。首先，在虛擬機遷移過程中，設計云資源的三支劃分策略，并使用K-means算法在劃分區域選擇待遷移的虛擬機序列；其次，依據虛擬機與物理機的負載相似度，獲取虛擬機放置順序；最后，依托CloudSimPlus云仿真平臺驗證了所提方法的有效性。實驗結果表明，所提方法能夠有效降低云能耗，實現資源充分利用。

關鍵詞：三支決策； 三支劃分； 能耗感知； 資源調度； 虛擬機遷移

中圖分類號：TP393.04 文獻標志碼：A

文章編號：1001-3695（2023）03-027-0810-06

doi：10.19734/j.issn.1001-3695.2022.07.0365

Energy consumption-aware virtual machine migration strategybased on three-way decision

Liu Shuaishuai， Jiang Chunmao

（School of Computer Science Technology amp; Information Engineering， Harbin Normal University， Harbin 150025， China）

Abstract：Cloud resource scheduling is an essential energy-saving method in cloud datacenter. However， limited by the resources of a single physical machine，this method still has some problems such as load similarity of virtual machines and low utilization of cloud resources in the scheduling process. For solving these problems，this paper proposed an energy consumption-aware virtual machine migration strategy based on the three-way decision. Firstly， it designed a trisecting strategy of multi-granularity for virtual machine migration and used the K-means method to cluster for each division region and then selected the virtual machine sequence that needed to be migrated. Secondly， it calculated the similarity between the virtual and physical machine resources and placed the virtual machine. Finally， a simulation experiment is conducted on the CloudSimPlus platform， and the results show that this method can effectively reduce energy consumption and fully utilize resources.

Key words：three-way decision; three-way division; energy consumption-aware; resource scheduling; VM migration

0 引言

云計算技術是隨著網絡科技時代急速發展到一定階段出現的一種新型計算范式［1］，其采用按需付費服務，大大減少了企業的硬件成本與開發成本［2］。 隨著網絡應用服務需求急劇增加，虛擬機資源管理遇到了巨大挑戰，實現低能耗和高質量服務便是挑戰之一［3，4］。虛擬機遷移技術作為降低云能耗、優化資源配置的重要方法，設計高效的虛擬機遷移策略正是當前的研究熱點［5］。 李雙剛等人［6］利用動態規劃為每個待遷移虛擬機設計了最優遷移路徑。 Wang等人［7］通過計算待遷移虛擬機與目標物理機的相關性，然后利用BFD算法挑選待遷移虛擬機，最后選擇最低相關性的物理機進行放置。Rahimi Zadeh等人［8］提出了一種聯合利潤與虛擬機干擾的調度策略來進行有效的虛擬機整合，大大提高了資源利用率，并節省云能耗。

多個虛擬機通過虛擬機化技術可以運行在同一物理機中，但由于每個虛擬機都要求確切的資源來支持應用性能，則會產生資源競爭的問題，使得物理機性能下降［9，10］。 楊雷等人［11］驗證了同一物理機間會有虛擬機性能互擾的現象，構建了虛擬機性能互擾度量模型，并給出一種性能互擾度預測方法。 王斌等人［12］提出了一種基于負載感知與預測的虛擬機調度算法，該方法提高了遷移觸發的準確率并減少了遷移次數。 徐思堯等人［13］提出了多個虛擬機錯開負載高峰進行放置，能夠將閑置資源被充分地利用。 綜上，不難發現當前的一些研究僅關注于云負載在某一維資源相似度或某一維資源占有度的影響，而未考慮多維資源相似度與多維資源占有度共同影響的情況。

三支決策是一種以三為思考的粒計算模型（think in three），它在傳統的二支決策基礎上增添了第三個選項延遲決策。不難發現，這一理論對諸多的不確定性問題和模型情況提供了一種有效的解決方案［14～16］。 與此同時，本文也發現云計算中有大量有關“3”的現象，將其稱之為三支現象，例如資源利用率可分為高中低；負載歷史數據波動可分為有抖動期、平緩期、不確定區域；云任務的類型可以分為計算密集型、存儲密集型、通信密集型；作業可分為長作業、中作業、短作業；主機狀態則可以分為工作、休眠、關機［17］等。 現有諸多研究中，利用三支決策這一樸素的思想在云計算相關領域開展了諸多研究。例如文獻［18，19］通過三支決策的思想可以更好地解決一些云數據中心存在的不確定性問題，特別地，文獻［18］主要是利用三支決策模型來對物理機負載進行劃分，而并未考慮虛擬機本身的資源占有度與虛擬機間的資源關系。 因此，結合三支決策相關理論開展云數據中心的虛擬機遷移策略研究成為本文的基本出發點。

本文提出一種基于三支決策的能耗感知虛擬機遷移策略，解決虛擬機負載相似導致資源使用率下降使得能耗增加的問題。 首先，計算虛擬機之間的資源相似度，即負載相似度，然后計算虛擬機的資源占有度，由于負載相似度與資源占有度的高中低區間劃分較為模糊，于是引入三支決策的思想將其進行多粒度劃分，接著在根據劃分的每個域利用K-means聚類，并選擇需要遷移的虛擬機，而后放置到遷移虛擬機與目標物理機資源相似度最小的目標物理機上。

1 相關工作

1.1 虛擬機遷移流程

虛擬機遷移主要是包括三個過程，分別是虛擬機遷移觸發、虛擬機選擇與虛擬機放置。 而虛擬機遷移觸發通常分為兩種情況，分別是低載虛擬機遷移觸發與超載虛擬機遷移觸發［20］。 設n個虛擬機集合為VM={vm1，vm2，vm3，…，vmn}，m個物理機集合為Host={host1，host2，host3，…，hostn}，hosti代表數據中心第i臺物理機，vmi代表數據中心第i臺虛擬機。

1）低載虛擬機遷移觸發

若數據中心檢測系統檢測到hosti的資源使用率Ti＜下閾值Tl，則觸發低載虛擬機遷移。 設每臺物理機上部署虛擬機集合為Vd={v1，v2，v3，…，vk}（VdVM），若hosti觸發低載遷移時，則Vd全部遷移到另一物理機hostj中，并關閉hosti以節省能耗，且hostj資源使用率滿足Tj＜Th，否則不可遷入。

2）超載虛擬機遷移觸發

若資源使用率Ti＞上閾值Th，則觸發超載虛擬機遷移。 當檢測到hosti資源使用率過高時，需要使用虛擬機選擇方法來選擇部分虛擬機Vp={v1，v2，v3，…，vg}（VpVd）進行遷移直至Ti＜Th。 接著使用虛擬機放置方法來選擇合適的hostj進行放置，并滿足Tj＜Th。

1.2 三支決策模型

三支決策與以往的二支決策的判別方式不同，二支決策通常只有兩種選擇，即是或者不是。但在人類生產、生活過程中往往還有無法確定的情況出現，于是自發地運用一種三支思想來處理不確定性的事件［21，22］。 Yu等人［23］將三支決策引入聚類，提出了三支聚類；Qiao等人［24］總結了幾類具有代表性的三支決策模型，并提出了三支空間問題； Zhang等人［25］將三支決策與博弈論結合，提出了三支博弈論。 三支決策模型如圖1所示。

三支決策通過一個映射f將全集OB分成三個兩兩互不相交的POS、BND和NEG，即提出的高、中、低資源占有度區間，記為π={P1，P2，P3}，即

f：U→π

1.3 基于三支決策的虛擬機遷移方法

文獻［18］將三支決策與虛擬機遷移進行結合，提出基于三支決策的虛擬機遷移調度策略，其基本想法是通過三支劃分的基本手段將物理機分為高負載物理機、中等負載物理機、低負載物理機三種類型，然后針對不同類型負載物理機來采取不同的遷移策略。 基于三支決策的虛擬機遷移調度策略流程如圖2所示。

文獻［19］從考慮虛擬機遷移網絡開銷角度，提出了一種基于三支決策的能耗感知虛擬機遷移策略。 該策略更細粒度地考慮虛擬機遷移策略，首先將物理機列表分為過載、中等負載與低載;接著又將過載物理機又分為重過載、中過載、輕過載；然后將虛擬機遷移策略細化劃分為立即遷移、延遲遷移、不遷移三種類型；最后針對不同的物理機進行不同的遷移策略以達到節省能耗的目的。基于三支決策的能耗感知虛擬機遷移策略流程如圖3所示。

通過研究以上分析不難發現三支決策思想本身就與云計算遷移技術有很強的契合點。因此，本文進一步考慮將其引入云遷移技術上，通過三分和治略的想法來進行遷移，從而提高資源利用率，并降低能耗。下面將介紹本文使用三支決策來解決云環境中能耗優化問題的方法。

2 三支視角下能耗感知遷移策略

本章中考慮到虛擬機資源相似度與資源占有度會對能耗產生影響，首先提出基于三支決策的能耗感知虛擬機選擇策略（IVMS-3WD），用來選擇需要遷移的虛擬機；接著提出基于IVMS-3WD的虛擬機遷移策略（IVMM-3WD），用以完成虛擬機遷移過程，進而提高資源使用率并降低能耗。

2.1 系統架構

基于三支決策的能耗感知虛擬機遷移策略系統架構如圖4所示。其中，VM為虛擬機，host為物理機，α為資源占有度的下閾值，β為資源占有度的上閾值。 該流程圖從宏觀角度給出了遷移策略的大致流程。

如圖4所示，基于三支決策的能耗感知虛擬機遷移策略工作流程主要分為四步：

a）虛擬機觸發。數據中心實時監測物理機的資源使用情況，當檢測到物理機過載時，便會觸發虛擬機遷移。

b）虛擬機選擇。觸發虛擬機遷移后，計算每個虛擬機與其他虛擬機的資源相似度，即虛擬機負載相似度，然后計算資源占有度，接著將資源占有度與負載相似度進行三支多粒度劃分，再利用K-means算法根據劃分類別進行聚類，并選擇出需要遷移的虛擬機放入待遷移虛擬機序列。

c）虛擬機放置。接著計算待遷移虛擬機序列中的虛擬機與物理機的資源相似度，選擇與物理機資源相似度最小的物理機來進行放置。

d）在虛擬機放置完畢，并滿足其遷入的資源要求后，便完成了虛擬機遷移。

2.2 基于能耗代價的三支劃分

通過上述分析可以發現資源，占有度與負載相似度的劃分具有不確定性，因此本節主要介紹本文中面向云負載的三支劃分方式，即確定三支閾值。 由于資源占有度與負載相似度閾值對計算方式一致，所以通過資源占有度的一對閾值{α，β}的計算來進行講解。

資源占有率集合O={o1，o2，…，on}被閾值對{α，β}劃分為三個集合{O+，O0，O-}，其分別代表高資源占有度集合、中等資源占有度集合與低資源占有度集合。設α=0.1，β=0.9，且閾值浮動值d=0.1，而閾值的浮動變化有四種，分別為α=α+d、α=α-d、β=β+d、β=β-d。當數據中心開始執行任務，初始閾值作為根節點并計算總能耗E和四個子節點的總能耗E′，比較根節點與子節點的能耗，若E′＜E，則選擇E′的閾值作為下一次迭代的根節點，更新閾值對{αi，βi}∈{α，β}和總能耗E=E′。數據中心能耗計算如下：

其中：E表示數據中心在時間［t0，t1］的總能耗；e（μ（t））表示主機利用率在t時的能耗［3］。

搜尋最優閾值過程為：搜尋最佳閾值對{αi，βi}，將主機在每個劃分區間繼續劃分高、中、低資源利用率集合{O+i，O0i，O-i}∈{O+，O0，O-}，通過不斷改變{αi，βi}搜索所有閾值可能取到的值，形成閾值樹狀圖，如圖5所示。

三支決策語義解釋如下：

a）集合POS代表高資源占有度，若第i個虛擬機或主機資源占有度x大于或等于給定的閾值α，則將x劃分到POS域；

b）集合BND代表中等資源占有度，若第i個虛擬機或主機資源占有度大于給定的閾值β并且小于等于給定的閾值α，則將x劃分到BND域；

c）集合NEG代表低資源占有度，若第i個虛擬機或主機資源占有度x小于或等于給定的閾值β，則將x劃分到NEG域。

2.3 基于三支決策的能耗感知虛擬機選擇（IVMS-3WD）

虛擬機選擇方法是在檢測到物理機超載時被觸發，然后選擇超載物理機中的部分虛擬機來進行遷移，使得超載物理機恢復到不過載狀態。 設數據中心具有m個物理機P={p1，p2，p3，…，pm}，每個物理機中部署的n個虛擬機V={v1，v2，v3，…，vn}，pi為數據中心第i個物理機，vi為第i個虛擬機。 若pi被數據中心檢測為超載時，則觸發虛擬機遷移；接著需要計算虛擬機間的負載相似度，虛擬機間的負載相似度反映了虛擬機與同一物理機中對其他虛擬機的負載相似程度；接著計算虛擬機本身的資源占有度，其代表該虛擬機所占有的資源程度。

定義1 相似度函數。假設Vh={v1，v2，v3，…，vn}為物理機中部署的虛擬機列表集合。其中，vi表示第i個虛擬機，F（vi）表示虛擬機負載相似度，如果第i個虛擬機vi與vj（i≠j）存在資源競爭，則其競爭描述如下：

其中：rui代表第i個虛擬機的第u類資源；ruj代表不為i的第j個虛擬機的第u類資源；n代表超載物理機中虛擬機的數目。

定義2 占有度函數。G（i）代表第i個虛擬機或物理機的資源占有度，當存在需要通過資源占有度進行選擇虛擬機或物理機時，多維資源占有度被定義為

G（i）=∑uj=1rji/n（4）

其中：rji代表第i個虛擬機或物理機中第j種資源;u為資源屬性的個數。

在劃分資源占有度區間與虛擬機相似度上，引入三支決策思想來將其劃分為高、中、低三個區間。設l代表低閾值，h代表高閾值，虛擬機相似度閾值對（Sl，Sh）與資源占有度閾值對（Ol，Oh）分別表示為

由此可得到資源劃分的多粒度代價矩陣，如表1所示。

設OC為資源有限非空集合，P為有限標準集，基于標準集P，OC被劃分為五個區域，記為π={CPP，CBP，CNP，CBB，CNN}，其滿足如下條件：

接著根據劃分的區域對虛擬機集合V利用K-means算法進行聚類。首先根據每個域的上下閾值的平均值作為初始聚類，接著不斷重復兩個步驟：a）類簇生成，計算每個虛擬機到聚類中心的最近距離，然后分配到該類簇中；b）類簇更新，更新每個類簇的中心點，直至中心不再發生改變，則聚類結束。而滿足遷移虛擬機vi的約束條件為

根據式（9）選擇的虛擬機具有最大的負載相似度或資源占有度為最大，或兩者具其一，接著將其放入待遷移序列等待被放入合適的物理機中。

2.4 基于IVMS-3WD的虛擬機遷移策略（IVMM-3WD）

虛擬機遷移策略是選擇超載物理機中的部分虛擬機以合適的策略遷移到其他物理機中，并保證物理機中的資源足以承載要遷入的虛擬機。定義3 負載相似度。設待遷移虛擬機序列Vc={v1，v2，v3，…，vn}，vi為待遷移序列第i臺虛擬機，其資源向量為vi=（vcpui，vrami，vbwi），Pm={p1，p2，p3，…，pm}為待放置物理機序列，pj為序列第j臺物理機，資源向量為pj=（pcpuj，pramj，pbwj）。因此，Vc與Pm之間的負載相似度函數定義為

其中：S（vi，pj）代表vi與pj之間的資源相似度;vrui代表虛擬機等待序列中vi的第u類資源;pruj代表放置物理機序列中pj的第u類資源。

得到待遷移虛擬機序列后，選擇與其資源相似度最低的物理機pj，其約束條件為

選擇滿足式（11）的物理機后，還需要判斷該物理機的資源是否能容納vi資源，設aij為第i個虛擬機放置在第j個物理機的情況，aij=1表示虛擬機i放置在了物理機j上。 若vi放置在pj上，則源條件約束需滿足：

式（12）可以保證每個虛擬機剛好放置一次，并且可以容納虛擬機的資源需求。若Vc與Pm所有的映射關系T={〈vi，pj〉}建立完畢，則完成虛擬機遷移。具體算法流程如算

算法1中有m個物理機、n個虛擬機，首先計算每個虛擬機間負載相似度需要對每一個虛擬機進行遍歷;然后在計算物理機相似度時，需要遍歷虛擬機；最后在放置虛擬機時，需要同時遍歷虛擬機集合與物理機集合。 由此得出，本文算法的時間復雜度為O（m×n）。

3 實驗分析

通過CloudSimPlus云平臺進行仿真實驗，將本文算法IVMM-3WD與同類方法進行實驗對比與分析，包括MMT-FF、MMT-COR、TWD-VMM、VMM-3WD及ESMM-3WD算法。將上述方法分別在虛擬機遷移次數、能耗、服務違約率SLAV，能耗與SLAV違約率ESV和服務體驗EoS等指標進行對比分析，以此驗證本文方法的有效性和實用性。

3.1 實驗設置與數據描述

實驗在CloudSimPlus平臺上創建了模擬云數據中心，構造一定規模的物理機、虛擬機等各種資源。實驗環境使用IDEA2020.2.2，JDK15和CloudSimPlus 5.0.4，物理機與虛擬機配置如表2所示。

實驗采用CloudSimPlus平臺，平臺具有更多云環境模型和算法，有更高的準確率、擴展性和使用簡便性［26］。 為充分驗證本文算法的優越性，IVMM-3WD算法，其包括兩個過程能耗感知的虛擬機選擇IVMS和能耗感知的虛擬機放置IVMP，與經典虛擬機選擇算法MMT ［27］和虛擬機放置算法FF ［27］進行組合，分別為MMT-IVMP、IVMM-FF，并還與一些同類算法MMT-COR ［28］、TWD-VMM［18］、VMM-3WD［19］、ESMM-3DW ［29］進行比較，其介紹如表3所示，數據集為Google Cluster［27］。

3.2 性能衡量指標

1）服務等級協議違約率 （SLA violations，SLAV）［27］

為了檢驗算法的性能，SLA違約率主要看兩方面：a）每個活躍物理機違反SLA的時間（SLATAH）;b）由于虛擬機遷移而造成的性能下降（PDM）。

SLATAH定義為活躍物理機在CPU是100%利用率下的時間與提供服務時間的百分比。

其中：Ni是活躍物理機數目；Tsi是在CPU為100%利用率下的第i個物理機的時間；Tai表示第i個物理機提供服務的時間。

PDM定義為虛擬機由于遷移而造成的性能下降的百分比。

其中：M代表了虛擬機的數量;Cdj代表了第j個虛擬機用于遷移而造成的性能下降的近似值;Crj代表了第j個物理機在運行期間所需求的CPU性能。

則SLA違約率可以用SLATAH和PDM共同定義：

2）能耗與SLA違約率（energy and sla violations，ESV）［27］

其中：ESV用于評價整個數據中心的性能；E為云數據中心的整體能耗；SLAV為SLA違背情況。

3）服務體驗（experience of service，EoS）

由于一些用戶對SLA違約或許并不敏感，所以本文提出服務體驗來衡量用戶對服務體驗的質量，用戶能夠真實體驗到的一般為性能與時間上的體驗，性能體驗體現為分配的Mips，而時間體驗體現為運行時間［27］，其定義如下：

其中：ServiceTime代表服務時間；AllocatedMips代表提供的性能比例；EoS為兩者的商，EoS越小體驗服務越好。需要注意的是時間的單位與Mips單位不同，則需要分別進行數值歸一化。

3.3 實驗結果

圖6～10顯示了IVMM-3WD算法與MMT-FF、MMT-IVMP、IVMS-FF、MMT-COR、ESMM-3WD算法在虛擬機遷移次數、能耗、SLA違約率、ESV和用戶服務體驗五個方面進行比較。從圖6中可看出，在每種虛擬機個數的條件下與其他算法來對比。隨著虛擬機的數目不斷增大，IVMM-3WD算法在每種條件中遷移次數最少，說明該算法有效地降低了遷移次數。

圖7顯示IVMM-3WD算法的能耗在每種虛擬機條件下均為最低， MMT-FF算法在大部分虛擬機量級上能耗都是最高的，TWD-VMM與VMM-3WD算法在大部分條件下的能耗相對較低。而IVMM-3WD算法與經典算法的結合算法的能耗對比經典算法也相對降低，說明提出算法與經典算法結合是有效的。

圖8顯示了虛擬機個數與SLA違約率的關系，從圖中可看到，其SLA違約率對于IVMM-3WD算法略優于其他算法，而ESMM-3WD算法在大部分條件下效果略差。

圖9顯示了虛擬機個數與ESV的關系，ESV代表了數據中心整體的能耗與SLAV綜合的關系，更好地反映算法的性能。從圖中可看出，VMM-3WD算法在大部分條件下性能較差，ESMM-3WD算法在部分條件下性能較好，IVMM-3WD算法在ESV指標上是優于其他算法的。

表4顯示了五個指標在各個虛擬機量級上的具體數據，可以看出在EoS、ESV、SLAV等指標上，與其他對比算法相比可看出IVMM-3WD算法在性能上表現良好。

4 結束語

虛擬機遷移是云資源調度策略中的重要組成部分，其可以有效降低能耗并提高資源利用率。本文提出的基于三支決策的能耗感知虛擬機遷移策略不僅考慮了數據中心的虛擬機間負載相似度，還考慮了資源占有度；接著將三支決策引入，對負載相似度與資源占有度進行三支多粒度三支劃分，并利用K-means算法對劃分的每個域進行聚類，將選擇出虛擬機待遷移序列；最后選擇虛擬機與物理機最小資源相似度的物理機進行放置以完成遷移過程。實驗結果表明，本文提出的策略可以較好地降低能耗并且保證SLA。在云環境中，云負載的關系錯綜復雜，待研究、挖掘的問題還有許多。未來的工作將進一步探索云資源特征與規律，并研究更好的云資源調度策略來降低云數據中心能耗并平衡SLA違約率。

參考文獻：

［1］Sun Panjun. Security and privacy protection in cloud computing：discussions and challenges［J］. Journal of Network and Computer Applications， 2020，160：102642.

［2］Tabrizchi H，Rafsanjani M. A survey on security challenges in cloud computing：issues，threats，and solutions［J］. The Journal of Supercomputing， 2020，76（12）：9493-9532.

［3］Aslam A，Chen Hanhua，Xiao Jing，et al. Reasoning based workload performance prediction in cloud data centers［C］//Proc of IEEE International Conference on Cloud Computing Technology and Science. Piscataway，NJ：IEEE Press，2019：431-438.

［4］寧士勇. 虛擬化云計算數據中心資源節能調度算法研究［J］. 計算機應用研究，2021，38（4）：1088-1091. （Ning Shiyong. Research on resource energy saving scheduling algorithm for virtual cloud computing data center［J］. Application Research of Computers， 2021，38（4）：1088-1091.）

［5］屈慧姣，郭銀章. 基于改進粒子群算法的云計算虛擬機資源配置優化研究［J］. 計算機應用研究，2020，37（S2）：116-118. （Qu Huijiao，Guo Yinzhang. Research on cloud computing virtual machine resource allocation optimization based on improved particle swarm optimization［J］. Application Research of Computers，2020，37（S2）：116-118.）

［6］李雙剛，張爽，王興偉. 基于自適應虛擬機遷移的云資源調度機制［J］. 計算機科學，2020，47（9）：244-251. （Li Shuanggang，Zhang Shuang，Wang Xingwei. Cloud resource scheduling mechanism based on adaptive virtual machine migration［J］. Computer Science，2020，47（9）：244-251.）

［7］Wang J，Cheng C，Chi K. Effects of correlation-based VM allocation criteria to cloud data centers［C］//Proc of International Conference on Cyber-Enabled Distributed Computing amp; Knowledge Discovery. Piscataway，NJ：IEEE Press，2016：398-401.

［8］Rahimi Zadeh K，Dehghani A. Design and evaluation of a joint profit and interference-aware VMs consolidation in IaaS cloud datacenter［J］. Cluster Computing，2021，24（4）：1-27.

［9］王海濤，李戰懷，張曉，等. 基于歷史數據的虛擬機資源分配方法［J］. 計算機研究與發展，2019，56（4）：779-789. （Wang Haitao，Li Zhanhuai，Zhang Xiao，et al. Virtual machine resources allocation methods based on history data［J］. Journal of Computer Research and Development， 2019，56（4）：779-789.）

［10］劉敬玲，黃家瑋，蔣萬春，等. 數據中心負載均衡方法研究綜述［J］. 軟件學報，2021，32（2）：300-326. （Liu Jingling，Huang Jiawei，Jiang Wanchun，et al. Survey on load balancing mechanism in data center［J］. Journal of Software， 2021，32（2）：300-326.）

［11］楊雷，邢禾續，代鈺，等. 考慮虛擬機間性能互擾的虛擬資源分配方法［J］. 通信學報，2014，35（9）：79-90. （Yang Lei，Xing Hexu，Dai Yu，et al. Virtual resource allocation method with the consideration of performance interference among virtual machines［J］. Journal on Communications，2014，35（9）：79-90.）

［12］王斌，王勤為，董科，等. 基于二次指數平滑預測的虛擬機調度方法研究［J］. 計算機應用研究，2017，34（3）：723-726. （Wang Bin，Wang Qinwei，Dong Ke，et al. Research on virtual machine scheduling method based on double exponential smoothing prediction［J］. Application Research of Computers，2017，34（3）：723-726.）

［13］徐思堯，林偉偉，王子駿. 基于負載高峰特征的虛擬機放置算法［J］. 軟件學報，2016，27（7）：1876-1887. （Xu Siyao，Lin Weiwei，Wang Zijun. Virtual machine placement algorithm based on peak workload characteristics［J］. Journal of Software，2016，27（7）：1876-1887.）

［14］郭豆豆. 粒計算視角下三支決策TAO模型及其治略度量研究［D］. 哈爾濱：哈爾濱師范大學， 2021. （Guo Doudou. The TAO model and acting measures of three-way decision under granular computing perspective［D］. Harbin：Harbin Normal University，2021.）

［15］郭豆豆，姜春茂，楊翎. 一種面向移動三支決策模型的有效性度量方法研究［J］. 小型微型計算機系統，2021，42（12）：2511-2518. （Guo Doudou，Jiang Chunmao. Effectiveness measure approach for movement-based three-way decision model［J］. Journal of Chinese Computer Systems，2021，42（12）：2511-2518.）

［16］郭豆豆，姜春茂. 基于M-3WD的多階段區域轉換策略研究［J］. 計算機科學，2019，46（10）：279-285. （Guo Doudou，Jiang Chunmao. Multi-stage regional transformation strategy in move-based three way decisions model［J］. Computer Science， 2019，46（10）：279-285.）

［17］楊陽，姜春茂，李志聰. 三支決策視角下的云平臺負載預測研究［J］. 小型微型計算機系統，2020，41（7）：1363-1370. （Yang Yang，Jiang Chunmao，Li Zhicong. Cloud platform load forecasting from the perspective of three-way decisions［J］. Journal of Chinese Computer Systems，2020，41（7）：1363-1370.）

［18］楊翎，姜春茂. 基于三支決策的虛擬機節能遷移策略［J］. 計算機應用，2021，41（4）：990-998. （Yang Ling，Jiang Chunmao. Strategy of energy-aware virtual machine migration based on three-way decision［J］. Journal of Computer Applications， 2021，41（4）：990-998.）

［19］Jiang Chunmao，Yang Ling，Shi Rui. An energy-aware virtual machine migration strategy based on three-way decisions［J］. Energy Reports， 2021，7：8597-8607.

［20］趙亞飛. 云計算數據中心虛擬機動態管理機制研究［D］. 南京：東南大學，2017. （Zhao Yafei. Research on dynamic management mechanism of virtual machine in cloud computing data center［D］. Nanjing：Southeast University，2017.）

［21］Yao Yiyu. Three-way decisions and cognitive computing［J］. Cognitive Computation， 2016，8：543-554.

［22］Yao Yiyu. Tri-level thinking：models of three-way decision［J］. International Journal of Machine Learning and Cybernetics， 2020，11（5）：947-959.

［23］Yu Hong，Chen Yun，Lingras P，et al. A three-way cluster ensemble approach for large-scale data［J］. International Journal of Approximate Reasoning，2019，115：32-49.

［24］Qiao Junsheng，Bao Qinghu. On decision evaluation functions in ge-neralized three-way decision spaces［J］. Information Sciences，2020，507：733-754.

［25］Zhang Yan，Yao Jingtao. Game theoretic approach to shadowed sets：a three-way trade of perspective［J］. Information Sciences，2020，507：540-552.

［26］Li Dawei，Asikaburu C，Shang Jiacheng，et al. Numerical and simulation verification for optimal server allocation in edge computing［C］//Proc of IEEE International IOT，Electronics and Mechatronics Confe-rence. Piscataway，NJ：IEEE Press，2021：1-7.

［27］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［J］. Concur-rency amp; Computation Practice amp; Experience， 2012，24（13）：1397-1420.

［28］王輝，張洪瑜，呂書林. 云數據中心考慮虛擬機關聯性的虛擬機放置策略［J］. 計算機應用與軟件，2021，38（2）：58-64. （Wang Hui，Zhang Hongyu，Lyu Shulin. Virtual machine placement strategy considering virtual machine correlation in cloud data center［J］. Computer Applications and Software，2021，38（2）：58-64.）

［29］Yang Jin，Zhang Guoming. Dynamic dual-threshold virtual machine merging method based on three-way decision［J］. Symmetry，2022，14（9）：1865.

收稿日期：2022-07-19；修回日期：2022-09-29 基金項目：黑龍江省自然科學基金資助項目（LH2020F031）；哈爾濱師范大學碩士研究生創新科研項目（HSDSSCX2022-15）

作者簡介：劉帥帥（1995-），男，山東菏澤人，碩士研究生，主要研究方向為云計算、三支決策、機器學習（lssimagine@163.com）；姜春茂（1972-），男，黑龍江哈爾濱人，教授，博士，主要研究方向為云計算、嵌入式計算、三支決策．