随着云计算的迅猛发展,现代云数据中心的规模正在扩大,随之引发的高能耗问题急需解决。虚拟机整合策略的高效与否是影响数据中心能耗的核心所在,所以研究虚拟机整合策略是解决该问题的有效途径。现阶段虚拟机整合策略核心是转移低负载物理主机的虚拟机使其达到零负载从而休眠这些低负载主机,达到降低能耗目的。但是过度高效的虚拟机整合又很容易造成正在运行的物理主机无法应对负载突增,当面对主机负载突增时需开启休眠物理主机,而由此造成的时间损失会严重影响服务质量。因此寻找一种高效的虚拟机整合策略有着较强的现实意义,该高效性要求在确保服务质量的前提下最大程度降低能耗。本课题通过深入分析现有虚拟机整合策略,研究并提出两种高效的虚拟机整合策略。研究内容具体如下:通过对已有的物理主机过载检测方法进行深入研究,以及如何保证虚拟机迁移后物理主机负载的长期稳定,提出了基于资源匹配度的虚拟机整合策略。本策略检测物理主机是否过载首先利用马尔可夫链预测数据中心每一台物理主机的未来负载值,然后将当前负载值、预测值与物理主机预设的阈值进行比较,最终确定物理主机是否过载。为保证虚拟机迁移后物理主机负载的长期稳定,首先根据虚拟机资源请求的历史数据以及物理主机可用资源的历史记录量化物理主机的工作负载,其核心在于通过量化求出虚拟机与物理主机之间的资源匹配度,该资源匹配度表示物理主机剩余可用资源对虚拟机请求资源的满足程度,此处采用梯度下降法求解,然后根据资源匹配度完成虚拟机与物理主机之间的再分配。实验表明,该策略能保证物理主机负载的长期稳定和服务质量,同时降低能耗和虚拟机迁移次数。基于以上研究成果,为进一步优化数据中心能耗,提出了基于遗传算法的虚拟机整合策略。本策略将虚拟机放置问题看作一个有关能耗和多资源约束的多目标优化问题,然后利用遗传算法进行求解。针对遗传算法,在选择、交叉、变异和适应度函数设计等方面进行了优化,主要在交叉、变异阶段定义了基因评估参数并结合降序首次适应算法,最终提高了搜索最优解的效率,并且保持了种群多样性。实验表明,该策略在降低能耗、提升服务质量方面有明显改善。