摘  要： 基于因特網(wǎng)平臺(tái)研究云計(jì)算受到地理位置、網(wǎng)絡(luò)環(huán)境等因素的諸多限制，因此采用云計(jì)算模擬器研究云計(jì)算具有重要意義。主要介紹了3種現(xiàn)有的云計(jì)算數(shù)據(jù)中心資源調(diào)度模擬器CloudSim、CloudAnalyst和CloudSched以及基于這3種模擬器的資源調(diào)度算法，最后介紹了云計(jì)算模擬器的研究熱點(diǎn)。

　　關(guān)鍵詞： 云計(jì)算；云計(jì)算模擬器；資源調(diào)度

　　隨著云計(jì)算的飛速發(fā)展，云數(shù)據(jù)中心的規(guī)模和密度日益增大，這給云數(shù)據(jù)中心的管理帶來了諸多值得研究的問題，例如如何集中管理和動(dòng)態(tài)使用數(shù)據(jù)中心里的虛擬機(jī)，以提高云計(jì)算的彈性和靈活性，從而降低運(yùn)營(yíng)成本，改善服務(wù)質(zhì)量并降低管理風(fēng)險(xiǎn)；如何幫助用戶構(gòu)建動(dòng)態(tài)、靈活、高效、適應(yīng)業(yè)務(wù)增長(zhǎng)的云計(jì)算基礎(chǔ)架構(gòu)，使企業(yè)在不增加運(yùn)營(yíng)成本的同時(shí)，保障業(yè)務(wù)的可持續(xù)發(fā)展。如果在真實(shí)的因特網(wǎng)平臺(tái)上對(duì)這些問題展開研究會(huì)極其困難，也不現(xiàn)實(shí)，因?yàn)樗枰紤]應(yīng)用程序的開發(fā)者無法控制和處理的網(wǎng)絡(luò)基礎(chǔ)設(shè)施和環(huán)境。由于開發(fā)者無法對(duì)網(wǎng)絡(luò)條件進(jìn)行準(zhǔn)確地預(yù)測(cè)或控制，這將最終影響策略的評(píng)價(jià)質(zhì)量。

　　基于上述原因，如果想要對(duì)云數(shù)據(jù)中心資源調(diào)度等問題進(jìn)行研究，可以通過建立模擬器的方式來解決?，F(xiàn)有的云計(jì)算模擬器主要有CloudSim、CloudAnalyst和CloudSched 3種。通過這3種模擬器，可以進(jìn)行一些資源調(diào)度算法的研究，從而可以找到降低云數(shù)據(jù)中心的運(yùn)營(yíng)成本的有效解決方案。

　　1 云計(jì)算模擬器介紹

　　1.1 CloudSim模擬器

　　1.1.1 CloudSim簡(jiǎn)介

　　CloudSim是Buyya云計(jì)算研究小組研制的云計(jì)算仿真軟件，由澳大利亞墨爾本大學(xué)的網(wǎng)格實(shí)驗(yàn)室和Gridbus項(xiàng)目在2009年正式宣布推出。它是通用的和可擴(kuò)展的云計(jì)算模擬框架，支持模擬云計(jì)算基礎(chǔ)設(shè)施和管理服務(wù)。CloudSim具有以下功能[1]。

　?。?）支持大規(guī)模云計(jì)算環(huán)境的建模和仿真，包括在單一物理計(jì)算節(jié)點(diǎn)上的數(shù)據(jù)中心。

　　（2）獨(dú)立的云模擬平臺(tái)，可以對(duì)數(shù)據(jù)中心、服務(wù)代理、部署和分配策略進(jìn)行建模。

　?。?）支持多個(gè)模擬系統(tǒng)之間的網(wǎng)絡(luò)連接的仿真。

　?。?）可用的虛擬引擎，有助于在一個(gè)數(shù)據(jù)中心節(jié)點(diǎn)上創(chuàng)建和管理多個(gè)、獨(dú)立和協(xié)同的虛擬服務(wù)。

　?。?）可以在時(shí)間共享和空間共享的處理虛擬服務(wù)的CPU核心之間靈活的切換。

　　1.1.2 CloudSim體系結(jié)構(gòu)

　　CloudSim體系結(jié)構(gòu)如圖1所示。共分為4層，從下到上分別是SimJava層、GridSim層、CloudSim層和UserCode層。

　　SimJava是離散事件仿真引擎[2]，通過更高級(jí)的仿真框架才能實(shí)現(xiàn)其功能。GridSim工具包支持高層次軟件組件用于多重網(wǎng)格基礎(chǔ)設(shè)施和網(wǎng)格的資源、數(shù)據(jù)集、工作量跟蹤及信息服務(wù)等組件的建模。CloudSim通過擴(kuò)展GridSim來支持以虛擬云為基礎(chǔ)的數(shù)據(jù)中心環(huán)境。云供應(yīng)商想要研究其主機(jī)分配不同策略的效果，就需要在該層通過編程擴(kuò)展核心虛擬機(jī)的配置功能實(shí)現(xiàn)分配策略。UserCode層提供了關(guān)于主機(jī)、虛擬機(jī)、應(yīng)用、用戶及應(yīng)用類型和代理調(diào)度策略的配置相關(guān)功能的代碼。云程序開發(fā)人員可以在該層開發(fā)用戶需求分布、應(yīng)用的配置和云可用性場(chǎng)景，并執(zhí)行CloudSim支持的以定義云配置的Robust測(cè)試。

　　CloudSim有Cloudlet、DataCenter、DataCenterBroker、Host、VM和VMScheduler等幾個(gè)重要的類[3]，了解各個(gè)類的參數(shù)和作用，對(duì)研究云計(jì)算調(diào)度算法具有重要意義。例如，DataCenterBroker實(shí)現(xiàn)了用戶任務(wù)到虛擬機(jī)的映射；VMScheduler類實(shí)現(xiàn)虛擬機(jī)的調(diào)度策略，主機(jī)是采用時(shí)間共享策略還是空間共享策略把CPU分配給虛擬機(jī)。用戶也可以使用自己的策略來覆寫該類，從而完成主機(jī)對(duì)虛擬機(jī)的CPU分配。

　　1.2 CloudAnalyst模擬器

　　1.2.1 CloudAnalyst簡(jiǎn)介

　　CloudAnalyst[4]是基于CloudSim開發(fā)的可視化模擬器。同樣是由Buyya云計(jì)算研究小組開發(fā)的云計(jì)算仿真軟件。開發(fā)CloudAnalyst的主要目的是在當(dāng)前配置下，實(shí)現(xiàn)各個(gè)用戶群和數(shù)據(jù)中心之間的最優(yōu)調(diào)度。CloudAnalyst具有如下特性。

　?。?）簡(jiǎn)單易用的用戶接口。

　?。?）仿真中使用到的屬性的高可配置性和高可擴(kuò)展性。

　?。?）實(shí)驗(yàn)可重復(fù)測(cè)試。

　?。?）實(shí)驗(yàn)結(jié)果的可圖形化輸出。

　　CloudAnalyst用戶界面如圖2所示。

　　1.2.2 CloudAnalyst主要模型及組件

　?。?）Region。該組件將全球劃分為6個(gè)區(qū)域，分別代表世界的各大洲。Data Centers和User Base等模型都位于這6個(gè)區(qū)域中。

　?。?）Internet。CloudAnalyst中的網(wǎng)絡(luò)屬性模擬了真實(shí)世界的網(wǎng)絡(luò)屬性，包括了網(wǎng)絡(luò)數(shù)據(jù)傳輸時(shí)延和帶寬等重要屬性。

　?。?）Cloud Application Service Broker。該組件主要實(shí)現(xiàn)把用戶的請(qǐng)求分配到某個(gè)具體的數(shù)據(jù)中心，具體分配算法有最小時(shí)延算法、最佳性能算法和動(dòng)態(tài)路由算法3種。

　?。?）User Base。該組件是單個(gè)用戶的集合，用來一起提交用戶任務(wù)，從而提高系統(tǒng)性能。

　?。?）InternetCloudlet。用戶任務(wù)組：一組用戶任務(wù)的集合。

　　（6）Data Center Controller。該組件主要管理數(shù)據(jù)中心，例如虛擬機(jī)的創(chuàng)建和撤銷等。

　?。?）VmLoadBalancer。虛擬機(jī)負(fù)載均衡器決定了采用何種調(diào)度算法將虛擬機(jī)分配給用戶任務(wù)。主要有輪轉(zhuǎn)算法、動(dòng)態(tài)監(jiān)控算法和節(jié)流分配算法。

　?。?）GUI。該組件主要是實(shí)現(xiàn)模擬器的圖形界面。采用CloudAnalyst模擬器可以模擬云計(jì)算的復(fù)雜環(huán)境，例如用戶群的分布、用戶群的動(dòng)態(tài)屬性以及各個(gè)區(qū)域的網(wǎng)絡(luò)設(shè)施狀況。使用CloudAnalyst可以方便地研究云計(jì)算模擬實(shí)驗(yàn)并節(jié)約成本。

　　1.3 CloudSched模擬器

　　1.3.1 CloudSched簡(jiǎn)介

　　CloudSched是由電子科技大學(xué)的田文洪云計(jì)算研究小組基于CloudSim開發(fā)的輕量型云計(jì)算模擬器[5]。該模擬器支持可視化建模和模擬在云基礎(chǔ)設(shè)施上配置的大規(guī)模應(yīng)用程序。使用該模擬器可以生成用戶信息、用戶和數(shù)據(jù)中心數(shù)量、數(shù)據(jù)中心位置以及資源數(shù)量等信息。使用這些信息，CloudSched產(chǎn)生用戶請(qǐng)求，并將用戶請(qǐng)求分配到云中的虛擬機(jī)去處理。

　　CloudSched支持多種調(diào)度算法，云計(jì)算資源調(diào)度研究者通過仿真，可以找到合理分配虛擬機(jī)資源、滿足用戶需求、減少業(yè)務(wù)成本等較優(yōu)的資源調(diào)度策略和算法。CloudSched的模擬框架如圖3所示。

　　1.3.2 CloudSched主要模型及組件

　?。?）ScheduleDomain。該類為調(diào)度算法主函數(shù)所在的類，包括調(diào)度域中物理節(jié)點(diǎn)的初始化，調(diào)用其他類完成對(duì)任務(wù)隊(duì)列中用戶任務(wù)的處理，如生成任務(wù)請(qǐng)求、分配調(diào)度任務(wù)、刪除調(diào)度任務(wù)等。

　?。?）CreateRandVM。該類主要是產(chǎn)生需要的任務(wù)請(qǐng)求，把任務(wù)請(qǐng)求以VmTaskInfo類的形式記錄在文本文件中。任務(wù)請(qǐng)求包括的屬性主要有任務(wù)編號(hào)、任務(wù)到達(dá)時(shí)間、任務(wù)開始時(shí)間、任務(wù)結(jié)束時(shí)間等。

　　（3）VmTaskInfo。該類是產(chǎn)生任務(wù)請(qǐng)求和接受任務(wù)請(qǐng)求交互的一個(gè)類。包括任務(wù)編號(hào)、任務(wù)選擇的調(diào)度域類型、任務(wù)請(qǐng)求的虛擬機(jī)編號(hào)等。

　?。?）Server。該類為虛擬機(jī)和物理機(jī)的父類，包括的屬性主要有CPU大小、內(nèi)存大小、網(wǎng)絡(luò)帶寬大小、CPU利用率、內(nèi)存利用率、網(wǎng)絡(luò)帶寬利用率以及平均利用率等。

　?。?）PhysicalMachine。該類為物理機(jī)類，繼承了Server類，增加了虛擬機(jī)列表屬性。

　　（6）VirtualMachine。該類為虛擬機(jī)類，繼承了Server類，增加了一個(gè)判斷虛擬機(jī)類別的方法。虛擬機(jī)類型1、2、3為CPU型，類型4、5、6為內(nèi)存型，類型7、8為網(wǎng)絡(luò)型。

　　（7）Allocate_Alg。該類主要是分配虛擬機(jī)到物理機(jī)上，可以設(shè)計(jì)分配算法來研究虛擬機(jī)調(diào)度。

　?。?）Migrate。該類依據(jù)不均衡的屬性（CPU、內(nèi)存、網(wǎng)絡(luò)），判斷虛擬機(jī)是否需要遷移。

　　（9）Sort。該類主要實(shí)現(xiàn)CPU利用率、內(nèi)存利用率、網(wǎng)絡(luò)帶寬利用率等硬件資源的排序。

　?。?0）Balancelevel。該類的主要實(shí)現(xiàn)計(jì)算數(shù)據(jù)中心的不均衡度和物理機(jī)的不均衡度。

　?。?1）Record。該類主要是把虛擬機(jī)分配的過程以及結(jié)果記錄到文本文件中，方便查看。

　?。?2）PrintPM。該類主要把虛擬機(jī)分配過程以及結(jié)果打印到控制臺(tái)，方便查看結(jié)果。

　　利用CloudSched模擬器同樣可以很好地實(shí)現(xiàn)大規(guī)模分布式環(huán)境下的資源調(diào)度算法研究。

　　表1給出了CloudSim、CloudAnalyst以及CloudSched這3種云計(jì)算模擬器的比較。

　　2 基于模擬器的資源調(diào)度算法

　　下面介紹幾種基于CloudSim、CloudAnalyst和CloudSched的資源調(diào)度算法。

　　2.1 基于CloudSim的資源調(diào)度算法

　　為了盡量減小云數(shù)據(jù)中心電能的消耗和二氧化碳的排放量，BELOGLAZOV A等人基于CloudSim提出了云數(shù)據(jù)中心節(jié)能的虛擬機(jī)調(diào)度算法[6-7]。參考文獻(xiàn)[6]提出了有效的虛擬化數(shù)據(jù)中心資源管理策略。該策略在保證服務(wù)質(zhì)量SQL的同時(shí)，利用虛擬機(jī)遷移技術(shù)不斷把虛擬機(jī)整合到少量服務(wù)器上，并關(guān)閉多余的服務(wù)器，從而降低電能消耗。參考文獻(xiàn)[7]建立了CPU電能消耗模型，根據(jù)當(dāng)前CPU的利用率、虛擬機(jī)網(wǎng)絡(luò)拓?fù)湟约爸鳈C(jī)節(jié)點(diǎn)的熱狀態(tài)，通過整合虛擬機(jī)減少主機(jī)節(jié)點(diǎn)的電能消耗。

　　2.2 基于CloudAnalyst的資源調(diào)度算法

　　CloudAnalyst模擬器自帶的有3種調(diào)度算法，分別是輪轉(zhuǎn)算法、動(dòng)態(tài)監(jiān)控算法和節(jié)流分配算法[8]。

　　（1）輪轉(zhuǎn)算法：采用Round-robin算法分配虛擬機(jī)。

　?。?）動(dòng)態(tài)監(jiān)控算法：監(jiān)控每個(gè)虛擬機(jī)上的任務(wù)數(shù)，分配用戶請(qǐng)求使每個(gè)虛擬機(jī)負(fù)載平衡。

　　（3）節(jié)流分配算法：預(yù)先為虛擬機(jī)設(shè)置一個(gè)最大用戶任務(wù)請(qǐng)求數(shù)值，當(dāng)用戶任務(wù)超過該數(shù)值時(shí)，不再接受用戶請(qǐng)求。

　　2.3 基于CloudSched資源調(diào)度算法

　　為了使云數(shù)據(jù)中心的物理服務(wù)器的CPU、內(nèi)存和網(wǎng)絡(luò)帶寬等資源均衡使用，田文洪提出了一種基于CloudSched的滿足需求特性的調(diào)度算法[9]。該算法分別計(jì)算了物理服務(wù)器上的CPU利用率、內(nèi)存利用率和網(wǎng)絡(luò)帶寬利用率的方差，得到每個(gè)物理服務(wù)器的負(fù)載均衡值，然后將虛擬機(jī)分配到負(fù)載均衡值最小的物理服務(wù)器上。如果負(fù)載最小的物理服務(wù)器不能分配，則換次小的進(jìn)行分配，直到能分配為止。

　　表2給出了上述幾種資源調(diào)度算法的比較。

　　3 云計(jì)算模擬器及資源調(diào)度算法的研究熱點(diǎn)及發(fā)展趨勢(shì)

　　3.1 云計(jì)算模擬器研究熱點(diǎn)及發(fā)展趨勢(shì)

　　當(dāng)前云計(jì)算模擬器的研究熱點(diǎn)主要集中到模擬器的功能擴(kuò)展上。例如，當(dāng)前隨著當(dāng)前云計(jì)算數(shù)據(jù)中心規(guī)模的逐漸擴(kuò)大，二氧化碳的排放量越來越大，數(shù)據(jù)中心的電能消耗也越來越多。由于節(jié)能減排的要求，需要研究更加節(jié)能的資源調(diào)度算法，這就需要所采用的模擬器能夠模擬出云計(jì)算數(shù)據(jù)中心的電能消耗量。有些云計(jì)算模擬器還不能達(dá)到這些要求，例如CloudAnalyst的模擬結(jié)果只包含了所有數(shù)據(jù)中心的平均響應(yīng)時(shí)間、最?。ù螅╉憫?yīng)時(shí)間、用戶群以及數(shù)據(jù)中心處理請(qǐng)求的平均響應(yīng)時(shí)間、最?。ù螅╉憫?yīng)時(shí)間等。因此可以在CloudAnalyst上進(jìn)行擴(kuò)展，擴(kuò)展出想要的功能，例如能夠模擬數(shù)據(jù)中心的電能消耗等。

　　隨著云計(jì)算的發(fā)展，云計(jì)算模擬器會(huì)集成更多的功能。例如，現(xiàn)有模擬器還無法模擬出數(shù)據(jù)中心二氧化碳的排放量?？梢栽谀M器中添加二氧化碳排放量模塊，從而計(jì)算出云數(shù)據(jù)中心在提供云計(jì)算服務(wù)時(shí)具體的二氧化碳排放量大小。同時(shí)，現(xiàn)有模擬器還不能仿真聯(lián)合云，可以研究如何在模擬器中添加支持聯(lián)合云的功能，從而仿真出聯(lián)合云環(huán)境下云計(jì)算服務(wù)的響應(yīng)時(shí)間等一些性能指標(biāo)?？傊M器會(huì)朝著更加符合真實(shí)、實(shí)用的云計(jì)算環(huán)境添加所需要的功能。

　　3.2 資源調(diào)度算法研究熱點(diǎn)及發(fā)展趨勢(shì)

　　對(duì)于云計(jì)算模擬器的另一項(xiàng)研究就是基于云計(jì)算模擬器研究出更多有效的資源調(diào)度算法，從而能夠降低云數(shù)據(jù)中心和企業(yè)的運(yùn)營(yíng)成本。現(xiàn)在已經(jīng)出現(xiàn)了一些比較有效的資源調(diào)度算法，它們大多以保證數(shù)據(jù)中心的負(fù)載均衡[9-12]、最大效益[13-15]、云服務(wù)質(zhì)量[16-18]為優(yōu)化目標(biāo)。隨著政府對(duì)節(jié)能減排的迫切要求，將來會(huì)出現(xiàn)更多圍繞降低能耗的資源調(diào)度算法。BELOGLAZOV A等人已經(jīng)在以節(jié)能減排為優(yōu)化目標(biāo)的資源調(diào)度算法方面走在了前列，研究出了一些比較優(yōu)秀的資源調(diào)度算法[6-7，20-21]，云計(jì)算資源調(diào)度研究者可以在其研究的基礎(chǔ)上進(jìn)行更深入的研究。同時(shí)，仿真云計(jì)算市場(chǎng)的資源調(diào)度算法也很重要?？梢曰谠朴?jì)算市場(chǎng)，在云計(jì)算模擬器中內(nèi)置新的云計(jì)算資源定價(jià)和部署策略來仿真云計(jì)算服務(wù)。

　　本文介紹了當(dāng)前云計(jì)算的CloudSim、CloudAnalyst和CloudSched 3種模擬器，并對(duì)基于這3種模擬器的資源調(diào)度算法進(jìn)行了分析和比較。當(dāng)前云計(jì)算模擬器還存在很多研究熱點(diǎn)，例如需要對(duì)模擬器的節(jié)能功能進(jìn)行擴(kuò)展、所設(shè)計(jì)的資源調(diào)度算法需要考慮節(jié)能減排、云計(jì)算市場(chǎng)定價(jià)等。隨著研究的深入，現(xiàn)階段的研究者越來越關(guān)注數(shù)據(jù)中心的能耗問題以及市場(chǎng)定價(jià)問題。將來會(huì)涌現(xiàn)出更多的節(jié)能減排資源調(diào)度算法以及云計(jì)算市場(chǎng)的資源調(diào)度算法，從而更好地提高云數(shù)據(jù)中心的性能。

　　參考文獻(xiàn)

　　[1] CALHEIROS R N， RANJAN R，BUYYA R， et al. CloudSim： a toolkit for modeling and simulation of cloud computing environments and evaluation of resource provision-ing algorithms[J]. Software： Practice and Experience， 2011，41（1）：23-50.

　　[2] BUYYA R， RANJAN R， CALHEIROS R. Modeling and simulation of scalable cloud computing environment and the cloudSim toolkit： challenges and opportunities[A]. Proceedings of the 7th High Performance Computing and Simulation Conference[C]. Germany：IEEE，2009：21-24.

　　[3] CALHEIROS R N， RANJAN R. CloudSim：A novel framework for mode ling and simulation of cloud computing infrastructures and services[R/OL]. [2014-2-20]http：//www.buyya.com/gridbus/reports/CloudSim-ICPP2009.pdf.

　　[4] WICKREMASINGHE B， PROF A， BUYYA R. CloudAnalyst： A cloudSim-based tool for modelling and analysis of large scale cloud computing environments[J]. IEEE Computer Society， 2010，AINA：446-452.

　　[5] TIAN W， ZHAO Y， XU M， et al. A Toolkit for modeling and simulation of real-time virtual machine allocation in a cloud data center[J]. Automation Science and Engineering， 2013，1（99）：1545-5955.

　　[6] BELOGLAZOV A， BUYYA R. Energy efficient allocation of virtual machine in cloud data centers[C]. 2010 10th IEEE/ACM International Conference on Cluster， Cloud and Grid Computing.. Washington DC： IEEE Computer Society， 2010：577-

　　578.

　　[7] BELOGLAZOV A， BUYYA R. Energy efficient resource management in virtualized cloud data centers [C].Proceedings of the 10th IEEE/ACM International Conference on Cluster， Cloud and Grid Computing. Melbourne： IEEE， 2010：826-831.

　　[8] WICKREMASINGHE B， CALHEIROS R N， BUYYA R. CloudAnalyst： A cloudSim-based visual modeller for analysing cloud computing environments and applications[A]. Proceedings of the 24th IEEE International Conference on Advanced Information Networking and Applications. Perth： IEEE，2010：446-452.

　　[9] TIAN W H， LU G. Analysis of integrated scheduling algorithms for resources in cloud datacenters[C]. Technical Report， University of Electronics and Science Technology of China，2010：9.

　　[10] 鄭洪源，周良，吳家祺.Web服務(wù)器集群系統(tǒng)中負(fù)載平衡的設(shè)計(jì)與實(shí)現(xiàn)[J].南京航空航天大學(xué)學(xué)報(bào)，2006，38（3）：347-351.

　　[11] 李文娟，張啟飛，平玲娣，等.基于模糊聚類的云任務(wù)調(diào)度算法[J].通信學(xué)報(bào)，2012，33（3）：146-154.

　　[12] TIAN W H， LI U X R， JIN C， et al. LIF： A dynamic scheduling algorithm for cloud data centers considering multi-dimensional resources[J]. Journal of Information and Computing Science， 2013，10（12）：3925-3937.

　　[13] TANG Q. Energy-efficient， thermal-aware task scheduling for homogeneous， high performance computing data genters： A Cyber-Physical Approach[J]. IEEE Transaction on Paralleland Distributed Systems，2008，19（11）：1458-1472.

　　[14] BUYYA R， YEO C S， VENUGOPAL S. Market-oriented cloud computing： vision， hype， and reality for delivering it services as computing utilities[C]. Proceedings of the 10th IEEE International Conference on High Performance Computing and Communications. 2008：5-13.

　　[15] DE ASSUNCAO M D， DI COSTANZO A， BUYYA R. Evaluating the cost-benefit of using cloud computing to extend the capacity of clusters[C]. Proceedings of the 18th ACM International Symposium on High Performance Distributed Computing. New York： ACM Press， 2009：141-150.

　　[16] 師學(xué)霖，徐恪.云虛擬機(jī)資源分配的效用最大化模型[J].計(jì)算機(jī)學(xué)報(bào)，2013，36（2）：252-262.

　　[17] 孫大為，常桂然，李鳳云，等.一種基于免疫克隆的偏好多維QoS云資源調(diào)度優(yōu)化算法[J].電子學(xué)報(bào)，2011，39（8）：1824-1831.

　　[18] HAO FANG， LAKSHMAN T V， MUKHERJEE S， et al. Enhancing dynamic cloud-based services using network virtualization[J]. Computer Communication Review， 2010，40（1）：67-74.

　　[19] CHANHAN S S， JOSHI R C. A heuristic for QoS based independent task scheduling in grid environment[A]. Proceed-ings of International Conference on Industrial and Informa-tion Systems. 2010：102-106.

　　[20] BELOGLAZOV A， BUYYA R. Adaptive threshold-based approach for energy-efficient consolidation of virtual machines in cloud data centers[C]. Proceedings of the 8th International Workshop on Middleware for Grids， Clouds and e-Science. New York： ACM，2010.

　　[21] BELOGLAZOV A， ABAWAJY J， BUYYA R. Energy-aware resource allocation heuristics for ecient management of data centers for cloud computing[J]. Future Generation Computer Systems， 2011， DOI： 10.1016/j.future.