МЕТОДИКА РОЗРАХУНКУ ОВЕРХЕДУ LIVE-МІГРАЦІЇ ВІРТУАЛЬНИХ МАШИН НА БАЗІ КОНЦЕПЦІЇ РЕСУРСНОГО КУБА NRC

Nina Kuchuk; Serhii Pyrozhenko

doi:10.26906/SUNZ.2026.3.189

Автор(и)

Nina Kuchuk
Serhii Pyrozhenko

DOI:

https://doi.org/10.26906/SUNZ.2026.3.189

Ключові слова:

міграція віртуальних машин, передача даних, алгоритм імітації відпалу, генетичний алгоритм, екосистема Інтернету речей

Анотація

Актуальність. Актуальні вимоги до енергоефективного та адаптивного функціонування сучасних дата-центрів обумовлені стрімкою розбудовою хмарного сегмента. За таких умов інструментарій міграції ВМ у гарячому режимі стає фундаментом гнучкого розподілу апаратного фонду. Завдяки здатності переміщувати віртуальні машини в процесі їхньої роботи без критичних пауз у доступі до додатків, адміністратори успішно вирішують проблеми оптимізації живлення шляхом консолідації навантажень, усувають локальні перевантаження хостів та обслуговують технічну базу без зупинки бізнес-процесів. З іншого боку, процедура безперервної міграції неминуче породжує паразитні витрати ресурсів. Функціонування ітеративних схем (Pre-Copy) вимагає постійного перехоплення модифікованих блоків оперативної пам'яті, їхньої повторної передачі та фінального узгодження контекстів CPU, що суттєво деформує ресурсний профіль серверів. Як наслідок, виникають різкі стрибки утилізації обчислювальних ядер гіпервізором, вичерпується місткість каналів передачі даних і зростає час відгуку. Хаотичний або нераціональний запуск таких процедур створює ризики взаємного пригнічення сусідніх задач, збоїв у виконанні нормативів SLA і навіть ризик зациклення передачі даних, коли сторінки перезаписуються швидше, ніж надсилаються мережею. Предмет дослідження: процеси виникнення та методики розрахунку накладних витрат (паразитного навантаження на обчислювальні ядра, пам'ять і мережеві канали) під час живої міграції віртуальних машин, а також математичні моделі й алгоритми їх просторового оцінювання на основі векторної концепції ресурсного куба NRC. Мета дослідження: підвищення ефективності динамічного керування ресурсами хмарного дата-центру та запобігання порушенням угод SLA шляхом розроблення моделі і методу оцінювання накладних витрат живої міграції віртуальних машин на основі векторного простору ресурсного куба NRC. Завдання дослідження. Сформулювати критерій мінімізації навантаження з урахуванням ємності серверів у моделі NRC та реалізувати алгоритм вибору цільових хостів у класі Load_Balancing. Методи дослідження. Методи векторного та багатовимірного геометричного аналізу, методи системного аналізу та теорії систем, теорія графів та деревоподібних структур даних. Результати дослідження. Доведено, що ефективна місткість хостів зменшується на величину векторного оверхеду міграції, що унеможливлює помилкове перевантаження системи в процесі виконання балансувальних операцій. Запропонована схема формує математичну основу для розробки адаптивних алгоритмів релокації ВМ із гарантованим дотриманням граничних умов куба NRC.

Завантажити

Дані для завантаження поки недоступні.

Посилання

1. Ogura, N., Duolikun, D., Enokido, T., Watanabe, R. and Takizawa, M. (2019), “A Virtual Machine Migration for Storage Processes”, Lecture Notes on Data Engineering and Communications Technologies, vol 25. Springer, Cham, doi: https://doi.org/10.1007/978-3-030-02613-4_67 DOI: https://doi.org/10.1007/978-3-030-02613-4_67

2. Sawalkar, V. and More, N. (20260, “Virtual Machine Migration Optimization in Cloud Data Centers: A Comprehensive Review”, Lecture Notes in Networks and Systems, 1647 LNNS, pp. 146–161, doi: https://doi.org/10.1007/978-3-032-06668-8_15 DOI: https://doi.org/10.1007/978-3-032-06668-8_15

3. Liu, C., Ma, L., Zhang, M. and Long, H. (2025), “Optimizing cloud resource management with an IoT-enabled optimized virtual machine migration scheme for improved efficiency”, Journal of Network and Computer Applications, 237, 104137, doi: https://doi.org/10.1016/j.jnca.2025.104137 DOI: https://doi.org/10.1016/j.jnca.2025.104137

4. Kuchuk, G., Nechausov, S. and Kharchenko, V. (2015), “Two-stage optimization of resource allocation for hybrid cloud data store”, International Conference on Information and Digital Technologies, Zilina, pp. 266–271, DOI: http://dx.doi.org/10.1109/DT.2015.7222982 DOI: https://doi.org/10.1109/DT.2015.7222982

5. Hines, M.R., Deshpande, U., and Gopalan, K. (2009), “Post-copy live migration of virtual machines”, Operating Systems Review ACM, vol. 43(3), doi: https://doi.org/10.1145/1618525.1618528 DOI: https://doi.org/10.1145/1618525.1618528

6. Jalaei, N., and Safi-Esfahani, F. (2021), “VCSP: virtual CPU scheduling for post-copy live migration of virtual machines”, Int. j. inf. tecnol., vol. 13, pp. 239–250, doi: https://doi.org/10.1007/s41870-020-00483-z DOI: https://doi.org/10.1007/s41870-020-00483-z

7. Akoush, S., Sohan, R., Rice, A., Moore, A. W. and Hopper, A. (2010), “Predicting the Performance of Virtual Machine Migration”, 2010 IEEE International Symposium on Modeling, Analysis and Simulation of Computer and Telecommunication Systems, Miami Beach, FL, USA, pp. 37–46, doi: https://doi.org/10.1109/MASCOTS.2010.13 DOI: https://doi.org/10.1109/MASCOTS.2010.13

8. Archana and Kumar, N. (2025), “A Modified Bat Mechanism for Virtual Machine Migration in a Cloud Environment”, SN Computer Science, vol. 6, article number 74, doi: https://doi.org/10.1007/s42979-024-03627-1 DOI: https://doi.org/10.1007/s42979-024-03627-1

9. Shi, Q. and Zhao, F. (2024), “Research on Computer Cloud Intelligent System Based on Intelligent Virtualization Technology”, 2024 IEEE 3rd Int. Conf. on Eebda 2024”, pp. 1245–1250, doi: https://doi.org/10.1109/EEBDA60612.2024.10485750 DOI: https://doi.org/10.1109/EEBDA60612.2024.10485750

10. Ferreto, T. C., Netto, M. A. S., Calheiros, R. N., and De Rose, C. A. F. (2011), “Server consolidation with migration control for virtualized data centers”, Future Generation Computer Systems, vol. 27, issue 8, pp. 1027–1034, doi: https://doi.org/10.1016/j.future.2011.04.016 DOI: https://doi.org/10.1016/j.future.2011.04.016

11. Shankar, S. and Anbarasan, M. (2025), “An Intelligent Approach for Cloud Infrastructure With Improved Multi-Objective Graywolf Optimization and Resource Allocation for Dynamic Virtual Machine Placement”, Transactions on Emerging Telecommunications Technologies, vol. 36(6), e70172, doi: https://doi.org/10.1002/ett.70172 DOI: https://doi.org/10.1002/ett.70172

12. Ma, D., Cao, X., Hu, J., Xia, T., Zhou, Y., Liu, K., Zhu, L.,. Su, L. and Gao, F. (2026), “Topology-aware virtual machine placement for improving cloud servers resource utilization”, Future Generation Computer Systems, vol. 179, article number 108361, doi: https://doi.org/10.1016/j.future.2025.108361 DOI: https://doi.org/10.1016/j.future.2025.108361

13. Zhu, X., Griffith, R., Shah, P., Smirni, E. (2014), “Application-driven dynamic vertical scaling of virtual machines in resource pools”, 2014 IEEE Network Operations and Management Symp., doi: https://doi.org/10.1109/NOMS.2014.6838238 DOI: https://doi.org/10.1109/NOMS.2014.6838238

14. Wood, T., Shenoy, P., Venkataramani, A. and Yousif, M. (2009), “Sandpiper: Black-box and gray-box resource management for virtual machines”, Computer Networks, vol. 53(17), pp. 2923–2938, doi: https://doi.org/10.1016/j.comnet.2009.04 DOI: https://doi.org/10.1016/j.comnet.2009.04.014

15. Meng, X., Pappas, V. and Zhang, L. (2010), “Improving the scalability of data center networks with traffic-aware virtual machine placement”, 2010 Proc. IEEE INFOCOM, doi: https://doi.org/10.1109/INFCOM.2010.5461930 DOI: https://doi.org/10.1109/INFCOM.2010.5461930

16. Petrovska, I., Kuchuk, H. and Mozhaiev, M. (2022), “Features of the distribution of computing resources in cloud systems”, 2022 IEEE 4th KhPI Week on Advanced Technology, KhPI Week 2022 – Conference Proceedings, 03-07 October 2022, Code 183771, doi: https://doi.org/10.1109/KhPIWeek57572.2022.9916459 DOI: https://doi.org/10.1109/KhPIWeek57572.2022.9916459

17. Thorpe, J., Swiler, L.P., Hanson, S., Cruz, G., Tarman, T. Rollins, T. and Debusschere, B.J. (2022), “Verification of Cyber Emulation Experiments Through Virtual Machine and Host Metrics”, ACM International Conference Proc. Series, pp. 71–80, doi: https://doi.org/10.1145/3546096.3546115 DOI: https://doi.org/10.1145/3546096.3546115

18. Kortas, N. and Youssef, H. (2025), “A Bayesian neural network study for virtual machine migration within cloud environment”, Journal of Supercomputing, vol. 81(16), 1505, doi: https://doi.org/10.1007/s11227-025-07974-5 DOI: https://doi.org/10.1007/s11227-025-07974-5