On Manipulating Dynamic Fluctuation Drawbacks in a Virtualized Environment.pdf

1、即使在進行云遷移時存在許多大的挑戰(zhàn)（例如:安全性和可靠性），但是實用的云計算解決方案已經成為IT領域不容忽視的事實;同時，許多研究者正在接受這些挑戰(zhàn)。云計算是一種信息處理模式，在這個信息處理模式中，中央管理的計算能力被作為服務進行交付，根據需要，通過網絡傳遞給各種面向用戶的設備。這些服務以基礎設施服務的形式、平臺服務的形式、軟件服務的形式或者網絡服務的形式推出。
　　 事實上，云計算已經超出了現(xiàn)有的提供了異構資源訪問能力的網格計

2、算技術;當資源提供者不能滿足用戶的各種要求時，用戶通常需要一個能滿足他們的特殊要求的環(huán)境。而云計算已經被認可為是一種能滿足用戶各種需求的解決方案，這就使得它在需求滿足方面優(yōu)于網格計算。云計算能滿足這些功能需要感謝的，既不是PC零件組成的大型數(shù)據中心和網絡服務，也不是自動平衡工作量的能力，而是虛擬化。
　　 虛擬化的最簡單的形式是通過軟件將一個物理設備細分為相同的幾個離散的物理設備。雖然它們共享一臺服務器的硬件資源，但是他們的工作

3、相互獨立沒有沖突;結果，這樣就減少使用中的硬件數(shù)量，提高資源的利用率，提高了不同應用之間的故障和性能的隔離，緩解了虛擬機從一個主機移動到另一個主機的實時或脫機遷移，從而實現(xiàn)對硬件異構性和軟件異構性的支持。
　　 Ⅰ.問題陳述
　　 由于云計算的可用性和可擴展性，眾多領域都將他們的業(yè)務導向了云系統(tǒng);然而，云系統(tǒng)以快速的負載交換著稱，而快速的負載交換導致資源管理進程的失效，在運行一些變化無常的應用程序時尤為明顯（即社會網絡，

4、網絡托管，內容分發(fā)）。原始的云提供商，如亞馬遜，升陽，谷歌，Salesforce，微軟和IBM已經建立了強大的云數(shù)據中心用于提供現(xiàn)實世界中的云計算應用服務，如社交網絡，游戲門戶網站，業(yè)務應用（如SalesForce.com），媒體內容交付和科學工作流程。雖然用于數(shù)據中心的設備的技術含量較高，但是這樣的應用服務于世界各地數(shù)以百萬計的用戶，并定期更新新功能和插件;因此，工作量有時會迅速波動從而產生不利情況，例如，當負載不平衡時，一些云服務器

5、超載而其他服務器則欠載，產生這種情況是因為任務都已經完成或者是因為每個服務器上的剩余資源阻止了來自虛擬機的任何進一步的安排。另外一種情況是在許多情形下出現(xiàn)了熱點服務器，是由于某種資源的總利用率（處理器，網絡帶寬或內存）超過了預定閾值。而且，隨著時間的推移，一些用戶可能會要求擴大指定的服務，而此時的托管服務器已達到最大負荷。
　　 Ⅱ.可行的解決方案
　　 這個問題可以在兩個層次上得到解決，第一個是在每個虛擬服務器上，而另

6、外一個范圍很廣，可以利用所有的系統(tǒng)節(jié)點。
　　 A.內部層次
　　 最近許多研究小組正在積極致力于開發(fā)監(jiān)測和控制的工具，用于跟蹤像內存，磁盤和CPU等物理資源，這些方法可以提供大量的虛擬化系統(tǒng)的反饋信息，從而使得系統(tǒng)管理員能夠重新調整和配置調度機制以處理不同情況下的工作負荷。
　　 實際上管理程序可以使用許多的監(jiān)測工具。例如Xen管理程序可以使用Oprofile，XenOprof, Xenmon監(jiān)測工具;Open

7、VZ管理程序，如Beanmonitor，Yyabeda，可以使用一個監(jiān)測工具的集合;然而，使用這些工具來靜態(tài)甚至動態(tài)適應動態(tài)變化時，仍然有一些缺陷，因為增加工作負荷時平均輪候時間的增加或減少工作負荷時設備利用率的減少都會導致這些工具的監(jiān)測性能的退化，直到監(jiān)測工具的反饋信息與一個預先為CPU或者內存配置的最小/最大啟發(fā)式值相匹配而觸發(fā)警報時，這種缺陷才會得到彌補。
　　 管理程序或虛擬機管理器是允許多個操作系統(tǒng)同時運行的虛擬操作平

8、臺，被稱為允許共享的虛擬機。現(xiàn)在已經有許多商業(yè)的和免費的帶有不同虛擬化系統(tǒng)開發(fā)技術的管理程序，如OpenVZ，z/VM，VMware，VirtualBox和Hyper-V。這些虛擬層次不同的系統(tǒng)在兩個方向存在著不同，其中一個方向與運行的虛擬機之間在性能消耗方面的隔離度有關，例如虛擬化和半虛擬化技術，另一個相反方向與操作系統(tǒng)層面的技術性能有關。然而，所有的虛擬化技術之間的共同規(guī)則是成功地管理虛擬機之間的資源。此外，這些虛擬化技術有不同;例

9、如，全虛擬化技術需要一個支持虛擬化的處理單元，如英特爾(R)VT或AMD-V處理器，而半虛擬化技術則不需要。
　　 在目前的管理程序中，特別在研究領域，一個共同的管理程序是Xen。它通過虛擬化同一物理機上不同的資源從而為托管多個虛擬機的實現(xiàn)提供了一個功能強大的開源解決方案。此外，它提供了全面的虛擬化技術和半虛擬化技術。在Xen系統(tǒng)中，Xen管理程序是面向物理層的軟件層，它負責一個或多個客戶操作系統(tǒng)之間的物理資源共享。第一客戶操作

10、系統(tǒng)，稱為域0（dom0的），當管理程序啟動時它也自動啟動，它接受特殊管理權限并能在默認情況下直接訪問所有的物理硬件，來管理其他附加的客戶操作系統(tǒng)，這些客戶操作系統(tǒng)在Xen術語中被稱為用戶領域。
　　 Xen管理程序受到了一些技術限制，如動態(tài)資源分配，動態(tài)資源分配就是在重新啟動機器之前進行資源的靜態(tài)分配，這些分配在Xen云平臺上進行操作，Xen云平臺是一個開源的服務器虛擬化和云計算平臺，提供能對服務器工作負荷進行整合的Xen管理

11、程序，并能節(jié)省電力，冷卻和管理方面的成本，從而促進環(huán)境可持續(xù)發(fā)展計算，它有著適應不斷變化的IT環(huán)境的能力，是一種使用現(xiàn)有硬件的優(yōu)化，也是一種IT可靠性水平的提高。
　　 顯然，這樣的模型能幫助克服應用程序的動態(tài)變化;然而，當應用階段的行為非常動態(tài)時（如社會網絡），反應系統(tǒng)會表現(xiàn)不佳，可能出現(xiàn)罕見的高峰負荷，這種負荷會導致資源平均利用率較低。幸運的是，預測全局模式的行為預測模型是解決此問題可能的解決方案，因此，我們應用這些技術提出

12、令人滿意的解決方案。
　　 B.外部層次
　　 遷移代表應對動態(tài)變化的一個可采取的解決方案，通過將虛擬機從一臺服務器移動到另一臺服務器的方式來減輕工作負荷。同時，正如許多研究所提出的，它也可以用來釋放卸載的服務器，以節(jié)省功耗。實際上，遷移過程通?？紤]在數(shù)據中心的一個預定義的閾值或在運行的應用程序中的一套SLA的條款，并嘗試以貪婪算法處理問題來決定從超載數(shù)據中心到負載不足的數(shù)據中心的一系列移動或交換的遷移虛擬機的過程，直到

13、匹配的預定義閾值。詳細來講，虛擬機根據其工作量而執(zhí)行命令，同樣的，服務器根據其負載狀態(tài)執(zhí)行命令，然后該算法在執(zhí)行時考慮容量最大的服務器上負載量最大的虛擬機，并考慮這個虛擬機是否能被安置在容量最低（負載量最低）的物理服務器上。
　　 事實上遷移是一個解決工作負載問題的直接解決方案，然而，在遷移過程中，還有其他一些重要因素需要考慮，例如:利用資源來防止虛擬機的調度分配失衡，并且遷移成本基本上取決于虛擬機的大小和傳輸速率;此外，由于還

14、有其他源自高功率消耗不足或冷卻系統(tǒng)故障的重要問題，耗電量成為了另一個重要因素，因為這些問題會導致資源過熱，從而降低了系統(tǒng)的可靠性、縮減了設備的壽命。
　　 Ⅲ.我們在內部層次的貢獻
　　 VMs資源適配可以是水平收縮（添加新服務器復制和負載平衡器來分配所有可用的復制品之間的負載），也可以是垂直收縮（正運行的實例上資源的即時改變）。實際上，通用的操作系統(tǒng)并不支持在可用處理器或內存中實行即時（沒有重啟）改變，所以不支持“垂直

15、收縮”。
　　 dvfs技術可以在一定的限制下實現(xiàn)垂直收縮;然而，這需要使用特殊的昂貴的服務器設備和技術，這違背使用商品建設云的趨勢。因此，應用程序的行為預測技術可以是一個更好的選擇。
　　 A.第一階段
　　 我們提出一個基于應用行為預測技術的主動模型來預測在云主機上執(zhí)行的虛擬機（VMs）的未來工作量行為。在提高利用率和降低功耗方面，預測的信息可以幫助系統(tǒng)的動態(tài)、積極主動地適應和滿足供應商的要求;能根據服務質量

16、(QoS)的要求和動態(tài)變化的需求加強和改善服務性能。用CloudSim模擬器測試該模型，實驗表明，我們的模型能夠避免由動態(tài)變化引起的不良的情況，如（高峰負荷，低利用），可以減少能量消耗、過熱的損失，資源消耗量平均高達45％。下面列出我們的貢獻。
　　 值得一提的是，還有其他類似技術來預測軟件的行為，比如最后數(shù)值預測和基于表格的預測;然而，我們系統(tǒng)選擇應用SMM因為它能同時對基于表和歷史因素預測等有效;第一，它能對應用行為的長期全

17、局模式進行建模;其次，預測器可以響應可變長度的模式;第三，它是小波動彈性的觀察模式。最后，SMM預測器有自適應能力。這些特點適合云中的多變環(huán)境。
　　 大多數(shù)現(xiàn)實世界的云計算的應用服務如社會網絡，游戲門戶網站，商務應用程序（如SalesForce.com），媒體內容交付，科學的工作流，表明工作量的動態(tài)變化與使用者在每天，每周，每季度的使用行為密切相關。雖然工作量變動快，這些變化以序列形式重復，可以進行記錄與處理，就跟在語言建模中

18、語句的類似處理。不同于語言建模，SMM模型中的樣本是實際值。因此，在應用SMM之前，需要對數(shù)值進行量化。我們用50位量化二進制代表負荷量增加比例。SMM模型歷史在三個歷史結構的位置上處理，第一個結構記錄(Pattern-Next-Frequency)形式記錄不同長度的模式，第二個結構用于記錄獨一的樣品（量化二進制），第三結構計數(shù)已被記錄的樣本。
　　 一個新的樣本記錄模型有兩個步驟，首先用最后記錄的數(shù)值更新歷史，進而預測未來。<

19、br>　　 實驗與結果分析:我們使用CloudSim工具包做了廣泛的模擬實驗。選擇該模擬器理由如下:第一，它不允許實驗中出現(xiàn)大量節(jié)點。其次，CloudSim支持大多數(shù)的云系統(tǒng)架構組件如數(shù)據中心，虛擬機;此外，它支持自定義Java接口，易于擴展;此外，最重要的特點，該系統(tǒng)為不同系統(tǒng)構件（如云數(shù)據中心）監(jiān)測和提供信息（利用率，能耗）提供可能性。
　　 實驗在E6700奔騰雙核CPU，3.19GHz主頻，2M二級緩存和2GB內存的機

20、器上進行，機器上運行Windows XP SP3和JDK1.6。
　　 測試模擬環(huán)境安裝內容包括“PowerDataCenter”“DataCenterBroker;“PowerDataCenter”是一個CloudSim數(shù)據中心組件，能利用另外的方法監(jiān)測電力消耗;“DataCenterBroker“能調度數(shù)據中心的主機/服務器上的cloud-lets。
　　 模擬主機的數(shù)量接近15000臺服務器，每個服務器配置不同大小

21、的內存和不同速度的CPU;此外，根據Xen的安裝指導，每一個服務器運行不同數(shù)量的Xen虛擬機，不超過32個。
　　 考慮到不同云運行不同的應用有不同的要求及不同負荷的行為，為完成實驗我們面臨的挑戰(zhàn)是如何找到一個模型來模擬現(xiàn)實的工作量分配。
　　 在這項工作中，云工作量分析的目的是以類似于語言建模的方式找到一個帶有負載分配變化的云系統(tǒng);換句話說，對由每天、每周、每季影響的事件重復序列進行負載分配如社交網絡、媒體內容網站。<

22、br>　　 RUPiS（萊斯大學招標系統(tǒng)）是繼ebay.com建模的拍賣網站原型，用來評估程序設計模式和應用服務器的性能可擴展性，參考RUPiS，我們成功地在RUPiS客戶端仿真器交互方法的基礎上建立理想的不同規(guī)則的工作量，所有基準測試程序平均分別在7秒和15分鐘時產生負指數(shù)分布?？梢酝ㄟ^改變客戶的數(shù)量的和主要范圍來實現(xiàn)負載的改變。因此，建立了兩個可承受的工作量序列來完成實驗。具有高重復模式稱為序列A，較少重復模式的稱為序列B。

23、>　　 對主動模型進行了性能研究并將結果與監(jiān)測模型進行比較。為此，我們測試了兩個基準測試程序。第一，ActiveVmLoadBalancer保持目前分配給每個虛擬機的所有虛擬機和請求數(shù)量信息，利用主動監(jiān)測方法收集，該方法通過CloudSim中的一套監(jiān)測器完成。
　　 第二個基準是，在檢測后，ActiveVmLoadBalaneer保持由主動模型操縱的信息。每個基準運行大約35個小時，序列A在兩個基準測試中用作工作量請求。

24、>　　 從結果中，我們有兩點發(fā)現(xiàn)。第一點，在長期運行的基準測試程序，主動模型的所有報告結果都優(yōu)于監(jiān)測模型。第二點，在最初的第三個實驗時間，監(jiān)測模型的性能優(yōu)于或接近表現(xiàn)積極的模式，這可以直接解釋為積極的模式在開始預測前需要一個學習時期。
　　 總之，結果表明，云模擬系統(tǒng)中預測下一個單個樣品的負載量，可以避免6310個高峰負載的發(fā)生，降低能耗，過熱和資源浪費損失高達45。
　　 B.第二個階段
　　 我們的實驗盡可

25、能地在更實際的環(huán)境中進行。復制相同的方法，創(chuàng)造一個積極的虛擬環(huán)境資源的工作量管理模型，分析虛擬機工作行為，采取適當?shù)恼{度方案和資源分配，以提高系統(tǒng)的利用率，吞吐量和響應時間。
　　 許多研究強調虛擬環(huán)境下的不同應用的性能退化，如數(shù)據庫應用程序，mapreduce，并行應用，這種退化基于應用程序本身和運行環(huán)境。
　　 據我們所知，大多數(shù)研究通過加強不同的資源調度方法試圖找到解決方案，而有些利用當前硬件技術的力量試圖找到其他

26、解決方案;相反，僅有少量的研究致力于預測技術，這里將總結一些相關的研究工作。
　　 在動態(tài)應用行為的情況下，基于檢測工具的反應系統(tǒng)表現(xiàn)不佳，可能導致罕見的高峰負荷驅動，降低了資源的平均利用率。
　　 一些管理程序試圖通過不同的調度技術減輕這種行為的負面影響，如Xen團隊設計的稱為信用計劃的調度器，盡量減少時間的浪費。這是一個“連續(xù)工作”計劃，因為無論何時有工作要做，它都試圖確保處理器工作。結果是，如果有比 domUs更現(xiàn)

27、實的CPU，所有domUs能獲得所有CPU想要的。當domUs想要比實際存在域中調度仲裁的CPU時，就會發(fā)生爭議。然而這并不能解決問題，因為資源直接互相影響，如果一個虛擬機提供電源和內存不足，該問題仍然存在。
　　 我們的目標是建立一個積極的工作量管理原型來觀察VMs工作量行為，如CPU工作量，內存工作量，I/O點擊率，并記錄不同長度執(zhí)行模式的動態(tài)變化，然后用Statistical Metric Modeling(SMM)分析記

28、錄的模式。這有助于早期采取正確的決定，根據分析結果調整虛擬資源。下面列出我們的貢獻:
　　 1.用積極監(jiān)測管理工作量方法，研究由處理工作量的變化造成的性能退化。
　　 2.提出了一種新的虛擬機主動管理工作量模型，分析長期工作行為和執(zhí)行基于預合適的資源管理規(guī)劃的動態(tài)調整，而不是一套啟發(fā)式規(guī)則，其有兩個關鍵優(yōu)勢:1）在需要前調整資源，確保能永遠表示適當性能。2）在影響運行操作前發(fā)現(xiàn)任何業(yè)務問題，從而可以采取替代措施處理情況。

29、
　　 3.比較主動監(jiān)測模式與主動模式的系統(tǒng)性能。
　　 4.通過Xen管理程序的一套基準測試程序進行廣泛實驗來評估提出的模型
　　 實驗結果分析:我們創(chuàng)造不同的實驗，按以下順序:
　　 1.找出最適SMM參數(shù)的值。
　　 2.主動模式與監(jiān)控模式的性能比較。
　　 3.研究VMs之間的資源共享對模型性能的影響。
　　 實驗在2.13 GHz Intel Xeon e55068芯片，

30、8MB三級高速緩存，和8G DDR3內存上運行，1.1版Xen云平臺，打包版的Linux CentOS5(Linux內核v2.6.32)，結合3.4.2版Xen，和XenAPIweb服務，為Xen組件提供管理API，Xen組件被多種管理工具所使用。
　　 基于VM的環(huán)境中，部署了三個運行rhe15.5與核2.6.18的虛擬機，都安裝在半虛擬化基礎之上，每個虛擬機以指定的目標模式配置2 GB?？紤]到基準測試程序，再次采用RUBiS

31、，建立兩個序列來代表工作量序列。
　　 在模擬部分，我們使用的模型如之前描述的一樣。通過修改現(xiàn)有的管理程序和評估不同基準的代表，實現(xiàn)了提出的模型。評估顯示，該模型可以減少29％的平均等待時間。
　　 Ⅳ.我們在外層的貢獻
　　 虛擬機遷移是一種克服動態(tài)波動缺點很有前途的解決方案，是基于單目標的算法，通常服務水平協(xié)議(SLA)用作直接遷移;反之，在遷移進程中（即負載量，功耗和資源的浪費）存在不同的互相沖突的目標。<

32、br>　　 許多研究利用虛擬機遷移來提高單一目標的效率，如收縮資源，節(jié)省電力消耗，提高資源的利用率。與之相反，較少研究致力于多目標實現(xiàn)的方法。除此之外，他們的工作中還存在一些缺陷。
　　 在這項研究中，將遷移過程視為一個多目標問題，且目標不可相互比較。因此，我們提出一個新的由多目標優(yōu)化策略鞏固的遷移策略，來評估不同的目標，包括遷移成本，提供足夠的靈活性來實施的不同情形。此外，使用CloudSim模擬器進行一套密集的實驗驗證該策

33、略，遷移目標調整到適當?shù)那樾危刂葡到y(tǒng)的統(tǒng)計數(shù)據，結果確保了的政策效率，這項工作的貢獻歸納如下:
　　 1.據我們所知，這是第一次同時考慮同時云環(huán)境中的動態(tài)波動工作量，尤其是大規(guī)模的云數(shù)據中心和遷移成本。因此，該模型可以最大限度地減少遷移開銷使其適用于實踐。
　　 2.我們研究了使用不同的單目標的效率，表示出使用多目標評價的影響，找到一個最佳的解決方案，可用于控制和處理不同的情況。
　　 3.我們提出了一種新穎的

34、基于SBG MOGA算法的多目標優(yōu)化策略和增強，由加權切比雪夫法(AWTP)完成，為不同的目標調整遷移過程選擇提供了靈活的方式，有助于對不同的工作量情形找到適當?shù)倪w移決策。
　　 4.使用CloudSim仿真包進行一套密集的實驗來評估該模型。
　　 模型說明:假設所有VM是一套可能的遷移過程的一部分，由遭受工作量情況（過熱，即工作量熱點，或增加資源浪費）之一的源節(jié)點托管。在模型中，決定選擇一個或多個VM的子集遷移到其他目

35、的地節(jié)點取決于兩個階段的評價。
　　 第一階段:在基于SBG-MOGA可用的VM中，找到一個不受支配的最優(yōu)遷移的VM集合，然后用AWTP公式對最佳集合進行排列同時選擇在以下目標值中具有最佳排名的VM:一，負載量。二，功耗。三，熱狀態(tài)，第四，資源浪費，五，遷移成本。
　　 第二階段:評估遷移背后的主要目標。在這方面，我們考慮CPU使用率和內存使用情況，這反映在源節(jié)點的資源使用效率，功率效率和溫度效率。
　　 如果選

36、定的虛擬機的遷移滿足目標，程序終止，否則，程序將選定的VM移到遷移名單，更新VM行列，選擇另一個VM，重復以上動作，直到滿足目標。
　　 SBG-MOGA是一種基于靜態(tài)Bayesian博弈策略的新型MOGA。在SBG-MOGA中，每一代的進化被視為一場比賽，每個要優(yōu)化的目標視為一個球員。球員足夠聰明地知道如何選擇一個合適的策略，在游戲中得到的最大收入。該算法包含一系列回合，在每一輪中的球員相互玩，這將提供有拉力的人，將他們拉向真

37、正的Pareto前沿;此外，采用精英教育機制，見算法。
　　 值得一提的是，在我們的情況中，問題方面所有運行的虛擬機將被視為初始化的種群，代表遷移問題決策空間。選擇SBG-MOGA是因為它優(yōu)于所有現(xiàn)有的多目標優(yōu)化算法，通過6個基準函數(shù)將它與具有代表性的算法做一個比較就可以得出。
　　 實驗結果分析:我們使用相同的系統(tǒng)的配置，其在內層解決方案的第一階段實驗前已描述過。
　　 測試模擬環(huán)境安裝內容包括“PowerDa

38、taCenter”CloudSim數(shù)據中心組件，提供額外的方法來監(jiān)測電力消耗，和“DataCenterBroker“來調度數(shù)據中心的主機/服務器上的cloud-lets。模擬主機的數(shù)量接近60，000臺服務器，每個服務器配置不同大小的內存和CPU速度;此外，根據Xen的安裝指導，每一個服務器運行不同數(shù)量的Xen虛擬機，不超過32個。
　　 實驗的目的是測試基于不同的個人目標選擇遷移進程的影響，并將結果與基于多目標評價比較，表現(xiàn)出

39、所提出的遷移政策的效率，控制遷移后云系統(tǒng)統(tǒng)計數(shù)據到理想水平
　　 為了完成模擬，產生一個高達60萬GB的遷移虛擬機的集合。遷移進程是評價在各個不同的單一目標的地方，如功耗，負載量，熱狀態(tài)，資源浪費，遷移成本評估過程;接著，用多目標的策略(MOP)來評估這個遷移過程，然后記錄每個案例的統(tǒng)計數(shù)據。
　　 初看，結果表明最有效的評價目標分別是資源浪費，負載量和MOP。與選擇其他的目標，基于資源浪費的虛擬機遷移最小化目標總數(shù)百分

40、比。然而，這對有些標準卻是很有欺騙性的，如取決于內存的負載量，網絡和CPU利用率，同時資源浪費取決于使用的內存，網絡和CPU之間的差異。因此，資源浪費尺寸之間的最小差異可能導致在這些方面中之一的不良增加，結果也同樣提高了負載量。
　　 另一方面，模型遷移的統(tǒng)計結果似乎對選定的目標服務器的統(tǒng)計信息不是最具有效影響，如果在MOP數(shù)據計算過程中設置Utopia/desired的內存利用率為75％，其效果會更明顯。減少整個系統(tǒng)的資源浪費

41、，而不是超出選定目標的資源浪費，避免選擇低內存利用率的主機，終止和釋放運行中的主機，以節(jié)省更多能源。
　　 結果表明，基于我們的算法的模型能通過預定義的Utopia/desired值，為所選擇的目標服務器在各個目標中獲得最小距離換句話說，我們所提出的模型提供了很大的控制，選擇最理想的遷移過程，同時考慮所有的客觀標準。
　　 此外，為了檢查遷移量對結果的影響，就不同數(shù)量的遷移虛擬機進行實驗。首先，對遷移后的統(tǒng)計數(shù)據，根據一