Virtual machine consolidation aims at reducing the number of active physical servers in a data center so as to decrease the total power consumption. In this context, most of the existing solutions rely on aggressive virtual machine migration, thus resulting in unnecessary overhead and energy wastage. Besides, virtual machine consolidation should take into account multiple resource types at the same time, since CPU is not the only critical resource in cloud data centers. In fact, also memory and network bandwidth can become a bottleneck, possibly causing violations in the service level agreement. This article presents a virtual machine consolidation algorithm with multiple usage prediction (VMCUP-M) to improve the energy efficiency of cloud data centers. In this context, multiple usage refers to both resource types and the horizon employed to predict future utilization. Our algorithm is executed during the virtual machine consolidation process to estimate the long-term utilization of multiple resource types based on the local history of the considered servers. The joint use of current and predicted resource utilization allows for a reliable characterization of overloaded and underloaded servers, thereby reducing both the load and the power consumption after consolidation. We evaluate our solution through simulations on both synthetic and real-world workloads. The obtained results show that consolidation with multiple usage prediction reduces the number of migrations and the power consumption of the servers while complying with the service level agreement.

中文翻译：

---

具有多用途预测的虚拟机整合，用于节能云数据中心

虚拟机整合旨在减少数据中心中活动物理服务器的数量，从而降低总功耗。在这种情况下，大多数现有解决方案依赖于激进的虚拟机迁移，从而导致不必要的开销和能源浪费。此外，虚拟机整合应同时考虑多种资源类型，因为 CPU 不是云数据中心中唯一的关键资源。事实上，内存和网络带宽也可能成为瓶颈，可能导致违反服务级别协议。本文提出了一种具有多次使用预测的虚拟机整合算法 (VMCUP-M)，以提高云数据中心的能源效率。在这种情况下，多次使用是指用于预测未来利用率的资源类型和范围。我们的算法在虚拟机整合过程中执行，以根据所考虑服务器的本地历史来估计多种资源类型的长期利用率。当前资源利用率和预测资源利用率的联合使用允许对过载和负载不足的服务器进行可靠表征，从而减少整合后的负载和功耗。我们通过对合成和实际工作负载的模拟来评估我们的解决方案。获得的结果表明，具有多个使用预测的整合在遵守服务水平协议的同时减少了迁移次数和服务器的功耗。我们的算法在虚拟机整合过程中执行，以根据所考虑服务器的本地历史来估计多种资源类型的长期利用率。当前资源利用率和预测资源利用率的联合使用允许对过载和负载不足的服务器进行可靠表征，从而减少整合后的负载和功耗。我们通过对合成和实际工作负载的模拟来评估我们的解决方案。获得的结果表明，具有多个使用预测的整合在遵守服务水平协议的同时减少了迁移次数和服务器的功耗。我们的算法在虚拟机整合过程中执行，以根据所考虑服务器的本地历史来估计多种资源类型的长期利用率。当前资源利用率和预测资源利用率的联合使用允许对过载和负载不足的服务器进行可靠表征，从而减少整合后的负载和功耗。我们通过对合成和实际工作负载的模拟来评估我们的解决方案。获得的结果表明，具有多个使用预测的整合在遵守服务水平协议的同时减少了迁移次数和服务器的功耗。当前资源利用率和预测资源利用率的联合使用允许对过载和负载不足的服务器进行可靠表征，从而减少整合后的负载和功耗。我们通过对合成和实际工作负载的模拟来评估我们的解决方案。获得的结果表明，具有多个使用预测的整合在遵守服务水平协议的同时减少了迁移次数和服务器的功耗。当前资源利用率和预测资源利用率的联合使用允许对过载和负载不足的服务器进行可靠表征，从而减少整合后的负载和功耗。我们通过对合成和实际工作负载的模拟来评估我们的解决方案。获得的结果表明，具有多个使用预测的整合在遵守服务水平协议的同时减少了迁移次数和服务器的功耗。