Cloud data centers consume huge amount of electrical energy bringing about in high operating costs and carbon dioxide emissions. Virtual machine (VM) consolidation utilizes live migration of virtual machines (VMs) to transfer a VM among physical servers in order to improve the utilization of resources and energy efficiency in cloud data centers. Most of the current VM consolidation approaches tend to aggressive-migrate for some types of applications such as large capacity application such as speech recognition, image processing, and decision support systems. These approaches generate a high migration thrashing because VMs are consolidated to servers according to VM’s instant resource usage without considering their overall and long-term utilization. The proposed approach, dynamic consolidation with minimization of migration thrashing (DCMMT) which prioritizes VM with high capacity, significantly reduces migration thrashing and the number of migrations to ensure service-level agreement (SLA) since it keeps VMs likely to suffer from migration thrashing in the same physical servers instead of migrating. We have performed experiments using real workload traces compared to existing aggressive-migration-based solutions; through simulations, we show that our approach improves migration thrashing metric by about 28%, number of migrations metric by about 21%, and SLAV metric by about 19%.

中文翻译：

---

虚拟机整合和最小化云数据中心迁移威胁

云数据中心消耗大量电能，从而导致高运营成本和二氧化碳排放。虚拟机（VM）整合利用虚拟机（VM）的实时迁移在物理服务器之间传输VM，以提高云数据中心的资源利用率和能效。当前大多数VM整合方法都倾向于针对某些类型的应用程序进行积极迁移，例如语音识别，图像处理和决策支持系统之类的大容量应用程序。由于虚拟机根据虚拟机的即时资源使用情况整合到服务器，而不考虑虚拟机的整体和长期利用率，因此这些方法产生了很大的迁移麻烦。拟议的方法，动态整合，同时最大限度地减少迁移抖动（DCMMT），从而优先考虑高容量虚拟机，显着减少迁移抖动和迁移次数，以确保服务水平协议（SLA），因为它使VM可能在同一物理服务器中遭受迁移抖动的困扰而不是迁移。与现有的基于积极迁移的解决方案相比，我们使用真实的工作量跟踪进行了实验；通过仿真，我们证明了我们的方法将迁移抑制指标提高了约28％，迁移数量指标提高了约21％，SLAV指标提高了约19％。大大减少了迁移动摇，并减少了迁移次数以确保服务水平协议（SLA），因为它使VM可能在同一物理服务器中而不是在迁移中遭受迁移动摇。与现有的基于积极迁移的解决方案相比，我们使用真实的工作量跟踪进行了实验；通过仿真，我们证明了我们的方法可以将迁移抑制指标提高约28％，迁移数量指标提高约21％，SLAV指标提高约19％。大大减少了迁移动摇，并减少了迁移次数以确保服务水平协议（SLA），因为它使VM可能在同一物理服务器中而不是在迁移中遭受迁移动摇。与现有的基于积极迁移的解决方案相比，我们使用真实的工作量跟踪进行了实验；通过仿真，我们证明了我们的方法将迁移抑制指标提高了约28％，迁移数量指标提高了约21％，SLAV指标提高了约19％。