In the popular field of cloud computing, millions of job requests arrive at the data centre for execution. The job of the data centre is to optimally allocate virtual machines (VMs) to these job requests in order to use resources efficiently. In the future smart cities, huge amount of job requestsand data will be generated by the Internet of Things (IoT) devices which will influence the designing of optimum resource management of smart cloud environments. The present paper analyses the performance efficiency of the data centre with and without job request consolidation. First, the work load performance of the data centre was analysed without job request consolidation, exhibiting that the job requests to VM assignment was highly imbalanced, and only 5% of VMs were running with a load factor of more than 70%. Then, the technique for order of preference by similarity to ideal solution-based VM selection algorithm was applied, which was able to select the best VM using parameters such as the provisioned or available central processing unit capacity, provisioned or available memory capacity, and state of machine (running, hibernated, or available). The Bitbrains dataset consisting of 1750 VMs was used to analyse the performance of the proposed methodology. The analysis concluded that the proposed methodology was capable of serving all job requests using less than 24% VMs with improved load efficiency. The fewer number of VMs with an improved load factor guarantees energy saving and an increase in the overall running efficiency of the smart data centre environment.

中文翻译：

---

基于多准则决策的智能云环境最优虚拟机选择技术

在云计算的流行领域中，数百万个作业请求到达数据中心以执行。数据中心的任务是为这些任务请求最佳地分配虚拟机（VM），以便有效地使用资源。在未来的智慧城市中，物联网（IoT）设备将产生大量的工作请求和数据，这将影响智能云环境的最佳资源管理设计。本文分析了在有和没有工作请求合并的情况下数据中心的性能效率。首先，在不合并任务请求的情况下分析了数据中心的工作负载性能，这表明分配给VM的任务请求高度不平衡，只有5％的VM的负载率超过70％。然后，应用了与基于理想解决方案的VM选择算法相似的优先顺序技术，该技术能够使用诸如已配置或可用的中央处理单元容量，已配置或可用的内存容量以及机器状态之类的参数选择最佳VM （运行，休眠或可用）。由1750个VM组成的Bitbrains数据集用于分析所提出方法的性能。分析得出的结论是，所提出的方法能够使用少于24％的VM满足所有作业请求，并提高负载效率。具有较少负载因子的VM数量更少，可确保节能并提高智能数据中心环境的整体运行效率。能够使用诸如已配置或可用的中央处理单元容量，已配置或可用的内存容量以及计算机状态（运行，休眠或可用）之类的参数选择最佳VM。由1750个VM组成的Bitbrains数据集用于分析所提出方法的性能。分析得出的结论是，所提出的方法能够使用少于24％的VM满足所有作业请求，并提高负载效率。具有较少负载因子的VM数量更少，可确保节能并提高智能数据中心环境的整体运行效率。能够使用诸如已配置或可用的中央处理单元容量，已配置或可用的内存容量以及计算机状态（运行，休眠或可用）之类的参数选择最佳VM。由1750个VM组成的Bitbrains数据集用于分析所提出方法的性能。分析得出的结论是，所提出的方法能够使用少于24％的VM满足所有作业请求，并提高负载效率。具有较少负载因子的VM数量更少，可确保节能并提高智能数据中心环境的整体运行效率。由1750个VM组成的Bitbrains数据集用于分析所提出方法的性能。分析得出的结论是，所提出的方法能够使用少于24％的VM满足所有作业请求，并提高负载效率。具有较少负载因子的VM数量更少，可确保节能并提高智能数据中心环境的整体运行效率。由1750个VM组成的Bitbrains数据集用于分析所提出方法的性能。分析得出的结论是，所提出的方法能够使用少于24％的VM满足所有作业请求，并提高负载效率。具有较少负载因子的VM数量更少，可确保节能并提高智能数据中心环境的整体运行效率。