Optymalizacja wydajności maszyn wirtualnych: CPU, RAM, I/O

• Autorzy: Smogór Katarzyna

Identyfikatory

DOI

10.15199/13.2025.6.6

Warianty tytułu

EN

Optimization of Virtual Machine Performance: CPU, RAM, I/O

• Języki publikacji: PL

Abstrakty

PL

Współczesne środowiska chmurowe oparte na wirtualizacji zawdzięczają swoją efektywność optymalnemu zarządzaniu zasobami – CPU, pamięci RAM oraz operacją wejścia/wyjścia (I/O). Wyzwaniem pozostaje sprawna reakcja na przydzielenie zasobów w sposób dynamiczny, jednocześnie odpowiadający na zapotrzebowanie aplikacji zachowując sprawność obliczeniową oraz eliminując opóźnienia. W artykule zostało przedstawione podejście do optymalizacji wydajności maszyn wirtualnych z wykorzystaniem algorytmów przydziału zasobów w czasie rzeczywistym oraz harmonogramach opartych na zasobach. Wskazano trzy wiodące algorytmy wspierające efektywne zarządzanie CPU, RAM i I/O: (1) algorytm alokacji proporcjonalnej, zapewniający dynamiczny i sprawiedliwy podział zasobów w zależności od zapotrzebowania, (2) algorytm priorytetowy, umożliwiający obsługę krytycznych aplikacji w czasie rzeczywistym oraz (3) algorytm oparty na obciążeniu, który efektywnie rozkłada zasoby w środowiskach o zmiennym i intensywnym ruchu. Artykuł ukazuje strukturę i zastosowanie każdego z algorytmów, analizując ich przydatność w kontekście optymalizacji wydajności

EN

Modern cloud environments based on virtualization owe their efficiency to optimal resource management – including CPU, RAM, and input/output (I/O) operations. A key challenge remains the ability to dynamically allocate resources in response to application demands while maintaining computational efficiency and minimizing latency. This article presents an approach to optimizing virtual machine performance using real-time resource allocation algorithms and resource-based scheduling strategies. It highlights three leading algorithms that support effective management of CPU, RAM, and I/O: (1) the proportional allocation algorithm, which ensures a dynamic and fair distribution of resources based on actual demand; (2) the priority-based algorithm, which enables real-time support for critical applications; and (3) the load-based algorithm, which efficiently distributes resources in high-traffic, variable-load environments. The article outlines the structure and practical use of each algorithm, analyzing their applicability in the context of performance optimization.

Słowa kluczowe

PL

alokacja zasobów; CPU; RAM; I/O; optymalizacja wydajności; maszyny wirtualne; harmonogram oparty na zasobach; algorytmy przydziału zasobów; środowisko chmurowe

EN

resource allocation; CPU; RAM; I/O; performance optimization; virtual machines; resourse-based scheduling; resource allocation algorithms; cloud environment

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Elektronika : konstrukcje, technologie, zastosowania
• Rocznik: 2025
• Tom: Vol. 66, Nr 6
• Strony: 27--29
• Opis fizyczny: Bibliogr. 5 poz., tab.

Twórcy

autor

Smogór Katarzyna

• European Institute of Management and Technology

Bibliografia

• [1] Schuba, C. P., Zimmermann, O., & Kolb, D. (2014). Performance optimization in virtualized environments. IEEE Transactions on Cloud Computing, 3(4), 456–469. (dostęp: 06.2025)
• [2] Wang, P., He, H., & Sun, Y. (2023). Predictive Resource Management for Cloud Environments Based on Machine Learning. Future Generation Computer Systems, 139, 55–69. doi:10.1016/j.future.2023.02.004. (dostęp: 06.2025)
• [3] Stoica, I., Abdel-Wahab, H., Jeffay, K., & Baruah, S. K. (1996). A Proportional Share Resource Allocation Algorithm for Real-Time, Time-Shared Systems. Proceedings of the 17th IEEE Real-Time Systems Symposium, 288–299. (dostęp: 06.2025)
• [4] Xu, L., & Shih, K. J. (2017). Dynamic Resource Allocation and Scheduling for Virtual Machines. IEEE Transactions on Cloud Computing, 5(3), 474–487. doi:10.1109/TCC.2016.2573606. (dostęp: 06.2025)
• [5] Li, Y., Zhang, X., & Liu, H. (2022). Adaptive Resource Allocation for Virtual Machines Using Deep Reinforcement Learning. IEEE Transactions on Cloud Computing, 10(2), 320–332. doi:10.1109/TCC.2021.3054697. (dostęp: 06.2025)

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki (2025).