CN102696000A - 用于虚拟化数据中心中的协调能量管理的方法和设备 - Google Patents

用于虚拟化数据中心中的协调能量管理的方法和设备 Download PDF

Info

Publication number
CN102696000A
CN102696000A CN2011800060153A CN201180006015A CN102696000A CN 102696000 A CN102696000 A CN 102696000A CN 2011800060153 A CN2011800060153 A CN 2011800060153A CN 201180006015 A CN201180006015 A CN 201180006015A CN 102696000 A CN102696000 A CN 102696000A
Authority
CN
China
Prior art keywords
server
virtual machine
physical server
physical
virtual
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2011800060153A
Other languages
English (en)
Other versions
CN102696000B (zh
Inventor
H.张
Y-Y.苏
G.蒋
K.尤施希拉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NEC Corp
Original Assignee
NEC Laboratories America Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by NEC Laboratories America Inc filed Critical NEC Laboratories America Inc
Publication of CN102696000A publication Critical patent/CN102696000A/zh
Application granted granted Critical
Publication of CN102696000B publication Critical patent/CN102696000B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3206—Monitoring of events, devices or parameters that trigger a change in power modality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5094—Allocation of resources, e.g. of the central processing unit [CPU] where the allocation takes into account power or heat criteria
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Power Sources (AREA)
  • Debugging And Monitoring (AREA)
  • Stored Programmes (AREA)
  • Computer And Data Communications (AREA)

Abstract

一种用于协调虚拟化数据中心中的能量管理的方法和系统，所述虚拟化数据中心包括多个物理服务器和多个虚拟机（VM）。所述方法和系统包括：分析关于所述虚拟化数据中心的状态信息；从分析的状态信息确定用于服务器合并的服务器利用率目标设定；以及根据所确定的服务器利用率目标设定执行所述服务器合并。能够通过确定所述虚拟机中的每个的有效大小并且利用独立的工作负载VM布置过程、相关性察觉VM布置过程、或者迁移成本和相关性察觉VM布置过程以选择性方式将VM布置在服务器上来执行服务器合并。

Description

用于虚拟化数据中心中的协调能量管理的方法和设备
相关申请
本申请要求2010年1月13日提交的美国临时申请号为61/294,589的美国临时申请的权益，在此通过参引的方式将该美国临时申请的公开整体并入。
技术领域
本公开涉及虚拟化数据中心能量管理。更具体地，本公开涉及用于处于集群级服务器开-关（合并）管理和服务器级DVFS（动态电压和频率调节）管理的协调虚拟化数据中心能量管理的方法和设备。
背景技术
估计美国的年度数据中心能耗到2011年增长到超过1000亿千瓦时，耗费74亿美元。另一个趋势分析估计，截止到2014年，对于运行数据中心的整个的总成本，基础设施和能量成本将占据大约75%而IT将占据明显较少的25%。相对于所使用的能量的量，在新的绿色IT倡议中增加在数据中心中完成的实际计算工作量是紧迫的需要。
类似电压和频率调节这样的服务器合并和服务器特征对每瓦特的总的数据中心性能具有显著的影响。服务器合并基于以下发现，即：很多企业服务器都不是一直最大程度地使用可用的服务器资源，并且虚拟化技术有助于将多个物理服务器合并到单个高端系统上，用于实现更高的资源利用率。类似动态电压和频率调节（DVFS）这样的现代服务器功率控制特征通过根据运行时间工作负载修改处理器运行频率（电压）来驱动服务器性能近似能量比例计算。要解决的问题是通过使用集群级服务器开-关能量管理和用于服务器级能量管理的本地DVFS控制来为管理具有减小的能耗的虚拟化数据中心设计高效的解决方案。
关于服务器级功率控制，具有独立的或协同的DVFS技术。关于集群级能量管理，具有动态服务器/负载合并方法。尽管各级的解决方案可以被组合以运行虚拟化数据中心，但这些方案可能相互干涉，并且两种方案的任意组合并不一定利用了其全部的能力。还没有提出以协调的方法明确地管理这两个级的能量管理解决方案。
发明内容
此处公开了一种用于协调虚拟化数据中心中的能量管理的方法，该虚拟化数据中心包括多个物理服务器和多个虚拟机。所述方法包括：在计算机处理中分析关于虚拟化数据中心的状态信息；从分析的状态信息在计算机处理中确定用于服务器合并的服务器利用率目标设定；以及根据所确定的服务器利用率目标设定在计算机处理中执行服务器合并。
此处还公开了一种用于协调虚拟化数据中心中的能量管理的系统，该虚拟化数据中心包括多个物理服务器和多个虚拟机。该系统包括处理器，该处理器执行用于分析关于虚拟化数据中心的状态信息的指令、从分析的状态信息确定用于服务器合并的服务器利用率目标设定、并且根据所确定的服务器利用率目标设定执行服务器合并。
附图说明
图1A是示出虚拟化数据中心中的协调能量管理系统的实施例的功能框图。
图1B是图1A的系统的处理流程图。
图2是虚拟机布置决定过程的流程图。
图3是虚拟机大小测定过程的流程图。
图4A-4B是虚拟机布置算法的三个实施例的流程图。
图5是用于实现此处描述的方法和系统的计算机装置的框图。
具体实施方式
本公开提出了一种协调能量管理（COEM）系统。该COEM系统在运行虚拟化数据中心时能够实现较低能量成本，并且允许执行限定服务器过载概率的概率性服务等级协议（SLA）。
图1A是示出虚拟化数据中心14中的COEM系统10的实施例的功能框图。虚拟化数据中心14能够包括两个或更多个物理服务器15。COEM系统10包括系统状态分析部件11、虚拟机（VM）布置决定部件12、以及物理服务器15处的服务器部件13中的本地功率控制。
COEM系统10通过两个过程来协调两级能量管理。在第一过程中，系统状态分析部件11为服务器合并过程决定服务器利用率目标设定，该服务器合并过程由VM布置决定部件12来执行。在那以后，VM布置决定部件12为各个物理服务器15处的本地功率控制部件决定能量相关的管理目标，如服务器开-关或合并控制或DVFS控制目标设定。
在第二过程中，新的VM大小测定技术——在本文称为有效大小测定——被应用在VM布置决定中，该技术提高了服务器合并和服务器DVFS控制两者的性能。
图1B是图1A的COEM系统10的过程流程图。在方框101中，系统状态分析部件11分析诸如服务器工作负载和性能妨碍（performance violation）之类的虚拟化数据中心信息，并且为服务器合并过程决定服务器利用率目标设定。
在方框102中，VM布置决定部件12执行服务器合并过程。VM布置决定部件12使用VM工作负载、服务器清单、以及已有的VM寄主信息，并且通过考虑迁移成本和服务器利用率目标来生成新的VM布置决定。然后，VM布置决定部件12通知：1）用于VM相关的执行——如VM迁移（由图1A中的VMa-VMe表示）或重新启动——的可用的VM管理工具；以及2）用于能量相关的管理任务（如服务器开-管控制或DVFS控制目标设定）的各个物理服务器15处的本地功率控制部件13。
在方框103中，服务器15处的本地功率控制部件13接收关于本地功率管理的命令并且执行这些命令以满足要求。具体地，服务器15处的本地功率控制部件13管理服务器15的很多部件的功耗，这些部件包括但不局限于CPU、存储部件、磁盘和网卡。每个本地功率控制部件13动态地调整本地资源装置（例如，通过DVFS界面的CPU功率设定），使得如果能够以较低的装置功率设定来节省能量的话，那么资源利用率（例如，CPU利用率）能够保持在固定点（例如，90%）附近。诸如基于反馈环控制之类的很多方法能够用于实现本地功率控制部件13中的一个或多个，并且COEM系统10对于该实现没有明确的规定。在COEM系统10中，通过由VM布置决定部件12执行的VM合并算法以两种方式来协调本地功率控制部件13：在运行时间，通过服务器利用率目标设定来协调它们；以及2）在性能优化时，它们两者都受益于通过引入有效VM大小测定而实现的负载方差减小，如下面进一步描述的。
再次参照图1A，COEM系统10以闭环的方式管理虚拟化数据中心14。具体地，来自VM布置决定和本地功率控制部件12和13的动作影响虚拟化数据中心14的运行状态，即，在不同时间点处的虚拟化数据中心14上观察到的能耗和服务器过载的时间百分比。系统状态信息17通过反馈环16反馈到系统状态分析部件11。系统状态分析部件11通过采用正确的服务器利用率设定来响应系统状态信息17。
图2是由图1A的VM布置决定部件12执行的图1B的VM布置决定方框102的实施例的流程图。在方框201中，VM布置决定部件12执行对VM大小的测定。VM大小测定过程确定当被布置在物理服务器15上时将被分配给VM的每个物理服务器资源的量，如内存和/或CPU周期的量（例如，对于3 GHz的CPU为1 GHz)。如将进一步更详细论述的，有效大小测定通过统计多路传输原理决定VM的资源需求，该原理考虑影响该VM可被布置在其中的主机（物理服务器）的合计资源需求的多个因素。其通过内在需求和相关性察觉需求估算VM对物理服务器的合计资源需求的贡献，该内在需求是VM的自身需求（作为分布）和服务器容量的函数，该相关性察觉需求是VM的需求及其与服务器中的其他VM的资源需求的时间线（time-line）相关关系的函数。
在方框202中，VM布置决定部件12执行VM布置算法，该算法确定用于将VM布置在物理服务器15中的顺序和规则，并且该算法基于VM的有效大小测定。
图3是图2的方框201的VM大小测定过程的实施例的流程图。VM大小测定过程使用有效大小测定ES（其被定义为表示VM i的资源需求的随机变量X i ）和表示服务器j的来自已经分配给服务器j的VM的已有合计资源需求的另一个随机变量X j 。VM i（如果VM i寄主在服务器j上）的有效大小ES具有两个有效大小分量：内在需求                                               
Figure 184170DEST_PATH_IMAGE001
和相关性察觉需求
Figure 101310DEST_PATH_IMAGE002
。在方框301中，内在需求
Figure 67998DEST_PATH_IMAGE001
能够通过以下式子来表示：
Figure 463207DEST_PATH_IMAGE003
     （1）
并且，N ij 通过对以下式子求解而得到
其中，U k 是具有与X i 相同的分布的独立且相等分布（i.i.d）的随机变量，并且C j 是服务器j的服务器利用率目标。直观地，N ij 是当所有的VM都具有与VM i相同的工作负载模式（pattern）时能够打包到服务器j中而不破环概率服务等级协议(SLA)的VM的数量。概率SLA在式子（2）中被定义，式子（2）描述了：对于虚拟化数据中心14中的服务器j，由寄主在其上的VM导致的服务器j的合计资源需求（例如，CPU利用率）在任何时间超过服务器利用率阈值C j （即，服务器利用率目标设定）的概率将不高于数值p，其中p是在概率SLA中定义的服务器过载概率。
因此，在方框301中利用三个因素来计算VM i的资源需求：1）它的资源利用率历史信息，其被建模为具有它的分布信息包括平均值和方差的随机变量X i ；2）服务器容量C j ；以及3）限定服务器过载概率p的服务等级协议（SLA）。SLA在式子（2）定义如下：对于虚拟化数据中心中的服务器j，由寄主在服务器j上的VM导致的服务器j的资源利用率（例如，CPU利用率）在任何时间大于阈值C j 的概率将不高于数值p。
式子（2）被求解，以找出N ij ，N ij 是当所有的VM都具有与VM i相同的工作负载分布但是在概率上相互独立时能够被打包到服务器j中而不破环概率SLA的VM的数量。基于N ij 并基于服务器容量C j 来对式子（1）求解，并且式子（1）提供用于内在需求的值。
在方框302中，相关性察觉需求能够通过下式来表示：
Figure 491709DEST_PATH_IMAGE006
其中，和
Figure 297171DEST_PATH_IMAGE008
是随机变量X i 和X j 的方差；ρ xy 是X i 与X j 之间的相关性；而Z α 指代对于单位正态分布的α-百分点（α = 1-ρ）。例如，如果希望服务器溢流概率ρ = 0.25%，那么α = 99.75%，且Zα= 3。
因此，在方框302中，计算VM i的额外资源需求,该计算考虑VM i与其他寄主在服务器j上的VM之间的工作负载相关性。额外资源需求基于三个因素：1）VM i的资源利用率历史信息，其被建模为它的分布信息包括平均值和方差的随机变量Xi；2）从当前分配给服务器j的所有VM的合计的工作负载得到的服务器j的资源利用率历史信息，其被建模为它的分布信息包括负载方差的随机变量X j ；以及3）限定服务器过载概率p的SLA，同样是为方框301定义的。通过找出
Figure 477486DEST_PATH_IMAGE009
与
Figure 231815DEST_PATH_IMAGE010
之间的差来对式子（3）进行求解，其中
Figure 906510DEST_PATH_IMAGE009
是考虑了Xi与Xj之间的相关性的服务器j上的总工作负载的期望负载变化，
Figure 429895DEST_PATH_IMAGE010
是假定Xi与Xj之间没有相关性时服务器j上的总工作负载的期望负载变化。式子（3）的结果在此被称为相关性察觉需求
Figure 46690DEST_PATH_IMAGE001
。
在方框303中，VM i（如果寄主在服务器j上）的有效大小ES ij 通过将内在需求与相关性察觉需求组合来确定：
ES ij  = 
Figure 288316DEST_PATH_IMAGE005
 + .
    图4A-4B是VM布置算法202的三个实施例的流程图，各个图基于图3的有效大小测定过程。VM布置算法202的三个实施例每个都提供了算法简单性、合并效率和VM迁移成本的不同平衡，并且意在于不同的合并方案。图4A是呈现同类服务器的集群并且使用一种数据结构的独立工作负载（IW）VM布置算法的流程图，其中该数据结构包括具有负载分布的VM列表和包括服务器利用率目标和在概率SLA中定义的服务器溢流概率p的物理服务器列表。在方框401中，利用上述式子（1）和（2）来计算VM列表中的每个VM i的有效大小ES。在方框402中，根据在方框401中计算出的它们的有效大小按照降序对VM进行分类。在方框403中，根据在方框402中确定的顺序将每个VM i布置在具有足够的剩余容量的物理服务器列表的第一物理服务器15上，足够的剩余容量即指所分配的VM有效大小的总和不大于服务器利用率目标或者换言之，当前的要布置的VM的有效大小增加到该VM之前的所有VM的有效大小中以及VM i在当前的服务器j上的布置导致总的值不大于服务器利用率目标。方框403的过程被重复，直至所有的VM都已经被布置在物理服务器列表中的物理服务器15上或者作为选择，当虚拟化数据中心在布置过程中间超出服务器容量时，应用负载平衡方案（例如，最大-最小负载平衡）从而完成剩余的VM的布置，其中有效大小测定在确定VM的资源需求中仍适用。
实践中，在没有简单负载模型的情况下可能在方框401中难以对式子（2）进行求解，其中术语“负载”指的是VM的资源利用率（例如，CPU利用率）。在一个实施例中，能够通过使用用于逼近的正态分布模型以及通过基于其负载（即，资源利用率历史信息）对每个VM i计算两个数（μ i , σ i ）来对式子（2）求解，其中u i 是平均负载，而σ i 是负载标准偏差。在正态分布下对式子（2）的闭型求解为：
 
Figure 144593DEST_PATH_IMAGE012
    如果服务器的集群是同类的并因此防止了在方框403之前计算出VM的有效大小，那么方框401和402能够被修改以使布置顺序基于μ i +Za σ i 的值，并且能够在方框403中在目标服务器中使用实际的有效大小。为了将服务器功率效率因素结合到该过程中，能够在方框403中通过功率效率度量按照降序对服务器列表中的服务器15进行分类。诸如服务器内存之类的其他资源限制能够通过在判断服务器的可用性时将其添加在方框403的过程中而在该过程中被考虑。
图4B是呈现同类服务器的集群并且使用一种数据结构的相关性察觉（CA）VM布置算法的流程图，其中所述数据结构包括具有负载分布的VM列表和包括服务器利用率目标和溢流概率的物理服务器列表。在方框501中，利用式子（1）和（2）来计算每个VM的内在负载
Figure 666710DEST_PATH_IMAGE001
。在方框502中，根据VM的内在负载按照降序来对VM进行分类。在方框503中，根据在方框502中确定的顺序将每个VM i布置在物理服务器列表中的最佳的非闲置物理服务器15上（即，利用式子（3）产生对于VM i的最小相关性察觉需求），该最佳的非闲置物理服务器15被确定为具有足够的剩余容量并且利用式子（3）产生对于VM i的最小相关性察觉需求
Figure 412130DEST_PATH_IMAGE002
。如果没有这种服务器可用，那么从物理服务器列表中选择下一个闲置的服务器15，该服务器15被确定为具有足够的剩余容量并且利用式子（3）产生对于i的最小相关性察觉需求
Figure 910107DEST_PATH_IMAGE013
，如此类推，直至VM i布置在服务器15中的一个上。方框503的过程被重复，直至所有的VM都已经被布置在服务器列表中所列出的物理服务器15上，或者作为选择，当虚拟化数据中心在布置过程中间超出服务器容量时，应用负载平衡方案（例如，最大-最小负载平衡）以完成剩余的VM的布置，其中有效大小测定在确定VM的资源需求中仍然适用。
如果服务器的集群是同类的并因此防止了在方框503之前计算出VM的有效大小，那么方框501和502能够被修改以使布置顺序基于μ i +Za σ i 的值，该值与服务器无关；并且在方框503中，将利用式子（1）和（2）对于内在负载计算目标服务器中的实际有效大小，并且利用式子（3）计算相关性察觉需求。为了将服务器功率效率因素结合到该过程中，在方框503中通过功率效率度量可按照降序对服务器列表中的服务器15进行分类。诸如服务器存储部件之类的其他资源限制能够通过在判断服务器的可用性时将其添加到方框503的过程中而在该过程中被考虑。
图4C是迁移成本和相关性察觉（CA）VM布置算法的流程图，其使用如下的数据结构：该数据结构包括具有负载分布的VM列表，包括服务器负载信息、服务器利用率目标以及溢流概率的物理服务器列表，以及已有的VM寄主信息（VM i，服务器j）。在方框601中，物理服务器列表中的物理服务器通过服务器负载按照降序被分类。在方框602中，对于每个具有妨碍的SLA（服务器溢流概率 > ρ）的过载的服务器j，（a）利用式子（3）通过其相关性察觉需求
Figure 892142DEST_PATH_IMAGE011
按照降序对寄主在过载的服务器j上的VM进行分类；（b）根据在（a）中确定的顺序将VM i布置在物理服务器列表中的最佳的非闲置且负载不足的服务器k中，该服务器k具有足够的剩余容量并且产生最小相关性察觉需求
Figure 842781DEST_PATH_IMAGE014
，即，所分配的VM有效尺寸的总和不大于服务器利用率目标，或者换言之，当前要布置的VM的有效大小被增加到该VM之前的所有VM的有效大小中以及VM i在当前的服务器j上的布置导致总的值不大于服务器利用率目标。如果没有这种服务器可用，那么从服务器列表中选择下一个闲置的服务器，如此类推，直至VM i布置在服务器上；以及（c）如果服务器j的负载满足移除VM i之后的溢流限制，那么检索过程对于该服务器终止，并且过程移动到下一个过载的服务器；否则，检索过程对于剩余的VM（即，在（a）中设定为寄主在服务器j上的VM）继续。在（c）中，VM迁移到过载的服务器j之外，使得服务器j的合计的工作负载将降的足够低，以满足服务器过载概率p上限定的SLA。
在方框603中，通过服务器负载按照升序对剩余的负载不足的服务器进行分类。在方框604中，对于处于在方框603中确定的顺序中的每个负载不足的服务器j，服务器上的每个VM i被布置在物理服务器列表中的最佳的非闲置且负载不足的服务器k上或迁移到在物理服务器列表中的最佳的非闲置且负载不足的服务器，该服务器k具有足够的剩余容量并且利用式子（3）产生最小相关性察觉需求
Figure 662969DEST_PATH_IMAGE014
。如果没有这种服务器可用，那么检索过程对于该服务器终止，并且过程移动到下一个负载不足的服务器。当该服务器中的所有VM都找到要迁往的目标负载不足服务器时，该服务器被标为闲置服务器并且所有的VM都迁移出该服务器。闲置服务器然后被关机以节省能量。注意，VM可以以不同的服务器结束，因为方框604是一个接一个地按顺序在VM上执行的。
为了在该过程中考虑服务器功率效率因素，能够通过方框602和603的过程中的功率效率量度按照降序对服务器按顺序进行分类，即功率效率更高的服务器在该顺序上更高；并且将通过负载按照升序对具有相同的功率效率的服务器进行分类。诸如存储部件之类的其他资源限制能够通过在判断服务器的可用性时将其增加到方框602和603的过程中而在该过程中被考虑。
本公开的方法可以通过适当编程的计算机设备来执行，该计算机设备的配置是本领域众所周知的。例如，可以利用众所周知的计算机处理器、存储装置单元、存储设备、计算机软件和其他模块等来实现适当的计算机设备。计算机设备的非限制性实施例的框图示出在图5中并且用附图标记500表示。计算机设备500非限制性地包括处理器504，处理器504通过执行对应于本公开的方法的计算机程序指令来控制计算机设备500的整体运行。计算机程序指令能够存储在存储设备508（例如，磁盘）中并且在需要执行计算机程序指令时被加载到存储器512中。计算机设备500还包括用于与其他设备（例如，逻辑地或者通过网络）通信的一个或多个接口516。计算机设备500还包括输入/输出设备520，输入/输出设备520代表了允许用户与计算机设备500的交互的装置（例如，显示器、键盘、鼠标、扬声器、按钮，等等）。
本领域普通技术人员将认识到，执行对应于本公开的方法的计算机程序指令的计算机设备的实际实施方式还可以包括其他的元件，并且图5是用于示例的计算机设备的一些元件的高水平的表示。另外，执行对应于本公开的方法的计算机程序指令的计算机设备可以是较大的设备或系统的组成部分。此外，本领域技术人员将认识到，本文描述的方法也可以利用专用的硬件来执行，这种硬件的电路特别地配置为执行所述方法。可替代地，所述方法可以利用硬件和软件的多种组合来实现。
尽管此处已经描述并图示了示例性的附图和具体的实施例，但应当理解，本公开的范围不局限于所论述的特定实施例。因此，这些实施例应当被认作是示例性而非限制性的，并且应当理解，在不偏离如在所附权利要求及其结构和功能方面的等同设置中所阐释的本发明的范围的情况下，可以由本领域技术人员在这些实施例中进行变型。

Claims (30)

1. 一种用于协调虚拟化数据中心中的能量管理的方法，所述虚拟化数据中心包括多个物理服务器和多个虚拟机，所述方法包括步骤：
在计算机处理中分析关于所述虚拟化数据中心的状态信息；
根据分析的状态信息，在计算机处理中确定用于服务器合并的服务器利用率目标设定；以及
根据所确定的服务器利用率目标设定在计算机处理中执行所述服务器合并。
2.根据权利要求1所述的方法，其中，执行服务器合并的步骤包括以下步骤：
确定所述虚拟机中的每个的有效大小，所述虚拟机中的每个的有效大小用于确定当虚拟机被布置在所述物理服务器中的一个上时所述虚拟机将被分配的服务器资源的量；以及
以选择性方式将所述虚拟机布置在所述服务器上。
3.根据权利要求2所述的方法，其中，确定所述虚拟机的有效大小的步骤包括以下步骤：
计算所述虚拟机的内在资源需求；
计算相关性察觉资源需求，所述相关性察觉资源需求考虑所述虚拟机与寄主在所选择的服务器上的其他虚拟机之间的工作负载；以及
将所述内在资源需求与所述相关性察觉资源需求相结合。
4.根据权利要求2所述的方法，其中，以选择性方式将所述虚拟机布置在服务器上的步骤包括以下步骤：
（a）根据所述虚拟机的计算出的内在负载按照降序对所述虚拟机进行分类；
（b）根据在步骤（a）中获得的顺序将所述虚拟机布置在所述物理服务器中具有足够的剩余容量的第一服务器上；以及
（c）重复步骤（b），直至所有的虚拟机都布置在所述物理服务器上。
5.根据权利要求4所述的方法，其中，如果在步骤（b）的重复期间，具有足够的剩余容量的物理服务器在布置所有的虚拟机之前变为耗尽，则所述方法还包括以下步骤：
（d）将负载平衡应用到所述虚拟机中的剩余的虚拟机，直至所述虚拟机中的所有剩余的虚拟机都布置在所述物理服务器上。
6.根据权利要求4所述的方法，其中，在步骤（b）和（c）之前，所述方法还包括以下步骤：
（e）根据所述物理服务器的相应的功率效率度量按照降序对所述物理服务器进行分类。
7.根据权利要求2所述的方法，其中，以选择性方式将所述虚拟机布置在服务器上的步骤包括以下步骤：
（a）根据所述虚拟机的内在负载按照降序对所述虚拟机进行分类；
（b）根据在步骤（a）中获得的顺序将所述虚拟机布置在所述物理服务器中对虚拟机中的相应虚拟机产生最小相关性察觉需求并且具有足够的剩余容量的非闲置物理服务器上；
（c）如果所述服务器中的非闲置服务器对所述虚拟机中的一个或多个不可用，则将所述一个或多个虚拟机布置在所述物理服务器中对虚拟机中的相应虚拟机产生最小相关性察觉需求并且具有足够的剩余容量的闲置物理服务器上；
（d）重复步骤（b）和（c），直至所有的虚拟机都布置在所述物理服务器上。
8.根据权利要求7所述的方法，其中，如果在重复步骤（b）和（c）期间具有足够的剩余容量的物理服务器在布置所有的虚拟机之前变为耗尽，则所述方法还包括以下步骤：
（e）将负载平衡应用到所述虚拟机中的剩余的虚拟机，直至所述虚拟机中的所有剩余的虚拟机都布置在所述物理服务器上。
9.根据权利要求7所述的方法，其中，在步骤（b）、（c）和（d）之前，所述方法还包括以下步骤：
（f）根据所述物理服务器的相应的功率效率度量按照降序对所述物理服务器进行分类。
10.根据权利要求2所述的方法，其中，以选择性方式将所述虚拟机布置在服务器上的步骤包括以下步骤：
根据服务器负载按照降序对所述物理服务器进行分类，其中顺序从过载服务器向负载不足服务器减小。
11.根据权利要求10所述的方法，还包括以下步骤：
（a）根据在分类步骤中实现的顺序选择所述过载物理服务器中的一个；
（b）通过当布置在所述过载服务器上时计算出的它们的相关性察觉需求，按照降序对寄主在所选择的过载物理服务器上的虚拟机进行分类；
（c）移除寄主在过载物理服务器上的虚拟机并根据在步骤（b）中获得的顺序将移除的虚拟机布置在所述物理服务器中对虚拟机中相应的虚拟机产生最小相关性察觉需求并且具有足够的剩余容量的非闲置且负载不足的物理服务器上；
（d）如果所述服务器中的非闲置且负载不足的服务器对布置所述虚拟机中的一个或多个不可用，则将被移除的虚拟机中的所述一个或多个布置在所述物理服务器中对虚拟机中相应的虚拟机产生最小相关性察觉需求并且具有足够的剩余容量的闲置物理服务器上；以及
（e）一旦所选择的过载物理服务器不再过载，则终止所述虚拟机从所选择的过载物理服务器的移除；
（f）选择所述过载物理服务器中的另一个并且重复步骤（b）至（e），直至所有的虚拟机都布置在所述物理服务器上。
12.根据权利要求11所述的方法，还包括以下步骤：
（g）通过服务器负载按照升序对所述负载不足服务器中剩余的服务器进行分类；
（h）对于在步骤（g）中确定的顺序中的每个负载不足服务器，移除寄主在该服务器上的每个虚拟机并将移除的虚拟机布置在所述物理服务器中的具有足够的剩余容量并且产生最小相关性察觉需求的非闲置且负载不足的一个物理服务器上；
（i）如果所有的虚拟机都已从该服务器移除，则将每个负载不足物理服务器标为闲置。
13.根据权利要求11所述的方法，其中，在步骤（a）之前，所述方法还包括以下步骤：
根据所述物理服务器的过载服务器的相应的功率效率度量按照降序对所述过载服务器进行分类。
14.根据权利要求12所述的方法，其中，在步骤（g）之前，所述方法还包括以下步骤：
根据所述物理服务器的负载不足服务器的相应的功率效率度量按照降序对所述负载不足服务器进行分类。
15.根据权利要求2所述的方法，还包括根据布置在该服务器上的虚拟机的合计的有效大小调整该服务器的能量状态的步骤。
16.一种用于协调虚拟化数据中心中的能量管理的系统，所述虚拟化数据中心包括多个物理服务器和多个虚拟机，所述系统包括：
处理器执行指令，以便：
    分析关于所述虚拟化数据中心的状态信息；
    从所分析的状态信息确定用于服务器合并的服务器利用率目标设定；以及
    根据所确定的服务器利用率目标设定执行所述服务器合并。
17.根据权利要求16所述的系统，其中，用于执行服务器合并的指令包括如下指令，这些指令用于：
确定所述虚拟机中的每个的有效大小，所述虚拟机中的每个的有效大小用于确定当虚拟机被布置在所述物理服务器中的一个上时所述虚拟机将被分配的服务器资源的量；以及
以选择性方式将所述虚拟机布置在服务器上。
18.根据权利要求17所述的系统，其中，用于确定所述虚拟机的有效大小的指令包括如下指令，这些指令用于：
计算所述虚拟机的内在资源需求；
计算相关性察觉资源需求，所述相关性察觉资源需求考虑所述虚拟机与寄主在所选择的服务器上的其他虚拟机之间的工作负载；以及
将所述内在资源需求与所述相关性察觉资源需求相结合。
19.根据权利要求17所述的系统，其中，用于以选择性方式将所述虚拟机布置在服务器上的指令包括如下指令，这些指令用于：
（a）根据所述虚拟机的计算出的内在负载按照降序对所述虚拟机进行分类；
（b）根据在（a）中获得的顺序将所述虚拟机布置在所述物理服务器中具有足够的剩余容量的第一服务器上；以及
（c）重复（b），直至所有的虚拟机都布置在所述物理服务器上。
20.根据权利要求19所述的系统，其中，如果在重复（b）期间具有足够的剩余容量的物理服务器在布置所有的虚拟机之前变成耗尽，则所述系统还包括如下指令，这些指令用于：
（d）向所述虚拟机中的剩余的虚拟机应用负载平衡，直至所述虚拟机中的所有剩余的虚拟机都布置在所述物理服务器上。
21. 根据权利要求19所述的系统，其中，在（b）和（c）之前，所述系统还包括如下指令，这些指令用于：
（e）根据所述物理服务器的相应的功率效率度量按照降序对所述物理服务器进行分类。
22.根据权利要求17所述的系统，其中，用于以选择性方式将所述虚拟机布置在服务器上的指令包括如下指令，这些指令用于：
（a）根据所述虚拟机的内在负载按照降序对所述虚拟机进行分类；
（b）根据在（a）中获得的顺序将所述虚拟机布置在所述物理服务器中对虚拟机中相应的虚拟机产生最小相关性察觉需求并且具有足够的剩余容量的非闲置物理服务器上；
（c）如果所述服务器中的非闲置服务器对所述虚拟机中的一个或多个不可用，则将所述一个或多个虚拟机布置在所述物理服务器中对虚拟机中相应的虚拟机产生最小相关性察觉需求并且具有足够的剩余容量的闲置物理服务器上；
（d）重复（b）和（c），直至所有的虚拟机都布置在所述物理服务器上。
23.根据权利要求22所述的系统，其中，如果在重复（b）和（c）期间具有足够的剩余容量的物理服务器在所有的虚拟机布置之前变得耗尽，则所述系统还包括如下指令，这些指令用于：
（e）向所述虚拟机中的剩余的虚拟机应用负载平衡，直至所述虚拟机中的所有剩余的虚拟机都布置在所述物理服务器上。
24.根据权利要求22所述的系统，其中，在（b）、（c）和（d）之前，所述系统还包括如下指令，这些指令用于：
（f）根据所述物理服务器的相应的功率效率度量按照降序对所述物理服务器进行分类。
25.根据权利要求17所述的系统，其中，用于以选择性方式将所述虚拟机布置在服务器上的指令包括如下指令，这些指令用于：
根据服务器负载按照降序对所述物理服务器进行分类，其中顺序从过载服务器向负载不足服务器减小。
26.根据权利要求25所述的系统，还包括如下指令，这些指令用于：
（a）根据在分类步骤中实现的顺序选择所述过载物理服务器中的一个；
（b）通过其相关性察觉需求按照降序对寄主在所选择的过载物理服务器上的虚拟机进行分类；
（c）移除寄主在过载物理服务器上的虚拟机并根据在（b）中获得的顺序将移除的虚拟机布置在所述物理服务器中对虚拟机中相应的虚拟机产生最小相关性察觉需求并且具有足够的剩余容量的非闲置且负载不足的物理服务器上；
（d）如果所述服务器中的非闲置且负载不足的服务器对布置所述虚拟机中的一个或多个不可用，则将被移除的虚拟机中的所述一个或多个布置在所述物理服务器中对虚拟机中相应的虚拟机产生最小相关性察觉需求并且具有足够的剩余容量的闲置物理服务器上；以及
（e）一旦所选择的过载物理服务器不再过载，则终止所述虚拟机从所选择的过载物理服务器的移除；
（f）选择所述过载物理服务器中的另一个并且重复（b）至（e），直至所有的虚拟机都布置在所述物理服务器上。
27.根据权利要求26所述的系统，还包括如下指令，这些指令用于：
（g）通过服务器负载按照升序对所述负载不足服务器中剩余的服务器进行分类；
（h）对于在（g）中确定的顺序中的每个负载不足服务器，移除寄主在该服务器上的每个虚拟机并将移除的虚拟机布置在所述物理服务器中的具有足够的剩余容量并且产生最小相关性察觉需求的非闲置且负载不足的一个物理服务器上；
（i）如果所有的虚拟机都已从该服务器移除，则将每个负载不足物理服务器标为闲置。
28.根据权利要求26所述的系统，其中，在（a）之前，所述系统还包括如下指令，这些指令用于：
根据所述物理服务器的过载服务器的相应的功率效率度量按照降序对所述物理服务器的过载服务器进行分类。
29. 根据权利要求27所述的系统，其中，在（g）之前，所述系统还包括如下指令，这些指令用于：
根据所述物理服务器的负载不足服务器的相应的功率效率度量按照降序对所述物理服务器的负载不足服务器进行分类。
30.根据权利要求17所述的系统，还包括用于根据布置在该服务器上的虚拟机的合计的有效大小来调节该服务器的能量状态的指令。
CN201180006015.3A 2010-01-13 2011-01-13 用于虚拟化数据中心中的协调能量管理的方法和设备 Expired - Fee Related CN102696000B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US29458910P 2010-01-13 2010-01-13
US61/294,589 2010-01-13
US13/004,063 2011-01-11
US13/004,063 US8402140B2 (en) 2010-01-13 2011-01-11 Methods and apparatus for coordinated energy management in virtualized data centers
PCT/US2011/021206 WO2011088261A2 (en) 2010-01-13 2011-01-13 Methods and apparatus for coordinated energy management in virtualized data centers

Publications (2)

Publication Number Publication Date
CN102696000A true CN102696000A (zh) 2012-09-26
CN102696000B CN102696000B (zh) 2015-04-08

Family

ID=44259374

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201180006015.3A Expired - Fee Related CN102696000B (zh) 2010-01-13 2011-01-13 用于虚拟化数据中心中的协调能量管理的方法和设备

Country Status (4)

Country Link
US (1) US8402140B2 (zh)
EP (1) EP2524277B1 (zh)
CN (1) CN102696000B (zh)
WO (1) WO2011088261A2 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103731466A (zh) * 2012-10-11 2014-04-16 国际商业机器公司 支持虚拟资源组合决策的设备和方法
CN106326002A (zh) * 2015-07-10 2017-01-11 阿里巴巴集团控股有限公司 资源调度方法、装置及设备
CN107423109A (zh) * 2017-05-24 2017-12-01 兰雨晴 基于匿名随机变量的虚拟机节能调度方法
CN108139943A (zh) * 2015-09-30 2018-06-08 思博伦通信公司 计算机负载的多个维度的准确生成

Families Citing this family (55)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8478878B2 (en) * 2010-03-11 2013-07-02 International Business Machines Corporation Placement of virtual machines based on server cost and network cost
US8732310B2 (en) * 2010-04-22 2014-05-20 International Business Machines Corporation Policy-driven capacity management in resource provisioning environments
US9245246B2 (en) 2010-04-22 2016-01-26 International Business Machines Corporation Capacity over-commit management in resource provisioning environments
US8745633B2 (en) * 2010-05-11 2014-06-03 Lsi Corporation System and method for managing resources in a partitioned computing system based on resource usage volatility
US8745207B2 (en) * 2010-07-15 2014-06-03 Lsi Corporation System and method for managing computer applications running among computing systems based on their resource usage volatility
US9304867B2 (en) 2010-09-28 2016-04-05 Amazon Technologies, Inc. System and method for providing flexible storage and retrieval of snapshot archives
US8688660B1 (en) 2010-09-28 2014-04-01 Amazon Technologies, Inc. System and method for providing enhancements of block-level storage
JP5729466B2 (ja) 2011-04-20 2015-06-03 日本電気株式会社 仮想マシン管理装置、仮想マシン管理方法、及び、プログラム
US8769531B2 (en) * 2011-05-25 2014-07-01 International Business Machines Corporation Optimizing the configuration of virtual machine instances in a networked computing environment
TW201305824A (zh) * 2011-07-21 2013-02-01 Hon Hai Prec Ind Co Ltd 電源管理系統及方法
DE102012217202B4 (de) * 2011-10-12 2020-06-18 International Business Machines Corporation Verfahren und System zum Optimieren des Platzierens virtueller Maschinen in Cloud-Computing-Umgebungen
CN102541622B (zh) * 2011-12-15 2014-08-13 杭州电子科技大学 一种负载相关的虚拟机放置方法
US8959228B2 (en) * 2011-12-23 2015-02-17 Empire Technology Development Llc Optimization of resource utilization in a collection of devices
US8762525B2 (en) * 2012-03-08 2014-06-24 International Business Machines Corporation Managing risk in resource over-committed systems
US9110600B1 (en) 2012-03-19 2015-08-18 Amazon Technologies, Inc. Triggered data shelving to a different storage system and storage deallocation
CN102662750A (zh) * 2012-03-23 2012-09-12 上海交通大学 基于弹性虚拟机池的虚拟机资源优化控制方法及其系统
US8959523B2 (en) 2012-03-30 2015-02-17 International Business Machines Corporation Automated virtual machine placement planning using different placement solutions at different hierarchical tree levels
US9804993B1 (en) 2012-05-07 2017-10-31 Amazon Technologies, Inc. Data volume placement techniques
US9823840B1 (en) 2012-05-07 2017-11-21 Amazon Technologies, Inc. Data volume placement techniques
US9246996B1 (en) 2012-05-07 2016-01-26 Amazon Technologies, Inc. Data volume placement techniques
US11379354B1 (en) 2012-05-07 2022-07-05 Amazon Technologies, Inc. Data volume placement techniques
US9503517B1 (en) 2012-05-07 2016-11-22 Amazon Technologies, Inc. Data volume placement techniques
US9342370B2 (en) 2012-05-30 2016-05-17 International Business Machines Corporation Server migration
US8849695B2 (en) * 2012-08-15 2014-09-30 Haengju Lee Energy efficiency improvements in cloud-based environments
US9195490B2 (en) 2013-07-09 2015-11-24 Empire Technology Development Llc Differential voltage and frequency scaling (DVFS) switch reduction
US9391919B2 (en) 2013-08-14 2016-07-12 International Business Machines Corporation Adaptive algorithm for cloud admission policies
US9851726B2 (en) 2013-09-04 2017-12-26 Panduit Corp. Thermal capacity management
US9563385B1 (en) 2013-09-16 2017-02-07 Amazon Technologies, Inc. Profile-guided data preloading for virtualized resources
US10250673B1 (en) 2014-03-14 2019-04-02 Amazon Technologies, Inc. Storage workload management using redirected messages
CN104298536A (zh) * 2014-10-09 2015-01-21 南京大学镇江高新技术研究院 基于动态调频调压技术的数据中心节能调度方法
US10505862B1 (en) * 2015-02-18 2019-12-10 Amazon Technologies, Inc. Optimizing for infrastructure diversity constraints in resource placement
US10715460B2 (en) 2015-03-09 2020-07-14 Amazon Technologies, Inc. Opportunistic resource migration to optimize resource placement
US9864640B2 (en) 2015-08-14 2018-01-09 International Business Machines Corporation Controlling virtual machine density and placement distribution in a converged infrastructure resource pool
CN106559451B (zh) * 2015-09-29 2020-09-08 新华三技术有限公司 用户迁移方法和装置
US10395219B1 (en) * 2015-12-18 2019-08-27 Amazon Technologies, Inc. Location policies for reserved virtual machine instances
US10437623B2 (en) * 2015-12-24 2019-10-08 Intel IP Corporation Fast switching between virtual machines without interrupt virtualization for high-performance, secure trusted-execution environment
US11012504B2 (en) * 2016-06-28 2021-05-18 Alcatel Lucent Method and apparatus for query selection and admission (QSA) optimization for IoT and other applications
US10509671B2 (en) 2017-12-11 2019-12-17 Afiniti Europe Technologies Limited Techniques for behavioral pairing in a task assignment system
US10417035B2 (en) 2017-12-20 2019-09-17 At&T Intellectual Property I, L.P. Virtual redundancy for active-standby cloud applications
US10452296B1 (en) 2018-03-23 2019-10-22 Amazon Technologies, Inc. Accelerated volumes
US10776173B1 (en) 2018-04-30 2020-09-15 Amazon Technologies, Inc. Local placement of resource instances in a distributed system
US10459655B1 (en) 2018-04-30 2019-10-29 Amazon Technologies, Inc. Rapid volume backup generation from distributed replica
US11023157B2 (en) 2018-04-30 2021-06-01 Amazon Technologies, Inc. Intermediary duplication to facilitate copy requests in distributed storage systems
US11343314B1 (en) 2018-04-30 2022-05-24 Amazon Technologies, Inc. Stream-based logging for distributed storage systems
US10768835B1 (en) 2018-06-27 2020-09-08 Amazon Technologies, Inc. Opportunistic storage service
US10795715B2 (en) 2018-06-28 2020-10-06 At&T Intellectual Property I, L.P. Cloud oversubscription system
US11121981B1 (en) 2018-06-29 2021-09-14 Amazon Technologies, Inc. Optimistically granting permission to host computing resources
US10956442B1 (en) 2018-07-30 2021-03-23 Amazon Technologies, Inc. Dedicated source volume pool for accelerated creation of block data volumes from object data snapshots
US10931750B1 (en) 2018-07-30 2021-02-23 Amazon Technologies, Inc. Selection from dedicated source volume pool for accelerated creation of block data volumes
US10956230B2 (en) * 2018-10-01 2021-03-23 Vmware, Inc. Workload placement with forecast
US11068192B1 (en) 2019-03-26 2021-07-20 Amazon Technologies, Inc. Utilizing mutiple snapshot sources for creating new copy of volume in a networked environment wherein additional snapshot sources are reserved with lower performance levels than a primary snapshot source
US10983719B1 (en) 2019-03-28 2021-04-20 Amazon Technologies, Inc. Replica pools to support volume replication in distributed storage systems
US11262918B1 (en) 2020-09-30 2022-03-01 Amazon Technologies, Inc. Data storage system with uneven drive wear reduction
US11895181B2 (en) * 2020-12-04 2024-02-06 Schneider Electric It Corporation Power optimization of microserver loads
US11526286B1 (en) 2021-06-29 2022-12-13 Amazon Technologies, Inc. Adaptive snapshot chunk sizing for snapshots of block storage volumes

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101222518A (zh) * 2006-12-27 2008-07-16 国际商业机器公司 用于处理应用程序协议请求的方法和系统
US20080234873A1 (en) * 2007-03-21 2008-09-25 Eugene Gorbatov Power efficient resource allocation in data centers
US20090106571A1 (en) * 2007-10-21 2009-04-23 Anthony Low Systems and Methods to Adaptively Load Balance User Sessions to Reduce Energy Consumption
US20090187782A1 (en) * 2008-01-23 2009-07-23 Palo Alto Research Center Incorporated Integrated energy savings and business operations in data centers
US20090265568A1 (en) * 2008-04-21 2009-10-22 Cluster Resources, Inc. System and method for managing energy consumption in a compute environment
CN101593133A (zh) * 2009-06-29 2009-12-02 北京航空航天大学 虚拟机资源负载均衡方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050060590A1 (en) * 2003-09-16 2005-03-17 International Business Machines Corporation Power-aware workload balancing usig virtual machines
US8291411B2 (en) * 2007-05-21 2012-10-16 International Business Machines Corporation Dynamic placement of virtual machines for managing violations of service level agreements (SLAs)
CN102099790B (zh) * 2008-10-30 2012-12-19 株式会社日立制作所 信息处理系统的运用管理装置
US8214829B2 (en) * 2009-01-15 2012-07-03 International Business Machines Corporation Techniques for placing applications in heterogeneous virtualized systems while minimizing power and migration cost
US8694638B2 (en) * 2009-06-29 2014-04-08 Red Hat Israel Selecting a host from a host cluster to run a virtual machine
US9122537B2 (en) * 2009-10-30 2015-09-01 Cisco Technology, Inc. Balancing server load according to availability of physical resources based on the detection of out-of-sequence packets

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101222518A (zh) * 2006-12-27 2008-07-16 国际商业机器公司 用于处理应用程序协议请求的方法和系统
US20080234873A1 (en) * 2007-03-21 2008-09-25 Eugene Gorbatov Power efficient resource allocation in data centers
US20090106571A1 (en) * 2007-10-21 2009-04-23 Anthony Low Systems and Methods to Adaptively Load Balance User Sessions to Reduce Energy Consumption
US20090187782A1 (en) * 2008-01-23 2009-07-23 Palo Alto Research Center Incorporated Integrated energy savings and business operations in data centers
US20090265568A1 (en) * 2008-04-21 2009-10-22 Cluster Resources, Inc. System and method for managing energy consumption in a compute environment
CN101593133A (zh) * 2009-06-29 2009-12-02 北京航空航天大学 虚拟机资源负载均衡方法及装置

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103731466A (zh) * 2012-10-11 2014-04-16 国际商业机器公司 支持虚拟资源组合决策的设备和方法
US10834012B2 (en) 2012-10-11 2020-11-10 International Business Machines Corporation Device and method supporting virtual resource combination decisions
CN106326002A (zh) * 2015-07-10 2017-01-11 阿里巴巴集团控股有限公司 资源调度方法、装置及设备
CN106326002B (zh) * 2015-07-10 2020-10-20 阿里巴巴集团控股有限公司 资源调度方法、装置及设备
CN108139943A (zh) * 2015-09-30 2018-06-08 思博伦通信公司 计算机负载的多个维度的准确生成
CN108139943B (zh) * 2015-09-30 2020-05-12 思博伦通信公司 计算机负载的多个维度的准确生成
CN107423109A (zh) * 2017-05-24 2017-12-01 兰雨晴 基于匿名随机变量的虚拟机节能调度方法
CN107423109B (zh) * 2017-05-24 2020-05-01 兰雨晴 基于匿名随机变量的虚拟机节能调度方法

Also Published As

Publication number Publication date
EP2524277B1 (en) 2017-08-02
WO2011088261A3 (en) 2011-11-17
US20110173329A1 (en) 2011-07-14
US8402140B2 (en) 2013-03-19
CN102696000B (zh) 2015-04-08
EP2524277A4 (en) 2015-01-14
WO2011088261A2 (en) 2011-07-21
EP2524277A2 (en) 2012-11-21

Similar Documents

Publication Publication Date Title
CN102696000B (zh) 用于虚拟化数据中心中的协调能量管理的方法和设备
Wu et al. Energy and migration cost-aware dynamic virtual machine consolidation in heterogeneous cloud datacenters
Mann et al. Remedy: Network-aware steady state VM management for data centers
Patel et al. Energy efficient strategy for placement of virtual machines selected from underloaded servers in compute Cloud
Ma et al. Real-time virtual machine scheduling in industry IoT network: A reinforcement learning method
Chen et al. Improving resource utilization via virtual machine placement in data center networks
Zhang et al. Two-phase industrial manufacturing service management for energy efficiency of data centers
Huang et al. SLA guaranteed virtual machine consolidation for computing clouds
Supreeth et al. Virtual machine scheduling strategies in cloud computing-A review
CN102208986A (zh) 一种集群功耗分配与控制方法
Zhang et al. An Energy and SLA‐Aware Resource Management Strategy in Cloud Data Centers
CN104185821A (zh) 多个计算层次结构级别中的工作负荷迁移判断
Xu et al. Energy-Aware Resource Management in Cloud Computing Considering Load Balance.
CN107203256A (zh) 一种网络功能虚拟化场景下的节能分配方法与装置
Madhusudhan et al. Dynamic virtual machine allocation in cloud computing using elephant herd optimization scheme
Tian et al. Efficient algorithms for VM placement in cloud data centers
Wang et al. Design and implementation of adaptive resource co-allocation approaches for cloud service environments
JP2013196695A (ja) 仮想マシン割り当てシステム及びその方法
Nandagopal et al. Hierarchical status information exchange scheduling and load balancing for computational grid environments
Mandal et al. An empirical study and analysis of the dynamic load balancing techniques used in parallel computing systems
Singh et al. Adaptive energy-aware algorithms to minimize power consumption and sla violation in cloud computing
Yang et al. A new trigger strategy based on live migration of the virtual machine
WO2013102975A1 (ja) 仮想マシン管理装置及び仮想マシン管理方法
Son et al. Multi-objective optimization method for resource scaling in cloud computing
Wang et al. A distributed control framework for performance management of virtualized computing environments: some preliminary results

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
ASS Succession or assignment of patent right

Owner name: NEC CORP.

Free format text: FORMER OWNER: NEC LAB AMERICA INC.

Effective date: 20150612

C41 Transfer of patent application or patent right or utility model
TR01 Transfer of patent right

Effective date of registration: 20150612

Address after: Tokyo, Japan

Patentee after: NEC Corp.

Address before: New jersey, USA

Patentee before: NEC Lab America Inc.

CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20150408

Termination date: 20210113

CF01 Termination of patent right due to non-payment of annual fee