CN102854968B - 一种虚拟机实时能耗计量方法 - Google Patents

Abstract

本发明公开了一种虚拟机实时能耗计量方法，涉及虚拟机领域。所述方法包括：采集每个虚拟机的CPU利用率、内存利用率、磁盘吞吐量、物理节点的实测能耗，匹配成训练向量；重复上一步，得到预定数量的、非线性的训练向量，构建得到训练向量集合；对训练向量集合中的训练向量进行线性拟合，采用最小二乘法计算分类三段模型的权重参数；在实际应用环境中，采集实际运行的虚拟机的CPU利用率、内存利用率、磁盘吞吐量，根据实际运行的虚拟机的数量和所有实际运行的虚拟机的CPU利用率之和，确定相应的分类三段模型及其权重参数，计算得到待监听虚拟机以及物理服务器的能耗值。所述方法，降低了虚拟机数目和能耗峰谷波动对能耗估算准确度的影响。

Description

一种虚拟机实时能耗计量方法

技术领域

本发明涉及虚拟机技术领域，特别涉及一种虚拟机实时能耗计量方法。

背景技术

目前，能耗成为了云计算的主要运营成本，降低云计算的能耗不仅可以为云计算提供商节约成本，获得诱人的经济收益，而且有利于世界范围内缓解能源危机，减少温室气体的排放，对环境和气候产生有益的影响。虚拟化技术是支撑云计算的重要技术基石，给数据中心的管理带来了高效和便捷的优势，降低了物理服务器的所需数目，提高能源利用效率，从而有效地控制了成本。

虚拟化环境中的配置、分配、调度等管理的粒度变为了单个的虚拟机，所以云计算中的能耗管理需要知道虚拟机的能耗值，作为管理决策的重要依据。目前数据中心主要是以外接硬件功率计的方式在线监测系统的能耗使用情况，但是外接功率计无法测量到虚拟机的能耗值，缺乏对虚拟化平台能耗的等效能见度。所以如何准确实时地计量虚拟机的能耗是施行虚拟化环境能耗管理的重要问题。

公开号为CN101907917A的发明专利公开了一种测量虚拟机能耗的方法和系统。该专利提供了通过捕获各个虚拟机在运行时处理器、磁盘、网络和内存的能耗特征以及物理机实际运行时的能耗，从而计算出各个虚拟机能耗的方法和系统。该方案通过监测硬件性能监视器HPM采集CPU执行周期和完成指令数，通过I/O设备访问事件采集I/O设备能耗特征，并将检测到的信息映射到对应的事件统计信息中。通过对物理机的实测能耗与各部件的能耗特征建立模型，计算出各功能部件的能耗值，继而根据虚拟机在不同功能部件能耗中的贡献份额计算出各虚拟机的能耗。

该专利方案使用多个监听或采集设备采集功能部件的能耗特征，并将其映射到对应的虚拟机事件统计信息中。这样容易造成错配而产生大量不对应数据，影响方法实行的准确性。该方法中使用的模型是与文献方案3类似的简单线性关系，在实际运行中会出现虚拟机数目和能耗峰谷波动影响能耗估算的准确度。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：如何提供一种虚拟机实时能耗计量方法，以提高虚拟机能耗计量的准确度，克服因虚拟机数目和能耗峰谷波动影响能耗估算准确度的问题。

(二)技术方案

为解决上述技术问题，本发明提供一种虚拟机实时能耗计量方法，其包括步骤：

B：采集每个虚拟机的CPU利用率、内存利用率、磁盘吞吐量，以及物理节点的实测能耗，匹配成训练向量：

$T=\{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{cpu}}\left(k\right),\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{mem}}\left(k\right),\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{io}}\left(k\right),n,P_{\mathrm{server}}\};$

其中，n表示所述虚拟机的数量，U_cpu(k)表示第k个虚拟机的CPU利用率，U_mem(k)表示第k个虚拟机的内存利用率，U_io(k)表示第k个虚拟机的磁盘吞吐量，P_server表示所述物理节点的实测能耗；

C：重复所述步骤B，得到预定数量的、非线性的所述训练向量，进而构建得到训练向量集合；

D：对所述训练向量集合中的训练向量进行线性拟合，采用最小二乘法计算分类三段模型的权重参数；所述分类三段模型形式如下：

$M(n,s)={\mathrm{\α}}_{n,s}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{cpu}}\left(k\right)+{\mathrm{\β}}_{n,s}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{mem}}\left(k\right)+{\mathrm{\γ}}_{n,s}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{io}}\left(k\right)+{\mathrm{ne}}_{n,s}+P_{\mathrm{baseline}};$

其中，s的数值为1、2或者3，分别对应表示n个所述虚拟机的CPU利用率总和处于低段、中段或者高段；α_n，s表示分类三段模型的CPU权重参数；β_n，s表示分类三段模型的内存权重参数；γ_n，s表示分类三段模型的磁盘权重参数；e_n，s表示分类三段模型的第四权重参数；P_baseline表示所述物理节点的基线能耗；

E：在实际应用环境中，采集每个实际运行的虚拟机的CPU利用率、内存利用率、磁盘吞吐量，根据所述实际运行的虚拟机的数量和所有所述实际运行的虚拟机的CPU利用率之和，确定所述分类三段模型的相应的权重参数，计算得到待监听虚拟机的能耗值P_vm：

P_vm＝α_n，s×U_cpu+β_n，sU_mem+γ_n，sU_io+e_n，s；

其中，U_cpu表示待监听虚拟机的CPU利用率，U_mem表示所述待监听虚拟机的内存利用率，U_io表示所述待监听虚拟机的磁盘吞吐量。

优选地，所述步骤D具体包括步骤：

D1：按照所述训练向量中虚拟机的数量n，将所述训练向量集合划分为N个子集M_n；N表示所述物理节点能够运行虚拟机个数的上限；

D2：在每个所述子集M_n中，按照所有所述虚拟机的CPU利用率之和的数值将所述训练向量分为低、中、高三段，在低段中 ${\mathrm{\Σ}}_{k=1}^n{U}_{\mathrm{cpu}}\left(k\right)\∈[0,S1),$ 在中段中 ${\mathrm{\Σ}}_{k=1}^n{U}_{\mathrm{cpu}}\left(k\right)\∈[S1,S2),$ 在高段中其中，S1∈(0，50％×n)，S2∈(50％×n，100％×n)；

D3：对应每个所述子集M_n，建立估算函数如下：

$P_{\mathrm{server}}={\mathrm{\α}}_{n,s}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{cpu}}\left(k\right)+{\mathrm{\β}}_{n,s}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{mem}}\left(k\right)+{\mathrm{\γ}}_{n,s}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{io}}\left(k\right)+{\mathrm{ne}}_{n,s}+P_{\mathrm{baseline}},$

将所述训练向量输入所述估算函数，以最小二乘法计算得到对应每个估算函数的权重参数α_n，s、β_n，s、γ_n，s和e_n，s，同时记录平均误差率ε；

D4：变化S1和S2的数值，重复迭代执行所述步骤D2和D3，找到一组使所述平均误差率ε最低的S1和S2的数值，以及相应的估算函数的权重参数α_n，s、β_n，s、γ_n，s和e_n，s作为所述分类三段模型的权重参数。

优选地，在所述步骤B之前还包括步骤A：在物理节点上运行虚拟化软件，得到一个或者多个虚拟机，在所述虚拟机的主节点上运行预定分布式计算样例程序。

优选地，在所述步骤E之后还包括步骤

F：连续采集每个所述虚拟机的CPU利用率、内存利用率、磁盘吞吐量，并将j时刻虚拟机i的性能指标表示为监听向量u_i，j＝{U_cpu(i，j)，U_mem(i，j)，U_io(i，j)，n_j}；其中，U_cpu(i，j)表示j时刻虚拟机i的CPU利用率，U_mem(i，j)表示j时刻虚拟机i的内存利用率，U_io(i，j)表示j时刻虚拟机i的磁盘吞吐量，n_j表示j时刻实际运行的虚拟机的数量；

G：根据所述监听向量u_i，j，得到虚拟机i在不同时刻对应的监听向量的集合X_i＝{u_i，1，...u_i，j}，得到在相同的j时刻所有虚拟机对应的监听向量的集合Y_j＝{u_1，j，...u_n，j}；

H：根据所述虚拟机i在不同时刻对应的监听向量的集合X_i和所述分类三段模型的相应的权重参数，计算得到所述虚拟机i在不同时刻的能耗值；根据所述相同的j时刻所有虚拟机对应的监听向量的集合Y_j和所述分类三段模型的相应的权重参数，计算得到相同的j时刻所有虚拟机的能耗值以及所述物理节点的能耗值。

优选地，所述步骤A中所述预定分布式计算样例程序包括：CPU密集型程序、I/O密集型程序，以及CPU和I/O密集型程序。

优选地，所述步骤B中，通过外接一个硬件交流电功率计采集所述物理节点的实测能耗。

优选地，所述步骤C中，所述预定数量大于100。

(三)有益效果

本发明的虚拟机实时能耗计量方法，通过分段拟合的方式，降低了虚拟机数目和能耗峰谷波动对能耗估算准确度的影响，可以实时准确地计算出物理服务器及运行在其上的各个虚拟机的能耗值。

附图说明

图1是本发明的虚拟机实时能耗计量方法流程图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

图1是本发明的虚拟机实时能耗计量方法流程图，如图1所示，所述方法包括：

步骤A：在物理节点上运行虚拟化软件VMware Workstation，得到一个或者多个虚拟机，每个所述虚拟机的配置是相同的，多个所述虚拟机间搭建了Hadoop分布式系统，多个虚拟节点(包括主节点和从节点)完成分布式计算；在所述虚拟机的主节点上运行Hadoop自带的预定分布式计算样例程序。所述预定分布式计算样例程序包括：CPU密集型程序(如计算程序)、I/O密集型程序(如随机写程序)，以及CPU和I/O密集型程序(如数据排序程序)。

步骤B：使用Linux操作系统中的sysstat工具采集每个所述虚拟机的CPU利用率、内存利用率、磁盘吞吐量，通过外接一个硬件交流电功率计采集所述物理节点的实测能耗，匹配成训练向量：

$T=\{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{cpu}}\left(k\right),\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{mem}}\left(k\right),\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{io}}\left(k\right),n,P_{\mathrm{server}}\};$

其中，n表示所述虚拟机的数量，U_cpu(k)表示第k个虚拟机的CPU利用率，U_mem(k)表示第k个虚拟机的内存利用率，U_io(k)表示第k个虚拟机的磁盘吞吐量，P_server表示所述物理节点的实测能耗。

步骤C：重复所述步骤B，得到预定数量的、非线性的所述训练向量，进而构建得到训练向量集合。所述预定数量一般大于100，并且所述训练向量集合中的训练向量包含所述物理节点上运行一个至N个虚拟机的每种情况，各组件性能指标应该尽量覆盖[0，100％]，比如CPU利用率的数值大致覆盖[0，100％]。N表示所述物理节点能够运行虚拟机个数的上限。

步骤D：对所述训练向量集合中的训练向量进行线性拟合，采用最小二乘法计算分类三段模型的权重参数。所述分类三段模型形式如下：

$M(n,s)={\mathrm{\α}}_{n,s}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{cpu}}\left(k\right)+{\mathrm{\β}}_{n,s}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{mem}}\left(k\right)+{\mathrm{\γ}}_{n,s}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{io}}\left(k\right)+{\mathrm{ne}}_{n,s}+P_{\mathrm{baseline}};$

其中，s的数值为1、2或者3，分别对应表示n个所述虚拟机的CPU利用率总和处于低段、中段或者高段；α_n，s表示分类三段模型的CPU权重参数；β_n，s表示分类三段模型的内存权重参数；γ_n，s表示分类三段模型的磁盘权重参数；e_n，s表示分类三段模型的第四权重参数；P_baseline表示所述物理节点的基线能耗，在所述物理节点空闲时基本保持一个固定的常数，可以通过实验数据以经验给出。例如DELL R710服务器(2个4核Xeon E5620 CPU)的基线能耗是140瓦。

所述步骤D具体包括：

步骤D1：按照所述训练向量中虚拟机的数量n，将所述训练向量集合划分为N个子集M_n。

步骤D2：在每个所述子集M_n中，按照所有所述虚拟机的CPU利用率之和的数值将所述训练向量分为低、中、高三段，在低段中 ${\mathrm{\Σ}}_{k=1}^n{U}_{\mathrm{cpu}}\left(k\right)\∈[0,S1),$ 在中段中 ${\mathrm{\Σ}}_{k=1}^n{U}_{\mathrm{cpu}}\left(k\right)\∈[S1,S2),$ 在高段中其中，S1∈(0，50％×n)，S2∈(50％×n，100％×n)。这种分段拟合的方法可以有效解决单纯线性模型在能耗峰谷值时估算准确率大幅降低的问题。由于对物理节点能耗影响最大的组件是CPU，所以把物理节点能耗的峰谷转换为CPU利用率的峰谷，对能耗值高、中、低的不同状况建立不同的估算函数。

步骤D3：对应每个所述子集M_n，建立估算函数如下：

$P_{\mathrm{server}}={\mathrm{\α}}_{n,s}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{cpu}}\left(k\right)+{\mathrm{\β}}_{n,s}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{mem}}\left(k\right)+{\mathrm{\γ}}_{n,s}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{io}}\left(k\right)+{\mathrm{ne}}_{n,s}+P_{\mathrm{baseline}},$

使用数学统计工具(比如Matlab)，将所述训练向量输入所述估算函数，以最小二乘法计算得到对应每个估算函数的权重参数α_n，s、β_n，s、γ_n，s和e_n，s，同时记录平均误差率ε。

步骤D4：变化S1和S2的数值，重复迭代执行所述步骤D2和D3，找到一组使所述平均误差率ε最低的S1和S2的数值，以及相应的估算函数的权重参数α_n，s、β_n，s、γ_n，s和e_n，s作为所述分类三段模型的权重参数。

步骤E：在实际应用环境中，采集每个实际运行的虚拟机的CPU利用率、内存利用率、磁盘吞吐量，根据所述实际运行的虚拟机的数量和所有所述实际运行的虚拟机的CPU利用率之和，确定所述分类三段模型的相应的权重参数，计算得到待监听虚拟机的能耗值P_vm：

P_vm＝α_n，s×U_cpu+β_n，sU_mem+γ_n，sU_io+e_n，s；

其中，U_cpu表示待监听虚拟机的CPU利用率，U_mem表示所述待监听虚拟机的内存利用率，U_io表示所述待监听虚拟机的磁盘吞吐量。

所述方法还可以包括步骤F：连续采集每个所述虚拟机的CPU利用率、内存利用率、磁盘吞吐量，并将j时刻虚拟机i的性能指标表示为监听向量u_i，j＝{U_cpu(i，j)，U_mem(i，j)，U_io(i，j)，n_j}；其中，U_cpu(i，j)表示j时刻虚拟机i的CPU利用率，U_mem(i，j)表示j时刻虚拟机i的内存利用率，U_io(i，j)表示j时刻虚拟机i的磁盘吞吐量，n_j表示j时刻实际运行的虚拟机的数量；

步骤G：根据所述监听向量u_i，j，得到虚拟机i在不同时刻对应的监听向量的集合X_i＝{u_i，1，...u_i，j}，得到在相同的j时刻所有虚拟机对应的监听向量的集合Y_j＝{u_1，j，...u_n，j}；

步骤H：根据所述虚拟机i在不同时刻对应的监听向量的集合X_i和相应的分类三段模型的权重参数，计算得到所述虚拟机i在不同时刻的能耗值；根据所述相同的j时刻所有虚拟机对应的监听向量的集合Y_j和相应的分类三段模型的权重参数，计算得到相同的j时刻所有虚拟机的能耗值以及所述物理节点的能耗值。通过本发明方法计算物理节点的能耗值，可以省略外接功率计，降低成本。

下面假设某个物理节点上的虚拟机上限个数为4，对本发明所述方法示例说明如下：

步骤100：在物理节点上使用VMware Workstation虚拟得到虚拟机，在多个虚拟机上运行Hadoop的分布式计算样例程序，包括：计算程序、随机写程序，以及数据排序程序。

步骤200：分别在物理节点上虚拟化出1个、2个、3个、4个节点，在每种设置下多次运行上述样例程序。通过Linux中的sysstat工具，记录每个虚拟机在运行程序时的各性能指标，同时用交流功率计记录物理节点能耗值，构建得到训练向量集合。

步骤300：上步中的所有训练向量按照虚拟机个数分为4类M₁、M₂、M₃、M₄，按照CPU利用率划分为3段。利用划分到每段中的训练向量使用最小二乘法，线性拟合得到分类三段模型及权重参数。

步骤300具体如下：

步骤301：把训练向量集合按照每个训练向量中的n值分为四个子集：M₁、M₂、M₃、M₄，每个子集中的训练向量个数不少于50个。

步骤302：在子集M1中，按照每个训练向量中CPU利用率分组，首先取S1＝10％，S2＝90％，即CPU利用率分为[0，10％)、[10％，90％)、[90％，100％]三段，对应到每个段中的训练向量分别组成集合M_1，1、M_1，2、M_1，3；在子集M2中，因为是有两个虚拟机，每个虚拟机CPU利用率最大值是100％，取S1＝10％×2＝20％，S2＝90％×2＝180％，按将两个虚拟机的CPU利用率之和分为[0，20％)、[20％，180％)、[180％，200％]三段，对应到每个段中的训练向量分别组成集合M_2，1、M_2，2、M_2，3。子集M3、M4同理。

步骤303：使用Matlab分别为每个集合M_a，b(a＝1，2，3，4；b＝1，2，3)中的训练向量建立相应的估算函数，例如：

$P_{\mathrm{server}\left(\mathrm{2,3}\right)}={\mathrm{\α}}_{\mathrm{2,3}}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{cpu}}\left(k\right)+{\mathrm{\β}}_{2,3}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{mem}}\left(k\right)+{\mathrm{\γ}}_{2,3}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{io}}\left(k\right)+2\×e_{\mathrm{2,3}}+P_{\mathrm{baseline}};$

其中，p_{server(2，3)}表示物理节点在相应情况下的能耗实测值，α_2，3＝0.344，β_2，3＝0.129，γ_2，3＝0.081，e_2，3＝3.53，P_baseline＝140。一共有12个类似的估算函数。向估算函数中输入所有训练向量，计算出物理节点的能耗值并与训练向量中的P_server比较得到平均误差率记为ε，例如ε＝4.74％。

步骤304：为S₁、S₂取不同的值，S₁∈(0，50％*n)，S₂∈(50％*n，100％*n)，重复302～303步骤，找到平均误差率ε最小的分段方法，确定的S₁＝30％*n，S₂＝70％*n，确定相应的估算函数的权重参数α_n，s、β_n，s、γ_n，s和e_n，s作为所述分类三段模型的权重参数。

步骤305：实际运行中主机上有3个活动虚拟机(1个主节点2个从节点)。采用sysstat工具实时监听虚拟机资源利用率，得到虚拟机i在不同时刻对应的监听向量的集合X＝{X₁(u_1，1...u_1，j)，X₂(u_2，1...u_2，j)，X₃(u_1，1...u_1，j)}，和相同时刻j所有虚拟机对应的监听向量集合Y＝{Y₁(u_1，1，u_2，1，u_3，1)，...，Y_j(u_1，j，u_2，j，u_3，j)}。以Y作为输入，可以实时估算服务器能耗值。

假设此时有三个活动虚拟机n＝3，CPU利用率划分为[0，90)，[90，210)和(210，300]三段，根据X₁中的CPU利用率的值确定分段s，例如u_1，j＝{82.09，37.5，0，3}，则s＝1，对应到相应的权重参数可以及时得到虚拟机1的能耗值P_VM1，对于虚拟机2、3同理。

本发明所述虚拟机实时能耗计量方法，通过分段拟合的方式，降低了虚拟机数目和能耗峰谷波动对能耗估算准确度的影响，可以实时准确地计算出物理服务器及运行在其上的各个虚拟机的能耗值。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (6)

1.一种虚拟机实时能耗计量方法，其特征在于，包括步骤：

B：采集每个虚拟机的CPU利用率、内存利用率、磁盘吞吐量，以及物理节点的实测能耗，匹配成训练向量：

$T=\{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{cpu}}\left(k\right),\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{mem}}\left(k\right),\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{io}}\left(k\right),n,P_{\mathrm{server}}\};$

其中，n表示所述虚拟机的数量，U_cpu(k)表示第k个虚拟机的CPU利用率，U_mem(k)表示第k个虚拟机的内存利用率，U_io(k)表示第k个虚拟机的磁盘吞吐量，P_server表示所述物理节点的实测能耗；

C：重复所述步骤B，得到预定数量的、非线性的所述训练向量，进而构建得到训练向量集合；

D：对所述训练向量集合中的训练向量进行线性拟合，采用最小二乘法计算分类三段模型的权重参数；所述分类三段模型形式如下：

$M(n,s)={\mathrm{\α}}_{n,s}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{cpu}}\left(k\right)+{\mathrm{\β}}_{n,s}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{men}}\left(k\right)+{\mathrm{\γ}}_{n,s}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{io}}\left(k\right)+{\mathrm{ne}}_{n,s}+P_{\mathrm{baseline}};$

其中，s的数值为1、2或者3，分别对应表示n个所述虚拟机的CPU利用率总和处于低段、中段或者高段；α_n,s表示分类三段模型的CPU权重参数；β_n,s表示分类三段模型的内存权重参数；γ_n,s表示分类三段模型的磁盘权重参数；e_n,s表示分类三段模型的第四权重参数；P_baseline表示所述物理节点的基线能耗；

E：在实际应用环境中，采集每个实际运行的虚拟机的CPU利用率、内存利用率、磁盘吞吐量，根据所述实际运行的虚拟机的数量和所有所述实际运行的虚拟机的CPU利用率之和，确定所述分类三段模型的相应的权重参数，计算得到待监听虚拟机的能耗值P_vm：

P_vm＝α_n,s×U_cpu+β_n,sU_mem+γ_n,sU_io+e_n,s；

其中，U_cpu表示待监听虚拟机的CPU利用率，U_mem表示所述待监听虚拟机的内存利用率，U_io表示所述待监听虚拟机的磁盘吞吐量；

其中，所述步骤D具体包括步骤：

D1：按照所述训练向量中虚拟机的数量n，将所述训练向量集合划分为N个子集M_n；N表示所述物理节点能够运行虚拟机个数的上限；

D2：在每个所述子集M_n中，按照所有所述虚拟机的CPU利用率之和的数值将所述训练向量分为低、中、高三段，在低段中 ${\mathrm{\Σ}}_{k=1}^n{U}_{\mathrm{cpu}}\left(k\right)\∈[0,S1),$ 在中段中 ${\mathrm{\Σ}}_{k=1}^n{U}_{\mathrm{cpu}}\left(k\right)\∈[S1,S2),$ 在高段中其中，S1∈(0,50％×n)，S2∈(50％×n,100％×n)；

D3：对应每个所述子集M_n，建立估算函数如下：

$P_{\mathrm{server}}={\mathrm{\α}}_{n,s}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{cpu}}\left(k\right)+{\mathrm{\β}}_{n,s}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{mem}}\left(k\right)+{\mathrm{\γ}}_{n,s}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{U}_{\mathrm{io}}\left(k\right)+{\mathrm{ne}}_{n,s}+P_{\mathrm{baseline}},$

将所述训练向量输入所述估算函数，以最小二乘法计算得到对应每个估算函数的权重参数α_n,s、β_n,s、γ_n,s和e_n,s，同时记录平均误差率ε；

D4：变化S1和S2的数值，重复迭代执行所述步骤D2和D3，找到一组使所述平均误差率ε最低的S1和S2的数值，以及相应的估算函数的权重参数α_n,s、β_n,s、γ_n,s和e_n,s作为所述分类三段模型的权重参数。

2.如权利要求1所述的方法，其特征在于，在所述步骤B之前还包括步骤A：在物理节点上运行虚拟化软件，得到一个或者多个虚拟机，在所述虚拟机的主节点上运行预定分布式计算样例程序。

3.如权利要求1所述的方法，其特征在于，在所述步骤E之后还包括步骤

F：连续采集每个所述虚拟机的CPU利用率、内存利用率、磁盘吞吐量，并将j时刻虚拟机i的性能指标表示为监听向量u_i,j＝{U_cpu(i,j)，U_mem(i,j)，U_io(i,j)，n_j}；其中，U_cpu(i,j)表示j时刻虚拟机i的CPU利用率，U_mem(i,j)表示j时刻虚拟机i的内存利用率，U_io(i,j)表示j时刻虚拟机i的磁盘吞吐量，n_j表示j时刻实际运行的虚拟机的数量；

G：根据所述监听向量u_i,j，得到虚拟机i在不同时刻对应的监听向量的集合X_i＝{u_i,1，…u_i,j}，得到在相同的j时刻所有虚拟机对应的监听向量的集合Y_j＝{u_1,j，…u_n,j}；

H：根据所述虚拟机i在不同时刻对应的监听向量的集合X_i和所述分类三段模型的相应的权重参数，计算得到所述虚拟机i在不同时刻的能耗值；根据所述相同的j时刻所有虚拟机对应的监听向量的集合Y_j和所述分类三段模型的相应的权重参数，计算得到相同的j时刻所有虚拟机的能耗值以及所述物理节点的能耗值。

4.如权利要求2所述的方法，其特征在于，所述步骤A中所述预定分布式计算样例程序包括：CPU密集型程序、I/O密集型程序，以及CPU和I/O密集型程序。

5.如权利要求1所述的方法，其特征在于，所述步骤B中，通过外接一个硬件交流电功率计采集所述物理节点的实测能耗。

6.如权利要求1所述的方法，其特征在于，所述步骤C中，所述预定数量大于100。