CN102984137A - 一种基于多目标遗传算法下的多目标服务器调度方法 - Google Patents

Abstract

本发明公开了一种基于多目标遗传算法下的多目标服务器调度方法，通过虚拟机的迁移保持负载的均衡。该方法包括步骤如下：（1）通过热点检测方法来找出可能由于资源的缺乏而影响服务系统运行的热点PM；（2）考虑迁移开销、能耗、热度、系统状态，选出待迁移VM；（3）通过遗传算法找出迁移目标PM；（4）虚拟机迁移。该方法通过热点检测来选择需要处理的物理服务器，考虑迁移开销、能耗、热度、系统状态，选择需要迁移的虚拟机，再通过改进后的遗传算法来找寻出迁移目标物理服务器来达到满足客户服务需求和最优资源利用率的目标。

Description

一种基于多目标遗传算法下的多目标服务器调度方法

技术领域

本发明涉及一种虚拟机迁移方法，尤其是当服务器产生热点或服务器负载过低需时，基于多目标遗传算法下的多目标服务器调度方法。

背景技术

云计算是一种基于互联网的计算新方式，通过互联网上异构、自治的服务为个人和企业用户提供按需即取的计算。而虚拟化就是云计算的基石。虚拟化是以某种用户和应用程序都可以很容易从中获益的方式来表示计算机资源的过程，而不是根据这些资源的实现、地理位置或物理包装的专有方式来表示它们。换句话说，它为数据、计算能力、存储资源以及其他资源提供了一个逻辑视图，而不是物理视图。计算元件在虚拟的基础上而不是真实的基础上运行，虚拟化是一个为了简化管理、优化资源的解决方案，可以把有限的固定的资源根据不同需求进行重新规划以达到最大的资源利用率。

随着云计算的发展使得企业和政府等客户对海量、高效、经济的计算能力的需求的到满足，其中的关键技术就是虚拟化，虚拟化带来了以下好处：更细粒度的资源共享、安全隔离、高可靠性等，一个数据库中心每一个物理主机中可以运行多个虚拟机，这些虚拟机可以为一个或多个客户提供（computing power, storage, and networks）服务，同时一个客户也可以使用一个或多台虚拟机提供的资源。因此虚拟化的技术使得客户看起来能获得无限的资源服务。

虽然大部分的云服务供应商（Amazon EC2  Go Grid SaleForce.com）都取得了成功，数据中心的服务器集群越来越庞大，云服务供应商的专注点永远都在节约能耗提高效率，服务器的能源开销占据了数据中心整体能耗的大部分份额，能源的消耗往往成为关注的最重点。

在云计算中需要考虑如何合理地放置虚拟机到相应结点，在满足不同应用的服务级目标的同时，实现资源使用的最优化，以达到节约能耗目标。可将虚拟机（Virtual Machine简称VM）放置描述为向量装箱问题．装入的物品是正在运行着的虚拟机，虚拟机所用资源是物品的大小是可变的。箱子是物理结点，箱子容量是结点资源的使用阈值。资源包括CPU、内存、磁盘和网络带宽等。资源的种类数即向量装箱问题的维度。设物理结点的数目为M虚拟机的数目为N虚拟机部署到物理结点的解空间为是一个类似于装箱问题的NP-hard问题。需要找到一个近似优化解，这个最优解即服务器集群能够在满足客户服务需求和服务器不产生热点的前提下对资源使用最优化。

发明内容

本发明目目的是针对现有技术存在的不足，提供一种基于多目标遗传算法下的多目标服务器调度方法，当服务器产生热点或服务器负载过低需时，可以通过本方法对服务器上虚拟机进行准确、高效的迁移来促使负载均衡。

为实现上述发明目的，本发明采用的技术方案为：

一种基于多目标遗传算法下的多目标服务器调度方法，该方法包括步骤如下：

（1）通过热点检测方法来找出可能由于资源的缺乏而影响服务系统运行的热点PM；

（2）考虑迁移开销、能耗、热度、系统状态，选出待迁移VM；

（3）通过遗传算法找出迁移目标PM；

（4）虚拟机迁移。

所述的热点检测方法是：为每种资源设定阀值，th_v_i表示i中资源的阀值，该阀值表示系统能够满足QOS服务的最高使用率，rs_i表示在PM中第i种资源的需求度，heat_i定义为第i种资源的热度，

heat_i = 0   when rs_i≤th_v_i

${\mathrm{heat}}_i={\left(\frac{{\mathrm{rs}}_i-{\mathrm{th}\_v}_i}{{\mathrm{th}\_v}_i}\right)}^2$ when rs_i≥th_v_i

PM总热度为每种i资源的热度之和：

${\mathrm{heat}}_{\mathrm{PM}}=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{heat}}_i$

如果是0这表示该PM节点不是热点服务器，如果大于0说明该物理节点是热点。

在保证待迁移VM数量和迁移时间较少的前提下，选择出适合的待迁移的一台或几台VM，作为热点PM中最终的待迁移VM。

目标PM的选择条件是：目标PM的资源没有达到最佳状态，还能通过增加VM或接受VM的迁移来达到最佳的运行状态。

在考虑内存、cpu和网络的情况下寻找最优的将待迁移虚拟机迁移到目标PM节点的方案。

所述的遗传算法为模拟生物进化机制来进行搜索寻优，该方法包括步骤如下：

（1）利用步骤1和步骤2中收集的待迁移VM和目标PM节点，随机生成一定数目染色体，染色体即一组来表示映射迁移策略编码（基因），然后评价计算出迁移后整个系统的负载状态优劣，即染色体对环境的适应度，用来作为以后遗传操作根据；

（2）选择过程，从当前的染色体（随机生成的迁移策略）中选择出来优良染色体（满足适应函数的迁移策略）成为新一代的染色体，如果染色体适应度越高就表示该迁移策略被选择的机会越多；选择出一个新的种群后再进行交叉操作，就是将两个父代染色体基因部分结构加以替换重组产生新个体的操作，这部分不同于以往遗传算法的简单交叉操作，通过交叉操作使得搜索能力得以飞跃提高；

（3）变异操作，就是对个体染色体某些基因座上的基因值作变动，目的是挖掘种群中个体多样性，客服有可能陷入局部解的弊病；

经过运算后产生的新的迁移策略成为了新后代，对新的后代种群重复进行选择、交叉和变异操作，使得子代的迁移策略总比父代好，经过给定次数的迭代处理或达到适应函数要求后产生出最好的染色体基因作为迁移策略的近似最优目标解。

与背景技术相比，本发明的基于多目标遗传算法下的多目标服务器调度方法，通过虚拟机的迁移保持负载均衡节能架构，通过热点检测来选择需要处理的物理服务器，考虑迁移开销、能耗、热度、系统状态选择需要迁移的虚拟机，当服务器产生热点或服务器负载过低需时，通过改进后的遗传算法找寻出迁移目标物理服务器，对服务器上虚拟机进行准确、高效的迁移来促使负载均衡，来达到满足客户服务需求和最优资源利用率的目标。

附图说明

图1系统的架构图。

图2虚拟机迁移过程图。

图3交叉操作图。

图4 虚拟机迁移流程图。

图5 遗传算法图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面通过足够详细的描述实施示例来对本发明进行进一步的详细说明。

请参阅图1，这是本发明实例所提供系统的架构，图中显示了VM（Virtual Machine）和PM（Physical Machine）的关系，系统中的PM集合设为PM= PM={PM₁,PM₂,PM₃…PM_N}，N是PM的数量，我们将每个中的虚拟机集合设为V_i={V_i1,V_i2,V_i3…V_im}，m表示该PM中的第m个VM。每一个VM的状态集合设置为{VM_mem,VM_net,VM_cpu}，用一个controller server服务器来收集分析每个PM以及其中运行VM状态信息，用于检测热点PM分析出那台或是那几台虚拟机造成热点，在通过基于遗传算法的VM迁移调度算法找出每台需要迁移的虚拟机的迁移目标。

如图2所示，一种基于多目标遗传算法下的多目标服务器调度方法，该方法包括步骤如下：

（1）通过热点检测方法来找出可能由于资源的缺乏而影响服务系统运行的热点PM；

（2）考虑迁移开销、能耗、热度、系统状态，选出待迁移VM；

（3）通过遗传算法找出迁移目标PM；

（4）虚拟机迁移。

所述的热点检测方法是：为每种资源设定阀值，th_v_i表示i中资源的阀值，该阀值表示系统能够满足QOS服务的最高使用率，rs_i表示在PM中第i种资源的需求度，heat_i定义为第i种资源的热度：

heat_i = 0   when rs_i≤th_v_i

${\mathrm{heat}}_i={\left(\frac{{\mathrm{rs}}_i-{\mathrm{th}\_v}_i}{{\mathrm{th}\_v}_i}\right)}^2$ when rs_i≥th_v_i

PM总热度为每种i资源的热度之和：

${\mathrm{heat}}_{\mathrm{PM}}=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{heat}}_i$

如果是0这表示该PM节点不是热点服务器，如果大于0说明该物理节点是热点。

如图3所示，这是本发明的虚拟机迁移过程图，首先控制服务器（Controller Server)通过监控器(Monitors)查找出可能由于资源的缺乏而影响服务系统运行的热点PM(physical machines)，如果出现热点PM就表示该PM不能及时根据应用、服务负载的变化为其所在的虚拟机及时、有效的分配虚拟化环境中的资源，可能由于资源的缺乏而影响服务系统的运行。

在找寻出热点PM节点之后，需要通过虚拟机的迁移操作来将PM的热度降低到设定的阀值以下，在保证带迁移VM数量和迁移时间时间较少的前提下，选择出适合的待迁移的一台或几台VM。

在选出热点PM中的待迁移VM后，Controller Server指定待迁移VM为迁移目标。对于适合于不同虚拟机的迁移目标PM，备选目标PM的选择条件是：目标PM的资源没有达到最佳状态，还能通过增加VM或接受VM的迁移来达到最佳的运行状态。然后将这些选定的待迁移VM迁移到适当的目标PM中，在考虑内存、cpu、网络的情况下寻找最优的将待迁移VM迁移到目标PM节点的方案。

如图4和图5所示，所述的遗传算法为模拟生物进化机制来进行搜索寻优，该方法包括步骤如下：

（1）利用步骤1和步骤2中收集的待迁移VM和目标PM节点，随机生成一定数目染色体，染色体即一组来表示映射迁移策略编码（基因），然后评价计算出迁移后整个系统的负载状态优劣，即染色体对环境的适应度，用来作为以后遗传操作根据；

（2）选择过程，从当前的染色体（随机生成的迁移策略）中选择出来优良染色体（满足适应函数的迁移策略）成为新一代的染色体，如果染色体适应度越高就表示该迁移策略被选择的机会越多；选择出一个新的种群后再进行交叉操作，就是将两个父代染色体基因部分结构加以替换重组产生新个体的操作，这部分不同于以往遗传算法的简单交叉操作，通过交叉操作使得搜索能力得以飞跃提高；

（3）变异操作，就是对个体染色体某些基因座上的基因值作变动，目的是挖掘种群中个体多样性，客服有可能陷入局部解的弊病；

经过运算后产生的新的迁移策略成为了新后代，对新的后代种群重复进行选择、交叉和变异操作，使得子代的迁移策略总比父代好，经过给定次数的迭代处理或达到适应函数要求后产生出最好的染色体基因作为迁移策略的近似最优目标解。

Claims (6)

1.一种基于多目标遗传算法下的多目标服务器调度方法，该方法包括步骤如下：

（1）通过热点检测方法来找出可能由于资源的缺乏而影响服务系统运行的热点PM；

（2）考虑迁移开销、能耗、热度、系统状态，选出待迁移VM；

（3）通过遗传算法找出迁移目标PM；

（4）虚拟机迁移。

2.根据权利要求1所述的基于多目标遗传算法下的多目标服务器调度方法，其特征在于：所述的热点检测方法是：为每种资源设定阀值，th_v_i表示i中资源的阀值，该阀值表示系统能够满足QOS服务的最高使用率，rs_i表示在PM中第i种资源的需求度，heat_i定义为第i种资源的热度，

heat_i = 0   when  rs_i≤th_v_i

${\mathrm{heat}}_i={\left(\frac{{\mathrm{rs}}_i-{\mathrm{th}\_v}_i}{{\mathrm{th}\_v}_i}\right)}^2$ when rs_i≥th_v_i

PM总热度为每种i资源的热度之和：

${\mathrm{heat}}_{\mathrm{PM}}=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{heat}}_i$

如果是0这表示该PM节点不是热点服务器，如果大于0说明该物理节点是热点。

3.根据权利要求1所述的基于多目标遗传算法下的多目标服务器调度方法，其特征在于，在保证待迁移VM数量和迁移时间较少的前提下，选择出适合的待迁移的一台或几台VM，作为热点PM中最终的待迁移VM。

4.根据权利1所述的基于多目标遗传算法下的多目标服务器调度方法，其特征在于：目标PM的选择条件是：目标PM的资源没有达到最佳状态，还能通过增加VM或接受VM的迁移来达到最佳的运行状态。

5.根据权利1所述的基于多目标遗传算法下的多目标服务器调度方法，其特征在于：在考虑内存、cpu和网络的情况下寻找最优的将待迁移虚拟机迁移到目标PM节点的方案。

6.根据权利1所述的基于多目标遗传算法下的多目标服务器调度方法，其特征在于，所述的遗传算法为模拟生物进化机制来进行搜索寻优，该方法包括步骤如下：

（1）利用步骤1和步骤2中收集的待迁移VM和目标PM节点，随机生成一定数目染色体，染色体即一组来表示映射迁移策略编码（基因），然后评价计算出迁移后整个系统的负载状态优劣，即染色体对环境的适应度，用来作为以后遗传操作根据；

（2）选择过程，从当前的染色体（随机生成的迁移策略）中选择出来优良染色体（满足适应函数的迁移策略）成为新一代的染色体，如果染色体适应度越高就表示该迁移策略被选择的机会越多；选择出一个新的种群后再进行交叉操作，就是将两个父代染色体基因部分结构加以替换重组产生新个体的操作，这部分不同于以往遗传算法的简单交叉操作，通过交叉操作使得搜索能力得以飞跃提高；

（3）变异操作，就是对个体染色体某些基因座上的基因值作变动，目的是挖掘种群中个体多样性，客服有可能陷入局部解的弊病；

经过运算后产生的新的迁移策略成为了新后代，对新的后代种群重复进行选择、交叉和变异操作，使得子代的迁移策略总比父代好，经过给定次数的迭代处理或达到适应函数要求后产生出最好的染色体基因作为迁移策略的近似最优目标解。

Images