CN102999389A - 一种基于心跳幅度的虚拟机动态迁移选择方法 - Google Patents

Abstract

本发明公开了一种基于心跳幅度的虚拟机动态迁移选择方法，对于目标主机集群中的任意一个物理主机，首先对其上运行的所有虚拟机运行过程进行连续多点CPU使用量数据监测，其次是根据预先确定的分析模型对监测结果进行分析，并进行稳定性判断，最后依据判断结果决定当前选定的虚拟机是否进行迁移。本发明复杂度较低，使用简便，且能够有效地提升整个目标主机集群的虚拟机调度效率，提高整个系统的运行效率和稳定性。

Description

一种基于心跳幅度的虚拟机动态迁移选择方法

技术领域

本专利涉及一种云计算环境下虚拟机迁移选择方法，尤其是一种虚拟机动态迁移选择机制的改进，属于计算机网络领域。

背景技术

随着云计算理念的不断普及和深化，以虚拟化为主要支撑技术的资源管理模式逐渐成为人们关注的焦点和难点。据Gartner统计和预测，2009年，全球虚拟机节点总数约为1080万，2012年将达到5800万，且整体发展还呈现快速上升态势。一方面，虚拟化技术的不断普及极大地促进相关领域技术的发展，包括云资源管理技术、虚拟化迁移技术以及资源持续服务技术等；但另一方面，如何有效地对虚拟机迁移进行管理，特别是动态虚拟机迁移，逐渐成为一个急待解决的技术难题。目前，针对虚拟机迁移管理的研究工作主要涉及虚拟机负载检测和评估、待迁移虚拟机选择、目标迁移主机选择以及运行迁移执行等。

为了解决上述问题，领域研究人员纷纷开展了大量研究工作，并取得了很多有意义的研究成果，如文献“Optimal Online Deterministic Algorithms and Adaptive Heuristics forEnergy and Performance Efficient Dynamic Consolidation of Virtual Machines in Cloud DataCenters”（A Beloglazov，R Buyya.Concurrency and Computation:Practice and Experience.September 2012.24(13):1397-1420）和文献“Design and implementation of adaptivepower-aware virual machine provisioner(APA-VMP)using swarm intelligence”（RJeyarania,N Nagavenib,R Vasanth Ram.Future Generation Computer Systems.May2012,28(5):811-821）。但从现有进展来看，还有很多工作有待解决和完善。在虚拟机动态迁移选择方面，主要表现如下：所有方法都是基于个体对象偏离总体分布的思想而展开,只能选择占用资源最多或最小的目标个体，而不能选出最不稳定的目标个体。

发明内容

本发明的目的在于提供一种基于心跳幅度的虚拟机动态迁移选择方法，简便易行，且能够有效地提升整个目标主机集群的虚拟机调度效率，提高整个系统的运行效率和稳定性。

实现本发明目的的技术解决方案为：一种基于心跳幅度的虚拟机动态迁移选择方法，对于目标主机集群中的任意一个物理主机，首先对其上运行的所有虚拟机运行过程进行连续多点CPU使用量数据监测，其次是根据预先确定的分析模型对监测结果进行分析，并进行稳定性判断，最后依据判断结果决定当前选定的虚拟机是否进行迁移，具体过程为：

（1）依据具体应用需求，为目标主机集群M＝[M₁,M₂,...,M_mc]中所有物理主机设置相同运行虚拟机监控与调度参数，具体设置参数包括：CPU使用量采集周期T、安全系数S、历史数据记录数为N和物理主机负载判断方法为P，转步骤（2），其中mc表示集群中物理主机的数量；

（2）依次扫描目标主机集群中的所有物理主机，若所有物理主机已经扫描完成，则本次扫描操作结束；否则，扫描下一个物理主机，当P检测到某物理主机M_k出现运行超负载时，从M_k所包含的虚拟机集

中选择某虚拟机作为迁移对象，转步骤（3）；否则，即P检测到物理主机M_k处于正常运行状态，则完成本次迁移选择操作，其中P_k表示主机M_k中所包含虚拟机数量，1≤k≤mc，且k表示物理主机在目标主机集群中的编号；

（3）从主机M_k中选择TH最大的虚拟机V_k,j作为迁移选择结果，1≤j≤P_k，输出迁移选择结果，并将其迁移至待迁移的主机，转步骤（4）；

（4）若V_k,j迁移主机M_d后，使用P方法判断仍然为超负载，若超负载，则转步骤（2）；否则，完成本次迁移选择操作，1≤d≤mc，d表示物理主机在目标主机集群中的编号，且d≠k。

本发明与现有技术相比，其显著优点：复杂度较低，使用简便，且能够有效地提升整个目标主机集群的虚拟机调度效率，提高整个系统的运行效率和稳定性。

下面结合附图对本发明作进一步详细描述。

附图说明

图1是本发明基于心跳幅度的虚拟机动态迁移选择方法的流程图。

图2是消耗能量分析图。

图3是实际迁移VM数量分析图。

图4是每次激活主机的SLA时间分析图。

图5是VM选择时间分析图。

具体实施方式

结合图1，本发明基于心跳幅度的虚拟机动态迁移选择方法，对于目标主机集群（指由两个或两个以上物理主机组成的主机群组）中的任意一个物理主机，首先对其上运行的所有虚拟机（指运行中目标主机集群中任意主机节点的虚拟机）运行过程进行连续多点CPU使用量数据监测，其次是根据预先确定的分析模型（如心跳幅度、最小迁移时间、最大相关度以及随机选择等）对监测结果进行分析，并进行稳定性判断（如心跳幅度值最大、迁移时间最短、相关度最大等），最后依据判断结果决定当前选定的虚拟机是否进行迁移，具体过程如下：

1、依据具体应用需求，为目标主机集群M＝[M₁,M₂,...,M_mc]（其中，mc表示集群中物理主机的数量）中所有物理主机设置相同运行虚拟机监控与调度参数，具体设置参数包括：CPU使用量采集周期T，安全系数S，历史数据记录数为N，物理主机负载判断方法为P（如四分位距IQR，即将原始数列依据从小到大顺序重排序，然后将排序后的数列分成四等份，并取第三个四分位上值与第一个四分位上的值之差），转步骤2。

2、依次扫描目标主机集群中的所有物理主机。若所有物理主机已经扫描完成，则本次扫描操作结束；否则，扫描下一个物理主机。当P检测到某物理主机M_k（1≤k≤mc，且k表示物理主机在目标主机集群中的编号）出现运行超负载时，采用以下方法从M_k所包含的虚拟机集

（其中，P_k表示主机M_k中所包含虚拟机数量）中选择某虚拟机作为迁移对象。设虚拟机V_k,i(1≤i≤P_k，且k表示当前虚拟机所在物理主机的编号，i表示当前虚拟机在物理主机M_k虚拟机列表中的编号)历史数据记录表为R_k，i＝[R_k，i，1,R_k，i，2,...,R_k，i，N]，TH表示迁移评估参数，且

$\mathrm{TH}=1-S\×\frac{\left(\right|R_{k,i,2}-R_{k,i,1}|+|R_{k,i,3}-R_{k,i,2}|+...+|R_{k,i,N}-R_{k,i,N-1}\left|\right)}{N-1}$

转步骤3；否则，即P检测到物理主机M_k处于正常运行状态，则完成本次迁移选择操作。

3、从主机M_k中选择TH最大的虚拟机V_k,j(1≤j≤P_k)作为迁移选择结果，输出迁移选择结果，并将其迁移至待迁移的主机（指依据P算法或依据其它策略判断为低负载的物理主机，以便提高整个目标主机集群的运行效率和稳定性。具体迁移操作可启动主机迁移指令即可，且该过程与本方法相互独立），转步骤4。

4、若V_k,j迁移主机M_d（1≤d≤mc，d表示物理主机在目标主机集群中的编号，且d≠k）后，使用P方法判断仍然为超负载，若超负载，则转步骤2；否则，完成本次迁移选择操作。

实施例

结合图1，本发明基于心跳幅度的虚拟机动态迁移选择方法，步骤如下：

利用虚拟机运行过程中连续两个时刻CPU资源使用量之差的绝对值作为心跳幅度值，并以某一分析时域内的虚拟机资源心跳幅度值统计分析（如均方差，标准差等）结果作为评价基准，实现对目标虚拟机可迁移性的判定。

以CoMon项目2011年三月和四月八组测试场景数据为例，该场景数据中涉及全球500个服务器中心，800台主机节点，以及约1000个左右的VM节点数量，且对于整个场景中每个VM的负载轨迹都是随机生成的。

采取以下步骤进行计算：

1、依据具体应用需求，为目标主机集群M＝[M₁,M₂,...,M₈₀₀]中所有物理主机设置相同运行虚拟机监控与调度参数，具体设置参数包括：CPU使用量采集周期T为300微秒，安全系数S为1.5，历史数据记录数为N为12个，物理主机负载判断方法P为四分位数间距方法（IQR），转步骤2。

2、依次扫描目标主机集群中的所有物理主机。若所有物理主机已经扫描完成，则本次扫描操作结束；否则，扫描下一个物理主机。当P检测到某物理主机M_k（1≤k≤800）出现运行超负载时，采用以下方法从M_k所包含的虚拟机集

（其中，P_k表示主机M_k中所包含虚拟机数量）中选择某虚拟机作为迁移对象。设虚拟机V_k,i(1≤i≤P_k)历史数据记录表为R_k，i＝[R_k，i，1,R_k，i，2,...,R_k，i，12]，TH表示迁移评估参数，且

$\mathrm{TH}=1-S\×\frac{\left(\right|R_{k,i,2}-R_{k,i,1}|+|R_{k,i,3}-R_{k,i,2}|+...+|R_{k,i,12}-R_{k,i,11})}{11}$

转步骤3；否则，即P检测到物理主机M_k处于正常运行状态，则完成本次迁移选择操作。

3、从主机M_k中选择TH最大的虚拟机V_k,j(1≤j≤P_k)作为迁移选择结果，输出迁移选择结果，并将其迁移至待迁移的主机（指依据P算法或依据其它策略判断为低负载的物理主机，以便提高整个目标主机集群的运行效率和稳定性。具体迁移操作可启动主机迁移指令即可，且该过程与本方法相互独立），转步骤4。

4、若V_k,j迁移主机M_d（1≤d≤800，d表示物理主机在目标主机集群中的编号，且d≠k）后，使用P方法判断仍然为超负载，若超负载，则转步骤2；否则，完成本次迁移选择操作。

至此可完成整个目标主机集群各物理主机中的虚拟机迁移判定和迁移实施，并达到在每次迁移对象选择过程中获取最不稳定虚拟机，进而提升了整个系统的稳定性和运行效率。

通常，迁移VM数量用于表征整个系统运行的稳定性，且成反关系；每次激活主机的SLA时间用于表征整个集群物理主机的运行效率，且成反关系；VM选择时间用于表征整个系统的运维效率（即虚拟机调度效率）；结合，图2、图3、图4以及图5，四者分别从消耗能量、实际迁移VM数量、每次激活主机的SLA时间、VM选择时间等角度出发，对本方法的有效性和有用性提供支撑。其中，HBS代表基于心跳幅度的虚拟机动态迁移选择方法，MC代表基于最大相关度的虚拟机动态迁移选择方法，MMT代表基于最小迁移时间的虚拟机动态迁移选择方法，MU代表基于CPU最小使用量的虚拟机动态迁移选择方法。由图2可知，四种方法消耗能量大体相同。但在同等情况下，由图3、图4以及图5可知，基于心跳幅度的虚拟机动态迁移选择方法在虚拟机迁移VM数量、每次激活主机的SLA时间以及VM选择时间等方面较其它方法具有优势。

Claims (2)

1.一种基于心跳幅度的虚拟机动态迁移选择方法，其特征在于对于目标主机集群中的任意一个物理主机，首先对其上运行的所有虚拟机运行过程进行连续多点CPU使用量数据监测，其次是根据预先确定的分析模型对监测结果进行分析，并进行稳定性判断，最后依据判断结果决定当前选定的虚拟机是否进行迁移，具体过程为：

（1）依据具体应用需求，为目标主机集群M＝[M₁,M₂,...,M_mc]中所有物理主机设置相同运行虚拟机监控与调度参数，具体设置参数包括：CPU使用量采集周期T、安全系数S、历史数据记录数为N和物理主机负载判断方法为P，转步骤（2），其中mc表示集群中物理主机的数量；

（2）依次扫描目标主机集群中的所有物理主机，若所有物理主机已经扫描完成，则本次扫描操作结束；否则，扫描下一个物理主机，当P检测到某物理主机M_k出现运行超负载时，从M_k所包含的虚拟机集

中选择某虚拟机作为迁移对象，转步骤（3）；否则，即P检测到物理主机M_k处于正常运行状态，则完成本次迁移选择操作，其中P_k表示主机M_k中所包含虚拟机数量，1≤k≤mc，且k表示物理主机在目标主机集群中的编号；

（3）从主机M_k中选择TH最大的虚拟机V_k,j作为迁移选择结果，1≤j≤P_k，输出迁移选择结果，并将其迁移至待迁移的主机，转步骤（4）；

（4）若V_k,j迁移主机M_d后，使用P方法判断仍然为超负载，若超负载，则转步骤（2）；否则，完成本次迁移选择操作，1≤d≤mc，d表示物理主机在目标主机集群中的编号，且d≠k。

2.根据权利要求1所述的基于心跳幅度的虚拟机动态迁移选择方法，其特征在于步骤（2）中，采用以下方法从M_k所包含的虚拟机集

中选择某虚拟机作为迁移对象：设虚拟机V_k，i历史数据记录表为R_k,i＝[R_k，i，1,R_k，i，2,...,R_k，i，N]，TH表示迁移评估参数，且

$\mathrm{TH}=1-S\×\frac{\left(\right|R_{k,i,2}-R_{k,i,1}|+|R_{k,i,3}-R_{k,i,2}|+...+|R_{k,i,N}-R_{k,i,N-1}\left|\right)}{N-1}$

其中1≤i≤P_k，且k表示当前虚拟机所在物理主机的编号，i表示当前虚拟机在物理主机M_k虚拟机列表中的编号。

Images