CN103218261A - 一种基于性能预测的虚拟机动态迁移方法 - Google Patents

Abstract

本发明公开了一种基于性能预测的虚拟机动态迁移方法，其通过提取系统性能数据，使用奇异值分解定理得到奇异特征值，并对奇异特征值进行相似度分析，从而得到一个特征向量，再用反SVD算法得到系统下一个时刻的性能预测值，进而根据未来性能预测值启动虚拟机动态迁移机制。本发明性能预测机制能够作出准确的预测值，动态迁移机制能够实现系统负载均衡；本发明通过有效地分析物理机的当前信息，及有效地预测未来负载，系统可以有效应对突发性负载，减少不必要的迁移所带来的性能损失。

Description

一种基于性能预测的虚拟机动态迁移方法

技术领域

本发明属于计算机服务技术领域，具体涉及一种基于性能预测的虚拟机动态迁移方法。

背景技术

由于应用程序信息的不确定性以及物理机处理能力的差异性导致了虚拟计算环境中物理机的负载失衡，因此如何在网络中协调不同物理机的负载、维持高效的资源使用率，是虚拟化技术一个关键问题。普遍的做法是根据物理机系统中各个物理机资源的不同利用情况，利用虚拟机迁移技术，把资源利用率高的物理机上的虚拟机迁移到最合适的目标节点上，从而维持系统性能的稳定。

在一般的虚拟机迁移技术中，负载均衡算法包含三个部分：（1）迁移时机的选择，即确定什么时候应该迁移一个虚拟机，以确保整个物理机上的性能始终维持较佳状态；（2）候选迁移虚拟机的选择，即确定哪些虚拟机应该被迁移；（3）虚拟机迁移目的地的选择，即确定虚拟机应该被迁移到哪个目标物理机上。

尽管目前存在动态迁移方面的技术，如专利申请号为201210137244.5的中国专利申请提出了一套虚拟机的动态迁移技术，包括：获取第一物理机组内的各个物理机的负载信息，所述第一物理机组内的各个物理机共用同一个接入交换机；根据第一动态资源调度策略和所述第一物理机组内各个物理机的负载信息，确定所述第一物理机组内的源物理机和目的物理机；所述源物理机为所述负载信息超过第一阈值的物理机，所述目的物理机为所述负载信息小于第二阈值的物理机；所述第一阈值大于所述第二阈值；根据第二动态资源调度策略，向所述源物理机下发迁移指令，所述迁移指令包括待迁移虚拟机标识和所述目的物理机的标识，用以使所述源物理机根据所述迁移指令，将所述源物理机上与所述待迁移虚拟机标识对应的虚拟机迁移到与所述目的物理机的标识对应的目的物理机中，使得所述目的物理机在接收所述源物理机上与所述待迁移虚拟机标识对应的虚拟机之后的负载信息小于所述第一阈值，以及迁出虚拟机之后的源物理机的负载信息小于所述第一阈值。然而该技术不能对现有的负载信息进行充分分析，致使系统一方面进行无效用的迁移，另一方面面对大量突发必负载时还可能导致频繁的迁移，影响了系统性能，无法发挥调节负载作用。

性能预测是以SVD（Singular Value Decomposition，奇异值分解）理论对负载进行分析之后产生相对准确的性能预测值，从而有效的支撑动态迁移。SVD是线性代数中一种重要的矩阵分解，也是矩阵分析中正规矩阵对角化的推广。该理论在信号处理、数据挖掘、统计学等领域中应用非常广泛。

发明内容

针对现有技术所存在的上述技术问题，本发明提供了一种基于性能预测的虚拟机动态迁移方法，能够实现整个物理机系统的负载均衡。

一种基于性能预测的虚拟机动态迁移方法，包括如下步骤：

（1）对于物理机系统中的任一台物理机，构建其负载信息矩阵W；并对所述的负载信息矩阵W进行SVD分解，得到时间参数相关矩阵U、奇异值对角对阵Σ和中介系数矩阵V；

（2）对时间参数相关矩阵U中各行元素集合进行相似度分析，提取出与当前时刻相似度最大的元素集合T_c，进而计算出物理机的负载预测信息集合Z_f；

（3）根据物理机的当前负载信息以及负载预测信息集合Z_f，判断是否需要对该物理机进行虚拟机迁移：若是，则执行步骤（4）；若否，则返回步骤（1）判断下一台物理机；

（4）根据物理机的负载预测信息集合Z_f，确定物理机未来利用率最大的资源类型，并选取当前物理机上该资源类型利用率最大的虚拟机作为待迁移虚拟机；

（5）从物理机系统其他物理机中选取出一台作为目标物理机，并将待迁移虚拟机迁移加载至该目标物理机上；

（6）返回步骤（1）判断下一台物理机，并依此循环遍历物理机系统中的每台物理机。

所述的负载信息矩阵W的表达式如下：

$W=\left(\begin{array}{c}{S}_0\\ S_1\\ .\\ .\\ .\\ S_m\end{array}\right)=\left[\begin{array}{cccc}{s}_{01}& s_{02}& s_{03}& s_{04}\\ s_{11}& s_{12}& s_{13}& s_{14}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ s_{m1}& s_{m2}& s_{m3}& s_{m4}\end{array}\right]$

其中：S₀、S₁和S_m分别为物理机当前时刻、前一时刻以及前m时刻的负载信息集合，S₀由四个元素s₀₁～s₀₄组成，s₀₁～s₀₄分别表示物理机当前时刻的CPU利用率、内存利用率、I/O利用率和网络带宽利用率，负载信息矩阵W中除去S₀以外的其他任一负载信息集合S_i均由四个元素s_i1～s_i4组成，s_i1～s_i4分别表示物理机前i时刻的CPU利用率、内存利用率、I/O利用率和网络带宽利用率，i为自然数且1≤i≤m，m为大于1的自然数。

所述的步骤（1）中，根据以下关系式对负载信息矩阵W进行SVD分解：

其中：时间参数相关矩阵U为正交矩阵，其由m+1行元素集合T₀～T_m组成，每行元素集合由m+1个元素组成；奇异值对角对阵Σ由m+1行元素集合组成，每行元素集合由4个元素组成，其中前4行元素集合组成了一4×4的对角矩阵，其他元素集合中的元素均为0；中介系数矩阵V由4行元素集合F₀～F₃组成，每行元素集合由4个元素组成。

所述的步骤（2）中，提取出与当前时刻相似度最大的元素集合T_c的方法如下：

首先，根据以下算式计算时间参数相关矩阵U中第一行元素集合T₀与其他各行元素集合的夹角θ：

$U=\left(\begin{array}{c}{T}_0\\ T_1\\ .\\ .\\ .\\ T_m\end{array}\right)$     T₀*T_j＝cosθ

其中：T_j表示时间参数相关矩阵U中除去T₀以外的其他任一行元素集合，j为自然数且1≤j≤m，m为大于1的自然数；

然后，取与T₀夹角θ最小的元素集合作为与当前时刻相似度最大的元素集合T_c。

所述的步骤（2）中，根据以下算式计算物理机的负载预测信息集合Z_f：

Z_f＝T_f*Σ*V

T_f＝α*T₀+β*T_c-1

其中：T₀为时间参数相关矩阵U中的第一行元素集合，T_c-1为时间参数相关矩阵U中元素集合T_c的前一行元素集合，α和β均为给定的权重系数且为实际经验值。

优选地，所述的步骤（2）中，根据以下算式计算物理机的负载预测信息集合Z_f：

$Z_f=T_f*\stackrel{\‾}{\mathrm{\Σ}}*V$

T_f＝α*T₀+β*T_c-1

其中：T₀为时间参数相关矩阵U中的第一行元素集合，T_c-1为时间参数相关矩阵U中元素集合T_c的前一行元素集合，α和β均为给定的权重系数且为实际经验值；

为将奇异值对角对阵Σ中第四行元素集合中最末一位元素置0后得到的矩阵；该处理过程能有效剔除干扰预测结果的噪音。

所述的步骤（3）中，判断是否需要对物理机进行虚拟机迁移的方法如下：

a.根据以下算式计算物理机的当前负载值L₀：

L₀＝α₁*s₀₁+α₂*s₀₂+α₃*s₀₃+α₄*s₀₄

其中，s₀₁～s₀₄分别表示物理机当前时刻的CPU利用率、内存利用率、I/O利用率和网络带宽利用率，α₁～α₄均为给定的权重系数且为实际经验值；

b.判断当前负载值L₀是否大于给定的负载阈值K1，若是，则执行步骤c；若否，则返回步骤（1）判断下一台物理机；

c.根据以下算式计算物理机的未来负载值L_f：

L_f＝α₁*z_f1+α₂*z_f2+α₃*z_f3+α₄*z_f4

其中，z_f1～z_f4分别为负载预测信息集合Z_f中的四个元素且分别表示物理机下一时刻的CPU利用率、内存利用率、I/O利用率和网络带宽利用率；

d.判断未来负载值L_f是否大于所述的负载阈值K1，若是，则执行步骤（4）；若否，则返回步骤（1）判断下一台物理机。

所述的步骤（4）中，取负载预测信息集合Z_f中最大的元素所对应的资源类型为物理机未来利用率最大的资源类型。

所述的步骤（5）中，从物理机系统其他物理机中选取出一台作为目标物理机的方法为：

A.根据以下算式计算物理机系统其他各台物理机的当前负载值L₀，取当前负载值L₀最小的物理机作为候选物理机；

L₀＝α₁*s₀₁+α₂*s₀₂+α₃*s₀₃+α₄*s₀₄

其中，s₀₁～s₀₄分别表示物理机当前时刻的CPU利用率、内存利用率、I/O利用率和网络带宽利用率，α₁～α₄均为给定的权重系数且为实际经验值；

B.根据步骤（1）和（2）求得候选物理机的负载预测信息集合H_f，并根据以下算式计算候选物理机的未来负载值L_f：

L_f＝α₁*h_f1+α₂*h_f2+α₃*h_f3+α₄*h_f4

其中，h_f1～h_f4分别为负载预测信息集合H_f中的四个元素且分别表示候选物理机下一时刻的CPU利用率、内存利用率、I/O利用率和网络带宽利用率；

C.判断候选物理机的未来负载值L_f是否小于给定的负载阈值K2，若是，则执行步骤D；若否，则剔除该候选物理机后返回执行步骤A；

D.使候选物理机的当前负载值L₀与未来负载值L_f相加得到负载值L，判断负载值L是否小于给定的负载阈值K1，若是，则将该候选物理机作为目标物理机；若否，则剔除该候选物理机后返回执行步骤A。

本发明性能预测机制能够作出准确的预测值，动态迁移机制能够实现系统负载均衡；本发明通过有效地分析物理机的当前信息，及有效地预测未来负载，系统可以有效应对突发性负载，减少不必要的迁移所带来的性能损失。

附图说明

图1为本发明对物理机性能预测机制的执行流程示意图。

图2为本发明动态迁移机制的执行流程示意图。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。

如图1和图2所示，一种基于性能预测的虚拟机动态迁移方法，包括如下步骤：

（1）对于物理机系统中的任一台物理机，通过获取其历史资源数据，构建其负载信息矩阵W，具体表达式如下：

$W=\left(\begin{array}{c}{S}_0\\ S_1\\ .\\ .\\ .\\ S_m\end{array}\right)=\left[\begin{array}{cccc}{s}_{01}& s_{02}& s_{03}& s_{04}\\ s_{11}& s_{12}& s_{13}& s_{14}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ s_{m1}& s_{m2}& s_{m3}& s_{m4}\end{array}\right]$

其中：S₀、S₁和S_m分别为物理机当前时刻、前一时刻以及前m时刻的负载信息集合，S₀由四个元素s₀₁～s₀₄组成，s₀₁～s₀₄分别表示物理机当前时刻的CPU利用率、内存利用率、I/O利用率和网络带宽利用率，负载信息矩阵W中除去S₀以外的其他任一负载信息集合S_i均由四个元素s_i1～s_i4组成，s_i1～s_i4分别表示物理机前i时刻的CPU利用率、内存利用率、I/O利用率和网络带宽利用率，i为自然数且1≤i≤m；本实施方式中m取99，相邻时刻的时间间隔为5秒。

根据以下关系式对负载信息矩阵W进行SVD分解，得到时间参数相关矩阵U、奇异值对角对阵Σ和中介系数矩阵V；

其中：时间参数相关矩阵U为正交矩阵，其由m+1行元素集合T₀～T_m组成，每行元素集合由m+1个元素组成；奇异值对角对阵Σ由m+1行元素集合组成，每行元素集合由4个元素组成，其中前4行元素集合组成了一4×4的对角矩阵，其他元素集合中的元素均为0；中介系数矩阵V由4行元素集合F₀～F₃组成，每行元素集合由4个元素组成。

（2）对时间参数相关矩阵U中各行元素集合进行相似度分析；首先，根据以下算式计算时间参数相关矩阵U中第一行元素集合T₀与其他各行元素集合的夹角θ：

$U=\left(\begin{array}{c}{T}_0\\ T_1\\ .\\ .\\ .\\ T_m\end{array}\right)$     T₀*T_j＝cosθ

其中：T_j表示时间参数相关矩阵U中除去T₀以外的其他任一行元素集合，j为自然数且1≤j≤m；

然后，取与T₀夹角θ最小的元素集合作为与当前时刻相似度最大的元素集合T_c。

最后，根据以下算式计算物理机的负载预测信息集合Z_f：

$Z_f=T_f*\stackrel{\‾}{\mathrm{\Σ}}*V$

T_f＝α*T₀+β*T_c-1

其中：T_c-1为时间参数相关矩阵U中元素集合T_c的前一行元素集合，α和β均为给定的权重系数；

为将奇异值对角对阵Σ中第四行元素集合中最末一位元素a₄置0后得到的矩阵；本实施方式中α=β=0.5。

（3）根据物理机的当前负载信息以及负载预测信息集合Z_f，判断是否需要对该物理机进行虚拟机迁移：

a.根据以下算式计算物理机的当前负载值L₀：

L₀＝α₁*s₀₁+α₂*s₀₂+α₃*s₀₃+α₄*s₀₄

其中，s₀₁～s₀₄分别表示物理机当前时刻的CPU利用率、内存利用率、I/O利用率和网络带宽利用率，α₁～α₄均为给定的权重系数；本实施方式中α₁=α₂=α₃=α₄=0.25。

b.判断当前负载值L₀是否大于给定的负载阈值K1（本实施方式中K1=83），若是，则执行步骤c；若否，则返回步骤（1）判断下一台物理机；

c.根据以下算式计算物理机的未来负载值L_f：

L_f＝α₁*z_f1+α₂*z_f2+α₃*z_f3+α₄*z_f4

其中，z_f1～z_f4分别为负载预测信息集合Z_f中的四个元素且分别表示物理机下一时刻的CPU利用率、内存利用率、I/O利用率和网络带宽利用率；

d.判断未来负载值L_f是否大于的负载阈值K1，若是，则执行步骤（4）；若否，则返回步骤（1）判断下一台物理机。

（4）根据物理机的负载预测信息集合Z_f，取负载预测信息集合Z_f中最大的元素所对应的资源类型（CPU、内存、I/O、网络带宽）为物理机未来利用率最大的资源类型，并选取当前物理机上该资源类型利用率最大的虚拟机作为待迁移虚拟机。

（5）从物理机系统其他物理机中选取出一台作为目标物理机：

A.根据以下算式计算物理机系统其他各台物理机的当前负载值L₀，取当前负载值L₀最小的物理机作为候选物理机；

L₀＝α₁*s₀₁+α₂*s₀₂+α₃*s₀₃+α₄*s₀₄

B.根据步骤（1）和（2）求得候选物理机的负载预测信息集合H_f，并根据以下算式计算候选物理机的未来负载值L_f：

L_f＝α₁*h_f1+α₂*h_f2+α₃*h_f3+α₄*h_f4

其中，h_f1～h_f4分别为负载预测信息集合H_f中的四个元素且分别表示候选物理机下一时刻的CPU利用率、内存利用率、I/O利用率和网络带宽利用率；

C.判断候选物理机的未来负载值L_f是否小于给定的负载阈值K2（本实施方式中K2=70），若是，则执行步骤D；若否，则剔除该候选物理机后返回执行步骤A；

D.使候选物理机的当前负载值L₀与未来负载值L_f相加得到负载值L，判断负载值L是否小于负载阈值K1，若是，则将该候选物理机作为目标物理机；若否，则剔除该候选物理机后返回执行步骤A。

选出目标物理机后，将待迁移虚拟机迁移加载至该目标物理机上。

（6）返回步骤（1）判断下一台物理机，并依此循环遍历物理机系统中的每台物理机。

以下我们采用了当前动态迁移领域最常用的两个算法（平均值预测算法和权重值预测算法）作为对比实验与本实施方式进行比对。在两组对比实验中，平均值预测算法的设计主要是过去10个时间单位的负载值的相加求平均的方式；权重值预测算法主要是过去3个时间单位的加权求和，其中，权重按时间依次递增。本实施方式、平均值预测算法和权重值预测算法分别对CPU、内存、I/O、网络带宽的预测值及真实数据值如表1～4所示。

表1

表2

表3

表4

根据以上四组数据，对比三个预测值对真实数据的平均偏差值，如表5所示；根据该表格数据的分析，可以发现本实施方式的准确性明显高于平均值预测算法及权重值预测算法。

表5

	CPU	内存	I/O	网络带宽
					本实施方式	15.4038	2.3309	2.7745	2.1215
平均值预测算法	24.5755	3.5845	2.8030	4.0116
					权重值预测算法	20.7185	7.6134	3.1806	3.7370

在相同的负载上限阀值情况下，系统的虚拟迁移次数就可以判断出系统应对突发性负载的能力，迁移次数越频繁则表示系统应对突发性负载的能力越弱，系统的稳定性也就非常差，反之则系统的稳定性较强。本实施方式、平均值预测算法及权重值预测算法在相同的测试情形下，得到的虚拟机迁移次数如表6所示：

表6

从上表分析可以得出结论，本实施方式相比平均值预测算法及权重值预测算法，可以明显的应对突发性负载，显著的提升系统的稳定性。

Claims (9)

1.一种基于性能预测的虚拟机动态迁移方法，包括如下步骤：

（1）对于物理机系统中的任一台物理机，构建其负载信息矩阵W；并对所述的负载信息矩阵W进行SVD分解，得到时间参数相关矩阵U、奇异值对角对阵Σ和中介系数矩阵V；

（2）对时间参数相关矩阵U中各行元素集合进行相似度分析，提取出与当前时刻相似度最大的元素集合T_c，进而计算出物理机的负载预测信息集合Z_f；

（3）根据物理机的当前负载信息以及负载预测信息集合Z_f，判断是否需要对该物理机进行虚拟机迁移：若是，则执行步骤（4）；若否，则返回步骤（1）判断下一台物理机；

（4）根据物理机的负载预测信息集合Z_f，确定物理机未来利用率最大的资源类型，并选取当前物理机上该资源类型利用率最大的虚拟机作为待迁移虚拟机；

（5）从物理机系统其他物理机中选取出一台作为目标物理机，并将待迁移虚拟机迁移加载至该目标物理机上；

（6）返回步骤（1）判断下一台物理机，并依此循环遍历物理机系统中的每台物理机。

2.根据权利要求1所述的虚拟机动态迁移方法，其特征在于：所述的负载信息矩阵W的表达式如下：

$W=\left(\begin{array}{c}{S}_0\\ S_1\\ .\\ .\\ .\\ S_m\end{array}\right)=\left[\begin{array}{cccc}{s}_{01}& s_{02}& s_{03}& s_{04}\\ s_{11}& s_{12}& s_{13}& s_{14}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ s_{m1}& s_{m2}& s_{m3}& s_{m4}\end{array}\right]$

其中：S₀、S₁和S_m分别为物理机当前时刻、前一时刻以及前m时刻的负载信息集合，S₀由四个元素s₀₁～s₀₄组成，s₀₁～s₀₄分别表示物理机当前时刻的CPU利用率、内存利用率、I/O利用率和网络带宽利用率，负载信息矩阵W中除去S₀以外的其他任一负载信息集合S_i均由四个元素s_i1～s_i4组成，s_i1～s_i4分别表示物理机前i时刻的CPU利用率、内存利用率、I/O利用率和网络带宽利用率，i为自然数且1≤i≤m，m为大于1的自然数。

3.根据权利要求1所述的虚拟机动态迁移方法，其特征在于：所述的步骤（1）中，根据以下关系式对负载信息矩阵W进行SVD分解：

其中：时间参数相关矩阵U为正交矩阵，其由m+1行元素集合T₀～T_m组成，每行元素集合由m+1个元素组成；奇异值对角对阵Σ由m+1行元素集合组成，每行元素集合由4个元素组成，其中前4行元素集合组成了一4×4的对角矩阵，其他元素集合中的元素均为0；中介系数矩阵V由4行元素集合F₀～F₃组成，每行元素集合由4个元素组成。

4.根据权利要求1所述的虚拟机动态迁移方法，其特征在于：所述的步骤（2）中，提取出与当前时刻相似度最大的元素集合T_c的方法如下：

首先，根据以下算式计算时间参数相关矩阵U中第一行元素集合T₀与其他各行元素集合的夹角θ：

$U=\left(\begin{array}{c}{T}_0\\ T_1\\ .\\ .\\ .\\ T_m\end{array}\right)$     T₀*T_j＝cosθ

其中：T_j表示时间参数相关矩阵U中除去T₀以外的其他任一行元素集合，j为自然数且1≤j≤m，m为大于1的自然数；

然后，取与T₀夹角θ最小的元素集合作为与当前时刻相似度最大的元素集合T_c。

5.根据权利要求1所述的虚拟机动态迁移方法，其特征在于：所述的步骤（2）中，根据以下算式计算物理机的负载预测信息集合Z_f：

Z_f＝T_f*Σ*V

T_f＝α*T₀+β*T_c-1

其中：T₀为时间参数相关矩阵U中的第一行元素集合，T_c-1为时间参数相关矩阵U中元素集合T_c的前一行元素集合，α和β均为给定的权重系数。

6.根据权利要求1所述的虚拟机动态迁移方法，其特征在于：所述的步骤（2）中，根据以下算式计算物理机的负载预测信息集合Z_f：

$Z_f=T_f*\stackrel{\‾}{\mathrm{\Σ}}*V$

T_f＝α*T₀+β*T_c-1

其中：T₀为时间参数相关矩阵U中的第一行元素集合，T_c-1为时间参数相关矩阵U中元素集合T_c的前一行元素集合，α和β均为给定的权重系数；为将奇异值对角对阵Σ中第四行元素集合中最末一位元素置0后得到的矩阵。

7.根据权利要求1所述的虚拟机动态迁移方法，其特征在于：所述的步骤（3）中，判断是否需要对物理机进行虚拟机迁移的方法如下：

a.根据以下算式计算物理机的当前负载值L₀：

L₀＝α₁*s₀₁+α₂*s₀₂+α₃*s₀₃+α₄*s₀₄

其中，s₀₁～s₀₄分别表示物理机当前时刻的CPU利用率、内存利用率、I/O利用率和网络带宽利用率，α₁～α₄均为给定的权重系数；

b.判断当前负载值L₀是否大于给定的负载阈值K1，若是，则执行步骤c；若否，则返回步骤（1）判断下一台物理机；

c.根据以下算式计算物理机的未来负载值L_f：

L_f＝α₁*z_f1+α₂*z_f2+α₃*z_f3+α₄*z_f4

其中，z_f1～z_f4分别为负载预测信息集合Z_f中的四个元素且分别表示物理机下一时刻的CPU利用率、内存利用率、I/O利用率和网络带宽利用率；

d.判断未来负载值L_f是否大于所述的负载阈值K1，若是，则执行步骤（4）；若否，则返回步骤（1）判断下一台物理机。

8.根据权利要求1所述的虚拟机动态迁移方法，其特征在于：所述的步骤（4）中，取负载预测信息集合Z_f中最大的元素所对应的资源类型为物理机未来利用率最大的资源类型。

9.根据权利要求1所述的虚拟机动态迁移方法，其特征在于：所述的步骤（5）中，从物理机系统其他物理机中选取出一台作为目标物理机的方法为：

A.根据以下算式计算物理机系统其他各台物理机的当前负载值L₀，取当前负载值L₀最小的物理机作为候选物理机；

L₀＝α₁*s₀₁+α₂*s₀₂+α₃*s₀₃+α₄*s₀₄

其中，s₀₁～s₀₄分别表示物理机当前时刻的CPU利用率、内存利用率、I/O利用率和网络带宽利用率，α₁～α₄均为给定的权重系数；

B.根据步骤（1）和（2）求得候选物理机的负载预测信息集合H_f，并根据以下算式计算候选物理机的未来负载值L_f：

L_f＝α₁*h_f1+α₂*h_f2+α₃*h_f3+α₄*h_f4

其中，h_f1～h_f4分别为负载预测信息集合H_f中的四个元素且分别表示候选物理机下一时刻的CPU利用率、内存利用率、I/O利用率和网络带宽利用率；

C.判断候选物理机的未来负载值L_f是否小于给定的负载阈值K2，若是，则执行步骤D；若否，则剔除该候选物理机后返回执行步骤A；

D.使候选物理机的当前负载值L₀与未来负载值L_f相加得到负载值L，判断负载值L是否小于给定的负载阈值K1，若是，则将该候选物理机作为目标物理机；若否，则剔除该候选物理机后返回执行步骤A。

Images