CN103399799A - 云操作系统中计算物理资源节点负载评价的方法及装置 - Google Patents

Abstract

本发明公开了一种操作系统中计算物理资源节点负载评价的方法及装置，其中，所述方法包括：建立至少两组计算物理资源节点负载的数据模型，所述数据模型中的每个特征向量包括资源负载类型及其加权系数，所述资源负载类型包括处理器、内寸、带宽和/或磁盘；选择至少两组数据模型，根据所述两组数据模型中的特征向量计算马氏距离，按照计算结果给出当前物理资源节点的负载评价。本发明的方法和装置综合考虑了物理资源节点上各种负载的影响，通过改变加权因子动态调整关键负载分量对于负载评价的影响，并且通过对负载的评价，可以定位负载最优的虚拟资源宿主机，进而保证云操作系统的可用性和稳定性。

Description

云操作系统中计算物理资源节点负载评价的方法及装置

技术领域

本发明涉及通信领域，具体涉及一种云操作系统中计算物理资源节点负载评价的方法及装置。

背景技术

当前，云计算逐渐被行业认可，云数据中心操作系统逐渐实现并付诸于实践。在云数据中心操作系统中，计算物理资源节点的选择以及物理资源节点负载评价尤为重要，它直接关系着系统的可用性。

目前，大多数同类系统调度算法中，在获取物理机（物理资源节点）负载时，通常的做法是优先考虑内存的影响，其次再考虑cpu、带宽等负载的影响，这样的做法并没有综合考虑计算物理资源节点各种负载，并且没有分析不同负载对物理机的影响，故现有的评价算法并不完善，给云数据中心操作系统的可用性和稳定性带来了隐患。

发明内容

本发明需要解决的技术问题是提供一种操作系统中计算物理资源节点负载评价的方法及装置，保证云操作系统的可用性和稳定性。

为了解决上述技术问题，本发明提供了一种计算云操作系统中物理资源节点的负载评价的方法，包括：

建立至少两组计算物理资源节点负载的数据模型，所述数据模型中的每个特征向量包括资源负载类型及其加权系数，所述资源负载类型包括处理器、内寸、带宽和/或磁盘；

选择至少两组数据模型，根据所述两组数据模型中的特征向量计算马氏距离，按照计算结果给出当前物理资源节点的负载评价。

优选地，所述方法包括：

建立两组计算当前物理资源节点负载的数据模型，所述数据模型包括：资源负载的总容量模型和资源负载的使用量模型；

根据资源负载的总容量模型的特征向量和资源负载的使用量模型的特征向量计算马氏距离，按照计算结果给出当前物理资源节点负载评价。

优选地，所述资源负载的总容量模型为：{a₁*CC,a₂*MC,a₃*NC,a₄*DC}，其中，a₁、a₂、a₃、a₄代表加权系数，a₁+a₂+a₃+a₄=1；CC代表处理器总容量，MC代表内存总大小，NC代表总带宽，DC代表磁盘总容量；

所述资源负载的使用量模型为：{a₁*CU,a₂*MU,a₃*NU,a₄*DU}，其中，a₁、a₂、a₃、a₄代表加权系数，a₁+a₂+a₃+a₄=1；CU代表处理器过去一段时间平均已用量，MU代表内存过去一段时间平均已用大小，NU代表过去一段时间平均已用带宽，DU代表磁盘过去一段时间平均已用容量；

按照以下公式根据所述数据模型中的特征向量计算马氏距离，具体包括：

$d_{\mathrm{ij}}=\sqrt{{(x_i-y_j)}^T{S}^{-1}(x_i-y_j)}$

其中，d_ij为马氏距离，用来度量物理资源节点的可用程度，i，j为正整数，T表示转置，-1表示矩阵的转置，x_i和y_j分别为两个数据模型中第i个和第j个特征向量，S为样本协方差矩阵。

优选地，所述按照计算结果给出当前物理资源节点负载评价，包括：

所述马氏距离的值越大，则该当前物理资源节点的负载越小，该物理资源节点的可用度越高。

优选地，所述加权系数根据业务需要设定，或者根据算法动态调整。

为了解决上述技术问题，本发明还提供了一种云操作系统中计算物理资源节点负载评价的装置，包括：

模型建立模块，用于建立至少两组计算物理资源节点负载的数据模型，所述数据模型中的每个特征向量包括资源负载类型及其加权系数，所述资源负载类型包括处理器、内寸、带宽和/或磁盘；

计算模块，用于选择至少两组数据模型，根据所述两组数据模型中的特征向量计算马氏距离；

负载评价模块，用于按照计算结果给出当前物理资源节点的负载评价。

优选地，所述模型建立模块，用于建立两组计算当前物理资源节点负载的数据模型，所述数据模型包括：资源负载的总容量模型和资源负载的使用量模型；

所述计算模块，用于根据资源负载的总容量模型的特征向量和资源负载的使用量模型的特征向量计算马氏距离。

优选地，所述资源负载的总容量模型为：{a₁*CC,a₂*MC,a₃*NC,a₄*DC}，其中，a₁、a₂、a₃、a₄代表加权系数，a₁+a₂+a₃+a₄=1；CC代表处理器总容量，MC代表内存总大小，NC代表总带宽，DC代表磁盘总容量；

所述资源负载的使用量模型为：{a₁*CU,a₂*MU,a₃*NU,a₄*DU}，其中，a₁、a₂、a₃、a₄代表加权系数，a₁+a₂+a₃+a₄=1；CU代表处理器过去一段时间平均已用量，MU代表内存过去一段时间平均已用大小，NU代表过去一段时间平均已用带宽，DU代表磁盘过去一段时间平均已用容量；

所述计算模块，用于按照以下公式根据所述数据模型中的特征向量计算马氏距离，具体包括：

$d_{\mathrm{ij}}=\sqrt{{(x_i-y_j)}^T{S}^{-1}(x_i-y_j)}$

其中，di_j为马氏距离，用来度量物理资源节点的可用程度，T表示转置，-1表示矩阵的转置，x_i和y_j分别为两个数据模型中第i个和第j个特征向量，S为样本协方差矩阵。

优选地，所述负载评价模块，用于按照计算结果给出当前物理资源节点的负载评价，包括：

所述马氏距离的值越大，则该当前物理资源节点的负载越小，该物理资源节点的可用度越高。

优选地，所述加权系数根据业务需要设定，或者根据算法动态调整。

与现有技术相比，本发明提供的操作系统中计算物理资源节点负载评价的方法及装置，综合考虑了物理资源节点上各种负载的影响，通过改变加权因子动态调整关键负载分量对于负载评价的影响，并且通过对负载的评价，可以定位负载最优的虚拟资源宿主机，进而保证云操作系统的可用性和稳定性。

附图说明

图1是实施例中云操作系统中计算物理资源节点负载评价的方法流程图；

图2是实施例中云操作系统中计算物理资源节点负载评价的方法流程图；

图3是实施例中云操作系统中计算物理资源节点负载评价的装置的结构图。

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明白，下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

实施例：

如图1所示，本实施例提供了一种云操作系统中计算物理资源节点负载评价的方法，包括以下步骤：

S101：建立至少两组计算物理资源节点负载的数据模型，所述数据模型中的每个特征向量包括资源负载类型及其加权系数；

所述资源负载类型包括处理器、内寸、带宽和/或磁盘；本实施例并不排斥其他资源负载类型，比如I/O利用率等，通过建立包含各种资源负载的数据模型，来综合考虑各种负载对物理资源节点的影响。

S102：选择至少两组数据模型，根据两组数据模型中的特征向量计算马氏距离；

S103：按照计算结果给出当前物理资源节点的负载评价。

在一个优选实施例中，如图2所示，本实施例的方法具体包括以下步骤：

S201：建立两组计算当前物理资源节点负载的数据模型，这两组数据模型分别是：资源负载的总容量模型和资源负载的使用量模型；

优选地，所述资源负载的总容量模型为：{a₁*CC,a₂*MC,a₃*NC,a₄*DC}，其中，a₁、a₂、a₃、a₄代表加权系数，a₁+a₂+a₃+a₄=1；CC代表处理器总容量，MC代表内存总大小，NC代表总带宽，DC代表磁盘总容量；

优选地，所述资源负载的使用量模型为：{a₁*CU,a₂*MU,a₃*NU,a₄*DU}，其中，a₁、a₂、a₃、a₄代表加权系数，a₁+a₂+a₃+a₄=1；CU代表处理器过去一段时间平均已用量，MU代表内存过去一段时间平均已用大小，NU代表过去一段时间平均已用带宽，DU代表磁盘过去一段时间平均已用容量。

由于处理器等负载在一段时间内的使用量变化很大，因此，将数据模型中的负载值取过去一段时间使用量的平均值，内存、带宽、磁盘等负载也同样取了使用量的平均值。

当然，在具体实施时并不限于以上两种数据模型，还可以建立其他数据模型对物理资源节点的负载进行评价。

其中，所述加权系数可以根据业务需要由管理员设定，比如对于内存能力较小的物理机（相对于CPU能力、网络带宽能力等），可以增加内存的加权系数；例如，可以同时调整资源负载的总容量模型和资源负载的使用量模型中内存的加权系数a1；也可以通过一定的算法去动态调整：比如遗传算法等，通过动态调整加权系数，进而动态调整关键负载分量对于负载评价的影响。

S202：根据资源负载的总容量模型的特征向量和资源负载的使用量模型的特征向量计算马氏距离；

其中，可以利用下面的公式根据资源负载的总容量模型和资源负载的使用量模型中的特征向量计算马氏距离：

$d_{\mathrm{ij}}=\sqrt{{(x_i-y_j)}^T{S}^{-1}(x_i-y_j)}$

其中，d_ij为马氏距离，用来度量物理资源节点的可用程度，T表示转置，-1表示矩阵的转置，x_i和y_j分别为两个数据模型中第i个和第j个特征向量，S为样本协方差矩阵。

这里，x_i代表物理资源节点总容量特征向量，y_j代表物理节点已用容量特征向量（这里的已用容量，可以是过去某段时间负载的均值，这样一定程度可以去除噪声），d_ij的数值，表明物理资源可用容量大小的一个评价值。d_ij越大，说明物理资源可用容量较大，反之，说明物理资源可用容量较小。

其中，已用容量和总容量模型中的加权值是对应的。例如，资源负载的总容量模型中处理器总容量CC的加权系数与资源负载的使用量模型中处理器过去一段时间平均已用量CU的加权系数均设为a1，对于物理资源的CPU负载要求较为敏感，则CPU的权值可以相应较大，例如设为0.8。

在利用上述公式计算马氏距离以评价物理资源节点的负载时，例如，过去1分钟内，统计的物理资源节点M负载（CPU、内存、带宽和磁盘）为[0.90,0.75,0.30,0.50]^T，加权系数分别为0.8,0.6,0.5,0.3，则对应公式中，已用容量：x_j为[0.72,0.45,0.15,0.15]^T，总容量：x_i为[0.8,0.6,0.5,0.3]^T，则S为[x_j，x_j]组成的矩阵的协方差矩阵，带入公式，求出d_ij，d_ij为一个数值，表示可用容量的大小。

S203：按照计算结果给出当前物理资源节点负载评价。

所述马氏距离d_ij的值越大，则该当前物理资源节点的负载越小，说明该物理资源节点的可用度越高，负载值越小说明越适合虚拟机运行，即通过对负载的评价，可以确定虚拟机运行的宿主机（物理机）。

如图3所示，本实施例还提供了一种云操作系统中计算物理资源节点负载评价的装置，包括：

模型建立模块，用于建立至少两组计算资源的数据模型，所述数据模型中的每个特征向量包括资源负载及其权重，所述资源负载包括处理器、内寸、带宽和/或磁盘等；

计算模块，用于选择至少两组数据模型，根据所述数据模型中的特征向量计算马氏距离；

负载评价模块，用于按照计算结果大小，给出当前计算资源的总体负载评价。

在一个应用示例中，所述模型建立模块，用于建立两组计算当前物理资源节点负载的数据模型，所述数据模型包括：资源负载的总容量模型和资源负载的使用量模型；

所述计算模块，用于根据资源负载的总容量模型的特征向量和资源负载的使用量模型的特征向量计算马氏距离。

其中，所述资源负载的总容量模型为：{a₁*CC,a₂*MC,a₃*NC,a₄*DC}，其中，a₁、a₂、a₃、a₄代表加权系数，a₁+a₂+a₃+a₄=1；CC代表处理器总容量，MC代表内存总大小，NC代表总带宽，DC代表磁盘总容量；

所述资源负载的使用量模型为：{a₁*CU,a₂*MU,a₃*NU,a₄*DU}，其中，a₁、a₂、a₃、a₄代表加权系数，a₁+a₂+a₃+a₄=1；CU代表处理器过去一段时间平均已用量，MU代表内存过去一段时间平均已用大小，NU代表过去一段时间平均已用带宽，DU代表磁盘过去一段时间平均已用容量；

所述计算模块，用于按照以下公式根据所述数据模型中的特征向量计算马氏距离，具体包括：

$d_{\mathrm{ij}}=\sqrt{{(x_i-y_j)}^T{S}^{-1}(x_i-y_j)}$

其中，d_ij为马氏距离，用来度量物理资源节点的可用程度，T表示转置，-1表示矩阵的转置，x_i和y_j分别为两个数据模型中第i个和第j个特征向量，S为样本协方差矩阵。

其中，所述负载评价模块，用于按照计算结果给出当前物理资源节点的负载评价，包括：

所述马氏距离的值越大，则该当前物理资源节点的负载越小，该物理资源节点的可用度越高。

所述加权系数根据业务需要设定，或者根据算法动态调整。

从上述实施例可以看出，相对于现有技术，上述实施例中提供的云操作系统中计算物理资源节点负载评价的方法及装置，通过建立数据模型综合考虑了物理资源节点上各种负载的影响，通过改变加权因子动态调整关键负载分量对于负载评价的影响，并且通过对负载的评价，可以定位负载最优的虚拟资源宿主机，进而保证云操作系统的可用性和稳定性。

本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成，所述程序可以存储于计算机可读存储介质中，如只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。

以上所述仅为本发明的优选实施例而已，并非用于限定本发明的保护范围。根据本发明的发明内容，还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种计算云操作系统中物理资源节点的负载评价的方法，包括：

建立至少两组计算物理资源节点负载的数据模型，所述数据模型中的每个特征向量包括资源负载类型及其加权系数，所述资源负载类型包括处理器、内寸、带宽和/或磁盘；

选择至少两组数据模型，根据所述两组数据模型中的特征向量计算马氏距离，按照计算结果给出当前物理资源节点的负载评价。

2.如权利要求1所述的方法，其特征在于：所述方法包括：

建立两组计算当前物理资源节点负载的数据模型，所述数据模型包括：资源负载的总容量模型和资源负载的使用量模型；

根据资源负载的总容量模型的特征向量和资源负载的使用量模型的特征向量计算马氏距离，按照计算结果给出当前物理资源节点负载评价。

3.如权利要求2所述的方法，其特征在于：

所述资源负载的总容量模型为：{a₁*CC,a₂*MC,a₃*NC,a₄*DC}，其中，a₁、a₂、a₃、a₄代表加权系数，a₁+a₂+a₃+a₄=1；CC代表处理器总容量，MC代表内存总大小，NC代表总带宽，DC代表磁盘总容量；

所述资源负载的使用量模型为：{a₁*CU,a₂*MU,a₃*NU,a₄*DU}，其中，a₁、a₂、a₃、a₄代表加权系数，a₁+a₂+a₃+a₄=1；CU代表处理器过去一段时间平均已用量，MU代表内存过去一段时间平均已用大小，NU代表过去一段时间平均已用带宽，DU代表磁盘过去一段时间平均已用容量；

按照以下公式根据所述数据模型中的特征向量计算马氏距离，具体包括：

$d_{\mathrm{ij}}=\sqrt{{(x_i-y_j)}^T{S}^{-1}(x_i-y_j)}$

其中，d_ij为马氏距离，用来度量物理资源节点的可用程度，i，j为正整数，T表示转置，-1表示矩阵的转置，x_i和y_j分别为两个数据模型中第i个和第j个特征向量，S为样本协方差矩阵。

4.如权利要求1所述的方法，其特征在于：

所述按照计算结果给出当前物理资源节点负载评价，包括：

所述马氏距离的值越大，则该当前物理资源节点的负载越小，该物理资源节点的可用度越高。

5.如权利要求1所述的方法，其特征在于：

所述加权系数根据业务需要设定，或者根据算法动态调整。

6.一种云操作系统中计算物理资源节点负载评价的装置，包括：

模型建立模块，用于建立至少两组计算物理资源节点负载的数据模型，所述数据模型中的每个特征向量包括资源负载类型及其加权系数，所述资源负载类型包括处理器、内寸、带宽和/或磁盘；

计算模块，用于选择至少两组数据模型，根据所述两组数据模型中的特征向量计算马氏距离；

负载评价模块，用于按照计算结果给出当前物理资源节点的负载评价。

7.如权利要求6所述的装置，其特征在于：

所述模型建立模块，用于建立两组计算当前物理资源节点负载的数据模型，所述数据模型包括：资源负载的总容量模型和资源负载的使用量模型；

所述计算模块，用于根据资源负载的总容量模型的特征向量和资源负载的使用量模型的特征向量计算马氏距离。

8.如权利要求7所述的装置，其特征在于：

所述资源负载的总容量模型为：{a₁*CC,a₂*MC,a₃*NC,a₄*DC}，其中，a₁、a₂、a₃、a₄代表加权系数，a₁+a₂+a₃+a₄=1；CC代表处理器总容量，MC代表内存总大小，NC代表总带宽，DC代表磁盘总容量；

所述资源负载的使用量模型为：{a₁*CU,a₂*MU,a₃*NU,a₄*DU}，其中，a₁、a₂、a₃、a₄代表加权系数，a₁+a₂+a₃+a₄=1；CU代表处理器过去一段时间平均已用量，MU代表内存过去一段时间平均已用大小，NU代表过去一段时间平均已用带宽，DU代表磁盘过去一段时间平均已用容量；

所述计算模块，用于按照以下公式根据所述数据模型中的特征向量计算马氏距离，具体包括：

$d_{\mathrm{ij}}=\sqrt{{(x_i-y_j)}^T{S}^{-1}(x_i-y_j)}$

其中，d_ij为马氏距离，用来度量物理资源节点的可用程度，T表示转置，-1表示矩阵的转置，x_i和y_j分别为两个数据模型中第i个和第j个特征向量，S为样本协方差矩阵。

9.如权利要求6所述的装置，其特征在于：

所述负载评价模块，用于按照计算结果给出当前物理资源节点的负载评价，包括：

所述马氏距离的值越大，则该当前物理资源节点的负载越小，该物理资源节点的可用度越高。

10.如权利要求6所述的装置，其特征在于：

所述加权系数根据业务需要设定，或者根据算法动态调整。

Images