CN103677960A - 一种能耗约束的虚拟机博弈重放置方法 - Google Patents

一种能耗约束的虚拟机博弈重放置方法 Download PDF

Info

Publication number
CN103677960A
CN103677960A CN201310710108.5A CN201310710108A CN103677960A CN 103677960 A CN103677960 A CN 103677960A CN 201310710108 A CN201310710108 A CN 201310710108A CN 103677960 A CN103677960 A CN 103677960A
Authority
CN
China
Prior art keywords
virtual machine
physical node
energy consumption
cpu
node
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201310710108.5A
Other languages
English (en)
Other versions
CN103677960B (zh
Inventor
郭良敏
罗永龙
王涛春
陈付龙
左开中
孙丽萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Normal University
Original Assignee
Anhui Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui Normal University filed Critical Anhui Normal University
Priority to CN201310710108.5A priority Critical patent/CN103677960B/zh
Publication of CN103677960A publication Critical patent/CN103677960A/zh
Application granted granted Critical
Publication of CN103677960B publication Critical patent/CN103677960B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种能耗约束的虚拟机博弈重放置方法,包括将所有物理节点按所承载的虚拟机数量升序排列放入三个组合里;计算R3中物理节点上的CPU、内存、网络的未来负载值;将不在进行虚拟机迁移的物理节点按CPU、内存、网络的未来负载状况分成三组;根据源物理节点所属的节点集合,对目的物理节点的选择进行预处理;通过能耗算法计算每个待迁虚拟机重放置到对应候选集中各节点的能耗变化量,设使得虚拟机对应的最大的物理节点为,若有多个虚拟机对应的能耗变化量最大的物理节点相同,通过以整体能耗最优为目标的博弈算法选出待迁虚拟机所对应的目的物理节点,并将虚拟机重放置到该物理节点上,本发明通过剔除误差数据,从而提高未来负载预测的准确性。

Description

一种能耗约束的虚拟机博弈重放置方法
技术领域
本发明涉及一种在云数据中心中能耗约束的虚拟机博弈重放置方法,属于计算机网络技术领域。
背景技术
随着云计算技术的快速发展,企业或单位信息化的应用在不断增多,服务要求在不断提高,利用虚拟化技术构建可自由伸缩、按需分配的虚拟资源池,已成为众多企业的迫切需求。在用户需求的不断驱使下,云环境数据中心中的虚拟机规模在不断扩大,对虚拟机的资源调度技术提出了新的挑战。在大规模虚拟机集群中,虚拟机数目和虚拟机的负载会随用户需求而经常发生变化。当物理节点上运行的多个或所有虚拟机都在执行计算任务时,极有可能产生资源争用的情况,增加了任务的执行时间、降低了服务质量。与此同时,有些物理节点处于负载比较低或空闲的状态或单一资源使用密集型,其上的各类资源或某类资源并没有得到充分利用。另外,当物理节点上运行的虚拟机没有执行计算任务时,计算资源仍被运行着的虚拟机占用,使其他执行计算任务的虚拟机无法使用紧缺的计算资源。若采用静态的资源管理常常会使虚拟机产生资源浪费或不足的情况,而人工的动态资源调度又会有明显的滞后性。因此,如何有效解决用户需求的不断变化所产生的资源浪费或不足问题,如高负载物理节点的资源不够用、低负载物理节点的资源得不到充分利用,是当前资源调度技术亟待解决的重要问题之一。
发明内容
针对以上现有技术的问题,本发明提出一种在云环境数据中心中能耗约束的虚拟机博弈重放置方法,基于博弈和灰色预测理论,以缓解物理节点资源不够用或资源利用不充分的状况,并尽可能地节约能耗。
本发明的技术方案:一种能耗约束的虚拟机博弈重放置方法,该方法包括以下步骤:步骤一,将所有物理节点按所承载的虚拟机数量升序排列,把已承载虚拟机的数量小于临界值λ的物理节点放到集合R1中,把已承载虚拟机的数量小于安全阈值Θ且大于临界值λ的物理节点放到集合R2中,大于安全阈值Θ的物理节点放到集合R3中;步骤二,计算R3中物理节点上的CPU、内存、网络的未来负载值ucpu,umem,unet;步骤三,将R3中不在进行虚拟机迁移的物理节点pi按CPU、内存、网络的未来负载状况分成三组:高负载组Grouphigh、负载不均衡组Groupimbalance和负载正常组Groupnormal,若
Figure BDA0000441280810000021
则pi∈Grouphigh,若
Figure BDA0000441280810000022
则pi∈Groupimbalance,否则,pi∈Groupnormal,其中,Ωcpumemnet分别表示单个物理节点中CPU、内存、网络资源的负载上界;步骤四,根据源物理节点所属的节点集合,对目的物理节点的选择进行预处理,选择符合条件
Figure BDA0000441280810000027
Figure BDA0000441280810000023
的物理节点,从而获得适合每个待迁虚拟机重放置的目的物理节点候选集s1,s2,...,si,...,sz,其中,z为待迁虚拟机数量,z个待迁虚拟机分别为v1,v2,...,vi,...,vz;步骤五,通过能耗算法计算每个待迁虚拟机重放置到对应候选集中各节点的能耗变化量△Ev,设使得虚拟机vi对应的
Figure BDA0000441280810000028
最大的物理节点为pi,若pj与pi均不相同,其中j=1,2,...,i-1,i+1,...,z,则将vi直接放置到目的物理节点pi上,若有多个虚拟机对应的能耗变化量最大的物理节点相同,通过以整体能耗最优为目标的博弈算法选出待迁虚拟机所对应的目的物理节点,并将虚拟机重放置到该物理节点上。
上述方法中所述步骤二利用灰色预测理论中的无偏GM(1,1)模型进行计算,对原始序列的获取做了进一步细化,其中
Figure BDA0000441280810000025
表示第i个较短时间内的负载测量值,具体做法为:对每个时间段内的负载进行k次测量若k次测量的数据近似服从正态分布,利用t检验法对k次测量数据进行误差数据的剔除,把留下的测量数据的算术平均值作为该时间段内的负载测量值。
上述方法中所述步骤五中能耗算法包括以下步骤:步骤一、计算单个物理节点在单位时间内的能耗P=Pcpu+Pother,其中,Pother是单个物理节点的其他物理设备在单位时间内的总能耗,Pcpu是单个物理节点的CPU在单位时间内的能耗;步骤二、计算在时间T内单个物理节点的能耗E=P×T;步骤三、计算重新放置虚拟机v后的能耗变化量
Figure BDA0000441280810000031
其中Esrc(v)是源物理节点在虚拟机v迁出前的能耗;
Figure BDA0000441280810000032
是目的物理节点在虚拟机v迁入前的能耗;
Figure BDA0000441280810000033
是源物理节点在虚拟机v迁出后的能耗;Edest(v)是目的物理节点在虚拟机v迁入后的能耗;
Figure BDA0000441280810000034
是虚拟机v迁移产生的能耗。
上述方法中所述步骤五中博弈算法步骤为:步骤一、各个待迁虚拟机是博弈的参与方v1,v2,...,vj,...vk(k≤z),参与方vj的策略集合STj={合作,竞争},其中“合作”表示参与方vj愿意以整体能耗最优为目标,“竞争”表示参与方vj以自身能耗最优为目标,虚拟机v重放置到目的物理节点上的收益Uv(·)=△Ev步骤二、在T时间段内,各虚拟机重放置的总收益为Uall(·)=∑△Ev,博弈以最大化Uall(·)为目标,进行待迁虚拟机与目的物理节点的最佳匹配;步骤三、若虚拟机没有竞争到能耗变化量最大的物理节点,则从候选集中选出能耗变化量次大的物理节点,当出现竞争时,执行步骤一和步骤二;若仍没有竞争到,则再从候选集中选出能耗变化量第三大的物理节点,依次类推,直到找到合适的目的物理节点;若候选集搜索结束,仍没有找到合适的目的物理节点,则此重放置失败,需重新选择候选集,若候选集为空,则开启新的物理节点。
本发明的有益效果为:一是通过t检验法资源负载的测量数据进行筛选,剔除误差数据,从而提高未来负载预测的准确性;二是将物理节点按所承载的虚拟机数量分为不同的集合,再将虚拟机数量超过安全阈值的节点依据其资源的负载状况进行分组,有利于均衡各物理节点的负载;三是将单个物理节点的能耗分为CPU的能耗和其他物理设备的能耗,并在计算能耗变化量时考虑了虚拟机迁移消耗的能耗,进而较为合理地估算能耗和能耗变化量;四是利用博弈算法,可更有效地使整体能耗最优。
下面通过相关附图和实施例对本发明的技术方案进行详细描述。
附图说明
图1虚拟机重放置流程图
图2目的物理节点选择的预处理过程
具体实施方式
本发明所采用的虚拟机博弈重放置方法的具体实施方法如下:
本发明能耗约束的虚拟机重放置方法的流程如图1所示,包括:
(1)设云环境数据中心拥有N个物理节点:p1,p2,...,pi,...pN,有K台虚拟机:v1,v2,...,vj,...vK。若虚拟机vj在物理节点pi上,则令dij=1,否则为0,从而可得到虚拟机的分布矩阵D=(dij)N×K。分布矩阵D的每列中仅有一个1,第i行上1的个数即为物理节点pi上的虚拟机数目。根据分布矩阵D获得各个物理节点上虚拟机的数量。
(2)将当前所有物理节点按所承载的虚拟机数量升序排列,把已承载虚拟机的数量小于λ的物理节点放到集合R1中,把已承载虚拟机的数量小于安全阈值Θ且大于临界值λ的物理节点放到集合R2中,剩余的物理节点放到集合R3中。
(3)利用灰色预测理论中的无偏GM(1,1)模型计算R3中的物理节点各类资源(CPU、内存、网络)的未来负载ucpu,umem,unet。具体步骤为:
(3.1)获取原始序列
Figure BDA0000441280810000041
其中表示第i个较短时间内的负载测量值。为了提高测量值的精确性,本文对每个时间段内的负载进行k次测量假设k次测量的数据近似服从正态分布,利用t检验法对k次测量数据进行误差数据的剔除。若
Figure BDA0000441280810000044
是可疑数据,则当统计量
Figure BDA0000441280810000045
时(t(α)是显著性水平为α的t检验临界值,一般取α=0.05),认为
Figure BDA0000441280810000046
是异常值,可考虑将其剔除。通过上述处理后,把留下的测量数据的算术平均值作为该时间段内的负载测量值。
(3.2)对原始序列进行一次累加后,得到序列
Figure BDA0000441280810000047
其中, u m ( 1 ) = Σ i = 1 m u i ( 0 ) , m = 1,2 , . . . n ;
(3.3)建立无偏GM(1,1)模型: u m ( 1 ) = α 1 m - 1 u 1 ( 1 ) + 1 - α 1 m - 1 1 - α 1 × α 2 , m = 1,2 , . . . , n ;
(3.4)获得α1和α2的估计值
Figure BDA0000441280810000053
其中,
B = u 1 ( 1 ) 1 u 2 ( 1 ) 1 . . . . . . u n - 1 ( 1 ) 1 , and Y n = u 2 ( 1 ) u 3 ( 1 ) . . . u n ( 1 )
(3.5)根据(3.4),可获得
Figure BDA0000441280810000056
的近似值
Figure BDA0000441280810000057
(3.6)根据(3.5),可获得
Figure BDA0000441280810000058
(令
Figure BDA0000441280810000059
)。由此,可计算出第n+1个时间段内的负载值即可获得各类资源的未来负载ucpu,umem,unet
(4)将R3中各个物理节点pi(不包含正进行虚拟机迁移的物理节点)按其各类资源的未来负载与单个物理节点中各类资源的负载上界Ωcpumemnet之间的大小关系进行分组:高负载组Grouphigh、负载不均衡组Groupimbalance和负载正常组Groupnormal
(4.1)若则pi∈Grouphigh
(4.2)否则,若
Figure BDA00004412808100000512
则pi∈Groupimbalance
(4.3)否则,pi∈Groupnormal
根据源物理节点所属的节点集合,对目的物理节点的选择进行预处理,初步选择符合条件
Figure BDA00004412808100000514
Figure BDA00004412808100000513
的节点,从而获得适合每个待迁虚拟机放置的目的物理节点候选集s1,s2,...,si,...,sz,具体过程如图2所示,若虚拟机vi的源节点psrc属于R3中的Groupimbalance且|Groupimbalance|>1,则对Groupimbalance(不包括psrc)进行筛选,将符合条件的节点放到对应的候选集si中,若没有符合条件的节点(|si|=0),则对R2进行筛选,将符合条件的节点放到对应的候选集si中,若仍没有符合条件的节点,则再对R1进行筛选;若源节点psrc属于Grouphigh或属于R1,则先对R2进行筛选,若R2没有符合条件的节点,则再对R1进行筛选。
(5)计算每个待迁虚拟机重放置到对应候选集中各物理节点的能耗变化量△Ev。除了制冷、照明外,云环境数据中心的能源消耗主要来自物理节点的CPU、内存、硬盘、I/O卡等物理设备,每个设备在总能耗中所占比例各不相同,其中CPU是主要的能量消耗源。CPU的能耗与其负载有着密切的联系,CPU负载越高,能耗越高。而其他物理设备的能耗相对稳定,只与物理节点是否开启有关。
单个物理节点在单位时间内的能耗P如式(1)所示。
P=Pcpu+Pother   (1)
其中Pother是单个物理节点中的其他物理设备在单位时间内的总能耗,机器开启后,此能耗基本趋于稳定。设各开启的物理节点,其Pother值相同。Pcpu是单个物理节点的CPU在单位时间内的能耗,可由式(2)计算得,Pno-virtual是该物理节点上无虚拟机时的单位能耗,Pcpu-intensive、Pcpu-nointensive分别表示开启单个CPU密集型虚拟机和单个非CPU密集型虚拟机所增加的单位能耗,a、b分别表示该物理节点上CPU密集型虚拟机的数量和非CPU密集型虚拟机的数量。
Pcpu=Pno-virtual+a×Pcpu-intensive+b×Pcpu-nointensive   (2)
在时间T内单个物理节点的能耗为:
E=P×T   (3)
重新放置虚拟机v后的能耗变化量△Ev如式(4)所示。其中Esrc(v)是源物理节点在虚拟机v迁出前的能耗;
Figure BDA0000441280810000061
是目的物理节点在虚拟机v迁入前的能耗;是源物理节点在虚拟机v迁出后的能耗;Edest(v)是目的物理节点在虚拟机v迁入后的能耗;
Figure BDA0000441280810000063
是虚拟机v迁移产生的能耗。若虚拟机v迁出后,源物理节点上无虚拟机,并且预关闭该物理节点,则其能耗为0。
Δ E v = E src ( v ) + E dest ( v ‾ ) - E src ( v ‾ ) - E dest ( v ) - E sec → v dest - - - ( 4 )
虚拟机迁移产生的能耗主要由虚拟机创建时的能耗Ev-on、虚拟机关闭时的能耗Ev-off、虚拟机迁出引起的源物理节点关闭时的能耗Esrc-off以及虚拟机迁入引起的目的物理节点开启时的能耗Edest-on组成,如式(5)所示。当虚拟机v迁出后,源物理节点上仍有虚拟机时,Esrc-off=0;当虚拟机v迁移无需开启新的物理节点时,Edest-on=0。
E src → v dest = E v - off + E v - on + E src - off + E dest - on - - - ( 5 )
(6)对每个待迁虚拟机vi(在某个时间段T内,有z个虚拟机需要迁移,分别为v1,v2,...,vi,...,vz),从其对应的候选集中分别选出使△Ev最大的物理节点为pi,若pj(j=1,2,...,i-1,i+1,...,z)与pi均不相同,则将vi直接放置到目的物理节点pi上;若有多个虚拟机对应的能耗变化量最大的物理节点相同,则以整体能耗最优为目标进行博弈,选出各自对应的目的物理节点,并将虚拟机重放置到该物理节点上,具体过程如下:
各个待迁虚拟机是博弈的参与方,即v1,v2,...,vj,...vk(k≤z),参与方vj的策略集合STj={合作,竞争},其中“合作”表示参与方vj愿意以整体能耗最优为目标,“竞争”表示参与方vj只愿意以自身能耗最优为目标。从另一个角度看,实质是目的物理节点的选择。虚拟机v重放置到目的物理节点上的收益Uv(·)=△Ev,在某时间段内,各虚拟机重放置的总收益为Uall(·)=∑△Ev,博弈以最大化Uall(·)为目标,进行待迁虚拟机与目的物理节点的最佳匹配。
若以两个虚拟机vi,vj竞争同一个物理节点p为例,则博弈的收益矩阵如表1所示。其中,
Figure BDA0000441280810000073
Figure BDA0000441280810000074
分别表示vi和vj各自单独放置到物理节点p上所获的收益,△E′vi和△′Evj分别表示vi和vj选择其他能耗次优的物理节点上所获的收益,
Figure BDA0000441280810000075
分别表示vi在三种不同情况下(即:vi合作、vj竞争;vi竞争、vj合作;vi、vj均竞争)以p为目的物理节点的概率。
表1收益矩阵
vj--合作   vj--竞争
Figure BDA0000441280810000072
Figure BDA0000441280810000076
则当两个虚拟机互相合作时,他们的整体收益应为此时,可得式(6),当
Figure BDA0000441280810000083
时,等号成立。从而得出:只有当两个虚拟机相互合作时才能确保所获得的整体收益最大,因此,在博弈中,参与方通过选择合作使整体收益最大。若
Figure BDA0000441280810000084
同理可得。
Δ E v i + Δ E v j ′ ≥ q i 1 Δ E v i + ( 1 - q i 1 ) Δ E v i ′ + q i 1 Δ E v j ′ + ( 1 - q i i ) Δ E v j Δ E v i + Δ E v j ′ ≥ q i 2 Δ E v i + ( 1 - q i 2 ) Δ E v i ′ + q i 2 Δ E v j ′ + ( 1 - q i 2 ) Δ E v j Δ E v i + Δ E v j ′ ≥ q i 3 Δ E v i + ( 1 - q i 3 ) Δ E v i ′ + q i 3 Δ E v j ′ + ( 1 - q i 3 ) Δ E v j - - - ( 6 )
若虚拟机没有竞争到能耗变化量最大的物理节点,则从候选集中选出能耗变化量次大的物理节点,当出现竞争时,用上述方法处理;若仍没有竞争到,则再从候选集中选出能耗变化量第三大的物理节点,依次类推,直到找到合适的目的物理节点或没有找到;若没有找到,则此重放置失败,需重新选择候选集。若候选集为空,则可考虑开启新的物理节点。

Claims (4)

1.一种能耗约束的虚拟机博弈重放置方法,其特征在于,该方法包括以下步骤:
步骤一,将所有物理节点按所承载的虚拟机数量升序排列,把已承载虚拟机的数量小于临界值λ的物理节点放到集合R1中,把已承载虚拟机的数量小于安全阈值Θ且大于临界值λ的物理节点放到集合R2中,大于安全阈值Θ的物理节点放到集合R3中;
步骤二,计算R3中物理节点上的CPU、内存、网络的未来负载值ucpu,umem,unet
步骤三,将R3中不在进行虚拟机迁移的物理节点pi按CPU、内存、网络的未来负载状况分成三组:高负载组Grouphigh、负载不均衡组Groupimbalance和负载正常组Groupnormal,若则pi∈Grouphigh,若
Figure FDA0000441280800000012
则pi∈Groupimbalance,否则,pi∈Groupnormal,其中,Ωcpumemnet分别表示单个物理节点中CPU、内存、网络资源的负载上界;
步骤四,根据源物理节点所属的节点集合,对目的物理节点的选择进行预处理,选择符合条件
Figure FDA0000441280800000013
Figure FDA0000441280800000014
的物理节点,从而获得适合每个待迁虚拟机重放置的目的物理节点候选集s1,s2,...,si,...,sz,其中,z为待迁虚拟机数量,z个待迁虚拟机分别为v1,v2,...,vi,...,vz
步骤五,通过能耗算法计算每个待迁虚拟机重放置到对应候选集中各节点的能耗变化量△Ev,设使得虚拟机vi对应的
Figure FDA0000441280800000017
最大的物理节点为pi,若pj与pi均不相同,其中j=1,2,...,i-1,i+1,...,z,则将vi直接放置到目的物理节点pi上,若有多个虚拟机对应的能耗变化量最大的物理节点相同,通过以整体能耗最优为目标的博弈算法选出待迁虚拟机所对应的目的物理节点,并将虚拟机重放置到该物理节点上。
2.根据权利要求1中所述的能耗约束的虚拟机博弈重放置方法,其特征在于:所述步骤二利用灰色预测理论中的无偏GM(1,1)模型进行计算,对原始序列
Figure FDA0000441280800000015
的获取做了进一步细化,其中
Figure FDA0000441280800000016
表示第i个较短时间内的负载测量值,具体做法为:对每个时间段内的负载进行k次测量
Figure FDA0000441280800000021
若k次测量的数据近似服从正态分布,利用t检验法对k次测量数据进行误差数据的剔除,把留下的测量数据的算术平均值作为该时间段内的负载测量值。
3.根据权利要求1中所述的能耗约束的虚拟机博弈重放置方法,其特征在于:所述步骤五中能耗算法包括以下步骤:
步骤一、计算单个物理节点在单位时间内的能耗P=Pcpu+Pother,其中,Pother是单个物理节点的其他物理设备在单位时间内的总能耗,Pcpu是单个物理节点的CPU在单位时间内的能耗;
步骤二、计算在时间T内单个物理节点的能耗E=P×T;
步骤三、计算重新放置虚拟机v后的能耗变化量
Figure FDA0000441280800000022
其中Esrc(v)是源物理节点在虚拟机v迁出前的能耗;
Figure FDA0000441280800000023
是目的物理节点在虚拟机v迁入前的能耗;
Figure FDA0000441280800000024
是源物理节点在虚拟机v迁出后的能耗;Edest(v)是目的物理节点在虚拟机v迁入后的能耗;
Figure FDA0000441280800000025
是虚拟机v迁移产生的能耗。
4.根据权利要求1中所述的能耗约束的虚拟机博弈重放置方法,其特征在于,所述步骤五中博弈算法步骤为:
步骤一、各个待迁虚拟机是博弈的参与方v1,v2,...,vj,...vk(k≤z),参与方vj的策略集合STj={合作,竞争},其中“合作”表示参与方vj愿意以整体能耗最优为目标,“竞争”表示参与方vj以自身能耗最优为目标,虚拟机v重放置到目的物理节点上的收益Uv(·)=△Ev
步骤二、在T时间段内,各虚拟机重放置的总收益为Uall(·)=∑△Ev,博弈以最大化Uall(·)为目标,进行待迁虚拟机与目的物理节点的最佳匹配;
步骤三、若虚拟机没有竞争到能耗变化量最大的物理节点,则从候选集中选出能耗变化量次大的物理节点,当出现竞争时,执行步骤一和步骤二;若仍没有竞争到,则再从候选集中选出能耗变化量第三大的物理节点,依次类推,直到找到合适的目的物理节点;若候选集搜索结束,仍没有找到合适的目的物理节点,则此重放置失败,需重新选择候选集,若候选集为空,开启新的物理节点。
CN201310710108.5A 2013-12-19 2013-12-19 一种能耗约束的虚拟机博弈重放置方法 Active CN103677960B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310710108.5A CN103677960B (zh) 2013-12-19 2013-12-19 一种能耗约束的虚拟机博弈重放置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310710108.5A CN103677960B (zh) 2013-12-19 2013-12-19 一种能耗约束的虚拟机博弈重放置方法

Publications (2)

Publication Number Publication Date
CN103677960A true CN103677960A (zh) 2014-03-26
CN103677960B CN103677960B (zh) 2017-02-01

Family

ID=50315617

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310710108.5A Active CN103677960B (zh) 2013-12-19 2013-12-19 一种能耗约束的虚拟机博弈重放置方法

Country Status (1)

Country Link
CN (1) CN103677960B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105141656A (zh) * 2015-07-20 2015-12-09 浙江工商大学 一种基于云平台的互联网轻量级应用的负载均衡实现方法
CN106445680A (zh) * 2016-08-31 2017-02-22 成都云麒麟软件有限公司 基于综合效用的计算单元迁移方法
CN106936874A (zh) * 2015-12-31 2017-07-07 北京金山云网络技术有限公司 物理资源分配方法、装置及系统
CN107168797A (zh) * 2017-05-12 2017-09-15 中国人民解放军信息工程大学 云环境下基于动态博弈的资源调度方法
CN107861796A (zh) * 2017-11-30 2018-03-30 南京信息工程大学 一种支持云数据中心能耗优化的虚拟机调度方法
CN109375987A (zh) * 2018-10-30 2019-02-22 张家口浩扬科技有限公司 一种虚拟机选择物理机的方法和系统
CN113590263A (zh) * 2021-07-01 2021-11-02 深圳大学 虚拟机调度方案获得方法、装置、终端设备以及存储介质
CN115292007A (zh) * 2022-09-28 2022-11-04 广东河海工程咨询有限公司 基于云服务的水利模型仿真计算系统及计算方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050251802A1 (en) * 2004-05-08 2005-11-10 Bozek James J Dynamic migration of virtual machine computer programs upon satisfaction of conditions
CN101593133A (zh) * 2009-06-29 2009-12-02 北京航空航天大学 虚拟机资源负载均衡方法及装置
CN101719081A (zh) * 2009-12-01 2010-06-02 北京大学 一种虚拟机调度方法
CN102096461A (zh) * 2011-01-13 2011-06-15 浙江大学 基于虚拟机迁移和负载感知整合的云数据中心节能方法
CN102426475A (zh) * 2011-11-04 2012-04-25 中国联合网络通信集团有限公司 桌面虚拟化环境下的节能方法、节能管理服务器及系统
CN102508718A (zh) * 2011-11-22 2012-06-20 杭州华三通信技术有限公司 一种虚拟机负载均衡方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050251802A1 (en) * 2004-05-08 2005-11-10 Bozek James J Dynamic migration of virtual machine computer programs upon satisfaction of conditions
CN101593133A (zh) * 2009-06-29 2009-12-02 北京航空航天大学 虚拟机资源负载均衡方法及装置
CN101719081A (zh) * 2009-12-01 2010-06-02 北京大学 一种虚拟机调度方法
CN102096461A (zh) * 2011-01-13 2011-06-15 浙江大学 基于虚拟机迁移和负载感知整合的云数据中心节能方法
CN102426475A (zh) * 2011-11-04 2012-04-25 中国联合网络通信集团有限公司 桌面虚拟化环境下的节能方法、节能管理服务器及系统
CN102508718A (zh) * 2011-11-22 2012-06-20 杭州华三通信技术有限公司 一种虚拟机负载均衡方法和装置

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105141656A (zh) * 2015-07-20 2015-12-09 浙江工商大学 一种基于云平台的互联网轻量级应用的负载均衡实现方法
CN105141656B (zh) * 2015-07-20 2018-05-01 浙江工商大学 一种基于云平台的互联网轻量级应用的负载均衡实现方法
CN106936874A (zh) * 2015-12-31 2017-07-07 北京金山云网络技术有限公司 物理资源分配方法、装置及系统
CN106936874B (zh) * 2015-12-31 2019-05-31 北京金山云网络技术有限公司 物理资源分配方法、装置及系统
CN106445680A (zh) * 2016-08-31 2017-02-22 成都云麒麟软件有限公司 基于综合效用的计算单元迁移方法
CN106445680B (zh) * 2016-08-31 2020-01-14 杭州聚玻科技有限公司 基于综合效用的计算单元迁移方法
CN107168797A (zh) * 2017-05-12 2017-09-15 中国人民解放军信息工程大学 云环境下基于动态博弈的资源调度方法
CN107861796A (zh) * 2017-11-30 2018-03-30 南京信息工程大学 一种支持云数据中心能耗优化的虚拟机调度方法
CN109375987A (zh) * 2018-10-30 2019-02-22 张家口浩扬科技有限公司 一种虚拟机选择物理机的方法和系统
CN113590263A (zh) * 2021-07-01 2021-11-02 深圳大学 虚拟机调度方案获得方法、装置、终端设备以及存储介质
CN115292007A (zh) * 2022-09-28 2022-11-04 广东河海工程咨询有限公司 基于云服务的水利模型仿真计算系统及计算方法
CN115292007B (zh) * 2022-09-28 2022-12-30 广东河海工程咨询有限公司 基于云服务的水利模型仿真计算系统及计算方法

Also Published As

Publication number Publication date
CN103677960B (zh) 2017-02-01

Similar Documents

Publication Publication Date Title
CN103677960A (zh) 一种能耗约束的虚拟机博弈重放置方法
CN103677958B (zh) 一种虚拟化集群的资源调度方法及装置
CN103631657B (zh) 一种基于MapReduce的任务调度方法
CN104636197B (zh) 一种数据中心虚拟机迁移调度策略的评价方法
CN103607459B (zh) 一种云计算平台IaaS层的动态资源监测及调度方法
CN103488539B (zh) 一种基于cpu动态调频技术的数据中心节能方法
CN103916438B (zh) 基于负载预测的云测试环境调度方法及其系统
CN103365727B (zh) 一种云计算环境中的主机负载预测方法
CN103401939A (zh) 一种采用混合调度策略的负载均衡方法
CN105373432B (zh) 一种基于虚拟资源状态预测的云计算资源调度方法
Huo et al. An improved multi-cores parallel artificial Bee colony optimization algorithm for parameters calibration of hydrological model
CN107861796A (zh) 一种支持云数据中心能耗优化的虚拟机调度方法
Wei et al. Research on cloud design resources scheduling based on genetic algorithm
Lin et al. A K-means clustering with optimized initial center based on Hadoop platform
CN110413776A (zh) 一种基于cpu-gpu协同并行的文本主题模型lda高性能计算方法
CN108132840A (zh) 一种分布式系统中的资源调度方法及装置
CN105786610B (zh) 计算密集型任务向云服务器中卸载的方法
CN107040412A (zh) 一种云服务器负载预测方法
CN115981843A (zh) 云边协同电力系统中任务调度方法、装置和计算机设备
CN107222565A (zh) 一种网络图分割方法及系统
CN109976879A (zh) 一种基于资源使用曲线互补的云计算虚拟机放置方法
Miao et al. Efficient flow-based scheduling for geo-distributed simulation tasks in collaborative edge and cloud environments
CN105930202A (zh) 一种三阈值的虚拟机迁移策略
Yang et al. Trust-based scheduling strategy for cloud workflow applications
CN108270833A (zh) 渲染云资源的自动调度方法、装置及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant