CN103713956A - 应用于云计算虚拟化管理环境中的智能加权负载均衡方法 - Google Patents

Abstract

应用于云计算虚拟管理环境中的智能加权负载均衡方法，属云计算虚拟化技术领域，在一台服务器上划分出若干虚拟机用户，针对到达服务器端的新的任务请求，根据同一台服务器上的不同虚拟机用户需求情况和服务资源负载情况进行动态调整，采用智能加权的最小连接数算法，设计动态的负载均衡方法，分配服务资源给不同虚拟机。本发明方法解决了在云计算虚拟化管理环境中虚拟机之间负载分配不均衡的问题。在硬件物理资源之上解决虚拟资源的任务分配问题，提高了服务器虚拟资源的利用率。

Description

应用于云计算虚拟化管理环境中的智能加权负载均衡方法

技术领域

本发明涉及云计算虚拟化技术领域，更确切的说，本发明为一种应用于云计算虚拟管理环境中的智能加权负载均衡方法。

背景技术

云计算技术是IT产业界的一场技术革命，已经成为了IT行业未来发展的方向，云计算将计算任务分布在大量计算机构成的资源池上，使各种应用系统能够根据需要获取计算力、存储空间和各种软件服务，这种变化使得IT基础架构的运维专业化程度不断集中和提高，从而对基础架构层面，特别是服务器性能提出了更高的要求。

虚拟化技术是云计算技术的核心组成部分之一，是将各种计算及存储资源充分整合和高效利用的关键技术。通过虚拟化技术可实现软件应用与底层硬件相隔离，包括将单个资源划分成多个虚拟资源的裂分模式，也包括将多个资源整合成一个虚拟资源的聚合模式。通过对服务器的虚拟化管理允许不同需求的用户组访问同一个服务器，但从逻辑上对它们进行一定程度的隔离，以确保安全。凭借服务器虚拟化管理，能在单一服务器上部署多个封闭用户组，并在整个网络中保持高标准的安全性、可扩展性、可管理性和可用性。

通过虚拟化管理提高服务器资源的利用率，并让服务器具有灵活的可扩展性和可管理性。但是，当面对云服务中的海量数据服务需求时，往往会出现服务资源分配不合理的情形，导致服务资源负载不均衡，造成服务器上的一部分虚拟机资源闲置，而另一部分虚拟机服务资源过载，影响到整个云技术虚拟化环境的服务能力，降低服务器可扩展性以及可管理性，甚至有可能造成整个服务器系统的瘫痪。如何实现云计算虚拟化管理环境下的服务资源的管理和分配对于虚拟化管理的服务效果十分重要。在虚拟化管理环境中，一台服务器上可划分出若干虚拟机用户，当服务器端接收到新的任务请求时，将任务分配给哪台虚拟机来处理是保证服务器资源充分利用的关键问题。因此，在云计算虚拟化管理环境的服务资源分配过程中，必须根据不同虚拟机用户需求情况和服务资源负载情况进行动态调整，设计合理的负载均衡方法。

现有的加权最小连接调度算法是在最小连接调度算法基础上发展而来，适用于服务器节点处理性能有差异的情况。但实现的加权最小连接数算法的权值往往是设定好后固定不变的，无法反映服务器的动态性能变化。申请号为03147308.3、发明名称为【一种实现加权最小连接分配的服务器负载均衡方法】的发明专利，公开了一种加权最小连接数调度的服务器负载均衡方法，但是该方法提供的动态参数较少，不能全面反应出服务器的实时动态运行情况。而且以上专利并没有提出针对云计算虚拟化管理环境的负载均衡问题的解决方法，没有解决虚拟资源的利用率提高问题。

发明内容

本发明提供一种应用于云计算虚拟化管理环境中的智能加权负载均衡方法，以解决在云计算虚拟化管理环境中虚拟机之间负载分配不均衡的问题。

为了达到上述目的，本发明采用如下的技术方案：

一种应用于云计算虚拟化管理环境中的智能加权负载均衡方法，在云计算虚拟化管理环境中，将一台服务器上划分出若干虚拟机用户，针对到达服务器端的新的任务请求，根据同一台服务器上的不同虚拟机用户需求情况和服务资源负载情况进行动态调整，采用智能加权的最小连接数算法，设计动态的负载均衡方法，分配服务资源给不同虚拟机，以保证服务器资源的高效利用，该方法步骤如下：

(1)设服务器的任务请求的多种任务t，根据任务中不同文件类型所需负载资源不同，为任务分配不同的权重，根据任务中文件的扩展名确定文件的类型，从而确定任务的权值，任务类型越复杂，权值越大，这些任务的权值分别记为η₁，η₂，η₃，...η_t；

(2)计算服务器上当前虚拟机V_i的负载任务数量，即虚拟机V_i正在处理任务的数量，在虚拟化管理环境中，用Taskij表示虚拟机V_i上处理第j种任务的数量，那么虚拟机V_i正在处理的所有任务权值之和为：

${\mathrm{\Σ}}_{j=1}^t\mathrm{Tas}{k}_{\mathrm{ij}}*{\mathrm{\η}}_j,i=\mathrm{1,2,3},...n;j=\mathrm{1,2,3},...t;$

其中，n表示虚拟机总个数；η_j表示第j种类型任务的权值；

(3)计算服务器上的虚拟机的性能权值，虚拟机的处理能力用以下几个指标综合量度：CPU虚拟分区大小C(num)，CPU虚拟分区闲置率f，内存虚拟分区闲置容量C(mem)，进程数C(pro)，虚拟机V_i节点的处理能力可以表示为向量：

C(V_i)=[f_iC(num_i)，C(mem_i)，-C(pro_i)]，i=1，2，3，...n；

其中，C(num_i)表示虚拟机V_i上的CPU虚拟分区大小，f_i表示虚拟机V_i上的CPU虚拟分区闲置率，C(mem_i)表示虚拟机V_i上的内存虚拟分区闲置容量，C(pro_i)表示虚拟机V_i上的进程数；因为进程数C(pro_i)和虚拟机处理能力是负相关的，所以进程数C(pro_i)要加上负号；

虚拟机节点V_i的处理能力在整个服务器所有虚拟机集群中所占比重表示为向量：

S_w(V_i)=C(V_i)／∑C(V_i)，i=1，2，3，...n；

其中，C(V_i)表示虚拟机节点V_i的处理能力；

由于虚拟机处理不同服务的能力对各个指标的依赖程度是不同的，所以引入加权转化因子ρ=(ρ₁，ρ₂，ρ₃)，加权转化因子ρ的值由经验确定，并且满足ρ₁+ρ₂+ρ₃=1，从而可得虚拟机V_i的权值为：

$S\left(V_i\right)=\mathrm{\ρ}\×S_w\left(V_i\right)=\mathrm{\ρ}\×\frac{C\left(V_i\right)}{\mathrm{\ΣC}\left(V_i\right)}$

其中，S(V_i)表示虚拟机V_i的权值，S_w(V_i)表示虚拟机V_i节点的处理能力在整个服务器所有虚拟机集群中所占比重，ρ为加权转化因子；

即 $S\left(V_i\right)={\mathrm{\ρ}}_1\frac{f_{i}C\left(\mathrm{nu}{m}_i\right)}{\mathrm{\Σ}{f}_{i}C\left(\mathrm{nu}{m}_i\right)}+{\mathrm{\ρ}}_2\frac{C\left(\mathrm{me}{m}_i\right)}{\mathrm{\ΣC}\left(\mathrm{me}{m}_i\right)}-{\mathrm{\ρ}}_3\frac{C\left(\mathrm{pr}{o}_i\right)}{\mathrm{\ΣC}\left(\mathrm{pr}{o}_i\right)},i=\mathrm{1,2,3},...n;$

加权转化因子ρ的值由经验确定，并且满足ρ₁+ρ₂+ρ₃=1，f_i∈(0，1)；

(4)计算服务器上当前虚拟机所有任务权值之和与虚拟机的性能权值之比Efficience_i，虚拟机上已有的任务越简单，其任务权值越小；虚拟机处理能力越强，其权值越大，所以Efficience_i越小表示虚拟机V_i处理任务效果越好，所以当前虚拟机所有任务权值之和与虚拟机的性能权值之比计算如下：

$\mathrm{Efficienc}{e}_i=\frac{{\mathrm{\Σ}}_{j=1}^t\mathrm{Tas}{k}_{\mathrm{ij}}*{\mathrm{\η}}_j}{S\left(V_i\right)},i=\mathrm{1,2,3},...n;j=\mathrm{1,2,3},...t;$

(5)选择最佳虚拟机来处理任务请求，比较各个虚拟机Efficience_i值的大小，将新到达服务器端的任务分配给Efficience_i值最小的虚拟机，当且仅当虚拟机V_t满足以下条件：

Efficience_t=min(Efficience_i)时，当前的新的任务请求会被发送至虚拟机V_i。

本发明的有益效果如下：针对云计算虚拟化环境中，服务资源在虚拟机之间分配负载不均衡的问题，提出了应用于云计算虚拟化管理环境中的智能加权负载均衡方法。在硬件物理资源之上解决虚拟资源的任务分配问题。针对到达服务器端的新的任务请求，根据同一台服务器上的不同虚拟机用户需求情况和服务资源负载情况进行动态调整，构建可管理性和高扩展性的虚拟机集群服务器。采用智能加权的最小连接数算法，根据任务中不同文件类型所需负载资源不同，为任务分配不同的权重。根据虚拟机CPU虚拟分区大小，CPU虚拟分区闲置率，内存虚拟分区闲置容量和进程数等信息，利用加权因子动态表示虚拟机处理性能权值，设计智能加权负载均衡算法。计算出服务器上当前虚拟机所有任务权值之和与虚拟机的性能权值之比，将新的任务请求分配给比值最小的虚拟机上，以保证服务器资源的高效利用。

具体实施方式

下面结合实施例对本发明做进一步说明，但不限于此。

实施例：

本发明实施例如下：一种应用于云计算虚拟化管理环境中的智能加权负载均衡方法，在云计算虚拟化管理环境中，将一台服务器上划分出若干虚拟机用户，针对到达服务器端的新的任务请求，根据同一台服务器上的不同虚拟机用户需求情况和服务资源负载情况进行动态调整，采用智能加权的最小连接数算法，设计动态的负载均衡方法，分配服务资源给不同虚拟机，以保证服务器资源的高效利用，该方法步骤如下：

(1)设服务器的任务请求的多种任务t，根据任务中不同文件类型所需负载资源不同，为任务分配不同的权重，根据任务中文件的扩展名确定文件的类型，从而确定任务的权值，任务类型越复杂，权值越大，这些任务的权值分别记为η₁，η₂，η₃，…η_t；

(2)计算服务器上当前虚拟机V_i的负载任务数量，即虚拟机V_i正在处理任务的数量，在虚拟化管理环境中，用Taskij表示虚拟机V_i上处理第j种任务的数量，那么虚拟机V_i正在处理的所有任务权值之和为：

${\mathrm{\Σ}}_{j=1}^t\mathrm{Tas}{k}_{\mathrm{ij}}*{\mathrm{\η}}_j,i=\mathrm{1,2,3},...n;j=\mathrm{1,2,3},...t;$

其中，n表示虚拟机总个数；η_j表示第j种类型任务的权值；

(3)计算服务器上的虚拟机的性能权值，虚拟机的处理能力用以下几个指标综合量度：CPU虚拟分区大小C(num)，CPU虚拟分区闲置率f，内存虚拟分区闲置容量C(mem)，进程数C(pro)，虚拟机V_i节点的处理能力可以表示为向量：

C(V_i)=[f_iC(num_i)，C(mem_i)，-C(pro_i)]，i=1，2，3，...n；

其中，C(num_i)表示虚拟机V_i上的CPU虚拟分区大小，f_i表示虚拟机V_i上的CPU虚拟分区闲置率，C(mem_i)表示虚拟机V_i上的内存虚拟分区闲置容量，C(pro_i)表示虚拟机V_i上的进程数；因为进程数C(pro_i)和虚拟机处理能力是负相关的，所以进程数Cpro_i)要加上负号；

虚拟机节点V_i的处理能力在整个服务器所有虚拟机集群中所占比重表示为向量：

S_w(V_i)=C(V_i)／∑C(V_i)，i=1，2，3，...n；

其中，c(V_i)表示虚拟机节点V_i的处理能力；

由于虚拟机处理不同服务的能力对各个指标的依赖程度是不同的，所以引入加权转化因子ρ=ρ₁，ρ₂，ρ₃)，加权转化因子ρ的值由经验确定，并且满足ρ₁+ρ₂+ρ₃=1，从而可得虚拟机V_i的权值为：

$S\left(V_i\right)=\mathrm{\ρ}\×S_w\left(V_i\right)=\mathrm{\ρ}\×\frac{C\left(V_i\right)}{\mathrm{\ΣC}\left(V_i\right)}$

其中，S(V_i)表示虚拟机V_i的权值，S_w(V_i)表示虚拟机V_i节点的处理能力在整个服务器所有虚拟机集群中所占比重，ρ为加权转化因子；

即

加权转化因子ρ的值由经验确定，并且满足ρ₁+ρ₂+ρ₃=1，f_i∈(0，1)；

(4)计算服务器上当前虚拟机所有任务权值之和与虚拟机的性能权值之比Efficience_i，虚拟机上已有的任务越简单，其任务权值越小；虚拟机处理能力越强，其权值越大，所以Efficience_i越小表示虚拟机V_i处理任务效果越好，所以当前虚拟机所有任务权值之和与虚拟机的性能权值之比计算如下：

(5)选择最佳虚拟机来处理任务请求，比较各个虚拟机Efficience_i值的大小，将新到达服务器端的任务分配给EfficiFnce_i值最小的虚拟机，当且仅当虚拟机V_t满足以下条件：

Efficicnce_t=min(Efficience_i)时，当前的新的任务请求会被发送至虚拟机V_t。

Claims (1)

1.一种应用于云计算虚拟化管理环境中的智能加权负载均衡方法，在云计算虚拟化管理环境中，将一台服务器上划分出若干虚拟机用户，针对到达服务器端的新的任务请求，根据同一台服务器上的不同虚拟机用户需求情况和服务资源负载情况进行动态调整，采用智能加权的最小连接数算法，设计动态的负载均衡方法，分配服务资源给不同虚拟机，以保证服务器资源的高效利用，该方法步骤如下：

(1)设服务器的任务请求的多种任务t，根据任务中不同文件类型所需负载资源不同，为任务分配不同的权重，根据任务中文件的扩展名确定文件的类型，从而确定任务的权值，任务类型越复杂，权值越大，这些任务的权值分别记为η₁，η₂，η₃，…η_t；

(2)计算服务器上当前虚拟机V_i的负载任务数量，即虚拟机V_i正在处理任务的数量，在虚拟化管理环境中，用Taskij表示虚拟机V_i上处理第j种任务的数量，那么虚拟机V_i正在处理的所有任务权值之和为：

${\mathrm{\Σ}}_{j=1}^t\mathrm{Tas}{k}_{\mathrm{ij}}*{\mathrm{\η}}_j,i=\mathrm{1,2,3},...n;j=\mathrm{1,2,3},...t;$

其中，n表示虚拟机总个数；η_j表示第j种类型任务的权值；

(3)计算服务器上的虚拟机的性能权值，虚拟机的处理能力用以下几个指标综合量度：CPU虚拟分区大小C(num)，CPU虚拟分区闲置率f，内存虚拟分区闲置容量C(mem)，进程数C(pro)，虚拟机V_i节点的处理能力可以表示为向量：

C(V_i)=[f_iC(num_i)，C(mem_i)，-C(pro_i)]，i=1，2，3，...n；

其中，C(num_i)表示虚拟机V_i上的CPU虚拟分区大小，f_i表示虚拟机V_i上的CPU虚拟分区闲置率，C(mem_i)表示虚拟机V_i上的内存虚拟分区闲置容量，C(pro_i)表示虚拟机V_i上的进程数；因为进程数C(pro_ii)和虚拟机处理能力是负相关的，所以进程数C(pro_i)要加上负号；

虚拟机节点V_i的处理能力在整个服务器所有虚拟机集群中所占比重表示为向量：

S_w(V_i)=C(V_i)／∑C(V_i)，i=1，2，3，...n；

其中，C(V_i)表示虚拟机节点V_i的处理能力；

由于虚拟机处理不同服务的能力对各个指标的依赖程度是不同的，所以引入加权转化因子ρ=(ρ₁，ρ₂，ρ₃)，加权转化因子ρ的值由经验确定，并且满足ρ₁+ρ₂+ρ₃=1，从而可得虚拟机V_i的权值为：

$S\left(V_i\right)=\mathrm{\ρ}\×S_w\left(V_i\right)=\mathrm{\ρ}\×\frac{C\left(V_i\right)}{\mathrm{\ΣC}\left(V_i\right)}$

其中，S(V_i)表示虚拟机V_i的权值，S_w(V_i)表示虚拟机V_i节点的处理能力在整个服务器所有虚拟机集群中所占比重，ρ为加权转化因子；

即 $S\left(V_i\right)={\mathrm{\ρ}}_1\frac{f_{i}C\left(\mathrm{nu}{m}_i\right)}{\mathrm{\Σ}{f}_{i}C\left(\mathrm{nu}{m}_i\right)}+{\mathrm{\ρ}}_2\frac{C\left(\mathrm{me}{m}_i\right)}{\mathrm{\ΣC}\left(\mathrm{me}{m}_i\right)}-{\mathrm{\ρ}}_3\frac{C\left(\mathrm{pr}{o}_i\right)}{\mathrm{\ΣC}\left(\mathrm{pr}{o}_i\right)},i=\mathrm{1,2,3},...n;$

加权转化因子ρ的值由经验确定，并且满足ρ₁+ρ₂+ρ₃=1，f_i∈(0，1)；

(4)计算服务器上当前虚拟机所有任务权值之和与虚拟机的性能权值之比Efficience_i，虚拟机上已有的任务越简单，其任务权值越小；虚拟机处理能力越强，其权值越大，所以Efficience_i越小表示虚拟机V_i处理任务效果越好，所以当前虚拟机所有任务权值之和与虚拟机的性能权值之比计算如下：

$\mathrm{Efficienc}{e}_i=\frac{{\mathrm{\Σ}}_{j=1}^t\mathrm{Tas}{k}_{\mathrm{ij}}*{\mathrm{\η}}_j}{S\left(V_i\right)},i=\mathrm{1,2,3},...n;j=\mathrm{1,2,3},...t;$

(5)选择最佳虚拟机来处理任务请求，比较各个虚拟机Efficience_i值的大小，将新到达服务器端的任务分配给Efficience_i值最小的虚拟机，当且仅当虚拟机Vi满足以下条件：Efficience_t=min(Efficience_i)时，当前的新的任务请求会被发送至虚拟机V_i。