CN104090813A - 一种云数据中心的虚拟机cpu使用率的分析建模方法 - Google Patents

Abstract

本发明公开了一种云数据中心的虚拟机CPU使用率的分析建模方法，包括以下步骤：1)分析模块构建，主要提出单台虚拟机CPU使用率概率分布的分析方法，以及云数据中心中所有虚拟机CPU使用率期望值概率分布的分析方法；2)建模模块构建，主要利用分析模块对实际环境下虚拟CPU使用率任务日志进行了分析，分析单台虚拟CPU使用率的概率分布情况，以及云数据中心所有虚拟机CPU使用率期望值的分布情况，最后利用分析结果之间的关联性进行任务建模；3)通过步骤1)和2)，即可构建出能够产生实际环境下单台虚拟机CPU使用率的分布，而重复步骤2)即可获取多个虚拟机CPU使用率的分布。本发明可以用于更好地分析云计算中针对能耗的虚拟机融合的优缺点。

Description

一种云数据中心的虚拟机CPU使用率的分析建模方法

技术领域

本发明涉及云计算技术领域，尤其是指一种云数据中心的虚拟机CPU使用率的分析建模方法。

背景技术

云计算融合了以往的分布式计算、虚拟化技术、并行计算以及海量存储技术等，将尽可能多的高性能服务器整合起来，形成大容量的资源池，然后利用虚拟化技术将资源进行有效的整合并提供给终端用户，使得用户以一种按需付费的模式来使用计算资源。这种应用模式已经被广泛接受，但是仍存在许多待解决的问题，例如大规模性使云数据中心消耗大量电能，因此如何降低云数据中心的能耗就成为急待解决的问题。而通过虚拟机在线迁移技术来完成虚拟机融合是目前云计算中降低能耗的主要技术。虚拟机融合主要是利用虚拟机CPU使用率动态变化的特性，将所有虚拟机融合到尽可能少的计算节点上的过程。

在文献“Dupont C,Giuliani G,Hermenier F,et al.An energy aware frameworkfor virtual machine placement in cloud federated data centres.2012ThirdInternational Conference on Future Energy Systems:Where Energy,Computing andCommunication Meet[C].New York:IEEE,2012:1-10.”中，Dupont在云数据中心中设计了一种用于虚拟机融合的弹性的能耗意识的框架。框架的主要组件是一个优化器，该优化器可以处理SLA冲突，不同数据中心的内部连接及能耗问题，实验显示该框架可以获得很好的能效比。在文献“Beloglazov A,Abawajy J,Buyya R.Energy-aware resource allocation heuristics for efficient management ofdata centers for cloud computing[J].Future Generation Computer Systems,2012,28(5):755-768.”中，Beloglazov等人在云计算中提出一种基于能耗的虚拟机融合的框架：首先在云数据中心中对计算节点设定一个固定的CPU使用率的上限阈值；然后将超过该阈值的计算节点标记为过载状态；最后迁移过载计算节点上运行的虚拟机，直到计算节点的CPU使用率低于上限阈值。但是固定的阈值不适合云计算环境中动态的虚拟机融合。于是Beloglazov等人在文献“BeloglazovA,Buyya R.Optimal online deterministic algorithms and adaptive heuristics forenergy and performance efficient dynamic consolidation of virtual machines in Clouddata centers[J].Concurrency and Computation:Practice and Experience,2012,24(13):1397-1420.”中提出一种启发式的动态虚拟机融合框架，该框架通过分析虚拟机CPU使用率的历史数据来预测虚拟机将来的CPU使用率，进而优化对虚拟机的调度，达到降低能耗的目的。因此详细地了解和描述虚拟机CPU使用率的动态特性可以为研究虚拟机融合提供性能评估的依据。基于此，本发明针对虚拟机CPU使用率的动态变化特性提出一种通用的分析和建模的方法。

发明内容

本发明的目的在于克服现有技术的不足与缺陷，针对云计算环境中虚拟机CPU使用率的特性，提供一种云数据中心的虚拟机CPU使用率的分析建模方法，利用概率统计的方式对单台虚拟机CPU使用率的概率分布进行了分析，另外为了生成多台虚拟机CPU使用率分布情况，本发明又分析了所有虚拟机CPU使用率期望值的概率分布情况，最后利用上述分析针对实际环境下的虚拟机CPU使用率的任务日志构建了虚拟机CPU使用率的任务模型。

为实现上述目的，本发明所提供的技术方案为：一种云数据中心的虚拟机CPU使用率的分析建模方法，包括以下步骤：

1)分析模块构建

主要提出单台虚拟机CPU使用率概率分布的分析方法，以及云数据中心中所有虚拟机CPU使用率期望值概率分布的分析方法，分析模块实现的数学表达式如下：

P(X＝x)＝f(x),(μ＝E(x),δ＝D(x))   (1)

$\mathrm{\μ}={\∫}_a^b\mathrm{xdx},(0\≤a\≤x\≤b\≤100)---\left(2\right)$

$P(X=x)=f\left(x\right),(E\left(x\right)=\mathrm{\μ},\mathrm{\μ}\∈s,s\⋐{\∪}_{i=0}^{n-1}{s}_i,$

s_i＝{μ_ik,...,μ_ik+k-1},n＝(b-a+1)/k,a≤k≤b)   (3)

P(μ＝μ_j)＝f(μ_j),(0≤a≤μ_j≤b≤100,μ_j＝j)   (4)

式中，x表示单个任务CPU使用率，μ表示单个任务CPU使用率的期望值，δ表示单个任务CPU使用率的标准方差，f表示概率密度，s表示按照任务CPU使用率分类后任务的μ的集合；

2)建模模块构建

主要利用步骤1)的分析模块对实际环境下虚拟CPU使用率任务日志进行了分析，分析单台虚拟CPU使用率的概率分布情况，以及云数据中心所有虚拟机CPU使用率期望值的分布情况，最后利用分析结果之间的关联性进行任务建模，建模模块实现的数学表达式如下：

$\mathrm{\μ}~\left\{\begin{array}{c}E\left(\mathrm{\θ}\right)\\ \mathrm{pE}\left({\mathrm{\θ}}_1\right)+(1-p)E\left({\mathrm{\θ}}_2\right)\\ \mathrm{\Γ}({\mathrm{\α}}_1,{\mathrm{\β}}_1)\\ W({\mathrm{\α}}_2,{\mathrm{\β}}_2)\end{array}\right.---\left(5\right)$

aμ⁴+bμ³+cμ²+dμ+e＝δ   (6)

x～N(μ,δ)   (7)

式中，N表示正态分布，E表示指数分布，θ表示指数分布的参数值，Γ表示伽马分布，α₁和β₁表示伽马分布的两个参数值，W表示韦伯分布，α₂和β₂表示韦伯分布的两个参数值，μ和δ分别表示虚拟机CPU使用率的期望值和方差，a、b、c、d和e为从实际虚拟机CPU使用率任务日志中获取的μ和δ线性拟合结果的参数值；

3)通过步骤1)和2)，即可构建出能够产生实际环境下单台虚拟机CPU使用率的分布，而重复步骤2)即可获取多个虚拟机CPU使用率的分布，从而形成用于云计算环境下针对能耗的虚拟机融合的性能评估。

在步骤1)中，首先对云数据中心内所有虚拟机CPU按照虚拟机CPU使用率的期望值进行分类，然后分析分类后每个类别内虚拟机CPU使用率的概率分布情况，最后分析云数据中心内所有虚拟机CPU使用率期望值的概率分布情况；包括以下步骤：

1.1)根据公式(3)，将云数据中心内所有虚拟机CPU按照虚拟机CPU使用率期望值进行分类，其中k需要平衡实际环境下虚拟机的数目和建模的复杂度进行设定，然后分析每个类别内虚拟机CPU使用率期的概率分布情况；

1.2)根据公式(4)，分析所有虚拟机CPU使用率期望值的概率分布情况，同时寻找所需的概率分布进行拟合。

在步骤2)中，针对实际环境中虚拟机CPU使用率的任务日志，利用指数分布、高阶指数分布、伽马分布以及韦伯分布来拟合虚拟机CPU使用率期望值的概率分布，然后利用线性拟合关系获取实际环境下虚拟机CPU使用率任务日志中线性关系的参数值，进而获取虚拟机CPU使用率的方差，最后利用虚拟机CPU使用率的期望值和方差获取一个正态分布，利用该正态分布来产生单台虚拟机CPU使用率的分布；包括以下步骤：

2.1)根据公式(5)，利用指数分布、高阶指数分布、伽马分布以及韦伯分布产生虚拟机CPU使用率的期望值μ；

2.2)根据公式(6)，获取实际环境中虚拟机CPU使用率任务日志的μ和δ，并利用线性拟合的方式寻找μ和δ的关系，同时获取a、b、c、d和e的具体取值，通过该线性拟合关系即可获得一个具体的μ对应的δ；

2.3)通过将μ和δ代入公式(7)，即可获得实际环境中单台虚拟机CPU使用率的分布情况。

本发明与现有技术相比，具有如下优点与有益效果：

1、针对云数据中心虚拟机CPU使用率的概率分布情况，提出了一种通用的分析方法，分析方法主要用于分析单台虚拟机CPU使用率和所有虚拟机CPU使用率期望值的概率分布情况；

2、利用上述通用的虚拟机CPU使用率的分析方法对实际环境下采集的实验数据进行分析，并提出了针对虚拟机CPU使用率的任务建模方法；

3、与现有研究不同，本发明是针对虚拟机CPU使用率的动态特性构建的，因此可以更好地用于云计算环境下针对能耗的虚拟机融合方面的分析研究。

附图说明

图1为本发明针对虚拟机CPU使用率的分析建模的框架图。

图2为产生虚拟机CPU使用率的流程图。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

如图1和图2所示，本实施例所述的云数据中心的虚拟机CPU使用率的分析建模方法，其具体情况如下：

1)分析模块构建

主要提出单台虚拟机CPU使用率概率分布的分析方法，以及云数据中心中所有虚拟机CPU使用率期望值概率分布的分析方法，分析模块实现的数学表达式如下：

P(X＝x)＝f(x),(μ＝E(x),δ＝D(x))   (1)

$\mathrm{\μ}={\∫}_a^b\mathrm{xdx},(0\≤a\≤x\≤b\≤100)---\left(2\right)$

$P(X=x)=f\left(x\right),(E\left(x\right)=\mathrm{\μ},\mathrm{\μ}\∈s,s\⋐{\∪}_{i=0}^{n-1}{s}_i,$

s_i＝{μ_ik,...,μ_ik+k-1},n＝(b-a+1)/k,a≤k≤b)   (3)

P(μ＝μ_j)＝f(μ_j),(0≤a≤μ_j≤b≤100,μ_j＝j)   (4)

式中，x表示单个任务CPU使用率，μ表示单个任务CPU使用率的期望值，δ表示单个任务CPU使用率的标准方差，f表示概率密度，s表示按照任务CPU使用率分类后任务的μ的集合。本发明的目的在于模拟x的概率分布，进而产生x。但是由于计算系统中任务的大规模性，使得分析所有任务的概率分布变得异常困难，因此利用μ对所有的任务进行分类，然后分析每一个分类集合s内x的概率分布。被分类集合s的个数为n，n的大小取决于事先设定的k，k越小越能真实反应单个任务的概率分布，但是会降低任务模型的通用性和提高分析的复杂度。最后由于采用了μ进行分类，因此需要分析日志中μ的概率分布情况。在步骤1)中，首先对云数据中心内所有虚拟机CPU按照虚拟机CPU使用率的期望值进行分类，然后分析分类后每个类别内虚拟机CPU使用率的概率分布情况，最后分析云数据中心内所有虚拟机CPU使用率期望值的概率分布情况；包括以下步骤：

1.1)根据公式(3)，将云数据中心内所有虚拟机CPU按照虚拟机CPU使用率期望值进行分类，其中k需要平衡实际环境下虚拟机的数目和建模的复杂度进行设定，然后分析每个类别内虚拟机CPU使用率期的概率分布情况；

1.2)根据公式(4)，分析所有虚拟机CPU使用率期望值的概率分布情况，同时寻找所需的概率分布进行拟合。

2)建模模块构建

主要利用步骤1)所得的分析模块对实际环境下虚拟CPU使用率任务日志进行了分析，分析了单台虚拟CPU使用率的概率分布情况，以及云数据中心所有虚拟机CPU使用率期望值的分布情况，最后利用分析结果之间的关联性进行任务建模，建模模块实现的数学表达式如下：

$\mathrm{\μ}~\left\{\begin{array}{c}E\left(\mathrm{\θ}\right)\\ \mathrm{pE}\left({\mathrm{\θ}}_1\right)+(1-p)E\left({\mathrm{\θ}}_2\right)\\ \mathrm{\Γ}({\mathrm{\α}}_1,{\mathrm{\β}}_1)\\ W({\mathrm{\α}}_2,{\mathrm{\β}}_2)\end{array}\right.---\left(5\right)$

aμ⁴+bμ³+cμ²+dμ+e＝δ   (6)

x～N(μ,δ)   (7)

式中，N表示正态分布，E表示指数分布，θ表示指数分布的参数值，Γ表示伽马分布，α₁和β₁表示伽马分布的两个参数值，W表示韦伯分布，α₂和β₂表示韦伯分布的两个参数值，μ和δ分别表示虚拟机CPU使用率的期望值和方差，a、b、c、d和e为从实际虚拟机CPU使用率任务日志中获取的μ和δ线性拟合结果的参数值。

利用分析模块对背景技术中的第三篇参考文献的仿真实验所采用的实验数据进行任务建模。首先分析可得单台虚拟机CPU使用率呈现正态分布，本发明将这种特性称为虚拟机CPU使用率的局部特性；然后分析所有虚拟机CPU使用率期望值的分布，发现其呈现指数分布，本发明将这种特性称为虚拟机CPU使用率的全局特性。

在步骤2)中，针对实际环境中虚拟机CPU使用率的任务日志，利用指数分布、高阶指数分布、伽马分布以及韦伯分布来拟合虚拟机CPU使用率期望值的概率分布，然后利用线性拟合关系获取实际环境下虚拟机CPU使用率任务日志中线性关系的参数值，进而获取虚拟机CPU使用率的方差，最后利用虚拟机CPU使用率的期望值和方差获取一个正态分布，利用该正态分布来产生单台虚拟机CPU使用率的分布；包括以下步骤：

2.1)根据公式(5)，利用指数分布、高阶指数分布、伽马分布以及韦伯分布产生虚拟机CPU使用率的期望值μ；

2.2)根据公式(6)，获取实际环境中虚拟机CPU使用率任务日志的μ和δ，并利用线性拟合的方式寻找μ和δ的关系，同时获取a、b、c、d和e的具体取值，通过该线性拟合关系即可获得一个具体的μ对应的δ；

2.3)通过将μ和δ代入公式(7)，即可获得实际环境中单台虚拟机CPU使用率的分布情况。

3)通过步骤1)和2)，即可构建出能够产生实际环境下单台虚拟机CPU使用率的分布，而重复步骤2)即可获取多个虚拟机CPU使用率的分布，从而形成用于云计算环境下针对能耗的虚拟机融合的性能评估。

以上所述实施例子只为本发明较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (3)

1.一种云数据中心的虚拟机CPU使用率的分析建模方法，其特征在于，包括以下步骤：

1)分析模块构建

主要提出单台虚拟机CPU使用率概率分布的分析方法，以及云数据中心中所有虚拟机CPU使用率期望值概率分布的分析方法，分析模块实现的数学表达式如下：

P(X＝x)＝f(x),(μ＝E(x),δ＝D(x))   (1)

$\mathrm{\μ}={\∫}_a^b\mathrm{xdx},(0\≤a\≤x\≤b\≤100)---\left(2\right)$

$P(X=x)=f\left(x\right),(E\left(x\right)=\mathrm{\μ},\mathrm{\μ}\∈s,s\⋐{\∪}_{i=0}^{n-1}{s}_i,$

s_i＝{μ_ik,...,μ_ik+k-1},n＝(b-a+1)/k,a≤k≤b)   (3)

P(μ＝μ_j)＝f(μ_j),(0≤a≤μ_j≤b≤100,μ_j＝j)   (4)

式中，x表示单个任务CPU使用率，μ表示单个任务CPU使用率的期望值，δ表示单个任务CPU使用率的标准方差，f表示概率密度，s表示按照任务CPU使用率分类后任务的μ的集合；

2)建模模块构建

主要利用步骤1)的分析模块对实际环境下虚拟CPU使用率任务日志进行了分析，分析单台虚拟CPU使用率的概率分布情况，以及云数据中心所有虚拟机CPU使用率期望值的分布情况，最后利用分析结果之间的关联性进行任务建模，建模模块实现的数学表达式如下：

$\mathrm{\μ}~\left\{\begin{array}{c}E\left(\mathrm{\θ}\right)\\ \mathrm{pE}\left({\mathrm{\θ}}_1\right)+(1-p)E\left({\mathrm{\θ}}_2\right)\\ \mathrm{\Γ}({\mathrm{\α}}_1,{\mathrm{\β}}_1)\\ W({\mathrm{\α}}_2,{\mathrm{\β}}_2)\end{array}\right.---\left(5\right)$

aμ⁴+bμ³+cμ²+dμ+e＝δ   (6)

x～N(μ,δ)   (7)

式中，N表示正态分布，E表示指数分布，θ表示指数分布的参数值，Γ表示伽马分布，α₁和β₁表示伽马分布的两个参数值，W表示韦伯分布，α₂和β₂表示韦伯分布的两个参数值，μ和δ分别表示虚拟机CPU使用率的期望值和方差，a、b、c、d和e为从实际虚拟机CPU使用率任务日志中获取的μ和δ线性拟合结果的参数值；

3)通过步骤1)和2)，即可构建出能够产生实际环境下单台虚拟机CPU使用率的分布，而重复步骤2)即可获取多个虚拟机CPU使用率的分布，从而形成用于云计算环境下针对能耗的虚拟机融合的性能评估。

2.根据权利要求1所述的一种云数据中心的虚拟机CPU使用率的分析建模方法，其特征在于：在步骤1)中，首先对云数据中心内所有虚拟机CPU按照虚拟机CPU使用率的期望值进行分类，然后分析分类后每个类别内虚拟机CPU使用率的概率分布情况，最后分析云数据中心内所有虚拟机CPU使用率期望值的概率分布情况；包括以下步骤：

1.1)根据公式(3)，将云数据中心内所有虚拟机CPU按照虚拟机CPU使用率期望值进行分类，其中k需要平衡实际环境下虚拟机的数目和建模的复杂度进行设定，然后分析每个类别内虚拟机CPU使用率期的概率分布情况；

1.2)根据公式(4)，分析所有虚拟机CPU使用率期望值的概率分布情况，同时寻找所需的概率分布进行拟合。

3.根据权利要求1所述的一种云数据中心的虚拟机CPU使用率的分析建模方法，其特征在于：在步骤2)中，针对实际环境中虚拟机CPU使用率的任务日志，利用指数分布、高阶指数分布、伽马分布以及韦伯分布来拟合虚拟机CPU使用率期望值的概率分布，然后利用线性拟合关系获取实际环境下虚拟机CPU使用率任务日志中线性关系的参数值，进而获取虚拟机CPU使用率的方差，最后利用虚拟机CPU使用率的期望值和方差获取一个正态分布，利用该正态分布来产生单台虚拟机CPU使用率的分布；包括以下步骤：

2.1)根据公式(5)，利用指数分布、高阶指数分布、伽马分布以及韦伯分布产生虚拟机CPU使用率的期望值μ；

2.2)根据公式(6)，获取实际环境中虚拟机CPU使用率任务日志的μ和δ，并利用线性拟合的方式寻找μ和δ的关系，同时获取a、b、c、d和e的具体取值，通过该线性拟合关系即可获得一个具体的μ对应的δ；

2.3)通过将μ和δ代入公式(7)，即可获得实际环境中单台虚拟机CPU使用率的分布情况。