CN104298339A

CN104298339A - 一种面向最小能耗的服务器整合方法

Info

Publication number: CN104298339A
Application number: CN201410538015.3A
Authority: CN
Inventors: 张斌; 郭军; 刘宇; 莫玉岩; 闫永明; 刘舒; 马庆敏; 马群; 李智
Original assignee: Northeastern University China
Current assignee: Beijing Dianwei Information Technology Co ltd
Priority date: 2014-10-11
Filing date: 2014-10-11
Publication date: 2015-01-21
Anticipated expiration: 2034-10-11
Also published as: CN104298339B

Abstract

本发明提供一种面向最小能耗的服务器整合方法，包括：周期性获取服务器及其上虚拟机的资源状态和性能数据，同时在物理服务器上用外接瓦特计来周期性测量服务器的能耗并保存；周期性收集服务器的资源状态数据、虚拟机的资源状态数据、服务器的性能数据和虚拟机的性能数据，并进行数据预处理；构建服务器能耗模型；建立虚拟机迁移代价预测模型；求出各虚拟机迁移代价预测值；利用改进的层次分析法进行虚拟机综合评价；计算服务器的服务稳定性指标；确定服务器整合方案；进行服务器整合。本发明根据虚拟机资源需求量和服务器资源剩余量，利用动态装箱算法将虚拟机迁移到适合的服务器中。在保持服务平稳运行情况下开机服务器数量最少。

Description

一种面向最小能耗的服务器整合方法

技术领域

本发明涉及云服务技术领域，具体涉及一种面向最小能耗的服务器整合方法。

背景技术

近年来，云计算(Cloud Computing)凭借着其创新的计算形式日益受到学术界以及商业界的重视，为租户带来按需调整、降低成本及方便获取等优势。尤其是虚拟化技术的普及，使得新型数据中心的管理更加高效，规模也越来越大。随之而来，其运作成本越来越高，高能耗也渐渐成为突出问题，能耗的持续升高将会增加云计算基础设施的总体拥有成本(TotalCost of Ownership，TCO)，降低回报率，因此对高能耗问题的解决刻不容缓。

经大量研究发现，当服务器负载较低时，比如其CPU的利用率为10％左右，那么服务器的能耗也将是满载时的50％左右，对其资源及能耗造成浪费。虚拟化技术给数据中心的能耗管理提供新思路，拥有资源利用率高，管理灵活，易扩展等好处。它通过在传统服务器上部署虚拟机(Virtual Machine，VM)，然后将服务及应用部署在VM上，实现应用隔离以及资源复用。虚拟化技术可以通过服务器整合将多个负载整合到同一台服务器上，关闭空闲服务器，达到节能目的。VM的动态迁移使VM在不关机、持续提供服务的前提下，从一台服务器迁移到其他的服务器运行，因此保证了服务器整合的顺利进行，进而降低了能耗。

发明内容

针对现有技术存在的问题，本发明提供一种面向最小能耗的服务器整合方法。

本发明的技术方案是：

一种面向最小能耗的服务器整合方法，包括如下步骤：

步骤1：周期性获取服务器及其上虚拟机的资源状态和性能数据，同时在物理服务器上用外接瓦特计来周期性测量服务器的能耗并保存；将服务器的资源状态数据和性能数据存放在服务器状态和服务性能库中，将虚拟机的资源状态数据和性能数据存放在虚拟机状态和服务性能库中；

资源状态数据包括CPU利用率、内存利用率、磁盘读写总量；

性能数据包括服务响应时间、吞吐率；

步骤2：周期性收集服务器的资源状态数据、虚拟机的资源状态数据、服务器的性能数据和虚拟机的性能数据，并进行数据预处理；

步骤3：构建服务器能耗模型；

步骤3-1：建立虚拟机能耗模型：

P_VM(k)＝P_e+a*U_CPU(k)+b*U_Mem(k)+c*U_IO(k)

其中，P_VM(k)表示虚拟机k的能耗，P_e表示虚拟机的能耗调整值，U_Mem(k)表示虚拟机k的内存利用率，U_IO(k)表示虚拟机k的磁盘读写总量，a、b、c表示系数；

步骤3-2：建立服务器能耗模型：

P {total} = P {baseline} + Σ_{k = 1}^{n} P_{VM} (k)

其中，P{total}表示一台服务器的总能耗；P{baseline}表示基础能耗；n表示该服务器上活动虚拟机的数目，表示该服务器上所有虚拟机的能耗之和；

步骤3-3：利用周期性获取的服务器及其上虚拟机的资源状态数据和周期性测量得到的服务器的能耗，采用多元回归方法对服务器能耗模型进行训练，得到系数a，b，c和虚拟机的能耗调整值P_e；

步骤4：建立虚拟机迁移代价预测模型；

Cost(VM_k)＝αT(k)_mig+βV(k)_mig+γT(k)_down

其中，Cost(VM_k)表示虚拟机k的迁移代价预测值，T(k)_mig表示虚拟机k的迁移总时间，V(k)_mig表示虚拟机k的迁移时网络传送总量，T(k)_down表示虚拟机k的迁移中的停机时间，α、β、γ是虚拟机k迁移代价的指标权重，且α+β+γ＝1；

V {(k)}_{mig} = Σ_{i = 0}^{n} V_{i} (k) = V {(k)}_{mem} \cdot \frac{1 - λ^{n + 1}}{1 - λ}

T {(k)}_{mig} = Σ_{i = 0}^{n} T_{i} (k) = \frac{V {(k)}_{mem}}{R (k)} \cdot \frac{1 - λ^{n + 1}}{1 - λ}

T(k)_down＝T(k)_n+T(k)_res

其中，V_i(k)表示虚拟机k每轮迁移的数据传输量；

T_i(k)表示虚拟机k每轮迁移的传输时间；

λ＝D/R<1，R(k)为虚拟机k在迁移中内存的传输速度，D(k)为虚拟机k在迁移中内存脏页产生速度；

T(k)_n表示预拷贝最后一轮虚拟机k迁移产生的内存脏页时间；

T(k)_res表示虚拟机k在目标服务器恢复所需时间；

V(k)_mem为虚拟机k的内存镜像；

步骤5：利用虚拟机迁移代价预测模型求出各虚拟机迁移代价预测值；

步骤6：利用改进的层次分析法进行虚拟机综合评价；

步骤6-1：将虚拟机的CPU利用率、虚拟机的内存利用率、虚拟机迁移代价预测值、虚拟机能耗值作为准则层，虚拟机综合评价作为目标层，各虚拟机作为方案层；

步骤6-2：将准则层中的每两个准则之间的相对重要度eij作为元素构建综合判断矩阵，该矩阵中的各个元素即判断尺度；

E = [\begin{matrix} e_{11} & e_{12} & . . . & e_{1 j} \\ e_{21} & e_{22} & . . . & e_{2 j} \\ . . . & . . . & . . . & . . . \\ e_{i 1} & e_{i 2} & . . . & e_{ij} \end{matrix}]

其中，准则层的第i个准则与第j个准则的相对重要度e_ij＝w_i/w_j，w_i为准则层的第i个准则的权重，w_j为准则层的第j个准则的权重；

步骤6-3：确定准则层的各准则对目标层的相对权重、方案层的k个方案对准则层的相对权重，进行虚拟机综合评价，得到各方案对目标层的评价即方案层中各方案的综合评价；

步骤7：计算服务器的服务稳定性指标S即响应时间的标准偏差的倒数，进行服务器的服务性能评价，服务稳定性指标越大，服务器的服务性能越好；

S (s) = 1 / q_{dev} (s) = \sqrt{\frac{m - 1}{Σ_{p = 1}^{m} {(T_{p} - T_{θ})}^{2}}}

其中，S(s)表示服务器s的服务稳定性指标值，q_dev(s)表示服务器s的响应时间的标准偏差T_p表示服务器s在第p次监测的服务响应时间；T_θ表示服务器s监测的服务响应时间的平均值；m表示监测次数；

步骤8：确定服务器整合方案，即确定待整合服务器和目标服务器；

步骤8-1：利用改进的层次分析法确定待整合服务器；

步骤8-1-1：评估服务器各评价指标的主观权重，即服务器各评价指标的主观权值；

步骤8-1-2：利用信息熵权法评估各服务器客观权重，即服务器各评价指标的客观权值；

步骤8-1-3：根据服务器各评价指标的主观权值w′_i、服务器各评价指标的客观权值v′_i，计算服务器评价指标的综合评价权值；

a_{i} = \frac{{w_{i}}^{'} {v_{i}}^{'}}{Σ_{i = 1}^{n} {w_{i}}^{'} {v_{i}}^{'}}

其中，a_i为服务器评价指标的综合评价权值；

步骤8-1-4：求得服务器评估结果B’；

步骤8-1-4-1：确定监测时间T，并将服务器的每个评价指标进行分级；

步骤8-1-4-2：通过监测到的评价指标数据，计算评价指标i在第c级的时间：

τ_{i} (c) = Σ_{d = 1}^{x} t_{d}

其中，t_d表示各评价指标在第c级第d个时间段内的时间值，x为在第c级的时间段的总数目；

步骤8-1-4-3：计算评价指标i在第c级的概率；

p_ic＝τ_i(c)/T

步骤8-1-4-4：将评价指标i在第c级的概率p_ic作为元素f_ic形成评判矩阵F＝[f_ic]；

步骤8-1-4-5：已求得各评价指标的综合权重记为A＝[a₁,a₂,…,a_n]，则评估结果为：

步骤8-1-4-6：对评估结果B利用加权平均法求得服务器的最终评估结果：

B^{'} = Σ_{i = 1}^{n} {iB}_{i} / Σ_{i = 1}^{n} B_{i}

其中，B_i为B的第i列元素，利用加权平均法求得的评估结果；

步骤8-1-5：将评估结果小的服务器作为待整合的服务器；

步骤8-2：采用改进的全局动态装箱算法选择目标服务器：将多个目标服务器作为箱子，待整合服务器上的各台虚拟机作为需要装箱的多个物体，得到映射方案即为将多台虚拟机分别装箱到多台服务器中；

步骤8-2-1：混合重排：除待整合服务器的服务器集群记为矩阵C_begin，服务器集群中的所有虚拟机与待整合服务器上的所有虚拟机记为new_vm[s]，对new_vm[s]进行混合重排，并将混合重排后的虚拟机放入需进行装箱的虚拟机列表，记为all_vm[]，然后按照虚拟机的容量进行降序排列；

步骤8-2-2：全局动态二维装箱：利用全局动态装箱算法对all_vm[]中的虚拟机进行全局动态二维装箱，装箱后的各虚拟机的状态分布矩阵记为C_sta；

步骤8-2-3：减少迁移次数，即调整C_sta：由于装箱后的各虚拟机的状态分布矩阵C_sta与原来集群状态矩阵C_begin不一样，如果各VM在装箱前后的映射位置不同，需要进行VM的迁移，为减少迁移次数，就需调整C_sta，使之与C_begin尽量相近，减少虚拟机迁移代价；

步骤9：根据服务器整合方案即待整合服务器和目标服务器，进行服务器整合：将其上所有的虚拟机都迁移到目标服务器上，然后关闭待整合服务器。

所述步骤2按如下步骤进行：

步骤2-1：周期性收集服务器状态和服务性能库中的CPU利用率、内存利用率、磁盘读写总量、吞吐率及虚拟机数量；

步骤2-2：周期性收集虚拟机状态和服务性能库中的CPU利用率、内存利用率、磁盘读写总量、吞吐率和服务响应时间；

步骤2-3：判断服务器的CPU利用率是否超出阈值，是，则对其进行数据预处理，否则执行步骤3；

步骤2-3-1：若t时刻服务器的CPU利用率Z_t ^cpu小于阈值下限，且Z_t ^cpu<(Z_t-1 ^cpu+Z_t+1 ^cpu)/2时，Z_t ^cpu＝(Z_t-1 ^cpu+Z_t+1 ^cpu)/2

步骤2-3-2：若t时刻的服务器CPU利用率Z_t ^cpu大于阈值上限，且Z_t ^cpu>(Z_t-1 ^cpu+Z_t+1 ^cpu)/2时，Z_t ^cpu＝(Z_t-1 ^cpu+Z_t+1 ^cpu)/2。

所述步骤6-3按如下步骤进行：

步骤6-3-1：准则层的各准则对目标层的相对权重：其中，表示准则层的准则l对目标层的相对权重，l＝1,2,3,4；

步骤6-3-2：方案层k个方案对准则层的各准则的相对权重：其中，表示方案层的方案k对准则层的准则l的相对权重；

步骤6-3-3：计算各方案对目标层的评价，即方案层中各方案的综合评价；方案j对目标层的评价其中，为方案k对准则层的各准则的相对权重。

所述步骤8-2-3按如下步骤进行：

步骤8-2-3-1：调整C_sta每行位置：每行内容保持不变，行的位置进行调整，得到新的矩阵C_new，使它的每行与C_begin的对应行的相似度最高；

步骤8-2-3-2：调整C_sta各行中的其中某列的位置：每行的位置不变，对各行中与C_begin对应行不一致的列进行判断，如果能换回C_begin中的原始列，则进行交换，否则不变；

步骤8-2-3-3：判断是否能抵消迁移虚拟机：若某虚拟机原先所在的服务器上仍有空间，就将该虚拟机放回原来服务器；

步骤8-2-3-4：若虚拟机的原服务器标号与当前部署到的服务器标号不相同，说明该虚拟机需迁移，将需要迁移的虚拟机放到列表矩阵mig_vm中；

步骤8-2-3-5：mig_vm中的虚拟机为优先迁移的虚拟机。

有益效果：

本发明根据虚拟机资源需求量(CPU、内存)和服务器资源剩余量，利用动态装箱算法将虚拟机迁移到适合的服务器中。在保持服务平稳运行的情况下，让开机的服务器数量达到最少，以实现节能的目的。

附图说明

图1是本发明具体实施方式的三种能耗模型的平均误差率的统计图；

图2是本发明具体实施方式的服务器上运行CPU密集型基准程序时三种能耗对比图；

图3是本发明具体实施方式的服务器上运行I/O密集型基准程序时三种能耗对比图；

图4是本发明具体实施方式的服务器上运行混合型的基准程序时三种能耗对比图；

图5是本发明具体实施方式的物理服务器拓扑结构示意图；

图6是本发明具体实施方式的各虚拟机的停机时间和迁移总时间示意图；

图7是本发明具体实施方式的各虚拟机的迁移传输量示意图；

图8是本发明具体实施方式的两种方法整合前后能耗对比图；

图9是本发明具体实施方式的整合过程中消耗的能耗值以及整合的总迁移时间示意图；

图10是本发明具体实施方式的目标服务器上的CPU利用率的变化趋势示意图；

图11是本发明具体实施方式的面向最小能耗的服务器整合方法流程图；

图12是本发明具体实施方式的面向最小能耗的服务器整合方法步骤2的具体流程图；

图13是本发明具体实施方式的利用改进的层次分析法进行虚拟机综合评价的具体流程图；

图14是本发明具体实施方式的利用改进的层次分析法确定待整合服务器的具体流程图；

图15是本发明具体实施方式的采用改进的全局动态装箱算法选择目标服务器的具体流程图。

具体实施方式

下面结合附图对本发明的具体实施方式做详细说明。

本实施方式的面向最小能耗的服务器整合方法，如图11所示，包括如下步骤：

资源状态数据包括CPU利用率、内存利用率、磁盘读写总量；

性能数据包括服务响应时间、吞吐率；

步骤2：周期性收集服务器的资源状态数据、虚拟机的资源状态数据、服务器的性能数据和虚拟机的性能数据，并进行数据预处理；如图12所示；

步骤2-3-1：若t时刻服务器的CPU利用率Z_t ^cpu小于阈值下限，且Z_t ^cpu<(Z_t-1 ^cpu+Z_t+1 ^cpu)/2时，Z_t ^cpu＝(Z_t-1 ^cpu+Z_t+1 ^cpu)/2；

步骤3：构建服务器能耗模型；

步骤3-1：建立虚拟机能耗模型：

P_VM(k)＝P_e+a*U_CPU(k)+b*U_Mem(k)+c*U_IO(k)

步骤3-2：建立服务器能耗模型：

P {total} = P {baseline} + Σ_{k = 1}^{n} P_{VM} (k)

为验证服务器能耗模型的有效性和精确性，进行三组对比实验，分别在服务器上运行CPU密集型基准程序，I/O密集型基准程序和混合型基准程序；并通过另一台服务器收集监测的服务器及其上各虚拟机的数据。

实验使用的两台物理服务器，其中服务器1用作集群管理服务器，主要任务是收集服务器2及其上活动虚拟机的实时监控数据，并进行分析以及构建、训练模型等过程。服务器2作为普通的物理服务器，其上部署着数据监测器以及多台虚拟机。其硬件和软件详细配置信息如表1和表2。

表1硬件配置信息

另外还有一台外接瓦特计用于测量服务器的能耗值，作为真实的能耗值与模型预测的能耗值进行对比，从而验证实验。

模型在服务器2上运行一些影响CPU，内存及I/O的基准程序，服务器1负责收集服务器2及其上VM的资源性能数据，同时外接瓦特计监测服务器2的能耗值，并将监测数据传入模型中，进行训练，实验每隔一秒采集一次数据。为验证该能耗模型的有效性，分别用单变量线性模型、单纯三元线性模型及本实施方式的服务器能耗模型计算各时刻的服务器能耗，并与用外接瓦特计真实测量的能耗对比，验证了本实施方式的服务器能耗模型的预测精度优于单变量线性模型及单纯的三元线性模型，通过与实际测量的能耗对比发现，最大误差率在可接受范围内。其中的模型训练采用的多元回归的方法进行的，由于模型较多，仅对其中一个的训练结果进行简单的介绍。采用matlab的命令regress()实现，其调用格式为：

[b,bint,r,rint,stats]＝regress(y,x,α)；

得到的结果如表3所示：

表3多元回归训练结果

实验中分别在服务器2上运行1到7台虚拟机。在各基准程序下，三种能耗模型的平均误差率的统计图如图1所示，实验结果表明，本实施方式的服务器能耗模型的误差率是最低的，单变量线性模型的误差率最高，尤其是在I/O密集型的基准程序中，归类分段模型的预测能耗的准确率远远优于其他两个模型，其平均的准确率超过了96.5％，最大误差率低于9％，并且CPU密集型和I/O密集型的程序中，能耗的预测值更准确。在这里一台服务器上误差率为4％，则反映在能耗的峰值上，其误差低于10W。

当物理服务器上运行4台VM(1台VMM，3台普通VM)时，实际测量能耗、单纯三元线性模型以及用归类分段模型的预测的能耗的对比。图2、3、4分别表示的是在服务器上运行CPU密集型、I/O密集型以及混合型的基准程序时，三种能耗的对比图。运行三种类型的基准程序后，归类分段模型的精确程度要优于单纯三元线性模型，尤其在谷值与峰值处，表现的更明显。因此也证明了本实施方式的服务器能耗模型的实用性和精确性。

步骤4：建立虚拟机迁移代价预测模型；

Cost(VM_k)＝αT(k)_mig+βV(k)_mig+γT(k)_down

V {(k)}_{mig} = Σ_{i = 0}^{n} V_{i} (k) = V {(k)}_{mem} \cdot \frac{1 - λ^{n + 1}}{1 - λ}

T {(k)}_{mig} = Σ_{i = 0}^{n} T_{i} (k) = \frac{V {(k)}_{mem}}{R (k)} \cdot \frac{1 - λ^{n + 1}}{1 - λ}

T(k)_down＝T(k)_n+T(k)_res

其中，V_i(k)表示虚拟机k每轮迁移的数据传输量；

T_i(k)表示虚拟机k每轮迁移的传输时间；

T(k)_n表示预拷贝最后一轮虚拟机k迁移产生的内存脏页时间；

T(k)_res表示虚拟机k在目标服务器恢复所需时间；

V(k)_mem为虚拟机k的内存镜像；

步骤6：利用改进的层次分析法进行虚拟机综合评价；如图13所示；

步骤6-2：将准则层中的每两个准则之间的相对重要度e_ij作为元素构建综合判断矩阵，该矩阵中的各个元素即判断尺度；

E = [\begin{matrix} e_{11} & e_{12} & . . . & e_{1 j} \\ e_{21} & e_{22} & . . . & e_{2 j} \\ . . . & . . . & . . . & . . . \\ e_{i 1} & e_{i 2} & . . . & e_{ij} \end{matrix}]

步骤6-3-1：确定准则层的各准则对目标层的相对权重：其中，表示准则层的准则l对目标层的相对权重，l＝1,2,3,4；

步骤6-3-2：确定方案层k个方案对准则层的各准则的相对权重：其中，表示方案层的方案k对准则层的准则l的相对权重；

步骤6-3-3：计算各方案对目标层的评价，即方案层中各方案的综合评价；

方案j对目标层的评价其中，为方案k对准则层的各准则的相对权重。

S (s) = 1 / q_{dev} (s) = \sqrt{\frac{m - 1}{Σ_{p = 1}^{m} {(T_{p} - T_{θ})}^{2}}}

步骤8-1：利用改进的层次分析法确定待整合服务器；如图14所示；

为了使结果更精确，不使用传统的1-9标度法，而采用更精确的标度值，这样使两两比较时得到的值差别更小，评价服务器时不至于差距太大。本实施方式采用的标度含义如表4所示。

表4各标度含义说明

改进的AHP法构造判断标度矩阵的思路是：根据行业专家的意见或者用户的要求对所有评价指标进行两两比较，并按照重要程度递增的方式进行排序，然后按重要程度传递性补全矩阵中其他值。

评价指标包括虚拟机的CPU利用率、虚拟机的内存利用率、虚拟机迁移代价预测值、虚拟机能耗值，假设各评估指标按重要程度排序为A₁≥A₂≥…≥A_n，比较A_i与A_i+1，将对应标度记为t_i，然后对判断标度矩阵R中所有的其他元素按传递性计算判断标度矩阵的元素r_ij＝r_ik·r_kj，补全判断标度矩阵中所有的元素值，从而建立起判断标度矩阵R：

R = [\begin{matrix} 1 & t_{1} & t_{1} t_{2} & t_{1} t_{2} t_{3} & t_{1} t_{2} t_{3} t_{4} & . . . & t_{1} t_{2} . . . t_{n - 1} \\ 1 / t_{1} & 1 & t_{2} & t_{2} t_{3} & t_{2} t_{3} t_{4} & . . . & t_{2} t_{3} . . . t_{n - 1} \\ 1 / t_{1} t_{2} & 1 / t_{2} & 1 & t_{3} & t_{3} t_{4} & . . . & t_{3} t_{4} . . . t_{n - 1} \\ 1 / t_{1} t_{2} t_{3} & 1 / t_{2} t_{3} & 1 / t_{3} & 1 & t_{4} & . . . & t_{4} . . . t_{n - 1} \\ \cdot & \cdot & \cdot & \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot & \cdot & \cdot & \cdot \\ 1 / t_{1} t_{2} . . . t_{n - 2} & 1 / t_{2} . . . t_{n - 2} & 1 / t_{3} t_{4} . . . t_{n - 2} & 1 / t_{4} t_{5} . . . t_{n - 2} & 1 & . . . & t_{n - 1} \\ 1 / t_{1} t_{2} . . . t_{n - 1} & 1 / t_{2} . . . t_{n - 1} & 1 / t_{3} t_{4} . . . t_{n - 1} & 1 / t_{4} t_{5} . . . t_{n - 1} & 1 / t_{5} . . . t_{n - 1} & . . . & 1 \end{matrix}]

判断标度矩阵R满足：

①r_ij>0；

②r_ji＝1/r_ij，i,j＝1,2…,n；

③r_ii＝1；

④r_ij＝r_ik·r_kj，i,j,k＝1,2…,n；

由判断标度矩阵R计算各评价指标的主观权重：

{w_{i}}^{'} = \sqrt[n]{Π_{j = 1}^{n} r_{ij}} / Σ_{i = 1}^{n} \sqrt[n]{Π_{j = 1}^{n} r_{ij}}

即为服务器各评价指标的主观权值。

各评价指标构成评价指标集U＝{u₁,u₂,…,u_n}，对各评价指标的评判构成评判集Q＝{q₁,q₂,…,q_m}，对评价指标集U中的每一个评价指标u_i做评价，记为f(u_i)，有以下模糊映射：

u_i→f(u_i)＝(f_i1,f_i2,…,f_im)∈F(q)

其中，F(q)表示Q上模糊集合的全体，依据模糊转化的概念，根据该模糊映射确定模糊关系F，即模糊评判矩阵：

F = [\begin{matrix} f_{11} & f_{12} & . . . & f_{1 m} \\ f_{21} & f_{22} & . . . & f_{2 m} \\ \cdot & \cdot & \cdot \\ \cdot & \cdot & . . . & \cdot \\ \cdot & \cdot & \cdot \\ f_{n 1} & f_{n 2} & . . . & f_{nm} \end{matrix}]

求评价指标u_i的信息熵值：

e_{i} = - \frac{1}{1 nm} Σ_{j = 1}^{m} f_{ij} \ln f_{ij}

信息熵值越小，其携带的信息的确定性越大，该评价指标对服务器的综合评价的贡献也越大，客观权重与信息熵值成反比关系，用信息熵权法求服务器各评价指标的客观权值，公式为：

{v_{i}}^{'} = \frac{1}{n - Σ_{i = 1}^{n} e_{i}} (1 - e_{i}) = \frac{1}{n - Σ_{i = 1}^{n} (- \frac{1}{\ln m} Σ_{j = 1}^{m} f_{ij} \ln f_{ij})} (1 - (- \frac{1}{\ln m} Σ_{j = 1}^{m} f_{ij} \ln f_{ij}))

其中，v′_i的值在[0,1]之间；

a_{i} = \frac{{w_{i}}^{'} {v_{i}}^{'}}{Σ_{i = 1}^{n} {w_{i}}^{'} {v_{i}}^{'}}

其中，a_i为服务器评价指标的综合评价权值；

步骤8-1-4：求得服务器评估结果B’；

τ_{i} (c) = Σ_{d = 1}^{x} t_{d}

步骤8-1-4-3：计算评价指标i在第c级的概率；

p_ic＝τ_i(c)/T

B^{'} = Σ_{i = 1}^{n} {iB}_{i} / Σ_{i = 1}^{n} B_{i}

步骤8-1-5：将评估结果小的服务器作为待整合的服务器；

步骤8-2：采用改进的全局动态装箱算法选择目标服务器：将多个目标服务器作为箱子，待整合服务器上的各台虚拟机作为需要装箱的多个物体，得到映射方案即为将多台虚拟机分别装箱到多台服务器中；如图15所示；

步骤8-2-3-5：mig_vm中的虚拟机为优先迁移的虚拟机。

本实施方式中的五台物理服务器拓扑结构如图5所示，其中物理服务器1是管理整个框架的管理服务器，主要任务是监测、收集、分析数据，设计整合方案以及管理框架；其他四台物理服务器是普通物理服务器，其上部署着数据监测器以及多台VM。

各个服务器硬件和软件详细配置信息如表5和表6：

表5硬件配置信息

表6软件配置信息

在服务器2～5上部署一系列资源混合密集型的应用，并通过对其上的虚拟机施加负载压力，对CPU利用率的历史数据进行数据预处理，然后根据服务器2～5的一个周期内的CPU利用率预测下一个周期的负载情况，与预设的阈值相比较，使至少3台服务器的CPU利用率低于阈值，此时满足整合时机，否则要重新调整部署，直至满足条件为止。

(1)各虚拟机迁移代价的计算

在迁移期间，迁移代价主要由停机时间、迁移总时间以及传输量三者体现。虚拟机的停机时间越短，则说明迁移过程中的延迟越小，影响服务性能的可能性越小；迁移总时间是由预拷贝时间与停机时间决定的，迁移总时间越小说明虚拟机的迁移代价可能越小。迁移传输量是迁移过程中网络传输总量，是由每一轮的迭代传输量相加得到，值越小说明虚拟机迁移代价可能越小，各虚拟机的停机时间和迁移总时间如图6所示。各虚拟机的迁移传输量如图7所示。由停机时间、迁移总时间以及迁移传输量可计算其迁移代价。

(2)虚拟机综合评分

a.准则层的各准则对目标层的相对权重:

b.方案层k个方案对准则层的各准则的相对权重：

{\overset{&OverBar;}{w}}_{l 1}^{(2)} = {(0.1393,0.0724,0.1786,0.0450,0.0210,0.0408,0.0252,0.1280,0.1744,0.0767,0.0612,0.0375)}^{T}

{\overset{&OverBar;}{w}}_{l 2}^{(2)} {(0.0818,0.0688,0.2261,0.0428,0.0204,0.0363,0.0245,0.1366,0.2014,0.0688,0.0582,0.0344)}^{T}

{\overset{&OverBar;}{w}}_{l 3}^{(2)} = {(0.0833,0.0700,0.2076,0.0435,0.0203,0.0395,0.0244,0.1390,0.2027,0.0742,0.0592,0.0362)}^{T}

{\overset{&OverBar;}{w}}_{l 4}^{(2)} = {(0.1065,0.0879,0.2944,0.1065,0.0397,0.0500,0.0397, 0.0500,0.1065,0.0397,0.0397,0.0397)}^{T}

c.计算各方案的综合评价：

V_{j}^{(2)} = {(0.0941,0.0725,0.2206,0.0524,0.0232,0.0403,0.0267,0.1242,0.1848,0.0682,0.0565,0.0364)}^{T}

将虚拟机的综合评价作为评估物理服务器的指标，其评价值越高说明整合代价越大，进行服务器整合时，应尽量避免迁移该虚拟机。

(3)物理服务器评估

物理服务器的主观权重：

w＝(0.3434,0.2453,0.1533,0.1278,0.0710,0.0592)

依次代表的指标因素为：服务器的CPU资源利用率，虚拟机综合评价，内存资源利用率，虚拟机数目，响应时间和服务稳定性。

由信息熵权法评估各服务器客观权重，综合权重以及服务器最终评估结果B’，见表7。

表7各物理服务器综合评估结果

由上表可知，服务器的最终评估结果分别为：2.1049,2.0019,2.6368,2.2834。最终评估的结果反映了服务器的优良程度，即整合难易程度。因此，评估结果越小，则是越需要整合的服务器。

综上所述，服务器3是最需要整合的服务器即待整合服务器。

(4)整合前后能耗以及整合代价的对比

对两种方法整合前后能耗进行对比如图8所示。本方法的整合方案能很明显的节约能耗，而且与其他方法进行对比发现，MA方法进行整合时的能耗虽然也比整合前的总能耗有所降低，但是本实施方式的面向最小能耗的服务器整合方案节能量更显著，大约在600W左右波动。对于整合过程中的能耗开销及代价问题，整合过程中消耗的能耗值以及整合的总迁移时间，如图9所示。从图中可看出，本整合方案无论是整合过程中消耗的能耗还是整合总时间都优于以前的方法，验证了该方案的可行性。

本实施方式的整合的结果为：将服务器3上的VM₇和VM₅迁移至服务器2上，将VM₆迁移至服务器5上，然后关闭服务器3，达到节约能耗的目的。迁移完成后，为了验证迁移后目的服务器的性能情况，对目标服务器上的性能情况进行验证，以目标服务器上的CPU利用率的变化趋势监测为例，来说明整合后服务器的性能仍满足SLA约束，并没有造成服务器的性能下降，如图10所示，两台目标服务器的CPU利用率一般不超过90％以上，达到能耗相对很小的情况。

Claims

1.一种面向最小能耗的服务器整合方法，其特征在于：包括如下步骤：

资源状态数据包括CPU利用率、内存利用率、磁盘读写总量；

性能数据包括服务响应时间、吞吐率；

步骤3：构建服务器能耗模型；

步骤3-1：建立虚拟机能耗模型：

P_VM(k)＝P_e+a*U_CPU(k)+b*U_Mem(k)+c*U_IO(k)

步骤3-2：建立服务器能耗模型：

P {total} = P {baseline} + Σ_{k = 1}^{n} P_{VM} (k)

步骤4：建立虚拟机迁移代价预测模型；

Cost(VM_k)＝αT(k)_mig+βV(k)_mig+γT(k)_down

{V (k)}_{mig} = Σ_{i = 0}^{n} V_{i} (k) = V {(k)}_{mem} \cdot \frac{{1 - λ}^{n + 1}}{1 - λ}

{V (k)}_{mig} = Σ_{i = 0}^{n} T_{i} (k) = \frac{{V (k)}_{mem}}{R (k)} \cdot \frac{{1 - λ}^{n + 1}}{1 - λ}

T(k)_down＝T(k)_n+T(k)_res

其中，V_i(k)表示虚拟机k每轮迁移的数据传输量；

T_i(k)表示虚拟机k每轮迁移的传输时间；

T(k)_n表示预拷贝最后一轮虚拟机k迁移产生的内存脏页时间；

T(k)_res表示虚拟机k在目标服务器恢复所需时间；

V(k)_mem为虚拟机k的内存镜像；

步骤6：利用改进的层次分析法进行虚拟机综合评价；

E = [\begin{matrix} e_{11} & e_{12} & . . . & e_{1 j} \\ e_{21} & e_{22} & . . . & e_{2 j} \\ . . . & . . . & . . . & . . . \\ e_{i 1} & e_{i 2} & . . . & e_{ij} \end{matrix}]

S (s) = 1 / q_{dev} (s) = \sqrt{\frac{m - 1}{Σ_{p = 1}^{m} {(T_{p} - T_{θ})}^{2}}}

步骤8-1：利用改进的层次分析法确定待整合服务器；

a_{i} = \frac{w_{i}^{'} v_{i}^{'}}{Σ_{i = 1}^{n} w_{i}^{'} v_{i}^{'}}

其中，a_i为服务器评价指标的综合评价权值；

步骤8-1-4：求得服务器评估结果B’；

τ_{i} (c) = Σ_{d = 1}^{x} t_{d}

步骤8-1-4-3：计算评价指标i在第c级的概率；

p_ic＝τ_i(c)/T

B＝AοF

B^{'} = Σ_{i = 1}^{n} {iB}_{1} / Σ_{i = 1}^{n} B_{i}

步骤8-1-5：将评估结果小的服务器作为待整合的服务器；

步骤8-2：采用改进的全局动态装箱算法选择目标服务器：将多个目标服务器作为箱子，待整

合服务器上的各台虚拟机作为需要装箱的多个物体，得到映射方案即为将多台虚拟机分别装箱到多台服务器中；

2.根据权利要求1所述的面向最小能耗的服务器整合方法，其特征在于：所述步骤2按如下步骤进行：

3.根据权利要求1所述的面向最小能耗的服务器整合方法，其特征在于：所述步骤6-3按如下步骤进行：

4.根据权利要求1所述的面向最小能耗的服务器整合方法，其特征在于：所述步骤8-2-3按如下步骤进行：

步骤8-2-3-5：mig_vm中的虚拟机为优先迁移的虚拟机。