CN104507150A - 一种基带池内虚拟资源分簇方法 - Google Patents

Abstract

本发明公开了一种基带池内虚拟资源分簇方法，涉及通信技术领域，该方法包括以下步骤：A、根据基带池内所支持的无线通信协议标准、基带池内的资源以及任务特点设置资源变量和任务变量；B、根据资源变量、任务变量、各类型协议标准规定以及资源容量各项约束，定义数学表达式，建立数学模型；C、使用改进的遗传算法求解数学模型，得到不同用户业务量下的分簇配置方案。本发明根据用户请求业务量预先设计不同的分簇管理模型，然后根据业务量的变化调用相应规模的资源簇从而降低了基带池内的功耗，降低资源管理的复杂度，提高系统的能效性，同时也进一步兼顾了基带池内资源利用率，提高系统灵活性以及并行处理能力。

Description

一种基带池内虚拟资源分簇方法

技术领域

本发明涉及通信技术领域，具体是涉及一种基带池内虚拟资源分簇方法。

背景技术

随着通信技术的发展，多媒体技术和互联技术的不断发展完善，人们对通信质量和通信形式要求越来越高，传统的网络架构由于存在以下三个问题逐渐不能满足日益发展的电子及互联网的发展需求。一、传统的网络架构需要数量巨大的基站，这意味着高额的建设投资、站址配套、站址租赁以及维护费用。二、潮汐效应导致现有基站利用率低下，网络的平均负载通常大大低于忙时负载，而不同的基站之间不能共享处理能力，也很难提高频谱效率。三、平台专有要求电信运营商需要维护多个不兼容的平台，扩容或者升级的成本更高。

为了解决传统网络架构的不足，中国移动提出了一种新型网络架构—C-RAN，它是基于集中化处理，协作式无线电和实时云架构的绿色无线接入网络构架。其优势主要体现在以下几个方面：1、较低的网络功耗；2、较低的运营商资本支出和运维成本；3、通过基站间干扰协调实现较高的通信网络吞吐量。

C-RAN架构虽然相对于传统的网络架构存在诸多优点，但是仍有多个技术难点问题亟需解决，而基带池的处理资源管理就是其中之一。基带池内处理资源管理主要是为了使得资源管理中心能够有效地快速地查询基带池内大量的处理资源使用情况，并且快速为用户任务 分配可用资源，处理不同的通信需求。对基带池内处理资源在未预处理的情况下管理所有资源不但能效低而且管理复杂度高。

现有的集中式资源管理模型主要分为两种：全固定分簇模型和全动态配置的资源管理模型。全固定分簇模型处理用户请求的反应时间短，但是对于随机的用户请求而言该模型资源利用率较低，全动态配置的管理模型虽然能够高效的利用基带池内的各类资源，但是动态配置虚拟机需要大量配置时延，对于实时无线通信而言必然影响基带池的服务质量并且增大资源管理的各项开销。

发明内容

本发明的目的是为了克服上述背景技术的不足，提供一种基带池内虚拟资源分簇方法，对基带池内固定配置部分资源进行分簇管理，根据用户请求业务量预先设计不同的分簇管理模型，然后根据业务量的变化调用相应规模的资源簇从而降低了基带池内的功耗，降低资源管理的复杂度，提高系统的能效性，同时也进一步兼顾了基带池内资源利用率，提高系统灵活性以及并行处理能力。

本发明提供一种基带池内虚拟资源分簇方法，包括以下步骤：

A、根据基带池内所支持的无线通信协议标准、基带池内的资源以及任务特点设置资源变量和任务变量；

B、根据资源变量、任务变量、各类型协议标准规定以及资源容量各项约束，定义数学表达式，建立数学模型；

C、使用改进的遗传算法求解数学模型，得到不同用户业务量下的分簇配置方案。

在上述技术方案的基础上，步骤A中所述资源包括物理资源和虚拟机资源，所述物理资源变量的具体描述方法如下：

基带池内含有K类异构的物理服务器，用矩阵PHy表示基带池内 所有类型物理服务器的资源量：

$\mathrm{PHy}=\left[\begin{array}{cccc}{\mathrm{phyc}}_1& {\mathrm{phyc}}_2& ...& {\mathrm{phyc}}_K\\ {\mathrm{phym}}_1& {\mathrm{phym}}_2& ...& {\mathrm{phym}}_K\end{array}\right],$

其中PHy的第一行表示该类型服务器所能提供的最大计算资源容量，PHy的第二行表示该类型服务器所能提供的最大内存容量；用W(i,j)表示为加载模块任务i和j的物理服务器间的传输带宽；

物理服务器最大功耗 $P_{\max }=[P_{\max }^1,P_{\max }^2,...,P_{\max }^K],$ 其中为i类型服务器的最大功耗；

所述虚拟机资源变量的具体描述方法如下：

w协议标准下各类虚拟机用矩阵VM^w表示：

${\mathrm{VM}}^w=[{\mathrm{VM}}_1^w,{\mathrm{VM}}_2^w,...,{\mathrm{VM}}_L^w],$

其中表示w协议标准下j类型虚拟机的计算资源和内存资源配置以及该虚拟机上加载的模块任务数。

在上述技术方案的基础上，步骤A中所述任务变量包括任务资源需求、各个虚拟机的处理模块以及虚拟机处理任务时延：

w协议标准下用户基带处理过程包括M^w模块子任务，所有模块任务对资源需求用矩阵R^w表示：

$R^w=\left[\begin{array}{cccc}{\mathrm{rc}}_1& {\mathrm{rc}}_2& ...& {\mathrm{rc}}_{M^w}\\ {\mathrm{rm}}_1& {\mathrm{rm}}_2& ...& {\mathrm{rm}}_{M^w}\end{array}\right],$

其中矩阵R^w的第一行表示在规定时间内完成各模块任务所需最小计算资源，R^w的第二行表示在规定时间内完成各模块任务所需最少内存；在满足资源最小需求的前提下，w协议标准下i模块的处理时延为

各个虚拟机的处理模块指虚拟机上预先加载的相关协议标准下 模块任务的处理程序的个数，即w协议标准下处理虚拟机类型总数为L，每类虚拟机上加载的任务数表示为且满足  $\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{x}_j^w=M^w;$

各个虚拟机处理任务时延指虚拟机完成所对应任务所需的处理时延，表示为 $T_{\mathrm{Comp}}^w=[t_{1.\mathrm{comp}}^w,t_{2.\mathrm{comp}}^w,...,t_{L.\mathrm{comp}}^w],$ 其中 $t_{i.\mathrm{comp}}^w=\underset{j=X\left(i\right)+1}{\overset{X\left(i\right)+x_i}{\mathrm{\Σ}}}\frac{{\mathrm{rc}}_j}{{\mathrm{VM}}_{i.\mathrm{comp}}^w}\·{\mathrm{\τ}}_j^w,$ $X\left(i\right)=\left\{\begin{array}{cc}0,& i=1\\ \underset{l=1}{\overset{i-1}{\mathrm{\Σ}}}{x}_l,& \mathrm{others}\end{array}\right.,$ 如果两个模块任务加载到同类型的虚拟机上，两者间传输带宽近似认为是无穷大，即传输时延为0，而不同虚拟机间受到两者间的带宽限制带来传输时延

$t_{\mathrm{comm}}^{\mathrm{ij}}=\frac{{\mathrm{\σN}}_{\mathrm{ij}}^w}{L_{\mathrm{ij}}},$

其中L_ij为模块任务i和模块任务j间的通信带宽，且当i＝j时L＝inf，当i≠j时，L_ij＝W_ij，W_ij为承载两个虚拟机的物理机间的带宽， 表示模块任务i和模块任务j间传输的数据量。

在上述技术方案的基础上，步骤B中定义问题所需的数学表达式，建立数学模型包括以下步骤：

描述物理服务器相关参数所需的数学表达式定义如下：

物理服务器的功耗分为两部分：静态功耗和动态功耗，所述静态功耗指当前开启的物理服务器在空闲状态下的功耗P_idle＝kP_max(k＝0.5～0.6)；所述动态功耗P_D指由于业务量的不同，产生的可变的功耗，一台物理服务器实际运行功耗表示为：

P_real＝P_idle+P_D

＝kP_max+(1-k)μ_cpuP_max，

其中μ_cpu为物理服务器CPU的当前使用率；

描述虚拟机相关参数所需的数学表达式定义如下：

协议类型为w资源组内，将各类型虚拟机组内的虚拟机再次分簇，分簇后各类型的虚拟机的个数表示为Y₁,…Y_L；每个采样时刻新用户请求数N_in，N_in为一个服从参数为λ的泊松过程，每个时隙内发起的平均请求数为λ，则用户新请求为k的概率函数为：

$P(N=k)=\frac{e^{-\mathrm{\λ}}{\mathrm{\λ}}^k}{k!},$

每个时隙新的资源需求下，基带池需要开启类型为i的虚拟机总数为vmnum＝N_in，且需要开启的对应类型的虚拟机分组的个数clusnum_i，其值满足以下关系式：

类型为i的虚拟机加载到类型为j的物理服务器为最优，且每台类型为j的物理服务器最多加载NUM_lj个类型为i的虚拟机，则每开启一个规模为Y_i的虚拟机的分组，需要的物理服务器j的数量为每开启一个虚拟机所耗物理服务器的功耗增加为u_i，其中

$u_i=(1-k)P_{\max }^j/{\mathrm{NUM}}_{\mathrm{ij}},$

基带池内的功耗分为两部分，一部分是基础运行功耗，基础运行功耗是物理服务器运行所产生的静态功耗和动态功耗之和，在请求虚 拟机i数量为vmnum_i时，其值表示为：

$P_{\mathrm{base}}^i={\mathrm{phynum}}_j\·P_{\mathrm{idle}}^j+{\mathrm{vmnum}}_i\·u_i,$

另一部分功耗主要是由于系统管理各虚拟机簇所消耗的功耗，类型为i的虚拟机分簇，在虚拟机请求数为vmnum_i时的系统管理功耗表示为：

$P_{\mathrm{manage}}^i=\mathrm{Cost}\left(Y_i\right)\·{\mathrm{clusnum}}_i+{\mathrm{vmnum}}_i\·\mathrm{\ΔCost},$

其中Cost(Y_i)＝A·log(Y_i)为每管理一个Y_i规模的虚拟机组所消耗最基本的管理功耗，A为常数；ΔCost为每开启一个虚拟机所要增加管理功耗；

在用户服务请求为vmnum_i、虚拟机分组规模为Y_i的条件下，基带池所有i类型虚拟机的分簇消耗的总功耗为：

所有类型的虚拟机在参数为λ的泊松分布的用户负载下，N个采样时刻内的系统所耗的总的平均能量为：

$E=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{all}}^i\·{\mathrm{\Δt}}_i\·P(x={\mathrm{vmnum}}_{i.k}),$

其中P(x＝vmnum_i.k)在k时刻的申请i类型虚拟机数为vmnum_i.k的概率，为类型为i的虚拟机数据处理时延，则建立数学模型为：

min E(Y_i)

$s.t.\left\{\begin{array}{c}{Y}_i>0\\ {\mathrm{phyc}}_j\≥\underset{k=X\left(i\right)+1}{\overset{X\left(i\right)+x_i}{\mathrm{\Σ}}}{\mathrm{rc}}_k\\ {\mathrm{phym}}_j\≥\underset{k=X\left(i\right)+1}{\overset{X\left(i\right)+x_i}{\mathrm{\Σ}}}{\mathrm{rm}}_k\end{array}\right..$

在上述技术方案的基础上，步骤C中改进遗传算法针对传统遗传算法的选择算子和交叉算子两方面进行改进，主要改进如下：

选择算子改进如下：首先将种群个体按照适应度值进行排序，将种群中前25％的个体进行复制并保留，中间50％的个体保留下来，适应度最小的25％的个体抛弃，固定比例的进行个体选择；

交叉算子主要包括确定交叉概率和交叉方式两方面的改进；

交叉概率改进包括改进传统遗传算法中固定交叉概率，采用自适应的交叉概率P_c(0＜P_c≤1)进行交叉操作，其值由以下公式确定：

$P_c=\left\{\begin{array}{cc}{k}_2-\frac{(k2-k1)\·(f-f_{\mathrm{mean}})}{f_{\max }-f_{\mathrm{mean}}},& f\≥f_{\mathrm{mean}}\\ k_2,& \mathrm{others}\end{array}\right.,$

其中0＜k₁＜k₂≤1，且k₁＝P_cmin，k₂＝P_cmax；当f越接近f_max时，P_c就越接近0，P_c通常取值在0.4～0.6之间；

交叉方式的改进将传统单点交叉改为两点交叉，其交叉过程具体操纵如下：

设两个亲代个体为P1，P2，随机生成各自的交叉片段和交叉区域，同时对产生的交叉区域进行互相关，若两个基因段相似度低于50％则进行下步操作：将P1的交叉区域复制到P2的尾部记为P1’，同样将P2的交叉区域复制到P1的尾部记为P2’，然后在P1的编码中删除与P2相同的编码片段，P2’做同样的操作；如果找不到与交叉 区域相同的基因段则删除各自自身的交叉区域基因形成新的两个个体；否则重新产生交叉区域，再进行两个基因段相似度比较，直到满足相似度低于50％后进行交叉过程。

与现有技术相比，本发明的优点如下：

本发明对基带池内固定配置部分资源进行分簇管理，根据用户请求业务量预先设计不同的分簇管理模型，然后根据业务量的变化调用相应规模的资源簇从而降低了基带池内的功耗，降低资源管理的复杂度，提高系统的能效性，同时也进一步兼顾了基带池内资源利用率，提高系统灵活性以及并行处理能力。

附图说明

图1是本发明实施例中基带池内虚拟资源分簇方法的流程图。

图2是本发明实施例中基带池配置模型结构示意图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细描述。

参见图1所示，本发明实施例提供一种基带池内虚拟资源分簇方法，包括以下步骤：

S1、根据基带池内所支持的无线通信协议标准、基带池内的资源以及任务特点设置资源变量和任务变量。

资源包括物理资源和虚拟机资源，物理资源变量的具体描述方法如下：

基带池内含有K类异构的物理服务器，用矩阵PHy表示基带池内所有类型物理服务器的资源量：

$\mathrm{PHy}=\left[\begin{array}{cccc}{\mathrm{phyc}}_1& {\mathrm{phyc}}_2& ...& {\mathrm{phyc}}_K\\ {\mathrm{phym}}_1& {\mathrm{phym}}_2& ...& {\mathrm{phym}}_K\end{array}\right],$

其中PHy的第一行表示该类型服务器所能提供的最大计算资源容量，PHy的第二行表示该类型服务器所能提供的最大内存容量；用W(i,j)表示为加载模块任务i和j的物理服务器间的传输带宽；

物理服务器最大功耗 $P_{\max }=[P_{\max }^1,P_{\max }^2,...,P_{\max }^K],$ 其中为i类型服务器的最大功耗。

虚拟机资源变量的具体描述方法如下：

w协议标准下各类虚拟机用矩阵VM^w表示：

${\mathrm{VM}}^w=[{\mathrm{VM}}_1^w,{\mathrm{VM}}_2^w,...,{\mathrm{VM}}_L^w],$

其中表示w协议标准下j类型虚拟机的计算资源和内存资源配置以及该虚拟机上加载的模块任务数。

任务变量包括任务资源需求、各个虚拟机的处理模块以及虚拟机处理任务时延。

w协议标准下用户基带处理过程包括M^w模块子任务，所有模块任务对资源需求用矩阵R^w表示：

$R^w=\left[\begin{array}{cccc}{\mathrm{rc}}_1& {\mathrm{rc}}_2& ...& {\mathrm{rc}}_{M^w}\\ {\mathrm{rm}}_1& {\mathrm{rm}}_2& ...& {\mathrm{rm}}_{M^w}\end{array}\right],$

其中矩阵R^w的第一行表示在规定时间内完成各模块任务所需最小计算资源，R^w的第二行表示在规定时间内完成各模块任务所需最少内存；在满足资源最小需求的前提下，w协议标准下i模块的处理时延为

各个虚拟机的处理模块指虚拟机上预先加载的相关协议标准下模块任务的处理程序的个数，即w协议标准下处理虚拟机类型总数为L，每类虚拟机上加载的任务数表示为且满足  $\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{x}_j^w=M^w.$

各个虚拟机处理任务时延指虚拟机完成所对应任务所需的处理时延，表示为 $T_{\mathrm{Comp}}^w=[t_{1.\mathrm{comp}}^w,t_{2.\mathrm{comp}}^w,...,t_{L.\mathrm{comp}}^w],$ 其中 $t_{i.\mathrm{comp}}^w=\underset{j=X\left(i\right)+1}{\overset{X\left(i\right)+x_i}{\mathrm{\Σ}}}\frac{{\mathrm{rc}}_j}{{\mathrm{VM}}_{i.\mathrm{comp}}^w}\·{\mathrm{\τ}}_j^w,$ $X\left(i\right)=\left\{\begin{array}{cc}0,& i=1\\ \underset{l=1}{\overset{i-1}{\mathrm{\Σ}}}{x}_l,& \mathrm{others}\end{array}\right.,$ 如果两个模块任务加载到同类型的虚拟机上，两者间传输带宽近似认为是无穷大，即传输时延为0，而不同虚拟机间受到两者间的带宽限制带来传输时延

$t_{\mathrm{comm}}^{\mathrm{ij}}=\frac{{\mathrm{\σN}}_{\mathrm{ij}}^w}{L_{\mathrm{ij}}},$

其中L_ij为模块任务i和模块任务j间的通信带宽，且当i＝j时L＝inf，当i≠j时，L_ij＝W_ij，W_ij为承载两个虚拟机的物理机间的带宽， 表示模块任务i和模块任务j间传输的数据量。

S2、根据资源变量、任务变量、各类型协议标准规定以及资源容量各项约束，定义数学表达式，建立数学模型。

描述物理服务器相关参数所需的数学表达式定义如下：

物理服务器的功耗分为两部分：静态功耗和动态功耗，静态功耗指当前开启的物理服务器在空闲状态下的功耗P_idle＝kP_max(k＝0.5～0.6)；动态功耗P_D指由于业务量的不同，产生的可变的功耗，一台物理服务器实际运行功耗表示为：

P_real＝P_idle+P_D

＝kP_max+(1-k)μ_cpuP_max，

其中μ_cpu为物理服务器CPU的当前使用率。

描述虚拟机相关参数所需的数学表达式定义如下：

参见图2所示，协议类型为w资源组内，将各类型虚拟机组内的虚拟机再次分簇，分簇后各类型的虚拟机的个数表示为Y₁,…Y_L；每个采样时刻新用户请求数N_in，N_in为一个服从参数为λ的泊松过程，每个时隙内发起的平均请求数为λ，则用户新请求为k的概率函数为：

$P(N=k)=\frac{e^{-\mathrm{\λ}}{\mathrm{\λ}}^k}{k!},$

每个时隙新的资源需求下，基带池需要开启类型为i的虚拟机总数为vmnum＝N_in，且需要开启的对应类型的虚拟机分组的个数clusnum_i，其值满足以下关系式：

类型为i的虚拟机加载到类型为j的物理服务器为最优，且每台类型为j的物理服务器最多加载NUM_lj个类型为i的虚拟机，则每开启一个规模为Y_i的虚拟机的分组，需要的物理服务器j的数量为 每开启一个虚拟机所耗物理服务器的功耗增加为u_i，其中

$u_i=(1-k)P_{\max }^j/{\mathrm{NUM}}_{\mathrm{ij}},$

基带池内的功耗分为两部分，一部分是基础运行功耗，基础运行功耗是物理服务器运行所产生的静态功耗和动态功耗之和，在请求虚拟机i数量为vmnum_i时，其值表示为：

$P_{\mathrm{base}}^i={\mathrm{phynum}}_j\·P_{\mathrm{idle}}^j+{\mathrm{vmnum}}_i\·u_i.$

另一部分功耗主要是由于系统管理各虚拟机簇所消耗的功耗，类 型为i的虚拟机分簇，在虚拟机请求数为vmnum_i时的系统管理功耗表示为：

$P_{\mathrm{manage}}^i=\mathrm{Cost}\left(Y_i\right)\·{\mathrm{clusnum}}_i+{\mathrm{vmnum}}_i\·\mathrm{\ΔCost},$

其中Cost(Y_i)＝A·log(Y_i)为每管理一个Y_i规模的虚拟机组所消耗最基本的管理功耗，A为常数；ΔCost为每开启一个虚拟机所要增加管理功耗。

在用户服务请求为vmnum_i、虚拟机分组规模为Y_i的条件下，基带池所有i类型虚拟机的分簇消耗的总功耗为：

所有类型的虚拟机在参数为λ的泊松分布的用户负载下，N个采样时刻内的系统所耗的总的平均能量为：

$E=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{all}}^i\·{\mathrm{\Δt}}_i\·P(x={\mathrm{vmnum}}_{i.k}),$

其中P(x＝vmnum_i.k)在k时刻的申请i类型虚拟机数为vmnum_i.k的概率，为类型为i的虚拟机数据处理时延，则建立数学模型为：

min E(Y_i)

$s.t.\left\{\begin{array}{c}{Y}_i>0\\ {\mathrm{phyc}}_j\≥\underset{k=X\left(i\right)+1}{\overset{X\left(i\right)+x_i}{\mathrm{\Σ}}}{\mathrm{rc}}_k\\ {\mathrm{phym}}_j\≥\underset{k=X\left(i\right)+1}{\overset{X\left(i\right)+x_i}{\mathrm{\Σ}}}{\mathrm{rm}}_k\end{array}\right..$

S3、使用改进的遗传算法求解数学模型，得到不同用户业务量下的分簇配置方案。

改进遗传算法针对传统遗传算法的选择算子和交叉算子两方面 进行改进，主要改进如下：

选择算子改进如下：首先将种群个体按照适应度值进行排序，将种群中前25％的个体进行复制并保留，中间50％的个体保留下来，适应度最小的25％的个体抛弃，固定比例的进行个体选择。

交叉算子主要包括确定交叉概率和交叉方式两方面的改进。

交叉概率改进包括改进传统遗传算法中固定交叉概率，采用自适应的交叉概率P_c(0＜P_c≤1)进行交叉操作，其值由以下公式确定：

$P_c=\left\{\begin{array}{cc}{k}_2-\frac{(k2-k1)\·(f-f_{\mathrm{mean}})}{f_{\max }-f_{\mathrm{mean}}},& f\≥f_{\mathrm{mean}}\\ k_2,& \mathrm{others}\end{array}\right.,$

其中0＜k₁＜k₂≤1，且k₁＝P_cmin，k₂＝P_cmax；当f越接近f_max时，P_c就越接近0，P_c通常取值在0.4～0.6之间。

交叉方式的改进将传统单点交叉改为两点交叉，其交叉过程具体操纵如下：

设两个亲代个体为P1，P2，随机生成各自的交叉片段和交叉区域，同时对产生的交叉区域进行互相关，若两个基因段相似度低于50％则进行下步操作：将P1的交叉区域复制到P2的尾部记为P1’，同样将P2的交叉区域复制到P1的尾部记为P2’，然后在P1的编码中删除与P2相同的编码片段，P2’做同样的操作；如果找不到与交叉区域相同的基因段则删除各自自身的交叉区域基因形成新的两个个体；否则重新产生交叉区域，再进行两个基因段相似度比较，直到满足相似度低于50％后进行交叉过程。

本领域的技术人员可以对本发明实施例进行各种修改和变型，倘若这些修改和变型在本发明权利要求及其等同技术的范围之内，则这些修改和变型也在本发明的保护范围之内。

说明书中未详细描述的内容为本领域技术人员公知的现有技术。

Claims (5)

1.一种基带池内虚拟资源分簇方法，其特征在于包括以下步骤：

A、根据基带池内所支持的无线通信协议标准、基带池内的资源以及任务特点设置资源变量和任务变量；

B、根据资源变量、任务变量、各类型协议标准规定以及资源容量各项约束，定义数学表达式，建立数学模型；

C、使用改进的遗传算法求解数学模型，得到不同用户业务量下的分簇配置方案。

2.如权利要求1所述的基带池内虚拟资源分簇方法，其特征在于：步骤A中所述资源包括物理资源和虚拟机资源，所述物理资源变量的具体描述方法如下：

基带池内含有K类异构的物理服务器，用矩阵PHy表示基带池内所有类型物理服务器的资源量：

其中PHy的第一行表示该类型服务器所能提供的最大计算资源容量，PHy的第二行表示该类型服务器所能提供的最大内存容量；用W(i,j)表示为加载模块任务i和j的物理服务器间的传输带宽；

物理服务器最大功耗其中为i类型服务器的最大功耗；

所述虚拟机资源变量的具体描述方法如下：

w协议标准下各类虚拟机用矩阵VM^w表示：

其中表示w协议标准下j类型虚拟机的计 算资源和内存资源配置以及该虚拟机上加载的模块任务数。

3.如权利要求1所述的基带池内虚拟资源分簇方法，其特征在于：步骤A中所述任务变量包括任务资源需求、各个虚拟机的处理模块以及虚拟机处理任务时延：

w协议标准下用户基带处理过程包括M^w模块子任务，所有模块任务对资源需求用矩阵R^w表示：

其中矩阵R^w的第一行表示在规定时间内完成各模块任务所需最小计算资源，R^w的第二行表示在规定时间内完成各模块任务所需最少内存；在满足资源最小需求的前提下，w协议标准下i模块的处理时延为

各个虚拟机的处理模块指虚拟机上预先加载的相关协议标准下模块任务的处理程序的个数，即w协议标准下处理虚拟机类型总数为L，每类虚拟机上加载的任务数表示为且满足 

各个虚拟机处理任务时延指虚拟机完成所对应任务所需的处理时延，表示为其中 如果两个模块任务加载到同类型的虚拟机上，两者间传输带宽近似认为是无穷大，即传输时延为0，而不同虚拟机间受到两者间的带宽限制带来传输时延

其中L_ij为模块任务i和模块任务j间的通信带宽，且当i＝j时L＝inf，当i≠j时，L_ij＝W_ij，W_ij为承载两个虚拟机的物理机间的带宽， 表示模块任务i和模块任务j间传输的数据量。

4.如权利要求1所述的基带池内虚拟资源分簇方法，其特征在于：步骤B中定义问题所需的数学表达式，建立数学模型包括以下步骤：

描述物理服务器相关参数所需的数学表达式定义如下：

物理服务器的功耗分为两部分：静态功耗和动态功耗，所述静态功耗指当前开启的物理服务器在空闲状态下的功耗P_idle＝kP_max(k＝0.5～0.6)；所述动态功耗P_D指由于业务量的不同，产生的可变的功耗，一台物理服务器实际运行功耗表示为：

P_real＝P_idle+P_D

＝kP_max+(1-k)μ_cpuP_max，

其中μ_cpu为物理服务器CPU的当前使用率；

描述虚拟机相关参数所需的数学表达式定义如下：

协议类型为w资源组内，将各类型虚拟机组内的虚拟机再次分簇，分簇后各类型的虚拟机的个数表示为Y₁,…Y_L；每个采样时刻新用户请求数N_in，N_in为一个服从参数为λ的泊松过程，每个时隙内发起的平均请求数为λ，则用户新请求为k的概率函数为：

每个时隙新的资源需求下，基带池需要开启类型为i的虚拟机总数为vmnum＝N_in，且需要开启的对应类型的虚拟机分组的个数 clusnum_i，其值满足以下关系式：

类型为i的虚拟机加载到类型为j的物理服务器为最优，且每台类型为j的物理服务器最多加载NUM_lj个类型为i的虚拟机，则每开启一个规模为Y_i的虚拟机的分组，需要的物理服务器j的数量为 每开启一个虚拟机所耗物理服务器的功耗增加为u_i，其中

基带池内的功耗分为两部分，一部分是基础运行功耗，基础运行功耗是物理服务器运行所产生的静态功耗和动态功耗之和，在请求虚拟机i数量为vmnum_i时，其值表示为：

另一部分功耗主要是由于系统管理各虚拟机簇所消耗的功耗，类型为i的虚拟机分簇，在虚拟机请求数为vmnum_i时的系统管理功耗表示为：

其中Cost(Y_i)＝A·log(Y_i)为每管理一个Y_i规模的虚拟机组所消耗最基本的管理功耗，A为常数；ΔCost为每开启一个虚拟机所要增加管理功耗；

在用户服务请求为vmnum_i、虚拟机分组规模为Y_i的条件下，基带池所有i类型虚拟机的分簇消耗的总功耗为：

所有类型的虚拟机在参数为λ的泊松分布的用户负载下，N个采样时刻内的系统所耗的总的平均能量为：

其中P(x＝vmnum_i.k)在k时刻的申请i类型虚拟机数为vmnum_i.k的概率，为类型为i的虚拟机数据处理时延，则建立数学模型为：

min E(Y_i)

5.如权利要求1至4任一项所述的基带池内虚拟资源分簇方法，其特征在于：步骤C中改进遗传算法针对传统遗传算法的选择算子和交叉算子两方面进行改进，主要改进如下：

选择算子改进如下：首先将种群个体按照适应度值进行排序，将种群中前25％的个体进行复制并保留，中间50％的个体保留下来，适应度最小的25％的个体抛弃，固定比例的进行个体选择；

交叉算子主要包括确定交叉概率和交叉方式两方面的改进；

交叉概率改进包括改进传统遗传算法中固定交叉概率，采用自适应的交叉概率P_c(0＜P_c≤1)进行交叉操作，其值由以下公式确定：

其中0＜k₁＜k₂≤1，且k₁＝P_cmin，k₂＝P_cmax；当f越接近f_max时，P_c就越接近0，P_c通常取值在0.4～0.6之间；

交叉方式的改进将传统单点交叉改为两点交叉，其交叉过程具体操纵如下：

设两个亲代个体为P1，P2，随机生成各自的交叉片段和交叉区域，同时对产生的交叉区域进行互相关，若两个基因段相似度低于50％则进行下步操作：将P1的交叉区域复制到P2的尾部记为P1’，同样将P2的交叉区域复制到P1的尾部记为P2’，然后在P1的编码中删除与P2相同的编码片段，P2’做同样的操作；如果找不到与交叉区域相同的基因段则删除各自自身的交叉区域基因形成新的两个个体；否则重新产生交叉区域，再进行两个基因段相似度比较，直到满足相似度低于50％后进行交叉过程。