CN104536829B - 一种云计算系统中虚拟机的性能预测方法及系统 - Google Patents
一种云计算系统中虚拟机的性能预测方法及系统 Download PDFInfo
- Publication number
- CN104536829B CN104536829B CN201410842053.8A CN201410842053A CN104536829B CN 104536829 B CN104536829 B CN 104536829B CN 201410842053 A CN201410842053 A CN 201410842053A CN 104536829 B CN104536829 B CN 104536829B
- Authority
- CN
- China
- Prior art keywords
- virtual machine
- resource distribution
- cloud computing
- computing system
- default
- 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.)
- Active
Links
Landscapes
- Debugging And Monitoring (AREA)
Abstract
本发明适用于计算机技术领域,提供了一种云计算系统中虚拟机的性能预测方法及系统,包括:虚拟机监控模块根据预设的资源配置标准,随机地对运行在云计算系统中不同物理节点上的每台虚拟机进行资源配置;将所述云计算系统的响应时间和当前为所述虚拟机配置的资源集合合并生成向量;判断当前配置次数是否达到了预设的配置次数,若所述当前配置次数达到了所述预设的配置次数,将每次资源配置之后生成的向量均输入SVM算法执行模块;所述SVM算法执行模块根据输入的向量生成性能预测模型,以根据所述性能预测模型预测在任一资源配置条件下所述云计算系统的响应时间。本发明提高了对云计算系统性能预测的效率。
Description
技术领域
本发明属于计算机技术领域,尤其涉及一种云计算系统中虚拟机的性能预测方法及系统。
背景技术
凭借虚拟化技术的发展,云计算已成为一种日益重要的面向服务的计算模式,在云计算环境中,每个物理节点内都可能运行着多台虚拟机,同一物理节点上不同的虚拟机中很可能运行着不同的任务,众多的物理节点构成了多任务并行运行的大规模分布式虚拟机运行环境。对于运行中的虚拟机不存在一个单独的最优资源配置以适应各种不同的工作负载和运行环境,因为在某个运行环境下最好的配置很可能会造成另一环境下应用性能的大幅衰减,同时,只针对同一个物理节点中的底层计算资源改变配置实现的性能提升有限,因为属于同一个应用系统的多台虚拟机资源和应用程序的子系统一般会分布式地部署在云端集群的不同物理节点之上。
改变多个分布式部署的虚拟机的配置会引起整个集群性能的变化,需要量化对于不同物理节点上不同虚拟机配置的变化引起的性能变化,也就是说需要解决部署在分布式计算资源之上的大规模虚拟机的性能预测问题,然而,运行在虚拟机之上的应用程序的各个模块的可配置参数对性能的影响不是独立的,这种多个参数之间相互依赖的关系复杂化了多元优化问题的求解,导致现有技术中对虚拟机进行性能预测的算法复杂度高,影响了虚拟机性能预测的效率。
发明内容
本发明实施例的目的在于提供一种云计算系统中虚拟机的性能预测方法及系统,旨在解决现有技术对云计算环境中分布式部署的虚拟机进行性能预设的算法复杂度高,影响了虚拟机性能预测的效率的问题。
本发明实施例是这样实现的,一种云计算系统中虚拟机的性能预测方法,包括:
S1,虚拟机监控模块根据预设的资源配置标准,随机地对运行在云计算系统中不同物理节点上的每台虚拟机进行资源配置;
S2,所述虚拟机监控模块获取经过了资源配置之后所述云计算系统的响应时间,将所述响应时间和当前为所述虚拟机配置的资源集合合并生成向量;
S3,所述虚拟机监控模块判断当前配置次数是否达到了预设的配置次数,若所述当前配置次数未达到所述预设的配置次数,重复执行所述S1和所述S2;若所述当前配置次数达到了所述预设的配置次数,则执行S4;
S4,所述虚拟机监控模块将每次资源配置之后生成的向量均输入支持向量机SVM算法执行模块;
S5,所述SVM算法执行模块根据输入的向量生成性能预测模型,以根据所述性能预测模型预测在任一资源配置条件下所述云计算系统的响应时间。
本发明实施例的另一目的在于提供一种云计算系统中虚拟机的性能预测系统,包括虚拟机监控模块和支持向量机SVM算法执行模块,
虚拟机监控模块用于根据预设的资源配置标准,随机地对运行在云计算系统中不同物理节点上的每台虚拟机进行资源配置;
所述虚拟机监控模块还用于获取经过了资源配置之后所述云计算系统的响应时间,将所述响应时间和当前为所述虚拟机配置的资源集合合并生成向量;
所述虚拟机监控模块还用于判断当前配置次数是否达到了预设的配置次数,若所述当前配置次数未达到所述预设的配置次数,重复执行所述虚拟机监控模块;若所述当前配置次数达到了所述预设的配置次数,则所述虚拟机监控模块还用于将每次资源配置之后生成的向量均输入所述SVM算法执行模块;
所述SVM算法用于执行模块根据输入的向量生成性能预测模型,以根据所述性能预测模型预测在任一资源配置条件下所述云计算系统的响应时间。
本发明实施例通过SVM算法实现了分布式部署的大规模虚拟机在指定资源配置条件下的性能预测,从而为虚拟机资源配置提供了准确的性能预测模型,提高了对云计算系统性能预测的效率。
附图说明
图1是本发明实施例提供的云计算系统中虚拟机的性能预测系统的总体架构图;
图2是本发明实施例提供的云计算系统中虚拟机的性能预测方法的实现流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图1示出了本发明实施例提供的云计算系统中虚拟机的性能预测系统的总体架构,为了便于说明,仅示出了与本实施例相关的部分。
参照图1,基于云计算环境,该系统包括了虚拟机监控模块和支持向量机(SupportVector Machine,SVM)算法执行模块,其中:
虚拟机监控模块为一个单独的进程,被放置在云计算系统的每个物理节点的虚拟机管理的驱动域。虚拟机监控模块利用虚拟机管理层提供的接口控制多台虚拟机的配置过程,并通过监控每一台虚拟机的响应时间来对虚拟机进行再配置。再配置的行为会根据一个预设的时间间隔周期性地执行。
具体地,在虚拟机运行过程中,虚拟机监控模块查询其所属驱动域中的虚拟机当前的运行状态和可用的配置动作,在可用的配置动作中随机地选择一个再配置的动作,并将该决策发送给虚拟机管理层,以对虚拟机实现再配置。当每一次配置动作结束宾,虚拟机监控模块会收集集群中的每一台虚拟机的响应时间,当前的配置动作与虚拟机当前的响应时间作为SVM算法执行模块的输入,利用基于径向基的核函数建立该配置动作的虚拟机性能模型,从而完成对虚拟机的性能预测。
SVM算法执行模块封装了系统对SVM算法的调用过程,其调用R语言中提供的程序包e1071中的SVM算法。为了避免过拟合,SVM算法执行模块通过5折的交叉验证方法建立基于径向基的核函数的虚拟机性能模型,从而完成对虚拟机的性能预测。
基于图1所示的云计算系统中虚拟机的性能预测系统,图2示出了本发明实施例提供的云计算系统中虚拟机的性能预测方法的实现流程,详述如下:
在S201中,虚拟机监控模块根据预设的资源配置标准,随机地对运行在云计算系统中不同物理节点上的每台虚拟机进行资源配置。
在本实施例中,所述预设的资源配置标准包括每台虚拟机的最低资源耗费和每个物理节点的资源容量。设虚拟机管理器管理着n个物理节点上的r台虚拟机,所述n个物理节点记为集合N,所述r台虚拟机记为集合R,物理节点i上的虚拟机集合为PVi∈R,且虚拟机集合PVi中有j台虚拟机。在虚拟机运行过程中,每台虚拟机均会被分配资源V={M,C,I},其中,所述M代表内存资源、所述C代表CPU资源,所述I代表网络带宽资源,则每台虚拟机的最低资源耗费为Vmin={Mmin,Cmin,Imin},每个物理节点i上的资源容量为Pi={PMi,PCi,PIi},则有物理节点i上的资源最低耗费为Pmin={Mmin*j,Cmin*j,Imin*j}。
因此,基于预先设置的每台虚拟机的最低资源耗费和每个物理节点的资源容量,以及可以推算得到的每个物理节点的资源最低耗费,虚拟机监控模块可以在上述资源配置标准之下随机地为每台虚拟机进行资源配置,令虚拟机监控模块为第i台虚拟机配置的资源为Vi={VMi,VCi,VIi},则有Mmin*j<VMi<PMi、Cmin*j<VCi<PCi以及Imin*j<VIi<PIi,且在此次配置之后,r台虚拟机的资源配置集为V={V1,V2,……,Vr}。
在S202中,所述虚拟机监控模块获取经过了资源配置之后所述云计算系统的响应时间,将所述响应时间和当前为所述虚拟机配置的资源集合合并生成向量。
在S201中随机地改变完r台虚拟机的资源配置之后,虚拟机监控模块可以观测到整个云计算系统的响应时间,则可以将当前为r台虚拟机配置的资源集合V={V1,V2,……,Vr}与当前云计算系统的响应时间合并生成向量。
在S203中,所述虚拟机监控模块判断当前配置次数是否达到了预设的配置次数,若所述当前配置次数未达到所述预设的配置次数,重复执行所述S201和所述S202;若所述当前配置次数达到了所述预设的配置次数,则执行S204。
在本实施例中,虚拟机监控模块内部设置有计数器,该计数器初始化状态下计数为0,而每当虚拟机监控模块对云计算系统中分布的虚拟机进行一次资源配置,该计数器计数值加1,用于记录虚拟机监控模块当前的配置代次数。在S203中,虚拟机监控模块调取该计数器当前的计数值,判断当前配置次数是否达到了预设的配置次数,如果当前配置次数未达到所述预设的配置次数,则虚拟机监控模块重新执行S201和S202,再次基于预设的资源配置标准,随机地改变一次对虚拟机的资源配置;如果当前配置次数已达到所述预设的配置次数,则执行S204。
在S204中,所述虚拟机监控模块将每次资源配置之后生成的向量均输入SVM算法执行模块。
在S205中,所述SVM算法执行模块根据输入的向量生成性能预测模型,以根据所述性能预测模型预测在任一资源配置条件下所述云计算系统的响应时间。
SVM算法是通过一个非线性映射函数,把样本空间映射到一个高维乃至无穷维的特征空间中,使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题。简单地说,就是升维和线性化。升维,就是把样本向高维空间做映射,一般情况下这会增加计算的复杂性,甚至会引起“维数灾难”,但是对分类、回归等问题来说,很可能在低维样本空间无法线性处理的样本集,在高维特征空间中却可以通过一个线性超平面实现线性划分(或回归)。一般的升维都会带来计算的复杂化,SVM算法应用核函数的展开定理,就不需要知道非线性映射的显式表达式;且由于SVM算法是在高维特征空间中建立线性学习机,所以与线性模型相比,不但几乎不增加计算的复杂性,而且在某种程度上避免了“维数灾难”。选择不同的核函数,可以生成不同的SVM,常用的核函数有以下4种:线性核函数,多项式核函数,径向基核函数和二层神经网络核函数。
若预设的配置次数为S次,则在第S次配置完成之后,通过S202生成了由S行向量组成的数据集,将该数据集输入SVM算法执行模块,以根据SVM算法生成性能预测模型,这样一来,将云计算系统中虚拟机的任一资源配置情况输入该预测模型,就能够预测出该资源配置条件下云计算系统的响应时间。
本发明实施例通过SVM算法实现了分布式部署的大规模虚拟机在指定资源配置条件下的性能预测,从而为虚拟机资源配置提供了准确的性能预测模型,提高了对云计算系统性能预测的效率。
相比于传统的性能预测方案,本发明实施例使用SVM算法建立性能预测模型,模型精度高,可扩展性好,且能够在较短的时间内训练得到实用的性能预测模型。
对应于上文实施例所述的云计算系统中虚拟机的性能预测方法,以下对图1所示的云计算系统中虚拟机的性能预测系统中的虚拟机监控模块和SVM算法执行模块的功能进行对应说明:
虚拟机监控模块用于根据预设的资源配置标准,随机地对运行在云计算系统中不同物理节点上的每台虚拟机进行资源配置;
所述虚拟机监控模块还用于获取经过了资源配置之后所述云计算系统的响应时间,将所述响应时间和当前为所述虚拟机配置的资源集合合并生成向量。
所述虚拟机监控模块还用于判断当前配置次数是否达到了预设的配置次数,若所述当前配置次数未达到所述预设的配置次数,重复执行所述虚拟机监控模块;若所述当前配置次数达到了所述预设的配置次数,则所述虚拟机监控模块还用于将每次资源配置之后生成的向量均输入所述SVM算法执行模块;
所述SVM算法用于执行模块根据输入的向量生成性能预测模型,以根据所述性能预测模型预测在任一资源配置条件下所述云计算系统的响应时间。
可选地,所述参数配置模块还用于获取所述预设的资源配置标准。
可选地,所述参数配置标准包括每台所述虚拟机的最低资源耗费和每个所述物理节点的资源容量。
可选地,所述SVM算法执行模块具体用于根据输入的向量,基于径向基的核函数生成所述性能预测模型
可选地,所述虚拟机监控模块具体用于根据预设的资源配置标准,每隔预设的时间间隔随机地对运行在云计算系统中不同物理节点上的每台虚拟机进行资源配置。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种云计算系统中虚拟机的性能预测方法,其特征在于,包括:
S1,虚拟机监控模块根据预设的资源配置标准,随机地对运行在云计算系统中不同物理节点上的每台虚拟机进行资源配置;
S2,所述虚拟机监控模块获取经过了资源配置之后所述云计算系统的响应时间,将所述响应时间和当前为所述虚拟机配置的资源集合合并生成向量;
S3,所述虚拟机监控模块判断当前配置次数是否达到了预设的配置次数,若所述当前配置次数未达到所述预设的配置次数,重复执行所述S1和所述S2;若所述当前配置次数达到了所述预设的配置次数,则执行S4;
S4,所述虚拟机监控模块将每次资源配置之后生成的向量均输入支持向量机SVM算法执行模块;
S5,所述SVM算法执行模块根据输入的向量生成性能预测模型,以根据所述性能预测模型预测在任一资源配置条件下所述云计算系统的响应时间。
2.如权利要求1所述的方法,其特征在于,在所述S1之前,所述方法还包括:
参数配置模块获取所述预设的资源配置标准。
3.如权利要求1或2所述的方法,其特征在于,所述资源配置标准包括每台所述虚拟机的最低资源耗费和每个所述物理节点的资源容量。
4.如权利要求1所述的方法,其特征在于,所述SVM算法执行模块根据输入的向量生成性能预测模型包括:
所述SVM算法执行模块根据输入的向量,基于径向基的核函数生成所述性能预测模型。
5.如权利要求1所述的方法,其特征在于,所述虚拟机监控模块根据预设的资源配置标准,随机地对运行在云计算系统中不同物理节点上的每台虚拟机进行资源配置包括:
所述虚拟机监控模块根据预设的资源配置标准,每隔预设的时间间隔随机地对运行在云计算系统中不同物理节点上的每台虚拟机进行资源配置。
6.一种云计算系统中虚拟机的性能预测系统,其特征在于,包括虚拟机监控模块和支持向量机SVM算法执行模块,
虚拟机监控模块用于根据预设的资源配置标准,随机地对运行在云计算系统中不同物理节点上的每台虚拟机进行资源配置;
所述虚拟机监控模块还用于获取经过了资源配置之后所述云计算系统的响应时间,将所述响应时间和当前为所述虚拟机配置的资源集合合并生成向量;
所述虚拟机监控模块还用于判断当前配置次数是否达到了预设的配置次数,若所述当前配置次数未达到所述预设的配置次数,重复执行所述虚拟机监控模块;若所述当前配置次数达到了所述预设的配置次数,则所述虚拟机监控模块还用于将每次资源配置之后生成的向量均输入所述SVM算法执行模块;
所述SVM算法执行模块用于根据输入的向量生成性能预测模型,以根据所述性能预测模型预测在任一资源配置条件下所述云计算系统的响应时间。
7.如权利要求6所述的系统,其特征在于,还包括:
参数配置模块,用于获取所述预设的资源配置标准。
8.如权利要求6或7所述的系统,其特征在于,所述资源配置标准包括每台所述虚拟机的最低资源耗费和每个所述物理节点的资源容量。
9.如权利要求6所述的系统,其特征在于,所述SVM算法执行模块具体用于根据输入的向量,基于径向基的核函数生成所述性能预测模型。
10.如权利要求6所述的系统,其特征在于,所述虚拟机监控模块具体用于根据预设的资源配置标准,每隔预设的时间间隔随机地对运行在云计算系统中不同物理节点上的每台虚拟机进行资源配置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410842053.8A CN104536829B (zh) | 2014-12-30 | 2014-12-30 | 一种云计算系统中虚拟机的性能预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410842053.8A CN104536829B (zh) | 2014-12-30 | 2014-12-30 | 一种云计算系统中虚拟机的性能预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104536829A CN104536829A (zh) | 2015-04-22 |
CN104536829B true CN104536829B (zh) | 2018-04-13 |
Family
ID=52852360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410842053.8A Active CN104536829B (zh) | 2014-12-30 | 2014-12-30 | 一种云计算系统中虚拟机的性能预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104536829B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107493205B (zh) * | 2017-07-13 | 2020-08-14 | 华为技术有限公司 | 一种设备集群扩容性能预测方法及装置 |
WO2022070292A1 (ja) * | 2020-09-30 | 2022-04-07 | 日本電信電話株式会社 | Vdiリソース配置決定装置、vdiリソース配置決定方法及びvdiリソース配置決定プログラム |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102904955A (zh) * | 2012-10-16 | 2013-01-30 | 南京大学镇江高新技术研究院 | 云计算平台中Web应用的自适应伸缩控制系统及其方法 |
CN103064744A (zh) * | 2012-12-27 | 2013-04-24 | 北京仿真中心 | 一种基于SLA的面向多层Web应用的资源优化方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8826277B2 (en) * | 2011-11-29 | 2014-09-02 | International Business Machines Corporation | Cloud provisioning accelerator |
US9411622B2 (en) * | 2013-06-25 | 2016-08-09 | Vmware, Inc. | Performance-driven resource management in a distributed computer system |
-
2014
- 2014-12-30 CN CN201410842053.8A patent/CN104536829B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102904955A (zh) * | 2012-10-16 | 2013-01-30 | 南京大学镇江高新技术研究院 | 云计算平台中Web应用的自适应伸缩控制系统及其方法 |
CN103064744A (zh) * | 2012-12-27 | 2013-04-24 | 北京仿真中心 | 一种基于SLA的面向多层Web应用的资源优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104536829A (zh) | 2015-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210247829A1 (en) | Holistic global performance and power management | |
US9959146B2 (en) | Computing resources workload scheduling | |
CN102981910B (zh) | 虚拟机调度的实现方法和装置 | |
Ren et al. | A methodology towards virtualisation-based high performance simulation platform supporting multidisciplinary design of complex products | |
CN105745868B (zh) | 网络中异常检测的方法和装置 | |
Pahlevan et al. | Integrating heuristic and machine-learning methods for efficient virtual machine allocation in data centers | |
Alipour et al. | Online machine learning for cloud resource provisioning of microservice backend systems | |
CN116011511A (zh) | 用于功率感知硬件的机器学习模型缩放系统 | |
Zolfaghari et al. | An energy‐aware virtual machines consolidation method for cloud computing: Simulation and verification | |
CN104536808B (zh) | 一种云端应用程序的参数配置方法及系统 | |
CN102012891A (zh) | 计算机集群管理方法、装置和系统 | |
CN104536829B (zh) | 一种云计算系统中虚拟机的性能预测方法及系统 | |
Herget et al. | Design space exploration for distributed cyber-physical systems: State-of-the-art, challenges, and directions | |
Pasricha et al. | Data analytics enables energy-efficiency and robustness: from mobile to manycores, datacenters, and networks (special session paper) | |
Aslam et al. | Using artificial neural network for VM consolidation approach to enhance energy efficiency in green cloud | |
Yang et al. | K-Means Method for Grouping in Hybrid MapReduce Cluster. | |
CN114172819A (zh) | Nfv网元的需求资源预测方法、系统、电子设备和存储介质 | |
Marcel et al. | Thermal aware workload consolidation in cloud data centers | |
CN113923129A (zh) | 基于数据驱动的vnf需求预测方法及系统 | |
Wiesner et al. | Software‐in‐the‐loop simulation for developing and testing carbon‐aware applications | |
Amarilla et al. | Evaluating a two-phase virtual machine placement optimization scheme for cloud computing datacenters | |
Bertolli et al. | Analyzing memory requirements for pervasive grid applications | |
Rayan et al. | Resource Prediction for Big Data Processing in a Cloud Data Center: A Machine Learning Approach: A Machine Learning Approach | |
Patel et al. | On the design of an efficient load balancing mechanism on GridSim adapted to the computing environment of heterogeneity in both resources and networks | |
Trobec et al. | Energy efficiency in large-scale distributed computing systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |