CN104636197A - 一种数据中心虚拟机迁移调度策略的评价方法 - Google Patents
一种数据中心虚拟机迁移调度策略的评价方法 Download PDFInfo
- Publication number
- CN104636197A CN104636197A CN201510044977.8A CN201510044977A CN104636197A CN 104636197 A CN104636197 A CN 104636197A CN 201510044977 A CN201510044977 A CN 201510044977A CN 104636197 A CN104636197 A CN 104636197A
- Authority
- CN
- China
- Prior art keywords
- virtual machine
- server
- calculation server
- data center
- migration
- 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.)
- Granted
Links
Abstract
本发明提供一种数据中心虚拟机迁移调度策略的评价方法,包括:建立当前数据中心虚拟机迁移调度策略库,并设定默认的虚拟机迁移调度策略;控制服务器设定对虚拟机迁移引起的代价进行评价所需的参数;在当前数据中心运行过程中,控制服务器调用当前数据中心的调度策略库;控制服务器遍历不同数据中心规模下的各负载类型;得到在给定的不同数据中心规模和负载类型下各个虚拟机迁移调度策略的迁移评价值。本发明结合整个的云任务完成状况,得出虚拟机迁移对云任务的影响,对各个调度策略从数据中心的不同规模和4种负载类型两个角度进行综合的评价,得出的结果能够充分反应出本发明的有效性。
Description
技术领域
本发明属于数据中心节能调度技术领域,具体是一种数据中心虚拟机迁移调度策略的评价方法。
背景技术
目前,随着云计算技术的快速发展,数据中心的规模在不在增大,资源的需求也在不断的增加,数据中心的节能和资源最大化利用成为一个重要的研究内容。目前数据中心的节能方式主要有多种,包括通过调节数据中心的温度来提高数据中心的制冷系统的工作效率;通过最小化工作服务器的数量来达到资源的最大化利用;通过减少数据中心物理服务器运行的时间来降低能耗。以最小化工作服务器的数量来达到资源的最大化利用进而实现节能的方式被广泛采用,同时对数据中心的节能效果也非常明显。
最小化运行服务器的数量的节能实现主要有两种方式,一种是通过对虚拟机的初始分配采用相应的策略,满足节点资源的最大化利用来实现节能。该种方式有很多种具体的调度策略的实现,包括通过蚁群算法来分配虚拟机/云任务,或者将该问题抽象成NP问题来解决。但是虚拟机/云任务在运行的过程中时刻存在着资源的利用率不停的变化的过程,所以该方式在运行的过程中可能出现一定的SLA违反,并不能充分地利用所有服务器资源。另一种是通过虚拟机动态的迁移来完成服务器资源的重新分配,进而减少运行服务器的数量来达到节能的目的。该方式利用虚拟机迁移技术,在牺牲较小的服务响应时间前提下,进行数据中心的服务器的资源重新分配,通过让空闲的服务器处于待机或者关闭状态进而可以完成节能的目的。
通过虚拟机动态的迁移进行节能的方式主要被分为三个步骤,选择待迁移的物理服务器,从待迁移的服务器上选择待迁移的虚拟机,为待迁移的虚拟机选择目标服务器。这三个步骤各自对应一个调度策略。将这三个步骤组合在一起就构成了一个完整的调度方法,通过在数据中心的调度模块中不断的进行运行就可以完成节能的目的。
针对以上三个步骤已经有大量具体的调度策略。但是,目前大部分的研究主要集中在对调度策略的优化和组合上,并没有一种对这些策略的通用评价标准,并且一些现存的评价方法也不是很全面,不能从整体考虑虚拟机的迁移给数据中心带来的影响,无法综合评价调度策略的优劣。如何在现有的数据中心的架构之上,全面的考虑对调度策略的评估和评价将会给数据中心的调度提供有意的参考和实际的价值。
发明内容
针对现有技术存在的问题,本发明提供一种数据中心虚拟机迁移调度策略的评价方法。
本发明的技术方案是:
一种数据中心虚拟机迁移调度策略的评价方法,包括以下步骤:
步骤1:建立当前数据中心虚拟机迁移调度策略库,并设定默认的虚拟机迁移调度策略;
虚拟机迁移调度策略包括:待迁移物理服务器检测策略、待迁移虚拟机选择策略和虚拟机放置策略;虚拟机迁移调度策略库中的调度策略构成的集合表示为APSet;
默认的虚拟机迁移调度策略包括默认的待迁移物理服务器检测策略a1、默认的待迁移虚拟机选择策略b1和默认的虚拟机放置策略c1;
步骤2:控制服务器设定对虚拟机迁移引起的代价进行评价所需的参数,包括:当前数据中心规模G、负载类型T、三个默认的虚拟机迁移调度策略的阈值、每个调度策略的运行时间etime、监测时间间隔intervel、每个计算服务器的CPU在消耗的功率中所占的比例a、每个计算服务器的内存在消耗的功率中所占的比例b、每个计算服务器的带宽在消耗的功率中所占的比例c、每个计算服务器的磁盘在消耗的功率中所占的比例d、常数e、每一个计算服务器的SLA违反阈值g、虚拟机迁移的停止时间占迁移时间的比重f、虚拟机迁移时间的权重h和每个云任务的响应时间Treason;
步骤3:在当前数据中心运行过程中,控制服务器调用当前数据中心的调度策略库;
步骤4:控制服务器遍历不同数据中心规模G下的各负载类型T,获得当前的数据中心规模和负载类型分别为g和t,在不同的g和t下控制服务器遍历APSet集合,获得APSet集合的所有调度策略对应的迁移评价值FOM;
所述FOM是根据一个调度策略在一种数据中心规模和一种负载类型下运行时间etime得到的虚拟机迁移引起的代价的评价值;
步骤5:控制服务器得到在给定的不同数据中心规模和负载类型下各个虚拟机迁移调度策略的迁移评价值FOM。
进一步地,所述待迁移物理服务器检测策略是检测数据中心中是否存在负载过高/过低的计算机服务器,所述负载过高/过低代表当前资源使用率是否超过预先设定的资源使用率阈值;
待迁移物理服务器检测策略的输入为数据中心计算服务器的集合及各计算服务器中虚拟机的集合,输出为负载过高/过低计算服务器;
所述待迁移虚拟机选择策略是在负载过高/过低的计算机服务器上选择需要被迁移的虚拟机;
待迁移虚拟机选择策略的输入为负载过高/过低计算服务器,输出为各负载过高/过低计算服务器上需要被迁移的虚拟机;
所述虚拟机放置策略是将待迁移虚拟机选择策略选择出的虚拟机迁移到目标计算服务器上;
虚拟机放置策略的输入为各负载过高/过低计算服务器上需要被迁移的虚拟机,输出为各虚拟机与目标服务器的映射关系。
进一步地,所述默认的待迁移物理服务器检测策略a1是:如果有某个计算服务器的CPU利用率超过/低于设定的上限/下限阈值,则对该计算服务器进行虚拟机迁移,超过/低于设定的上限/下限阈值所触发的迁移称为上限/下限迁移。
进一步地,所述默认的待迁移虚拟机选择策略b1是:如果是上限迁移,则从待迁移计算服务器的虚拟机列表中连续选择虚拟机放入待迁移的虚拟机队列中,直到待迁移计算服务器的虚拟机列表中所有的虚拟机的CPU利用率之和小于设定的上限阈值;否则将该计算服务器的所有虚拟机放入待迁移的队列中。
进一步地,所述默认的虚拟机放置策略c1是:为待迁移的虚拟机队列中的每一个虚拟机选择目标服务器,如果该虚拟机的CPU利用率与待选择的目标服务器的CPU利用率之和不超过上限阈值,则该待选择的目标服务器即该虚拟机的目标服务器,否则该待选择的目标服务器不是该虚拟机的目标服务器,继续遍历其他的待选择的目标服务器,直到找到该虚拟机真正的目标服务器。
进一步地,所述数据中心规模按照数据中心的计算服务器的数量来划分;
所述负载类型为数据中心接收的云任务的类型,即云任务占用的资源类型使用率最大的资源类型即该云任务的类型,所述负载类型分别为:CPU密集型、内存密集型、带宽密集型和磁盘密集型;
所述三个默认的虚拟机迁移调度策略的阈值均包括CPU利用率上限阈值和CPU利用率下限阈值;
所述调度策略的运行时间代表每一个需要进行评价的调度策略在当前数据中心下需要运行的总时间;
所述监测时间间隔代表每一个监控周期的时间。
进一步地,所述步骤4的具体步骤如下:
步骤4-1:控制服务器判断是否遍历完APSet集合:如果APSet集合遍历完成,则判断是否遍历完G和T,是则执行步骤5,否则遍历下一组G和T;如果APSet集合遍历未完成,则获取当前调度策略d,设定当前调度策略已执行时间time=0;
步骤4-2:如果time<etime执行步骤4-3,否则执行步骤4-6;
步骤4-3:控制服务器判断当前调度策略d的类型;
步骤4-3-1:如果当前调度策略d的类型是待迁移物理服务器检测策略类型,则执行步骤4-3-2,如果当前调度策略d的类型是待迁移虚拟机选择策略类型则执行步骤4-3-3,否则执行步骤4-3-4;
步骤4-3-2:控制服务器执行当前调度策略d,判断当前数据中心是否存在待迁移计算服务器,如果存在则输出待迁移计算服务器,并依次运行b1、c1,执行步骤4-4,如果不存在则执行步骤4-5;
步骤4-3-3:控制服务器执行a1,判断当前数据中心是否存在待迁移计算服务器,如果存在则输出待迁移计算服务器,并依次运行d、c1,执行步骤4-4,如果不存在则执行步骤4-5;
步骤4-3-4:控制服务器执行a1,判断当前数据中心是否存在待迁移计算服务器,如果存在则输出待迁移计算服务器,并依次运行b1、d,执行步骤4-4,如果不存在则执行步骤4-5;
步骤4-4:控制服务器获取当前调度策略对应的数据中心资源使用情况和统计数据;
步骤4-4-1:控制服务器获取当前监控周期内数据中心的所有的计算服务器的资源使用情况,包括CPU的计算能力和利用率、内存的大小和利用率、带宽的大小和利用率、磁盘的大小和利用率;
步骤4-4-2:控制服务器获取当前监控周期内数据中心的统计数据,包括已迁移的虚拟机集合和这些虚拟机的CPU的计算能力和使用率、内存大小和使用率、带宽大小和使用率、磁盘大小和使用率,云任务的个数、云任务的开始时间和云任务的结束时间;
步骤4-5:控制服务器设定time=time+intervel,并等待intervel时间,执行步骤4-2;
步骤4-6:控制服务器计算当前调度策略d的FOM(Fitness of Migration);
步骤4-6-1:控制服务器计算当前数据中心的能耗Etotal,即该数据中心所有的计算服务器能耗之和,计算服务器能耗根据该计算服务器在各时刻消耗的总功率计算;
根据该计算服务器在各时刻消耗的总功率计算其能耗,包括CPU的能耗、内存的能耗、带宽的能耗和磁盘的能耗;
步骤4-6-2:控制服务器计算当前调度策略d的由虚拟机迁移而带来的性能下降PDM(Performance Degradation of Migration);
步骤4-6-2-1:控制服务器计算SLA平均违反SLAA(Average SLA violation);
SLA违反:如果当前计算服务器的资源满足CPU利用率、内存利用率或者带宽利用率或者磁盘利用率达到100%或者CPU利用率、内存利用率、带宽利用率、磁盘利用率均大于g,则认为计算服务器在当前周期触发了一次SLA违反,否则没有触发SLA;
每个计算服务器每个周期的SLA违反表示为SLAE(SLA violation of Each Period);
通过将每个周期的SLAE相加得到最终的总的SLA违法次数,并求出平均每个计算服务器违反SLA的次数SLAA;
式中,N表示数据中心所有计算服务器的个数;
步骤4-6-2-2:控制服务器计算虚拟机性能下降PDV(Performance Degradation of VM);
每次触发的虚拟机迁移需要的迁移时间由该虚拟机的总的传输数据和该计算服务器的剩余的带宽来决定,迁移时间:
Tmig=TDT/B (16)
式中,TDT表示该虚拟机的总的传输数据量大小,B表示该计算服务器的剩余带宽,而在虚拟机迁移的过程中考虑到有短暂的停滞,所以定义虚拟机的停止时间为:
Tdown=f*Tmig (17)
式中,f表示停止时间占迁移时间的比重;
因此每次虚拟机的迁移的损失是:
COM=h*Tdowntime+(1-h)*(Tmig-Tdowntime) (18)
式中,h表示迁移时间的权重;
总的虚拟机迁移的性能下降:
步骤4-6-2-3:控制服务器计算云任务性能下降PDW(Performance Degradation ofWorkload);
一个云任务的运行时间Tresp表示为:
Tresp=Tfinish-Tstart (20)
式中,Tfinish表示一个云任务的完成时刻,Tstart表示云任务的开始时刻;
用Ci表示每个云任务是否超时:
式中,Treason表示一个云任务的合理执行时间;
虚拟机迁移而造成的云任务未正常执行的个数为:
式中,TRT表示总的云任务的个数;
虚拟机迁移而造成的云任务性能下降表示为:
步骤4-6-2-4:计算由虚拟机迁移而带来的性能下降PDM,表示为:
PDM=SLAA*PDV*PDW(24)
步骤4-6-3:控制服务器根据FOM=Etotal*PDM计算当前调度策略d的FOM,并记录;执行步骤4-2。
进一步地,所述步骤4-6-1的具体步骤如下:
步骤4-6-1-1:计算每台计算服务器的使用资源,即该计算服务器上的所有虚拟机的使用资源之和;
计算每台计算服务器的虚拟机的使用资源包括CPU利用率、内存利用率、带宽利用率和磁盘利用率;
第i个计算服务器的CPU利用率:
第i个计算服务器的内存利用率:
第i个计算服务器的带宽利用率:
第i个计算服务器的磁盘利用率:
式中,cuij,muij,buij,duij分别表示第i个计算服务器上的第j个虚拟机的CPU利用率、内存利用率、带宽利用率、磁盘利用率;
步骤4-6-1-2:计算每台计算服务器的资源消耗总功率,即该计算服务器上的所有虚拟机的资源消耗功率之和;
CPU资源消耗的功率:
CPi=(CPmax-CPmin)×CUi+CPmin (6)
内存资源消耗的功率:
MPi=(MPmax-MPmin)×MUi+MPmin (7)
带宽资源消耗的功率:
BPi=(BPmax-BPmin)×BUi+BPmin (8)
磁盘资源消耗的功率:
DPi=(DPmax-DPmin)×DUi+DPmin (9)
式中,
CPmax表示该计算服务器在CPU利用率最大的时候的功率,而CPmin表示该计算服务器在CPU利用率最小的时候的功率;
MPmax表示该计算服务器在内存利用率最大的时候的功率,而MPmin表示该计算服务器在内存利用率最小的时候的功率;
BPmax表示该计算服务器在带宽利用率最大的时候的功率,而BPmin表示该计算服务器在带宽利用率最小的时候的功率;
DPmax表示该计算服务器在磁盘利用率最大的时候的功率,而DPmin表示该计算服务器在磁盘利用率最小的时候的功率;
所以一台计算服务器在某一时刻的资源消耗总功率为:
Pi=CPi+MPi+BPi+DPi
也表示为:
Pi=a×CUi+b×MUi+c×BUi+d×DUi+e (10)
步骤4-6-1-3:根据各计算服务器的资源消耗总功率得到计算服务器在时间段t内消耗的能耗,进而求得数据中心的总能耗;
第i台计算服务器在时间段t内消耗的能耗:
数据中心的总能耗:
有益效果:
本发明从数据中心的不同规模和4种负载类型两个角度来全面评价调度策略。与以往的研究不同的是本发明了考虑了4种资源类型包括,CPU、内存、带宽、磁盘,这使得评价方法更加具有合理性。本发明提出了一种功率的计算方式,通过全面分析四种资源类型与功率的对应关系进而可以全面的计算数据中心的能耗。同时,该发明从SLA违反的角度,结合调度策略在整个过程中运行的状态,通过平均SLA违反来表达虚拟机的迁移给物理服务器带来的性能影响,相对比较准确。另外,该发明也考虑了虚拟机迁移带给所有物理服务器上的虚拟机的影响,并从迁移数据大小、迁移时间、停机时间综合的考虑了虚拟机的性能下降问题,与以往的方式相比,该种方式更具有说服力。其次,本发明创造性的提出了虚拟机迁移带给虚拟机上的云任务的影响。通过定义云任务的合理完成时间,结合整个的云任务完成状况,得出虚拟机迁移对云任务的影响。最后,结合以上四个方面,本发明对各个调度策略进行综合的评价,得出的结果能够充分反应出本发明的有效性。
附图说明
图1为本发明具体实施方式的数据中心拓扑图;
图2为本发明具体实施方式的数据中心虚拟机迁移调度策略的评价方法流程图;
图3为本发明具体实施方式的步骤4具体流程图;
图4为本发明具体实施方式的步骤4-3控制服务器判断当前调度策略d的类型的具体流程图;
图5为本发明具体实施方式的控制服务器计算当前调度策略d的FOM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。
本实施方式的实验环境是按照如图1所示的控制服务器和若干计算服务器构成的数据中心,该数据中心有两个网络,一个是与公网相连的网络即外网,一个是进行区域连接的网络即网。该数据中心的搭建是通过OpenStack技术来完成的。
数据中心在架构的过程中,采用主从式节点架构来设计,即在集群中有一个控制服务器和9个计算服务器,其中控制服务器完成的任务主要是资源的管理和总体的调度,而计算服务器主要完成的任务是提供虚拟化的服务,即在计算服务器上隔离地运行虚拟机。每个服务器都是双网卡的配置,一块网卡负责连接内网,进行集群内部的数据交流,一块网卡负载连接外网,提供统一的外网访问。另外,数据中心的控制服务器是通过Apache服务器来对外提供资源和服务的管理以及调度的。数据中心具体的配置如表1所示。
表1数据中心配置
在数据中心中的每个物理服务器的配置均是按照以上的标准,在数据中心中设置主机数量为10,其中一个用来充当控制服务器,而另外的9个则为计算服务器,而真正进行执行计算的也即是这9个计算服务器。每一个物理服务器的配置如表2所示。
表2服务器配置
上表从CPU、内存、带宽、磁盘和功率5个方面列出了每一个物理服务器的配置。
本实施方式中,数据中心评价方法的各个参数如表3所示:
表3数据中心虚拟机迁移调度策略的评价方法的参数设置
其中,G0表明该数据中心属于小规模的数据中心,本实施方式中根据数据中心物理服务器的数量来定义G0/G1/G2分别为大/中/小数据中心规模,G0的数量在0-500,G1的数量在500-1000,G2的数量在1000以上。此外,设置了三类云任务,他们的合理运行时间为不超过5秒,10秒和20秒。
一种数据中心虚拟机迁移调度策略的评价方法,如图2所示,包括以下步骤:
步骤1:建立当前数据中心虚拟机迁移调度策略库,并设定默认的虚拟机迁移调度策略;
虚拟机迁移调度策略包括:待迁移物理服务器检测策略、待迁移虚拟机选择策略和虚拟机放置策略;虚拟机迁移调度策略库中的调度策略构成的集合表示为APSet;
默认的虚拟机迁移调度策略包括默认的待迁移物理服务器检测策略a1、默认的待迁移虚拟机选择策略b1和默认的虚拟机放置策略c1;
待迁移物理服务器检测策略是检测数据中心中是否存在负载过高/过低的计算机服务器,所述负载过高/过低代表当前资源使用率是否超过预先设定的资源使用率阈值;
待迁移物理服务器检测策略的输入为数据中心计算服务器的集合及各计算服务器中虚拟机的集合,输出为负载过高/过低计算服务器;
待迁移虚拟机选择策略是在负载过高/过低的计算机服务器上选择需要被迁移的虚拟机;
待迁移虚拟机选择策略的输入为负载过高/过低计算服务器,输出为各负载过高/过低计算服务器上需要被迁移的虚拟机;
虚拟机放置策略是将待迁移虚拟机选择策略选择出的虚拟机迁移到目标计算服务器上;
虚拟机放置策略的输入为各负载过高/过低计算服务器上需要被迁移的虚拟机,输出为各虚拟机与目标服务器的映射关系。
默认的待迁移物理服务器检测策略a1是:如果有某个计算服务器的CPU利用率超过/低于设定的上限/下限阈值,则对该计算服务器进行虚拟机迁移,超过/低于设定的上限/下限阈值所触发的迁移称为上限/下限迁移。
默认的待迁移虚拟机选择策略b1是:如果是上限迁移,则从待迁移计算服务器的虚拟机列表中连续选择虚拟机放入待迁移的虚拟机队列中,直到待迁移计算服务器的虚拟机列表中所有的虚拟机的CPU利用率之和小于设定的上限阈值;否则将该计算服务器的所有虚拟机放入待迁移的队列中。
默认的虚拟机放置策略c1是:为待迁移的虚拟机队列中的每一个虚拟机选择目标服务器,如果该虚拟机的CPU利用率与待选择的目标服务器的CPU利用率之和不超过上限阈值,则该待选择的目标服务器即该虚拟机的目标服务器,否则该待选择的目标服务器不是该虚拟机的目标服务器,继续遍历其他的待选择的目标服务器,直到找到该虚拟机真正的目标服务器。
步骤2:控制服务器设定对虚拟机迁移引起的代价进行评价所需的参数,包括:当前数据中心规模G、负载类型T、三个默认的虚拟机迁移调度策略的阈值、每个调度策略的运行时间etime、监测时间间隔intervel、每个计算服务器的CPU在消耗的功率中所占的比例a、每个计算服务器的内存在消耗的功率中所占的比例b、每个计算服务器的带宽在消耗的功率中所占的比例c、每个计算服务器的磁盘在消耗的功率中所占的比例d、常数e、每一个计算服务器的SLA违反阈值g、虚拟机迁移的停止时间占迁移时间的比重f、虚拟机迁移时间的权重h和每个云任务的响应时间Treason;
数据中心规模按照数据中心的计算服务器的数量来划分;
负载类型为数据中心接收的云任务的类型,即云任务占用的资源类型使用率最大的资源类型即该云任务的类型,所述负载类型分别为:CPU密集型、内存密集型、带宽密集型和磁盘密集型;
三个默认的虚拟机迁移调度策略的阈值均包括CPU利用率上限阈值和CPU利用率下限阈值;
调度策略的运行时间代表每一个需要进行评价的调度策略在当前数据中心下需要运行的总时间;
监测时间间隔代表每一个监控周期的时间。
步骤3:在当前数据中心运行过程中,控制服务器调用当前数据中心的调度策略库;
步骤4:控制服务器遍历不同数据中心规模G下的各负载类型T,获得当前的数据中心规模和负载类型分别为g和t,在不同的g和t下控制服务器遍历APSet集合,获得APSet集合的所有调度策略对应的迁移评价值FOM;
FOM是根据一个调度策略在一种数据中心规模和一种负载类型下运行时间etime得到的虚拟机迁移引起的代价的评价值;
步骤4的具体流程如图3所示,按以下步骤进行:
步骤4-1:控制服务器判断是否遍历完APSet集合:如果APSet集合遍历完成,则判断是否遍历完G和T,是则执行步骤5,否则遍历下一组G和T;如果APSet集合遍历未完成,则获取当前调度策略d,设定当前调度策略已执行时间time=0;
步骤4-2:如果time<etime执行步骤4-3,否则执行步骤4-6;
步骤4-3:控制服务器判断当前调度策略d的类型,如图4所示;
步骤4-3-1:如果当前调度策略d的类型是待迁移物理服务器检测策略类型,则执行步骤4-3-2,如果当前调度策略d的类型是待迁移虚拟机选择策略类型,则执行步骤4-3-3,否则执行步骤4-3-4;
步骤4-3-2:控制服务器执行当前调度策略d,判断当前数据中心是否存在待迁移计算服务器,如果存在则输出待迁移计算服务器,并依次运行b1、c1,执行步骤4-4,如果不存在则执行步骤4-5;
步骤4-3-3:控制服务器执行a1,判断当前数据中心是否存在待迁移计算服务器,如果存在则输出待迁移计算服务器,并依次运行d、c1,执行步骤4-4,如果不存在则执行步骤4-5;
步骤4-3-4:控制服务器执行a1,判断当前数据中心是否存在待迁移计算服务器,如果存在则输出待迁移计算服务器,并依次运行b1、d,执行步骤4-4,如果不存在则执行步骤4-5;
步骤4-4:控制服务器获取当前调度策略对应的数据中心资源使用情况和统计数据;
步骤4-4-1:控制服务器获取当前监控周期内数据中心的所有的计算服务器的资源使用情况,包括CPU的大小和利用率、内存的大小和利用率、带宽的大小和利用率、磁盘的大小和利用率;
步骤4-4-2:控制服务器获取当前监控周期内数据中心的统计数据,包括已迁移的虚拟机集合和这些虚拟机的CPU的计算能力和使用率、内存大小和使用率、带宽大小和使用率、磁盘大小和使用率,云任务的个数、云任务的开始时间和云任务的结束时间;
步骤4-5:控制服务器设定time=time+intervel,并等待intervel时间,执行步骤4-2;
步骤4-6:控制服务器计算当前调度策略d的FOM(Fitness of Migration),其流程如图5所示;
步骤4-6-1:控制服务器计算当前数据中心的能耗Etotal,即该数据中心所有的计算服务器能耗之和,计算服务器能耗根据该计算服务器在各时刻消耗的总功率计算;
根据该计算服务器在各时刻消耗的总功率计算其能耗,包括CPU的能耗、内存的能耗、带宽的能耗和磁盘的能耗;
步骤4-6-1-1:计算每台计算服务器的使用资源,即该计算服务器上的所有虚拟机的使用资源之和;
计算每台计算服务器的虚拟机的使用资源包括CPU利用率、内存利用率、带宽利用率和磁盘利用率;
第i个计算服务器的CPU利用率:
第i个计算服务器的内存利用率:
第i个计算服务器的带宽利用率:
第i个计算服务器的磁盘利用率:
式中,cuij,muij,buij,duij分别表示第i个计算服务器上的第j个虚拟机的CPU利用率、内存利用率、带宽利用率、磁盘利用率;
步骤4-6-1-2:计算每台计算服务器的资源消耗总功率,即该计算服务器上的所有虚拟机的资源消耗功率之和;
CPU资源消耗的功率:
CPi=(CPmax-CPmin)×CUi+CPmin (6)
内存资源消耗的功率:
MPi=(MPmax-MPmin)×MUi+MPmin (7)
带宽资源消耗的功率:
BPi=(BPmax-BPmin)×BUi+BPmin (8)
磁盘资源消耗的功率:
DPi=(DPmax-DPmin)×DUi+DPmin (9)
式中,
CPmax表示该计算服务器在CPU利用率最大的时候的功率,而CPmin表示该计算服务器在CPU利用率最小的时候的功率;
MPmax表示该计算服务器在内存利用率最大的时候的功率,而MPmin表示该计算服务器在内存利用率最小的时候的功率;
BPmax表示该计算服务器在带宽利用率最大的时候的功率,而BPmin表示该计算服务器在带宽利用率最小的时候的功率;
DPmax表示该计算服务器在磁盘利用率最大的时候的功率,而DPmin表示该计算服务器在磁盘利用率最小的时候的功率;
所以一台计算服务器在某一时刻的资源消耗总功率为:
Pi=CPi+MPi+BPi+DPi
也表示为:
Pi=a×CUi+b×MUi+c×BUi+d×DUi+e (10)
步骤4-6-1-3:根据各计算服务器的资源消耗总功率得到计算服务器在时间段t内消耗的能耗,进而求得数据中心的总能耗;
第i台计算服务器在时间段t内消耗的能耗:
数据中心的总能耗:
步骤4-6-2:控制服务器计算当前调度策略d的由虚拟机迁移而带来的性能下降PDM(Performance Degradation of Migration),其流程如图5所示;
步骤4-6-2-1:控制服务器计算SLA平均违反SLAA(Average SLA violation);
SLA违反:如果当前计算服务器的资源满足CPU利用率、内存利用率或者带宽利用率或者磁盘利用率达到100%或者CPU利用率、内存利用率、带宽利用率、磁盘利用率均大于g,则认为计算服务器在当前周期触发了一次SLA违反,否则没有触发SLA;
每个计算服务器每个周期的SLA违反表示为SLAE(SLA violation of Each Period);
通过将每个周期的SLAE相加得到最终的总的SLA违法次数,并求出平均每个计算服务器违反SLA的次数SLAA;
式中,N表示数据中心所有计算服务器的个数;
步骤4-6-2-2:控制服务器计算虚拟机性能下降PDV(Performance Degradation of VM);
每次触发的虚拟机迁移需要的迁移时间由该虚拟机的总的传输数据和该计算服务器的剩余的带宽来决定,迁移时间:
Tmig=TDT/B (16)
式中,TDT表示该虚拟机的总的传输数据量大小,B表示该计算服务器的剩余带宽,而在虚拟机迁移的过程中考虑到有短暂的停滞,所以定义虚拟机的停止时间为:
Tdown=f*Tmig (17)
式中,f表示停止时间占迁移时间的比重;
因此每次虚拟机的迁移的损失是:
COM=h*Tdowntime+(1-h)*(Tmig-Tdowntime) (18)
式中,h表示迁移时间的权重;
总的虚拟机迁移的性能下降:
步骤4-6-2-3:控制服务器计算云任务性能下降PDW(Performance Degradation ofWorkload);
一个云任务的运行时间Tresp表示为:
Tresp=Tfinish-Tstart (20)
式中,Tfinish表示一个云任务的完成时刻,Tstart表示云任务的开始时刻;
用Ci表示每个云任务是否超时:
式中,Treason表示一个云任务的合理执行时间;
虚拟机迁移而造成的云任务未正常执行的个数为:
式中,TRT表示总的云任务的个数;
虚拟机迁移而造成的云任务性能下降表示为:
步骤4-6-2-4:计算由虚拟机迁移而带来的性能下降PDM,表示为:
PDM=SLAA*PDV*PDW (24)
步骤4-6-3:控制服务器根据FOM=Etotal*PDM计算当前调度策略d的FOM,并记录;执行步骤4-2。
步骤5:控制服务器得到在给定的不同数据中心规模和负载类型下各个虚拟机迁移调度策略的迁移评价值FOM。
Claims (8)
1.一种数据中心虚拟机迁移调度策略的评价方法,其特征在于:包括以下步骤:
步骤1:建立当前数据中心虚拟机迁移调度策略库,并设定默认的虚拟机迁移调度策略;
虚拟机迁移调度策略包括:待迁移物理服务器检测策略、待迁移虚拟机选择策略和虚拟机放置策略;虚拟机迁移调度策略库中的调度策略构成的集合表示为APSet;
默认的虚拟机迁移调度策略包括默认的待迁移物理服务器检测策略a1、默认的待迁移虚拟机选择策略b1和默认的虚拟机放置策略c1;
步骤2:控制服务器设定对虚拟机迁移引起的代价进行评价所需的参数,包括:当前数据中心规模G、负载类型T、三个默认的虚拟机迁移调度策略的阈值、每个调度策略的运行时间etime、监测时间间隔intervel、每个计算服务器的CPU在消耗的功率中所占的比例a、每个计算服务器的内存在消耗的功率中所占的比例b、每个计算服务器的带宽在消耗的功率中所占的比例c、每个计算服务器的磁盘在消耗的功率中所占的比例d、常数e、每一个计算服务器的SLA违反阈值g、虚拟机迁移的停止时间占迁移时间的比重f、虚拟机迁移时间的权重h和每个云任务的响应时间Treason;
步骤3:在当前数据中心运行过程中,控制服务器调用当前数据中心的调度策略库;
步骤4:控制服务器遍历不同数据中心规模G下的各负载类型T,获得当前的数据中心规模和负载类型分别为g和t,在不同的g和t下控制服务器遍历APSet集合,获得APSet集合的所有调度策略对应的迁移评价值FOM;
所述FOM是根据一个调度策略在一种数据中心规模和一种负载类型下运行时间etime得到的虚拟机迁移引起的代价的评价值;
步骤5:控制服务器得到在给定的不同数据中心规模和负载类型下各个虚拟机迁移调度策略的迁移评价值FOM。
2.根据权利要求1所述的数据中心虚拟机迁移调度策略的评价方法,其特征在于:所述待迁移物理服务器检测策略是检测数据中心中是否存在负载过高/过低的计算机服务器,所述负载过高/过低代表当前资源使用率是否超过预先设定的资源使用率阈值;
待迁移物理服务器检测策略的输入为数据中心计算服务器的集合及各计算服务器中虚拟机的集合,输出为负载过高/过低计算服务器;
所述待迁移虚拟机选择策略是在负载过高/过低的计算机服务器上选择需要被迁移的虚拟机;
待迁移虚拟机选择策略的输入为负载过高/过低计算服务器,输出为各负载过高/过低计算服务器上需要被迁移的虚拟机;
所述虚拟机放置策略是将待迁移虚拟机选择策略选择出的虚拟机迁移到目标计算服务器上;
虚拟机放置策略的输入为各负载过高/过低计算服务器上需要被迁移的虚拟机,输出为各虚拟机与目标服务器的映射关系。
3.根据权利要求1所述的数据中心虚拟机迁移调度策略的评价方法,其特征在于:所述默认的待迁移物理服务器检测策略a1是:如果有某个计算服务器的CPU利用率超过/低于设定的上限/下限阈值,则对该计算服务器进行虚拟机迁移,超过/低于设定的上限/下限阈值所触发的迁移称为上限/下限迁移。
4.根据权利要求1所述的数据中心虚拟机迁移调度策略的评价方法,其特征在于:所述默认的待迁移虚拟机选择策略b1是:如果是上限迁移,则从待迁移计算服务器的虚拟机列表中连续选择虚拟机放入待迁移的虚拟机队列中,直到待迁移计算服务器的虚拟机列表中所有的虚拟机的CPU利用率之和小于设定的上限阈值;否则将该计算服务器的所有虚拟机放入待迁移的队列中。
5.根据权利要求1所述的数据中心虚拟机迁移调度策略的评价方法,其特征在于:所述默认的虚拟机放置策略c1是:为待迁移的虚拟机队列中的每一个虚拟机选择目标服务器,如果该虚拟机的CPU利用率与待选择的目标服务器的CPU利用率之和不超过上限阈值,则该待选择的目标服务器即该虚拟机的目标服务器,否则该待选择的目标服务器不是该虚拟机的目标服务器,继续遍历其他的待选择的目标服务器,直到找到该虚拟机真正的目标服务器。
6.根据权利要求1所述的数据中心虚拟机迁移调度策略的评价方法,其特征在于:所述数据中心规模按照数据中心的计算服务器的数量来划分;
所述负载类型为数据中心接收的云任务的类型,即云任务占用的资源类型使用率最大的资源类型即该云任务的类型,所述负载类型分别为:CPU密集型、内存密集型、带宽密集型和磁盘密集型;
所述三个默认的虚拟机迁移调度策略的阈值均包括CPU利用率上限阈值和CPU利用率下限阈值;
所述调度策略的运行时间代表每一个需要进行评价的调度策略在当前数据中心下需要运行的总时间;
所述监测时间间隔代表每一个监控周期的时间。
7.根据权利要求1所述的数据中心虚拟机迁移调度策略的评价方法,其特征在于:所述步骤4的具体步骤如下:
步骤4-1:控制服务器判断是否遍历完APSet集合:如果APSet集合遍历完成,则判断是否遍历完G和T,是则执行步骤5,否则遍历下一组G和T;如果APSet集合遍历未完成,则获取当前调度策略d,设定当前调度策略已执行时间time=0;
步骤4-2:如果time<etime执行步骤4-3,否则执行步骤4-6;
步骤4-3:控制服务器判断当前调度策略d的类型;
步骤4-3-1:如果当前调度策略d的类型是待迁移物理服务器检测策略类型,则执行步骤4-3-2,如果当前调度策略d的类型是待迁移虚拟机选择策略类型则执行步骤4-3-3,否则执行步骤4-3-4;
步骤4-3-2:控制服务器执行当前调度策略d,判断当前数据中心是否存在待迁移计算服务器,如果存在则输出待迁移计算服务器,并依次运行b1、c1,执行步骤4-4,如果不存在则执行步骤4-5;
步骤4-3-3:控制服务器执行a1,判断当前数据中心是否存在待迁移计算服务器,如果存在则输出待迁移计算服务器,并依次运行d、c1,执行步骤4-4,如果不存在则执行步骤4-5;
步骤4-3-4:控制服务器执行a1,判断当前数据中心是否存在待迁移计算服务器,如果存在则输出待迁移计算服务器,并依次运行b1、d,执行步骤4-4,如果不存在则执行步骤4-5;
步骤4-4:控制服务器获取当前调度策略对应的数据中心资源使用情况和统计数据;
步骤4-4-1:控制服务器获取当前监控周期内数据中心所有的计算服务器的资源使用情况,包括CPU的计算能力和利用率、内存的大小和利用率、带宽的大小和利用率、磁盘的大小和利用率;
步骤4-4-2:控制服务器获取当前监控周期内数据中心的统计数据,包括已迁移的虚拟机集合和这些虚拟机的CPU的计算能力和使用率、内存大小和使用率、带宽大小和使用率、磁盘大小和使用率,云任务的个数、云任务的开始时间和云任务的结束时间;
步骤4-5:控制服务器设定time=time+intervel,并等待intervel时间,执行步骤4-2;
步骤4-6:控制服务器计算当前调度策略d的FOM;
步骤4-6-1:控制服务器计算当前数据中心的能耗Etotal,即该数据中心所有的计算服务器能耗之和,计算服务器能耗根据该计算服务器在各时刻消耗的总功率计算;
根据该计算服务器在各时刻消耗的总功率计算其能耗,包括CPU的能耗、内存的能耗、带宽的能耗和磁盘的能耗;
步骤4-6-2:控制服务器计算当前调度策略d的由虚拟机迁移而带来的性能下降PDM;
步骤4-6-2-1:控制服务器计算SLA平均违反SLAA;
SLA违反:如果当前计算服务器的资源满足CPU利用率、内存利用率或者带宽利用率或者磁盘利用率达到100%或者CPU利用率、内存利用率、带宽利用率、磁盘利用率均大于g,则认为计算服务器在当前周期触发了一次SLA违反,否则没有触发SLA;
每个计算服务器每个周期的SLA违反表示为SLAE;
通过将每个周期的SLAE相加得到最终的总的SLA违法次数,并求出平均每个计算服务器违反SLA的次数SLAA;
式中,N表示数据中心所有计算服务器的个数;
步骤4-6-2-2:控制服务器计算虚拟机性能下降PDV;
每次触发的虚拟机迁移需要的迁移时间由该虚拟机的总的传输数据和该计算服务器的剩余的带宽来决定,迁移时间:
Tmig=TDT/B (16)
式中,TDT表示该虚拟机的总的传输数据量大小,B表示该计算服务器的剩余带宽,而在虚拟机迁移的过程中考虑到有短暂的停滞,所以定义虚拟机的停止时间为:
Tdown=f*Tmig (17)
式中,f表示停止时间占迁移时间的比重;
因此每次虚拟机的迁移的损失是:
COM=h*Tdowntime+(1-h)*(Tmig-Tdowntime) (18)
式中,h表示迁移时间的权重;
总的虚拟机迁移的性能下降:
步骤4-6-2-3:控制服务器计算云任务性能下降PDW;
一个云任务的运行时间Tresp表示为:
Tresp=Tfinish-Tstart (20)
式中,Tfinish表示一个云任务的完成时刻,Tstart表示云任务的开始时刻;
用Ci表示每个云任务是否超时:
式中,Treason表示一个云任务的合理执行时间;
虚拟机迁移而造成的云任务未正常执行的个数为:
式中,TRT表示总的云任务的个数;
虚拟机迁移而造成的云任务性能下降表示为:
步骤4-6-2-4:计算由虚拟机迁移而带来的性能下降PDM;
PDM=SLAA*PDV*PDW (24)
步骤4-6-3:控制服务器根据FOM=Etotal*PDM计算当前调度策略d的FOM;执行步骤4-2。
8.根据权利要求7所述的数据中心虚拟机迁移调度策略的评价方法,其特征在于:所述步骤4-6-1的具体步骤如下:
步骤4-6-1-1:计算每台计算服务器的使用资源,即该计算服务器上的所有虚拟机的使用资源之和;
计算每台计算服务器的虚拟机的使用资源包括CPU利用率、内存利用率、带宽利用率和磁盘利用率;
第i个计算服务器的CPU利用率:
第i个计算服务器的内存利用率:
第i个计算服务器的带宽利用率:
第i个计算服务器的磁盘利用率:
式中,cuij,muij,buij,duij分别表示第i个计算服务器上的第j个虚拟机的CPU利用率、内存利用率、带宽利用率、磁盘利用率;
步骤4-6-1-2:计算每台计算服务器的资源消耗总功率,即该计算服务器上的所有虚拟机的资源消耗功率之和;
CPU资源消耗的功率:
CPi=(CPmax-CPmin)×CUi+CPmin (6)
内存资源消耗的功率:
MPi=(MPmax-MPmin)×MUi+MPmin (7)
带宽资源消耗的功率:
BPi=(BPmax-BPmin)×BUi+BPmin (8)
磁盘资源消耗的功率:
DPi=(DPmax-DPmin)×DUi+DPmin (9)
式中,
CPmax表示该计算服务器在CPU利用率最大的时候的功率,而CPmin表示该计算服务器在CPU利用率最小的时候的功率;
MPmax表示该计算服务器在内存利用率最大的时候的功率,而MPmin表示该计算服务器在内存利用率最小的时候的功率;
BPmax表示该计算服务器在带宽利用率最大的时候的功率,而BPmin表示该计算服务器在带宽利用率最小的时候的功率;
DPmax表示该计算服务器在磁盘利用率最大的时候的功率,而DPmin表示该计算服务器在磁盘利用率最小的时候的功率;
所以一台计算服务器在某一时刻的资源消耗总功率为:
Pi=CPi+MPi+BPi+DPi
也表示为:
Pi=a×CUi+b×MUi+c×BUi+d×DUi+e (10)
步骤4-6-1-3:根据各计算服务器的资源消耗总功率得到计算服务器在时间段t内消耗的能耗,进而求得数据中心的总能耗;
第i台计算服务器在时间段t内消耗的能耗:
Ei=∫tPidt (11)
数据中心的总能耗:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510044977.8A CN104636197B (zh) | 2015-01-29 | 2015-01-29 | 一种数据中心虚拟机迁移调度策略的评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510044977.8A CN104636197B (zh) | 2015-01-29 | 2015-01-29 | 一种数据中心虚拟机迁移调度策略的评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104636197A true CN104636197A (zh) | 2015-05-20 |
CN104636197B CN104636197B (zh) | 2017-12-19 |
Family
ID=53214988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510044977.8A Active CN104636197B (zh) | 2015-01-29 | 2015-01-29 | 一种数据中心虚拟机迁移调度策略的评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104636197B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105187531A (zh) * | 2015-09-09 | 2015-12-23 | 上海赛为信息技术有限公司 | 应用于云计算虚拟化服务器集群的负载均衡的系统及方法 |
CN105589731A (zh) * | 2015-09-16 | 2016-05-18 | 杭州华三通信技术有限公司 | 一种虚拟机迁移方法和装置 |
CN106844051A (zh) * | 2017-01-19 | 2017-06-13 | 河海大学 | 一种边缘计算环境中功耗优化的负载任务迁移算法 |
CN106980462A (zh) * | 2016-01-18 | 2017-07-25 | 瑞昱半导体股份有限公司 | 权重式数据搬迁控制装置与方法 |
CN107562519A (zh) * | 2017-09-05 | 2018-01-09 | 联想(北京)有限公司 | 虚拟机的迁移方法、系统及服务器 |
CN107861796A (zh) * | 2017-11-30 | 2018-03-30 | 南京信息工程大学 | 一种支持云数据中心能耗优化的虚拟机调度方法 |
CN108259568A (zh) * | 2017-12-22 | 2018-07-06 | 东软集团股份有限公司 | 任务分配方法、装置、计算机可读存储介质及电子设备 |
CN108429815A (zh) * | 2018-03-23 | 2018-08-21 | 重庆邮电大学 | 基于OpenStack的动态资源调度方法 |
CN109388478A (zh) * | 2018-11-01 | 2019-02-26 | 郑州云海信息技术有限公司 | 用于OpenStack环境中迁移虚拟机的方法和装置 |
CN109408236A (zh) * | 2018-10-22 | 2019-03-01 | 福建南威软件有限公司 | 一种etl在集群上的任务负载均衡方法 |
CN109783304A (zh) * | 2017-11-15 | 2019-05-21 | 中国移动通信有限公司研究院 | 一种数据中心的节能调度方法及对应装置 |
CN110049130A (zh) * | 2019-04-22 | 2019-07-23 | 北京邮电大学 | 一种基于边缘计算的服务部署和任务调度方法及装置 |
CN110321198A (zh) * | 2019-07-04 | 2019-10-11 | 广东石油化工学院 | 一种容器云平台计算资源与网络资源协同调度方法及系统 |
CN110647384A (zh) * | 2019-09-24 | 2020-01-03 | 泉州师范学院 | 一种优化云数据中心虚拟机迁移方法 |
CN110909062A (zh) * | 2019-11-29 | 2020-03-24 | 迈普通信技术股份有限公司 | 数据处理方法、装置、电子设备及可读存储介质 |
CN111611069A (zh) * | 2020-04-01 | 2020-09-01 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 多数据中心间多类型任务迁移方法 |
CN112395161A (zh) * | 2020-11-26 | 2021-02-23 | 国网天津市电力公司 | 大数据中心能耗分析方法及计算设备 |
CN113824768A (zh) * | 2021-08-23 | 2021-12-21 | 北京天融信网络安全技术有限公司 | 负载均衡系统中的健康检查方法及装置和流量转发方法 |
CN114070754A (zh) * | 2021-11-15 | 2022-02-18 | 迈普通信技术股份有限公司 | 测试Overlay网络虚拟机迁移性能的方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050102121A1 (en) * | 2000-05-23 | 2005-05-12 | Microsoft Corporation | Load simulation tool for server resource capacity planning |
CN102096461A (zh) * | 2011-01-13 | 2011-06-15 | 浙江大学 | 基于虚拟机迁移和负载感知整合的云数据中心节能方法 |
CN102270157A (zh) * | 2011-07-25 | 2011-12-07 | 浪潮(北京)电子信息产业有限公司 | 一种实现服务器资源分配的系统及方法 |
CN103077082A (zh) * | 2013-01-08 | 2013-05-01 | 中国科学院深圳先进技术研究院 | 一种数据中心负载分配及虚拟机迁移节能方法及系统 |
CN103607459A (zh) * | 2013-11-21 | 2014-02-26 | 东北大学 | 一种云计算平台IaaS层的动态资源监测及调度方法 |
-
2015
- 2015-01-29 CN CN201510044977.8A patent/CN104636197B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050102121A1 (en) * | 2000-05-23 | 2005-05-12 | Microsoft Corporation | Load simulation tool for server resource capacity planning |
CN102096461A (zh) * | 2011-01-13 | 2011-06-15 | 浙江大学 | 基于虚拟机迁移和负载感知整合的云数据中心节能方法 |
CN102270157A (zh) * | 2011-07-25 | 2011-12-07 | 浪潮(北京)电子信息产业有限公司 | 一种实现服务器资源分配的系统及方法 |
CN103077082A (zh) * | 2013-01-08 | 2013-05-01 | 中国科学院深圳先进技术研究院 | 一种数据中心负载分配及虚拟机迁移节能方法及系统 |
CN103607459A (zh) * | 2013-11-21 | 2014-02-26 | 东北大学 | 一种云计算平台IaaS层的动态资源监测及调度方法 |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105187531A (zh) * | 2015-09-09 | 2015-12-23 | 上海赛为信息技术有限公司 | 应用于云计算虚拟化服务器集群的负载均衡的系统及方法 |
CN105589731A (zh) * | 2015-09-16 | 2016-05-18 | 杭州华三通信技术有限公司 | 一种虚拟机迁移方法和装置 |
CN105589731B (zh) * | 2015-09-16 | 2019-01-18 | 新华三技术有限公司 | 一种虚拟机迁移方法和装置 |
CN106980462A (zh) * | 2016-01-18 | 2017-07-25 | 瑞昱半导体股份有限公司 | 权重式数据搬迁控制装置与方法 |
CN106980462B (zh) * | 2016-01-18 | 2020-02-11 | 合肥沛睿微电子股份有限公司 | 权重式数据搬迁控制装置与方法 |
CN106844051A (zh) * | 2017-01-19 | 2017-06-13 | 河海大学 | 一种边缘计算环境中功耗优化的负载任务迁移算法 |
CN107562519A (zh) * | 2017-09-05 | 2018-01-09 | 联想(北京)有限公司 | 虚拟机的迁移方法、系统及服务器 |
CN109783304A (zh) * | 2017-11-15 | 2019-05-21 | 中国移动通信有限公司研究院 | 一种数据中心的节能调度方法及对应装置 |
CN109783304B (zh) * | 2017-11-15 | 2022-06-07 | 中国移动通信有限公司研究院 | 一种数据中心的节能调度方法及对应装置 |
CN107861796A (zh) * | 2017-11-30 | 2018-03-30 | 南京信息工程大学 | 一种支持云数据中心能耗优化的虚拟机调度方法 |
CN108259568A (zh) * | 2017-12-22 | 2018-07-06 | 东软集团股份有限公司 | 任务分配方法、装置、计算机可读存储介质及电子设备 |
CN108259568B (zh) * | 2017-12-22 | 2021-05-04 | 东软集团股份有限公司 | 任务分配方法、装置、计算机可读存储介质及电子设备 |
CN108429815A (zh) * | 2018-03-23 | 2018-08-21 | 重庆邮电大学 | 基于OpenStack的动态资源调度方法 |
CN109408236A (zh) * | 2018-10-22 | 2019-03-01 | 福建南威软件有限公司 | 一种etl在集群上的任务负载均衡方法 |
CN109388478A (zh) * | 2018-11-01 | 2019-02-26 | 郑州云海信息技术有限公司 | 用于OpenStack环境中迁移虚拟机的方法和装置 |
CN110049130A (zh) * | 2019-04-22 | 2019-07-23 | 北京邮电大学 | 一种基于边缘计算的服务部署和任务调度方法及装置 |
CN110049130B (zh) * | 2019-04-22 | 2020-07-24 | 北京邮电大学 | 一种基于边缘计算的服务部署和任务调度方法及装置 |
CN110321198B (zh) * | 2019-07-04 | 2020-08-25 | 广东石油化工学院 | 一种容器云平台计算资源与网络资源协同调度方法及系统 |
CN110321198A (zh) * | 2019-07-04 | 2019-10-11 | 广东石油化工学院 | 一种容器云平台计算资源与网络资源协同调度方法及系统 |
CN110647384A (zh) * | 2019-09-24 | 2020-01-03 | 泉州师范学院 | 一种优化云数据中心虚拟机迁移方法 |
CN110909062A (zh) * | 2019-11-29 | 2020-03-24 | 迈普通信技术股份有限公司 | 数据处理方法、装置、电子设备及可读存储介质 |
CN111611069A (zh) * | 2020-04-01 | 2020-09-01 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 多数据中心间多类型任务迁移方法 |
CN111611069B (zh) * | 2020-04-01 | 2023-11-07 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 多数据中心间多类型任务迁移方法 |
CN112395161A (zh) * | 2020-11-26 | 2021-02-23 | 国网天津市电力公司 | 大数据中心能耗分析方法及计算设备 |
CN113824768A (zh) * | 2021-08-23 | 2021-12-21 | 北京天融信网络安全技术有限公司 | 负载均衡系统中的健康检查方法及装置和流量转发方法 |
CN113824768B (zh) * | 2021-08-23 | 2022-11-15 | 北京天融信网络安全技术有限公司 | 负载均衡系统中的健康检查方法及装置和流量转发方法 |
CN114070754A (zh) * | 2021-11-15 | 2022-02-18 | 迈普通信技术股份有限公司 | 测试Overlay网络虚拟机迁移性能的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104636197B (zh) | 2017-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104636197A (zh) | 一种数据中心虚拟机迁移调度策略的评价方法 | |
CN103607459B (zh) | 一种云计算平台IaaS层的动态资源监测及调度方法 | |
CN103810048B (zh) | 一种面向资源利用最优的线程数量自动调整方法及装置 | |
Moreno et al. | Improved energy-efficiency in cloud datacenters with interference-aware virtual machine placement | |
CN101488098B (zh) | 基于虚拟计算技术的多核计算资源管理系统 | |
Zhang et al. | Delay guaranteed live migration of virtual machines | |
CN103294521B (zh) | 一种降低数据中心通信负载及能耗的方法 | |
CN103605567A (zh) | 面向实时性需求变化的云计算任务调度方法 | |
Sampaio et al. | Towards high-available and energy-efficient virtual computing environments in the cloud | |
CN102662750A (zh) | 基于弹性虚拟机池的虚拟机资源优化控制方法及其系统 | |
CN105446816B (zh) | 一种面向异构平台的能耗优化调度方法 | |
Moreno et al. | Neural network-based overallocation for improved energy-efficiency in real-time cloud environments | |
CN104636187A (zh) | 基于负载预测的numa架构中虚拟机调度方法 | |
CN106951059A (zh) | 基于dvs与改进蚁群算法的云数据中心节能方法 | |
CN105426241A (zh) | 一种基于云计算数据中心的统一资源调度节能方法 | |
Xu et al. | VMSAGE: a virtual machine scheduling algorithm based on the gravitational effect for green cloud computing | |
CN109491760A (zh) | 一种高效能数据中心云服务器资源自主管理方法和系统 | |
CN103955398A (zh) | 一种基于处理器性能监控的虚拟机共生调度方法 | |
CN102902344A (zh) | 基于随机任务的云计算系统能耗优化方法 | |
Tarahomi et al. | A prediction‐based and power‐aware virtual machine allocation algorithm in three‐tier cloud data centers | |
US20220300323A1 (en) | Job Scheduling Method and Job Scheduling Apparatus | |
CN104111875B (zh) | 云数据中心新增任务数动态控制装置、系统及方法 | |
Yang et al. | An analysis of performance interference effects on energy-efficiency of virtualized cloud environments | |
CN108574600B (zh) | 云计算服务器的功耗和资源竞争协同控制的服务质量保障方法 | |
Chen et al. | An energy‐efficient method of resource allocation based on request prediction in multiple cloud data centers |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220328 Address after: 215000 room 402, 4 / F, building 5 (plant 1), No. 2266 Taiyang Road, high speed railway new town, Xiangcheng District, Suzhou City, Jiangsu Province Patentee after: Siyecao (Suzhou) Intelligent Technology Co.,Ltd. Address before: 110819 No. 3 lane, Heping Road, Heping District, Shenyang, Liaoning 11 Patentee before: Northeastern University |
|
TR01 | Transfer of patent right |