CN105183537B - 基于动态阈值窗口的虚拟机迁移处理方法 - Google Patents
基于动态阈值窗口的虚拟机迁移处理方法 Download PDFInfo
- Publication number
- CN105183537B CN105183537B CN201510612684.5A CN201510612684A CN105183537B CN 105183537 B CN105183537 B CN 105183537B CN 201510612684 A CN201510612684 A CN 201510612684A CN 105183537 B CN105183537 B CN 105183537B
- Authority
- CN
- China
- Prior art keywords
- virtual machine
- migration
- machine
- physical machine
- data center
- 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
本发明实施例提供了一种基于动态阈值窗口的虚拟机迁移处理方法。该方法包括:将物理机的CPU利用率与设定的阈值窗口TWin范围进行比较,当物理机的CPU利用率高于设定的CPU利用率最大阈值,则计算物理机所属的数据中心的任务量;当数据中心的任务量大于设定的任务量最大阈值,对阈值窗口TWin范围进行调整,根据调整后的阈值窗口TWin范围和设定的虚拟机迁移策略,对物理机中的虚拟机进行迁移处理。本发明实施例能够根据数据中心的任务量情况自适应地对阈值窗口TWin的大小进行调整,可以动态触发虚拟机的迁移,减少需要迁移的虚拟机数量,降低了迁移失败率,也减少了由于找不到目的物理机而带来的不必要的虚拟机迁移代价。
Description
技术领域
本发明涉及虚拟机技术领域,尤其涉及一种基于动态阈值窗口的虚拟机迁移处理方法。
背景技术
数据中心资源管理是当前云计算技术的研究热点,它将大量的计算资源、存储资源与软件资源链接在一起,形成了巨大规模的共享资源池,是数据运算、交换、存储的中心。随着当前云计算相关技术的发展,资源管理动态化、弹性化和自动化需求更加突出。实现资源的按需动态伸缩对于云数据中心的可用性是至关重要的。随着技术进步和硬件支持,虚拟化技术再一次兴起,集结了基于进程粒度和基于服务器粒度平台的优势,以VM(VirtualMachine,虚拟机)为粒度能够实现对资源的快速部署和重部署,提高了资源利用率。虚拟机的放置管理,成为当前的研究热点。
虚拟机放置管理分为初始化放置和动态放置。虚拟机的初始化放置管理是研究如何在一个没有负载的云数据中心根据虚拟机的类型和对资源的请求选择合适的目的PM(Physical Machine,物理机)的过程。初始化放置具有长期效应,对数据中心资源的有效利用,能耗节约起重要作用。虚拟机的动态放置管理是指由于云数据中心负载的动态变化所引起的虚拟机重新放置的过程。在虚拟机的动态放置阶段,我们需要考虑三个方面:对资源监控决定何时进行迁移、选择哪些虚拟机需要被迁移和决定迁移到哪些物理机上。
当前,通过虚拟化技术,数据中心中的计算资源、存储资源都可以按照虚拟机的粒度来组织和提供,通过提供虚拟机来对用户实现可伸缩的资源提供。在这种方式下,虚拟机需要在数据中心的物理机中合理放置,以求得最节能、最优化的资源利用目标。当物理机中的资源利用率过高时,需要迁出虚拟机以平衡过热点,当物理机中资源利用率过低时,需要迁出虚拟机以关掉物理机以便节能。因此,虚拟机的迁移时机也是数据中心虚拟机动态管理的一个重要问题。
国内外针对虚拟机迁移时机的研究,主要包括基于阈值的虚拟机迁移时机方案。其中一个方案是通过设定物理机资源(如CPU)的静态单阈值进行迁移时机判决。当物理机资源的利用率超出阈值,则触发虚拟机的迁移。另一个方案是设定物理机资源的静态双阈值进行迁移时机判决。对物理机的资源利用率设置高低两个阈值门限,当物理机资源的利用率超出高阈值门限,或低于低阈值门限,都将触发虚拟机迁移。双阈值的策略,能够有效平衡物理机资源的过热点,关掉过冷点。
上述现有技术中的虚拟机迁移方案的缺点为:通过设定物理机资源(如CPU)的静态单阈值进行迁移时机判决,由于只设定高阈值的单一门限,能够解决资源利用率超门限的情况,但对于物理机装载虚拟机不足的情况,无法触发虚拟机迁出而关闭物理机,达不到最优化节能。
当设定静态双阈值时,静态的阈值设置缺乏对负载量变化趋势的反应,容易发生频繁的迁移或者找不到空闲目的物理机而导致虚拟机迁移失败,造成不必要的迁移代价和传输开销。
发明内容
本发明的实施例提供了一种基于动态阈值窗口的虚拟机迁移处理方法,以实现对物理机中的虚拟机进行高效率的迁移管理。
为了实现上述目的,本发明采取了如下技术方案。
一种基于动态阈值窗口的虚拟机迁移处理方法,包括:
将物理机的CPU利用率与设定的阈值窗口TWin范围进行比较,当所述物理机的CPU利用率高于设定的CPU利用率最大阈值,则计算所述物理机所属的数据中心的任务量;
当所述数据中心的任务量大于设定的任务量最大阈值,对所述阈值窗口TWin范围进行调整,根据调整后的阈值窗口TWin范围和设定的虚拟机迁移策略,对所述物理机中的虚拟机进行迁移处理。
进一步地,将物理机的CPU利用率与设定的阈值窗口TWin范围进行比较,当所述物理机的CPU利用率高于设定的CPU利用率最大阈值,则计算所述物理机所属的数据中心的任务量,包括:
预先设定物理机的CPU利用率最大阈值Thigh和CPU利用率最小阈值Tlow,1>Thigh>Tlow>0,阈值窗口TWin的范围为S=[Tlow,Thigh],计算物理机的CPU利用率uj;
当所述物理机的CPU利用率uj∈S,则不迁移所述物理机中的虚拟机;
当所述物理机的CPU利用率uj低于CPU利用率最小阈值Tlow,迁移出所述物理机中的虚拟机;
当所述物理机的CPU利用率uj大于CPU利用率最大阈值Thigh,则通过时间序列预测模型计算所述物理机所属的数据中心的任务量RDC。
进一步地,所述的通过时间序列预测模型计算所述物理机所属的数据中心的任务量RDC,包括:
每间隔设定时间测量出所述数据中心的任务量,保存过去最近n个时刻测量出的所述数据中心的任务量序列,利用n阶自回归模型对第n+1时刻的所述数据中心的任务量Rn+1进行预测计算;
Rn+1=a1R1+a2R2+……+anRn+εn+1
其中aj表示自回归系数,Ri表示i时刻的任务量,εn+1是满足正太分布的噪声。
进一步地,所述的方法还包括:
当所述数据中心的任务量不大于设定的任务量最大阈值,则迁移出所述物理机中的虚拟机。
进一步地,所述的当所述数据中心的任务量RDC大于设定的任务量最大阈值,对所述阈值窗口TWin范围进行调整,包括:
当所述数据中心的任务量RDC大于设定的任务量最大阈值,则调整阈值窗口TWin的大小,设调整幅度为D,Tlow-new=Tlow-D,Thigh-new=Thigh+D,即增大了阈值窗口TWin。
进一步地,所述的根据调整后的阈值窗口TWin范围和设定的虚拟机迁移策略,对所述物理机中的虚拟机进行迁移处理,包括:
判断CPU利用率是否在Tlow-new和Thigh-new组成的TWin范围内,如果是,则不迁移所述物理机中的虚拟机;否则,计算所述数据中心中的虚拟机的迁移失败率Fmig;
判断所述迁移失败率Fmig是否在下降,并且低于设定的迁移失败率阈值,如果是,则对所述物理机中的虚拟机进行迁移处理;否则,继续调整所述阈值窗口TWin的大小,如果调整后的阈值窗口TWin的大小在设定的范围内,则重新执行上述处理过程,否则,对所述物理机中的虚拟机进行迁移处理。
进一步地,所述的计算所述数据中心中的虚拟机的迁移失败率Fmig,包括:
迁移失败率Fmig是指在迁移过程中虚拟机找不到合适目的物理机的数量与总共需要迁移的虚拟机数量的比值,由下式表示:
其中NVfmig表示找不到合适目的物理机的虚拟机的数量,NVmig总共需要迁移的虚拟机的数量。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例通过设置CPU利用率的高低阈值,并能够根据数据中心的任务量情况,自适应地对阈值窗口TWin的大小进行调整,可以动态触发虚拟机的迁移,减少需要迁移的虚拟机数量,降低了迁移失败率,也减少了由于找不到目的物理机而带来的不必要的虚拟机迁移代价,实现了对物理机中的虚拟机进行高效率的迁移管理。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于动态阈值窗口的虚拟机迁移处理方法的处理流程图;
图2为本发明实施例提供的一种数据中心中物理机的超载情况示意图;
图3为本发明实施例提供的一种阈值窗口变化后物理机的超载情况示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
实施例一
本发明提出了一种新的基于阈值滑动窗口机制的虚拟机迁移判决方法iWnd。该方法对于物理机的CPU利用率设置高低两个阈值。当CPU利用率高于高阈值或低于底阈值,则迁出物理机中的虚拟机,用于平衡过热物理机或关闭物理机。同时,迁移决策还能根据整个数据中心的负载量,对高低阈值进行动态调节,当预测的数据中心任务量接近满负荷时,高低阈值窗口调大,避免虚拟机不必要的迁移,从而降低迁移失败率,减少传输代价。当阈值窗口调整之后,当前物理机的CPU利用率仍不在阈值窗口内时,才会触发虚拟机的迁移。
本发明实施例中的与虚拟机迁移时机判决相关的参数定义如下:
定义一:阈值窗口TWin。阈值窗口TWin的大小是指物理机的CPU利用率的最高阈值Thigh与最低阈值Tlow之间构成的范围[Tlow,Thigh]。
本发明实施例主要考虑CPU资源利用率的使用情况来定义阈值,若当前物理机的CPU利用率过高,则会影响物理机的性能,如果CPU利用率过低,会造成资源的浪费。因此,我们设置基于CPU利用率的高低阈值。其中,Thigh和Tlow高低阈值分别指当前物理机的CPU利用率所允许达到的最高和最低值。CPU利用率超过Thigh称之为超载,低于Tlow称之为低载,超载或低载情况下都会引发告警,落在高低阈值窗口TWin内的CPU利用率被认为是属于正常范围。
TWin窗口的大小随着数据中心负载的变化而变化,如果数据中心负载过大,则增大窗口,如果数据中心负载过小,则减小窗口。因此,将TWin窗口称之为滑动窗口。
定义二:数据中心的任务量RDC。用户向数据中心提交任务,申请虚拟机资源。本发明实施例假设一个虚拟机上分配一个任务,因此分配在物理机上的所有虚拟机的总数即为总任务数。为了更有效地描述数据中心的任务量状况,通过下式来衡量数据中心的整体任务量的大小:
NPover为当前超载物理机的总数,NPsum为数据中心中所有物理机的总数。
定义三:迁移失败率Fmig。指在迁移过程中虚拟机找不到合适目的物理机的数量与总共需要迁移的虚拟机数量的比值,由下式表示:
其中NVfmig表示找不到合适目的物理机中的虚拟机的数量,NVmig总共需要迁移的虚拟机的数量。
Fmig的值可以用来判断当前阈值窗口TWin大小是否在设定的范围内,是否需要继续调整TWin。在一段时间内,通过调整TWin,使得Fmig降低,表明当前数据中心的阈值窗口TWin大小合适,否则继续调整TWin。
定义四:迁移代价Mcost。整个数据中心中迁移n台虚拟机的迁移代价定义为:
超出阈值的虚拟机在迁移到其它主机时,会产生迁移代价,本发明实施例用虚拟机内存与所需带宽的比值来计算,计算得到迁移所耗费的时间代价。公式(3)中,RAMi表示虚拟机i所占的内存,BWi表示虚拟机i所占的带宽。
定义五:电源能耗E。对于一个有m台物理机的云数据中心,第j台物理机的静态能耗记为cj(1≤j≤m),该物理机的CPU在t时刻的频率为fj(t),CPU利用率为uj(t),功率(Watt)为ej(t),则第j台物理机在t时刻的电源能耗表示为:
其中k是系数,表示数据中心中单个物理机的动态能耗与CPU的频率的三次方和利用率成正比。
在T时间内,数据中心的总耗能为:
基于上述参数描述,本发明实施例提供的一种基于动态阈值窗口的虚拟机迁移处理方法的处理流程如图1所示,包括如下的处理步骤:
步骤11、首先初始化阈值窗口TWin,即,设定高低阈值Thigh和Tlow。
步骤12、每隔一段时间遍历,检查物理机CPU利用率是否在TWin的窗口范围内。设uj表示当前物理机j上的CPU资源利用率,1>Thigh>Tlow>0,阈值窗口TWin的大小为S=[Tlow,Thigh],当uj∈S不迁移虚拟机,直接转到第20步结束;
当uj不属于S的范围,继续,计算迁移代价Mcost,并执行步骤13。
步骤13、判断CPU利用率是否高于Thigh,若不是,则说明CPU利用率是低于Tlow,我们认为此时的物理机是装载不足的,对于装载不足的物理机,则直接转到第19步迁出物理机内剩余的虚拟机,以关闭物理机;
当物理机CPU利用率大于当前所设置的高阈值Thigh时,我们认为此时的物理机是超载的,则继续,执行步骤14。
步骤14、计算数据中心的任务量RDC,判断任务量RDC是否大于设定的任务量阈值。
RDC的预测模型是通过基于时间序列预测技术的自回归模型AR(n)来预测将来数据中心的任务量。系统隔一定时间(如30s)监测数据中心任务量情况,保存过去最近n个时刻任务量构成的序列。利用n阶自回归模型对下一时间值进行任务量预测计算,第n+1时刻任务量的预测值Rn+1可表示为:
Rn+1=a1R1+a2R2+……+anRn+εn+1 (6)
其中aj表示自回归系数,Ri表示i时刻的任务量,εn+1是满足正太分布的噪声。
如果Rn+1的值不大于任务量阈值,则转到第19步,迁移物理机中的虚拟机
如果Rn+1的值大于所设置的任务量最大值RDC,则认为数据中心中任务量过大,则继续,执行步骤15。
步骤15、在实际应用中,数据中心不断变化的任务量与不合理阈值窗口TWin的设定可能会导致虚拟机迁移的失败,虚拟机迁移失败率过大会造成大量的不必要的迁移消耗和传输代价。基于上述参数定义,本发明实施例考虑对物理机CPU阈值窗口TWin的大小进行动态滑动,以便根据数据中心的任务量情况,自适应地对阈值窗口TWin的大小进行调整,使得最小化迁移消耗、电源消耗。
调整阈值窗口TWin的大小,调整幅度是D,Tlow-new=Tlow-D,Thigh-new=Thigh+D,即增大了阈值窗口TWin。调整完后得到新的阈值窗口TWin范围。D的单位是百分比。例如CPU资源利用率阈值上限定为80%,每次调整幅度D可以是5%,或者3%。
步骤16、判断调整后的窗口大小是否合法,若不合法,则执行步骤19;若合法,则继续,执行步骤17。
步骤17、判断最新的CPU利用率是否在由Tlow-new和Thigh-new组成的新的阈值窗口TWin范围内。若在,直接转到第20步结束;若不在,继续,执行步骤18。
步骤18、按照设定的时间间隔计算虚拟机的迁移失败率Fmig,,并判断迁移失败率Fmig,是否在下降,低于某个设定的迁移失败率阈值,若不是,则返回第15步,继续调整阈值窗口TWin的大小。
若是,则继续,执行步骤19。
步骤19、迁移物理机中的虚拟机。计算此时的迁移代价Mcost。计算整个数据中心的能耗E。
步骤20、结束。
迁移代价Mcost和电源能耗E是用来说明算法效果的,即,是否使用本方法会得到不同的迁移代价和电源能耗值。在实际应用中,可以将步骤12和步骤19中计算出的Mcost相减,可以说明使用本方法后节省的迁移代价。步骤19中算出的能耗值Mcost,则需要和同等条件下不使用本方法的能耗值相比较。
上述方法的算法伪代码表示如下:
输入:虚拟机数量n,物理机数量m,初始化阈值[Tlow,Thigh],RDC上限常量R0,Fmig上限常量F0
输出:迁移或不迁移的方案
(1)for each j from 0to m-1do
(2)if isPMoverload(pm)high_flag=1;/*存在主机超载*/
(3)if isPMUnderloaded(pm)low_flag=1;/*存在主机装载不足*/
(4)End for
(5)if high_flag then
(6){if(RDC>R0)then/*当预测的数据中心任务量RDC很大时,调整窗口大小*/
(7){Tlow=Tlow-D;Thigh=Thigh+D;S=[Tlow,Thigh];
(8)while(Fmig>F0)&&&&(Tlow>=0)&&(Thigh<=1)/*当迁移失败率Fmig很大时,继续调整窗口大小*/
(9){Tlow=Tlow-D;Thigh=Thigh+D;S=[Tlow,Thigh];}
(10)if(Tlow<0||Thigh>1){Tlow=Tlow+D;Thigh=Thigh-D;}/*窗口高低阈值不合法则还原*/
(11)if uj∈S then
(12)setDisableMigrations(true);}/*当物理机负载值在窗口范围内时,不迁移虚拟机*/
(13)vmsTomigrate.add(getVmsToMigrateFromOverloadedPm(pm)}/*迁移超载物理机上的虚拟机*/
(14)if low_flag then
(15)vmsTomigrate.add(getVmsToMigrateFromOverloadedPm(pm)/*迁移装载不足物理机上的虚拟机*/
实施例二
上述本发明实施例方法的一个应用场景示意图如图2、3所示,图2显示了一个数据中心中n台物理机PM1,PM2,PM3,…,PMn中虚拟机的装载情况,CPU利用率的高低阈值窗口范围为40%(0.4)到80%(0.8)。从图2中可以看到,PM3和PMn都出现了虚拟机的超载,按照超出阈值则进行迁移的方法,PM3和PMn中都存在VM需要寻找目的主机进行迁移。而此时,在大部分物理主机都满负载情况下,只有PM1还有接受待迁虚拟机的空间,因此PM3或PMn中的待迁虚拟机必将面临迁移失败。图3中,调整CPU利用率的阈值窗口范围,阈值变化幅度为5%,因此阈值窗口的大小变为35%(0.35)到85%(0.85)。由图3可知窗口大小增大以后,在图2中超载的物理机PM3在图2中由于物理机CPU利用率在窗口范围内,因此,不被认为是超载主机,不做虚拟机的迁移。图2表明在数据中心负载量很大时,通过调整CPU利用率阈值窗口大小,减少需要迁移的虚拟机数量,降低了迁移失败率,也减少了由于找不到目的物理机而带来的不必要的迁移代价。
综上所述,本发明实施例通过设置CPU利用率的高低阈值,并能够根据数据中心的任务量情况,自适应地对阈值窗口TWin的大小进行调整,可以动态触发虚拟机的迁移,减少需要迁移的虚拟机数量,降低了迁移失败率,也减少了由于找不到目的物理机而带来的不必要的虚拟机迁移代价,实现了对物理机中的虚拟机进行高效率的迁移管理。
来自美国能源部的数据表明,数据中心的能耗占全美所有能耗的1.5%,并且对电能的需求仍在以每年12%的速度增长。随着数据中心规模的不断增大,虚拟机发生迁移的可能性增加,虚拟机迁移将产生高能耗。因此,本发明通过设置资源的高低阈值的活动窗口,能够在数据中心接近满负荷任务的情况下,有效减少虚拟机的迁移,间接减少了迁移带来的能耗,实现了有效的节能。本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.一种基于动态阈值窗口的虚拟机迁移处理方法,其特征在于,包括:
将物理机的CPU利用率与设定的阈值窗口TWin范围进行比较,当所述物理机的CPU利用率高于设定的CPU利用率最大阈值,则计算所述物理机所属的数据中心的任务量;
当所述数据中心的任务量大于设定的任务量最大阈值,对所述阈值窗口TWin范围进行调整,根据调整后的阈值窗口TWin范围和设定的虚拟机迁移策略,对所述物理机中的虚拟机进行迁移处理。
2.根据权利要求1所述的基于动态阈值窗口的虚拟机迁移处理方法,其特征在于,将物理机的CPU利用率与设定的阈值窗口TWin范围进行比较,当所述物理机的CPU利用率高于设定的CPU利用率最大阈值,则计算所述物理机所属的数据中心的任务量,包括:
预先设定物理机的CPU利用率最大阈值Thigh和CPU利用率最小阈值Tlow,1>Thigh>Tlow>0,阈值窗口TWin的范围为S=[Tlow,Thigh],计算物理机的CPU利用率uj;
当所述物理机的CPU利用率uj∈S,则不迁移所述物理机中的虚拟机;
当所述物理机的CPU利用率uj低于CPU利用率最小阈值Tlow,迁移出所述物理机中的虚拟机;
当所述物理机的CPU利用率uj大于CPU利用率最大阈值Thigh,则通过时间序列预测模型计算所述物理机所属的数据中心的任务量RDC。
3.根据权利要求2所述的基于动态阈值窗口的虚拟机迁移处理方法,其特征在于,所述的通过时间序列预测模型计算所述物理机所属的数据中心的任务量RDC,包括:
每间隔设定时间测量出所述数据中心的任务量,保存过去最近n个时刻测量出的所述数据中心的任务量序列,利用n阶自回归模型对第n+1时刻的所述数据中心的任务量Rn+1进行预测计算;
Rn+1=a1R1+a2R2+……+anRn+εn+1
其中aj表示自回归系数,Ri表示i时刻的任务量,εn+1是满足正太分布的噪声。
4.根据权利要求1所述的基于动态阈值窗口的虚拟机迁移处理方法,其特征在于,所述的方法还包括:
当所述数据中心的任务量不大于设定的任务量最大阈值,则迁移出所述物理机中的虚拟机。
5.根据权利要求1至4任一项所述的基于动态阈值窗口的虚拟机迁移处理方法,其特征在于,所述的当所述数据中心的任务量RDC大于设定的任务量最大阈值,对所述阈值窗口TWin范围进行调整,包括:
当所述数据中心的任务量RDC大于设定的任务量最大阈值,则调整阈值窗口TWin的大小,设调整幅度为D,Tlow-new=Tlow-D,Thigh-new=Thigh+D,即增大了阈值窗口TWin。
6.根据权利要求5所述的基于动态阈值窗口的虚拟机迁移处理方法,其特征在于,所述的根据调整后的阈值窗口TWin范围和设定的虚拟机迁移策略,对所述物理机中的虚拟机进行迁移处理,包括:
判断CPU利用率是否在Tlow-new和Thigh-new组成的TWin范围内,如果是,则不迁移所述物理机中的虚拟机;否则,计算所述数据中心中的虚拟机的迁移失败率Fmig;
判断所述迁移失败率Fmig是否在下降,并且低于设定的迁移失败率阈值,如果是,则对所述物理机中的虚拟机进行迁移处理;否则,继续调整所述阈值窗口TWin的大小,如果调整后的阈值窗口TWin的大小在设定的范围内,则重新执行上述处理过程,否则,对所述物理机中的虚拟机进行迁移处理。
7.根据权利要求6所述的基于动态阈值窗口的虚拟机迁移处理方法,其特征在于,所述的计算所述数据中心中的虚拟机的迁移失败率Fmig,包括:
迁移失败率Fmig是指在迁移过程中虚拟机找不到合适目的物理机的数量与总共需要迁移的虚拟机数量的比值,由下式表示:
其中NVfmig表示找不到合适目的物理机的虚拟机的数量,NVmig总共需要迁移的虚拟机的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510612684.5A CN105183537B (zh) | 2015-09-23 | 2015-09-23 | 基于动态阈值窗口的虚拟机迁移处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510612684.5A CN105183537B (zh) | 2015-09-23 | 2015-09-23 | 基于动态阈值窗口的虚拟机迁移处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105183537A CN105183537A (zh) | 2015-12-23 |
CN105183537B true CN105183537B (zh) | 2018-07-27 |
Family
ID=54905634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510612684.5A Active CN105183537B (zh) | 2015-09-23 | 2015-09-23 | 基于动态阈值窗口的虚拟机迁移处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105183537B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107943558A (zh) * | 2017-11-21 | 2018-04-20 | 山东科技大学 | 基于霍尔特指数平滑法的状态预测模型生成方法 |
US10616136B2 (en) * | 2018-04-19 | 2020-04-07 | Microsoft Technology Licensing, Llc | Utilization based dynamic resource allocation |
CN110109614B (zh) * | 2019-03-22 | 2022-02-18 | 浙江工商大学 | 面向pram/dram混合内存的基于概率的数据迁移方法 |
CN117193948A (zh) * | 2023-11-07 | 2023-12-08 | 中航金网(北京)电子商务有限公司 | 虚拟机迁移方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488539A (zh) * | 2013-09-23 | 2014-01-01 | 北京交通大学 | 一种基于cpu动态调频技术的数据中心节能方法 |
CN104375621A (zh) * | 2014-11-28 | 2015-02-25 | 广东石油化工学院 | 一种云计算中基于自适应阈值的动态加权负载评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201324357A (zh) * | 2011-12-01 | 2013-06-16 | Univ Tunghai | 虛擬機叢集之綠能管理方法 |
-
2015
- 2015-09-23 CN CN201510612684.5A patent/CN105183537B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488539A (zh) * | 2013-09-23 | 2014-01-01 | 北京交通大学 | 一种基于cpu动态调频技术的数据中心节能方法 |
CN104375621A (zh) * | 2014-11-28 | 2015-02-25 | 广东石油化工学院 | 一种云计算中基于自适应阈值的动态加权负载评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105183537A (zh) | 2015-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qi et al. | A QoS-aware virtual machine scheduling method for energy conservation in cloud-based cyber-physical systems | |
CN103327072B (zh) | 一种集群负载均衡的方法及其系统 | |
Zhu et al. | A three-dimensional virtual resource scheduling method for energy saving in cloud computing | |
Song et al. | Adaptive resource provisioning for the cloud using online bin packing | |
Arshad et al. | Utilizing power consumption and SLA violations using dynamic VM consolidation in cloud data centers | |
Pakbaznia et al. | Temperature-aware dynamic resource provisioning in a power-optimized datacenter | |
Choudhary et al. | A critical analysis of energy efficient virtual machine placement techniques and its optimization in a cloud computing environment | |
CN105183537B (zh) | 基于动态阈值窗口的虚拟机迁移处理方法 | |
US20140229949A1 (en) | Balancing virtual machine loads | |
JP5363646B2 (ja) | 最適化仮想マシンマイグレーション機構 | |
US9116181B2 (en) | Method, apparatus, and system for virtual cluster integration | |
CN108182105B (zh) | 基于Docker容器技术的局部动态迁移方法及控制系统 | |
CN103488539B (zh) | 一种基于cpu动态调频技术的数据中心节能方法 | |
US9588823B2 (en) | Adjustment of execution of tasks | |
CN104834569A (zh) | 一种基于应用类型的集群资源调度方法及系统 | |
US20100332873A1 (en) | Power Supply Engagement and Method Therefor | |
Mazzucco et al. | Balancing electricity bill and performance in server farms with setup costs | |
Mazzucco et al. | Profit-aware server allocation for green internet services | |
Karakoyunlu et al. | Exploiting user metadata for energy-aware node allocation in a cloud storage system | |
Zhang et al. | Dynamic energy-efficient virtual machine placement optimization for virtualized clouds | |
US20220300323A1 (en) | Job Scheduling Method and Job Scheduling Apparatus | |
Li et al. | Dynamic virtual machine consolidation algorithm based on balancing energy consumption and quality of service | |
CN101819459A (zh) | 一种基于异构对象存储系统的功耗控制方法 | |
CN110308991B (zh) | 一种基于随机任务的数据中心节能优化方法及系统 | |
Luo et al. | Communication-aware and energy saving virtual machine allocation algorithm in data center |
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 |