CN105224389A - 基于线性相关性及分段性装箱理论的虚拟机资源整合方法 - Google Patents

Abstract

本发明公开了一种基于线性相关性及分段性装箱理论的虚拟机资源整合方法，包括动态整合和静态整合两个阶段。第一阶段利用改进的动态整合算法对系统内的初始状态虚拟机进行整合，尽可能地降低整合后虚拟机的资源利用率峰值-均值差；当虚拟机资源利用率平均峰值-均值差低于一个特定预设的阈值时，可以认为虚拟机资源利用率平均峰值-均值差为一个常数值序列，这样在进行第二阶段静态合并过程种不会造成新的附加资源浪费。第二阶段利用静态整合部分选用降序首次适应算法，能为本发明的整合过程提供足够的全局资源优化能力。

Description

基于线性相关性及分段性装箱理论的虚拟机资源整合方法

技术领域

本发明属于云计算技术领域，更为具体地讲，涉及一种基于线性相关性及分段性装箱理论的虚拟机资源整合方法。

背景技术

虚拟机资源整合算法是数据中心虚拟资源管理软件的核心策略。这类虚拟机资源整合算法可以通过检测运行虚拟机中未使用的资源，重新将这些碎片资源回收到虚拟资源池加入整合利用，从而达到资源节约的目的。因此，虚拟机资源整合的效率在很大的程度上决定了数据中心的运行效率。

通常，根据虚拟机资源利用率采样序列的不同，可以将对虚拟机某项资源的整合算法分为静态整合和动态整合两类。静态资源整合算法使用一个静态的数值，即一个定值来表征虚拟机在整个算法运行时间段内的资源利用率。根据系统对资源利用率和QoS性能的不同要求，这个数值可以分别使用虚拟机资源利用均值，峰值或在假设资源利用率分布服从正太分布的情况下使用μ+2δ表征。而动态资源整合算法要求以一定的时间均匀间隔预测生成虚拟机在未来算法运行时间段内的资源利用率序列。因此，动态资源整合算法的资源利用率是一个动态变化的随机序列。

但是这现有的两类算法都具有明显的固有缺陷：静态整合类算法因为使用固定值表征资源利用率，虽然这有利用于减小算法进行全局优化时的复杂度，但无法对资源利用率峰谷时段的碎片资源进行有效利用。而动态整合类算法主要利用线性相关性分析等技术手段搜寻系统内资源利用率峰谷互补性最好的虚拟机进行配对整合，使用这种类型的算法进行的整合可以取得良好的局部资源互补效果。但动态整合类算法的整合过程只受线性相关系数约束而缺乏对全局优化能力的约束和控制能力，在算法的后段可能会因为相关系数的过大和整合中的整数线性规划问题提前中止算法的运行，因此资源整合效率的提升同样有限。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于线性相关性及分段性装箱理论的虚拟机资源整合方法，通过分段式迭代线性相关性整合算法SICC能够提高虚拟机的资源整合效率。

为实现上述发明目的，本发明一种基于线性相关性及分段性装箱理论的虚拟机资源整合方法，其特征在于，包括以下步骤：

(1)、生成各初始状态虚拟机(VM)在未来指定时间段的资源利用率时间序列

(1.1)、定义一个标准VM所具有资源量，将其计为c；

收集各VM在过去指定时间段内t次采样的历史原始资源使用量k＝1,2,…,M，M表示系统中VM的总台数，t＝1,2,…,N，N表示过去指定时间段内采样的总次数；

(1.2)、计算各占标准VM资源量c的百分率，并标记为VM历史状态原始资源利用率；

(1.3)、利用步骤(1.1)中各VM的历史原始资源使用量构成采样序列再检测序列平稳性，并完成拟合模型选定和定阶；

(1.4)、根据所得模型，采用1步递推预测法生成各VM未来指定时间段的资源利用率时间序列

(2)、求得各VM之间的相关系数矩阵Matrix^coeff

(2.1)、使用皮尔逊相关系数公式计算任意VM_i与VM_j之间的相关系数r_ij，i,j∈[1,M]；

$r_{ij}=\frac{\underset{t=1}{\overset{N}{\Σ}}(\stackrel{\→}{S_i^t}-mean(\stackrel{\→}{S_i^t}\left)\right)(\stackrel{\→}{S_j^t}-mean(\stackrel{\→}{S_j^t}\left)\right)}{\sqrt{{(\stackrel{\→}{S_i^t}-mean(\stackrel{\→}{S_i^t}\left)\right)}^2}\sqrt{{(\stackrel{\→}{S_j^t}-mean(\stackrel{\→}{S_j^t}\left)\right)}^2}}$

其中，和分别代表VM_i和VM_j的N位资源利用率序列，和分别代表VM_i和VM_j的N位资源利用率序列的均值；

(2.2)、利用步骤(2.1)中的公式求得M(M-1)/2台VM的有效相关系数值r_ij，再组成一个M×M阶相关系数矩阵Matrix^coeff；

${\mathrm{Matrix}}^{coeff}=\left[\begin{array}{cccccc}{r}_{11}& r_{12}& r_{13}& \mathrm{...}& r_{1(M-1)}& r_{1M}\\ r_{21}& r_{22}& r_{23}& \mathrm{...}& r_{2(M-1)}& r_{2M}\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ r_{(M-1)1}& r_{(M-1)2}& r_{(M-1)3}& \mathrm{...}& r_{(M-1)(M-1)}& r_{(M-1)M}\\ r_{M1}& r_{M2}& r_{M3}& \mathrm{...}& r_{M(M-1)}& r_{MM}\end{array}\right]$

(3)、定义一个动态整合算法ICMA_α

(3.1)、每次从步骤(2.2)描述的相关系数矩阵中寻找出一个不大于α的最小值，标记为r_min；

(3.2)、将步骤(3.1)选出的最小值r_min对应的初始状态虚拟机VM_i和VM_j的N个资源利用率采样点进行合并配对测试；

$\begin{array}{c}Peak=\max ({\stackrel{\→}{S}}_i+{\stackrel{\→}{S}}_j)\\ s.t.\max ({\mathrm{Peak}}_i,{\mathrm{Peak}}_j)\≤Peak\≤{\mathrm{Peak}}_i+{\mathrm{Peak}}_j\end{array}$

其中，将VM_i对应的资源利用率时间序列记为中历史状态原始资源利用率最大值记为Peak_i，将VM_j对应的资源利用率时间序列记为中历史状态原始资源利用率最大值记为Peak_j；

(3.3)、判断Peak值

如果步骤(3.2)中Peak值不大于100％，则令α＝-0.5，且将步骤(3.2)中选出的VM_i和VM_j组合配对，结果简化为如下的关系：

$\begin{array}{c}Peak\≈mean({\stackrel{\→}{S}}_i+{\stackrel{\→}{S}}_j)\\ s.t.r_{\min }\≤-0.5\end{array}$

即：VM_i与VM_j经动态算法整合成动态整合虚拟机DCVM，且DCVM的资源利用率序列为定值的常数序列，并进入步骤(3.4)；

如果步骤(3.2)中Peak值小于或等于100％，，则将该种配对对应的r_ij值改设为无穷大，并再次返回步骤(3.1)；

(3.4)、从步骤(2.2)中描述的相关系数矩阵Matrix^coeff中删除初始状态虚拟机VM_i和VM_j对应的数据项，并使用新生成的DCVM的数据与相关系数矩阵Matrix^coeff中除VM_i和VM_j以外的剩余虚拟机，重新生成新的相关系数矩阵；

(3.5)、重复步骤(3.1)至(3.4)，直至满足退出条件：r_min＞-0.5或M＜2；

(4)、利用SICC算法进行虚拟机资源整合

(4.1)、将各VM的历史状态原始资源利用率求均值mean，再按照均值mean将所有的VM分为三组，即：

(4.2)、将三组VM按照步骤(3)所述的方式分别运行ICMA_α算法，，将整合后的三组DCVM集中在一起后按照步骤(3)所述的方式再次运行ICMA_α算法；

(4.3)、将步骤(4.2)运行后得到的DCVM按照(3.3)中所述的规则，设定静态资源参数后运行降序首次适应算法(FirstFitDecreasing,FFD)进行静态阶段的整合，得到最终整合状态的CVM；

(4.4)、将(4.3)所得的最终状态CVM装填入物理服务器。

本发明的发明目的是这样实现的：

本发明基于线性相关性及分段性装箱理论的虚拟机资源整合方法，包括动态整合和静态整合两个阶段，同时综合了两类算法的优点。第一阶段利用改进的动态整合算法对系统内的初始状态虚拟机(VM)进行整合，尽可能地降低整合后虚拟机(CVM)的资源利用率峰值-均值差。当系统内虚拟机资源利用率平均峰值-均值差低于一个特定预设的阈值时，可以认为系统内任意CVM的资源利用率序列不再是动态的随机序列，而是一个常数值序列。因此，在进行第二阶段静态合并过程前，使用各CVM的峰值资源利用率数值作为静态参数运行静态算法的行为并不会造成新的附加资源浪费。本发明的第二阶段静态整合部分选用降序首次适应(FirstFitDecreasing，FFD)算法。降序首次适应算法是当前综合性能最优的离线Bin-Packing算法，能为本发明的整合过程提供足够的全局资源优化能力。本发明综合以上两个阶段的算法优点，在整合过成中同时具有较强局部和全局优化能力，能提供明显优于现有单一类别整合算法的整合能力。

附图说明

图1是本发明一种基于线性相关性及分段性Bin-Packing理论的虚拟机资源整合工具的流程图；

图2是关于阈值α取值与生成DCVM平均峰值-均值差的关系研究；

图3是SICC第一阶段动态整合完成后DCVM数量与初始状态VM数量对比；

图4是SICC第二阶段完成后各DCVM峰值资源利用率与未进行改进的纯ICMA动态整合算法生成的峰值资源利用率PRU的对比；

图5是100次SICC实验和纯ICMA实验对比。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

为了方便描述，先对具体实施方式中出现的相关专业术语进行说明：

VM(VirtualMachine)：虚拟机；

CVM(ConsolidatedVirtualMachine):已整合虚拟机；

DCVM(DynamicConsolidatedVirtualMachine)：基于动态算法的已整合虚拟机；

SICC(SegmentationIterationCorrelationConsolidation)：分段式迭代线性相关性整合算法；

ICMA(IterativeCorrelationMatchAlgorithm)：迭代相关配对算法。

图1是本发明一种基于线性相关性及分段性装箱理论的虚拟机资源整合方法的流程图。

在本实施例中，如图1所示，本发明一种基于线性相关性及分段性装箱理论的虚拟机资源整合方法，主要包括两大部分：动态虚拟机整合过程和静态虚拟机整合过程。

下面针对两个阶段进行详细说明，具体如下：

S1、虚拟机动态整合阶段

S1.1、获取系统内虚拟机的有效历史资源利用率信息

定义一个标准VM所具有资源量，将其计为c；

收集各VM在过去指定时间段内t次采样的历史原始资源使用量p^t _k，k＝1,2,…,M，M表示系统中VM的总台数，t＝1,2,…,N，N表示过去指定时间段内采样的总次数；

计算各占标准VM资源量c的百分率，并标记为VM历史状态原始资源利用率；

S1.2、检测序列平稳性并完成拟合模型识别、定阶和未来资源利用率序列生成

利用步骤S1.1中各VM中剩余的历史原始资源使用量构成采样序列并用自相关函数法判定采样序列是否平稳。并根据自相关函数和偏自相关函数的截尾性和拖尾性判断采样序列的拟合模型。在本实施例中，拟合模型可以根据情况选择自回归模型AR，滑动平均模型MA，以及自回归滑动平均模型ARMA中的一种。选定模型后使用AIC法进行定阶，进行各VM的未来指定时间段的资源利用率时间序列因为预测误差与预测步数有关，因此模型采用1步递推预测法进行序列预测。

S1.3、求得各VM之间的相关系数矩阵M^coeff

使用皮尔逊相关系数公式计算任意VM_i与VM_j之间的相关系数r_ij，i,j∈[1,M]；

$r_{ij}=\frac{\underset{t=1}{\overset{N}{\Σ}}(\stackrel{\→}{S_i^t}-mean(\stackrel{\→}{S_i^t}\left)\right)(\stackrel{\→}{S_j^t}-mean(\stackrel{\→}{S_j^t}\left)\right)}{\sqrt{{(\stackrel{\→}{S_i^t}-mean(\stackrel{\→}{S_i^t}\left)\right)}^2}\sqrt{{(\stackrel{\→}{S_j^t}-mean(\stackrel{\→}{S_j^t}\left)\right)}^2}}$

其中，和分别代表VM_i和VM_j的N位资源利用率序列，和分别代表VM_i和VM_j的N位资源利用率序列的均值；

再利用上述公式，求得M(M-1)/2台VM的有效相关系数值r_ij，并可组成一个M×M阶相关系数矩阵；

${\mathrm{Matrix}}^{coeff}=\left[\begin{array}{cccccc}{r}_{11}& r_{12}& r_{13}& \mathrm{...}& r_{1(M-1)}& r_{1M}\\ r_{21}& r_{22}& r_{23}& \mathrm{...}& r_{2(M-1)}& r_{2M}\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ r_{(M-1)1}& r_{(M-1)2}& r_{(M-1)3}& \mathrm{...}& r_{(M-1)(M-1)}& r_{(M-1)M}\\ r_{M1}& r_{M2}& r_{M3}& \mathrm{...}& r_{M(M-1)}& r_{MM}\end{array}\right]$

S1.4、定义一个动态整合算法ICMA_α

每次从S1.3描述的相关系数矩阵中寻找出一个不大于α最小值r_min，即资源利用率互补性最好的两个VM对应的r_ij值。将选出的最小值r_min对应的虚拟机VM_i和VM_j的N个资源利用率采样点进行合并配对测试。将VM_i对应的资源利用率时间序列记为最大值记为Peak_i，将VM_j对应的资源利用率时间序列记为最大值记为Peak_j，将N个资源利用率采样点中最大值计为Peak。即配对结果可以表示为：

$\begin{array}{c}Peak=\max ({\stackrel{\→}{S}}_i+{\stackrel{\→}{S}}_j)\\ s.t.\max ({\mathrm{Peak}}_i,{\mathrm{Peak}}_j)\≤Peak\≤{\mathrm{Peak}}_i+{\mathrm{Peak}}_j\end{array}$

如果上式中Peak值不大于100％，则令α＝-0.5。α的选择需要同时满足与SICC算法相关的两个条件，SICC算法的具体流程在S1.5中介绍：

$\left\{\begin{array}{c}40\%Number\_CVM\left(SICC\right)\≤Number\_CVM\left({\mathrm{ICMA}}_{\mathrm{\α}}\right)\≤60\%Number\_CVM\left(SICC\right)\\ differece(Peak-Mean)\≤20\%\end{array}\right.$

其中，Number_CVM(SICC)代表最终整合状态的CVM数量，Number_DCVM(ICMA_α)代表使用SICC算法的动态阶段整合完成后剩余的DCVM数量；代表ICMA_α整合完成后系统内所有DCVM峰值-均值差的平均值。Number_CVM(SICC)过小会造成SICC算法动态整合部分处理的VM过少，而此值过大则会使生成的DCVM平均峰值-均值差超过20％的上限。超过20％的上限意味着生成的DCVM不再适合进行下一步的静态整合，因为这样处理会遗留下很多新的碎片资源。阈值α取值与生成DCVM平均峰值-均值差的关系研究见图2所示。

同时，自上式中选出的VM组合配对结果可以简化为如下的关系：

$\begin{array}{c}Peak\≈mean({\stackrel{\→}{S}}_i+{\stackrel{\→}{S}}_j)\\ s.t.r_{\min }\≤-0.5\end{array}$

则配对整合成的DCVM可以满足第二阶段继续进行静态整合的要求。如果Peak值的测试结果大于100％，则将该种配对对应的r_ij值改设为无穷大，并重新执行S1.4。符合要求的DCVM生成后，从S1.3中描述的相关系数矩阵中删除初始状态虚拟机VM_i和VM_j对应的数据项，并使用符合要求的DCVM的数据代替与系数矩阵中剩余的虚拟机重新生成新的相关系数矩阵。该矩阵的阶数比原矩阵少1。重复S1.4的过程，直至满足退出条件：r_min＞-0.5或M＜2；

S1.5、基于ICMA_α定义SICC算法

该算法在初始状态按照各VM资源利用率均值数据mean将所有的VM分为三组。分别对应于：

在以上所描述的三组VM内分别运行ICMA_α算法。并在将三组运行ICMA_α后的输出DCVM聚集在一起再运行一次ICMA_α。根据上述处理过程得到的DCVM完全满足运行静态算法而不产生额外碎片资源的要求。以上就完成了动态算法部分的所有步骤。

S2、虚拟机静态整合阶段

S2.1、采用FFD算法对S1.5的结果进行算法静态阶段合并

采用离线Bin-Packing中综合效能最好的FFD算法对S1.5处理后的DCVM执行静态合并过程。FFD算法对Bin-Packing过程进行有效的规划，降低了整数规划难题发生的概率，与典型的动态整合算法相比较，增加了算法运行后段虚拟机进行高效整合的次数。

S2.1、装填S2.1生成的最终CVM进入服务器

因为所有最终CVM的可用预留资源上限都是标准虚拟机的资源总量c。并且最终CVM的平均资源利用率达到算法定义的利用率要求限制，接近于c。因此，将所有CVM按照服务器对于标准虚拟机c的容纳数量进行服务器装填。即完成了本发明一种基于线性相关性及分段性Bin-Packing理论的虚拟机资源整合工具的整个运行流程。

实例

将本发明应用于数据中心虚拟机资源整合中。本发明工具通常采用每5分钟一个采样点的频次进行均匀采样，则一台虚拟机的每天资源利用率序列有1440个采样点。本实例中，资源利用率数据拟合模型符合使用ARMA的条件，定阶ARMA(5,3)。因为此部分不属于本发明核心内容，故在本实例中隐去具体实施过程。

本实例中，共有195个符合标准虚拟机容量上限c的初始状态虚拟机VM。令μ_i和δ_i分别代表初始状态虚拟机VM_i的均值和方差。则本实例中所有初始状态虚拟机VM的平均均值和平均方差大致满足以下关系：

$\left\{\begin{array}{c}\stackrel{\‾}{\mathrm{\μ}}=\frac{\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\μ}}_i}{N}=30\%c\\ \stackrel{\‾}{\mathrm{\δ}}=\frac{\sqrt{\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\δ}}_i^2}}{N}=15\%c\end{array}\right.$

此关系准则符合通常情况数据回归统计结果。则本实例中虚拟机资源利用率原始数据矩阵为一个195X1440矩阵。使用此原始数据矩阵生成195X195的相关系数Matrix^coeff矩阵后调用SICC算法，其中α＝-0.5。图3(a)为本实例中SICC第一阶段动态整合完成后DCVM数量，图3(b)为本实例中初始状态VM数量的对比。

图4(a)是本实例中SICC第二阶段完成后各DCVM峰值资源利用率，图4(b)是未进行改进的纯ICMA动态整合算法生成的峰值资源利用率PRU的对比。值得注意的是，此时SICC生成的DCVM峰值-均值差要小于纯ICMA生成峰值差约20％c。因此即使PRU率只相差约10％c，SICC产生的DCVM资源利用率也明显大于纯ICMA产生的效能。

图5是本实例中100次SICC实验和纯ICMA实验在生成CVM数量和需用服务器数量上的对比。可以明显看出，本发明相对于基于相关系数整合的纯动态算法ICMA在剩余CVM指标上有约15％以上的性能提升，在服务器需用量指标上的提升也大于5％。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (4)

1.一种基于线性相关性及分段性装箱理论的虚拟机资源整合方法，其特征在于，包括以下步骤：

(1)、生成各初始状态虚拟机(VM)在未来指定时间段的资源利用率时间序列

(1.1)、定义一个标准VM所具有资源量，将其计为c；

收集各VM在过去指定时间段内t次采样的历史原始资源使用量k＝1,2,…,M，M表示系统中VM的总台数，t＝1,2,…,N，N表示过去指定时间段内采样的总次数；

(1.2)、计算各占标准VM资源量c的百分率，并标记为VM历史状态原始资源利用率；

(1.3)、利用步骤(1.2)中各VM的历史原始资源使用量构成采样序列再检测序列平稳性，并完成拟合模型选定和定阶；

(1.4)、根据所得模型，采用1步递推预测法生成各VM未来指定时间段的资源利用率时间序列

(2)、求得各VM之间的相关系数矩阵Matrix^coeff

(2.1)、使用皮尔逊相关系数公式计算任意VM_i与VM_j之间的相关系数r_ij，i,j∈[1,M]；

其中，和分别代表VM_i和VM_j的N位资源利用率序列，和分别代表VM_i和VM_j的N位资源利用率序列的均值；

(2.2)、利用步骤(2.1)中的公式求得M(M-1)/2台VM的有效效相关系数值r_ij，再组成一个M×M阶相关系数矩阵Matrix^coeff；

(3)、定义一个动态整合算法ICMA_α

(3.1)、每次从步骤(2.2)描述的相关系数矩阵中寻找出一个不大于α的最小值，标记为r_min；

(3.2)、将步骤(3.1)选出的最小值r_min对应的初始状态虚拟机VM_i和VM_j的N个资源利用率采样点进行合并配对测试；

其中，将VM_i对应的资源利用率时间序列记为中历史状态原始资源利用率最大值记为Peak_i，将VM_j对应的资源利用率时间序列记为中历史状态原始资源利用率最大值记为Peak_j；

(3.3)、判断Peak值

如果步骤(3.2)中Peak值不大于100％，则令α＝-0.5，且将步骤(3.2)中选出的VM_i和VM_j组合配对，结果简化为如下的关系：

s.t.r_min≤-0.5

即：VM_i与VM_j经动态算法整合成动态整合虚拟机DCVM，且DCVM的资源利用率序列为定值的常数序列，并进入步骤(3.4)；

如果步骤(3.2)中Peak值小于或等于100％，，则将该种配对对应的r_ij值改设为无穷大，并再次返回步骤(3.1)；

(3.4)、从步骤(2.2)中描述的相关系数矩阵Matrix^coeff中删除初始状态虚拟机VM_i和VM_j对应的数据项，并使用新生成的DCVM的数据与相关系数矩阵Matrix^coeff中除VM_i和VM_j以外的剩余虚拟机，重新生成新的相关系数矩阵；

(3.5)、重复步骤(3.1)至(3.4)，直至满足退出条件：r_min＞-0.5或M＜2；

(4)、利用SICC算法进行虚拟机资源整合

(4.1)、将各VM的历史状态原始资源利用率求均值mean，再按照均值mean将所有的VM分为三组，即：

(4.2)、将三组VM按照步骤(3)所述的方式分别运行ICMA_α算法，，将整合后的三组DCVM集中在一起后按按照步骤(3)所述的方式再次运行ICMA_α算法；

(4.3)、将步骤(4.2)运行后得到的DCVM按照(3.3)中所述的方法进行处理，待处理完成后运行降序首次适应算法(FirstFitDecreasing,FFD)进行静态阶段的整合，得到最终整合状态的CVM；

(4.4)、将(4.3)所得的最终状态CVM装填入物理服务器。

2.根据权利要求1所述的基于线性相关性及分段性装箱理论的虚拟机资源整合方法，其特征在于，所述的步骤(1.3)中，利用自相关函数法判定采样序列的平稳性；利用自相关函数和偏自相关函数的截尾性和拖尾性来选定采样序列的拟合模型，再通过AIC法完成选定的拟合模型的定阶。

3.根据权利要求2所述的基于线性相关性及分段性装箱理论的虚拟机资源整合方法，其特征在于，所述的拟合模型可以为：自回归模型AR或滑动平均模型MA或自回归滑动平均模型ARMA。

4.根据权利要求1所述的基于线性相关性及分段性装箱理论的虚拟机资源整合方法，其特征在于，所述α的选择需要同时满足与SICC算法相关的两个条件，即：

其中，Number_CVM(SICC)代表最终整合状态的CVM数量，Number_DCVM(ICMA_α)代表使用SICC算法的动态阶段整合完成后剩余的DCVM数量；代表ICMA_α整合完成后系统内所有DCVM峰值-均值差的平均值。