CN105607947A - 一种新的云环境虚拟机调度方法 - Google Patents

Abstract

本发明提供了一种新的云环境虚拟机调度算法，可以提高云平台主机资源利用率，维持系统的负载均衡并减少能量消耗。本发明根据虚拟机迁移的特点，分别对待迁移节点的选择、节点中虚拟机的选择以及目的节点的选择三个问题进行研究以及说明，对系统能耗、CPU资源、内存资源、带宽资源进行综合考虑，最后通过概率轮盘来决定最终的选择。本发明可以提高云平台的稳定性，有助于提高工作效率，减少硬件损耗。

Description

一种新的云环境虚拟机调度方法

技术领域

本发明属于计算机技术领域，涉及云环境下虚拟机迁移算法。

背景技术

现今云计算在理论及技术上发展强劲，逐渐成为人们关注的焦点和未来计算模式的发展趋势。随着越来越多的应用服务提供商和中小型企业把应用部署到云平台上，云平台数据中心的数据逐渐增多，需要的服务器也逐渐增多，但是资源利用率不高、能量消耗大以及负载失衡等现象却普遍存在于云数据中心，制约着平台的发展。

发明内容

本发明的目的是提高云平台主机资源利用率，维持系统的负载均衡并减少能量消耗，根据云平台的特点，提出了一种新的虚拟机动态调度算法。

本发明的技术方案为：

云环境下虚拟机动态迁移问题，目的在于平衡系统中各节点的负载，实现资源的动态调度，主要涉及的问题包括以下三个方面：一是虚拟机迁移的处罚机制，即哪个节点需要进行虚拟机迁移；二是源节点中带歉意的虚拟机的选取，及这个节点中需要迁移哪些虚拟机；三是目的节点的选取，即将这些虚拟机迁移到哪些节点上。三者之间的关系可以用图1动态迁移流程图来表示。

第一个问题，一个节点的工作负载可以用节点的CPU使用率和内存使用率计算而得，采用加权因子W＝[w₁，w₂]对两种资源的利用率进行加权计算，具体该节点的负载定义为WorkLoad：

WorkLoad＝w₁C_usage(t)+w₂Mem_usage(t)

C_usage为该节点在时刻t的CPU使用率，Mem_usage为该节点在时刻t的内存使用率，式中w₁+w₂＝1。

用WorkLoad_i表示节点i的负载，B表示系统负载均衡度，系统中有n个节点，则B可以用以下公式求得：

当负载过高时，显然需要对节点内虚拟机进行迁移，而负载过低时，节点几乎处于空闲状态，而基础电能却依然在消耗，故也应该将该节点内虚拟机迁出，从而关闭节点，以达到节约能源的效果。故而我们给出要求，当WorkLoad高于80％或者低于30％的时候触发。

第二个问题，CPU作为核心资源，是虚拟机是否迁移的第一因素，而所占内存决定论迁移时间，故而对于一个虚拟机而言，CPU使用量占该节点CPU总量的百分比为C_i，虚拟机内存使用量占该节点内存总量的百分比为M_i，U_i为CPU使用率和内存使用率的比值，即：

U_i＝C_i/M_i

在选取虚拟机的时，该虚拟机的C_i越大越好，M_i越小越好，即U_i越大越好。

在选取虚拟机前，先将该节点上虚拟机的U_i进行排序，选取U_i最大的虚拟机进行迁移。

第三个问题，目的节点的选取直接影响系统数据中心运行节点的负载均衡情况。

本文中用CPU使用率、内存、网络带宽的三维向量<CPU，Mem，Net>来描述虚拟机和目的节点的资源。

定义迁移虚拟机i对目的节点j的资源需求向量D_ijvm＝(d_ijcpu，d_ijmem，d_ijnet)，计算公式如下：

d_ijcpu＝CPU_{i_need}/(CPU_{j_total}-CPU_{j_use}-CPU_{j_reserve})

d_ijmem＝Mem_{i_need}/(Mem_{j_total}-Mem_{j_use}-Mem_{j_reserve})

d_ijnet＝Net_{i_need}/(Net_{j_total}-Net_{j_use}-Net_{j_reserve})

i_need表示虚拟机i所需的CPU资源、内存资源、带宽资源，j_total表示节点j的CPU资源、内存资源、带宽资源的总量，j_use表示节点j的CPU资源、内存资源、带宽资源已使用量，j_reserve表示节点j的CPU资源、内存资源、带宽资源的预留量。

只有d_ijcpu，d_ijmem，d_ijnet的值均在(0，1)时，才能满足迁移虚拟机对节点的资源需求。

设定权值向量W＝(W₁，W₂，W₃)，对三种资源需求进行加权计算，得到虚拟机i对节点j的需求量S_ij：

S_ij＝D_ijvm*W^T(其中W₁+W₂+W₃＝1)

S_ij在(0，1)内，S_ij越大，将该虚拟机迁移至该节点后，该节点的状态越趋近于达到上限。

这样的迁移，会导致其他虚拟机的S_ij较小而无法找到合适的目的节点，拥有更多资源的节点却无法接收到迁移的虚拟机，无法满足负载均衡。

在此，定义虚拟机i对节点j的匹配度M_ij：

M_ij＝1-S_ij

M_ij也在(0，1)内，M_ij越大，虚拟机i对该节点j的需求越高，虚拟机迁移到该节点的可能性越大，虚拟机i和节点j的匹配度越高。

资源多，性能好的节点能匹配到相对多的虚拟机，此时就容易引起群聚效应，为避免群聚效应的发生，采用概率轮盘来进行目的节点的选择。

定义虚拟机i最终选择目的节点j的概率为P_ij：

$P_{ij}=M_{ij}/\underset{j=1}{\overset{n}{\&Sigma;}}{M}_{ij}$

M_ij为虚拟机i对节点j的匹配度。

共有n个目的节点可以选取。其中，

$\underset{j=1}{\overset{n}{\&Sigma;}}{P}_{ij}=1$

在实现过程中，可以通过一个(0，1)的随机数字来判断所在的区间，实现虚拟机目的节点的选取。

本发明的有益效果是：根据虚拟机迁移的特点，分别对待迁移节点的选择、节点中虚拟机的选择以及目的节点的选择三个问题进行研究以及说明，对系统能耗、CPU资源、内存资源、带宽资源进行综合考虑，最后通过概率轮盘来决定最终的选择。本发明可以提高云平台的稳定性，有助于提高工作效率，减少硬件损耗。

附图说明

本发明有如下附图：

图1动态迁移流程图。

图2节点能耗图。

图3节点负载状态分类图。

图4上线阈值触发迁移模拟图。

图5下线阈值触发迁移模拟图。

图6虚拟机i的选择概率轮盘图。

具体实施方式

参照说明书附图对本发明作以下详细地说明。

该发明包括三部分内容，其一是虚拟机迁移的触发机制，即哪个节点需要进行虚拟机迁移；其二是源节点中待迁移的虚拟机的选取，即这个节点中需要迁移哪些虚拟机；其三是目的节点的选取，即将这些虚拟机迁移到哪些节点上。具体如下：

第一，虚拟机迁移的触发机制：

定义1，能耗(PowerConsumption)。

一般情况下，一个节点的电能消耗绝大部分来自于CPU的使用，与CPU的使用率近似成以下关系：

$P={\&Integral;}_t{\mathrm{kF}}_{max}+C_{usage}(1-k)F_{\max }dt$

P为电能消耗总和，C_usage为节点CPU使用率，F_max为满负载情况下节点的电能消耗，k为空闲情况下节点电能消耗占满负载情况下电能消耗的比例。

由公式可以看出当F_max确定，且k值一定时，该节点的电能消耗P的大小只取决于该节点CPU的利用率C_usage，节点从空闲到满负载的电能消耗与CPU利用率近似成线性关系。

如图2所示。随着CPU利用率升高，节点的能耗增加并不大，但是CPU利用率为0％(即空闲节点)的能耗却很高，所以应在保持节点能正常运行的情况下，尽量提高节点的负载，并且将空闲出来的节点关掉，以此来有效的减少电能消耗。

定义2，工作负载(WorkLoad)。

一个节点的工作负载可以用节点的CPU使用率和内存使用率计算而得，采用加权因子W＝[w₁，w₂]对两种资源的利用率进行加权计算，具体该节点的负载定义为WorkLoad：

WorkLoad＝w₁C_usage(t)+w₂Mem_usage(t)

C_usage为该节点在时刻t的CPU使用率，Mem_usage为该节点在时刻t的内存使用率，式中w₁+w₂＝1。

定义3，负载均衡度(LoadBalance)。

WorkLoad_i表示节点i的负载，B表示系统负载均衡度，系统中有n个节点，则B可以用以下公式求得：

$\stackrel{\&OverBar;}{WorkLoad}=\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{WorkLoad}}_i/n$

$B=\sqrt{\frac{1}{n}\&times;\underset{i=1}{\overset{n}{\&Sigma;}}\left(\right|{\mathrm{WorkLoad}}_i-\stackrel{\&OverBar;}{WorkLoad}\left|\right)}$

B越小，说明各节点间负载差值越小，系统负载越均衡。

定义4，节点负载等级(NodeLoadLevel)：根据节点负载的大小，将各节点负载分为如图3所示四个等级：

根据对节点负载定义，设定双阈值触发机制：基于节点负载的上线阈值触发迁移和下线阈值触发迁移，如图4和图5。

采用双阈值触发主要是基于两方面的考虑，上线阈值的设定主要是为了避免节点负载过高，无法满足用户需求，或者因负载过高导致节点运行出现故障；下线阈值的设定主要是为了尽量减少运行节点的数量，达到节能的效果。

节点的负载信息包括了CPU的利用率、内存的使用率，能更加准确地描述资源的使用情况，单一的CPU利用率或内存利用率无法真实反映资源的使用情况。

实时更新节点负载信息容易出现瞬时低谷或高峰现象，可能节点负载瞬间超出了设定阈值，但是能在短时间内迅速恢复下来。

为了避免因瞬间的振荡而错误地迁移，引入滑动窗口，定义滑动窗口的更新周期为W，W值也表征着窗口大小，是一个连续的时间单元。

在该连续时间单元内，将节点负载值按照固定时间间隔进行采样，采用队列形式组织缓冲池来保存采样数据，当下一个更新周期到来时，当前缓冲区插入到队尾，头缓冲区将作为下一个窗口的接收数据。

对于上线阈值触发，在窗口内，设定一个最大超出次数M_max，当节点负载连续超出阈值的次数小于M_max时，滑动窗口不会触发报警，当节点负载连续超出阈值的次数大于M_max时，滑动窗口发生报警，利用时间序列预测法的AR模型对节点负载的下一个值进行预测，当预测值仍然超出阈值时，触发迁移，否则，不触发迁移。

对于下线阈值触发，在窗口内，同样设定一个最大低于次数N_max，当节点负载连续低于阈值的次数小于N_max时，滑动窗口不会触发报警，当节点负载连续低于阈值的次数大于N_max时，滑动窗口发生告警，利用时间序列预测法的AR模型对节点负载的下一个值进行预测，当预测值仍然低于阈值时，触发迁移，否则，不触发迁移。

第二，源节点中待迁移的虚拟机的选取：

节点满足虚拟机迁移触发条件后，就需要从节点选取虚拟机进行迁移，虚拟机选取只是针对满足上线触发条件的，满足下线触发条件的节点上的虚拟机都要被迁移。

虚拟机的选取策略就是决定从源节点上选取哪些虚拟机进行迁移。在选取虚拟机前，必须确保该虚拟机实例保存在NFS共享存储中，在此基础上才能实现在线迁移。

进行虚拟机的迁移必须要考虑用户服务质量，而用户服务质量主要取决于服务器CPU使用率，尽量选择CPU使用率高的虚拟机进行迁移，剩下的用户才能享用更多的CPU资源，虚拟机CPU使用率是第一个考虑因素。

其次，在选择虚拟机迁移的时候要考虑率迁移成本，迁移成本主要由迁移时间决定。

虚拟机在线迁移过程中，目的节点会根据共享存储里的待迁移虚拟机文件生成一个虚拟机，然后源节点将待迁移虚拟机的内存向目的节点拷贝，同时记录下内存脏页，内存拷贝结束后，开始拷贝内存脏页，直到大部分的内存同步后，暂停待迁移虚拟机，将该虚拟机未同步的内存及CPU状态同步到目的节点上，之后目的节点上的虚拟机开始运行，在迁移过程中虚拟机内存的使用是第二个考虑因素。

定义一个节点上每个虚拟机CPU使用量占该节点CPU总量的百分比为C_i，虚拟机内存使用量占该节点内存总量的百分比为M_i，U_i为CPU使用率和内存使用率的比值，即：

U_i＝C_i/M_i

在选取虚拟机的时，该虚拟机的C_i越大越好，M_i越小越好，即U_i越大越好。

在选取虚拟机前，先将该节点上虚拟机的U_i进行排序，选取U_i最大的虚拟机进行迁移。

第三，目的节点的选取：

在迁移中，目的节点的选取是尤为重要，它直接影响系统数据中心运行节点的负载均衡情况。

如果选取的目的节点不合理，可能导致不必要的迁移，或者二次迁移，从而增加系统运行负担及系统能耗。

经过虚拟机迁移触发以及待迁移虚拟机的选取，将待迁移的虚拟机构成集合V＝(V₁，V₂，...，V_n)，选择第二等级的节点构成资源池C＝(C₁，C₂，...，C_n)，本文中用CPU使用率、内存、网络带宽的三维向量<CPU，Mem，Net>来描述虚拟机和目的节点的资源。

定义迁移虚拟机i对目的节点j的资源需求向量D_ijvm＝(d_ijcpu，d_ijmem，d_ijnet)，计算公式如下：

d_ijcpu＝CPU_{i_need}/(CPU_{j_total}-CPU_{j_use}-CPU_{j_reserve})

d_ijmem＝Mem_{i_need}/(Mem_{j_total}-Mem_{j_use}-Mem_{j_reserve})

d_ijnet＝Net_{i_need}/(Net_{j_total}-Net_{j_use}-Net_{j_reserve})

i_need表示虚拟机i所需的CPU资源、内存资源、带宽资源，j_total表示节点j的CPU资源、内存资源、带宽资源的总量，j_use表示节点j的CPU资源、内存资源、带宽资源已使用量，j_reserve表示节点j的CPU资源、内存资源、带宽资源的预留量。

只有d_ijcpu，d_ijmem，d_ijnet的值均在(0，1)时，才能满足迁移虚拟机对节点的资源需求。如果这三个值有一个大于1，则该节点不能作为该虚拟机的目的节点，将该节点从此虚拟机的迁移目的节点集合中删除，剩余的节点构成该虚拟机迁移的资源池。

根据虚拟机对CPU、内存以及网络带宽的需求比例关系，设定权值向量W＝(W₁，W₂，W₃)，对三种资源需求进行加权计算，得到虚拟机i对节点j的需求量S_ij：

S_ij＝D_ijvm*W^T(其中W₁+W₂+W₃＝1)

S_ij在(0，1)内，S_ij越大，将该虚拟机迁移至该节点后，该节点的状态越趋近于达到上限。

这样的迁移，会导致其他虚拟机的S_ij较小而无法找到合适的目的节点，拥有更多资源的节点却无法接收到迁移的虚拟机，无法满足负载均衡。

在此，定义虚拟机i对节点j的匹配度M_ij：

M_ij＝1-S_ij

M_ij也在(0，1)内，M_ij越大，虚拟机i对该节点j的需求越高，虚拟机迁移到该节点的可能性越大，虚拟机i和节点j的匹配度越高。

资源多，性能好的节点能匹配到相对多的虚拟机，此时就容易引起群聚效应，为避免群聚效应的发生，采用概率轮盘来进行目的节点的选择。

定义虚拟机i最终选择目的节点j的概率为P_ij：

$P_{ij}=M_{ij}/\underset{j=1}{\overset{n}{\&Sigma;}}{M}_{ij}$

M_ij为虚拟机i对节点j的匹配度。

共有n个目的节点可以选取。其中，

$\underset{j=1}{\overset{n}{\&Sigma;}}{P}_{ij}=1$

虚拟机i可以根据选择节点j的概率制定概率轮盘，如图6所示，每个迁移的虚拟机都有一个选择概率轮盘，在实现过程中，可以通过一个(0，1)的随机数字来判断所在的区间，实现虚拟机目的节点的选取。

由图6可知，资源越多、性能越好的节点在轮盘上占用的空间越大，指针最后指向该区域的可能性也就越大，从而该节点被选为目的节点的概率较大。而资源少的节点在轮盘上占用的空间少，被选为目的节点的概率也就小。这样，很大程度上改善了系统负载均衡，也在一定程度上减少了群聚效应的发生。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。上述实施例和说明中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，均应包含在本发明的保护范围之内。

Claims (4)

1.一种新的云环境虚拟机调度方法，其特征在于：

该发明根据虚拟机迁移的特点，分别对虚拟机迁移的触发机制、源节点中待迁移的虚拟机的选取以及目的节点的选择三个问题进行研究以及说明，最后通过概率轮盘来决定最终的选择，提高了云平台的稳定性，有助于提高工作效率，减少硬件损耗。

2.如权利要求1所示的一种新的云环境虚拟机调度方法，其特征在于：虚拟机迁移的触发机制，通过节点在满负载情况下的电能消耗、空闲情况下节点电能消耗占满负载情况下电能消耗的比例等因素得出节点在某一时间内电能消耗曲线图，得出负载过高或过低的节点都应该进行虚拟机迁移的结论。利用CPU使用率、内存使用率及加权因子W得出某一节点的工作负载，以当前节点负载大小决定是否触发虚拟机迁移。

3.如权利要求1所示的一种新的云环境虚拟机调度方法，其特征在于：源节点中待迁移的虚拟机的选取，在待迁移节点内部，以每个虚拟机CPU使用量占该节点CPU总量的百分比为是否迁移的第一考虑因素，CPU使用量占比大者能耗大，优先迁移；以虚拟机内存使用量占该节点内存总量的百分比为次要因素，内存占比小者迁移时间短，优先迁移。

4.如权利要求1所示的一种新的云环境虚拟机调度方法，其特征在于：目的节点的选取，根据CPU使用量、内存、网络带宽三者共同决定，为避免群聚效应，使用概率轮盘来平衡系统负载。

定义虚拟机i最终选择目的节点j的概率为P_ij：

$P_{ij}=M_{ij}/\underset{j=1}{\overset{n}{\&Sigma;}}{M}_{ij}$

共有n个目的节点可以选取。其中，

$\underset{j=1}{\overset{n}{\&Sigma;}}{P}_{ij}=1$

虚拟机i根据选择节点j的概率制定概率轮盘，每个迁移的虚拟机都有一个选择概率轮盘，在实现过程中，可以通过一个(0，1)的随机数字来判断所在的区间，实现虚拟机目的节点的选取。