CN105760213B - 云环境下虚拟机资源利用率的预警系统及方法 - Google Patents

云环境下虚拟机资源利用率的预警系统及方法 Download PDF

Info

Publication number
CN105760213B
CN105760213B CN201610096360.5A CN201610096360A CN105760213B CN 105760213 B CN105760213 B CN 105760213B CN 201610096360 A CN201610096360 A CN 201610096360A CN 105760213 B CN105760213 B CN 105760213B
Authority
CN
China
Prior art keywords
cloud environment
under
virtual machine
resources
utilization rate
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
Application number
CN201610096360.5A
Other languages
English (en)
Other versions
CN105760213A (zh
Inventor
郭军
张斌
孟煜
马安香
印莹
刘宇
莫玉岩
闫永明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North Laboratory Shenyang Co ltd
Original Assignee
Northeastern University China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeastern University China filed Critical Northeastern University China
Priority to CN201610096360.5A priority Critical patent/CN105760213B/zh
Publication of CN105760213A publication Critical patent/CN105760213A/zh
Application granted granted Critical
Publication of CN105760213B publication Critical patent/CN105760213B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Debugging And Monitoring (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

云环境下虚拟机资源利用率的预警系统及方法，属于云环境下虚拟机性能优化领域。系统包括数据获取模块、含有数据预处理模块、间断点判断模块、间断点估测与补充模块、数据预测模块和数据还原模块的数据处理与预测模块和资源利用率预警模块。方法包括：获取云环境下虚拟机资源利用率历史数据；对前述数据进行预处理；云环境下虚拟机资源利用率历史数据时间序列中间断点的估测与补充；通过可变周期的时间序列预测算法预测未来一段时间内的云环境下虚拟机资源利用率数据时间序列；对云环境下虚拟机资源利用率预测数据进行还原处理；云环境下虚拟机资源利用率预警；提高了对未来一段时间内的云环境下虚拟机资源利用率数据进行预测的准确性。

Description

云环境下虚拟机资源利用率的预警系统及方法
技术领域
本发明属于云环境下虚拟机性能优化领域，具体涉及一种云环境下虚拟机资源利用率的预警系统及方法。
背景技术
云计算的基本思想是通过构建大规模的基于集群系统的数据中心，将集群中的资源(例如硬件、开发平台等)以虚拟化的形式向用户提供资源池。这些虚拟资源可以按需进行动态部署和配置，优化资源的利用率。
通常在同一台物理机上部署着多个虚拟机，这些相邻虚拟机为多个应用提供服务。在长期运行过程中，各个虚拟机服务的业务高峰或低谷并不同步，这造成了不同的虚拟机在相同的时间，对内存资源的需求差异较大。这就有可能导致虚拟机内存的不合理分配，有的虚拟机内存过剩，有的虚拟机内存匮乏，降低了内存资源的利用率，使应用不能满足用户的服务质量(QoS)，大大降低用户体验。为了避免这类问题的发生，需要对虚拟机资源利用率时间序列进行预测，通过预测的结果，可对虚拟机资源利用率过高或过低情况进行及时预警。
目前，大部分虚拟机资源利用率的预警系统都是利用当前的虚拟机资源监控数据来进行预警，这种预警系统会因为预警的滞后性而错过资源调整的最佳时机。而基于虚拟机内部探针的虚拟机资源工作集预测的虚拟机资源预警系统虽然能够预测虚拟机资源利用率，但其只能预测即将发生的资源状态，无法对未来一段时间的资源利用率进行预测，由于预警的目的是为了对虚拟机资源进行调优，而调整虚拟机会消耗一段时间，因此这样调控后会错过原预警时间点，时效性不高，容易失去预警的意义。还有一些预警系统采用的是基于虚拟机资源历史数据预测的方式来达到预警的目的，但是在实际应用中，由于云环境下虚拟机及操作系统的自身原因，虚拟机无法监测到所有时间点的资源数据，因此在历史数据中会出现间断点，而这种情况是有普遍性的。如果不对间断点进行处理或处理的不准确，会对预测数据产生极大的影响从而使预警系统做出错误的预警，造成不可挽回的损失。而还有一些虚拟机资源利用率的预测算法需要人工提供历史数据的周期，众所周知，云环境下虚拟机资源利用率虽然在时间上有一定的周期性，但随着时间的推移，虚拟机提供的访问业务特征不断更新，其周期性是不断变化的。因此如果将历史数据的周期人为固定，随着虚拟机的运转其预测数据会日趋不准，因而无法保证在长时间内得到准确的预警信息。
发明内容
针对现有技术存在的不足，本发明提供一种云环境下虚拟机资源利用率的预警系统及方法。
本发明的技术方案：
一种云环境下虚拟机资源利用率的预警系统，所述云环境下虚拟机资源包括云环境下虚拟机内存资源和云环境下虚拟机CPU资源；所述云环境下虚拟机资源利用率包括云环境下虚拟机内存资源利用率和云环境下虚拟机CPU资源利用率；该系统包括：
数据获取模块，通过连接存储虚拟机资源利用率数据的数据库，按照一定的时间间隔从数据库中获取某一历史时间段内云环境下虚拟机资源利用率数据，为数据处理与预测模块提供有效的云环境下虚拟机资源利用率历史数据时间序列；
数据处理与预测模块，通过对数据获取模块提供的云环境下虚拟机资源利用率历史数据进行处理与计算后，预测出未来一段时间内云环境下虚拟机资源利用率数据时间序列，为资源利用率预警模块提供云环境下虚拟机资源利用率预测数据时间序列；
资源利用率预警模块，利用数据处理与预测模块提供的云环境下虚拟机资源利用率预测数据时间序列中的数据与预设的云环境下虚拟机资源利用率阈值进行比较，判断是否满足预警触发条件，若满足预警触发条件，则进行预警，将预警信息提供给用户。
根据所述的云环境下虚拟机资源利用率的预警系统，所述数据处理与预测模块，进一步包括：
数据预处理模块，对数据获取模块提供的云环境下虚拟机资源利用率历史数据依次进行非零化和扩大化预处理，并将预处理后的云环境下虚拟机资源利用率历史数据时间序列发送至间断点判断模块；
间断点判断模块，判断所接收的云环境下虚拟机资源利用率历史数据时间序列中是否存在间断点，如果存在间断点则将该云环境下虚拟机资源利用率历史数据时间序列传送至间断点估测与补充模块，否则将其传送至数据预测模块；
间断点估测与补充模块，利用双支持向量机间断点估测算法估测出间断点判断模块发送来的云环境下虚拟机资源利用率历史数据时间序列中的间断点并将间断点估测值补充到云环境下虚拟机资源利用率历史数据时间序列中，再将补充完整的云环境下虚拟机资源利用率历史数据时间序列发送到数据预测模块；
数据预测模块，利用从间断点判断模块或者间断点估测与补充模块接收的云环境下虚拟机资源利用率历史数据时间序列，通过可变周期的时间序列预测算法预测未来一段时间内的云环境下虚拟机资源利用率数据时间序列，并将云环境下虚拟机资源利用率预测数据时间序列发送至数据还原模块；
数据还原模块，首先将数据预测模块提供的云环境下虚拟机资源利用率预测数据时间序列按照数据预处理模块所进行的扩大化预处理的扩大倍数进行缩小化处理，然后判断云环境下虚拟机资源利用率历史数据时间序列是否经过非零化处理，若是，则按照数据预处理模块的非零化处理的逆过程对缩小化处理后的云环境下虚拟机资源利用率预测数据时间序列进行处理，并将该处理后的云环境下虚拟机资源利用率预测数据时间序列发送至资源利用率预警模块；否则，将缩小化处理后的云环境下虚拟机资源利用率预测数据时间序列直接发送至资源利用率预警模块。
采用所述云环境下虚拟机资源利用率的预警系统的云环境下虚拟机资源利用率的预警方法，其特征在于：包括如下步骤：
步骤1：获取云环境下虚拟机资源利用率历史数据，包括：云环境下虚拟机内存资源利用率历史数据和云环境下虚拟机CPU资源利用率历史数据；
按照时间间隔i从数据库分别获取过去某时间段Th内云环境下虚拟机资源利用率 历史数据时间序列集合H0；其中，所述时间间隔i根据现场虚拟机的运行状况人为来确定； 所述时间段Th是从过去的一个时间点开始到当前时间点的以i为时间间隔的时间点 集，故n为云环境下虚拟机资源利用率数据时间序列中 的数据序号；N为云环境下虚拟机资源利用率历史数据时间序列中的数据总数；所述云环境 下虚拟机资源利用率历史数据时间序列集合H0是一个包含云环境下虚拟机内存资源利用 率历史数据时间序列及云环境下虚拟机CPU资源利用率历史数据时间序列的有 序集合，即其中t代表时间点集中的一点， 代表在t时刻的云环境下虚拟机内存资源利用率；表示在t时刻 的云环境下虚拟机CPU资源利用率；
步骤2：对云环境下虚拟机资源利用率历史数据进行预处理；
步骤2.1：对云环境下虚拟机资源利用率历史数据进行非零化处理；
分别判断云环境下虚拟机内存资源利用率历史数据时间序列和云环境下虚拟机CPU资源利用率历史数据时间序列中是否含有0值，是，则对相应的整个云环境下虚拟机内存资源利用率历史数据时间序列和/或云环境下虚拟机CPU资源利用率历史数据时间序列加常数a；其中a为人为确定的一个整数；
步骤2.2：对云环境下虚拟机资源利用率历史数据进行放大处理；
将经过步骤2.1处理后的云环境下虚拟机资源利用率历史数据扩大b倍；经过预处 理后的云环境下虚拟机资源利用率历史数据时间序列集合H＝{Hmem,HCPU}，其中预处理后的 云环境下虚拟机内存资源利用率历史数据时间序列 xm(t)为预处理后的t时刻的云环境下虚拟机内存资源利用率；预处理后的云环境下虚拟机 CPU资源利用率历史数据时间序列xc(t)为预处 理后的t时刻的云环境下虚拟机CPU资源利用率；
为了叙述简便，将数据预处理后的t时刻云环境下虚拟机资源利用率统一用x(t)表示，其中t∈Th；则xm(t)和xc(t)分别为x(t)数据预处理后的t时刻云环境下虚拟机资源利用率历史数据的两个分量；
步骤3：云环境下虚拟机资源利用率历史数据时间序列中间断点的估测与补充；
步骤3.1：分别判断预处理后的云环境下虚拟机资源利用率历史数据时间序列集合H中Hmem,HCPU是否含有间断点，是，则执行步骤3.2；否，则执行步骤4；所述间断点为时间序列中某一时刻t所对应的数值为空，即
步骤3.2：计算云环境下虚拟机资源利用率历史数据时间序列周期；
步骤3.2.1：分别计算Hmem和HCPU各自的自相关系数ρ(τ)；
步骤3.2.2：分别根据Hmem和HCPU各自的自相关系数ρ(τ)，分别计算Hmem和HCPU的功率谱Sl；
步骤3.2.3：分别根据Hmem和HCPU各自的功率谱Sι分别计算Hmem和HCPU的周期值p；
周期值p为功率谱中的最大值，即p＝[max{Sl}]，其中[]为取整符号；
步骤3.3：利用双支持向量机间断点估测算法分别对Hmem和HCPU中两种不同类型的间断点进行估测与补充；所述两种不同类型的间断点中：第一类间断点为在某间断点所在周期以外的其他周期中的与该间断点相对应的位置上含有非间断点的情况，即如果其中为云环境下虚拟机资源利用率历史数据时间序列中的第c个时间点，云环境下虚拟机资源利用率历史数据时间序列中时间点对应的数据，则在点集中至少含有一个非空点，其中o为整数，为云环境下虚拟机资源利用率历史数据时间序列中的第c+op个时间点，云环境下虚拟机资源利用率历史数据时间序列中时间点对应的数据；第二类间断点为在某间断点所在周期以外的其他周期中与该间断点相对应的位置上的点全为间断点的情况，即如果则在点集Z中所有点都是空值；
步骤3.3.1：对于所述第一类间断点，如果对整个时间序列中的所述点集Z中的所有点进行提取，并将间断点与非间断点分离，以非间断点的数据为自变量，以间断点的数据为因变量，采用基于线性核函数的支持向量机算法估测出整个云环境下虚拟机资源利用率历史数据时间序列的数据变化趋势，进而根据该数据变化趋势得到间断点的估测值并将其补充到整个云环境下虚拟机资源利用率历史数据时间序列上；
步骤3.3.2：对于所述第二类间断点，如果分离所在周期内的间断点和非间断点，以非间断点的数据为自变量，以间断点的数据为因变量，且考虑在一个周期内数据存在非线性关系，采用基于径向基核函数的支持向量机算法估测出该间断点所在周期内的数据变化趋势，进而根据该数据变化趋势得到间断点的估测值并将其补充到整个云环境下虚拟机资源利用率历史数据时间序列上；
步骤4：利用云环境下虚拟机资源利用率历史数据时间序列，通过可变周期的时间序列预测算法预测未来一段时间内的云环境下虚拟机资源利用率数据时间序列；
步骤4.1：按照步骤3.2的方法计算出云环境下虚拟机资源利用率历史数据时间序列周期p；
步骤4.2：利用步骤4.1中得到的周期p对未来一段时间Tf内的云环境下虚拟机资源利用率数据时间序列进行预测；所述未来一段时间Tf，是从当前时间点经过i时间间隔后的时间点开始到未来某一时间点以i为时间间隔的时间点集，故其中L为云环境下虚拟机资源利用率预测数据时间序列中的数据个数；云环境下虚拟机资源利用率预测数据时间序列集合F是一个包含云环境下虚拟机内存资源利用率预测数据时间序列Fmem和云环境下虚拟机CPU资源利用率预测数据时间序列FCPU的有序集合F＝{Fmem,FCPU}；其中Fmem＝{xm(t),t∈Tf}，xm(t)为在t时刻的云环境下虚拟机内存资源利用率预测数据值；FCPU＝{xc(t),t∈Tf}，xc(t)为在t时刻的云环境下虚拟机CPU资源利用率预测数据值；为了叙述简便，将t时刻云环境下虚拟机资源利用率预测数据与预处理后的t时刻云环境下虚拟机资源利用率历史数据统一用x(t)表示，而xm(t)和xc(t)分别为x(t)的两个分量；
步骤4.2.1：利用预处理后的云环境下虚拟机资源利用率历史数据时间序列及周期p构建迭代相乘的三次指数平滑模型；
步骤4.2.2：利用三次指数平滑模型计算时刻的云环境下虚拟机资源利用率预测数据进而计算出Tf时间内所有时间点所对应的云环境下虚拟机资源利用率预测值；
步骤5：对云环境下虚拟机资源利用率预测数据进行还原处理；
步骤5.1：按照步骤2.2中放大处理的放大倍数将云环境下虚拟机资源利用率预测数据缩小，即所有预测数据的数值缩小为原来的
步骤5.2：判断云环境下虚拟机资源利用率历史数据时间序列是否经过加常数a的非零化处理，是，则对步骤5.1中缩小化处理后的云环境下虚拟机资源利用率预测数据时间序列减去常数a；
步骤6：云环境下虚拟机资源利用率预警；
利用云环境下虚拟机资源利用率预测数据时间序列中的数据与预设的云环境下虚拟机资源利用率阈值进行比较，判断是否满足预警触发条件，若预警触发条件中至少一个条件被满足，则进行预警；所述预警触发条件为：
所述预警阈值包括云环境下虚拟机内存资源利用率阈值和云环境下虚拟机CPU资源利用率阈值；其中，q为整数；为在时刻的云环境下虚拟机CPU资源利用率预测数据值；为在时刻的云环境下虚拟机内存资源利用率预测数据值；为云环境下虚拟机内存资源利用率预测数据时间序列的第j个周期第q个时间点；为在时刻的云环境下虚拟机CPU资源利用率预测数据值；为在时刻的云环境下虚拟机内存资源利用率预测数据值；和分别为云环境下虚拟机CPU资源利用率阈值的上限和下限；和分别为云环境下虚拟机内存资源利用率阈值的上限和下限。
根据所述的云环境下虚拟机资源利用率的预警方法，所述步骤2.2中对经过步骤2.1处理后的云环境下虚拟机资源利用率历史数据扩大b倍，其中b的数量级为106。
本发明的有益效果是：本发明的云环境下虚拟机资源利用率的预警系统及方法与现有技术相比较有以下优势：
(1)针对云环境下虚拟机资源利用率数据的特征对云环境下虚拟机资源利用率历史数据进行非零化处理和数值扩大的预处理操作，并相应地对所得到的云环境下虚拟机资源利用率预测数据进行还原处理，提高了预测数据的准确性，避免因三次指数平滑算法的迭代运算导致的云环境下虚拟机资源利用率预测数据精度缺失及运算失效的发生。
(2)在对未来一段时间内的云环境下虚拟机资源利用率数据进行预测之前引入环境下虚拟机资源利用率数据时间序列中的间断点估测机制，利用双支持向量机间断点估测算法将时间序列中的间断点估测出来并将间断点处的空值补充完整，从而保证了云环境下虚拟机资源利用率数据的完整性，使云环境下虚拟机资源利用率数据的变化特征不会因间断点的存在而丢失，从而提高了对未来一段时间内的云环境下虚拟机资源利用率数据进行预测的准确性。
(3)本发明的双支持向量机间断点估测算法，能够根据云环境下虚拟机资源利用率数据中的间断点类型分别利用基于线性核函数的支持向量机算法和基于径向基核函数的支持向量机算法进行估测，能够更为准确的估测出间断点数值。
(4)利用时间序列功率谱分析与三次指数平滑算法结合，通过可变周期的时间序列预测算法预测未来一段时间内的云环境下虚拟机资源利用率数据时间序列，该预测算法只需输入云环境下虚拟机资源利用率历史数据，无需提供周期即能准确预测未来某一时间段之内的云环境下虚拟机资源利用率数据，一方面改进了传统的人为设定周期进行预测的模式另一方面提高了时间序列周期计算的准确性和实时性。
(5)在对云环境下虚拟机资源利用率进行预警时，本发明利用云环境下虚拟机资源利用率预测数据时间序列中的数据与预设的云环境下虚拟机资源利用率阈值的上下限按照不同的方法分别对比的方法，以云环境下虚拟机资源利用率预测数据中最大值超过阈值上限触发预警或者每个周期的云环境下虚拟机资源利用率预测数据平均值低于阈值下限触发预警，从而使预警的触发条件更为准确、合理。
附图说明
图1为本发明一种实施方式的云环境下虚拟机资源利用率的预警系统的结构示意图；
图2为本发明一种实施方式的云环境下虚拟机资源利用率的预警方法流程图；
图3为本发明一种实施方式的云环境下虚拟机内存资源利用率历史数据时间序列折线图；
图4为本发明一种实施方式的云环境下虚拟机CPU资源利用率历史数据时间序列折线图；
图5为对图3的间断点补充后的完整云环境下虚拟机内存资源利用率历史数据时间序列折线图；
图6为对图4的间断点补充后的完整云环境下虚拟机CPU资源利用率历史数据时间序列折线图；
图7为本发明一种实施方式的云环境下虚拟机内存资源利用率预测数据时间序列折线图；
图8为本发明一种实施方式的云环境下虚拟机CPU资源利用率预测数据时间序列折线图；
图9为本发明一种实施方式的云环境下虚拟机内存资源利用率历史数据、预测数据及阈值上下限时间序列折线图；
图10为本发明一种实施方式的云环境下虚拟机CPU资源利用率历史数据、预测数据及阈值上下限时间序列折线图。
具体实施方式
下面结合附图对本发明的一种实施方式作进一步详细的说明。
本实施方式的云环境下虚拟机资源利用率的预警系统中所述的云环境下虚拟机资源包括云环境下虚拟机内存资源和云环境下虚拟机CPU资源；所述云环境下虚拟机资源利用率包括云环境下虚拟机内存资源利用率和云环境下虚拟机CPU资源利用率；所述云环境下虚拟机内存资源利用率是虚拟机在某一时刻的内存利用量与该虚拟机内存总量的比值。所述云环境下虚拟机CPU资源利用率是虚拟机CPU在一段时间内的工作时间与总时间的比值。内存资源利用率与CPU资源利用率都是影响虚拟机运行状态的主要因素。本实施方式的云环境下虚拟机资源利用率的预警系统，如图1所示包括：
数据获取模块，通过连接存储虚拟机资源利用率数据的数据库，按照一定的时间间隔从数据库中获取某一历史时间段内云环境下虚拟机资源利用率数据，为数据处理与预测模块提供有效的虚拟机资源利用率历史数据时间序列；
数据处理与预测模块，通过对数据获取模块提供的云环境下虚拟机资源利用率历史数据进行处理与计算后，预测出未来一段时间内该云环境下虚拟机资源利用率数据时间序列，为资源利用率预警模块提供云环境下虚拟机资源利用率预测数据时间序列；
资源利用率预警模块，利用数据处理与预测模块提供的云环境下虚拟机资源利用率预测数据时间序列中的数据与预设的云环境下虚拟机资源利用率阈值进行比较，判断是否满足预警触发条件，若满足预警触发条件，则进行预警，将预警信息提供给用户。
所述数据处理与预测模块，进一步包括：
数据预处理模块，对数据获取模块提供的云环境下虚拟机资源利用率历史数据依次进行非零化和扩大化预处理，并将处理后的云环境下虚拟机资源利用率历史数据时间序列发送至间断点判断模块；
间断点判断模块，判断所接收的云环境下虚拟机资源利用率历史数据时间序列中是否存在间断点，如果存在间断点则将该云环境下虚拟机资源利用率历史数据时间序列传送至间断点估测与补充模块，否则将其传送至数据预测模块；
间断点估测与补充模块，利用双支持向量机间断点估测算法估测出间断点判断模块发送来的数据中的间断点并将该间断点估测值补充到云环境下虚拟机资源利用率历史数据时间序列中，并将补充完整的云环境下虚拟机资源利用率历史数据时间序列发送到数据预测模块；
数据预测模块，利用从间断点判断模块或者间断点估测与补充模块接收的时间序列，通过可变周期的时间序列预测算法预测未来一段时间内的云环境下虚拟机资源利用率数据时间序列，并将该时间序列发送至数据还原模块；
数据还原模块，首先将数据预测模块提供的云环境下虚拟机资源利用率预测数据时间序列按照数据预处理模块所进行的扩大化预处理的扩大倍数进行缩小化处理，然后判断云环境下虚拟机资源利用率历史数据时间序列是否经过非零化处理，若是，则按照数据预处理模块的非零化处理的逆过程对缩小化处理后的云环境下虚拟机资源利用率预测数据时间序列进行处理，并将该处理后的云环境下虚拟机资源利用率预测数据时间序列发送至资源利用率预警模块；否则，将缩小化处理处理后的云环境下虚拟机资源利用率预测数据时间序列直接发送至资源利用率预警模块。
本实施方式中采用上述云环境下虚拟机资源利用率的预警系统的云环境下虚拟机资源利用率的预警方法，如图2所示，开始于步骤S1，结束于步骤S16。
在步骤S2，获取云环境下虚拟机资源利用率历史数据，包括：云环境下虚拟机内存资源利用率历史数据和云环境下虚拟机CPU资源利用率历史数据。
本实施方式中，按照i＝2小时的时间间隔从数据库分别获取过去Th＝15天内的云环境下虚拟机资源利用率历史数据时间序列集合H0。本实施方式中的Th是从2015年12月1日0时开始到2015年12月15日22时以2小时为时间间隔的时间点集，故其中n为云环境下虚拟机资源利用率数据时间序列中的数据序号。所述云环境下虚拟机资源利用率历史数据时间序列集合H0是一个包含云环境下虚拟机内存资源利用率历史数据时间序列及云环境下虚拟机CPU资源利用率历史数据时间序列的有序集合，即如图3所示为本实施方式的图4所示为本实施方式的其中t为时间点集中的一点，为在t时刻的云环境下虚拟机内存资源利用率； 为在t时刻的云环境下虚拟机CPU资源利用率；
在下面的步骤S3至S4将对云环境下虚拟机资源利用率历史数据进行预处理。
在步骤S3，对云环境下虚拟机资源利用率历史数据进行非零化处理。
分别判断云环境下虚拟机内存资源利用率历史数据和云环境下虚拟机CPU资源利用率历史数据中是否含有0值，是，则对相应的云环境下虚拟机内存资源利用率历史数据和/或云环境下虚拟机CPU资源利用率历史数据的整个时间序列加常数a；其中a为人为确定的一个整数；在本实施方式中，如图3所示的获取到的云环境下虚拟机内存资源利用率历史数据时间序列中没有0值，所以不需要对其进行非零化处理；而如图4所示的获取到的云环境下虚拟机CPU资源利用率历史数据时间序列中包含0值，所以本实施方式对如图4所示的云环境下虚拟机CPU资源利用率历史数据时间序列整体增加常数a进行非零化处理，本实施方式中a为1。
在步骤S4，对云环境下虚拟机资源利用率历史数据进行放大处理；
为了突出云环境下虚拟机资源利用率历史数据时间序列的变化特征，将所有云环 境下虚拟机资源利用率历史数据扩大b倍，经实验验证b的数量级一般为106，本实施方案中 b的值为106。至此，经过预处理后的云环境下虚拟机资源利用率历史数据时间序列集合H＝ {Hmem,HCPU}，其中预处理后的云环境下虚拟机内存资源利用率历史数据时间序列xm(t)为预处理后的t时刻的云环境下虚拟机内存 资源利用率；预处理后的云环境下虚拟机CPU资源利用率历史数据时间序列xc(t)为预处理后的t时刻的云环境下虚拟机 CPU资源利用率；
为了叙述简便，将数据预处理后的t时刻云环境下虚拟机资源利用率统一用x(t)表示，其中t∈Th；则xm(t)和xc(t)分别为x(t)数据预处理后的t时刻云环境下虚拟机资源利用率历史数据的两个分量。
在接下来的步骤S5至步骤S9，将进行云环境下虚拟机资源利用率历史数据间断点估测；
在步骤S5，分别判断预处理后的云环境下虚拟机资源利用率历史数据时间序列集合H中Hmem,HCPU是否含有间断点，是，则执行步骤S6；否，则执行步骤S10；所述间断点为时间序列中某一时刻t所对应的数值为空，即
在步骤S6，分别计算Hmem和HCPU各自的自相关系数ρ(τ)：
其中N为180；τ为时移步长；m为最大时延；为向下取整符号；为云 环境下虚拟机资源利用率历史数据时间序列中的第k个时间点；为云环境下虚拟机资 源利用率历史数据时间序列中时间点对应的数据；为云环境下虚拟机资源利用率历 史数据时间序列中的第k+τ个时间点；云环境下虚拟机资源利用率历史数据时间序 列中时间点对应的数据；为时间序列数据的均值，即
在步骤S7，分别根据Hmem和HCPU各自的自相关系数ρ(τ)，分别计算Hmem和HCPU的功率谱Sl：
其中ρ(0)为设置的自相关系数ρ(τ)的初始值；l为功率谱Sl的波数；为了消除功率谱中的波动，需要对功率谱进行平滑处理，特引入窗函数
在步骤S8，分别根据Hmem和HCPU的功率谱Sι分别计算Hmem和HCPU的周期值p；
周期值p为功率谱中的最大值，即p＝[max{Sl}]，其中[]为取整符号。在本实施方式中，通过分别计算云环境下虚拟机内存资源历史数据时间序列功率谱的最大值并对其取整与云环境下虚拟机CPU资源历史数据时间序列功率谱的最大值并对其取整得到虚云环境下虚拟机内存资源历史数据时间序列的周期pm＝12，云环境下虚拟机CPU资源历史数据时间序列的周期pC＝12。
在步骤S9，利用双支持向量机间断点估测算法分别对Hmem和HCPU中两种不同类型的间断点进行估测与补充；所述两种不同类型的间断点中：第一类间断点为在某间断点所在周期以外的其他周期中的与该间断点相对应的位置上含有非间断点的情况，即如果其中为云环境下虚拟机资源利用率历史数据时间序列中的第c个时间点，云环境下虚拟机资源利用率历史数据时间序列中时间点对应的数据，则在点集中至少含有一个非空点，其中o为整数，为云环境下虚拟机资源利用率历史数据时间序列中的第c+op个时间点，云环境下虚拟机资源利用率历史数据时间序列中时间点对应的数据；第二类间断点为在某间断点所在周期以外的其他周期中与该间断点相对应的位置上的点全为间断点的情况，即如果则在点集Z中所有点都是空值；
对于所述第一类间断点，如果对整个时间序列中的所述点集Z中的所有点进行提取，并将间断点与非间断点分离，以非间断点的数据为自变量，以间断点的数据为因变量，采用基于线性核函数的支持向量机算法估测出整个云环境下虚拟机资源利用率历史数据时间序列的数据变化趋势，进而根据该数据变化趋势得到间断点的估测值并将其补充到整个云环境下虚拟机资源利用率历史数据时间序列上；
对于所述第二类间断点，如果分离所在周期内的间断点和非间断点，以非间断点的数据为自变量，以间断点的数据为因变量，且考虑在一个周期内数据存在非线性关系，采用基于径向基核函数的支持向量机算法估测出该间断点所在周期内的数据变化趋势，进而根据该数据变化趋势得到间断点的估测值并将其补充到整个云环境下虚拟机资源利用率历史数据时间序列上。
图3所示的云环境下虚拟机内存资源历史数据时间序列经过双支持向量机间断点估测算法进行补点后得到如图5所示的完整的云环境下虚拟机内存资源历史数据时间序列。图4所示的云环境下虚拟机CPU资源历史数据时间序列经过双支持向量机间断点估测算法进行补点后得到如图6所示的完整的云环境下虚拟机CPU资源历史数据时间序列。分别对比图3与图5、图4与图6可以看出云环境下虚拟机内存资源历史数据时间序列与云环境下虚拟机CPU资源历史数据时间序列均被补充完整且符合其各自时间序列的周期性变化趋势。
在接下来的步骤S10至步骤S12利用云环境下虚拟机资源利用率历史数据时间序 列，通过可变周期的时间序列预测算法预测未来一段时间Tf内的云环境下虚拟机资源利用 率数据时间序列；所述未来一段时间Tf，是从当前时间点经过i时间间隔后的时间点开 始到未来某一时间点以i为时间间隔的时间点集，故其中L为云环境下虚拟机资源利用率预测数据时间序 列中的数据个数；在本实施方式中，所述未来一段时间Tf，是当前时间点经过i＝2小时时 间间隔后的时间点(即2015年12月16日0时)开始到2015年12月18日22时以2 小时为间隔的时间点集，L＝36。云环境下虚拟机资源利用率预测数据时间序列集合F是一 个包含云环境下虚拟机内存资源利用率预测数据时间序列Fmem和云环境下虚拟机CPU资源 利用率预测数据时间序列FCPU的有序集合F＝{Fmem,FCPU}；其中Fmem＝{xm(t),t∈Tf}，xm(t)为 在t时刻的云环境下虚拟机内存资源利用率预测数据值；FCPU＝{xc(t),t∈Tf}，xc(t)为在t 时刻的云环境下虚拟机CPU资源利用率预测数据值；为了叙述简便，将t时刻云环境下虚拟 机资源利用率预测数据与预处理后的t时刻云环境下虚拟机资源利用率历史数据统一用x (t)表示，而xm(t)和xc(t)分别为x(t)的两个分量；
在步骤S10，按照步骤S6至步骤S8的方法计算云环境下虚拟机资源利用率历史数据时间序列的周期p；在本实施方式中，云环境下虚拟机内存资源历史数据时间序列经过本步骤的第二次周期计算后其周期pm仍为12不变，云环境下虚拟机CPU资源历史数据时间序列经过本步骤的第二次周期计算后其周期pC仍为12不变，这进一步证实了本发明的双支持向量机间断点估测算法的可靠性与准确性。
在步骤S11，利用预处理后的云环境下虚拟机资源利用率历史数据时间序列及周期p构建迭代相乘的三次指数平滑模型，其中一次迭代方程为：
二次迭代方程为：
Rk＝β(Qk-Qk-1)+(1-β)Rk-1
三次迭代方程为：
其中Qk为第k个一次指数平滑系数；Rk为第k个二次指数平滑系数；Uk为第k个三次指数平滑系数；Qk-1为第k-1个一次指数平滑系数；Rk-1为第k-1个二次指数平滑系数；Uk-p为第k-p个三次指数平滑系数；α、β和γ分别为上述三个方程的平滑参数，取值范围均为[0,1]，本是方式中α＝0.015、β＝0.62，γ＝0.4；
在步骤S12，利用三次指数平滑模型计算时刻预测数据进而计算出Tf时间内所有时间点所对应的预测值；
其中为云环境下虚拟机资源利用率预测数据时间序列中的第h个时间点，云环境下虚拟机资源利用率预测数据时间序列中时间点对应的数据；h\p为取余运算；QN为第N个一次指数平滑系数；RN为第N个二次指数平滑系数；UN-p+h\p为云环境下虚拟机资源利用率历史数据时间序列最后一个周期的时间点h\p的三次指数平滑系数；
在步骤S13，按照步骤S4中放大处理的放大倍数将云环境下虚拟机资源利用率预测数据缩小，即所有预测数据的数值缩小为原来的本实施方式中
在步骤S14，判断云环境下虚拟机资源利用率历史数据时间序列是否经过加常数a的非零化处理，是，则对步骤S12中缩小化处理后的云环境下虚拟机资源利用率预测数据时间序列减去常数a。在本实施方式中由于图3所示的云环境下虚拟机内存资源利用率历史数据时间序列没有经过非零化处理，无需做减去常数a的操作；而云环境下虚拟机CPU资源利用率历史数据时间序列接受过非零化处理，因此本实施方式对完整的云环境下虚拟机CPU资源利用率预测数据时间序列进行了减去常数a＝1处理，经过缩小和减去常数a＝1处理后的云环境下虚拟机CPU资源利用率预测数据时间序列如图7所示；经过缩小处理后的云环境下虚拟机内存资源利用率历史数据时间序列如图8所示。
在步骤S15，云环境下虚拟机资源利用率预警；
利用云环境下虚拟机资源利用率预测数据时间序列中的数据与预设的云环境下虚拟机资源利用率阈值进行比较，判断是否满足预警触发条件，若预警触发条件中至少一个条件被满足，则进行预警，将预警信息发送给用户；所述预警触发条件为：
所述预警阈值包括云环境下虚拟机内存资源利用率阈值和云环境下虚拟机CPU资 源利用率阈值；其中，q为整数；为在时刻的云环境下虚拟机CPU资源利用率预测数 据值；为在时刻的云环境下虚拟机内存资源利用率预测数据值；为云环境下 虚拟机内存资源利用率预测数据时间序列的第j个周期第q个时间点；为在时刻 的云环境下虚拟机CPU资源利用率预测数据值；为在时刻的云环境下虚拟机内 存资源利用率预测数据值；和分别为云环境下虚拟机CPU资源利用率阈值的上 限和下限；和分别为云环境下虚拟机内存资源利用率阈值的上限和下限；本实施 方式中其中超越阈值上限被定义为预 测数据时间序列中至少有1个数据超过阈值上限；超越阈值下限被定义为预测数据时间序 列各周期内所有数据的平均值中至少有1个平均值低于阈值下限。
在本实施方案中，云环境下虚拟机内存资源利用率历史数据时间序列、云环境下虚拟机内存资源利用率预测数据时间序列与预设的云环境下虚拟机资源利用率阈值上下限如图9所示；云环境下虚拟机CPU资源利用率历史数据时间序列、云环境下虚拟机CPU资源利用率预测数据时间序列与预设的云环境下虚拟机资源利用率阈值上下限如图10所示。从图9中可以看出云环境下虚拟机内存资源利用率预测数据超过了阈值上限，超过阈值上限的时间点和对应的云环境下虚拟机内存资源利用率预测数据将均被记录下来存入到数据库中。从图10中可以看出云环境下虚拟机CPU资源利用率预测数据也超过了阈值上限，超过阈值上限的时间点和对应的云环境下虚拟机CPU资源利用率预测数据均被记录下来存入到数据库中。当进行预警时，这些记录下来的信息将被作为预警信息的内容发送至用户。

Claims (3)

1.一种云环境下虚拟机资源利用率的预警系统，其特征在于：所述云环境下虚拟机资源包括云环境下虚拟机内存资源和云环境下虚拟机CPU资源；所述云环境下虚拟机资源利用率包括云环境下虚拟机内存资源利用率和云环境下虚拟机CPU资源利用率；该系统包括：
数据获取模块，通过连接存储虚拟机资源利用率数据的数据库，按照一定的时间间隔从数据库中获取某一历史时间段内云环境下虚拟机资源利用率数据，为数据处理与预测模块提供有效的云环境下虚拟机资源利用率历史数据时间序列；
数据处理与预测模块，通过对数据获取模块提供的云环境下虚拟机资源利用率历史数据进行处理与计算后，预测出未来一段时间内云环境下虚拟机资源利用率数据时间序列，为资源利用率预警模块提供云环境下虚拟机资源利用率预测数据时间序列；
资源利用率预警模块，利用数据处理与预测模块提供的云环境下虚拟机资源利用率预测数据时间序列中的数据与预设的云环境下虚拟机资源利用率阈值进行比较，判断是否满足预警触发条件，若满足预警触发条件，则进行预警，将预警信息提供给用户；
所述数据处理与预测模块，进一步包括：
数据预处理模块，对数据获取模块提供的云环境下虚拟机资源利用率历史数据依次进行非零化和扩大化预处理，并将预处理后的云环境下虚拟机资源利用率历史数据时间序列发送至间断点判断模块；
间断点判断模块，判断所接收的云环境下虚拟机资源利用率历史数据时间序列中是否存在间断点，如果存在间断点则将该云环境下虚拟机资源利用率历史数据时间序列传送至间断点估测与补充模块，否则将其传送至数据预测模块；
间断点估测与补充模块，利用双支持向量机间断点估测算法估测出间断点判断模块发送来的云环境下虚拟机资源利用率历史数据时间序列中的间断点并将间断点估测值补充到云环境下虚拟机资源利用率历史数据时间序列中，再将补充完整的云环境下虚拟机资源利用率历史数据时间序列发送到数据预测模块；所述双支持向量机间断点估测算法，是根据预处理后的云环境下虚拟机资源利用率历史数据时间序列中两种类型的间断点的特点，对这两种类型的间断点分别利用两种类型的支持向量机对间断进行估测，第一类间断点为在某间断点所在周期以外的其他周期中的与该间断点相对应的位置上含有非间断点的情况，其估测采用基于线性核函数的支持向量机算法，第二类间断点为在某间断点所在周期以外的其他周期中与该间断点相对应的位置上的点全为间断点的情况，其估测采用基于径向基核函数的支持向量机算法；
数据预测模块，利用从间断点判断模块或者间断点估测与补充模块接收的云环境下虚拟机资源利用率历史数据时间序列，通过可变周期的时间序列预测算法预测未来一段时间内的云环境下虚拟机资源利用率数据时间序列，并将云环境下虚拟机资源利用率预测数据时间序列发送至数据还原模块；所述可变周期的时间序列预测算法，是针对不同周期的时间序列进行自动的周期计算及预测的算法；具体为：计算出云环境下虚拟机资源利用率历史数据时间序列周期p；利用预处理后的云环境下虚拟机资源利用率历史数据时间序列及周期p构建迭代相乘的三次指数平滑模型；利用三次指数平滑模型计算未来某一时刻的云环境下虚拟机资源利用率预测数据，进而计算出未来一段时间内所有时间点所对应的云环境下虚拟机资源利用率预测值；
数据还原模块，首先将数据预测模块提供的云环境下虚拟机资源利用率预测数据时间序列按照数据预处理模块所进行的扩大化预处理的扩大倍数进行缩小化处理，然后判断云环境下虚拟机资源利用率历史数据时间序列是否经过非零化处理，若是，则按照数据预处理模块的非零化处理的逆过程对缩小化处理后的云环境下虚拟机资源利用率预测数据时间序列进行处理，并将该处理后的云环境下虚拟机资源利用率预测数据时间序列发送至资源利用率预警模块；否则，将缩小化处理后的云环境下虚拟机资源利用率预测数据时间序列直接发送至资源利用率预警模块。
2.一种云环境下虚拟机资源利用率的预警方法，采用权利要求1所述的云环境下虚拟机资源利用率的预警系统实现，其特征在于：包括如下步骤：
步骤1：获取云环境下虚拟机资源利用率历史数据，包括：云环境下虚拟机内存资源利用率历史数据和云环境下虚拟机CPU资源利用率历史数据；
按照时间间隔i从数据库分别获取过去某时间段Th内云环境下虚拟机资源利用率历史数据时间序列集合H0；其中，所述时间间隔i根据现场虚拟机的运行状况人为来确定；所述时间段Th是从过去的一个时间点开始到当前时间点的以i为时间间隔的时间点集，故n为云环境下虚拟机资源利用率数据时间序列中的数据序号；N为云环境下虚拟机资源利用率历史数据时间序列中的数据总数；所述云环境下虚拟机资源利用率历史数据时间序列集合H0是一个包含云环境下虚拟机内存资源利用率历史数据时间序列及云环境下虚拟机CPU资源利用率历史数据时间序列的有序集合，即其中t代表时间点集中的一点，代表在t时刻的云环境下虚拟机内存资源利用率； 表示在t时刻的云环境下虚拟机CPU资源利用率；
步骤2：对云环境下虚拟机资源利用率历史数据进行预处理；
步骤2.1：对云环境下虚拟机资源利用率历史数据进行非零化处理；
分别判断云环境下虚拟机内存资源利用率历史数据时间序列和云环境下虚拟机CPU资源利用率历史数据时间序列中是否含有0值，是，则对相应的整个云环境下虚拟机内存资源利用率历史数据时间序列和/或云环境下虚拟机CPU资源利用率历史数据时间序列加常数a；其中a为人为确定的一个整数；
步骤2.2：对云环境下虚拟机资源利用率历史数据进行放大处理；
将经过步骤2.1处理后的云环境下虚拟机资源利用率历史数据扩大b倍；经过预处理后的云环境下虚拟机资源利用率历史数据时间序列集合H＝{Hmem，HCPU}，其中预处理后的云环境下虚拟机内存资源利用率历史数据时间序列xm(t)为预处理后的t时刻的云环境下虚拟机内存资源利用率；预处理后的云环境下虚拟机CPU资源利用率历史数据时间序列xc(t)为预处理后的t时刻的云环境下虚拟机CPU资源利用率；
为了叙述简便，将数据预处理后的t时刻云环境下虚拟机资源利用率统一用x(t)表示，其中t∈Th；则xm(t)和xc(t)分别为x(t)数据预处理后的t时刻云环境下虚拟机资源利用率历史数据的两个分量；
步骤3：云环境下虚拟机资源利用率历史数据时间序列中间断点的估测与补充；
步骤3.1：分别判断预处理后的云环境下虚拟机资源利用率历史数据时间序列集合H中Hmem，HCPU是否含有间断点，是，则执行步骤3.2；否，则执行步骤4；所述间断点为时间序列中某一时刻t所对应的数值为空，即
步骡3.2：计算云环境下虚拟机资源利用率历史数据时间序列周期；
步骤3.2.1：分别计算Hmem和HCPU各自的自相关系数ρ(τ)；
步骤3.2.2：分别根据Hmem和HCPU各自的自相关系数ρ(τ)，分别计算Hmem和HCPU的功率谱Sl；
步骤3.2.3：分别根据Hmem和HCPU各自的功率谱Sι分别计算Hmem和HCPU的周期值p；
周期值p为功率谱中的最大值，即p＝[max{Sl}]，其中[]为取整符号；
步骤3.3：利用双支持向量机间断点估测算法分别对Hmem和HCPU中两种不同类型的间断点进行估测与补充；所述两种不同类型的间断点中：第一类间断点为在某间断点所在周期以外的其他周期中的与该间断点相对应的位置上含有非间断点的情况，即如果其中为云环境下虚拟机资源利用率历史数据时间序列中的第c个时间点，云环境下虚拟机资源利用率历史数据时间序列中时间点对应的数据，则在点集中至少含有一个非空点，其中o为整数，为云环境下虚拟机资源利用率历史数据时间序列中的第c+op个时间点，云环境下虚拟机资源利用率历史数据时间序列中时间点对应的数据；第二类间断点为在某间断点所在周期以外的其他周期中与该间断点相对应的位置上的点全为间断点的情况，即如果则在点集Z中所有点都是空值；
步骤3.3.1：对于所述第一类间断点，如果对整个时间序列中的所述点集Z中的所有点进行提取，并将间断点与非间断点分离，以非间断点的数据为自变量，以间断点的数据为因变量，采用基于线性核函数的支持向量机算法估测出整个云环境下虚拟机资源利用率历史数据时间序列的数据变化趋势，进而根据该数据变化趋势得到间断点的估测值并将其补充到整个云环境下虚拟机资源利用率历史数据时间序列上；
步骤3.3.2：对于所述第二类间断点，如果分离所在周期内的间断点和非间断点，以非间断点的数据为自变量，以间断点的数据为因变量，且考虑在一个周期内数据存在非线性关系，采用基于径向基核函数的支持向量机算法估测出该间断点所在周期内的数据变化趋势，进而根据该数据变化趋势得到间断点的估测值并将其补充到整个云环境下虚拟机资源利用率历史数据时间序列上；
步骤4：利用云环境下虚拟机资源利用率历史数据时间序列，通过可变周期的时间序列预测算法预测未来一段时间内的云环境下虚拟机资源利用率数据时间序列；
步骤4.1：按照步骤3.2的方法计算出云环境下虚拟机资源利用率历史数据时间序列周期p；
步骤4.2：利用步骤4.1中得到的周期p对未来一段时间Tf内的云环境下虚拟机资源利用率数据时间序列进行预测；所述未来一段时间Tf，是从当前时间点经过i时间间隔后的时间点开始到未来某一时间点以i为时间间隔的时间点集，故其中L为云环境下虚拟机资源利用率预测数据时间序列中的数据个数；云环境下虚拟机资源利用率预测数据时间序列集合F是一个包含云环境下虚拟机内存资源利用率预测数据时间序列Fmem和云环境下虚拟机CPU资源利用率预测数据时间序列FCPU的有序集合F＝{Fmem，FCPU}；其中Fmem＝{xm(t)，t∈Tf}，xm(t)为在t时刻的云环境下虚拟机内存资源利用率预测数据值；FCPU＝{xc(t)，t∈Tf}，xc(t)为在t时刻的云环境下虚拟机CPU资源利用率预测数据值；为了叙述简便，将t时刻云环境下虚拟机资源利用率预测数据与预处理后的t时刻云环境下虚拟机资源利用率历史数据统一用x(t)表示，而xm(t)和xc(t)分别为x(t)的两个分量；
步骤4.2.1：利用预处理后的云环境下虚拟机资源利用率历史数据时间序列及周期p构建迭代相乘的三次指数平滑模型；
步骤4.2.2：利用三次指数平滑模型计算时刻的云环境下虚拟机资源利用率预测数据进而计算出Tf时间内所有时间点所对应的云环境下虚拟机资源利用率预测值；
步骤5：对云环境下虚拟机资源利用率预测数据进行还原处理；
步骤5.1：按照步骤2.2中放大处理的放大倍数将云环境下虚拟机资源利用率预测数据缩小，即所有预测数据的数值缩小为原来的
步骤5.2：判断云环境下虚拟机资源利用率历史数据时间序列是否经过加常数a的非零化处理，是，则对步骤5.1中缩小化处理后的云环境下虚拟机资源利用率预测数据时间序列减去常数a；
步骤6：云环境下虚拟机资源利用率预警；
利用云环境下虚拟机资源利用率预测数据时间序列中的数据与预设的云环境下虚拟机资源利用率阈值进行比较，判断是否满足预警触发条件，若预警触发条件中至少一个条件被满足，则进行预警；所述预警触发条件为：
(1)
(2)
(3)
(4)
所述预警阈值包括云环境下虚拟机内存资源利用率阈值和云环境下虚拟机CPU资源利用率阈值；其中，Q为整数；为在时刻的云环境下虚拟机CPU资源利用率预测数据值；为在时刻的云环境下虚拟机内存资源利用率预测数据值；为云环境下虚拟机内存资源利用率预测数据时间序列的第j个周期第Q个时间点；为在时刻的云环境下虚拟机CPU资源利用率预测数据值；为在时刻的云环境下虚拟机内存资源利用率预测数据值；和分别为云环境下虚拟机CPU资源利用率阈值的上限和下限；和分别为云环境下虚拟机内存资源利用率阈值的上限和下限。
3.根据权利要求2所述的云环境下虚拟机资源利用率的预警方法，其特征在于：所述步骤2.2中对经过步骤2.1处理后的云环境下虚拟机资源利用率历史数据扩大b倍，其中b的数量级为106。
CN201610096360.5A 2016-02-22 2016-02-22 云环境下虚拟机资源利用率的预警系统及方法 Active CN105760213B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610096360.5A CN105760213B (zh) 2016-02-22 2016-02-22 云环境下虚拟机资源利用率的预警系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610096360.5A CN105760213B (zh) 2016-02-22 2016-02-22 云环境下虚拟机资源利用率的预警系统及方法

Publications (2)

Publication Number Publication Date
CN105760213A CN105760213A (zh) 2016-07-13
CN105760213B true CN105760213B (zh) 2019-03-01

Family

ID=56330969

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610096360.5A Active CN105760213B (zh) 2016-02-22 2016-02-22 云环境下虚拟机资源利用率的预警系统及方法

Country Status (1)

Country Link
CN (1) CN105760213B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10034407B2 (en) * 2016-07-22 2018-07-24 Intel Corporation Storage sled for a data center
CN108804198A (zh) * 2017-04-26 2018-11-13 北京邮电大学 一种基于利用率变化趋势预测的虚拟机迁移时机确定方法
CN109936465A (zh) * 2017-12-15 2019-06-25 中国移动通信集团浙江有限公司 一种云平台资源利用率评估方法及装置
US10795711B2 (en) * 2018-01-10 2020-10-06 Vmware, Inc. Predictive allocation of virtual desktop infrastructure computing resources
CN109062764A (zh) * 2018-08-01 2018-12-21 郑州云海信息技术有限公司 监控数据的输出方法和装置
CN110333991B (zh) * 2019-05-30 2022-11-25 武汉科技大学 云平台任务最大资源使用率预测方法
CN111079981A (zh) * 2019-11-25 2020-04-28 南京群顶科技有限公司 一种基于业务资源冗余量预测的节能减排方法
CN111538597B (zh) * 2020-04-27 2024-02-27 贝壳技术有限公司 资源配置方法、装置、计算机可读存储介质及电子设备
CN113723923B (zh) * 2021-08-30 2024-03-12 上海华力微电子有限公司 机台联动性的监控方法及监控系统
CN118227270B (zh) * 2024-05-22 2024-08-09 苏州元脑智能科技有限公司 一种虚拟机内存调整方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101593133A (zh) * 2009-06-29 2009-12-02 北京航空航天大学 虚拟机资源负载均衡方法及装置
CN103401699A (zh) * 2013-07-18 2013-11-20 深圳先进技术研究院 一种云数据中心安全监控预警系统及方法
CN104283946A (zh) * 2014-09-26 2015-01-14 东北大学 一种单物理机下多虚拟机的资源自适应调整系统及方法
CN105279023A (zh) * 2015-11-27 2016-01-27 浪潮(北京)电子信息产业有限公司 一种虚拟机迁移方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101593133A (zh) * 2009-06-29 2009-12-02 北京航空航天大学 虚拟机资源负载均衡方法及装置
CN103401699A (zh) * 2013-07-18 2013-11-20 深圳先进技术研究院 一种云数据中心安全监控预警系统及方法
CN104283946A (zh) * 2014-09-26 2015-01-14 东北大学 一种单物理机下多虚拟机的资源自适应调整系统及方法
CN105279023A (zh) * 2015-11-27 2016-01-27 浪潮(北京)电子信息产业有限公司 一种虚拟机迁移方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种云计算资源自适应预警方法研究;胡华伟等;《通信与信息技术》;20150725(第4期);第60-62页
云资源状态变化趋势预测研究进展;洪斌等;《计算机应用研究》;20151215;第32卷(第12期);第3528-3533页

Also Published As

Publication number Publication date
CN105760213A (zh) 2016-07-13

Similar Documents

Publication Publication Date Title
CN105760213B (zh) 云环境下虚拟机资源利用率的预警系统及方法
CN108846517B (zh) 一种分位数概率性短期电力负荷预测集成方法
CN106549772A (zh) 资源预测方法、系统和容量管理装置
CN104765642B (zh) 云环境下基于动态预测模型的虚拟机部署方法及系统
CN109948036A (zh) 一种分词词项权重的计算方法和装置
CN110334879A (zh) 电网母线无功负荷预测方法及装置
CN104217091A (zh) 一种基于历史走势权重的网站访问量预测方法
CN104010029B (zh) 基于横向纵向信息集成的分布式计算环境性能预测方法
CN107015900B (zh) 一种视频网站的服务性能预测方法
CN116307215A (zh) 一种电力系统的负荷预测方法、装置、设备及存储介质
KR101307724B1 (ko) 스마트 그리드를 위한 시계열과 퍼지 기반의 단기 전력부하 예측 장치 및 방법
CN104993966B (zh) 一种电力综合业务网流量预测方法
CN116645132A (zh) 基于多因子变量的时序预测方法、装置、电子设备及介质
CN113988358A (zh) 基于迁移强化学习的碳排放指数预测与治理方法
CN109103881A (zh) 适用于多场景的电力负荷预测方法
CN103886391B (zh) 业务量预测方法和装置
CN106779147B (zh) 一种基于自适应层次时间序列聚类的用电负荷预测方法
CN109447336B (zh) 一种上游水库与其反调节水库坝间水位优化控制方法
CN102130955B (zh) 基于协同过滤的组合服务备选服务集生成系统及方法
CN110535894A (zh) 一种基于负载反馈的容器资源动态分配方法及其系统
CN117056420A (zh) 基于增量分块同步的计量数据高可用流通方法及系统
CN109816165A (zh) 风电超短期功率预测方法及系统
CN114091782B (zh) 中长期电力负荷预测方法
CN115664924A (zh) 面向社会资产参与电网互动的内生安全感知资源管理方法
CN115940202A (zh) 基于人工智能的多逆变器功率分配控制方法、装置及设备

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
TR01 Transfer of patent right

Effective date of registration: 20211108

Address after: 110180 No.02, 21st floor, No.6-1, Sanyi street, Hunnan New District, Shenyang City, Liaoning Province

Patentee after: North Laboratory (Shenyang) Co.,Ltd.

Address before: 110819 No. 3 lane, Heping Road, Heping District, Shenyang, Liaoning 11

Patentee before: Northeastern University