CN106095591A - 一种基于云计算的虚拟机两级优化调度管理平台 - Google Patents

一种基于云计算的虚拟机两级优化调度管理平台 Download PDF

Info

Publication number
CN106095591A
CN106095591A CN201610583227.2A CN201610583227A CN106095591A CN 106095591 A CN106095591 A CN 106095591A CN 201610583227 A CN201610583227 A CN 201610583227A CN 106095591 A CN106095591 A CN 106095591A
Authority
CN
China
Prior art keywords
module
level
virtual machine
cloud computing
resource
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.)
Pending
Application number
CN201610583227.2A
Other languages
English (en)
Inventor
向红先
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.)
Chengdu Yuya Science and Technology Co Ltd
Original Assignee
Chengdu Yuya Science and Technology Co Ltd
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 Chengdu Yuya Science and Technology Co Ltd filed Critical Chengdu Yuya Science and Technology Co Ltd
Priority to CN201610583227.2A priority Critical patent/CN106095591A/zh
Publication of CN106095591A publication Critical patent/CN106095591A/zh
Pending legal-status Critical Current

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
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • 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
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • 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
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/503—Resource availability

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Stored Programmes (AREA)

Abstract

本发明提出了一种基于云计算的虚拟机两级优化调度管理平台，该平台包括云计算平台门户，一级调度模块，二级调度模块，一级调度优化模块，二级调度优化模块，物理资源分配模块。本发明在传统的云计算的两级调度模型的基础上引入一级调度优化模块和二级调度优化模块，两级调度优化模块采用不同的仿生智能算法对一级调度模块和二级调度模块的资源调度分配进行优化，为云端虚拟机负载均衡提供静态与动态的全局最优解，获得最优的调度方案，有效降低虚拟机迁移的资源开销，提高了云计算资源的利用效率，同时提高了用户的服务质量。

Description

一种基于云计算的虚拟机两级优化调度管理平台
技术领域
本发明涉及云计算的技术领域，尤其涉及一种基于云计算的虚拟机两级优化调度管理平台。
背景技术
随着计算机和互联网技术的不断发展，人们对数据的需求越来越大，对数据信息的处理能力要求越来越高，数据的处理也从传统的单机处理到集群处理，而集群处理的数据处理方式就涉及到服务器的利用率问题，如何高效利用集群服务器成为各大供应商亟待解决的问题，虚拟机由此应运而生。而云计算是一种基于互联网的计算模式，按用户需要提供动态易扩展的资源，其具有灵活性、便利性和经济性的优点。在这种基于虚拟机与云计算的协调服务模式下，负载均衡技术的研究引起了国内外众多企业与机构的重视，该技术不但提高了资源利用率，同时提高了用户的服务质量，尽管如此，其仍面临着迫切需要解决的虚拟机调度效率不高和负载均衡策略不完善问题。
发明内容
针对上述问题，本发明提出了一种基于云计算的虚拟机两级优化调度管理平台，该平台包括云计算平台门户，一级调度模块，二级调度模块，一级调度优化模块，二级调度优化模块，物理资源分配模块。
所述云计算平台门户前端与用户的客户端连接，后端与所述一级调度模块连接，所述一级调度模块侧端与所述一级调度优化模块连接，后端与所述二级调度模块连接，所述二级调度模块侧端与所述二级调度优化模块连接，后端与所述物理资源分配模块连接。
所述一级调度优化模块采用遗传算法实现，所述二级调度优化模块采用粒子群优化算法实现。
所述云计算平台门户为所有用户提供客户端，所述用户提交云端任务，所述一级调度模块和所述二级调度模块完成资源的调度与分配，最终由对应的所述物理资源分配模块分配物理资源给所述用户，并返回任务完成的结果。
所述一级调度模块包括资源描述模块和虚拟资源调度模块，所述资源描述模块接收所述云计算平台门户的所述用户的任务，判断任务的类型与规模，并同时将任务的类型与规模信息发送给所述一级调度优化模块和所述虚拟资源调度模块，所述虚拟资源调度模块根据所述一级调度优化模块和所述资源描述模块提供的所述信息综合进行资源调度的预测。
所述二级调度模块包括物理机调度模块和虚拟机规划模块，所述物理机调度模块接收所述资源描述模块的资源调度预测的结果，结合虚拟机资源和物理机资源的使用情况，制定资源的放置与迁移策略，并将所述策略发送给所述二级调度优化模块进行策略优化处理；所述虚拟机规划模块建立与所述物理机调度模块和所述二级调度优化模块的策略信息的映射关系，所述虚拟机规划模块的虚拟机规划器根据映射结果调用所述物理资源分配模块中的物理资源，并返回结果给所述用户。
所述一级调度优化模块采用遗传算法实现，所述遗传算法的实现步骤为：
S1，将所述任务的类型与规模信息进行编码，并随机初始化一定数量的个体形成种群；
S2，计算每个个体的适应度；
S3，选择个体，完成交叉和变异操作，同时将新产生的个体加入种群中；
S4，判断是否满足终止条件；
若满足，则执行 S5；否则，返回S1；
S5，选择适应度最大的的个体，将其作为最优解，并将该最优解作为算法结果进行返回。
所述二级调度优化模块采用粒子群优化算法实现，所述粒子群优化算法在训练阶段得到所述粒子群优化算法的参数，所述粒子群优化参数包括粒子数、粒子长度、最大速度、学习因子和中止条件，并确定粒子群优化算法模型，优化阶段将所述策略输入所述粒子群优化算法模型，并将所述策略优化结果返回给所述虚拟机规划模块。
本发明在传统的云计算的两级调度模型的基础上引入一级调度优化模块和二级调度优化模块，两级调度优化模块采用不同的仿生智能算法对一级调度模块和二级调度模块的资源调度分配进行优化，为云端虚拟机负载均衡提供静态与动态的全局最优解，获得最优的调度方案，有效降低虚拟机迁移的资源开销，提高了云计算资源的利用效率，同时提高了用户的服务质量。
附图说明
图1是本发明实施例中的基于云计算的虚拟机两级优化调度管理平台的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域的技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本发明的保护范围。
图1是本发明实施例中的基于云计算的虚拟机两级优化调度管理平台的结构图。下面结合图1对本发明的实施方式做具体的描述。如图1所示，该基于云计算的虚拟机两级优化调度管理平台包括云计算平台门户，一级调度模块，二级调度模块，一级调度优化模块，二级调度优化模块，物理资源分配模块。
云计算平台门户为用户提供了统一认证和权限控制，不同的用户享有不同的服务，如一般用户提供公有云服务，高级用户提供私有云和公有云服务；同时，云计算平台门户也为管理员提供登陆接口，便于管理员在非服务端提供平台的维护与升级等管理。云计算平台门户兼有前端服务管理的功能，用于监控服务的生命周期，服务流程与服务状态，服务的安全监控。云计算平台门户前端与用户的客户端连接，后端与一级调度模块连接，客户端即为服务交付层，用于提供兼容linux和windows等多种操作系统的用户界面，该用户界面为用户提供多种云端应用的应用接口图标，改善交互效果。一级调度模块侧端与一级调度优化模块连接，后端与二级调度模块连接，二级调度模块侧端与二级调度优化模块连接，后端与物理资源分配模块连接。云计算平台门户为所有用户提供客户端，用户提交云端任务，一级调度模块和二级调度模块完成资源的调度与分配，最终由对应的物理资源分配模块分配物理资源给所述用户，并返回任务完成的结果。一级调度优化模块采用遗传算法实现，二级调度优化模块采用粒子群优化算法实现。
一级调度模块包括资源描述模块和虚拟资源调度模块，资源描述模块接收云计算平台门户的用户的任务，判断任务的类型与规模，并同时将任务的类型与规模信息发送给一级调度优化模块和虚拟资源调度模块，虚拟资源调度模块的主要作用是为用户提交的任务提供相应的虚拟机资源，建立起资源与任务之间的有效映射关系，尤其是在具有多个资源节点时，可以共同分担大量的并发访问请求，并由此减少请求响应的时间，减少任务完成的时间，以达到虚拟机资源的有效使用。该一级调度优化模块为虚拟机的迁移与负载均衡为后续物理资源的分配做出了前期的准备工作，是两级优化的第一个关键步骤。虚拟资源调度模块根据一级调度优化模块和资源描述模块提供的信息综合进行资源调度的预测。一级调度模块同时完成一些辅助功能，如资源申请的分配与审批，废弃资源的回收，生成资源的利用报表等。
二级调度模块包括物理机调度模块和虚拟机规划模块，物理资源调度模块的主要功能是把虚拟资源合理布置到物理机资源上，以达到物理机资源的最优配置。物理机调度模块接收资源描述模块的资源调度预测的结果，结合虚拟机资源和物理机资源的使用情况，制定资源的放置与迁移策略，并述策略发送给二级调度优化模块进行策略优化处理；虚拟机规划模块建立与物理机调度模块和二级调度优化模块的策略信息的映射关系，虚拟机规划模块的虚拟机规划器根据映射结果调用物理资源分配模块中的物理资源，并返回结果给所述用户。二级调度模块还完成驱动管理的功能，如网络驱动，存储驱动，计算驱动等，实现了物理机资源的驱动管理。
一级调度优化模块采用遗传算法实现，遗传算法的实现步骤为：
S1，将所述任务的类型与规模信息进行编码，并随机初始化一定数量的个体形成种群；
S2，计算每个个体的适应度；
S3，选择个体，完成交叉和变异操作，同时将新产生的个体加入种群中；
S4，判断是否满足终止条件；
若满足，则执行 S5；否则，返回S1；
S5，选择适应度最大的的个体，将其作为最优解，并将该最优解作为算法结果进行返回。
二级调度优化模块采用粒子群优化算法实现，粒子群优化算法在训练阶段得到粒子群优化算法的参数，粒子群优化参数包括粒子数、粒子长度、最大速度、学习因子和中止条件，并确定粒子群优化算法模型，优化阶段将策略输入所述粒子群优化算法模型，并将策略优化结果返回给虚拟机规划模块。
本发明在传统的云计算的两级调度模型的基础上引入一级调度优化模块和二级调度优化模块，两级调度优化模块采用不同的仿生智能算法对一级调度模块和二级调度模块的资源调度分配进行优化，为云端虚拟机负载均衡提供静态与动态的全局最优解，获得最优的调度方案，有效降低虚拟机迁移的资源开销，提高了云计算资源的利用效率，同时提高了用户的服务质量。
以上所述，仅为本发明的具体实施方式，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以权利要求的保护范围为准。

Claims (6)

1.一种基于云计算的虚拟机两级优化调度管理平台，其特征在于，包括云计算平台门户，一级调度模块，二级调度模块，一级调度优化模块，二级调度优化模块，物理资源分配模块；
所述云计算平台门户前端与用户的客户端连接，后端与所述一级调度模块连接，所述一级调度模块侧端与所述一级调度优化模块连接，后端与所述二级调度模块连接，所述二级调度模块侧端与所述二级调度优化模块连接，后端与所述物理资源分配模块连接；
所述一级调度优化模块采用遗传算法实现，所述二级调度优化模块采用粒子群优化算法实现。
2.如权利要求1所述的一种基于云计算的虚拟机两级优化调度管理平台，其特征在于，所述云计算平台门户为所有用户提供客户端，所述用户提交云端任务，所述一级调度模块和所述二级调度模块完成资源的调度与分配，最终由对应的所述物理资源分配模块分配物理资源给所述用户，并返回任务完成的结果。
3.如权利要求1所述的一种基于云计算的虚拟机两级优化调度管理平台，其特征在于，所述一级调度模块包括资源描述模块和虚拟资源调度模块，所述资源描述模块接收所述云计算平台门户的所述用户的任务，判断任务的类型与规模，并同时将任务的类型与规模信息发送给所述一级调度优化模块和所述虚拟资源调度模块，所述虚拟资源调度模块根据所述一级调度优化模块和所述资源描述模块提供的所述信息综合进行资源调度的预测。
4.如权利要求1所述的一种基于云计算的虚拟机两级优化调度管理平台，其特征在于，所述二级调度模块包括物理机调度模块和虚拟机规划模块，所述物理机调度模块接收所述资源描述模块的资源调度预测的结果，结合虚拟机资源和物理机资源的使用情况，制定资源的放置与迁移策略，并将所述策略发送给所述二级调度优化模块进行策略优化处理；所述虚拟机规划模块建立与所述物理机调度模块和所述二级调度优化模块的策略信息的映射关系，所述虚拟机规划模块的虚拟机规划器根据映射结果调用所述物理资源分配模块中的物理资源，并返回结果给所述用户。
5.如权利要求1所述的一种基于云计算的虚拟机两级优化调度管理平台，其特征在于，所述遗传算法的实现步骤为：
S1，将所述任务的类型与规模信息进行编码，并随机初始化一定数量的个体形成种群；
S2，计算每个个体的适应度；
S3，选择个体，完成交叉和变异操作，同时将新产生的个体加入种群中；
S4，判断是否满足终止条件；
若满足，则执行 S5；否则，返回S1；
S5，选择适应度最大的的个体，将其作为最优解，并将该最优解作为算法结果进行返回。
6.如权利要求1所述的一种基于云计算的虚拟机两级优化调度管理平台，其特征在于，所述粒子群优化算法在训练阶段得到所述粒子群优化算法的参数，所述粒子群优化参数包括粒子数、粒子长度、最大速度、学习因子和中止条件，并确定粒子群优化算法模型，优化阶段将所述策略输入所述粒子群优化算法模型，并将所述策略优化结果返回给所述虚拟机规划模块。
CN201610583227.2A 2016-07-24 2016-07-24 一种基于云计算的虚拟机两级优化调度管理平台 Pending CN106095591A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610583227.2A CN106095591A (zh) 2016-07-24 2016-07-24 一种基于云计算的虚拟机两级优化调度管理平台

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610583227.2A CN106095591A (zh) 2016-07-24 2016-07-24 一种基于云计算的虚拟机两级优化调度管理平台

Publications (1)

Publication Number Publication Date
CN106095591A true CN106095591A (zh) 2016-11-09

Family

ID=57448824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610583227.2A Pending CN106095591A (zh) 2016-07-24 2016-07-24 一种基于云计算的虚拟机两级优化调度管理平台

Country Status (1)

Country Link
CN (1) CN106095591A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108469983A (zh) * 2018-04-02 2018-08-31 西南交通大学 一种云环境下的基于粒子群算法的虚拟机部署方法
CN110301128A (zh) * 2017-03-02 2019-10-01 华为技术有限公司 基于学习的资源管理数据中心云架构
CN110554923A (zh) * 2019-09-09 2019-12-10 吕春燕 一种用于云计算的分布链式计算资源的优化方法及系统
CN110851272A (zh) * 2019-10-30 2020-02-28 内蒙古农业大学 基于吞噬的粒子群遗传混合算法的云任务调度方法
CN111930469A (zh) * 2020-07-20 2020-11-13 湖北美和易思教育科技有限公司 一种基于云计算的高校大数据竞赛管理系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102780759A (zh) * 2012-06-13 2012-11-14 合肥工业大学 基于调度目标空间的云计算资源调度方法
CN103064730A (zh) * 2012-12-20 2013-04-24 华中科技大学 一种面向云计算环境的两级磁盘调度方法
CN103576829A (zh) * 2012-08-01 2014-02-12 复旦大学 基于混合遗传算法的云计算虚拟机动态调度方法
CN103699446A (zh) * 2013-12-31 2014-04-02 南京信息工程大学 基于量子粒子群优化算法的多目标工作流动态调度方法
CN104065745A (zh) * 2014-07-07 2014-09-24 电子科技大学 云计算动态资源调度系统和方法
CN105740051A (zh) * 2016-01-27 2016-07-06 北京工业大学 基于改进的遗传算法的云计算资源调度实现方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102780759A (zh) * 2012-06-13 2012-11-14 合肥工业大学 基于调度目标空间的云计算资源调度方法
CN103576829A (zh) * 2012-08-01 2014-02-12 复旦大学 基于混合遗传算法的云计算虚拟机动态调度方法
CN103064730A (zh) * 2012-12-20 2013-04-24 华中科技大学 一种面向云计算环境的两级磁盘调度方法
CN103699446A (zh) * 2013-12-31 2014-04-02 南京信息工程大学 基于量子粒子群优化算法的多目标工作流动态调度方法
CN104065745A (zh) * 2014-07-07 2014-09-24 电子科技大学 云计算动态资源调度系统和方法
CN105740051A (zh) * 2016-01-27 2016-07-06 北京工业大学 基于改进的遗传算法的云计算资源调度实现方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HIEN NGUYEN VAN ET AL.: ""SLA-aware Virtual Resource Management for Cloud Infrastructures"", 《IEEE NINTH INTERNATIONAL CONFERENCE ON COMPUTER AND INFORMATION TECHNOLOGY》 *
董威 等: "《粗糙集理论及其数据挖掘应用》", 30 September 2014 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110301128A (zh) * 2017-03-02 2019-10-01 华为技术有限公司 基于学习的资源管理数据中心云架构
CN108469983A (zh) * 2018-04-02 2018-08-31 西南交通大学 一种云环境下的基于粒子群算法的虚拟机部署方法
CN110554923A (zh) * 2019-09-09 2019-12-10 吕春燕 一种用于云计算的分布链式计算资源的优化方法及系统
CN110851272A (zh) * 2019-10-30 2020-02-28 内蒙古农业大学 基于吞噬的粒子群遗传混合算法的云任务调度方法
CN110851272B (zh) * 2019-10-30 2022-02-11 内蒙古农业大学 基于吞噬的粒子群遗传混合算法的云任务调度方法
CN111930469A (zh) * 2020-07-20 2020-11-13 湖北美和易思教育科技有限公司 一种基于云计算的高校大数据竞赛管理系统及方法
CN111930469B (zh) * 2020-07-20 2024-04-09 武汉美和易思数字科技有限公司 一种基于云计算的高校大数据竞赛管理系统及方法

Similar Documents

Publication Publication Date Title
Wang et al. Provision of data-intensive services through energy-and QoS-aware virtual machine placement in national cloud data centers
Shu et al. A novel energy-efficient resource allocation algorithm based on immune clonal optimization for green cloud computing
CN104461740B (zh) 一种跨域集群计算资源聚合和分配的方法
CN106095591A (zh) 一种基于云计算的虚拟机两级优化调度管理平台
Liu et al. Job scheduling model for cloud computing based on multi-objective genetic algorithm
Lu et al. An effective task scheduling algorithm based on dynamic energy management and efficient resource utilization in green cloud computing environment
Zuo et al. A multiqueue interlacing peak scheduling method based on tasks’ classification in cloud computing
Xu et al. Blockchain-based cloudlet management for multimedia workflow in mobile cloud computing
CN104065745A (zh) 云计算动态资源调度系统和方法
Liu et al. A survey on virtual machine scheduling in cloud computing
CN106027318A (zh) 一种基于云计算的虚拟机两级优化调度管理平台
Patni et al. Load balancing strategies for grid computing
CN106161640A (zh) 一种基于云计算的虚拟机两级优化调度管理平台
CN111176784A (zh) 一种基于极限学习机和蚁群系统的虚拟机整合方法
Li et al. TSLAM: a trust-enabled self-learning agent model for service matching in the cloud market
Moghaddam et al. On coordination of smart grid and cooperative cloud providers
CN111242801A (zh) 一种电力系统调控云电网运行分析平台
CN101127700A (zh) 基于网络带宽和用户费用下的网格资源调度方法
CN117493020A (zh) 一种数据网格的计算资源调度实现方法
Wang et al. Gmpr: a two-phase heuristic algorithm for virtual machine placement in large-scale cloud data centers
CN104869154A (zh) 统筹资源可信度与用户满意度的分布式资源调度方法
CN103268261A (zh) 一种适用于大规模高效能计算机的层次式计算资源管理方法
Jiang et al. Network-aware virtual machine migration based on gene aggregation genetic algorithm
CN115086249B (zh) 一种基于深度强化学习的云数据中心资源分配方法
Belgacem et al. New virtual machine placement approach based on the micro genetic algorithm in cloud computing

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20161109

RJ01 Rejection of invention patent application after publication