CN106598733A - 一种云计算能耗关键的三维度虚拟资源调度方法 - Google Patents

Abstract

本发明公开了一种云计算能耗关键的三维度虚拟资源调度方法。包括以下步骤：步骤1，进行虚拟资源分配；步骤2，进行超载主机检测，采用多维度的主机超载检测方法MHOD对云数据中心的每台物理主机进行检测，判断物理主机是否超载；步骤3，进行迁移虚拟机选择，采用虚拟机选择方法选择出需要被迁移出去的虚拟机；步骤4，进行目标主机选择，采用目标节点选择方法为每个迁移出去的虚拟机选择新的物理主机节点；步骤5，进行虚拟资源优化，进一步降低能耗。本发明从CPU、内存以及网络带宽三个维度充分考虑了如何有效地降低数据中心的能耗，使云计算数据中心的虚拟资源进行高效地调度与管理，提高了资源利用率并有效地降低了云数据中心的能耗。

Description

一种云计算能耗关键的三维度虚拟资源调度方法

技术领域

本发明属于云计算和机器学习领域，具体涉及云计算能耗关键的三维度虚拟资源调度方法。

背景技术

云数据中心通过虚拟化技术将异构的计算资源、存储资源和网络资源进行整合，构建成一个动态的虚拟化资源池，并使用虚拟化资源调度与管理技术可实现各种资源的自动部署、动态扩展、按需分配。而虚拟化资源调度技术是云数据中心的核心部分，具有重要的理论意义和实用价值。该技术对于提高资源的利用效率、节约能耗、实现系统负载均衡和降低运营成本都至关重要。

随着虚拟化技术的发展，目前在云服务器上创建多台同类或不同类型的虚拟机技术已逐渐成熟，可大幅度提高物理资源的利用率。另一方面，合理使用虚拟机迁移技术还可进一步降低能耗。将一些虚拟机迁移至资源利用率较低的物理机器上，使轻负载节点成为空闲的节点，并将其置为休眠状态，从而可减少能量的消耗。然而，频繁的虚拟机迁移可能会导致虚拟机性能的降低，进一步将导致该虚拟机上运行的应用程序的性能降低，从而无法满足用户的QoS(Quality of Service)需求。为了满足云服务提供者和用户之间规定的服务等级协议SLA(Service Level Agreement)，云服务提供者在最小化能量消耗的同时还应考虑到用户的QoS需求。因此，在满足服务等级协议SLA的前提下如何降低数据中心的能耗，并使数据中心尽量处于负载均衡状态，给研究者们带来了巨大的挑战。

近年来，国内外的学者们在云资源调度方面已进行了大量的研究工作，主要的研究内容包括：以提高系统资源利用率为目标的资源调度与管理技术、基于经济学的云资源分配模型、以降低云计算平台能耗以及资源使用成本为目标的资源调度算法等。法国的Fabien等人提出了一种动态资源调度方法Entropy，Entropy通过约束规划的方法来实现资源的动态调度，在算法设计中还考虑了虚拟机迁移的代价。然而，该方法没有考虑到能耗因素。意大利的Ravi Jhawar等人提出的资源调度方法首次将安全问题考虑其中，该方法分别从全局约束、面向基础设施的约束、以及面向应用的约束三个方面来分配调度资源。但该方法约束条件较多，当问题规模扩大时求解时间较长。综上所述，虽然国内外在云计算数据中心的资源调度研究领域已取得了一定的成果，但尚存在一些不足，如未充分考虑资源的多样性、用户的服务质量QoS难以得到有效的保证、各类型云资源的利用率较低、数据中心的能耗很大等问题。

发明内容

本发明的目的在于提供一种云计算能耗关键的三维度虚拟资源调度方法，从而在有效降低数据中心能耗的同时，最大限度地满足服务等级协议SLA，并尽量使数据中心的服务器处于负载均衡状态。

实现本发明目的的技术解决方案为：一种云计算能耗关键的三维度虚拟资源调度方法，包括以下步骤：

步骤1、对虚拟资源进行分配，采用基于多维向量装箱模型的启发式虚拟资源分配方法HVRAA(Heuristics Virtual Resource Allocation Algorithm)，其分配的目的是使系统中的物理机数量达到最小，即虚拟资源分配的目标函数最小，并满足CPU、内存和带宽限制的约束条件。HVRAA的分配原则为：。

给定一台物理机，在提交的所有虚拟机资源中选取加权点积值WDP(Weight DotProduct)最大的优先分配到该物理机上，直至该物理机不再能够装入任何一台虚拟机资源；然后再启动一台新的物理机，以此类推直到所有申请的虚拟机资源均被分配到物理机上。

每台虚拟机的加权点积值WDP的计算公式为：

其中，α_i表示待分配的N个虚拟机的第i维资源需求量的平均值，r(t)_i表示在时刻t当前物理机的第i维度资源的剩余量，表示每个物品I^l对第i类资源的需求为

虚拟资源分配的目标函数和约束条件为：

其中，PMS为虚拟资源分配的目标函数，表示分配所有虚拟机需要的物理主机数，m_j表示第j台物理主机的运行情况，当存在虚拟机运行在该物理机上时，该物理机处于运行状态，则m_j＝1，否则该物理机处于休眠状态，m_j＝0，M表示云计算中心物理机的总数，PM表示云计算中心所有的物理机集合，VM表示系统各种全部虚拟机集合，R_cpu、R_mem、R_bw分别表示所有虚拟机对CPU资源、内存资源和网络带宽资源的需求向量，vm_l表示第l台虚拟机，pm_j表示第j台物理机，pm_j[cpu]、pm_j[mem]、pm_j[bw]分别表示物理机j的CPU、内存和网络带宽资源，位向量H_j＝(h_j1,h_j2,...,h_jl,...,h_jN)表示运行在物理机pm_j上的虚拟机，N表示所有待分配虚拟机的总数，如果h_jl＝1则表示虚拟机vm_l运行在物理机pm_j上，否则h_jl＝0。

步骤2、进行超载主机检测，采用多维度的主机超载检测方法MHOD(Multi-dimensional Host Overload Detection)对云数据中心的每台物理主机进行检测，判断物理主机是否超载，如果超载则执行步骤3，否则执行步骤5。

其中，物理主机在时刻t的多维度负载MDL_t的计算为：

其中，ω₁、ω₂、ω₃分别表示CPU、内存、网络带宽的权重；cpu_t，mem_t，net_t分别表示当前物理主机在时刻t的CPU资源利用率、内存利用率以及网络带宽利用率。

在给定的时间序列内，进行z次主机负载统计，分别计算z个时刻的物理主机多维度负载MDL₁,MDL₂,...,MDL_z，预测该物理主机在第z+1个时刻多维度负载MDL_z+1：

MDL_z+1＝σ·(MDL_z-μ)+μ

其中，μ表示前z个时刻多维度负载的均值，σ表示前z个时刻多维度负载的标准差，MDL_z为第z个时刻主机的多维度负载。

最后，进行主机超载判断，如果前z个时刻物理主机的多维度负载中至少有w次多维度负载超过阈值λ_node，并且第z+1个时刻的多维度负载预测值也大于阈值，则认定该物理主机超载。

步骤3、进行迁移虚拟机选择，采用虚拟机选择方法选择出需要被迁移出去的虚拟机为vm_i，其满足的条件为：

其中，PM_k表示物理主机k上运行的所有虚拟机集合，物理主机k上第i个虚拟机vm_i与剩余的n-1个虚拟机vm₁,...,vm_i-1,vm_i+1,...,vm_n的复相关系数，n为物理主机k上运行的所有虚拟机的总数。即虚拟机选择原则为：选择与其它虚拟机负载相关性最大的虚拟机进行迁移。

步骤4、进行目标主机选择，采用目标节点选择方法为每个迁移出去的虚拟机选择新的物理主机节点，具体操作为：

首先按所有迁移出去的虚拟机的CPU利用率进行降序排列，然后计算将CPU利用率最大的虚拟机分别放进所有的物理主机后，物理主机增加的能耗，并选出能耗增加最小的物理主机，接着将CPU利用率最大的虚拟机分配到刚才选出的物理主机上，最后重复上面的操作，直到所有迁移出去的虚拟机都被分配到相应的物理主机上。

步骤5、进行虚拟资源优化，采用虚拟资源优化方法VROA(Virtual ResourceOptimization Algorithm)，化解轻负荷主机任务，进而降低能耗；

其中，选择CPU资源利用率最低的物理主机pm_lowest，并使用目标节点选择方法将该主机上的所有虚拟机重新分配到其它物理主机上；判断轻负荷物理主机pm_lowest上的虚拟机是否全部迁移成功，如果轻负荷物理主机pm_lowest上的所有虚拟机都可以成功的迁移到其它主机上，则将物理主机pm_lowest置为休眠状态；如果在主机pm_lowest上只要有一台虚拟机不能够迁移，则取消主机pm_lowest上的所有虚拟机迁移操作。

本发明与现有技术相比，其显著优点为：1)本发明在虚拟资源分配阶段，采用多维向量装箱模型MVBPP(Multi-dimensional Vector Bin Packing Problem)对资源分配问题进行建模，并提出基于MVBPP的启发式虚拟资源分配方法HVRAA对虚拟资源进行分配，提升了虚拟资源分配问题的求解速度；2)本发明在虚拟资源调度阶段，提出基于多维度能耗感知的虚拟资源调度方法MP-VRSA(Multi-dimensional Power-aware based VirtualResource Scheduling Algorithm)，动态发现并及时调整负载过重的物理主机，实现了相对的负载均衡，减少能耗，并减少了服务等级协议SLA冲突的概率；3)本发明在虚拟资源优化阶段，提出虚拟资源优化方法VROA，物理资源利用率较低的节点上所运行的虚拟机迁移到其它合适的物理节点上，并将该节点设为休眠状态，从而进一步减少数据中心的能量消耗。

下面结合附图对本发明作进一步详细阐述。

附图说明

图1为云计算能耗关键的三维度虚拟资源调度方法的流程图。

图2为为求解虚拟资源初始分配问题时，使用本发明方法与人工蜂群方法所使用的物理机数量以及物理机数量下界的对比图。

图3为求解虚拟资源初始分配问题时使用本发明方法与人工蜂群方法所花费的求解时间对比图。

图4为虚拟机在使用基于绝对中位差的自适应启发式虚拟机动态整合方法、基于四分位距的自适应启发式虚拟机动态整合方法和本发明方法在数据中心运行一天所产生的能量消耗对比图。

图5为本发明方法同基于四分位距的自适应启发式虚拟机动态整合方法和基于四分位距的自适应启发式虚拟机动态整合方法所产生的虚拟机迁移次数对比图。

具体实施方式

结合附图，本发明的一种云计算能耗关键的三维度虚拟资源调度方法，包括以下步骤：

步骤1、对虚拟资源进行分配，采用基于多维向量装箱模型的启发式虚拟资源分配方法HVRAA，其分配的目的是使系统中的物理机数量达到最小，即虚拟资源分配的目标函数最小，并满足CPU、内存和带宽限制的约束条件。HVRAA的分配原则为：

给定一台物理机，在提交的所有虚拟机资源中选取加权点积值WDP最大的优先分配到该物理机上，直至该物理机不再能够装入任何一台虚拟机资源；然后再启动一台新的物理机，以此类推直到所有申请的虚拟机资源均被分配到物理机上；

每台虚拟机的加权点积值WDP的计算公式为：

其中，α_i表示待分配的N个虚拟机的第i维资源需求量的平均值，r(t)_i表示在时刻t当前物理机的第i维度资源的剩余量，表示每个物品I^l对第i类资源的需求为

虚拟资源分配的目标函数和约束条件为：

其中，PMS为虚拟资源分配的目标函数，表示分配所有虚拟机需要的物理主机数，m_j表示第j台物理主机的运行情况，当存在虚拟机运行在该物理机上时，该物理机处于运行状态，则m_j＝1，否则该物理机处于休眠状态，m_j＝0，M表示云计算中心物理机的总数，PM表示云计算中心所有的物理机集合，VM表示系统各种全部虚拟机集合，R_cpu、R_mem、R_bw分别表示所有虚拟机对CPU资源、内存资源和网络带宽资源的需求向量，vm_l表示第l台虚拟机，pm_j表示第j台物理机，pm_j[cpu]、pm_j[mem]、pm_j[bw]分别表示物理机j的CPU、内存和网络带宽资源，位向量H_j＝(h_j1,h_j2,...,h_jl,...,h_jN)表示运行在物理机pm_j上的虚拟机，N表示所有待分配虚拟机的总数，如果h_jl＝1则表示虚拟机vm_l运行在物理机pm_j上，否则h_jl＝0。步骤2、进行超载主机检测，采用多维度的主机超载检测方法MHOD对云数据中心的每台物理主机进行检测，判断物理主机是否超载，如果超载则执行步骤3，否则执行步骤5；

采用多维度的主机超载检测方法MHOD对云数据中心的每台物理主机进行检测具体为：

步骤2-1、物理主机在时刻t的多维度负载MDL_t的计算为：

其中，ω₁、ω₂、ω₃分别表示CPU、内存、网络带宽的权重；cpu_t，mem_t，net_t分别表示当前物理主机在时刻t的CPU资源利用率、内存利用率以及网络带宽利用率；

步骤2-2、在给定的时间序列内，进行z次主机负载统计，并分别计算z个时刻的物理主机多维度负载MDL₁,MDL₂,...,MDL_z；

步骤2-3、预测该物理主机在第z+1个时刻多维度负载值MDL_z+1：

MDL_z+1＝σ·(MDL_z-μ)+μ

其中，μ表示前z个时刻多维度负载的均值，σ表示前z个时刻多维度负载的标准差，MDL_z为第z个时刻多维度负载；

步骤2-4、进行主机超载判断，如果在前z个时刻物理主机的多维度负载中至少有w次多维度负载超过阈值λ_node，并且第z+1个时刻的多维度负载预测值也大于阈值，则认定该物理主机超载。

步骤3、进行迁移虚拟机选择，采用虚拟机选择方法选择出需要被迁移出去的虚拟机为vm_i，其满足的条件为：

其中，PM_k表示物理主机k上运行的所有虚拟机集合，物理主机k上第i个虚拟机vm_i与剩余的n-1个虚拟机vm₁,...,vm_i-1,vm_i+1,...,vm_n的复相关系数，n为物理主机k上运行的所有虚拟机的总数。即虚拟机选择原则为：选择与其它虚拟机负载相关性最大的虚拟机进行迁移。

步骤4、进行目标主机选择，采用目标节点选择方法为每个迁移出去的虚拟机选择新的物理主机节点；具体为：

步骤4-1、按照所有迁移出去的虚拟机的CPU利用率进行降序排列；

步骤4-2、计算将CPU利用率最大的虚拟机分别放进所有的物理主机后，物理主机增加的能耗，并选出能耗增加最小的物理主机；

步骤4-3、将CPU利用率最大的虚拟机分配到步骤4-2中选择出的物理主机；

步骤4-4、重复上述三个步骤，直到所有迁移出去的虚拟机都被分配到相应的物理主机上。

步骤5、进行虚拟资源优化，采用虚拟资源优化方法VROA，化解轻负荷主机任务，从而降低能耗。包括以下步骤：

步骤5-1、选择CPU资源利用率最低的物理主机pm_lowest，并使用目标节点选择方法将该主机上的所有虚拟机重新分配到其它物理主机上；

步骤5-2、判断轻负荷物理主机pm_lowest上的所有虚拟机是否迁移成功，如果轻负荷物理主机pm_lowest上的所有虚拟机可以成功的迁移到其它主机上，则将物理主机pm_lowest置为休眠状态；如果在主机pm_lowest上只要有一台虚拟机不能够迁移，则取消主机pm_lowest上的所有虚拟机迁移操作。

本发明在虚拟资源分配阶段，采用多维向量装箱模型MVBPP(Multi-dimensionalVector Bin Packing Problem)对资源分配问题进行建模，并提出基于MVBPP的启发式虚拟资源分配方法HVRAA对虚拟资源进行分配，提升了虚拟资源分配问题的求解速度。

下面结合实施例对本发明做进一步详细的描述。

实施例

采用200台同构的物理服务器模拟云计算中心的物理主机群。该物理服务器的CPU处理能力为2660*2MIPS，内存容量为4096MB，网络带宽为1Gbit/s。仿真实验所使用的虚拟机类型以及相关参数设置分别如表1和表2所示。有四种类型虚拟机，规范化处理之后分别为：S1＝(0.1,0.2,0.1)，S2＝(0.2,0.4,0.1)，S3＝(0.4,0.4,0.1)，S4＝(0.5,0.2,0.1)。仿真实验使用100台虚拟机，其中每台虚拟机的类型是从四种类型的虚拟机中随机选择的。每台虚拟机的负载数据来源于CoMon项目，负载数据时长为24小时。运行仿真平台的物理硬件配置为CPU Intel Core i5-3470 3.2GHz，4G RAM，操作系统为Windows 7。

表1虚拟机配置

虚拟机类型	CPU(MIPS)	内存(MB)	网络带宽(Mbps)
				S1	500	613	100
S2	1000	1740	100
				S3	2000	1740	100
S4	2500	870	100

表2实验参数设置

在云计算能耗关键的三维度虚拟资源调度方法TVRSM(Three-dimensionalVirtual Resource Scheduling Method)中，第一阶段虚拟资源分配阶段将用户请求的所有虚拟机分配到物理机上，本文将虚拟机分配的优化目标设为使用最少数量的物理机。图2所示为两种不同的算法求解虚拟资源初始分配问题所使用的物理机数量对比图。横坐标表示所要分配到物理机上的虚拟机数量，纵坐标表示将虚拟机分配到物理机上所使用的物理机台数。其中LB(Lower Bound)表示使用物理机数量的下界HVRAA表示本发明方法；ABC(Artificial Bee Colony)表示人工蜂群优化方法。图3为分别使用HVRAA方法和ABC方法求解虚拟资源初始分配问题所消耗的时间。

在HVRAA方法中，第二阶段和第三阶段分别采用MP-VRSA及VROA方法来减少能耗。图4为虚拟机在数据中心运行一天所产生的能耗，横坐标表示运行的虚拟机数量，纵坐标表示消耗的电能。其中，TVRSM表示本发明方法，AHDVC-MAD(Adaptive Heuristics forDynamic VM Consolidation-Median Absolute Deviation)和AHDVC-IQR(AdaptiveHeuristics for Dynamic VM Consolidation-Interquartile Range)分别表示基于绝对中位差的自适应启发式虚拟机动态整合方法和基于四分位距的自适应启发式虚拟机动态整合方法。从图4中可以看出本发明方法能够有效减少数据中心的能耗。这主要由于本发明方法设计的的虚拟资源调度方法MP-VRSA，该方法通过超载检测方法MHOD并使用虚拟机选择方法将虚拟机迁移到物理主机上，使得能耗增加最小。

图5表示在仿真实验中，HVRAA方法同AHDVC-MAD方法，以及AHDVC-IQR方法所产生的虚拟机迁移次数对比图。横坐标表示运行的虚拟机数量，纵坐标表示虚拟机迁移次数。从图5可以看出，采用本发明方法所产生的虚拟机迁移次数较少，这主要是由于在本发明方法中应用了多维度主机超载检测方法MHOD，该方法能够确保不必要的虚拟机迁移操作，因此在一定程度上能够提供虚拟机的性能，从而降低违反SLA协议的概率，并节省能量消耗。

本发明在虚拟资源优化阶段，提出虚拟资源优化方法VROA，物理资源利用率较低的节点上所运行的虚拟机迁移到其它合适的物理节点上，并将该节点设为休眠状态，从而进一步减少数据中心的能量消耗。

Claims (6)

1.一种云计算能耗关键的三维度虚拟资源调度方法，其特征在于，包括以下步骤：

步骤1、对虚拟资源进行分配，采用基于多维向量装箱模型的启发式虚拟资源分配方法HVRAA，将待分配的虚拟机分配到物理机上运行；

步骤2、进行超载主机检测，采用多维度的主机超载检测方法MHOD对云数据中心的每台物理主机进行检测，判断物理主机是否超载，如果超载则执行步骤3，否则执行步骤5；

步骤3、进行迁移虚拟机选择，采用虚拟机选择方法选择出需要被迁移出去的虚拟机；

步骤4、进行目标主机选择，采用目标节点选择方法为每个迁移出去的虚拟机选择新的物理主机节点；

步骤5、进行虚拟资源优化，采用虚拟资源优化方法VROA，化解轻负荷主机任务，从而降低能耗。

2.根据权利要求1所述的云计算能耗关键的三维度虚拟资源调度方法，其特征在于，步骤1中，所述的基于多维向量装箱模型的启发式虚拟资源分配方法HVRAA分配的目的是使系统中的物理机数量达到最小，即虚拟资源分配的目标函数最小，并满足CPU、内存和网络带宽的约束条件，HVRAA的分配原则为：

给定一台物理机，在提交的所有虚拟机资源中选取加权点积值WDP最大的优先分配到该物理机上，直至该物理机不再能够装入任何一台虚拟机资源；然后再启动一台新的物理机，以此类推直到所有申请的虚拟机资源均被分配到物理机上；

每台虚拟机的加权点积值WDP的计算公式为：

$WDP=\underset{i=1}{\overset{3}{\Σ}}{\mathrm{\α}}_i{I}_i^{l}r{\left(t\right)}_i$

其中，α_i表示待分配的N个虚拟机的第i维资源需求量的平均值，r(t)_i表示在时刻t物理机的第i维度资源的剩余量，表示每个物品对第i类资源的需求为

虚拟资源分配的目标函数和约束条件为：

$\begin{array}{cc}s.t.& R_{cpu}\&CenterDot;H_j<{\mathrm{pm}}_j\&lsqb;cpu\&rsqb;,\&ForAll;{\mathrm{pm}}_j\&Element;PM\end{array}$

$R_{mem}\&CenterDot;H_j<{\mathrm{pm}}_j\&lsqb;mem\&rsqb;,\&ForAll;{\mathrm{pm}}_j\&Element;PM$

$R_{bw}\&CenterDot;H_j<{\mathrm{pm}}_j\&lsqb;bw\&rsqb;,\&ForAll;{\mathrm{pm}}_j\&Element;PM$

其中，PMS为虚拟资源分配的目标函数，表示分配所有虚拟机需要的物理主机数，m_j表示第j台物理主机的运行情况，当存在虚拟机运行在该物理机上时，该物理机处于运行状态，则m_j＝1，否则该物理机处于休眠状态，m_j＝0，M表示云计算中心物理机的总数，PM表示云计算中心所有的物理机集合，VM表示系统各种全部虚拟机集合，R_cpu、R_mem、R_bw分别表示所有虚拟机对CPU资源、内存资源和网络带宽资源的需求向量，vm_l表示第l台虚拟机，pm_j表示第j台物理机，pm_j[cpu]、pm_j[mem]、pm_j[bw]分别表示物理机j的CPU、内存和网络带宽资源，位向量H_j＝(h_j1,h_j2,...,h_jl,...,h_jN)表示运行在物理机pm_j上的虚拟机,N表示所有待分配虚拟机的总数，如果h_jl＝1则表示虚拟机vm_l运行在物理机pm_j上，否则h_jl＝0。

3.根据权利要求1所述的云计算能耗关键的三维度虚拟资源调度方法，其特征在于：步骤2中，采用多维度的主机超载检测方法MHOD对云数据中心的每台物理主机进行检测具体为：

步骤2-1、计算物理主机在时刻t的多维度负载MDL_t：

${\mathrm{MDL}}_t=\frac{{\mathrm{\&omega;}}_1}{1-{\mathrm{cpu}}_t}*\frac{{\mathrm{\&omega;}}_2}{1-{\mathrm{mem}}_t}*\frac{{\mathrm{\&omega;}}_3}{1-{\mathrm{net}}_t}$

其中，ω₁、ω₂、ω₃分别表示CPU、内存、网络带宽的权重；cpu_t，mem_t，net_t分别表示当前物理主机在时刻t的CPU资源利用率、内存利用率以及网络带宽利用率；

步骤2-2、在给定的时间序列内，进行z次主机负载统计，并分别计算z个时刻的物理主机多维度负载MDL₁,MDL₂,...,MDL_z；

步骤2-3、预测该物理主机在第z+1个时刻多维度负载值MDL_z+1：

MDL_z+1＝σ·(MDL_z-μ)+μ

其中，μ表示前z个时刻多维度负载的均值，σ表示前z个时刻多维度负载的标准差，MDL_z为第z个时刻多维度负载；

步骤2-4、进行主机超载判断，如果在前z个时刻物理主机的多维度负载中至少有w次多维度负载超过阈值λ_node，并且第z+1个时刻的多维度负载预测值也大于阈值，则认定该物理主机超载。

4.根据权利要求1所述的云计算能耗关键的三维度虚拟资源调度方法，其特征在于：步骤3中，虚拟机选择方法选出的目标虚拟机为vm_i，其满足条件为：

$\left\{\begin{array}{c}{\mathrm{vm}}_i\&Element;{\mathrm{PM}}_k\\ R_{{\mathrm{vm}}_i,{\mathrm{vm}}_1,...,{\mathrm{vm}}_{i-1},{\mathrm{vm}}_{i+1},...,{\mathrm{vm}}_n}^2\&GreaterEqual;R_{{\mathrm{vm}}_j,{\mathrm{vm}}_1,...,{\mathrm{vm}}_{j-1},{\mathrm{vm}}_{j+1},...,{\mathrm{vm}}_n}^2,\&ForAll;{\mathrm{vm}}_j\&Element;{\mathrm{PM}}_k,j\&NotEqual;i\end{array}\right.$

其中，PM_k表示物理主机k上运行的所有虚拟机集合，物理主机k上第i个虚拟机vm_i的负载与剩余的n-1个虚拟机vm₁,...,vm_i-1,vm_i+1,...,vm_n的负载的复相关系数，n为物理主机k上运行的所有虚拟机的总数；即虚拟机选择原则为：选择与其它虚拟机负载相关性最大的虚拟机进行迁移。

5.根据权利要求1所述的云计算能耗关键的三维度虚拟资源调度方法，其特征在于：步骤4中，采用目标节点选择方法为每个迁移出去的虚拟机选择新的物理主机节点，具体为：

步骤4-1、按照所有迁移出去的虚拟机的CPU利用率进行降序排列；

步骤4-2、计算将CPU利用率最大的虚拟机分别放进所有的物理主机后，物理主机增加的能耗，并选出能耗增加最小的物理主机；

步骤4-3、将CPU利用率最大的虚拟机分配到步骤4-2中选择出的物理主机；

步骤4-4、重复上述三个步骤，直到所有迁移出去的虚拟机都被分配到相应的物理主机上。

6.根据权利要求1所述的云计算能耗关键的三维度虚拟资源调度方法，其特征在于：步骤5中，采用虚拟资源优化方法VROA，化解轻负荷主机任务，包括以下步骤：

步骤5-1、选择CPU资源利用率最低的物理主机pm_lowest，并使用目标节点选择方法将该主机上的所有虚拟机重新分配到其它物理主机上；

步骤5-2、判断轻负荷物理主机pm_lowest上的所有虚拟机是否迁移成功，如果轻负荷物理主机pm_lowest上的所有虚拟机可以成功的迁移到其它主机上，则将物理主机pm_lowest置为休眠状态；如果在主机pm_lowest上只要有一台虚拟机不能够迁移，则取消主机pm_lowest上的所有虚拟机迁移操作。