CN108762892A - 一种云仿真协同仿真模式的资源配置方法 - Google Patents
一种云仿真协同仿真模式的资源配置方法 Download PDFInfo
- Publication number
- CN108762892A CN108762892A CN201810578814.1A CN201810578814A CN108762892A CN 108762892 A CN108762892 A CN 108762892A CN 201810578814 A CN201810578814 A CN 201810578814A CN 108762892 A CN108762892 A CN 108762892A
- Authority
- CN
- China
- Prior art keywords
- machine
- virtual machine
- physical
- memory
- multiple virtual
- 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
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
- 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
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种云仿真协同仿真模式的资源配置方法,包括:确定可用于配置虚拟机的多个物理机以及待配置的多个虚拟机;根据多个虚拟机的资源条件调整所述多个虚拟机的配置顺序;根据所述配置顺序依次配置多个虚拟机,其中,每一个虚拟机配置在一个物理机上,本发明优化了云仿真资源配置方式,减少了仿真资源的浪费,从提高了仿真资源利用率,并提高了云仿真系统可并行处理的仿真任务量。
Description
技术领域
本发明涉及协同仿真模式资源配置技术领域。更具体地,涉及一种云仿真协同仿真模式的资源配置方法。
背景技术
协同仿真旨在完成由复杂系统按照其所涉及的学科、领域进行细粒度的建模后,各模型组成的子系统和模型之间通过相互协调、相互影响,共同完成复杂系统的仿真运行。协同仿真需要相应仿真环境来支撑运行,支撑环境包括仿真所需要的计算节点,仿真工程软件,半实物仿真资源,模型资源以及仿真支撑软件(RTI)等,这些统称为仿真资源。
云仿真的协同仿真模式以“云计算”的理念,将仿真资源“云化”,组成资源“云池”,仿真用户根据自己仿真支撑环境的需求向“云池”申请资源,“云池”将资源按需调度与组合后为用户提供服务,并待仿真完成后回收资源。云仿真的协同仿真模式将仿真环境构建于仿真系统运行分离,简化了仿真用户准备仿真支撑环境的过程,缩短了从仿真系统构建到仿真运行的时间周期;将资源按需提供减少了资源的购置成本同时提高了资源利用率。
为了满足越来越复杂系统的仿真需求,通常以高性能计算机为硬件环境组成云资源池,如果将高性能计算机物理节点提供给仿真用户,节点数量少,支持的仿真用户数量极为有限。同时,高性能计算节点的计算能力和通信能力强大,一个节点给一个仿真用户使用,则难以充分发挥其能力,对高性能计算机资源是极大的浪费;此外,高性能计算机资源的能耗很高,如果各节点全速运行,将造成过多的能耗,且高性能计算机长时间连续工作也会增加硬件损坏的风险。综上,需要以“绿色化”为目标,创建不同计算能力和网络能力的虚拟机,选择合理的高性能物理节点部署相应的虚拟机。
发明内容
本发明的一个目的在于提供一种云仿真协同仿真模式的资源配置方法,优化资源配置,减少了仿真资源的浪费,从提高了仿真资源利用率,并提高了云仿真系统可并行处理的仿真任务量。
为达到上述目的,本发明采用下述技术方案:
本发明公开了一种云仿真协同仿真模式的资源配置方法,包括:
确定可用于配置虚拟机的多个物理机以及待配置的多个虚拟机;
根据多个虚拟机的资源条件调整所述多个虚拟机的配置顺序;
根据所述配置顺序依次配置多个虚拟机,其中,每一个虚拟机配置在一个物理机上。
优选地,所述物理机和虚拟机的资源条件包括CPU核、内存和网络带宽。
优选地,所述CPU核包括M种类型,所述内存包括N种类型,所述网络带宽包括V种类型;
所述多个虚拟机中的每一个虚拟机的CPU核为M种类型CPU核的其中一种类型,内存为N种类型内存的其中一种类型,网络带宽为V种类型网络带宽的其中一种类型。
优选地,
所述物理机的CPU核为64核;
所述物理机的内存为128G;
所述物理机的网络带宽为1000M。
优选地,所述根据多个虚拟机的资源条件调整所述多个虚拟机的配置顺序进一步包括
根据多个虚拟机的CPU核从大到小进行排序;
在CPU核相同的条件下,根据内存从大到小进行排序;
在内存相同的条件下,根据网络带宽从大到小进行排序以得到所述多个虚拟机的配置顺序。
优选地,所述根据所述配置顺序依次配置多个虚拟机进一步包括:
选择所述多个物理机的一个物理机以配置多个虚拟机;
按照所述配置顺序依次在选择的所述一个物理机上配置多个虚拟机,当所述一台物理机上剩余的资源条件不足以配置其中一个虚拟机时,切换其他物理机以配置该一个虚拟机,遍历所述多个物理机以完成多个虚拟机的配置。
优选地,
第i个物理机Nodei的资源条件表示为
Nodei=[CPUi Memoryi Bandwidthi]
第j个虚拟机的资源条件vmj为
vmj=[CPUj Memoryj Bandwidthj]
其中,CPU1表示物理机的CPU核的数量,Memory1表示物理机的内存,Bandwidth1表示物理机的网络带宽,CPU2表示虚拟机的CPU核的数量,Memory2表示虚拟机的内存,Bandwidth2表示虚拟机的网络带宽。
优选地,所述根据所述配置顺序依次配置多个虚拟机通过建立配置模型及约束条件求解,所述配置模型及约束条件为:
其中,minz表示所有物理机的资源配置结果,Nodei表示选中进行配置的物理机,n为物理机的个数,当Nodei=1时,表示第i个物理机被选中,否者Nodei=0;VMij=1表示第j个虚拟机部署在第i个物理机上,否者VMij=0;CPUj为虚拟机的CPU核类型集合,Memoryj为虚拟机的内存类型集合,Bandwidthj为虚拟机的网络带宽类型集合,i,j∈N=1,2,…。
优选地,所述CPUj、Memoryj、及Bandwidthj为
CPUj∈{1,2,4},Memoryj∈{2,4,8},Bandwidthj∈{1,2,5}。
本发明的有益效果如下:
本发明实行以“绿色化”为目标的协同仿真模式的资源优选方法,在组件多个仿真联邦的支撑环境时,所需的虚拟机节点按照装箱模式集中消耗一个物理机节点,待物理机节点性能耗尽后,再开启第二个物理节点,保证以高性能运行的物理节点以最小数量集运行,其余的物理机则以待机的最小耗电模式运行,大大降低了以高性能计算机为仿真资源的基础设施维护成本。且本发明优化了仿真支撑环境的资源利用率,以多种不同配置虚拟机节点来支撑承载不同仿真成员的计算节点,在保证不影响仿真运行效率的同时,以最小的配置集合来支撑仿真运行,能够减少物理节点的性能损耗,从而提高了仿真支撑环境的资源利用率。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出云仿真的协同仿真模式的应用示意图。
图2示出本发明一种云仿真协同仿真模式的资源配置方法的一个具体实施例的流程图。
图3示出本发明一种云仿真协同仿真模式的资源配置方法中物理机的配置示意图。
图4a示出现有技术中三维装箱模型的原理示意图。
图4b示出本发明一种云仿真协同仿真模式的资源配置方法中装箱模型的原理示意图。
图5示出本发明一种云仿真协同仿真模式的资源配置方法具体实施例的应用流程图。
具体实施方式
为了更清楚地说明本发明,下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
图1示出现有技术中云仿真的协同仿真模式的应用示意图。协同仿真是基于建模与仿真高层体系结构(HLA)进行建模与仿真的,需要用到仿真支撑软件(RTI),基于HLA标准运行RTI软件有以下的支撑环境构建原则:
1)一组计算节点只能够支持一个仿真联邦的运行,两个仿真联邦不能同时运行在同一组计算节点上。
2)一个计算节点上可允许多个仿真联邦成员,即RTI的CRC和多个LRC能够运行在一个计算节点上,但前提是其所属同一个仿真联邦。
3)一个联邦内的所有联邦成员所在的计算节点必须保证其两两能够进行通信。
4)一个仿真联邦内的联邦成员可根据其自身模型特点能够选择所需要的计算机节点的性能,即多个邦员之间可选择异构计算机仿真。
虚拟化和服务技术能够将资源按需组合提供,并在服务结束后回收资源。利用这一特性,云仿真协同仿真模式在物理机上构建多个可以互联的虚拟机,并在其上预先安装好仿真系统所需要的操作系统、工程软件后,以桌面虚拟化技术将组建的仿真集群提供给用户。
在云计算环境中,有不少成熟的调度算法,如最小连接调度,负载均衡调度等方法,若直接拿来用能够满足高效能云仿真平台的功能要求,但无法达到性能最优化。因为在云计算环境中,用户数量较多,访问资源方式多为访问web容器,对数据库进行操作的业务系统,这种模式下每一个用户对资源的需求量很小,而且为了避免资源分配不均,调度的目标是支持大并发量和负载均衡。而高效能云仿真平台的资源使用由实际业务量所决定,在样机设计的初期阶段需要外观设计和单学科仿真较多,不需要进行协同仿真,而在虚拟样机设计阶段协同仿真较多,所以资源的使用中并非每时每刻需要满载运行。
因此,如图2所示,本发明公开了一种云仿真协同仿真模式的资源配置方法的一个具体实施例,本发明在协同仿真模式下,为多个虚拟机合理选择物理机节点进行部署资源,在充分满足仿真用户的需求的同时,将单个的高新能计算机的能力发挥到最大化,使不用的计算机处于“低能耗”的休眠模式,以保证高性能计算机能耗最小,满足“绿色化”的目标并支持海量用户。
本实施例中,所述方法包括:
S100:确定可用于配置虚拟机的多个物理机以及待配置的多个虚拟机。其中,所述物理机和虚拟机的资源条件优选地可包括CPU核、内存和网络带宽。更优选地,所述CPU核可包括M种类型,所述内存可包括N种类型,所述网络带宽可包括V种类型;所述多个虚拟机中的每一个虚拟机的CPU核为M种类型CPU核的其中一种类型,内存为N种类型内存的其中一种类型,网络带宽为V种类型网络带宽的其中一种类型。
S200:根据多个虚拟机的资源条件调整所述多个虚拟机的配置顺序。
具体的,所述根据多个虚拟机的资源条件调整所述多个虚拟机的配置顺序进一步可包括:
S201:根据多个虚拟机的CPU核从大到小进行排序;
S202:在CPU核相同的条件下,根据内存从大到小进行排序;
S203:在内存相同的条件下,根据网络带宽从大到小进行排序以得到所述多个虚拟机的配置顺序。
S300:根据所述配置顺序依次配置多个虚拟机,如图3所示,其中,每一个虚拟机配置在一个物理机上。
具体的,所述根据所述配置顺序依次配置多个虚拟机进一步可包括:
S301:选择所述多个物理机的一个物理机以配置多个虚拟机;
S302:按照所述配置顺序依次在选择的所述一个物理机上配置多个虚拟机,当所述一台物理机上剩余的资源条件不足以配置其中一个虚拟机时,切换其他物理机以配置该一个虚拟机,遍历所述多个物理机以完成多个虚拟机的配置。
本发明确定以“装箱模型”作为高效能协同云仿真资源选择策略。在一维经典装箱问题中,决定因素是物品的体积(或质量),但作为虚拟机在物理机上部署的决定因素为CPU内核数,内存大小以及网络带宽三个决定因素,故高效能云仿真平台的协同仿真模式的资源选择即是一个三维装箱问题,如图4a所示。
但对比经典的三维装箱问题虚拟机资源选择的模型存在特殊性,在部署虚拟机时,每个虚拟机所占用了CPU,内存以及网络资源后,被占用的部分不能够再被复用,用三维装箱问题表示如图4b所示,其中任意两两箱子不能有重合的边,且新来的箱子必须从上一个箱子的顶点开始。
三维装箱问题由于其决定因素较多,并且用在虚拟机挑选资源时存在的特殊性,因此其数学建模以及求解方法都较为复杂。在分析了虚拟机选择资源针对三维装箱问题的特殊性后,本研究将虚拟机选择资源的模型简化为一维装箱模型,将CPU,内存,网络带宽三个因素中的一个作为决定条件,其余两个作为约束条件,提出多约束条件的装箱模型(以下简称MC-BP模型)来描述高效能仿真中虚拟机资源选择的问题。通过分析三类资源,CPU核数相对较少,并且对虚拟机计算能力起最决定性的作用,因此选择CPU核数作为决定条件,将内存大小与网络带宽作为约束条件,针对协同仿真虚拟机选择资源的问题建立多约束条件的一维装箱数学模型
具体的,第i个物理机Nodei的资源条件可表示为
Nodei=[CPUi Memoryi Bandwidthi]
第j个虚拟机的资源条件vmj为
vmj=[CPUj Memoryj Bandwidthj]
其中,CPU1表示物理机的CPU核的数量,Memory1表示物理机的内存,Bandwidth1表示物理机的网络带宽,CPU2表示虚拟机的CPU核的数量,Memory2表示虚拟机的内存,Bandwidth2表示虚拟机的网络带宽。
则所述根据所述配置顺序依次配置多个虚拟机可通过建立配置模型及约束条件求解,所述配置模型及约束条件为:
其中,minz表示所有物理机的资源配置结果,Nodei表示选中进行配置的物理机,n为物理机的个数,当Nodei=1时,表示第i个物理机被选中,否者Nodei=0;VMij=1表示第j个虚拟机部署在第i个物理机上,否者VMij=0;CPUj为虚拟机的CPU核类型集合,Memoryj为虚拟机的内存类型集合,Bandwidthj为虚拟机的网络带宽类型集合,i,j∈N=1,2,…。
在MC-BP模型的数学表达式中,公式(1)为求解目标,表示需要的物理节点Node数量最少;在约束条件中,式(2),式(3),与式(4)表示部署在第i个物理机上的所有虚拟机CPU核数,内存大小以及网络带宽综合数不超过64个核,128G内存以及1000M的带宽,即不超过物理节点提供的各项资源个数,其中,为了将CPU,内存以及网络带宽的数量保证在一个数量级,因此在网络带宽项中,用1代表10M,5代表50M;式5表示协同仿真用户申请的每一个虚拟机只能被部署一次,即只能部署在一个物理节点上;CPUj、Memoryj、Bandwidthj表示物理机资源分别为CPU,内存以及带宽提供三种可选的指标,以组成不同计算能力和通信能力的计算节点,以满足不同的仿真联邦;Nodei=0或1表示物理机的状态只能是已经部署了虚拟机或仍未部署虚拟机,同理VMij=0或1表示第j个虚拟机是否被部署到了第i个物理机资源上。
CPUj∈{1,2,4},Memoryj∈{2,4,8},Bandwidthj∈{1,2,5}
由此,本发明提出多种计算能力的虚拟机可供选择,分别提供CPU核{1,2,4},内存{2,4,8},网络带宽{10,20,50}的多种选项供自由组合。如部署具有2个核、4G内存、10M网络带宽的虚拟机中等性能的虚拟机,或具有4个核、8G内存、50M网络的高性能虚拟机。为有限资源支持更多协同仿真用户的同时保证最低能耗的原则,选择从第一个物理节点开始部署,待将其所提供的64个核,128G内存,1000M的虚拟资源耗尽后,再开始在第二个物理节点中部署,保证能够部署更多虚拟机以满足更多用户进行协同仿真的同时,还能够将减少高性能计算机的耗能。综上,提出了以“装箱模型”作为资源配置策略,将多个虚拟机有限分配在一个节点上,使多个高性能计算机节点能够最大化运行的同时使未使用的计算机以最低功耗处于“休眠”状态。
如图5所示,下面通过一个具体实施方式来对本发明作进一步说明:在MC-BP模型中,为了便于表示以及在计算机中运行,本实施例使用矩阵来表示MC-BP模型中的参数,以及利用FFD算法解算MC-BP模型时需要的一些参数和条件。
一个物理机所能够提供的CPU数,内存数,带宽数的表达式Node=64×CPU+128×Memory+100×Bandwidth;而需要部署的虚拟机表达式则为vm=2×CPU+4×Memory+2×Bandwidth。
本发明用矩阵NODE_TYPE1×3=[64 128 100]表示物理节点的初始状态,即还没有部署虚拟机时具有的最大指标数,矩阵CPU_TYPE1×3=[1 2 4],MEMORY_TYPE1×3=[2 4 8],BANDWIDTH_TYPE1×3=[1 2 5]分别表示组成多种计算能力虚拟机的各项指标集合,即虚拟机的内核数可分别为1个、2个或者4个。由上述不同指标的CPU,内存以及网络带宽能够组成27种不同组合的计算节点,用矩阵VM_TYPE27×3表示,VM_TYPE27×3每一行代表一个计算节点类型,如第一行代表一个虚拟机由1个CPU核、2G内存,10M带宽组成。
定义Nodei×3表示物理计算节点的状态。其中,第i行的各元素表示第i个物理节点所剩余的CPU个数,内存数以及网络带宽量。在初始时刻,没有安装部署任何虚拟机之前,Nodei×3中每一个物理节点为每个指标的最大值,即为NODE_TYPE1×3=[64 128 100]。
定义VMi×3表示用户提交需要的虚拟节点个数与其指标,VMi×3∈VM_TYPE27×3。
此外,定义0-1状态矩阵statusi×j,其中行i表示虚拟计算节点数量,列j表示物理计算节点数量,sij=1则表示第i个虚拟机部署在第j个物理机上,否则sij=0。在statusi×j的每一行中只能有一个1,其余全为零。初始状态时,还未在物理节点上部署虚拟机,因此statusi×j为全0矩阵。
针对本研究所提出的MC-BP模型,按照解决经典BP问题的FFD算法思想,设计出针对MC-BP模型的FFD算法:
步骤1:对各参数进行初始化。需要初始化的参数为资源选择状态矩阵statusi×j,物理机状态矩阵Nodei×3,需要部署的虚拟机状态矩阵VMi×3。初始化完成后statusi×j为全零矩阵,Nodei×3的每行为NODE_TYPE1×3=[64 128 100],VMi×3为i个需要部署的虚拟机的指标组成的矩阵。
步骤2:将需要部署的虚拟机指标按照降序排列。即对VMi×3进行矩阵行间调整,由于在物理机指标中,CPU是决定因素,Memory与Bandwidth是约束条件,且Memory资源对虚拟机的影响更大,因此首先按照CPU的降序排列,其中在CPU相同的情况下再按照Memory的降序排列,最后当CPU,Memory都相同时,按照Bandwidth进行降序排列。
步骤3:选择合适的物理机。按照FFD的思想,从虚拟机列表中选出未部署的第1个虚拟机k(此前的k-1个虚拟机已经完成部署),即VMi×3的第k行,其中1<k≤i。判断第1号的物理机是否能容纳此虚拟机,若各项指标都满足,则选择在此物理机上部署第k个虚拟机,否则查看下一个物理机,直到找到能够部署当前虚拟机的物理节点。
步骤4:完成资源选择。待VMi×3中的第k个虚拟机找到能够满足条件的物理节点后,修改statusi×j状态的值。若k个虚拟机选择到了第m号物理机,则将statusi×j中第k行,m列的状态从0置为1,表示虚拟机k部署在m号物理机上。然后进行第k+1个虚拟机的资源选择,重复步骤3,直到VMi×3中的第i个虚拟机选择到了资源,计算结束。
本发明以不同能力的虚拟机模板支撑协同仿真运行。协同仿真模式下,在一个仿真联邦内,不同的联邦成员所完成的工作不同,完成仿真运行时所消耗的计算机特性不同,若使用同样的虚拟机模板以配置相同的CPU、内存以及网络宽带等特性,会造成资源在一定程度的浪费。因此针对不同的仿真任务配置不同特性的虚拟机,能够保证在不影响仿真运行的效率同时能够极大的节省仿真资源。
并且,基于“装箱问题”的协同仿真模式资源优选方法。针对高效能仿真云平台上引入了高性能仿真计算机资源的情况,对在高效能仿真云平台上构建高效的协同仿真环境问题展开研究,并基于高效能仿真云平台能屏蔽计算节点和交互网络异构性的特征,提出协同仿真环境构建的资源选择模型,即三维装箱模型,同时根据虚拟节点消耗物理节点性能的特殊情况,将资源选择模型简化为多约束条件下的一维装箱模型,以一维装箱模型作为协同仿真模式的资源优选方法。
并且,以启发式算法解决多约束条件的一维装箱模型方法。装箱问题属于NP-hard问题,在解决NP-hard问题时,遗传算法或改进遗传算法能够很好的解决问题,且优势在于计算样本较大的情况下,遗传算法自身具有并行性,所以会提高解算效率,缩短模型解算的时间。但在系统工程建模仿真和作战指挥仿真等的真实仿真应用中,很少情况会出现一次需要部署成百上千个计算节点。作为高效能仿真云平台下协同仿真支撑环境选择资源的求解方法,选择启发式的FFD算法能够快速,稳定的解决本发明中的问题。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (9)
1.一种云仿真协同仿真模式的资源配置方法,其特征在于,包括:
确定可用于配置虚拟机的多个物理机以及待配置的多个虚拟机;
根据多个虚拟机的资源条件调整所述多个虚拟机的配置顺序;
根据所述配置顺序依次配置多个虚拟机,其中,每一个虚拟机配置在一个物理机上。
2.根据权利要求1所述的方法,其特征在于,所述物理机和虚拟机的资源条件包括CPU核、内存和网络带宽。
3.根据权利要求2所述的方法,其特征在于,所述CPU核包括M种类型,所述内存包括N种类型,所述网络带宽包括V种类型;
所述多个虚拟机中的每一个虚拟机的CPU核为M种类型CPU核的其中一种类型,内存为N种类型内存的其中一种类型,网络带宽为V种类型网络带宽的其中一种类型。
4.根据权利要求2所述的方法,其特征在于,
所述物理机的CPU核为64核;
所述物理机的内存为128G;
所述物理机的网络带宽为1000M。
5.根据权利要求2所述的方法,其特征在于,所述根据多个虚拟机的资源条件调整所述多个虚拟机的配置顺序进一步包括
根据多个虚拟机的CPU核从大到小进行排序;
在CPU核相同的条件下,根据内存从大到小进行排序;
在内存相同的条件下,根据网络带宽从大到小进行排序以得到所述多个虚拟机的配置顺序。
6.根据权利要求1所述的方法,其特征在于,所述根据所述配置顺序依次配置多个虚拟机进一步包括:
选择所述多个物理机的一个物理机以配置多个虚拟机;
按照所述配置顺序依次在选择的所述一个物理机上配置多个虚拟机,当所述一台物理机上剩余的资源条件不足以配置其中一个虚拟机时,切换其他物理机以配置该一个虚拟机,遍历所述多个物理机以完成多个虚拟机的配置。
7.根据权利要求1所述的方法,其特征在于,
第i个物理机Nodei的资源条件表示为
Nodei=[CPUi Memoryi Bandwidthi]
第j个虚拟机的资源条件vmj为
vmj=[CPUj Memoryj Bandwidthj]
其中,CPU1表示物理机的CPU核的数量,Memory1表示物理机的内存,Bandwidth1表示物理机的网络带宽,CPU2表示虚拟机的CPU核的数量,Memory2表示虚拟机的内存,Bandwidth2表示虚拟机的网络带宽。
8.根据权利要求7所述的方法,其特征在于,所述根据所述配置顺序依次配置多个虚拟机通过建立配置模型及约束条件求解,所述配置模型及约束条件为:
其中,minz表示所有物理机的资源配置结果,Nodei表示选中进行配置的物理机,n为物理机的个数,当Nodei=1时,表示第i个物理机被选中,否者Nodei=0;VMij=1表示第j个虚拟机部署在第i个物理机上,否者VMij=0;CPUj为虚拟机的CPU核类型集合,Memoryj为虚拟机的内存类型集合,Bandwidthj为虚拟机的网络带宽类型集合,i,j∈N=1,2,…。
9.根据权利要求1所述的方法,其特征在于,所述CPUj、Memoryj、及Bandwidthj为
CPUj∈{1,2,4},Memoryj∈{2,4,8},Bandwidthj∈{1,2,5}。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810578814.1A CN108762892A (zh) | 2018-06-07 | 2018-06-07 | 一种云仿真协同仿真模式的资源配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810578814.1A CN108762892A (zh) | 2018-06-07 | 2018-06-07 | 一种云仿真协同仿真模式的资源配置方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108762892A true CN108762892A (zh) | 2018-11-06 |
Family
ID=64000491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810578814.1A Pending CN108762892A (zh) | 2018-06-07 | 2018-06-07 | 一种云仿真协同仿真模式的资源配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108762892A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109379233A (zh) * | 2018-11-30 | 2019-02-22 | 北京仿真中心 | 一种云仿真平台模型安全保障系统、方法、服务器及终端 |
CN109558214A (zh) * | 2018-12-05 | 2019-04-02 | 腾讯科技(深圳)有限公司 | 异构环境下宿主机资源管理方法、装置和存储介质 |
CN109947530A (zh) * | 2019-01-25 | 2019-06-28 | 西安交通大学 | 一种针对云平台的多维度虚拟机映射方法 |
CN110308993A (zh) * | 2019-06-27 | 2019-10-08 | 大连理工大学 | 一种基于改进遗传算法的云计算资源分配方法 |
CN110379005A (zh) * | 2019-07-22 | 2019-10-25 | 泰瑞数创科技(北京)有限公司 | 一种基于虚拟资源管理的三维重建方法 |
CN111818128A (zh) * | 2020-06-15 | 2020-10-23 | 北京空间飞行器总体设计部 | 基于容器云的组件化仿真模型运行控制系统、方法及介质 |
CN112256386A (zh) * | 2020-09-24 | 2021-01-22 | 北京天源迪科信息技术有限公司 | 一种仿真运行支撑系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150277955A1 (en) * | 2014-03-31 | 2015-10-01 | Fujitsu Limited | System and method for controlling virtual-machine migrations based on processor usage rates and traffic amounts |
CN105426247A (zh) * | 2015-11-09 | 2016-03-23 | 张博 | 一种hla联邦成员规划调度方法 |
CN106201718A (zh) * | 2016-07-05 | 2016-12-07 | 北京邮电大学 | 一种基于负载预测的云计算资源动态伸缩方法 |
CN106506657A (zh) * | 2016-11-21 | 2017-03-15 | 黑龙江省科学院自动化研究所 | 一种基于多目标的云计算虚拟机分配调整方法 |
CN106598733A (zh) * | 2016-12-08 | 2017-04-26 | 南京航空航天大学 | 一种云计算能耗关键的三维度虚拟资源调度方法 |
-
2018
- 2018-06-07 CN CN201810578814.1A patent/CN108762892A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150277955A1 (en) * | 2014-03-31 | 2015-10-01 | Fujitsu Limited | System and method for controlling virtual-machine migrations based on processor usage rates and traffic amounts |
CN105426247A (zh) * | 2015-11-09 | 2016-03-23 | 张博 | 一种hla联邦成员规划调度方法 |
CN106201718A (zh) * | 2016-07-05 | 2016-12-07 | 北京邮电大学 | 一种基于负载预测的云计算资源动态伸缩方法 |
CN106506657A (zh) * | 2016-11-21 | 2017-03-15 | 黑龙江省科学院自动化研究所 | 一种基于多目标的云计算虚拟机分配调整方法 |
CN106598733A (zh) * | 2016-12-08 | 2017-04-26 | 南京航空航天大学 | 一种云计算能耗关键的三维度虚拟资源调度方法 |
Non-Patent Citations (2)
Title |
---|
C114通信网: "装箱算法在虚机部署中的应用实践", 《HTTP://M.C114.COM.CN/W127-1024552.HTML》 * |
张勋 等: "基于动态规划的虚拟机放置策略", 《计算机科学》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109379233A (zh) * | 2018-11-30 | 2019-02-22 | 北京仿真中心 | 一种云仿真平台模型安全保障系统、方法、服务器及终端 |
CN109558214A (zh) * | 2018-12-05 | 2019-04-02 | 腾讯科技(深圳)有限公司 | 异构环境下宿主机资源管理方法、装置和存储介质 |
CN109947530A (zh) * | 2019-01-25 | 2019-06-28 | 西安交通大学 | 一种针对云平台的多维度虚拟机映射方法 |
CN109947530B (zh) * | 2019-01-25 | 2021-09-07 | 西安交通大学 | 一种针对云平台的多维度虚拟机映射方法 |
CN110308993A (zh) * | 2019-06-27 | 2019-10-08 | 大连理工大学 | 一种基于改进遗传算法的云计算资源分配方法 |
CN110308993B (zh) * | 2019-06-27 | 2022-12-13 | 大连理工大学 | 一种基于改进遗传算法的云计算资源分配方法 |
CN110379005A (zh) * | 2019-07-22 | 2019-10-25 | 泰瑞数创科技(北京)有限公司 | 一种基于虚拟资源管理的三维重建方法 |
CN111818128A (zh) * | 2020-06-15 | 2020-10-23 | 北京空间飞行器总体设计部 | 基于容器云的组件化仿真模型运行控制系统、方法及介质 |
CN111818128B (zh) * | 2020-06-15 | 2023-06-09 | 北京空间飞行器总体设计部 | 基于容器云的组件化仿真模型运行控制系统、方法及介质 |
CN112256386A (zh) * | 2020-09-24 | 2021-01-22 | 北京天源迪科信息技术有限公司 | 一种仿真运行支撑系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108762892A (zh) | 一种云仿真协同仿真模式的资源配置方法 | |
Liu et al. | Adaptive asynchronous federated learning in resource-constrained edge computing | |
CN109947567B (zh) | 一种多智能体强化学习调度方法、系统及电子设备 | |
CN102831011B (zh) | 一种基于众核系统的任务调度方法及装置 | |
Rashidi et al. | Astra-sim: Enabling sw/hw co-design exploration for distributed dl training platforms | |
Wu et al. | Hybrid evolutionary scheduling for energy-efficient fog-enhanced internet of things | |
CN106506657A (zh) | 一种基于多目标的云计算虚拟机分配调整方法 | |
Teng et al. | Simmapreduce: A simulator for modeling mapreduce framework | |
Diaz et al. | Energy-aware fast scheduling heuristics in heterogeneous computing systems | |
CN108170530A (zh) | 一种基于混合元启发式算法的Hadoop负载均衡任务调度方法 | |
CN110502213A (zh) | 一种人工智能能力开发平台 | |
Du et al. | A low-latency communication design for brain simulations | |
CN106708625A (zh) | 一种基于最小费用最大流的大规模资源调度系统及方法 | |
Han et al. | Task scheduling of high dynamic edge cluster in satellite edge computing | |
Panda et al. | An efficient task consolidation algorithm for cloud computing systems | |
CN101937359A (zh) | 一种面向仿真应用的通用可扩展计算系统 | |
Lan et al. | Task partitioning and orchestration on heterogeneous edge platforms: The case of vision applications | |
CN100531070C (zh) | 网络资源调度仿真系统 | |
Lou et al. | A cloud computing oriented neural network for resource demands and management scheduling. | |
CN105426247B (zh) | 一种hla联邦成员规划调度方法 | |
Li et al. | Approximation algorithm for the energy-aware profit maximizing problem in heterogeneous computing systems | |
Biswas et al. | A novel resource aware scheduling with multi-criteria for heterogeneous computing systems | |
Miao et al. | Efficient flow-based scheduling for geo-distributed simulation tasks in collaborative edge and cloud environments | |
Vecchiola et al. | Multi-objective problem solving with offspring on enterprise clouds | |
Chen et al. | Deep learning workloads scheduling with reinforcement learning on GPU clusters |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |
|
RJ01 | Rejection of invention patent application after publication |