CN108762993A - 一种基于人工智能的虚拟机故障迁移方法与装置 - Google Patents
一种基于人工智能的虚拟机故障迁移方法与装置 Download PDFInfo
- Publication number
- CN108762993A CN108762993A CN201810574394.XA CN201810574394A CN108762993A CN 108762993 A CN108762993 A CN 108762993A CN 201810574394 A CN201810574394 A CN 201810574394A CN 108762993 A CN108762993 A CN 108762993A
- Authority
- CN
- China
- Prior art keywords
- virtual machine
- failure
- virtual
- computer
- memory
- 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
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/16—Error detection or correction of the data by redundancy in hardware
- G06F11/20—Error detection or correction of the data by redundancy in hardware using active fault-masking, e.g. by switching out faulty elements or by switching in spare elements
- G06F11/202—Error detection or correction of the data by redundancy in hardware using active fault-masking, e.g. by switching out faulty elements or by switching in spare elements where processing functionality is redundant
- G06F11/2023—Failover techniques
- G06F11/203—Failover techniques using migration
-
- 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
Abstract
本发明公开了一种基于人工智能的虚拟机故障迁移方法与装置,其中该方法包括:采集虚拟机信息;从虚拟机信息中提取特征信息;根据特征信息检测虚拟机的状态,生成状态评估和故障检测结果;使用人工智能算法计算状态评估和故障检测结果,获得故障预测;根据故障预测生成迁移决策并据此迁移虚拟机。本发明提出的基于人工智能的虚拟机故障迁移方法与装置能够针对不同虚拟机或不同类型的虚拟机进行故障迁移,提高虚拟环境的可靠性和可用性。
Description
技术领域
本发明涉及虚拟机领域,更具体地,特别是指一种基于人工智能的虚拟机故障迁移方法与装置。
背景技术
近年来,随着虚拟化和云计算技术的迅速发展,全球数据中心的规模不断增长。IT企业、互联网企业和电信企业在数据中心的投资不断加大。政府、军队和企业也在发展和建设数据中心,提供面向互联网开放的公有云,面向企业内部用户开放的私有云以及兼顾上述两种模式的混合云。数据中心服务器作为信息化业务的核心载体,通常承载着越来越多重要的关键业务,一旦数据中心发生故障将带来不可估量的损失。在数据中心发生故障的情况下,虚拟机较实体机具有的容错优势在于:虚拟机可以进行快速迁移、实时迁移,从而保障应用环境的可用性和稳定性。
现在对于数据中心的虚拟机的迁移技术主要是手动操作迁移或基于负载均衡的动态迁移技术。这种方法的优点是已经实现虚拟机冷热迁移技术,通过负载均衡的动态迁移技术避免服务器热点、提高数据中心的吞吐量。对于数据中心发生故障时的迁移策略主要为发现故障后的手动迁移,其相应的缺点是故障难于实时发现,容易造成服务中断;手动迁移需要人工操作,难以保证时间和反应效率。
针对现有技术中虚拟机迁移时难以实时发现故障、人工操作效率低的问题,目前尚未有有效的解决方案。
发明内容
有鉴于此,本发明实施例的目的在于提出一种基于人工智能的虚拟机故障迁移方法与装置,能够针对不同虚拟机或不同类型的虚拟机进行故障迁移,提高虚拟环境的可靠性和可用性。
基于上述目的,本发明实施例的一方面提供了一种基于人工智能的虚拟机故障迁移方法,包括以下步骤:
采集虚拟机信息;
从虚拟机信息中提取特征信息;
根据特征信息检测虚拟机的状态,生成状态评估和故障检测结果;
使用人工智能算法计算状态评估和故障检测结果,获得故障预测;
根据故障预测生成迁移决策并据此迁移虚拟机。
在一些实施方式中,采集虚拟机信息为使用协议采集、代理采集、和/或Libvirt接口采集方式来采集虚拟机和虚拟机所在的物理主机的数据。
在一些实施方式中,提取特征信息包括:
使用贝叶斯算法将多种虚拟机信息的数据融合为一种;
使用映射或变换从虚拟机信息的较多数据特征中提取出较少数据特征;
从虚拟机信息的数据特征中选择与系统最优化相关的特征。
在一些实施方式中,生成状态评估和故障检测结果包括:
将特征信息与存储模块中的相应信息进行模糊匹配和阈值比较,生成状态评估;
对状态评估中的故障征兆使用存储模块中的专家知识和诊断来识别故障,确定故障模式、原因、和位置,并生成故障检测结果。
在一些实施方式中,人工智能算法包括威布尔分布模型和贝叶斯神经网络算法,使用威布尔分布模型评估故障征兆的发展趋势、影响、和/或剩余使用寿命,并使用贝叶斯神经网络算法计算未来可能出现的故障。
在一些实施方式中,当节点CPU故障时,进行内存拷贝并启用新的计算节点;当存储节点硬盘故障时,进行硬盘拷贝转移并存储虚拟机快照。
本发明实施例的另一方面,还提供了一种基于人工智能的虚拟机故障迁移装置,使用了上述方法。
本发明实施例的另一方面,还提供了一种计算机设备,包括存储器、至少一个处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时执行上述的方法。
本发明实施例的另一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时执行上述的方法。
本发明实施例的另一方面,还提供了一种计算机程序产品,所述计算机程序产品包括存储在计算机可读存储介质上的计算程序,所述计算程序包括指令,当所述指令被计算机执行时,使所述计算机执行上述方法。
本发明具有以下有益技术效果:本发明实施例提供的基于人工智能的虚拟机故障迁移方法与装置,通过采集虚拟机信息、提取特征信息、生成状态评估和故障检测结果、获得故障预测、并生成迁移决策并据此迁移虚拟机的技术方案,能够针对不同虚拟机或不同类型的虚拟机进行故障迁移,提高虚拟环境的可靠性和可用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的基于人工智能的虚拟机故障迁移方法的实施例的流程示意图;
图2为本发明提供的基于人工智能的虚拟机故障迁移方法的实施例的设备连接关系示意图;
图3为本发明提供的执行所述基于人工智能的虚拟机故障迁移方法的计算机设备的一个实施例的硬件结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明实施例进一步详细说明。
需要说明的是,本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量,可见“第一”“第二”仅为了表述的方便,不应理解为对本发明实施例的限定,后续实施例对此不再一一说明。
基于上述目的,本发明实施例的第一个方面,提出了一种能够针对不同虚拟机或不同类型的虚拟机进行故障迁移的方法的实施例。图1示出的是本发明提供的基于人工智能的虚拟机故障迁移方法的实施例的流程示意图。
所述基于人工智能的虚拟机故障迁移方法,可选地,包括以下步骤:
步骤S101,采集虚拟机信息;
步骤S103,从虚拟机信息中提取特征信息;
步骤S105,根据特征信息检测虚拟机的状态,生成状态评估和故障检测结果;
步骤S107,使用人工智能算法计算状态评估和故障检测结果,获得故障预测;
步骤S109,根据故障预测生成迁移决策并据此迁移虚拟机。
在一些实施方式中,采集虚拟机信息为使用协议采集、代理采集、和/或Libvirt接口采集方式来采集虚拟机和虚拟机所在的物理主机的数据。
具体地,协议采集中的协议可以是SNMP、WMI、Telnet/SSH、JDBC/ODBC、JMX、TCP/IP、Syslog等多种协议;代理采集是通过在物理主机或虚拟机上安装代理采集程序来采集日志等信息;Libvirt接口采集是通过虚拟机控制接口来采集虚拟机信息。
在一些实施方式中,提取特征信息包括:
使用贝叶斯算法将多种虚拟机信息的数据融合为一种;
使用映射或变换从虚拟机信息的较多数据特征中提取出较少数据特征;
从虚拟机信息的数据特征中选择与系统最优化相关的特征。
数据融合是在一定准则下对多种信息进行自动分析和综合,从而完成所需的决策和评估的信息处理过程。数据融合把尽可能多的信息(包括采集的数据、设备基本信息、历史数据和维修记录等)通过贝叶斯算法处理数据需求融合在一起,得到综合的结果,以方便后续步骤进行处理。特征提取是用映射或变换的方法,把较多的原始特征变换为较少的新特征,降低处理的特征的数量;特征选择是从原始特征中挑选出使系统最优化的特征,抛弃无关特征。
在一些实施方式中,生成状态评估和故障检测结果包括:
将特征信息与存储模块中的相应信息进行模糊匹配和阈值比较,生成状态评估;
对状态评估中的故障征兆使用存储模块中的专家知识和诊断来识别故障,确定故障模式、原因、和位置,并生成故障检测结果。
故障诊断根据识别出的故障征兆和阈值判断,结合专家系统判断故障模式、原因和位置。专家系统包含判断规则和判断结论,并通过特征匹配生成故障诊断结果。
在一些实施方式中,人工智能算法包括威布尔分布模型和贝叶斯神经网络算法,使用威布尔分布模型评估故障征兆的发展趋势、影响、和/或剩余使用寿命,并使用贝叶斯神经网络算法计算未来可能出现的故障。
记性故障预测所使用的数据信息除状态评估和故障检测结果之外,还可以包括监测的各种参数、使用状况、当前的环境和工作条件、早先的试验数据和历史经验等等。
在一些实施方式中,当节点CPU故障时,进行内存拷贝并启用新的计算节点;当存储节点硬盘故障时,进行硬盘拷贝转移并存储虚拟机快照。
根据诊断和预测的结果,通过综合分析、评判生成迁移决策,进行虚拟机的自动迁移并实现故障规避或故障恢复。
从上述实施例可以看出,本发明实施例提供的基于人工智能的虚拟机故障迁移方法,通过采集虚拟机信息、提取特征信息、生成状态评估和故障检测结果、获得故障预测、并生成迁移决策并据此迁移虚拟机的技术方案,能够针对不同虚拟机或不同类型的虚拟机进行故障迁移,提高虚拟环境的可靠性和可用性。
需要特别指出的是,上述基于人工智能的虚拟机故障迁移方法的各个实施例中的各个步骤均可以相互交叉、替换、增加、删减,因此,这些合理的排列组合变换之于基于人工智能的虚拟机故障迁移方法也应当属于本发明的保护范围,并且不应将本发明的保护范围局限在所述实施例之上。
基于上述目的,本发明实施例的第二个方面,提出了一种能够针对不同虚拟机或不同类型的虚拟机进行故障迁移的装置的实施例。所述基于人工智能的虚拟机故障迁移装置使用了上述的基于人工智能的虚拟机故障迁移方法。
本发明实施例提供的基于人工智能的虚拟机故障迁移装置,通过采集虚拟机信息、提取特征信息、生成状态评估和故障检测结果、获得故障预测、并生成迁移决策并据此迁移虚拟机的技术方案,能够针对不同虚拟机或不同类型的虚拟机进行故障迁移,提高虚拟环境的可靠性和可用性。
需要特别指出的是,上述基于人工智能的虚拟机故障迁移装置的实施例采用了所述基于人工智能的虚拟机故障迁移方法的实施例来具体说明各模块的工作过程,本领域技术人员能够很容易想到,将这些模块应用到所述基于人工智能的虚拟机故障迁移方法的其他实施例中。当然,由于所述基于人工智能的虚拟机故障迁移方法实施例中的各个步骤均可以相互交叉、替换、增加、删减,因此,这些合理的排列组合变换之于所述基于人工智能的虚拟机故障迁移装置也应当属于本发明的保护范围,并且不应将本发明的保护范围局限在所述实施例之上。
基于上述目的,本发明实施例的第三个方面,提出了一种执行所述基于人工智能的虚拟机故障迁移方法的计算机设备的一个实施例。
所述执行所述基于人工智能的虚拟机故障迁移方法的计算机设备包括存储器、至少一个处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时执行上述任意一种方法。
如图3所示,为本发明提供的执行所述基于人工智能的虚拟机故障迁移方法的计算机设备的一个实施例的硬件结构示意图。
以如图3所示的计算机设备为例,在该计算机设备中包括一个处理器301以及一个存储器302,并还可以包括:输入装置303和输出装置304。
处理器301、存储器302、输入装置303和输出装置304可以通过总线或者其他方式连接,图3中以通过总线连接为例。
存储器302作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的所述基于人工智能的虚拟机故障迁移方法对应的程序指令/模块。处理器301通过运行存储在存储器302中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例的基于人工智能的虚拟机故障迁移方法。
存储器302可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据基于人工智能的虚拟机故障迁移装置的使用所创建的数据等。此外,存储器302可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器302可选包括相对于处理器301远程设置的存储器,这些远程存储器可以通过网络连接至本地模块。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置303可接收输入的数字或字符信息,以及产生与基于人工智能的虚拟机故障迁移装置的用户设置以及功能控制有关的键信号输入。输出装置304可包括显示屏等显示设备。
所述一个或者多个基于人工智能的虚拟机故障迁移方法对应的程序指令/模块存储在所述存储器302中,当被所述处理器301执行时,执行上述任意方法实施例中的基于人工智能的虚拟机故障迁移方法。
所述执行所述基于人工智能的虚拟机故障迁移方法的计算机设备的任何一个实施例,可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
基于上述目的,本发明实施例的第四个方面,提出了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的基于人工智能的虚拟机故障迁移方法与实现上述任意装置/系统实施例中的基于人工智能的虚拟机故障迁移装置/系统。所述计算机可读存储介质的实施例,可以达到与之对应的前述任意方法与装置/系统实施例相同或者相类似的效果。
基于上述目的,本发明实施例的第五个方面,提出了一种计算机程序产品,该计算机程序产品包括存储在计算机可读存储介质上的计算程序,该计算机程序包括指令,当该指令被计算机执行时,使该计算机执行上述任意方法实施例中的基于人工智能的虚拟机故障迁移方法与实现上述任意装置/系统实施例中的基于人工智能的虚拟机故障迁移装置/系统。所述计算机程序产品的实施例,可以达到与之对应的前述任意方法与装置/系统实施例相同或者相类似的效果。
最后需要说明的是,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。所述计算机程序的实施例,可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
此外,典型地,本发明实施例公开所述的装置、设备等可为各种电子终端设备,例如手机、个人数字助理(PDA)、平板电脑(PAD)、智能电视等,也可以是大型终端设备,如服务器等,因此本发明实施例公开的保护范围不应限定为某种特定类型的装置、设备。本发明实施例公开所述的客户端可以是以电子硬件、计算机软件或两者的组合形式应用于上述任意一种电子终端设备中。
此外,根据本发明实施例公开的方法还可以被实现为由CPU执行的计算机程序,该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被CPU执行时,执行本发明实施例公开的方法中限定的上述功能。
此外,上述方法步骤以及系统单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。
此外,应该明白的是,本文所述的计算机可读存储介质(例如,存储器)可以是易失性存储器或非易失性存储器,或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的,非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM),该RAM可以充当外部高速缓存存储器。作为例子而非限制性的,RAM可以以多种形式获得,比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)以及直接Rambus RAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。
本领域技术人员还将明白的是,结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性,已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现所述的功能,但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里所述功能的下列部件来实现或执行:通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器,但是可替换地,处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合,例如,DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。
结合这里的公开所描述的方法或算法的步骤可以直接包含在硬件中、由处理器执行的软件模块中或这两者的组合中。软件模块可以驻留在RAM存储器、快闪存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域已知的任何其它形式的存储介质中。示例性的存储介质被耦合到处理器,使得处理器能够从该存储介质中读取信息或向该存储介质写入信息。在一个替换方案中,所述存储介质可以与处理器集成在一起。处理器和存储介质可以驻留在ASIC中。ASIC可以驻留在用户终端中。在一个替换方案中,处理器和存储介质可以作为分立组件驻留在用户终端中。
在一个或多个示例性设计中,所述功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现,则可以将所述功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质,该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的,该计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储设备、磁盘存储设备或其它磁性存储设备,或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外,任何连接都可以适当地称为计算机可读介质。例如,如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(DSL)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件,则上述同轴线缆、光纤线缆、双绞线、DSL或诸如红外线、无线电和微波的无线技术均包括在介质的定义。如这里所使用的,磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘、蓝光盘,其中磁盘通常磁性地再现数据,而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。
以上是本发明公开的示例性实施例,但是应当注意,在不背离权利要求限定的本发明实施例公开的范围的前提下,可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外,尽管本发明实施例公开的元素可以以个体形式描述或要求,但除非明确限制为单数,也可以理解为多个。
应当理解的是,在本文中使用的,除非上下文清楚地支持例外情况,单数形式“一个”(“a”、“an”、“the”)旨在也包括复数形式。还应当理解的是,在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本发明实施例公开实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子;在本发明实施例的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,并存在如上所述的本发明实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。因此,凡在本发明实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明实施例的保护范围之内。
Claims (10)
1.一种基于人工智能的虚拟机故障迁移方法,其特征在于,包括以下步骤:
采集虚拟机信息;
从所述虚拟机信息中提取特征信息;
根据所述特征信息检测所述虚拟机的状态,生成状态评估和故障检测结果;
使用人工智能算法计算所述状态评估和所述故障检测结果,获得故障预测;
根据所述故障预测生成迁移决策并据此迁移所述虚拟机。
2.根据权利要求1所述的方法,其特征在于,所述采集虚拟机信息为使用协议采集、代理采集、和/或Libvirt接口采集方式来采集所述虚拟机和所述虚拟机所在的物理主机的数据。
3.根据权利要求1所述的方法,其特征在于,提取所述特征信息包括:
使用贝叶斯算法将多种所述虚拟机信息的数据融合为一种;
使用映射或变换从所述虚拟机信息的较多数据特征中提取出较少数据特征;
从所述虚拟机信息的数据特征中选择与系统最优化相关的特征。
4.根据权利要求1所述的方法,其特征在于,生成所述状态评估和所述故障检测结果包括:
将所述特征信息与存储模块中的相应信息进行模糊匹配和阈值比较,生成所述状态评估;
对所述状态评估中的故障征兆使用所述存储模块中的专家知识和诊断来识别故障,确定故障模式、原因、和位置,并生成故障检测结果。
5.根据权利要求1所述的方法,其特征在于,所述人工智能算法包括威布尔分布模型和贝叶斯神经网络算法,使用所述威布尔分布模型评估故障征兆的发展趋势、影响、和/或剩余使用寿命,并使用所述贝叶斯神经网络算法计算未来可能出现的故障。
6.根据权利要求1所述的方法,其特征在于,当节点CPU故障时,进行内存拷贝并启用新的计算节点;当存储节点硬盘故障时,进行硬盘拷贝转移并存储虚拟机快照。
7.一种基于人工智能的虚拟机故障迁移装置,其特征在于,使用如权利要求1-6任意一项所述的方法。
8.一种计算机设备,包括存储器、至少一个处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时执行如权利要求1-6任意一项所述的方法。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时执行权利要求1-6任意一项所述的方法。
10.一种计算机程序产品,其特征在于,所述计算机程序产品包括存储在计算机可读存储介质上的计算程序,所述计算程序包括指令,当所述指令被计算机执行时,使所述计算机执行权利要求1-6任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810574394.XA CN108762993A (zh) | 2018-06-06 | 2018-06-06 | 一种基于人工智能的虚拟机故障迁移方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810574394.XA CN108762993A (zh) | 2018-06-06 | 2018-06-06 | 一种基于人工智能的虚拟机故障迁移方法与装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108762993A true CN108762993A (zh) | 2018-11-06 |
Family
ID=63999113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810574394.XA Pending CN108762993A (zh) | 2018-06-06 | 2018-06-06 | 一种基于人工智能的虚拟机故障迁移方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108762993A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110377396A (zh) * | 2019-07-04 | 2019-10-25 | 深圳先进技术研究院 | 一种虚拟机自动迁移方法、系统及电子设备 |
CN111857968A (zh) * | 2020-07-29 | 2020-10-30 | 山东超越数控电子股份有限公司 | 一种虚拟机的热迁移方法、系统、设备以及介质 |
US11777824B2 (en) | 2019-07-05 | 2023-10-03 | Zte Corporation | Anomaly detection method and apparatus |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034207A (zh) * | 2012-12-14 | 2013-04-10 | 江苏飞尚安全监测咨询有限公司 | 一种基础设施健康监测系统及其实施过程 |
CN103440160A (zh) * | 2013-08-15 | 2013-12-11 | 华为技术有限公司 | 虚拟机恢复方法和虚拟机迁移方法以及装置与系统 |
US20140067773A1 (en) * | 2012-08-30 | 2014-03-06 | Oracle International Corporation | Transient detection for predictive health management of data processing systems |
CN104079874A (zh) * | 2014-06-12 | 2014-10-01 | 黄河科技学院 | 一种基于物联网技术的安防一体化系统及方法 |
CN104598707A (zh) * | 2013-10-31 | 2015-05-06 | 大连智友软件科技有限公司 | 基于多贝叶斯估计法的检测数据融合方法 |
CN104636493A (zh) * | 2015-03-04 | 2015-05-20 | 浪潮电子信息产业股份有限公司 | 一种基于多分类器融合的动态数据分级方法 |
CN106293874A (zh) * | 2016-07-29 | 2017-01-04 | 浪潮(北京)电子信息产业有限公司 | 一种对高可用集群进行监控的方法及装置 |
CN106447137A (zh) * | 2016-11-18 | 2017-02-22 | 广东省科技基础条件平台中心 | 一种基于信息融合和马尔可夫模型的交通客流预测方法 |
CN107544839A (zh) * | 2016-06-27 | 2018-01-05 | 腾讯科技(深圳)有限公司 | 虚拟机迁移系统、方法及装置 |
CN108090606A (zh) * | 2017-12-12 | 2018-05-29 | 上海应用技术大学 | 设备故障发现方法及系统 |
WO2018095414A1 (zh) * | 2016-11-25 | 2018-05-31 | 中兴通讯股份有限公司 | 虚拟机故障的检测和恢复方法及装置 |
-
2018
- 2018-06-06 CN CN201810574394.XA patent/CN108762993A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140067773A1 (en) * | 2012-08-30 | 2014-03-06 | Oracle International Corporation | Transient detection for predictive health management of data processing systems |
CN103034207A (zh) * | 2012-12-14 | 2013-04-10 | 江苏飞尚安全监测咨询有限公司 | 一种基础设施健康监测系统及其实施过程 |
CN103440160A (zh) * | 2013-08-15 | 2013-12-11 | 华为技术有限公司 | 虚拟机恢复方法和虚拟机迁移方法以及装置与系统 |
CN104598707A (zh) * | 2013-10-31 | 2015-05-06 | 大连智友软件科技有限公司 | 基于多贝叶斯估计法的检测数据融合方法 |
CN104079874A (zh) * | 2014-06-12 | 2014-10-01 | 黄河科技学院 | 一种基于物联网技术的安防一体化系统及方法 |
CN104636493A (zh) * | 2015-03-04 | 2015-05-20 | 浪潮电子信息产业股份有限公司 | 一种基于多分类器融合的动态数据分级方法 |
CN107544839A (zh) * | 2016-06-27 | 2018-01-05 | 腾讯科技(深圳)有限公司 | 虚拟机迁移系统、方法及装置 |
CN106293874A (zh) * | 2016-07-29 | 2017-01-04 | 浪潮(北京)电子信息产业有限公司 | 一种对高可用集群进行监控的方法及装置 |
CN106447137A (zh) * | 2016-11-18 | 2017-02-22 | 广东省科技基础条件平台中心 | 一种基于信息融合和马尔可夫模型的交通客流预测方法 |
WO2018095414A1 (zh) * | 2016-11-25 | 2018-05-31 | 中兴通讯股份有限公司 | 虚拟机故障的检测和恢复方法及装置 |
CN108090606A (zh) * | 2017-12-12 | 2018-05-29 | 上海应用技术大学 | 设备故障发现方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110377396A (zh) * | 2019-07-04 | 2019-10-25 | 深圳先进技术研究院 | 一种虚拟机自动迁移方法、系统及电子设备 |
US11777824B2 (en) | 2019-07-05 | 2023-10-03 | Zte Corporation | Anomaly detection method and apparatus |
CN111857968A (zh) * | 2020-07-29 | 2020-10-30 | 山东超越数控电子股份有限公司 | 一种虚拟机的热迁移方法、系统、设备以及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230291786A1 (en) | Client-directed placement of remotely-configured service instances | |
US10353634B1 (en) | Storage tier-based volume placement | |
US9542296B1 (en) | Disk replacement using a predictive statistical model | |
US10564870B1 (en) | Placing data storage volumes | |
CN108984335A (zh) | 备份和恢复数据的方法和系统 | |
US9104572B1 (en) | Automated root cause analysis | |
US10346248B2 (en) | Failure resistant volume creation in a shared storage environment | |
CN106170777A (zh) | 降低基于块的存储的数据卷耐久性状态 | |
CN108762993A (zh) | 一种基于人工智能的虚拟机故障迁移方法与装置 | |
CN114041112A (zh) | 虚拟存储系统架构 | |
JP2021531557A (ja) | データ・セットにとっておよびデータ・セットの移行にとって最適なストレージ環境の判定 | |
CN103516755B (zh) | 虚拟存储方法及设备 | |
CN106446159B (zh) | 一种存储文件的方法、第一虚拟机及名称节点 | |
CN105912557A (zh) | 用于管理存储器中的数据的系统和方法 | |
CN109543891A (zh) | 容量预测模型的建立方法、设备及计算机可读存储介质 | |
US11789651B2 (en) | Compliance monitoring event-based driving of an orchestrator by a storage system | |
CN110058958A (zh) | 用于管理数据备份的方法、设备和计算机程序产品 | |
CN107665219A (zh) | 一种日志管理方法及装置 | |
US20140075318A1 (en) | Generating and evaluating expert networks | |
CN103841178B (zh) | 网络附连存储环境的带内管理的方法和系统 | |
CN107656796A (zh) | 一种虚拟机冷迁移方法、系统及设备 | |
US20220365908A1 (en) | Compliance Monitoring for Datasets Stored at Rest | |
CN108897644A (zh) | 一种双控制器故障处理方法与系统 | |
CN108306780B (zh) | 一种基于云环境的虚拟机通信质量自优化的系统和方法 | |
US11461346B2 (en) | Managing temporal views of data |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |