CN108804210A - 一种云平台的资源配置方法及装置 - Google Patents
一种云平台的资源配置方法及装置 Download PDFInfo
- Publication number
- CN108804210A CN108804210A CN201810367652.7A CN201810367652A CN108804210A CN 108804210 A CN108804210 A CN 108804210A CN 201810367652 A CN201810367652 A CN 201810367652A CN 108804210 A CN108804210 A CN 108804210A
- Authority
- CN
- China
- Prior art keywords
- virtual machine
- migration
- transition condition
- test
- load parameter
- 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.)
- Granted
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
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- 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
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)
Abstract
本发明实施例提供了一种云平台的资源配置方法及装置,方法包括:在各虚拟机中确定出空转虚拟机;确定各空转虚拟机的资源占用值;获取各物理机的可用资源;将各空转虚拟机的虚拟机标识、资源占用值,以及各物理机的可用资源、位置区域模型发送给自动迁移模型;以使自动迁移模型根据预设的迁移条件输出待迁移虚拟机和迁移目标物理机;将待迁移虚拟机配置到迁移目标物理机。本发明实施例在实现资源配置的过程,管理员只需要设定迁移条件即可,而不需要去确定待迁移虚拟机和迁移目标物理机,也不需要手动完成将待迁移虚拟机配置到迁移目标物理机步骤,操作简单。
Description
技术领域
本发明涉及云计算技术领域,特别是涉及一种云平台的资源配置方法及装置。
背景技术
随着虚拟化技术的发展,越来越多的云计算系统将服务封装在虚拟机后映射到物理机上,一台物理机可以映射多台虚拟机的服务。
因为物理机所处的区域经济发展等的不同,物理机的架设会存在性能、成本差异,例如在上海架设物理机A的成本会比西安的物理机B高,但因为地理位置等优势,也能提供比物理机B更好的性能和资源,例如更短的响应时间等。由于虚拟机在运行过程中会出现空转或低负载的情况,因此,当物理机A中空转的虚拟机数量较多时就会造成该物理机A的资源浪费,而真正需要部署在这些高成本物理机A的虚拟机,往往因为没有足够的资源而无法实施。
现有技术中,当需要改善各物理机中虚拟机的配置情况时,通常通过管理员在线手动迁移,将虚拟机从一台物理机迁移到另一台物理机,操作复杂,工作量比较大,效率很低。
发明内容
鉴于上述问题,提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种云平台的资源配置方法及装置。
根据本发明的第一方面,提供了一种云平台的资源配置方法,应用于具有物理机、虚拟机和自动迁移模型的资源配置系统,其中,所述物理机对应有物理机标识,所述虚拟机对应有虚拟机标识;各所述物理机中设置有虚拟机;所述方法包括:
在各所述虚拟机中确定出空转虚拟机;
确定各所述空转虚拟机的资源占用值;
获取各所述物理机的可用资源;
将各所述空转虚拟机的虚拟机标识、资源占用值,以及各所述物理机的可用资源、位置区域模型发送给自动迁移模型;
以使所述自动迁移模型根据预设的迁移条件输出待迁移虚拟机和迁移目标物理机;
将所述待迁移虚拟机配置到所述迁移目标物理机。
根据本发明的第二方面,提供了一种云平台的资源配置装置,应用于具有物理机、虚拟机和自动迁移模型的资源配置系统,其中,所述物理机对应有物理机标识,所述虚拟机对应有虚拟机标识;各所述物理机中设置有虚拟机;所述装置包括:
空转虚拟机确定模块,用于在各所述虚拟机中确定出空转虚拟机;
空转虚拟机资源占用值确定模块,用于确定各所述空转虚拟机的资源占用值;
物理机可用资源获取模块,用于获取各所述物理机的可用资源;
发送模块,用于将各所述空转虚拟机的虚拟机标识、资源占用值,以及各所述物理机的可用资源、位置区域模型发送给自动迁移模型;以使所述自动迁移模型根据预设的迁移条件输出待迁移虚拟机和迁移目标物理机;配置模块,用于将所述待迁移虚拟机配置到所述迁移目标物理机。
本发明实施例包括以下优点:
本发明实施例通过在各虚拟机中确定出空转虚拟机,及该空转虚拟机的资源占用值,和各物理机的可用资源,可以得到各物理机、及各物理机中设置的虚拟机的当前运行情况,将空转虚拟机对应的虚拟机标识、资源占用值、以及各物理机的可用资源、位置区域模型发送给自动迁移模型;则自动迁移模型可以通过上述参数确根据预设的迁移条件输出待迁移虚拟机和迁移目标物理机;进而可以将待迁移虚拟机配置到迁移目标物理机。即本发明实施例实现了自动收集各虚拟机、物理机当前运作情况后,由自动迁移模型根据当前运行情况和位置区域模型,自动输出待迁移虚拟机和迁移目标物理机,自动将待迁移虚拟机配置到迁移目标物理机,在实现资源配置的过程,管理员只需要设定迁移条件即可,而不需要去确定待迁移虚拟机和迁移目标物理机,也不需要手动完成将待迁移虚拟机配置到迁移目标物理机步骤,操作简单,大大减少了工作量。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述技术方案和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1是本发明实施例提供的一种云平台的资源配置方法的流程图;
图2是本发明实施例提供的一种云平台的资源配置方法的具体流程图;
图3是本发明实施例提供的一种云平台的资源配置装置的框图;
图4是本发明实施例提供的一种云平台的资源配置装置的具体框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
应当理解,此处所描述的具体实施例仅用以解释本发明,仅仅是本发明一部分实施例,而不是全部的实施例,并不用于限定本发明。
实施例一
参照图1,示出了一种云平台的资源配置方法的流程图。
本发明实施例可以应用于具有物理机、虚拟机和自动迁移模型的资源配置系统,其中,所述物理机对应有物理机标识,所述虚拟机对应有虚拟机标识;各所述物理机中设置有虚拟机。
具体应用中,一个地域通常设置多个机房,机房中放置着物理机,物理机中设置着不同的虚拟机,通过虚拟机处理各项业务。物理机标识通常不仅包括物理机的设备标识等,还对应着物理机所处机房的位置标识,通过物理机标识,可以确定该物理机标识对应的物理机是机房中具体的某一台物理机,及,该物理机所处的位置区域;虚拟机标识不仅包括虚拟机自身的业务标识等,还对应着该虚拟机所设置的物理机标识,通过虚拟机标识,可以确定该虚拟机标识对应的虚拟机是处于某个物理机的具体某个虚拟机。
本发明实施例中,自动迁移模型可以是预先通过训练得到的,根据不同的输入,自动确定出待迁移的虚拟机和迁移目标物理机的模型。
该方法具体可以包括如下步骤:
步骤101:在各所述虚拟机中确定出空转虚拟机。
本发明实施例中,可以根据各虚拟机的CPU运行情况、存储器负载情况、磁盘负载情况、网络负载情况等,确定出各虚拟机的实际运行状况,将CPU、存储器、磁盘、网络等负载较小或处于空转状态的虚拟机,确定为空转虚拟机。
步骤102:确定各所述空转虚拟机的资源占用值。
本发明实施例中,确定出空转虚拟机后,可以根据各空转虚拟机实际所承担的业务、CPU、存储器、磁盘、网络等所需的资源,确定出各空转虚拟机所需要的资源占用值。
步骤103:获取各所述物理机的可用资源。
实际应用中,可以根据对物理机进行测试,得到物理机的实际使用情况,进而确定出本发明实施例的资源配置系统中的各物理机的可用资源;也可以在确定出各物理机中设置的各虚拟机所占用的资源后,用该物理机所能承担的全部有用资源,减去该物理机中全部的虚拟机的占用资源,确定出该物理机的可用资源。
步骤104:将各所述空转虚拟机的虚拟机标识、资源占用值,以及各所述物理机的可用资源、位置区域模型发送给自动迁移模型;以使所述自动迁移模型根据预设的迁移条件输出待迁移虚拟机和迁移目标物理机。
本发明实施中,位置区域模型用于根据各所述物理机的物理机标识,映射出不同物理机之间的通信成本和各所述物理机的区域权值,具体应用中,位置区域模型可以是记录某位置区域中架设的各机房、物理机的模型,在位置区域模型中,可以获知处于该位置区域的机房中设置有多少台物理机,各物理机所处的具体区域,各区域的权值,比如设置在市中心的物理机通常比设置在偏远郊区的物理机能提供更短的响应时间、更快的计算速度等资源,将虚拟机部署在市中心的物理机的成本通常高于部署在偏远郊区的物理机的成本,因此,市中心的物理机的区域权值通常高于偏远郊区的物理机的区域权值;在位置区域模型中,还可以获知各物理机之间的通信成本,举例来说,两个距离较近的物理机之间的通信成本通常低于两个距离较远的物理机之间的通信成本,在位置区域模型中,可以根据某个具体物理机的物理机位置标识,获知该物理机与该位置区域模型中其他物理机之间的通信成本。
具体应用中,当自动迁移模型接收到输入的各空转虚拟机的虚拟机标识、资源占用值,以及各物理机的可用资源、位置区域模型后,可以根据预设的迁移条件,输出待迁移虚拟机和迁移目标物理机。举例来说,当设定的迁移条件为最佳资源分配迁移条件时,自动迁移模型可以根据各空转虚拟机的虚拟机标识,判定各空转虚拟机所处理业务的关键度,确定出待迁移虚拟机,例如,关键度高的待处理虚拟机所对应的迁移目标物理机可以是区域权值较高、可用资源充足的物理机,关键度低的待处理虚拟机所对应的迁移目标物理机可以是区域权值较低、可用资源充足的的物理机,还可以同时均衡各物理机中设置的虚拟机的负载,使得各物理机都处于资源均衡的状态,避免出现部分物理机中部署的虚拟机都高负荷运行,而另一部分物理机中部署的虚拟机大多处于空转状态现象的发生;当迁移条件为最低迁移消耗迁移条件时,自动迁移模型可以根据各空转虚拟机的虚拟机标识,查找与该空转虚拟机所依附的物理机通信成本较低、区域权值较低、可用资源充足的物理机,将该空转虚拟机作为待迁移虚拟机,将对应的物理机作为的迁移目标物理机。本领域技术人员还可以根据实际的应用场景,设定具体的迁移条件,确定相应的待迁移虚拟机和迁移目标物理机,本发明实施例对此不作具体限制。
步骤105:将所述待迁移虚拟机配置到所述迁移目标物理机。
具体应用中,在确定出待迁移虚拟机和迁移目标物理机后,资源配置系统可以自动将待迁移虚拟机配置到迁移目标物理机,实现资源配置系统中虚拟机的自动迁移。
综上所述,本发明实施例通过在各虚拟机中确定出空转虚拟机,及该空转虚拟机的资源占用值,和各物理机的可用资源,可以得到各物理机、及各物理机中设置的虚拟机的当前运行情况,将空转虚拟机对应的虚拟机标识、资源占用值、以及各物理机的可用资源、位置区域模型发送给自动迁移模型;则自动迁移模型可以通过上述参数确根据预设的迁移条件输出待迁移虚拟机和迁移目标物理机;进而可以将待迁移虚拟机配置到迁移目标物理机。即本发明实施例实现了自动收集各虚拟机、物理机当前运作情况后,由自动迁移模型根据当前运行情况和位置区域模型,自动输出待迁移虚拟机和迁移目标物理机,自动将待迁移虚拟机配置到迁移目标物理机,在实现资源配置的过程,管理员只需要设定迁移条件即可,而不需要去确定待迁移虚拟机和迁移目标物理机,也不需要手动完成将待迁移虚拟机配置到迁移目标物理机步骤,操作简单,大大减少了工作量。
实施例二
参照图2,示出了一种云平台的资源配置方法的具体流程图。
本发明实施例可以应用于具有物理机、虚拟机和自动迁移模型的资源配置系统,其中,所述物理机对应有物理机标识,所述虚拟机对应有虚拟机标识;各所述物理机中设置有虚拟机。
该方法具体可以包括如下步骤:
步骤201:获取各采集器中采集的虚拟机的负载参数,其中,所述采集器设置于所述虚拟机中。
本发明实施例中,在每个虚拟机中设置采集器,采集器可以是运行脚本的程序模块,也可以是其他形式的模块,采集器可以监控虚拟机的运行情况,记录虚拟机的负载参数。
具体应用中,可以每隔一段时间获取一次采集器中虚拟机的负载参数,也可以连续的获取采集器中虚拟机的负载参数,本领域技术人员可以根据实际情况采用适应的获取各采集器中采集的虚拟机的负载参数的方法,本发明实施例对此不做具体限制。
作为本发明实施例的一种优选方案,所述负载参数至少包括以下参数的其中一个:CPU负载参数、存储器负载参数、磁盘负载参数、网络负载参数。
本发明实施例中,可以分别获取CPU负载参数、存储器负载参数、磁盘负载参数、网络负载参数的至少一个,进一步计算各获取的负载参数的空转率,对各参数的空转率进行线性求和,得到虚拟机的空转率。较佳地,由于内存能很好的反映虚拟机的负载情况,该存储器负载参数可以是内存负载参数。
优选地,所述CPU负载参数、所述存储器负载参数、所述磁盘负载参数、所述网络负载参数分别对应有负载权重,所述负载权重用于反映对应的负载参数在虚拟机业务处理中的重要程度。
具体应用中,举例来说,CPU在虚拟机业务处理中起到很重要的作用,CPU的运行情况往往能较大程度反映虚拟机的运转情况,存储器MEM、磁盘Disk、网络NET在虚拟机业务处理中起到的作用相对于CPU来说小一些,存储器MEM、磁盘Disk、网络NET的运行情况较小程度反映虚拟机的运转情况,因此,可以设定CPU负载参数的负载权重为较大值,存储器负载参数、磁盘负载参数、网络负载参数的负载权重为较小值。当然,本领域技术人员可以根据实际情况设定各负载参数的负载权重,本发明实施例对此不做具体限制。
步骤202:根据所述负载参数分别确定各所述虚拟机的空转率。
本发明实施例中,以负载参数包括CPU负载参数、存储器负载参数、磁盘负载参数、网络负载参数的至少一种为例,所述根据所述负载参数分别确定各所述虚拟机的空转率的步骤包括:
根据所述CPU负载参数及对应的负载权重,和/或,所述存储器负载参数及对应的负载权重,和/或,所述磁盘负载参数及对应的负载权重,和/或,所述网络负载参数及对应的负载权重,确定各所述虚拟机的空转率。
本发明实施例中,各虚拟机的空转率记为ER(empty ratio,空转率),可以根据下述公式分别计算出CPU的空转率ERCPU、MEM的空转率ERMEM、磁盘Disk的空转率ERDisk、网络NET的空转率ERNET。
ERCPU=W1*AVG(CPUutil)+W2*AVG(CPUload)
ERMEM=W3*AVG(MEMutil)
ERDisk=W4*AVG(DISKIO)
ERNET=W5*AVG(NETutil)
其中,W1、W2、W3、W4、W5分别代表ERCPU、ERMEM、ERDisk、RRNET的负载权重,其具体指可以根据实际应用场景进行设定,本发明实施例对此不做限制。
进一步,可以通过ERCPU、ERMEM、ERDisk、ERNET映射得到该虚拟机的空转率ER,如下述公式:
其中,θ的作用是对ERCPU、ERMEM、ERDisk、ERNET的有效位数等进行归一化处理,使得各参数的精度、形式保持一致。
步骤203:将所述空转率低于预设阈值的虚拟机确定为空转虚拟机。
本发明实施例中,预设阈值可以根据实际情况设定,例如,若只是希望将基本处于空转状态的虚拟机迁移,则可以将预设阈值设定为较小的值,若希望将处于半负荷运转以下的虚拟机迁移,则可以将预设阈值设定为较大的值。本发明实施例对此不作具体限制。
具体应用中,在将空转率低于预设阈值的虚拟机确定为空转虚拟机后,可以进一步将该空转虚拟机迁出,在空转虚拟机所处的物理机中设置真正需求的虚拟机。
步骤204:确定各所述空转虚拟机的资源占用值。
步骤205:获取各所述物理机的可用资源。
具体应用中,可以通过确定各物理机中存在的空转虚拟机的情况,确定该物理机的可用资源。例如,可以通在步骤202的基础上,得到各空转虚拟机EVM(Empty VirtualMachine,空转机器)的各项参数,可以进一步计算出各物理机的CRV(Current ResourceValue,实时资源统计)。
具体公式如下:
其中,CRVER·CPU表示物理机中CPU的可用资源,CRVER·MEM表示物理机中存储器的可用资源,CRVER·DISK表示物理机中磁盘的可用资源。
优选地,在具体应用中,在一个机房中设置的物理机,通常性能、成本都是相似的,实际操作中也通常是将虚拟机将一个机房迁移到另一个机房,因此,可以计算各机房的可用资源,使得在迁移虚拟机时,以机房为单位进行查找,相较于逐个查询物理机的可用资源,能减少查找时的资源占用。
具体的,各机房可用资源MRR(machine room resource,机房资源)可以根据设置在该机房的物理机PM的可用资源进行求和得到,如下述公式:
其中,MRRCPU表示机房中CPU的可用资源,MRRMEM表示机房中存储器的可用资源,MRRDISK表示机房中磁盘的可用资源。
优选地,在实际应用中,还可以将计算一个区域的可用资源,例如将上海、西安、杭州等根本确定为一个区域,使得在迁移虚拟机时,以区域为单位进行查找,相较于逐个查询机房的可用资源,能进一步减少查找时的资源占用。各区域中的可用资源RAR(RegionAvail Resource,地域可用资源),可以通过将该区域中设置的机房的可用资源进行求和得到,如下述公式:
其中,RARCPU表示机房中CPU的可用资源,RARMEM表示机房中存储器的可用资源,RARDISK表示机房中磁盘的可用资源。
步骤206:将各所述空转虚拟机的虚拟机标识、资源占用值,以及各所述物理机的可用资源、位置区域模型发送给自动迁移模型;以使所述自动迁移模型根据预设的迁移条件输出待迁移虚拟机和迁移目标物理机。
本发明实施例中,位置区域模型CLM(City Location Model,城市区域模型)中,设置有CL(city location,城市地域模型)、CC(communication cost,通信成本)、CW(cityweight城市权重)的映射关系,可以如下述公式表示:
具体应用中,可以将各空转虚拟机的虚拟机标识、资源占用值,以及各物理机的可用资源、位置区域模型作为自动迁移模型的输入,自动迁移模型可以根据不同的迁移条件自动分析输出待迁移虚拟机和迁移目标物理机。
作为本发明实施例的一种优选方案,所述自动迁移模型基于人工神经网络构建。
基于人工神经网络构建的自动迁移模型是一种模拟大脑结构的机器学习模型。在机器学习领域,神经网络经常被用来对较复杂的任务建模。神经网络的规模,包括深度和宽度都是可以调节的,视应用领域和问题规模而定。
自动迁移模型的结构包括多层,起始层是输入层,终止层是输出层,中间包括零个或者多个隐含层,每一层包括一个或多个节点。输入层规模根据输入变量的数量决定,输出层规模则取决于类别数目。隐含层包括多个神经元,调整神经元数量就可以调整神经网络模型的复杂度和表达能力。一般来说,神经网络越宽越深,其建模能力越强,但是训练这个模型所花的代价也越高。
所述自动迁移模型通过下述步骤训练得到:
将测试虚拟机对应的虚拟机标识、资源占用值,以及所述各物理机的可用资源、所述位置区域模型作为自动迁移模型的输入。以使所述自动迁移模型通过代价函数计算各迁移条件下的测试迁移对象和测试迁移目标;及,
确定所述各迁移条件下计算的各测试迁移对象和测试迁移目标,与,实际迁移样本中的实际迁移对象和实际迁移目标的误差;及,
根据所述误差调整所述自动迁移模型中各节点的参数值,直到所述自动迁移模型输出与所述实际迁移样本误差小于预设误差阈值的测试迁移对象和测试迁移目标。
本发明实施例中,以所述迁移条件包括:最佳资源分配迁移条件、最低迁移消耗迁移条件、限制特征迁移条件的一种为例,详细说明自动迁移模型的训练过程。
具体应用中,在自动迁移模型的输入层接收输入量:各空转虚拟机的虚拟机标识、资源占用值,以及各物理机的可用资源、位置区域模型、迁移条件。
当所述迁移条件为所述最佳资源分配迁移条件时,自动迁移模型可以通过代价函数计算出最佳资源分配时的测试迁移对象和测试迁移目标,代价函数就是用于找到最优解的目的函数。举例来说,该资源配置系统应用于视频网站公司,该公司的主要业务是播放视频,则当根据接收到的空转虚拟机标识,判断出该虚拟机处理的业务是展示评论,该虚拟机设置的物理机位于北京位置,则可以判定该虚拟机属于不重要的虚拟机占据了重要的物理机,且处于空转状态,此时,可以将该空转虚拟机确定为测试迁移对象,在位置区域模型中确定出位于西安等不太重要,且,可用资源满足该空转虚拟机需求的物理机作为测试迁移目标,还可以将处理视频播放业务的虚拟机同时确定为测试迁移对象,在空转虚拟机迁出后,进一步将处理视频播放业务的虚拟机根据实际情况部署到北京的物理机中,实现最佳资源配置迁移。
由于自动迁移模型确定出的测试迁移对象和测试迁移目标不一定符合实际操作时的实际迁移对象和实际迁移目标,需要在隐藏层确定根据所述最佳资源分配迁移条件计算的各测试迁移对象和测试迁移目标,与,所述实际最佳资源分配迁移样本中的实际迁移对象和实际迁移目标的误差;再通过代价函数将该实际误差转换成能够被自动自动迁移模型识别的偏差,根据偏差调整自动迁移模型中各节点(神经元)的参数值,直到误差为零或很小的值,则认为一次对自动迁移模型的训练完成。
当所述迁移条件为最低迁移消耗迁移条件时,自动迁移模型可以通过代价函数计算出最低迁移消耗时的测试迁移对象和测试迁移目标。举例来说,该资源配置系统应用于视频网站公司,该公司的主要业务是播放视频,则当根据接收到的空转虚拟机标识,判断出该虚拟机处理的业务是展示评论,该虚拟机设置的物理机位于北京位置,则可以判定该虚拟机属于不重要的虚拟机占据了重要的物理机,且处于空转状态,此时,可以将该空转虚拟机确定为测试迁移对象,在位置区域模型中确定出距离北京较近、通信成本和区域权重较低,且,可用资源满足该空转虚拟机需求的物理机作为测试迁移目标,实现最低迁移消耗迁移。
由于自动迁移模型确定出的测试迁移对象和测试迁移目标不一定符合实际操作时的实际迁移对象和实际迁移目标,需要在隐藏层确定根据所述最低迁移消耗迁移条件计算的各测试迁移对象和测试迁移目标,与,所述实际最低迁移消耗迁移样本中的实际迁移对象和实际迁移目标的误差;并根据误差调整自动迁移模型中各节点(神经元)的参数值,直到误差为零或很小的值,则认为一次对自动迁移模型的训练完成。
当所述迁移条件为限制特征迁移条件时,自动迁移模型可以通过代价函数计算出最低迁移消耗时的测试迁移对象和测试迁移目标。举例来说,当某一处的机房需要拆除,或者某一区域突然发生灾害等,此时,可以在自动迁移模型中输入拆除区或灾害区等区域位置作为限制条件,将拆除区或灾害区的虚拟机确定为测试迁移对象,在位置区域模型中确定出可用资源满足该测试迁移对象需求的物理机作为测试迁移目标,实现限制特征迁移。
由于自动迁移模型确定出的测试迁移对象和测试迁移目标不一定符合实际操作时的实际迁移对象和实际迁移目标,需要在隐藏层确定根据所述限制特征迁移条件计算的各测试迁移对象和测试迁移目标,与,所述实际限制特征迁移样本中的实际迁移对象和实际迁移目标的误差;并根据误差调整自动迁移模型中各节点(神经元)的参数值,直到误差为零或很小的值,则认为一次对自动迁移模型的训练完成。
步骤207:将所述待迁移虚拟机配置到所述迁移目标物理机。
综上所述,本发明实施例通过在各虚拟机中确定出空转虚拟机,及该空转虚拟机的资源占用值,和各物理机的可用资源,可以得到各物理机、及各物理机中设置的虚拟机的当前运行情况,将空转虚拟机对应的虚拟机标识、资源占用值、以及各物理机的可用资源、位置区域模型发送给自动迁移模型;则自动迁移模型可以通过上述参数确根据预设的迁移条件输出待迁移虚拟机和迁移目标物理机;进而可以将待迁移虚拟机配置到迁移目标物理机。即本发明实施例实现了自动收集各虚拟机、物理机当前运作情况后,由自动迁移模型根据当前运行情况和位置区域模型,自动输出待迁移虚拟机和迁移目标物理机,自动将待迁移虚拟机配置到迁移目标物理机,在实现资源配置的过程,管理员只需要设定迁移条件即可,而不需要去确定待迁移虚拟机和迁移目标物理机,也不需要手动完成将待迁移虚拟机配置到迁移目标物理机步骤,操作简单,大大减少了工作量。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
实施例三
参照图3,示出了一种云平台的资源配置装置的框图,应用于具有物理机、虚拟机和自动迁移模型的资源配置系统,其中,所述物理机对应有物理机标识,所述虚拟机对应有虚拟机标识;各所述物理机中设置有虚拟机;该装置具体可以包括:
空转虚拟机确定模块310,用于在各所述虚拟机中确定出空转虚拟机。
空转虚拟机资源占用值确定模块320,用于确定各所述空转虚拟机的资源占用值。
物理机可用资源获取模块330,用于获取各所述物理机的可用资源。
发送模块340,用于将各所述空转虚拟机的虚拟机标识、资源占用值,以及各所述物理机的可用资源、位置区域模型发送给自动迁移模型;以使所述自动迁移模型根据预设的迁移条件输出待迁移虚拟机和迁移目标物理机。
配置模块350,用于将所述待迁移虚拟机配置到所述迁移目标物理机。
优选的,参照图4,在图3的基础上示出了一种云平台的资源配置装置的具体框图。
在所述装置中,所述自动迁移模型基于人工神经网络构建;
所述自动迁移模型通过下述模块训练得到:
输入接收模块,用于将测试空转虚拟机对应的虚拟机标识、资源占用值,以及所述各物理机的可用资源、所述位置区域模型作为自动迁移模型的输入;
测试迁移对象和测试迁移目标确定模块,用于以使所述自动迁移模型通过代价函数计算各迁移条件下的测试迁移对象和测试迁移目标;及,
误差确定模块,用于确定所述各迁移条件下计算的各测试迁移对象和测试迁移目标,与,实际迁移样本中的实际迁移对象和实际迁移目标的误差;及,
调整模块,用于根据所述误差调整所述自动迁移模型中各节点的参数值,直到所述自动迁移模型输出与所述实际迁移样本误差小于预设误差阈值的测试迁移对象和测试迁移目标。
所述空转虚拟机确定模块310包括:
负载参数获取子模块3101,用于获取各采集器中采集的虚拟机的负载参数,其中,所述采集器设置于所述虚拟机中。
空转率确定子模块3102,用于根据所述负载参数分别确定各所述虚拟机的空转率。
空转虚拟机确定子模块3103,用于将所述空转率低于预设阈值的虚拟机确定为空转虚拟机。
优选地,所述负载参数至少包括以下参数的其中一个:CPU负载参数、存储器负载参数、磁盘负载参数、网络负载参数。
优选地,所述CPU负载参数、所述存储器负载参数、所述磁盘负载参数、所述网络负载参数分别对应有负载权重,所述负载权重用于反映对应的负载参数在虚拟机业务处理中的重要程度;所述空转率确定子模块3102包括:
空转率确定单元,用于根据所述CPU负载参数及对应的负载权重,和/或,所述存储器负载参数及对应的负载权重,和/或,所述磁盘负载参数及对应的负载权重,和/或,所述网络负载参数及对应的负载权重,确定各所述虚拟机的空转率。
优选地,所述迁移条件包括:最佳资源分配迁移条件、最低迁移消耗迁移条件、限制特征迁移条件的一种;所述误差确定模块包括:
第一误差确定子模块,用于当所述迁移条件为所述最佳资源分配迁移条件时,所述实际迁移样本为实际最佳资源分配迁移样本;确定根据所述最佳资源分配迁移条件计算的各测试迁移对象和测试迁移目标,与,所述实际最佳资源分配迁移样本中的实际迁移对象和实际迁移目标的误差。
第二误差确定子模块,用于当所述迁移条件为最低迁移消耗迁移条件时,所述实际迁移样本为实际最低迁移消耗迁移样本;确定根据所述最低迁移消耗迁移条件计算的各测试迁移对象和测试迁移目标,与,所述实际最低迁移消耗迁移样本中的实际迁移对象和实际迁移目标的误差。
第三误差确定子模块,用于当所述迁移条件为限制特征迁移条件时,所述实际迁移样本为实际限制特征迁移样本;确定根据所述限制特征迁移条件计算的各测试迁移对象和测试迁移目标,与,所述实际限制特征迁移样本中的实际迁移对象和实际迁移目标的误差。
本发明实施例包括以下优点:本发明实施例通过空转虚拟机确定模块310在各虚拟机中确定出空转虚拟机,及通过空转虚拟机资源占用值确定模块320确定该空转虚拟机的资源占用值,和通过物理机可用资源获取模块330确定各物理机的可用资源,可以得到各物理机、及各物理机中设置的虚拟机的当前运行情况,通过发送模块340将空转虚拟机对应的虚拟机标识、资源占用值、以及各物理机的可用资源、位置区域模型发送给自动迁移模型;则自动迁移模型可以通过上述参数确根据预设的迁移条件输出待迁移虚拟机和迁移目标物理机;进而通过配置模块350可以将待迁移虚拟机配置到迁移目标物理机。即本发明实施例实现了自动收集各虚拟机、物理机当前运作情况后,由自动迁移模型根据当前运行情况和位置区域模型,自动输出待迁移虚拟机和迁移目标物理机,自动将待迁移虚拟机配置到迁移目标物理机,在实现资源配置的过程,管理员只需要设定迁移条件即可,而不需要去确定待迁移虚拟机和迁移目标物理机,也不需要手动完成将待迁移虚拟机配置到迁移目标物理机步骤,操作简单,大大减少了工作量。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
在一个典型的配置中,所述计算机设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非持续性的电脑可读媒体(transitory media),如调制的数据信号和载波。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程云平台的资源配置终端设备的处理器以产生一个机器,使得通过计算机或其他可编程云平台的资源配置终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程云平台的资源配置终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程云平台的资源配置终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种云平台的资源配置方法和一种云平台的资源配置装置,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种云平台的资源配置方法,其特征在于,应用于具有物理机、虚拟机和自动迁移模型的资源配置系统,其中,所述物理机对应有物理机标识,所述虚拟机对应有虚拟机标识;各所述物理机中设置有虚拟机;所述方法包括:
在各所述虚拟机中确定出空转虚拟机;
确定各所述空转虚拟机的资源占用值;
获取各所述物理机的可用资源;
将各所述空转虚拟机的虚拟机标识、资源占用值,以及各所述物理机的可用资源、位置区域模型发送给自动迁移模型;
以使所述自动迁移模型根据预设的迁移条件输出待迁移虚拟机和迁移目标物理机;
将所述待迁移虚拟机配置到所述迁移目标物理机。
2.根据权利要求1所述的方法,其特征在于,所述自动迁移模型基于人工神经网络构建;
所述自动迁移模型通过下述步骤训练得到:
将测试虚拟机对应的虚拟机标识、资源占用值,以及所述各物理机的可用资源、所述位置区域模型作为自动迁移模型的输入;
以使所述自动迁移模型通过代价函数计算各迁移条件下的测试迁移对象和测试迁移目标;及,
确定所述各迁移条件下计算的各测试迁移对象和测试迁移目标,与,实际迁移样本中的实际迁移对象和实际迁移目标的误差;及,
根据所述误差调整所述自动迁移模型中各节点的参数值,直到所述自动迁移模型输出与所述实际迁移样本误差小于预设误差阈值的测试迁移对象和测试迁移目标。
3.根据权利要求1所述的方法,其特征在于,所述在各所述虚拟机中确定出空转虚拟机的步骤包括:
获取各采集器中采集的虚拟机的负载参数,其中,所述采集器设置于所述虚拟机中;
根据所述负载参数分别确定各所述虚拟机的空转率;
将所述空转率低于预设阈值的虚拟机确定为空转虚拟机。
4.根据权利要求3所述的方法,其特征在于,所述负载参数至少包括以下参数的其中一个:
CPU负载参数、存储器负载参数、磁盘负载参数、网络负载参数;
所述CPU负载参数、所述存储器负载参数、所述磁盘负载参数、所述网络负载参数分别对应有负载权重,所述负载权重用于反映对应的负载参数在虚拟机业务处理中的重要程度;
所述根据所述负载参数分别确定各所述虚拟机的空转率的步骤包括:
根据所述CPU负载参数及对应的负载权重,和/或,所述存储器负载参数及对应的负载权重,和/或,所述磁盘负载参数及对应的负载权重,和/或,所述网络负载参数及对应的负载权重,确定各所述虚拟机的空转率。
5.根据权利要求2所述的方法,其特征在于,所述迁移条件包括:最佳资源分配迁移条件、最低迁移消耗迁移条件或限制特征迁移条件;
所述确定各迁移条件下计算的各测试迁移对象和测试迁移目标,与,实际迁移样本中的实际迁移对象和实际迁移目标的误差的步骤包括:
当所述迁移条件为所述最佳资源分配迁移条件时,所述实际迁移样本为实际最佳资源分配迁移样本;确定根据所述最佳资源分配迁移条件计算的各测试迁移对象和测试迁移目标,与,所述实际最佳资源分配迁移样本中的实际迁移对象和实际迁移目标的误差;
当所述迁移条件为最低迁移消耗迁移条件时,所述实际迁移样本为实际最低迁移消耗迁移样本;确定根据所述最低迁移消耗迁移条件计算的各测试迁移对象和测试迁移目标,与,所述实际最低迁移消耗迁移样本中的实际迁移对象和实际迁移目标的误差;
当所述迁移条件为限制特征迁移条件时,所述实际迁移样本为实际限制特征迁移样本;确定根据所述限制特征迁移条件计算的各测试迁移对象和测试迁移目标,与,所述实际限制特征迁移样本中的实际迁移对象和实际迁移目标的误差。
6.一种云平台的资源配置装置,其特征在于,应用于具有物理机、虚拟机和自动迁移模型的资源配置系统,其中,所述物理机对应有物理机标识,所述虚拟机对应有虚拟机标识;各所述物理机中设置有虚拟机;所述装置包括:
空转虚拟机确定模块,用于在各所述虚拟机中确定出空转虚拟机;
空转虚拟机资源占用值确定模块,用于确定各所述空转虚拟机的资源占用值;
物理机可用资源获取模块,用于获取各所述物理机的可用资源;
发送模块,用于将各所述空转虚拟机的虚拟机标识、资源占用值,以及各所述物理机的可用资源、位置区域模型发送给自动迁移模型;以使所述自动迁移模型根据预设的迁移条件输出待迁移虚拟机和迁移目标物理机;
配置模块,用于将所述待迁移虚拟机配置到所述迁移目标物理机。
7.根据权利要求6所述的装置,其特征在于,所述自动迁移模型基于人工神经网络构建;
所述自动迁移模型通过下述模块训练得到:
输入接收模块,用于将测试虚拟机对应的虚拟机标识、资源占用值,以及所述各物理机的可用资源、所述位置区域模型作为自动迁移模型的输入;
测试迁移对象和测试迁移目标确定模块,用于以使所述自动迁移模型通过代价函数计算各迁移条件下的测试迁移对象和测试迁移目标;及,
误差确定模块,用于确定所述各迁移条件下计算的各测试迁移对象和测试迁移目标,与,实际迁移样本中的实际迁移对象和实际迁移目标的误差;及,
调整模块,用于根据所述误差调整所述自动迁移模型中各节点的参数值,直到所述自动迁移模型输出与所述实际迁移样本误差小于预设误差阈值的测试迁移对象和测试迁移目标。
8.根据权利要求6所述的装置,其特征在于,所述空转虚拟机确定模块包括:
负载参数获取子模块,用于获取各采集器中采集的虚拟机的负载参数,其中,所述采集器设置于所述虚拟机中;
空转率确定模块,用于根据所述负载参数分别确定各所述虚拟机的空转率;
空转虚拟机确定子模块,用于将所述空转率低于预设阈值的虚拟机确定为空转虚拟机。
9.根据权利要求8所述的装置,其特征在于,所述负载参数至少包括以下参数的其中一个:
CPU负载参数、存储器负载参数、磁盘负载参数、网络负载参数;
所述CPU负载参数、所述存储器负载参数、所述磁盘负载参数、所述网络负载参数分别对应有负载权重,所述负载权重用于反映对应的负载参数在虚拟机业务处理中的重要程度;
所述空转率确定子模块包括:
空转率确定单元,用于根据所述CPU负载参数及对应的负载权重,和/或,所述存储器负载参数及对应的负载权重,和/或,所述磁盘负载参数及对应的负载权重,和/或,所述网络负载参数及对应的负载权重,确定各所述虚拟机的空转率。
10.根据权利要求7所述的装置,其特征在于,所述迁移条件包括:最佳资源分配迁移条件、最低迁移消耗迁移条件或限制特征迁移条件;
所述误差确定模块包括:
第一误差确定子模块,用于当所述迁移条件为所述最佳资源分配迁移条件时,所述实际迁移样本为实际最佳资源分配迁移样本;确定根据所述最佳资源分配迁移条件计算的各测试迁移对象和测试迁移目标,与,所述实际最佳资源分配迁移样本中的实际迁移对象和实际迁移目标的误差;
第二误差确定子模块,用于当所述迁移条件为最低迁移消耗迁移条件时,所述实际迁移样本为实际最低迁移消耗迁移样本;确定根据所述最低迁移消耗迁移条件计算的各测试迁移对象和测试迁移目标,与,所述实际最低迁移消耗迁移样本中的实际迁移对象和实际迁移目标的误差;
第三误差确定子模块,用于当所述迁移条件为限制特征迁移条件时,所述实际迁移样本为实际限制特征迁移样本;确定根据所述限制特征迁移条件计算的各测试迁移对象和测试迁移目标,与,所述实际限制特征迁移样本中的实际迁移对象和实际迁移目标的误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810367652.7A CN108804210B (zh) | 2018-04-23 | 2018-04-23 | 一种云平台的资源配置方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810367652.7A CN108804210B (zh) | 2018-04-23 | 2018-04-23 | 一种云平台的资源配置方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108804210A true CN108804210A (zh) | 2018-11-13 |
CN108804210B CN108804210B (zh) | 2021-05-25 |
Family
ID=64093938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810367652.7A Active CN108804210B (zh) | 2018-04-23 | 2018-04-23 | 一种云平台的资源配置方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108804210B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111124597A (zh) * | 2019-10-12 | 2020-05-08 | 苏州浪潮智能科技有限公司 | 一种定位Vmotion测试中故障项的方法、设备及介质 |
US11374815B2 (en) * | 2020-03-25 | 2022-06-28 | Fujitsu Limited | Network configuration diagram generate method and recording medium |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739287A (zh) * | 2008-11-13 | 2010-06-16 | 国际商业机器公司 | 管理虚拟机的装置、系统和方法 |
CN102096461A (zh) * | 2011-01-13 | 2011-06-15 | 浙江大学 | 基于虚拟机迁移和负载感知整合的云数据中心节能方法 |
CN102236582A (zh) * | 2011-07-15 | 2011-11-09 | 浙江大学 | 虚拟化集群负载在多台物理机中均衡分配的方法 |
CN102279771A (zh) * | 2011-09-02 | 2011-12-14 | 北京航空航天大学 | 一种虚拟化环境中自适应按需资源分配的方法及系统 |
CN102681895A (zh) * | 2011-03-11 | 2012-09-19 | 北京市国路安信息技术有限公司 | 一种动态自迁移云服务方法 |
CN103353853A (zh) * | 2013-07-26 | 2013-10-16 | 浪潮电子信息产业股份有限公司 | 一种负载自动调节的方法 |
CN103473139A (zh) * | 2013-09-26 | 2013-12-25 | 四川中电启明星信息技术有限公司 | 虚拟机集群资源分配调度方法 |
CN104102523A (zh) * | 2013-04-03 | 2014-10-15 | 华为技术有限公司 | 迁移虚拟机的方法和资源调度平台 |
CN105138408A (zh) * | 2015-09-28 | 2015-12-09 | 浪潮(北京)电子信息产业有限公司 | 一种基于OpenStack的虚拟机迁移方法和装置 |
CN105677440A (zh) * | 2014-11-18 | 2016-06-15 | 姚秋丽 | 一种虚拟机自动迁移系统 |
CN105677441A (zh) * | 2014-11-21 | 2016-06-15 | 华为技术有限公司 | 虚拟机迁移方法、虚拟设施管理器及协调器 |
CN105843678A (zh) * | 2016-03-17 | 2016-08-10 | 国网山东省电力公司信息通信公司 | 一种基于最优化理论的虚拟机的资源调度迁移方法及系统 |
US20170060616A1 (en) * | 2015-09-01 | 2017-03-02 | Fujitsu Limited | Migration controlling method and migration controller |
CN106933650A (zh) * | 2017-03-03 | 2017-07-07 | 北方工业大学 | 云应用系统的负载管理方法及系统 |
CN107562519A (zh) * | 2017-09-05 | 2018-01-09 | 联想(北京)有限公司 | 虚拟机的迁移方法、系统及服务器 |
CN107861796A (zh) * | 2017-11-30 | 2018-03-30 | 南京信息工程大学 | 一种支持云数据中心能耗优化的虚拟机调度方法 |
-
2018
- 2018-04-23 CN CN201810367652.7A patent/CN108804210B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739287A (zh) * | 2008-11-13 | 2010-06-16 | 国际商业机器公司 | 管理虚拟机的装置、系统和方法 |
CN102096461A (zh) * | 2011-01-13 | 2011-06-15 | 浙江大学 | 基于虚拟机迁移和负载感知整合的云数据中心节能方法 |
CN102681895A (zh) * | 2011-03-11 | 2012-09-19 | 北京市国路安信息技术有限公司 | 一种动态自迁移云服务方法 |
CN102236582A (zh) * | 2011-07-15 | 2011-11-09 | 浙江大学 | 虚拟化集群负载在多台物理机中均衡分配的方法 |
CN102279771A (zh) * | 2011-09-02 | 2011-12-14 | 北京航空航天大学 | 一种虚拟化环境中自适应按需资源分配的方法及系统 |
CN104102523A (zh) * | 2013-04-03 | 2014-10-15 | 华为技术有限公司 | 迁移虚拟机的方法和资源调度平台 |
CN103353853A (zh) * | 2013-07-26 | 2013-10-16 | 浪潮电子信息产业股份有限公司 | 一种负载自动调节的方法 |
CN103473139A (zh) * | 2013-09-26 | 2013-12-25 | 四川中电启明星信息技术有限公司 | 虚拟机集群资源分配调度方法 |
CN105677440A (zh) * | 2014-11-18 | 2016-06-15 | 姚秋丽 | 一种虚拟机自动迁移系统 |
CN105677441A (zh) * | 2014-11-21 | 2016-06-15 | 华为技术有限公司 | 虚拟机迁移方法、虚拟设施管理器及协调器 |
US20170060616A1 (en) * | 2015-09-01 | 2017-03-02 | Fujitsu Limited | Migration controlling method and migration controller |
CN105138408A (zh) * | 2015-09-28 | 2015-12-09 | 浪潮(北京)电子信息产业有限公司 | 一种基于OpenStack的虚拟机迁移方法和装置 |
CN105843678A (zh) * | 2016-03-17 | 2016-08-10 | 国网山东省电力公司信息通信公司 | 一种基于最优化理论的虚拟机的资源调度迁移方法及系统 |
CN106933650A (zh) * | 2017-03-03 | 2017-07-07 | 北方工业大学 | 云应用系统的负载管理方法及系统 |
CN107562519A (zh) * | 2017-09-05 | 2018-01-09 | 联想(北京)有限公司 | 虚拟机的迁移方法、系统及服务器 |
CN107861796A (zh) * | 2017-11-30 | 2018-03-30 | 南京信息工程大学 | 一种支持云数据中心能耗优化的虚拟机调度方法 |
Non-Patent Citations (1)
Title |
---|
胡元元 等: "IaaS云中最小迁移代价的虚拟机放置算法", 《小型微型计算机系统》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111124597A (zh) * | 2019-10-12 | 2020-05-08 | 苏州浪潮智能科技有限公司 | 一种定位Vmotion测试中故障项的方法、设备及介质 |
CN111124597B (zh) * | 2019-10-12 | 2022-05-17 | 苏州浪潮智能科技有限公司 | 一种定位Vmotion测试中故障项的方法、设备及介质 |
US11374815B2 (en) * | 2020-03-25 | 2022-06-28 | Fujitsu Limited | Network configuration diagram generate method and recording medium |
Also Published As
Publication number | Publication date |
---|---|
CN108804210B (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20150163157A1 (en) | Allocation and migration of cloud resources in a distributed cloud system | |
CN107430528A (zh) | 机会性资源迁移以优化资源放置 | |
CN105897805A (zh) | 对多层架构的数据中心的资源进行跨层调度的方法和装置 | |
US11574254B2 (en) | Adaptive asynchronous federated learning | |
US10387728B2 (en) | Mapping wind turbines and predicting wake effects using satellite imagery data | |
TWI780065B (zh) | 資源調度的方法、裝置和系統 | |
CN104869140B (zh) | 多集群系统和控制多集群系统的数据存储的方法 | |
CN113516246A (zh) | 参数优化方法、量子芯片的控制方法及装置 | |
US20200409731A1 (en) | Machine-learning based heap memory tuning | |
US10606975B2 (en) | Coordinates-based generative adversarial networks for generating synthetic physical design layout patterns | |
CN109388480A (zh) | 一种处理云资源的方法及装置 | |
CN109343793A (zh) | 数据迁移方法及装置 | |
CN107291539A (zh) | 基于资源重要程度的集群程序调度方法 | |
CN108804210A (zh) | 一种云平台的资源配置方法及装置 | |
US11017874B2 (en) | Data and memory reorganization | |
CN112001786A (zh) | 基于知识图谱的客户信用卡额度配置方法及装置 | |
CN109992408A (zh) | 一种资源分配方法、装置、电子设备和存储介质 | |
CN109271438A (zh) | 一种数据库访问方法及其系统 | |
US11030015B2 (en) | Hardware and software resource optimization | |
US10387578B1 (en) | Utilization limiting for nested object queries | |
CN116629612A (zh) | 一种风险预测的方法、装置、存储介质及电子设备 | |
CN115550373B (zh) | 基于云平台管控的联合试验任务环境负载均衡建模方法 | |
CN112783441B (zh) | 一种调整虚拟机磁盘读写限速的方法、装置及计算设备 | |
CN116954878A (zh) | 容器集群的管理方法、装置、设备、存储介质及程序产品 | |
JP2023521695A (ja) | 空間的閉じ込め制約を伴う協調型ニューラル・ネットワーク |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |