CN109324876A - 一种高可用的Docker与虚拟机初始放置方法 - Google Patents

Abstract

本发明公开了一种高可用的Docker与虚拟机初始放置方法，包括以下内容：基于Docker‑VM‑PM三层架构建立高可用Docker与虚拟机放置(Docker and Virtual Machine Placement,简称DVMP)约束模型，在此基础上增加容器副本冗余部署的约束条件，构建高可用DVMP初始放置模型；根据高可用DVMP初始放置模型筛选出满足约束条件的虚拟机序列，基于此序列构建高可用的Docker和虚拟机的初始放置方案，并对得到的近似最优Docker、VM初始放置方案执行服务容错能力评价方法，计算容错度，作为当前Docker与虚拟机初始放置方案的服务容错能力。本发明提出的高可用的Docker与虚拟机初始放置方法，有效解决了数据中心资源利用率及服务容错能力的优化问题，同时保障用户服务的高可用。

Description

一种高可用的Docker与虚拟机初始放置方法

技术领域

本发明涉及一种高可用的Docker与虚拟机初始放置方法，适用于提高虚拟机初始放置方案的服务容错能力，保障用户服务的高可用性。

背景技术

近年来，服务器虚拟化作为云计算的关键技术，应用越来越广泛。通过虚拟化技术可以将物理资源池化，便于云计算平台进行统一维护和管理，降低运维成本。同时按照用户服务质量保证用户高可用性是云计算更新的第一准则，早期数据中心依赖于昂贵的硬件基础设施确保用户的高可用性，随着Docker技术及微服务理念的发展，通过系统功能切割与微服务冗余部署构建面向服务的高可用、服务容错架构成为虚拟化技术的主流发展方向，因此如何合理地进行Docker和虚拟机放置进而提升物理资源利用率、保证用户服务的高可用性成为当前研究热点。

可用性指在某个考察时段内，系统能够正常运行的概率或者时间占有率的期望值。现阶段的PaaS云服务实现方式逐渐由以VM(Virtual Machine，虚拟机)为主的VM-PM(Physical Machine，物理机)两层架构和以Docker为主的Docker-VM/PM两层架构转变为以Docker容器为主的Docker-VM-PM三层架构，以Docker作为虚拟机和服务器的实际负载，放置过程中同时考虑VM的资源使用情况和放置关系成立时对间接承载的PM产生的资源影响，服务器作为整个三层架构的宿主机。

目前，面向基于DVP三层架构PaaS云服务数据中心，主要进行能耗优化及资源利用率优化的相关研究，尚未有基于Docker-VM-PM三层架构实现高可用放置方法，但VM-PM两层架构下高可用放置方案中的宕机检测及恢复机制对三层架构下实现高可用具有参考价值。以下3篇专利文献提供了VM-PM两层架构下不同的实现虚拟机高可用性的放置方法及策略：

1、一种实现虚拟机高可用性的方法及装置。(专利号CN：201710882792.3)

2、一种基于KVM虚拟化的虚拟机高可用的方法与装置。(专利号CN：201710485767.1)

3、一种虚拟机高可用实现系统及其实现方法。(专利号CN：201710207684.6)

文献1提供了一种实现虚拟机高可用性的方法及装置。通过接收ZooKeeper发送的虚拟机集群中第一虚拟机的心跳异常的通知消息，确定业务系统发生故障的位置在第一物理机与服务器之间的网络或者为第一物理机，从而根据发生故障的位置作不同处理，若是网络故障，将网络通信恢复，若是物理机故障，将业务进行转移，从而实现虚拟机的高可用性。

文献2提供了一种基于KVM(Kernel-based Virtual Machine,基于内核的虚拟机)虚拟化的虚拟机高可用的方法与装置。通过在备份节点上设置备份虚拟机接收主虚拟机发送的TCP连接请求，实现与主虚拟机的连接。保持备份虚拟机与主虚拟机数据的同步，可以在主节点发生故障时将主虚拟机的进程立即切换到备份节点，由备份虚拟机代替主虚拟机工作，从而实现虚拟机的高可用。

文献3提供了一种虚拟机高可用实现系统及其实现方法。通过在每台虚拟机和计算节点之间新建通信链路并对每台虚拟机添加守护进程，计算节点根据负载情况通过通信链路控制该虚拟机重启或将该虚拟机迁移，从而实现虚拟机高可用。

然而以上文献所述方法主要存在以下问题：文献1、2、3都忽略了迁移资源前后的虚拟机可能存在分布于不同VM节点但却托管于相同服务器节点的情况，致使VM级冗余部署意外中止，实际的服务框架仍受制于数据中心的底层宿主机的实现技术。

发明内容

本发明的目的在于提供一种高可用的Docker与虚拟机初始放置方法，该方法首先建立基于DVP(Docker-VM-PM)三层架构的高可用Docker与虚拟机放置(Docker andVirtual Machine Placement，简称DVMP)约束模型，在此基础上增加容器副本冗余部署的约束条件，构建高可用DVMP初始放置模型。根据高可用DVMP初始放置模型筛选出满足约束条件的虚拟机序列，基于此序列构建高可用的Docker和虚拟机的初始放置方案，得到的近似最优Docker、VM初始放置方案执行服务容错能力评价方法，计算容错度，作为当前Docker与虚拟机初始放置方案的服务容错能力。

为了达到以上目的，本发明是采取以下技术方案予以实现的：

一种高可用的Docker与虚拟机初始放置方法，包括以下步骤：

步骤100，构建基于Docker-VM-PM三层架构的高可用DVMP约束模型，Docker-VM-PM简写为DVP，将DVP三层架构描述为Docker到VM、VM到PM的两层矢量协同装箱问题，包括整数约束条件、完整性约束条件、资源利用情况约束条件、资源使用量约束条件和冗余部署约束条件五类约束条件；

步骤200，基于高可用DVMP约束模型，引入资源利用率优化函数，构建高可用的DVMP初始放置模型；

步骤300，构建高可用的Docker和虚拟机的初始放置方案，根据高可用DVMP初始放置模型筛选满足约束条件的虚拟机序列，设计最小虚拟机计算规则筛选满足约束的激活态服务器序列，最后，根据最优VM、PM适应度函数在两类序列中分别进行最优小箱子VM及最优大箱子PM的决策，直至所有Docker装箱完成，得到近似最优的放置方案；

步骤400，放置方案服务容错力评价，对得到的近似最优放置方案执行服务容错能力评价方法，通过模拟数据中心若干激活态服务器意外宕机的过程，统计托管于宕机服务的用户高可用服务仍可提供访问的副本数量并给出服务危机评级，作为当前数据中心高可用的DVMP放置方案服务容错力的评价指标。

本发明进一步的改进在于，步骤100中，整数约束条件，用于限制放置问题的有效解为整数空间，具体表现为以下公式：

x_ij,y_ri,z_rj,s_re,p_j,v_i,l_e∈{0,1} i∈N,j∈M,r∈D,e∈E

其中，x_ij、y_ri、z_rj和s_re分别为虚拟机到服务器位置映射矩阵X、Docker到虚拟机位置映射矩阵Y、Docker到服务器位置映射矩阵Z、Docker到服务用户的归属映射矩阵S的状态变量，值为1表示映射关系成立；v_i、p_j和l_e表示虚拟机i、服务器j、用户服务e的状态变量，其取值为1、0分别代表运行态或关闭态，排除了不可能存在的放置方案，将放置问题限制在整数的解空间中；

完整性约束条件，通过要求任何一台容器、虚拟机都仅被放置在一台虚拟机、服务器上，确保所有容器、虚拟机都被放置，并限制任一容器仅可为某一位用户服务，具体表现为以下公式：

该完整性约束条件以X、Y、Z和S矩阵中各行向量所有元素累加求和且结果限制为1的形式表示；

资源利用情况约束条件，是为限制每台虚拟机、服务器的资源分配情况，包括虚拟机资源利用情况约束条件和服务器资源利用情况约束条件，具体表现为以下公式：

其中，前两个公式为虚拟机资源利用情况约束条件，后面两个公式为服务器资源利用情况约束条件；分别表示第r台Docker创建时申请的CPU和内存资源量，分别表示第i台虚拟机创建时申请的CPU和内存资源量，对应第j台服务器能够提供的CPU和内存的资源总量，x_ij、y_ri分别为虚拟机到服务器位置映射矩阵X、Docker到虚拟机位置映射矩阵Y的状态变量，值为1表示映射关系成立，v_i、p_j表示虚拟机i、服务器j的状态变量，其取值为1、0分别代表运行态或关闭态；

资源使用量约束条件，是为保障任一时刻虚拟机及服务器的资源使用量以其承载的总容器资源申请量作为统计基础，具体表现为以下公式：

其中，y_ri和z_rj分别为Docker到虚拟机位置映射矩阵Y和Docker到服务器位置映射矩阵Z的状态变量，分别表示第r台Docker创建时申请的CPU和内存资源量，任一时刻VM及PM的资源使用量以其承载的所有Docker容器资源总量作为统计基础，分别表示第j台服务器被容器使用的CPU和内存资源量，分别表示第i台虚拟机被容器使用的CPU和内存资源量；

冗余部署约束条件，通过限制微服务框架任意单体服务的所有容器副本冗余部署时，所有副本放置的服务器编号中任意一对元素均不相等，进一步为任意一对容器副本不可放置于同一服务器，保证用户高可用框架的整体有效性；所有容器副本记为集合A，所有副本放置的服务器编号记为集合B，具体表现为以下公式：

A＝{r|s_re＝1,e＝1,2,...,E}

B＝{j|z_rj＝1,r∈A,j＝1,2,...,M}

支撑统一服务的多个容器副本进行最优VM、PM决策时，将已进行放置安排的容器所对应的最优PM从待决策服务器序列中剔除，直至所有服务及其副本均得到位置安排。

本发明进一步的改进在于，步骤200中，在DVMP模型基础上引入数据中心资源利用度优化函数，数据中心资源利用率的优化目标表示为以下公式：

其中，表示处于激活状态下的服务器数量，通过数据中心所有服务器状态变量p_j求和进行计算，由下式得到

其中，和分别表示第j个服务器空闲CPU及内存资源量， 代表服务器j被容器所使用的资源量；上述公式是提升数据中心资源利用率的优化目标，由最小化激活态服务器数量与最大化所有服务器各维资源余量的乘积两部分组成，和由下式得到：

其中，对应第j台服务器能够提供的CPU和内存的资源总量；

优化目标中，α_E、β_E为两常数，用来表示资源利用度函数中第一部分与第二部分的权重，权重满足α_E＞0＞β_E条件，并且α_E要远远大于|β_E|，使得资源利用度函数两部分总和越小则放置方案越恰当。

本发明进一步的改进在于，步骤300中，构建高可用的Docker和虚拟机的初始放置方案，具体包括以下步骤：

步骤301：新增场景初始化，采用均匀分布的随机函数初始化数据中心VM及PM的配置和数量，算法开始后，根据新增容器的CPU、内存资源请求，在数据中心所有虚拟机中筛选出同时满足高可用的五类DVMP约束条件的虚拟机序列，实现多个容器副本冗余部署在不同服务器上；

均匀分布的随机函数，具体公式为：

其中，和表示容器i的CPU和内存的资源需求量，其数值以CPU、内存资源需求量与服务器总CPU、内存资源量的百分比表示，和表示预设的CPU和内存资源参考量；

步骤302：最优虚拟机选择，设计最优虚拟机适应度函数，分别计算虚拟机序列中各虚拟机的适应度，适应度函数设计同时考虑Docker、VM及PM之间的资源关系，以新容器放入最优VM后，该VM及其宿主机PM均能达到各位资源利用率最大为目标，减少VM及PM资源碎片从而节省服务器开启数量，基于BF原则选择适应度最大的虚拟机作为该容器的最优虚拟机放入；

最优虚拟机适应度函数，具体公式为：

其中，代表新增容器的CPU、内存资源，和 分别表示虚拟机i被容器占用的资源总量及虚拟机i所能提供的资源总量， 分别表示虚拟机i创建时申请的CPU和内存资源量，α、β为两常数，用来表示最优虚拟机适应度函数中第一部分与第二部分的权重，PBfit(j)表示最优服务器适应度函数，由下式得到：

其中，对应第j台服务器能够提供的CPU和内存的资源总量；

步骤303：最小虚拟机计算，设计最小虚拟机规则作为是否开启新服务器的判断依据，避免虚拟机增加造成开启更多服务器分担负载的情况，以新增容器所需CPU、内存资源为基准，从数据中心可选的虚拟机模板中选择能够容载该容器的最小虚拟机；

通过逐一对比新增容器的CPU请求量及内存区请求量，选出可容载新容器的最小虚拟机，确定数据中心当前激活态能否容载该最小虚拟机，作为是否开启新服务器的判定标准；

步骤304：最优服务器选择，根据最小虚拟机需求筛选出满足约束的激活态服务器序列，若序列为空，则开启新的服务器，否则根据服务器适应度函数依次计算服务器序列中各服务器的适应度，依据BF原则选择适应度最大的服务器作为该容器及最小虚拟机的最优服务器放入，选择过程中将已进行放置安排的容器所对应的最优PM从待决策服务器序列中剔除，直至所有服务及其副本均已得到位置安排；

服务器适应度函数，具体公式为：

其中，代表服务器j被容器所使用的资源量，代表新增容器的CPU、内存资源，对应服务器j能够提供的CPU和内存的资源总量；

当所有激活态服务器无法满足容载需求时，开启新服务器并随机创建虚拟机承载容器，承载该容器的服务器及虚拟机则为容器的最优VM、PM；

步骤305：开启服务器，若最小虚拟机资源约束筛选后激活态服务器序列为空，则开启新服务器并随机选择数据中心支持的虚拟机模板，创建虚拟机实例作为该容器最优VM及最优PM，若无新容器增加，则本次Docker与VM初始放置方法终止，直到新的容器到来激活调度器重新运作放置算法。

本发明进一步的改进在于，步骤400中，对得到的近似最优的放置方案执行服务容错能力评价，通过设置服务器宕机数量，模拟数据中心若干激活态服务器意外宕机过程，统计托管于宕机服务器的仍可提供用户高可用服务访问的副本数量，并给出用户高可用的服务危机评级标准，构建服务容错度模型，将其值作为当前DVMP放置方案服务容错力的评价指标。

本发明进一步的改进在于，步骤400中，对放置方案执行服务容错力评价，具体包括以下步骤：

步骤401：设置服务器宕机数量，对比多个放置方案，选择其中服务器的最少使用量作为基准，使用服务器的最少使用量及宕机概率共同限制放置方案中执行服务容错能力评价方法的宕机服务器数量；

步骤402：统计托管宕机服务器仍可提供访问的副本数量，具体过程包括依据预设的宕机数量，从放置方案所有激活态服务器中随机选择该数量个数服务器作为“被宕机”的服务器序列，遍历“宕机”服务器序列，依次统计各服务器上“宕机”致使陷入疑似“危机”的高可用服务并仍能支持服务访问的副本数量；

步骤403：用户高可用的服务危机评价标准，具体划分为“严重”、“中度”、“轻度”三类；其中，当服务副本数量大于3时，说明用户服务实际具有相当的容错能力，将其定义为“轻度”危机；当服务副本数量低于3且不小于1时，服务能够容忍失败节点的数量为零，但此时该服务实际仍能提供访问且通过人为修复能够提升服务容错能力，将其定义为“中度”危机；当服务副本数量为零时，表示该服务完全终止访问，定义为“严重”危机；

步骤404：构建服务容错度模型，统计被“宕机”服务器波及的所有高可用服务出现不同服务危机的服务数量，并选用不同权重与三类服务危机规模进行乘积求和，其值表示为当前放置方案的服务容错度，模型假设被选中“宕机”的服务器所承载的所有容器将中止服务，而未被选中的“安全”服务器所承载的容器均能提供正常服务；具体表现为以下公式：

Min Tolerance＝α_t*N^severity+β_t*N^medium+γ_t*N^mild

其中，N^severity、N^medium、N^mild表示宕机模拟后处于“严重”、“中度”及“轻度”危机的高可用服务数量，Tolerance值越小表示出现“严重”危机的服务数量越少，放置方案的容错能力越强；反之，放置方案的容错能力越弱；α_t、β_t、γ_t分别作为不同服务危机的权重，取值满足α_t>β_t>γ_t。

与现有技术相比，本发明具有如下有益的技术效果：

1.本发明基于Docker-VM-PM三层架构，在容器副本部署时将其分散于不同服务器节点，避免容器副本虽分布于不同VM节点但托管于相同服务器的情况，从而一台服务器运行失败可能导致用户服务完全终止，以此实现用户服务的高可用性。

2.本发明通过统计宕机服务器所承载的用户高可用服务数量以及其余正常运行的服务器上仍能对该服务器提供访问支撑的容器副本数量，作为当前数据中心DVMP放置方案的容错能力。

3.本发明使用--memory、--cpus等参数直接限制Docker运行时的CPU、内存、网络等系统数据，采用更细粒度化的总容器资源申请量作为统计与放置决策基础。

综上所述，本发明基于Docker-VM-PM三层架构下提出一种高可用的Docker与虚拟机初始放置方法，用来解决数据中心资源利用率及服务容错能力的优化问题。以DVP三层架构的宿主机服务器独立作为高可用服务副本冗余部署约束条件，通过将单体服务多容器副本冗余部署于不同集群节点的方式，保障用户服务的高可用性。服务高可用性指服务正常运行时间达到一定的百分比，本发明采用服务可用论坛SAForum著名的“59”原则，具体描述为规定服务或应用可访问时间达99.999％为高可用服务。

附图说明

图1是本发明方法的整体流程示意图。

图2是高可用的Docker与虚拟机初始放置方案流程示意图。

图3是放置方案服务容错能力评价方法流程示意图。

具体实施方式

以下结合附图和实施例对本发明基于三层架构的高可用的Docker与虚拟机初始放置方法作进一步说明。

实施例

如图1所示，本发明提供的一种高可用的Docker与虚拟机初始放置方法，包括以下步骤：

步骤100：构建基于Docker-VM-PM三层架构的高可用DVMP约束模型，Docker-VM-PM简写为DVP，根据两层矢量装箱理论及VM、PM资源用量计算基准及以服务器节点独立为用户服务冗余部署的约束条件，提出高可用的DVMP约束条件，包括整数约束、完整性约束、资源利用情况约束、资源使用量约束、冗余部署约束等五类约束条件。

所述整数约束条件，用于限制放置问题的有效解为整数空间，具体表现为以下公式：

x_ij,y_ri,z_rj,s_re,p_j,v_i,l_e∈{0,1} i∈N,j∈M,r∈D,e∈E

其中，x_ij、y_ri、z_rj和s_re分别为虚拟机到服务器位置映射矩阵X、Docker到虚拟机位置映射矩阵Y、Docker到服务器位置映射矩阵Z、Docker到服务用户的归属映射矩阵S的状态变量，值为1表示映射关系成立。v_i、p_j和l_e表示虚拟机i、服务器j、用户服务e的状态变量，其取值为1、0分别代表运行态或关闭态，排除了不可能存在的放置方案，将放置问题限制在整数的解空间中。

所述完整性约束条件，通过要求任何一台容器、虚拟机都仅被放置在一台虚拟机、服务器上，确保所有容器、虚拟机都被放置，并限制任一容器仅可为某一位用户服务。具体表现为以下公式：

把X、Y、Z和S矩阵中各行向量所有元素累加求和的结果限制为1，避免非1的异常情况，确保每一台容器、虚拟机仅与某一台虚拟机、服务器产生放置关系，并限制任一容器仅可为某一位用户服务。

所述资源利用情况约束条件，是为限制每台虚拟机、服务器的资源分配情况，包括虚拟机资源利用情况约束和服务器资源利用情况约束。具体表现为以下公式：

其中，前两个公式为虚拟机资源利用情况约束条件，后面两个公式为服务器资源利用情况约束条件。分别表示第r台Docker创建时申请的CPU和内存资源量，分别表示第i台虚拟机创建时申请的CPU和内存资源量，对应第j台服务器能够提供的CPU和内存的资源总量。上式限制了每台虚拟机上Docker的CPU、内存资源及每台服务器上虚拟机的CPU、内存资源，x_ij、y_ri分别为虚拟机到服务器位置映射矩阵X、Docker到虚拟机位置映射矩阵Y的状态变量，值为1表示映射关系成立，v_i、p_j表示虚拟机i、服务器j的状态变量，其取值为1、0分别代表运行态或关闭态，从而保证Docker请求的CPU数量及内存不超过虚拟机能够提供的CPU、内存总量，虚拟机请求的虚拟CPU数量及内存不超过服务器能够提供的CPU及内存总量。

所述资源使用量约束条件，是为保障任一时刻虚拟机及服务器的资源使用量以其承载的总容器资源申请量作为统计基础。具体表现为以下公式：

其中，y_ri和z_rj分别为Docker到虚拟机位置映射矩阵Y和Docker到服务器位置映射矩阵Z的状态变量，分别表示第r台Docker创建时申请的CPU和内存资源量。任一时刻VM及PM的资源使用量以其承载的所有Docker容器资源总量作为统计基础，分别表示第j台服务器被容器使用的CPU和内存资源量，分别表示第i台虚拟机被容器使用的CPU和内存资源量。

所述冗余部署约束条件，通过限制微服务框架任意单体服务的所有容器副本(记为集合A)冗余部署时，所有副本放置的服务器编号(记为集合B)中任意一对元素均不相等，进一步为任意一对容器副本不可放置于同一服务器，保证用户高可用框架的整体有效性。具体表现为以下公式：

A＝{r|s_re＝1,e＝1,2,...,E}

B＝{j|z_rj＝1,r∈A,j＝1,2,...,M}

通过限制微服务框架任一单体服务的所有容器副本(记为集合A)冗余部署时，所有副本放置的服务器编号(记为集合B)中任意一对元素均不相等，进一步为任意一对容器副本不可放置于同一服务器，保证用户高可用框架的整体有效性。

步骤200：构建高可用的DVMP初始放置模型。具体内容表现在DVMP约束模型基础上引入数据中心资源利用度优化函数，数据中心资源利用率的优化目标表现为以下公式：

其中，表示处于激活状态下的服务器数量，通过数据中心所有服务器状态变量p_j求和进行计算。可由下式得到：

其中，和分别表示第j个服务器空闲CPU及内存资源量， 代表服务器j被容器所使用的资源量。上述公式是提升数据中心资源利用率的优化目标，由最小化激活态服务器数量与最大化所有服务器各维资源余量的乘积两部分组成。和可由下式得到：

其中，对应第j台服务器能够提供的CPU和内存的资源总量。

优化目标中，部分是为了防止相同规模及配置的容器集出现，使用的服务器数量越少意味着容器放置越集中，资源利用率越高。部分表示资源余量的影响作用，基于Wood T提出的多维资源归一化处理方式，以CPU及内存资源余量乘积作为放置过程中多维资源的有效评估。当放置结束所用服务器数量相同时，数据中心服务器资源余量乘积的总和越大则意味着某些服务器剩余资源的规格越大，更利于容纳新的大规格容器，故此部分值越大越好。优化目标中的α_E、β_E为两常数，用来表示资源利用度函数中第一部分与第二部分的权重。权重满足α_E＞0＞β_E条件，并且α_E要远远大于|β_E|，使得资源利用度函数两部分总和越小则放置方案越恰当。

步骤300：构建高可用的Docker与虚拟机的初始放置方案。跟据高可用DVMP初始放置模型筛选满足约束条件的虚拟机序列，设计最小虚拟机计算规则筛选满足约束的激活态服务器序列。最后依据最优VM、PM适应度函数在两类序列中分别进行最优小箱子VM及最优大箱子PM的决策，直至所有Docker装箱完成，得到近似最优的放置方案。

如图2所示，步骤300构建高可用的Docker与虚拟机的初始放置方案，具体包括以下步骤：

步骤301：新增场景初始化。采用均匀分布的随机函数初始化数据中心VM及PM的配置和数量。算法开始后，根据新增容器的CPU、内存资源请求，在数据中心所有虚拟机中筛选出同时满足高可用的五类DVMP约束条件的虚拟机序列，实现多个容器副本必须冗余部署在不同服务器上。具体公式为：

其中，和表示容器i的CPU和内存的资源需求量，其数值以CPU、内存资源需求量与服务器总CPU、内存资源量的百分比表示，和表示预设的CPU和内存资源参考量。

步骤302：最优虚拟机选择。首先进行虚拟机序列为空判断，当序列不为空时，根据最优虚拟机适应度函数，分别计算虚拟机序列中各虚拟机的适应度，适应度函数设计同时考虑Docker、VM及PM之间的资源关系，以新容器放入最优VM后，该VM及其宿主机PM均能达到各位资源利用率最大为目标，减少VM及PM资源碎片从而节省服务器开启数量。基于BF(BestFit,最佳择优)原则选择适应度最大的虚拟机作为该容器的最优虚拟机放入，具体虚拟机适应度函数公式为：

其中，代表新增容器的CPU、内存资源。和 分别表示虚拟机i被容器占用的资源总量及虚拟机i所能提供的资源总量， 分别表示虚拟机i创建时申请的CPU和内存资源量，α、β为两常数，用来表示最优虚拟机适应度函数中第一部分与第二部分的权重，实施中认为CPU及内存资源同等重要，所以设置权重α＝β＝100，便于决策放置方案。PBfit(j)表示最优服务器适应度函数，可由下式得到：

其中，对应第j台服务器能够提供的CPU和内存的资源总量。

步骤303：最小虚拟机计算。若虚拟机序列为空时，进行最小虚拟机规则设计，作为是否开启新服务器的判断依据，避免虚拟机增加造成开启更多服务器分担负载的情况。

以新增容器所需CPU、内存资源为基准，从数据中心可选的虚拟机模板中选择能够容载该容器的最小虚拟机。通过逐一对比新增容器的CPU请求量及内存区请求量，选出可容载新容器的最小虚拟机。确定数据中心当前激活态能否容载该最小虚拟机，作为是否开启新服务器的判定标准。

步骤304：最优服务器选择。根据最小虚拟机须求筛选出满足约束的激活态服务器序列。若序列为空，则需要开启新的服务器，否则根据服务器适应度函数依次计算服务器序列中各服务器的适应度，依据BF原则选择适应度最大的服务器作为该容器及最小虚拟机的最优服务器放入，选择过程中将已进行放置安排的容器所对应的最优PM从待决策服务器序列中剔除，直至所有服务及其副本均已得到位置安排。具体服务器适应度函数公式为：

其中，代表服务器j被容器所使用的资源量，代表新增容器的CPU、内存资源，对应服务器j能够提供的CPU和内存的资源总量，α、β为两常数，用来表示最优虚拟机适应度函数中第一部分与第二部分的权重。

在支撑统一服务的多个容器副本进行最优VM、PM决策时，将已进行放置安排的容器所对应的最优PM从待决策服务器序列中剔除，承载该容器的服务器及虚拟机则为容器的最优VM、PM。当所有激活态服务器无法满足容载需求时，需要开启新服务器并随机创建虚拟机承载容器，直至所有服务及其副本均得到位置安排。

步骤305：开启服务器。若最小虚拟机资源约束筛选后激活态服务器序列为空，则需要开启新服务器并随机选择数据中心支持的虚拟机模板，创建虚拟机实例作为该容器最优VM及最优PM。若无新容器增加，则本次Docker与VM初始放置方法终止，直到新的容器到来激活调度器重新运作放置算法。

步骤400：服务容错力评价。对得到的近似最优放置方案执行服务容错能力评级方法。通过统计被“宕机”服务器波及的所有高可用服务出现不同服务危机的服务数量，并选用不同权重与三类服务危机规模进行乘积求和，表示为当前放置方案的服务容错度。模型假设被选中“宕机”的服务器所承载的所有容器将中止服务，而未被选中的“安全”服务器所承载的容器均能提供正常服务。

如图3所示，步骤400中，放置方案服务容错能力评价方法，具体包括以下步骤：

步骤401：设置服务器宕机数量。对比多个放置方案，选择其中服务器的最少使用量作为基准，使用服务器的最少使用量及宕机概率共同限制放置方案中执行服务容错能力评价方法的宕机服务器数量。

步骤402：统计疑似“危机”服务“安全”副本数量。首先进行当前放置方案中服务器宕机判断，依据预设的宕机数量，从放置方案所有激活态服务器中随机选择该数量个数服务器作为“被宕机”的服务器序列。遍历“宕机”服务器序列，依次统计各服务器上“宕机”致使陷入疑似“危机”的高可用服务并仍能支持服务访问的副本数量。

步骤403：计算服务容错力。统计被“宕机”服务器波及的所有高可用服务出现不同服务危机的服务数量，并选用不同权重与三类服务危机规模(严重、中度、轻度)进行乘积求和，其值表示为当前放置方案的服务容错度。模型假设被选中“宕机”的服务器所承载的所有容器将中止服务，而未被选中的“安全”服务器所承载的容器均能提供正常服务。具体表现为以下公式：

Min Tolerance＝α_t*N^severity+β_t*N^medium+γ_t*N^mild

其中，N^severity、N^medium、N^mild表示宕机模拟后处于“严重”、“中度”及“轻度”危机的高可用服务数量，Tolerance值越小表示出现“严重”危机的服务数量越少，放置方案的容错能力越强。反之，放置方案的容错能力越弱。α_t、β_t、γ_t分别作为不同服务危机的权重，取值满足α_t>β_t>γ_t。为突出不同放置方案所致服务危机的严重性，设置α_t＝10000,β_t＝2,γ_t＝0.1。

至此评价结束。本发明的服务容错度更小，说明以服务器独立为高可用服务多副本冗余部署的前提约束，能够更好的提升Docker与虚拟机初始放置方案的服务容错能力，保证用户服务的高可用性。

本领域的技术人员容易理解，以上所述仅为本发明的方法实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种高可用的Docker与虚拟机初始放置方法，其特征在于，包括以下步骤：

步骤100，构建基于Docker-VM-PM三层架构的高可用DVMP约束模型，Docker-VM-PM简写为DVP，将DVP三层架构描述为Docker到VM、VM到PM的两层矢量协同装箱问题，包括整数约束条件、完整性约束条件、资源利用情况约束条件、资源使用量约束条件和冗余部署约束条件五类约束条件；

步骤200，基于高可用DVMP约束模型，引入资源利用率优化函数，构建高可用的DVMP初始放置模型；

步骤300，构建高可用的Docker和虚拟机的初始放置方案，根据高可用DVMP初始放置模型筛选满足约束条件的虚拟机序列，设计最小虚拟机计算规则筛选满足约束的激活态服务器序列，最后，根据最优VM、PM适应度函数在两类序列中分别进行最优小箱子VM及最优大箱子PM的决策，直至所有Docker装箱完成，得到近似最优的放置方案；

步骤400，放置方案服务容错力评价，对得到的近似最优放置方案执行服务容错能力评价方法，通过模拟数据中心若干激活态服务器意外宕机的过程，统计托管于宕机服务的用户高可用服务仍可提供访问的副本数量并给出服务危机评级，作为当前数据中心高可用的DVMP放置方案服务容错力的评价指标。

2.根据权利要求1所述的一种高可用的Docker与虚拟机初始放置方法，其特征在于，步骤100中，整数约束条件，用于限制放置问题的有效解为整数空间，具体表现为以下公式：

x_ij,y_ri,z_rj,s_re,p_j,v_i,l_e∈{0,1}i∈N,j∈M,r∈D,e∈E

其中，x_ij、y_ri、z_rj和s_re分别为虚拟机到服务器位置映射矩阵X、Docker到虚拟机位置映射矩阵Y、Docker到服务器位置映射矩阵Z、Docker到服务用户的归属映射矩阵S的状态变量，值为1表示映射关系成立；v_i、p_j和l_e表示虚拟机i、服务器j、用户服务e的状态变量，其取值为1、0分别代表运行态或关闭态，排除了不可能存在的放置方案，将放置问题限制在整数的解空间中；

完整性约束条件，通过要求任何一台容器、虚拟机都仅被放置在一台虚拟机、服务器上，确保所有容器、虚拟机都被放置，并限制任一容器仅可为某一位用户服务，具体表现为以下公式：

该完整性约束条件以X、Y、Z和S矩阵中各行向量所有元素累加求和且结果限制为1的形式表示；

资源利用情况约束条件，是为限制每台虚拟机、服务器的资源分配情况，包括虚拟机资源利用情况约束条件和服务器资源利用情况约束条件，具体表现为以下公式：

其中，前两个公式为虚拟机资源利用情况约束条件，后面两个公式为服务器资源利用情况约束条件；分别表示第r台Docker创建时申请的CPU和内存资源量，分别表示第i台虚拟机创建时申请的CPU和内存资源量，对应第j台服务器能够提供的CPU和内存的资源总量，x_ij、y_ri分别为虚拟机到服务器位置映射矩阵X、Docker到虚拟机位置映射矩阵Y的状态变量，值为1表示映射关系成立，v_i、p_j表示虚拟机i、服务器j的状态变量，其取值为1、0分别代表运行态或关闭态；

资源使用量约束条件，是为保障任一时刻虚拟机及服务器的资源使用量以其承载的总容器资源申请量作为统计基础，具体表现为以下公式：

其中，y_ri和z_rj分别为Docker到虚拟机位置映射矩阵Y和Docker到服务器位置映射矩阵Z的状态变量，分别表示第r台Docker创建时申请的CPU和内存资源量，任一时刻VM及PM的资源使用量以其承载的所有Docker容器资源总量作为统计基础，分别表示第j台服务器被容器使用的CPU和内存资源量，分别表示第i台虚拟机被容器使用的CPU和内存资源量；

冗余部署约束条件，通过限制微服务框架任意单体服务的所有容器副本冗余部署时，所有副本放置的服务器编号中任意一对元素均不相等，进一步为任意一对容器副本不可放置于同一服务器，保证用户高可用框架的整体有效性；所有容器副本记为集合A，所有副本放置的服务器编号记为集合B，具体表现为以下公式：

A＝{r|s_re＝1,e＝1,2,...,E}

B＝{j|z_rj＝1,r∈A,j＝1,2,...,M}

支撑统一服务的多个容器副本进行最优VM、PM决策时，将已进行放置安排的容器所对应的最优PM从待决策服务器序列中剔除，直至所有服务及其副本均得到位置安排。

3.根据权利要求2所述的一种高可用的Docker与虚拟机初始放置方法，其特征在于，步骤200中，在DVMP模型基础上引入数据中心资源利用度优化函数，数据中心资源利用率的优化目标表示为以下公式：

其中，表示处于激活状态下的服务器数量，通过数据中心所有服务器状态变量pj求和进行计算，由下式得到

其中，和分别表示第j个服务器空闲CPU及内存资源量， 代表服务器j被容器所使用的资源量；上述公式是提升数据中心资源利用率的优化目标，由最小化激活态服务器数量与最大化所有服务器各维资源余量的乘积两部分组成，和由下式得到：

其中，对应第j台服务器能够提供的CPU和内存的资源总量；

优化目标中，α_E、β_E为两常数，用来表示资源利用度函数中第一部分与第二部分的权重，权重满足α_E＞0＞β_E条件，并且α_E要远远大于|β_E|，使得资源利用度函数两部分总和越小则放置方案越恰当。

4.根据权利要求3所述的一种高可用的Docker与虚拟机初始放置方法，其特征在于，步骤300中，构建高可用的Docker和虚拟机的初始放置方案，具体包括以下步骤：

步骤301：新增场景初始化，采用均匀分布的随机函数初始化数据中心VM及PM的配置和数量，算法开始后，根据新增容器的CPU、内存资源请求，在数据中心所有虚拟机中筛选出同时满足高可用的五类DVMP约束条件的虚拟机序列，实现多个容器副本冗余部署在不同服务器上；

均匀分布的随机函数，具体公式为：

其中，和表示容器i的CPU和内存的资源需求量，其数值以CPU、内存资源需求量与服务器总CPU、内存资源量的百分比表示，和表示预设的CPU和内存资源参考量；

步骤302：最优虚拟机选择，设计最优虚拟机适应度函数，分别计算虚拟机序列中各虚拟机的适应度，适应度函数设计同时考虑Docker、VM及PM之间的资源关系，以新容器放入最优VM后，该VM及其宿主机PM均能达到各位资源利用率最大为目标，减少VM及PM资源碎片从而节省服务器开启数量，基于BF原则选择适应度最大的虚拟机作为该容器的最优虚拟机放入；

最优虚拟机适应度函数，具体公式为：

其中，代表新增容器的CPU、内存资源，和 分别表示虚拟机i被容器占用的资源总量及虚拟机i所能提供的资源总量， 分别表示虚拟机i创建时申请的CPU和内存资源量，α、β为两常数，用来表示最优虚拟机适应度函数中第一部分与第二部分的权重，PBfit(j)表示最优服务器适应度函数，由下式得到：

其中，对应第j台服务器能够提供的CPU和内存的资源总量；

步骤303：最小虚拟机计算，设计最小虚拟机规则作为是否开启新服务器的判断依据，避免虚拟机增加造成开启更多服务器分担负载的情况，以新增容器所需CPU、内存资源为基准，从数据中心可选的虚拟机模板中选择能够容载该容器的最小虚拟机；

通过逐一对比新增容器的CPU请求量及内存区请求量，选出可容载新容器的最小虚拟机，确定数据中心当前激活态能否容载该最小虚拟机，作为是否开启新服务器的判定标准；

步骤304：最优服务器选择，根据最小虚拟机需求筛选出满足约束的激活态服务器序列，若序列为空，则开启新的服务器，否则根据服务器适应度函数依次计算服务器序列中各服务器的适应度，依据BF原则选择适应度最大的服务器作为该容器及最小虚拟机的最优服务器放入，选择过程中将已进行放置安排的容器所对应的最优PM从待决策服务器序列中剔除，直至所有服务及其副本均已得到位置安排；

服务器适应度函数，具体公式为：

其中，代表服务器j被容器所使用的资源量，代表新增容器的CPU、内存资源，对应服务器j能够提供的CPU和内存的资源总量；

当所有激活态服务器无法满足容载需求时，开启新服务器并随机创建虚拟机承载容器，承载该容器的服务器及虚拟机则为容器的最优VM、PM；

步骤305：开启服务器，若最小虚拟机资源约束筛选后激活态服务器序列为空，则开启新服务器并随机选择数据中心支持的虚拟机模板，创建虚拟机实例作为该容器最优VM及最优PM，若无新容器增加，则本次Docker与VM初始放置方法终止，直到新的容器到来激活调度器重新运作放置算法。

5.根据权利要求4所述的一种高可用的Docker与虚拟机初始放置方法，其特征在于，步骤400中，对得到的近似最优的放置方案执行服务容错能力评价，通过设置服务器宕机数量，模拟数据中心若干激活态服务器意外宕机过程，统计托管于宕机服务器的仍可提供用户高可用服务访问的副本数量，并给出用户高可用的服务危机评级标准，构建服务容错度模型，将其值作为当前DVMP放置方案服务容错力的评价指标。

6.根据权利要求5所述的一种高可用的Docker与虚拟机初始放置方法，其特征在于，步骤400中，对放置方案执行服务容错力评价，具体包括以下步骤：

步骤401：设置服务器宕机数量，对比多个放置方案，选择其中服务器的最少使用量作为基准，使用服务器的最少使用量及宕机概率共同限制放置方案中执行服务容错能力评价方法的宕机服务器数量；

步骤402：统计托管宕机服务器仍可提供访问的副本数量，具体过程包括依据预设的宕机数量，从放置方案所有激活态服务器中随机选择该数量个数服务器作为“被宕机”的服务器序列，遍历“宕机”服务器序列，依次统计各服务器上“宕机”致使陷入疑似“危机”的高可用服务并仍能支持服务访问的副本数量；

步骤403：用户高可用的服务危机评价标准，具体划分为“严重”、“中度”、“轻度”三类；其中，当服务副本数量大于3时，说明用户服务实际具有相当的容错能力，将其定义为“轻度”危机；当服务副本数量低于3且不小于1时，服务能够容忍失败节点的数量为零，但此时该服务实际仍能提供访问且通过人为修复能够提升服务容错能力，将其定义为“中度”危机；当服务副本数量为零时，表示该服务完全终止访问，定义为“严重”危机；

步骤404：构建服务容错度模型，统计被“宕机”服务器波及的所有高可用服务出现不同服务危机的服务数量，并选用不同权重与三类服务危机规模进行乘积求和，其值表示为当前放置方案的服务容错度，模型假设被选中“宕机”的服务器所承载的所有容器将中止服务，而未被选中的“安全”服务器所承载的容器均能提供正常服务；具体表现为以下公式：

Min Tolerance＝α_t*N^severity+β_t*N^medium+γ_t*N^mild

其中，N^severity、N^medium、N^mild表示宕机模拟后处于“严重”、“中度”及“轻度”危机的高可用服务数量，Tolerance值越小表示出现“严重”危机的服务数量越少，放置方案的容错能力越强；反之，放置方案的容错能力越弱；α_t、β_t、γ_t分别作为不同服务危机的权重，取值满足α_t>β_t>γ_t。