CN109656711A - 一种基于服务器集群的动态电源管理方法及系统 - Google Patents

一种基于服务器集群的动态电源管理方法及系统 Download PDF

Info

Publication number
CN109656711A
CN109656711A CN201811276689.5A CN201811276689A CN109656711A CN 109656711 A CN109656711 A CN 109656711A CN 201811276689 A CN201811276689 A CN 201811276689A CN 109656711 A CN109656711 A CN 109656711A
Authority
CN
China
Prior art keywords
server
power
strategy
cluster
utilization
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
Application number
CN201811276689.5A
Other languages
English (en)
Inventor
巩玉旺
刘毅枫
王则陆
亓慧兴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Chaoyue CNC Electronics Co Ltd
Original Assignee
Shandong Chaoyue CNC Electronics Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Chaoyue CNC Electronics Co Ltd filed Critical Shandong Chaoyue CNC Electronics Co Ltd
Priority to CN201811276689.5A priority Critical patent/CN109656711A/zh
Publication of CN109656711A publication Critical patent/CN109656711A/zh
Pending legal-status Critical Current

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
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5094—Allocation of resources, e.g. of the central processing unit [CPU] where the allocation takes into account power or heat criteria
    • 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]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • G06F9/5088—Techniques for rebalancing the load in a distributed system involving task migration
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/5015—Service provider selection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/5022—Workload threshold

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Power Sources (AREA)

Abstract

本发明涉及一种基于服务器集群的动态电源管理方法及系统，包括以下步骤：S1：以资源利用率作为动态电源管理方法的评估参数，资源利用率即服务器中所有虚拟机计算资源的利用率总和，反应服务器的资源使用情况，服务器集群采集所有虚拟机的资源利用率并存储历史数据；S2：基于资源利用率历史数据并模拟上下电功能评估算法，生成动态电源管理的上下电决策；S3：基于负载均衡策略的上下电模拟算法，确定执行上下电决策；当执行上电建议时，首先对服务器进行上电，然后基于负载均衡策略将其他服务器的部分虚拟机迁移到新上电的服务器上；当执行下电建议时，首先基于负载均衡策略将这台服务器上的虚拟机迁移到其他服务器上，然后执行下电。

Description

一种基于服务器集群的动态电源管理方法及系统
技术领域
本发明属于云计算技术领域，具体涉及一种基于服务器集群的动态电源管理方法及系统。
背景技术
随着云计算技术的逐渐成熟，服务器集群的基础设施层逐渐被虚拟化取代，业务层也逐渐云化，越来越多的云计算解决方案得到实际应用与推广。
集群通过动态资源调度，可有效提高资源利用率，但并不能解决集群中服务器的动态电源管理，即在资源需求紧张时不能及时地自动上电某些服务器来满足资源需求，在资源闲置时不能及时地下电某些服务器来降低集群能耗。
目前动态电源管理多采用规则策略的方式进行服务器的上下电管理，能够满足一般场景。规则策略一般包括两种：时间策略和任务策略，时间策略是指预先对服务器集群进行上下电时间配置，当进入上电时间区间时，对服务器进行上电，当进入下电时间区间时，对服务器进行下电，此方法简单有效，但只能满足有明显时间分界线资源需求的场景，比如日常办公场景；任务策略是指预先对服务器集群进行上下电任务配置，当任务需要执行时，对服务器进行上电，当任务执行完成时，对服务器进行下电，此方法同样简单有效，但只能满足执行特定任务的场景。对于资源需求复杂多变的场景以上方法均不适用。此为现有技术的不足之处。
因此，针对现有技术中的上述缺陷，提供设计一种基于服务器集群的动态电源管理方法及系统；以解决现有技术中的上述缺陷，是非常有必要的。
发明内容
本发明的目的在于，针对上述现有技术存在的缺陷，提供设计一种基于服务器集群的动态电源管理方法及系统，以解决上述技术问题。
为实现上述目的，本发明给出以下技术方案：
一种基于服务器集群的动态电源管理方法，其特征在于，包括以下步骤：
S1：以资源利用率作为动态电源管理方法的评估参数，资源利用率即服务器中所有虚拟机计算资源（CPU、内存）的利用率总和，反应服务器的资源使用情况，服务器集群采集所有虚拟机的资源利用率并存储历史数据；
S2：基于资源利用率历史数据并模拟上下电功能评估算法，生成动态电源管理的上下电决策；
S3：基于负载均衡策略的上下电模拟算法，确定执行上下电决策；当执行上电建议时，首先对服务器进行上电，然后基于负载均衡策略将其他服务器的部分虚拟机迁移到新上电的服务器上；当执行下电建议时，首先基于负载均衡策略将这台服务器上的虚拟机迁移到其他服务器上，然后执行下电。
本技术方案中，使用资源利用率作为动态电源管理方法的评估参数。资源利用率是服务器中所有虚拟机计算资源（CPU、内存）的利用率总和。资源利用率=资源使用量/资源总量，令c代表服务器的CPU资源利用率，m代表服务器的内存资源利用率，服务器资源利用率取最大的利用率，max{ c, m }。其中c=c1 + c2 + c3 +…+ cn (n=虚拟机个数)，m=m1 +m2 + m3 +…+ mn(n=虚拟机个数)。
作为优选，所述步骤S2具体包括以下步骤：
S2.1：从存储装置读取资源利用率的历史数据（过去一周或一月），统计每个时间点（比如：五分钟间隔）的平均利用率；
S2.2：计算并监测每台服务器的利用率，当超过某个高阈值（经验值：80%）或低于某个低阈值（经验值：10%）时，根据步骤S1.1数据预测未来一段时间（0.5h）是否一直处于过低或过高状态，若一直处于过低状态则进入步骤S1.3，若一直处于过高状态则进入步骤S1.4，若只是瞬间过高或过低则忽略此轮监测，进入下一轮监测周期（比如：5分钟）；
S2.3：存在利用率过低的服务器则模拟下电，将其上的所有虚拟机迁移到其他服务器上，并计算是否导致其他服务器利用率过高，若会导致则不生成下电策略，若不会则生成下电策略；
S2.4：存在利用率过高的服务器则模拟上电，将其他服务器上的部分虚拟机迁移到此服务器上，计算是否出现利用率过低的服务器，若出现则不生成上电策略，若不出现则生成上电策略。
作为优选，所述步骤S3中，基于负载均衡策略的上电模拟算法，包括以下步骤：
S31.1：分别计算当前各服务器的资源利用率；
S31.2：将利用率高的服务器上的一台虚拟机模拟迁移到新上电服务器上；
S31.3：刷新各服务器利用率，并计算包括新上电服务器在内的集群的负载均衡度，重复步骤S31.2、S31.3直到集群负载相对均衡；
S31.4：集群进入均衡状态后，判断是否存在利用率过低的服务器，若有则不输出上电策略，若无则生成上电策略，策略包含虚拟机的迁移策略。
作为优选，所述步骤S3中，基于负载均衡策略的下电模拟算法，包括以下步骤：
S32.1：分布计算当前各服务器的资源利用率；
S32.2：将待下电服务器上的一台虚拟机模拟迁移到利用率低的服务器上；
S32.3：刷新各服务器利用率，并计算除待下电服务器在外的集群的负载均衡度，重复步骤S32.2、S32.3直到待下电服务器上不再有虚拟机，且集群负载相对均衡；
S32.4：集群进入均衡状态后，判断是否存在利用率过高的服务器，若有则不输出下电策略，若无则生成下电策略，策略包含虚拟机的迁移策略。
本发明还提供一种基于服务器集群的动态电源管理系统，其特征在于，包括：
资源利用率获取模块，以资源利用率作为动态电源管理方法的评估参数，资源利用率即服务器中所有虚拟机计算资源（CPU、内存）的利用率总和，反应服务器的资源使用情况，服务器集群采集所有虚拟机的资源利用率并存储历史数据；
模拟上下电功能评估算法模块，基于资源利用率历史数据并模拟上下电功能评估算法，生成动态电源管理的上下电决策；
上下电模拟算法模块，基于负载均衡策略的上下电模拟算法，确定执行上下电决策；当执行上电建议时，首先对服务器进行上电，然后基于负载均衡策略将其他服务器的部分虚拟机迁移到新上电的服务器上；当执行下电建议时，首先基于负载均衡策略将这台服务器上的虚拟机迁移到其他服务器上，然后执行下电。
作为优选，所述资源利用率获取模块包括以下步骤：
S2.1：从存储装置读取资源利用率的历史数据（过去一周或一月），统计每个时间点（比如：五分钟间隔）的平均利用率；
S2.2：计算并监测每台服务器的利用率，当超过某个高阈值（经验值：80%）或低于某个低阈值（经验值：10%）时，根据步骤S1.1数据预测未来一段时间（0.5h）是否一直处于过低或过高状态，若一直处于过低状态则进入步骤S1.3，若一直处于过高状态则进入步骤S1.4，若只是瞬间过高或过低则忽略此轮监测，进入下一轮监测周期（比如：5分钟）；
S2.3：存在利用率过低的服务器则模拟下电，将其上的所有虚拟机迁移到其他服务器上，并计算是否导致其他服务器利用率过高，若会导致则不生成下电策略，若不会则生成下电策略；
S2.4：存在利用率过高的服务器则模拟上电，将其他服务器上的部分虚拟机迁移到此服务器上，计算是否出现利用率过低的服务器，若出现则不生成上电策略，若不出现则生成上电策略。
作为优选，上下电模拟算法模块中，基于负载均衡策略的上电模拟算法，包括以下步骤：
S31.1：分别计算当前各服务器的资源利用率；
S31.2：将利用率高的服务器上的一台虚拟机模拟迁移到新上电服务器上；
S31.3：刷新各服务器利用率，并计算包括新上电服务器在内的集群的负载均衡度，重复步骤S31.2、S31.3直到集群负载相对均衡；
S31.4：集群进入均衡状态后，判断是否存在利用率过低的服务器，若有则不输出上电策略，若无则生成上电策略，策略包含虚拟机的迁移策略。
作为优选，上下电模拟算法模块中，基于负载均衡策略的下电模拟算法，包括以下步骤：
S32.1：分布计算当前各服务器的资源利用率；
S32.2：将待下电服务器上的一台虚拟机模拟迁移到利用率低的服务器上；
S32.3：刷新各服务器利用率，并计算除待下电服务器在外的集群的负载均衡度，重复步骤S32.2、S32.3直到待下电服务器上不再有虚拟机，且集群负载相对均衡；
S32.4：集群进入均衡状态后，判断是否存在利用率过高的服务器，若有则不输出下电策略，若无则生成下电策略，策略包含虚拟机的迁移策略。
本发明的有益效果在于，本发明将资源利用率作为评估参数，通过此参数可准确地对服务器的业务繁忙程度进行评估，并能及时地反应服务器集群的资源使用情况，是动态电源管理决策及时性和准确性的基础。
本发明提供的基于资源利用率历史数据并具有模拟上下电功能的评估算法，结合历史数据进行综合考量，并通过模拟上下电，提前计算上电或下电后的服务器资源利用率数据，防止生成成本高收益低的策略，能够充分保障策略的有效性和准确性，避免执行无效策略导致的资源浪费和运行风险。
本发明提供的基于负载均衡策略的上下电模拟算法，可保证上电或下电时将资源利用率迅速进入均衡状态，并保障处在运行状态的业务的资源需求不受影响，同时避免下电操作导致某台服务器因迁入虚拟机而出现的资源瓶颈。
此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。
由此可见，本发明与现有技术相比，具有突出的实质性特点和显著地进步，其实施的有益效果也是显而易见的。
附图说明
图1是本发明提供的一种基于服务器集群的动态电源管理方法的模拟上下电功能评估算法的流程图。
图2是本发明提供的一种基于服务器集群的动态电源管理方法的基于负载均衡策略的上电模拟算法。
图3是本发明提供的一种基于服务器集群的动态电源管理方法的基于负载均衡策略的下电模拟算法。
具体实施方式
下面结合附图并通过具体实施例对本发明进行详细阐述，以下实施例是对本发明的解释，而本发明并不局限于以下实施方式。
实施例1：
本发明提供的一种基于服务器集群的动态电源管理方法，其特征在于，包括以下步骤：
S1：以资源利用率作为动态电源管理方法的评估参数，资源利用率即服务器中所有虚拟机计算资源（CPU、内存）的利用率总和，反应服务器的资源使用情况，服务器集群采集所有虚拟机的资源利用率并存储历史数据；
S2：基于资源利用率历史数据并模拟上下电功能评估算法，生成动态电源管理的上下电决策；
S3：基于负载均衡策略的上下电模拟算法，确定执行上下电决策；当执行上电建议时，首先对服务器进行上电，然后基于负载均衡策略将其他服务器的部分虚拟机迁移到新上电的服务器上；当执行下电建议时，首先基于负载均衡策略将这台服务器上的虚拟机迁移到其他服务器上，然后执行下电。
本实施例中，所述步骤S2具体包括以下步骤：如图1所示，
S2.1：从存储装置读取资源利用率的历史数据（过去一周或一月），统计每个时间点（比如：五分钟间隔）的平均利用率；
S2.2：计算并监测每台服务器的利用率，当超过某个高阈值（经验值：80%）或低于某个低阈值（经验值：10%）时，根据步骤S1.1数据预测未来一段时间（0.5h）是否一直处于过低或过高状态，若一直处于过低状态则进入步骤S1.3，若一直处于过高状态则进入步骤S1.4，若只是瞬间过高或过低则忽略此轮监测，进入下一轮监测周期（比如：5分钟）；
S2.3：存在利用率过低的服务器则模拟下电，将其上的所有虚拟机迁移到其他服务器上，并计算是否导致其他服务器利用率过高，若会导致则不生成下电策略，若不会则生成下电策略；
S2.4：存在利用率过高的服务器则模拟上电，将其他服务器上的部分虚拟机迁移到此服务器上，计算是否出现利用率过低的服务器，若出现则不生成上电策略，若不出现则生成上电策略。
本实施例中，所述步骤S3中，基于负载均衡策略的上电模拟算法，包括以下步骤：如图2所示；
S31.1：分别计算当前各服务器的资源利用率；
S31.2：将利用率高的服务器上的一台虚拟机模拟迁移到新上电服务器上；
S31.3：刷新各服务器利用率，并计算包括新上电服务器在内的集群的负载均衡度，重复步骤S31.2、S31.3直到集群负载相对均衡；
S31.4：集群进入均衡状态后，判断是否存在利用率过低的服务器，若有则不输出上电策略，若无则生成上电策略，策略包含虚拟机的迁移策略。
本实施例中，所述步骤S3中，基于负载均衡策略的下电模拟算法，包括以下步骤：如图3所示，
S32.1：分布计算当前各服务器的资源利用率；
S32.2：将待下电服务器上的一台虚拟机模拟迁移到利用率低的服务器上；
S32.3：刷新各服务器利用率，并计算除待下电服务器在外的集群的负载均衡度，重复步骤S32.2、S32.3直到待下电服务器上不再有虚拟机，且集群负载相对均衡；
S32.4：集群进入均衡状态后，判断是否存在利用率过高的服务器，若有则不输出下电策略，若无则生成下电策略，策略包含虚拟机的迁移策略。
本发明还提供一种基于服务器集群的动态电源管理系统，其特征在于，包括：
资源利用率获取模块，以资源利用率作为动态电源管理方法的评估参数，资源利用率即服务器中所有虚拟机计算资源（CPU、内存）的利用率总和，反应服务器的资源使用情况，服务器集群采集所有虚拟机的资源利用率并存储历史数据；
模拟上下电功能评估算法模块，基于资源利用率历史数据并模拟上下电功能评估算法，生成动态电源管理的上下电决策；
上下电模拟算法模块，基于负载均衡策略的上下电模拟算法，确定执行上下电决策；当执行上电建议时，首先对服务器进行上电，然后基于负载均衡策略将其他服务器的部分虚拟机迁移到新上电的服务器上；当执行下电建议时，首先基于负载均衡策略将这台服务器上的虚拟机迁移到其他服务器上，然后执行下电。
本实施例中，所述资源利用率获取模块包括以下步骤：
S2.1：从存储装置读取资源利用率的历史数据（过去一周或一月），统计每个时间点（比如：五分钟间隔）的平均利用率；
S2.2：计算并监测每台服务器的利用率，当超过某个高阈值（经验值：80%）或低于某个低阈值（经验值：10%）时，根据步骤S1.1数据预测未来一段时间（0.5h）是否一直处于过低或过高状态，若一直处于过低状态则进入步骤S1.3，若一直处于过高状态则进入步骤S1.4，若只是瞬间过高或过低则忽略此轮监测，进入下一轮监测周期（比如：5分钟）；
S2.3：存在利用率过低的服务器则模拟下电，将其上的所有虚拟机迁移到其他服务器上，并计算是否导致其他服务器利用率过高，若会导致则不生成下电策略，若不会则生成下电策略；
S2.4：存在利用率过高的服务器则模拟上电，将其他服务器上的部分虚拟机迁移到此服务器上，计算是否出现利用率过低的服务器，若出现则不生成上电策略，若不出现则生成上电策略。
本实施例中，上下电模拟算法模块中，基于负载均衡策略的上电模拟算法，包括以下步骤：
S31.1：分别计算当前各服务器的资源利用率；
S31.2：将利用率高的服务器上的一台虚拟机模拟迁移到新上电服务器上；
S31.3：刷新各服务器利用率，并计算包括新上电服务器在内的集群的负载均衡度，重复步骤S31.2、S31.3直到集群负载相对均衡；
S31.4：集群进入均衡状态后，判断是否存在利用率过低的服务器，若有则不输出上电策略，若无则生成上电策略，策略包含虚拟机的迁移策略。
本实施例中，上下电模拟算法模块中，基于负载均衡策略的下电模拟算法，包括以下步骤：
S32.1：分布计算当前各服务器的资源利用率；
S32.2：将待下电服务器上的一台虚拟机模拟迁移到利用率低的服务器上；
S32.3：刷新各服务器利用率，并计算除待下电服务器在外的集群的负载均衡度，重复步骤S32.2、S32.3直到待下电服务器上不再有虚拟机，且集群负载相对均衡；
S32.4：集群进入均衡状态后，判断是否存在利用率过高的服务器，若有则不输出下电策略，若无则生成下电策略，策略包含虚拟机的迁移策略。
以上公开的仅为本发明的优选实施方式，但本发明并非局限于此，任何本领域的技术人员能思之的没有创造性的变化，以及在不脱离本发明原理前提下所作的若干改进和润饰，都应落在本发明的保护范围内。

Claims (8)

1.一种基于服务器集群的动态电源管理方法，其特征在于，包括以下步骤：
S1：以资源利用率作为动态电源管理方法的评估参数，资源利用率即服务器中所有虚拟机计算资源的利用率总和，反应服务器的资源使用情况，服务器集群采集所有虚拟机的资源利用率并存储历史数据；
S2：基于资源利用率历史数据并模拟上下电功能评估算法，生成动态电源管理的上下电决策；
S3：基于负载均衡策略的上下电模拟算法，确定执行上下电决策；当执行上电建议时，首先对服务器进行上电，然后基于负载均衡策略将其他服务器的部分虚拟机迁移到新上电的服务器上；当执行下电建议时，首先基于负载均衡策略将这台服务器上的虚拟机迁移到其他服务器上，然后执行下电。
2.根据权利要求1所述的一种基于服务器集群的动态电源管理方法，其特征在于，所述步骤S2具体包括以下步骤：
S2.1：从存储装置读取资源利用率的历史数据，统计每个时间点的平均利用率；
S2.2：计算并监测每台服务器的利用率，当超过某个高阈值或低于某个低阈值时，根据步骤S1.1数据预测未来一段时间是否一直处于过低或过高状态，若一直处于过低状态则进入步骤S1.3，若一直处于过高状态则进入步骤S1.4，若只是瞬间过高或过低则忽略此轮监测，进入下一轮监测周期；
S2.3：存在利用率过低的服务器则模拟下电，将其上的所有虚拟机迁移到其他服务器上，并计算是否导致其他服务器利用率过高，若会导致则不生成下电策略，若不会则生成下电策略；
S2.4：存在利用率过高的服务器则模拟上电，将其他服务器上的部分虚拟机迁移到此服务器上，计算是否出现利用率过低的服务器，若出现则不生成上电策略，若不出现则生成上电策略。
3.根据权利要求2所述的一种基于服务器集群的动态电源管理方法，其特征在于，所述步骤S3中，基于负载均衡策略的上电模拟算法，包括以下步骤：
S31.1：分别计算当前各服务器的资源利用率；
S31.2：将利用率高的服务器上的一台虚拟机模拟迁移到新上电服务器上；
S31.3：刷新各服务器利用率，并计算包括新上电服务器在内的集群的负载均衡度，重复步骤S31.2、S31.3直到集群负载相对均衡；
S31.4：集群进入均衡状态后，判断是否存在利用率过低的服务器，若有则不输出上电策略，若无则生成上电策略，策略包含虚拟机的迁移策略。
4.根据权利要求3所述的一种基于服务器集群的动态电源管理方法，其特征在于，所述步骤S3中，基于负载均衡策略的下电模拟算法，包括以下步骤：
S32.1：分布计算当前各服务器的资源利用率；
S32.2：将待下电服务器上的一台虚拟机模拟迁移到利用率低的服务器上；
S32.3：刷新各服务器利用率，并计算除待下电服务器在外的集群的负载均衡度，重复步骤S32.2、S32.3直到待下电服务器上不再有虚拟机，且集群负载相对均衡；
S32.4：集群进入均衡状态后，判断是否存在利用率过高的服务器，若有则不输出下电策略，若无则生成下电策略，策略包含虚拟机的迁移策略。
5.一种基于服务器集群的动态电源管理系统，其特征在于，包括：
资源利用率获取模块，以资源利用率作为动态电源管理方法的评估参数，资源利用率即服务器中所有虚拟机计算资源的利用率总和，反应服务器的资源使用情况，服务器集群采集所有虚拟机的资源利用率并存储历史数据；
模拟上下电功能评估算法模块，基于资源利用率历史数据并模拟上下电功能评估算法，生成动态电源管理的上下电决策；
上下电模拟算法模块，基于负载均衡策略的上下电模拟算法，确定执行上下电决策；当执行上电建议时，首先对服务器进行上电，然后基于负载均衡策略将其他服务器的部分虚拟机迁移到新上电的服务器上；当执行下电建议时，首先基于负载均衡策略将这台服务器上的虚拟机迁移到其他服务器上，然后执行下电。
6.根据权利要求5所述的一种基于服务器集群的动态电源管理系统，其特征在于，所述资源利用率获取模块包括以下步骤：
S2.1：从存储装置读取资源利用率的历史数据，统计每个时间点的平均利用率；
S2.2：计算并监测每台服务器的利用率，当超过某个高阈值或低于某个低阈值时，根据步骤S1.1数据预测未来一段时间是否一直处于过低或过高状态，若一直处于过低状态则进入步骤S1.3，若一直处于过高状态则进入步骤S1.4，若只是瞬间过高或过低则忽略此轮监测，进入下一轮监测周期；
S2.3：存在利用率过低的服务器则模拟下电，将其上的所有虚拟机迁移到其他服务器上，并计算是否导致其他服务器利用率过高，若会导致则不生成下电策略，若不会则生成下电策略；
S2.4：存在利用率过高的服务器则模拟上电，将其他服务器上的部分虚拟机迁移到此服务器上，计算是否出现利用率过低的服务器，若出现则不生成上电策略，若不出现则生成上电策略。
7.根据权利要求6所述的一种基于服务器集群的动态电源管理系统，其特征在于，上下电模拟算法模块中，基于负载均衡策略的上电模拟算法，包括以下步骤：
S31.1：分别计算当前各服务器的资源利用率；
S31.2：将利用率高的服务器上的一台虚拟机模拟迁移到新上电服务器上；
S31.3：刷新各服务器利用率，并计算包括新上电服务器在内的集群的负载均衡度，重复步骤S31.2、S31.3直到集群负载相对均衡；
S31.4：集群进入均衡状态后，判断是否存在利用率过低的服务器，若有则不输出上电策略，若无则生成上电策略，策略包含虚拟机的迁移策略。
8.根据权利要求7所述的一种基于服务器集群的动态电源管理系统，其特征在于，上下电模拟算法模块中，基于负载均衡策略的下电模拟算法，包括以下步骤：
S32.1：分布计算当前各服务器的资源利用率；
S32.2：将待下电服务器上的一台虚拟机模拟迁移到利用率低的服务器上；
S32.3：刷新各服务器利用率，并计算除待下电服务器在外的集群的负载均衡度，重复步骤S32.2、S32.3直到待下电服务器上不再有虚拟机，且集群负载相对均衡；
S32.4：集群进入均衡状态后，判断是否存在利用率过高的服务器，若有则不输出下电策略，若无则生成下电策略，策略包含虚拟机的迁移策略。
CN201811276689.5A 2018-10-30 2018-10-30 一种基于服务器集群的动态电源管理方法及系统 Pending CN109656711A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811276689.5A CN109656711A (zh) 2018-10-30 2018-10-30 一种基于服务器集群的动态电源管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811276689.5A CN109656711A (zh) 2018-10-30 2018-10-30 一种基于服务器集群的动态电源管理方法及系统

Publications (1)

Publication Number Publication Date
CN109656711A true CN109656711A (zh) 2019-04-19

Family

ID=66110584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811276689.5A Pending CN109656711A (zh) 2018-10-30 2018-10-30 一种基于服务器集群的动态电源管理方法及系统

Country Status (1)

Country Link
CN (1) CN109656711A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111694517A (zh) * 2020-05-28 2020-09-22 新浪网技术(中国)有限公司 分布式数据迁移方法、系统和电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013117079A1 (zh) * 2012-02-08 2013-08-15 中兴通讯股份有限公司 一种虚拟机负载均衡方法、管理模块及虚拟机集群系统
CN103677958A (zh) * 2013-12-13 2014-03-26 华为技术有限公司 一种虚拟化集群的资源调度方法及装置
CN108519919A (zh) * 2018-03-19 2018-09-11 山东超越数控电子股份有限公司 一种在虚拟化集群环境下实现服务器资源动态调度的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013117079A1 (zh) * 2012-02-08 2013-08-15 中兴通讯股份有限公司 一种虚拟机负载均衡方法、管理模块及虚拟机集群系统
CN103677958A (zh) * 2013-12-13 2014-03-26 华为技术有限公司 一种虚拟化集群的资源调度方法及装置
CN108519919A (zh) * 2018-03-19 2018-09-11 山东超越数控电子股份有限公司 一种在虚拟化集群环境下实现服务器资源动态调度的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡荣辉等: "云环境下虚拟机集群迁移策略研究", 《计算机技术与发展》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111694517A (zh) * 2020-05-28 2020-09-22 新浪网技术(中国)有限公司 分布式数据迁移方法、系统和电子设备
CN111694517B (zh) * 2020-05-28 2024-02-13 新浪技术（中国）有限公司 分布式数据迁移方法、系统和电子设备

Similar Documents

Publication Publication Date Title
CN103957231B (zh) 一种云计算平台下的虚拟机分布式任务调度方法
US20130212410A1 (en) Renewable energy control systems and methods
CN105302630B (zh) 一种虚拟机的动态调整方法及其系统
Gu et al. Energy efficient scheduling of servers with multi-sleep modes for cloud data center
CN103645795A (zh) 一种基于人工神经网络的云计算数据中心节能方法
CN102759984A (zh) 虚拟化服务器集群的电源和性能管理系统
Li et al. Opportunistic scheduling in clouds partially powered by green energy
Wang et al. A green-aware virtual machine migration strategy for sustainable datacenter powered by renewable energy
Liang et al. Memory-aware resource management algorithm for low-energy cloud data centers
Gu et al. Green scheduling for cloud data centers using ESDs to store renewable energy
CN105763367A (zh) 一种基于虚拟化的数据中心的能耗管理方法
CN103023802B (zh) 一种面向web集群的低能耗调度系统和方法
Yuan et al. Energy aware resource scheduling algorithm for data center using reinforcement learning
CN106483876A (zh) 一种新能源数据中心的能量调度架构
CN109656711A (zh) 一种基于服务器集群的动态电源管理方法及系统
Wiesner et al. Software‐in‐the‐loop simulation for developing and testing carbon‐aware applications
Yuan et al. An Online Energy Saving Resource Optimization Methodology for Data Center.
Xu et al. A virtual data center deployment model based on the green cloud computing
CN105116987A (zh) 一种云计算中心的通用电源和性能管理系统
Huai et al. Towards energy efficient scheduling for online tasks in cloud data centers based on DVFS
Li et al. An energy efficient resource management method in virtualized cloud environment
CN102662759A (zh) 一种云os中基于cpu负载的节能方法
Khosravi Energy and carbon-efficient resource management in geographically distributed cloud data centers
Rawas et al. Towards greener services in cloud computing: Research and future directives
CN104298536A (zh) 基于动态调频调压技术的数据中心节能调度方法

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: 20190419