CN110377396A - 一种虚拟机自动迁移方法、系统及电子设备 - Google Patents
一种虚拟机自动迁移方法、系统及电子设备 Download PDFInfo
- Publication number
- CN110377396A CN110377396A CN201910598940.8A CN201910598940A CN110377396A CN 110377396 A CN110377396 A CN 110377396A CN 201910598940 A CN201910598940 A CN 201910598940A CN 110377396 A CN110377396 A CN 110377396A
- Authority
- CN
- China
- Prior art keywords
- index
- node
- migration
- calculate
- calculate node
- 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
- G06F9/44—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
本申请涉及一种虚拟机自动迁移方法、系统及电子设备。包括:步骤a:通过指标收集器收集OpenStack集群中所有计算节点的多维指标数据,并将所述多维指标数据传至迁移接触器;其中,所述多维指标数据包括系统状态指标、软件状态指标、网络状态指标和硬件状态指标;步骤b:通过迁移决策器分析所有计算节点的多维指标数据,对所述计算节点进行分类,并根据所述计算节点分类结果做出迁移决策;步骤c:调用迁移脚本执行迁移决策,完成虚拟机的动态迁移。本申请通过综合考虑系统状态指标、软件状态指标、网络状态指标和硬件状态指标,并且支持扩展和自定义指标,使得迁移决策更加合理。
Description
技术领域
本申请属于虚拟网络技术领域,特别涉及一种虚拟机自动迁移方法、系统及电子设备。
背景技术
OpenStack是一个开源的云操作系统,能够整合管理数据中心的硬件资源。在OpenStack平台上,可以创建虚拟机和虚拟网络,并且支持虚拟机的静态迁移和动态迁移。虚拟机的静态迁移,是指虚拟机在关闭的状态下从一台物理机转移到另一台物理机的过程。虚拟机的动态迁移,是指虚拟机在正常运行的状态下从一台物理机转移到另一台物理机的过程,并且迁移过程中虚拟机的服务不会发生中断。虚拟机动态迁移能够实现负载均衡、节约能源和在线维护,但是,对于数据中心管理员来说,决定迁移哪些虚拟机以及何时迁移虚拟机,是一个很大的工作量,而且容易出错。
现有的虚拟机自动迁移方法通过收集虚拟机和物理机的CPU和内存等指标进行处理,能够在一定程度上减轻数据中心管理员的工作量。但是,该方法仅仅考虑到了CPU负载、内存负载和带宽负载,没有综合考虑硬件状态、系统状态、软件状态和网络状态等指标,其中硬件状态包括物理机的温度和电源电压;系统状态包括CPU负载、内存负载和磁盘负载;软件状态包括OpenStack各个组件的运行状态;网络状态包括网络带宽、网络延迟、网络丢包和网络包损坏等,不能更好地进行迁移决策。
发明内容
本申请提供了一种虚拟机自动迁移方法、系统及电子设备,旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题,本申请提供了如下技术方案:
一种虚拟机自动迁移方法,包括以下步骤:
步骤a:通过指标收集器收集OpenStack集群中所有计算节点的多维指标数据,并将所述多维指标数据传至迁移接触器;其中,所述多维指标数据包括系统状态指标、软件状态指标、网络状态指标和硬件状态指标;
步骤b:通过迁移决策器分析所有计算节点的多维指标数据,对所述计算节点进行分类,并根据所述计算节点分类结果做出迁移决策;
步骤c:调用迁移脚本执行迁移决策,完成虚拟机的动态迁移。
本申请实施例采取的技术方案还包括:在所述步骤a中,所述指标收集器包括指标收集器服务端和指标收集器客户端,所述指标收集器服务端和迁移决策器部署于OpenStack控制节点,所述指标收集器客户端部署于每个OpenStack计算节点,所述OpenStack每个计算节点上还部署有IPMI;所述OpenStack计算节点的数量为至少两个。
本申请实施例采取的技术方案还包括:在所述步骤a中,所述通过指标收集器收集OpenStack集群中所有计算节点的多维指标数据具体包括:
步骤a1:通过指标收集器服务端根据设定的时间定期向指标收集器客户端和IPMI发送获取计算节点指标数据的请求;
步骤a2:通过所述指标收集器客户端收集所在OpenStack计算节点的系统状态指标、软件状态指标和网络状态指标,通过所述IPMI收集所在OpenStack计算节点的硬件状态指标,并将所述系统状态指标、软件状态指标、网络状态指标和硬件状态指标返回给指标收集器服务端。
本申请实施例采取的技术方案还包括:在所述步骤c中,所述通过迁移决策器分析所有计算节点的多维指标数据,对所述计算节点进行分类具体包括:对所述计算节点的多维指标数据进行分析,判断指标数据是否正常,并根据判断结果将计算节点分为正常节点、硬件问题节点、负载问题节点、软件问题节点和网络问题节点。
本申请实施例采取的技术方案还包括:在所述步骤c中,所述根据计算节点分类结果做出迁移决策具体为:当计算节点被判定为正常节点时,可以向该计算节点迁入虚拟机;当计算节点被判定为硬件问题节点、软件问题节点或网络问题节点时,该计算节点中的所有虚拟机都要迁移到其他节点;当计算节点被判定为负载问题节点时,该计算节点中的部分虚拟机迁移到其他节点。
本申请实施例采取的另一技术方案为:一种虚拟机自动迁移系统,包括OpenStack控制节点和OpenStack计算节点,所述OpenStack控制节点中部署有指标收集器、迁移决策器和迁移脚本,所述指标收集器用于收集OpenStack集群中所有计算节点的多维指标数据,并将所述多维指标数据传至迁移接触器;所述多维指标数据包括系统状态指标、软件状态指标、网络状态指标和硬件状态指标;所述迁移决策器用于分析所有计算节点的多维指标数据,对所述计算节点进行分类,根据所述计算节点分类结果做出迁移决策;调用迁移脚本执行迁移决策,完成虚拟机的动态迁移。
本申请实施例采取的技术方案还包括:所述指标收集器包括指标收集器服务端和指标收集器客户端,所述指标收集器服务端部署于OpenStack控制节点,所述指标收集器客户端部署于每个OpenStack计算节点,所述OpenStack每个计算节点上还部署有IPMI;所述OpenStack计算节点的数量为至少两个。
本申请实施例采取的技术方案还包括:所述指标收集器收集OpenStack集群中所有计算节点的多维指标数据具体为:通过指标收集器服务端根据设定的时间定期向指标收集器客户端和IPMI发送获取计算节点指标数据的请求;通过所述指标收集器客户端收集所在OpenStack计算节点的系统状态指标、软件状态指标和网络状态指标,通过所述IPMI收集所在OpenStack计算节点的硬件状态指标,并将所述系统状态指标、软件状态指标、网络状态指标和硬件状态指标返回给指标收集器服务端。
本申请实施例采取的技术方案还包括:所述迁移决策器分析所有计算节点的多维指标数据,对所述计算节点进行分类具体为:对所述计算节点的多维指标数据进行分析,判断指标数据是否正常,并根据判断结果将计算节点分为正常节点、硬件问题节点、负载问题节点、软件问题节点和网络问题节点。
本申请实施例采取的技术方案还包括:所述迁移决策器根据计算节点分类结果做出迁移决策具体为:当计算节点被判定为正常节点时,可以向该计算节点迁入虚拟机;当计算节点被判定为硬件问题节点、软件问题节点或网络问题节点时,该计算节点中的所有虚拟机都要迁移到其他节点;当计算节点被判定为负载问题节点时,该计算节点中的部分虚拟机迁移到其他节点。
本申请实施例采取的又一技术方案为:一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的虚拟机自动迁移方法的以下操作:
步骤a:通过指标收集器收集OpenStack集群中所有计算节点的多维指标数据,并将所述多维指标数据传至迁移接触器;其中,所述多维指标数据包括系统状态指标、软件状态指标、网络状态指标和硬件状态指标;
步骤b:通过迁移决策器分析所有计算节点的多维指标数据,对所述计算节点进行分类,并根据所述计算节点分类结果做出迁移决策;
步骤c:调用迁移脚本执行迁移决策,完成虚拟机的动态迁移。
相对于现有技术,本申请实施例产生的有益效果在于:本申请实施例的虚拟机自动迁移方法、系统及电子设备通过综合考虑系统状态指标、软件状态指标、网络状态指标及硬件状态指标等多维指标数据进行迁移决策,相对于现有技术,本申请至少具有以下优点:
1、根据多维指标数据进行迁移决策,并且支持扩展和自定义指标,使得迁移决策更加合理;
2、在进行迁移决策时,根据计算节点存在的问题对节点进行分类,针对不同的分类制定不同的迁移策略,更加细粒度;
3、通过指标收集器在特定时间主动获取计算节点的指标,减少节点间的通信开销很小。
附图说明
图1是本申请实施例的虚拟机自动迁移方法的流程图;
图2是本申请实施例的虚拟机自动迁移系统的结构示意图;
图3是本申请实施例提供的虚拟机自动迁移方法的硬件设备结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
请参阅图1,是本申请实施例的虚拟机自动迁移方法的流程图。本申请实施例的虚拟机自动迁移方法包括以下步骤:
步骤100:搭建OpenStack集群,并进行系统配置;
步骤100中,OpenStack环境可以包括多个节点,每个节点为一台物理主机,每台物理主机上都运行着OpenStack服务,具体节点数量可根据实际需求进行设置。以下实施例以3个节点为例进行具体说明,分别为:OpenStack控制节点、OpenStack计算节点1和OpenStack计算节点2;在OpenStack控制节点上部署指标收集器服务端、迁移决策器和迁移脚本,并在OpenStack计算节点1和OpenStack计算节点2上分别部署指标收集器客户端,同时配置IPMI(Intelligent Platform Management Interface,智能型平台管理接口)。其中,指标收集器用于收集OpenStack集群中所有计算节点的多维指标数据(指标收集器包括服务端和客户端,客户端用于收集单台计算节点上的指标,服务端用于收集汇总所有计算节点的指标),迁移决策器用于分析所有计算节点的多维指标数据并做出迁移决策,决定迁出哪些计算节点中的虚拟机,以及迁入到哪些计算节点。迁移脚本用于调用OpenStack的API(Application Programming Interface,应用程序编程接口)执行迁移决策,完成虚拟机的动态迁移。
步骤200:通过指标收集器服务端根据设定的时间定期向指标收集器客户端和IPMI发送获取计算节点指标数据的请求;
步骤200中,指标收集器服务端在设定的时间主动从计算节点获取指标数据,能够减少节点间的通信开销。
步骤300:通过指标收集器客户端和IPMI收集所在计算节点的多维指标数据,并将收集的多维指标数据返回给指标收集器服务端;
步骤300中,指标收集器客户端和IPMI收集所在计算节点的多维指标数据具体为:指标收集器客户端收集所在OpenStack计算节点的系统状态指标、软件状态指标和网络状态指标,包括CPU负载、内存负载、磁盘负载、OpenStack组件运行状态、网络带宽、网络延迟、网络丢包和网络包损坏等;IPMI收集所在OpenStack计算节点的硬件状态指标,包括物理主机温度、电源电压等。具体指标类型可通过指标收集器进行设置。本申请实施例中,指标收集器客户端和IPMI只负责获取所在计算节点的指标数据,不涉及节点间通信。可以理解,本申请还可以通过指标收集器客户端在计算节点本地调用IPMI进行硬件状态指标的收集,指标收集器服务端不需要和IPMI直接通信。
步骤400:通过指标收集器服务端汇总统计所有计算节点的多维指标数据,并将统计后的多维指标数据交给迁移决策器;
步骤500:迁移决策器分析所有计算节点的多维指标数据,对计算节点进行分类,并根据分类结果做出迁移决策;
步骤500中,计算节点的分类方式具体为:迁移决策器对计算节点的多维指标数据进行分析,判断指标数据是否正常,并根据判断结果将计算节点分为正常节点、硬件问题节点、负载问题节点、软件问题节点和网络问题节点五类。迁移决策器的迁移规则如下:当计算节点被判定为正常节点时,可以向该计算节点迁入虚拟机;当计算节点被判定为硬件问题节点、软件问题节点或网络问题节点时,该计算节点中的所有虚拟机都要迁移到其他节点;当计算节点被判定为负载问题节点时,该计算节点中的部分虚拟机迁移到其他节点。迁移决策器做出迁移决策后,调用迁移脚本进行虚拟机迁移。本申请通过迁移决策器判断计算节点是否出现问题以及出现了什么样的问题,然后作出迁移决策进行虚拟机迁移,整个过程不需要人工干预,能够避免人为操作引起的错误,减少数据中心管理员的工作量。同时,本申请综合考虑了硬件状态、系统状态、软件状态和网络状态,作出的迁移决策更加合理。可以理解,迁移决策器对于计算节点的分类规则以及迁移规则可以根据实际需要进行调整。
步骤600:迁移决策器调用OpenStack虚拟机迁移脚本,执行虚拟机迁移。
请参阅图2,是本申请实施例的虚拟机自动迁移系统的结构示意图。本申请实施例的虚拟机自动迁移系统包括OpenStack控制节点和OpenStack计算节点,其中,OpenStack计算节点的数量为至少两个,具体节点数量可根据实际需求进行设置。每个节点分别为一台物理主机,每台物理主机上都运行着OpenStack服务。
进一步地,OpenStack控制节点上部署有指标收集器服务端、迁移决策器和迁移脚本,每个OpenStack计算节点上分别部署有指标收集器客户端,同时配置IPMI(IntelligentPlatform Management Interface,智能型平台管理接口)。其中,指标收集器用于收集OpenStack集群中所有计算节点的多维指标数据(指标收集器分为服务端和客户端,客户端用于收集单台计算节点上的指标,服务端用于收集汇总所有计算节点的指标),迁移决策器用于分析所有计算节点的多维指标数据并做出迁移决策,决定迁出哪些计算节点中的虚拟机,以及迁入到哪些计算节点。迁移脚本用于调用OpenStack的API(ApplicationProgramming Interface,应用程序编程接口)执行迁移决策,完成虚拟机的动态迁移。
具体地,指标收集器服务端用于根据设定的时间定期向指标收集器客户端和IPMI发送获取计算节点指标的请求;其中,指标收集器服务端在设定的时间主动从计算节点获取指标数据,能够减少节点间的通信开销。
指标收集器客户端用于收集所在OpenStack计算节点的系统状态指标、软件状态指标和网络状态指标,IPMI用于收集所在OpenStack计算节点的硬件状态指标,并将收集的多维指标数据返回给指标收集器服务端;其中,收集的多维指标数据具体包括物理主机温度、电源电压、CPU负载、内存负载、磁盘负载、OpenStack组件运行状态、网络带宽、网络延迟、网络丢包和网络包损坏等,具体指标类型可通过指标收集器进行设置。本申请实施例中,指标收集器客户端和IPMI只负责获取所在计算节点的指标数据,不涉及节点间通信。在可以理解,本申请还可以通过指标收集器客户端在计算节点本地调用IPMI进行硬件状态指标的收集,指标收集器服务端不需要和IPMI直接通信。
指标收集器服务端用于汇总统计所有计算节点的多维指标数据,并将统计后的多维指标数据交给迁移决策器;
迁移决策器用于分析所有计算节点的多维指标数据,对计算节点进行分类,并根据分类结果做出迁移决策;其中,迁移决策器对计算节点的分类方式具体为:迁移决策器对计算节点的多维指标数据进行分析,判断指标数据是否正常,并根据判断结果将计算节点分为正常节点、硬件问题节点、负载问题节点、软件问题节点和网络问题节点五类。迁移决策器的迁移规则如下:当计算节点被判定为正常节点时,可以向该计算节点迁入虚拟机;当计算节点被判定为硬件问题节点、软件问题节点或网络问题节点时,该计算节点中的所有虚拟机都要迁移到其他节点;当计算节点被判定为负载问题节点时,该计算节点中的部分虚拟机迁移到其他节点。迁移决策器做出迁移决策后,调用迁移脚本进行虚拟机迁移。本申请通过迁移决策器判断计算节点是否出现问题以及出现了什么样的问题,然后作出迁移决策进行虚拟机迁移,整个过程不需要人工干预,能够避免人为操作引起的错误,减少数据中心管理员的工作量。同时,本申请综合考虑了硬件状态、系统状态、软件状态和网络状态,作出的迁移决策更加合理。可以理解,迁移决策器对于计算节点的分类规则以及迁移规则可以根据实际需要进行调整。
图3是本申请实施例提供的虚拟机自动迁移方法的硬件设备结构示意图。如图3所示,该设备包括一个或多个处理器以及存储器。以一个处理器为例,该设备还可以包括:输入系统和输出系统。
处理器、存储器、输入系统和输出系统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。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述方法实施例的处理方法。
存储器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;存储数据区可存储数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理系统。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。
输入系统可接收输入的数字或字符信息,以及产生信号输入。输出系统可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器中,当被所述一个或者多个处理器执行时,执行上述任一方法实施例的以下操作:
步骤a:通过指标收集器收集OpenStack集群中所有计算节点的多维指标数据,并将所述多维指标数据传至迁移接触器;其中,所述多维指标数据包括系统状态指标、软件状态指标、网络状态指标和硬件状态指标;
步骤b:通过迁移决策器分析所有计算节点的多维指标数据,对所述计算节点进行分类,并根据所述计算节点分类结果做出迁移决策;
步骤c:调用迁移脚本执行迁移决策,完成虚拟机的动态迁移。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请实施例提供的方法。
本申请实施例提供了一种非暂态(非易失性)计算机存储介质,所述计算机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以下操作:
步骤a:通过指标收集器收集OpenStack集群中所有计算节点的多维指标数据,并将所述多维指标数据传至迁移接触器;其中,所述多维指标数据包括系统状态指标、软件状态指标、网络状态指标和硬件状态指标;
步骤b:通过迁移决策器分析所有计算节点的多维指标数据,对所述计算节点进行分类,并根据所述计算节点分类结果做出迁移决策;
步骤c:调用迁移脚本执行迁移决策,完成虚拟机的动态迁移。
本申请实施例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非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行以下操作:
步骤a:通过指标收集器收集OpenStack集群中所有计算节点的多维指标数据,并将所述多维指标数据传至迁移接触器;其中,所述多维指标数据包括系统状态指标、软件状态指标、网络状态指标和硬件状态指标;
步骤b:通过迁移决策器分析所有计算节点的多维指标数据,对所述计算节点进行分类,并根据所述计算节点分类结果做出迁移决策;
步骤c:调用迁移脚本执行迁移决策,完成虚拟机的动态迁移。
本申请实施例的虚拟机自动迁移方法、系统及电子设备通过综合考虑系统状态指标、软件状态指标、网络状态指标和硬件状态指标,相对于现有技术,本申请至少具有以下优点:
1、根据多维指标数据进行迁移决策,并且支持扩展和自定义指标,使得迁移决策更加合理;
2、在进行迁移决策时,根据计算节点存在的问题对节点进行分类,针对不同的分类制定不同的迁移策略,更加细粒度;
3、通过指标收集器在特定时间主动获取计算节点的指标,减少节点间的通信开销很小。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本申请所示的这些实施例,而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。
Claims (11)
1.一种虚拟机自动迁移方法,其特征在于,包括以下步骤:
步骤a:通过指标收集器收集OpenStack集群中所有计算节点的多维指标数据,并将所述多维指标数据传至迁移接触器;其中,所述多维指标数据包括系统状态指标、软件状态指标、网络状态指标和硬件状态指标;
步骤b:通过迁移决策器分析所有计算节点的多维指标数据,对所述计算节点进行分类,并根据所述计算节点分类结果做出迁移决策;
步骤c:调用迁移脚本执行迁移决策,完成虚拟机的动态迁移。
2.根据权利要求1所述的虚拟机自动迁移方法,其特征在于,在所述步骤a中,所述指标收集器包括指标收集器服务端和指标收集器客户端,所述指标收集器服务端和迁移决策器部署于OpenStack控制节点,所述指标收集器客户端部署于每个OpenStack计算节点,所述OpenStack每个计算节点上还部署有IPMI;所述OpenStack计算节点的数量为至少两个。
3.根据权利要求2所述的虚拟机自动迁移方法,其特征在于,在所述步骤a中,所述通过指标收集器收集OpenStack集群中所有计算节点的多维指标数据具体包括:
步骤a1:通过指标收集器服务端根据设定的时间定期向指标收集器客户端和IPMI发送获取计算节点指标数据的请求;
步骤a2:通过所述指标收集器客户端收集所在OpenStack计算节点的系统状态指标、软件状态指标和网络状态指标,通过所述IPMI收集所在OpenStack计算节点的硬件状态指标,并将所述系统状态指标、软件状态指标、网络状态指标和硬件状态指标返回给指标收集器服务端。
4.根据权利要求1至3任一项所述的虚拟机自动迁移方法,其特征在于,在所述步骤c中,所述通过迁移决策器分析所有计算节点的多维指标数据,对所述计算节点进行分类具体包括:对所述计算节点的多维指标数据进行分析,判断指标数据是否正常,并根据判断结果将计算节点分为正常节点、硬件问题节点、负载问题节点、软件问题节点和网络问题节点。
5.根据权利要求4所述的虚拟机自动迁移方法,其特征在于,在所述步骤c中,所述根据计算节点分类结果做出迁移决策具体为:当计算节点被判定为正常节点时,可以向该计算节点迁入虚拟机;当计算节点被判定为硬件问题节点、软件问题节点或网络问题节点时,该计算节点中的所有虚拟机都要迁移到其他节点;当计算节点被判定为负载问题节点时,该计算节点中的部分虚拟机迁移到其他节点。
6.一种虚拟机自动迁移系统,其特征在于,包括OpenStack控制节点和OpenStack计算节点,所述OpenStack控制节点中部署有指标收集器、迁移决策器和迁移脚本,所述指标收集器用于收集OpenStack集群中所有计算节点的多维指标数据,并将所述多维指标数据传至迁移接触器;所述多维指标数据包括系统状态指标、软件状态指标、网络状态指标和硬件状态指标;所述迁移决策器用于分析所有计算节点的多维指标数据,对所述计算节点进行分类,根据所述计算节点分类结果做出迁移决策;调用迁移脚本执行迁移决策,完成虚拟机的动态迁移。
7.根据权利要求6所述的虚拟机自动迁移系统,其特征在于,所述指标收集器包括指标收集器服务端和指标收集器客户端,所述指标收集器服务端部署于OpenStack控制节点,所述指标收集器客户端部署于每个OpenStack计算节点,所述OpenStack每个计算节点上还部署有IPMI;所述OpenStack计算节点的数量为至少两个。
8.根据权利要求7所述的虚拟机自动迁移系统方法,其特征在于,所述指标收集器收集OpenStack集群中所有计算节点的多维指标数据具体为:通过指标收集器服务端根据设定的时间定期向指标收集器客户端和IPMI发送获取计算节点指标数据的请求;通过所述指标收集器客户端收集所在OpenStack计算节点的系统状态指标、软件状态指标和网络状态指标,通过所述IPMI收集所在OpenStack计算节点的硬件状态指标,并将所述系统状态指标、软件状态指标、网络状态指标和硬件状态指标返回给指标收集器服务端。
9.根据权利要求6至8任一项所述的虚拟机自动迁移系统,其特征在于,所述迁移决策器分析所有计算节点的多维指标数据,对所述计算节点进行分类具体为:对所述计算节点的多维指标数据进行分析,判断指标数据是否正常,并根据判断结果将计算节点分为正常节点、硬件问题节点、负载问题节点、软件问题节点和网络问题节点。
10.根据权利要求9所述的虚拟机自动迁移系统,其特征在于,所述迁移决策器根据计算节点分类结果做出迁移决策具体为:当计算节点被判定为正常节点时,可以向该计算节点迁入虚拟机;当计算节点被判定为硬件问题节点、软件问题节点或网络问题节点时,该计算节点中的所有虚拟机都要迁移到其他节点;当计算节点被判定为负载问题节点时,该计算节点中的部分虚拟机迁移到其他节点。
11.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述1至5任一项所述的虚拟机自动迁移方法的以下操作:
步骤a:通过指标收集器收集OpenStack集群中所有计算节点的多维指标数据,并将所述多维指标数据传至迁移接触器;其中,所述多维指标数据包括系统状态指标、软件状态指标、网络状态指标和硬件状态指标;
步骤b:通过迁移决策器分析所有计算节点的多维指标数据,对所述计算节点进行分类,并根据所述计算节点分类结果做出迁移决策;
步骤c:调用迁移脚本执行迁移决策,完成虚拟机的动态迁移。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910598940.8A CN110377396A (zh) | 2019-07-04 | 2019-07-04 | 一种虚拟机自动迁移方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910598940.8A CN110377396A (zh) | 2019-07-04 | 2019-07-04 | 一种虚拟机自动迁移方法、系统及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110377396A true CN110377396A (zh) | 2019-10-25 |
Family
ID=68251966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910598940.8A Pending CN110377396A (zh) | 2019-07-04 | 2019-07-04 | 一种虚拟机自动迁移方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110377396A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114064217A (zh) * | 2021-11-29 | 2022-02-18 | 建信金融科技有限责任公司 | 一种基于OpenStack的节点虚拟机迁移方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9104458B1 (en) * | 2010-09-30 | 2015-08-11 | Amazon Technologies, Inc. | Managing virtual computing nodes using isolation and migration techniques |
CN105677440A (zh) * | 2014-11-18 | 2016-06-15 | 姚秋丽 | 一种虚拟机自动迁移系统 |
CN107179957A (zh) * | 2016-03-10 | 2017-09-19 | 阿里巴巴集团控股有限公司 | 物理机故障分类处理方法、装置和虚拟机恢复方法、系统 |
CN108762993A (zh) * | 2018-06-06 | 2018-11-06 | 山东超越数控电子股份有限公司 | 一种基于人工智能的虚拟机故障迁移方法与装置 |
US20190034112A1 (en) * | 2017-07-28 | 2019-01-31 | Red Hat, Inc. | Multi-target post-copy guest migration |
-
2019
- 2019-07-04 CN CN201910598940.8A patent/CN110377396A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9104458B1 (en) * | 2010-09-30 | 2015-08-11 | Amazon Technologies, Inc. | Managing virtual computing nodes using isolation and migration techniques |
CN105677440A (zh) * | 2014-11-18 | 2016-06-15 | 姚秋丽 | 一种虚拟机自动迁移系统 |
CN107179957A (zh) * | 2016-03-10 | 2017-09-19 | 阿里巴巴集团控股有限公司 | 物理机故障分类处理方法、装置和虚拟机恢复方法、系统 |
US20190034112A1 (en) * | 2017-07-28 | 2019-01-31 | Red Hat, Inc. | Multi-target post-copy guest migration |
CN108762993A (zh) * | 2018-06-06 | 2018-11-06 | 山东超越数控电子股份有限公司 | 一种基于人工智能的虚拟机故障迁移方法与装置 |
Non-Patent Citations (1)
Title |
---|
程春玲: "一种面向云计算的分态式自适应负载均衡策略", 《南京邮电大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114064217A (zh) * | 2021-11-29 | 2022-02-18 | 建信金融科技有限责任公司 | 一种基于OpenStack的节点虚拟机迁移方法及装置 |
CN114064217B (zh) * | 2021-11-29 | 2024-04-19 | 建信金融科技有限责任公司 | 一种基于OpenStack的节点虚拟机迁移方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107734035B (zh) | 一种云计算环境下的虚拟集群自动伸缩方法 | |
US9635101B2 (en) | Proposed storage system solution selection for service level objective management | |
US10484301B1 (en) | Dynamic resource distribution using periodicity-aware predictive modeling | |
Moldovan et al. | Mela: Monitoring and analyzing elasticity of cloud services | |
US9606480B2 (en) | Computer system backup performance optimization through performance analytics | |
US20210306235A1 (en) | Automating 5G slices using real-time analytics | |
US10419553B2 (en) | Dynamic docker pool recycling | |
US20200311600A1 (en) | Method and system for prediction of application behavior | |
US10642652B2 (en) | Best trade-off point on an elbow curve for optimal resource provisioning and performance efficiency | |
US10536359B2 (en) | Optimized performance data collection at client nodes | |
KR20120067133A (ko) | 서비스 제공 방법 및 장치 | |
US10936361B2 (en) | Cloud and datacenter migration wave planning using analytics and flow modeling | |
CN109144813A (zh) | 一种云计算系统服务器节点故障监控系统及方法 | |
Vaquero et al. | Auto-tuning distributed stream processing systems using reinforcement learning | |
Cunha et al. | Context-aware execution migration tool for data science Jupyter Notebooks on hybrid clouds | |
US11656944B1 (en) | Code function checkpoint and restore | |
Martyshkin et al. | Queueing Theory to Describe Adaptive Mathematical Models of Computational Systems with Resource Virtualization and Model Verification by Similarly Configured Virtual Server | |
CN110377396A (zh) | 一种虚拟机自动迁移方法、系统及电子设备 | |
Belkhiria et al. | A fully decentralized autoscaling algorithm for stream processing applications | |
Girish et al. | Quantifying sensitivity and performance degradation of virtual machines using machine learning | |
CN112580816A (zh) | 机器学习训练资源管理 | |
Cano et al. | ADARES: adaptive resource management for virtual machines | |
Caton et al. | Dynamic model evaluation to accelerate distributed machine learning | |
CN104883273A (zh) | 虚拟化服务管理平台中业务影响模型的处理方法和系统 | |
Zurkowski et al. | Towards Self-Organizing Cloud Polyglot Database Systems |
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: 20191025 |
|
RJ01 | Rejection of invention patent application after publication |