CN110389813B - 一种面向网络靶场的虚拟机动态迁移方法 - Google Patents

一种面向网络靶场的虚拟机动态迁移方法 Download PDF

Info

Publication number
CN110389813B
CN110389813B CN201910519583.1A CN201910519583A CN110389813B CN 110389813 B CN110389813 B CN 110389813B CN 201910519583 A CN201910519583 A CN 201910519583A CN 110389813 B CN110389813 B CN 110389813B
Authority
CN
China
Prior art keywords
migration
virtual machine
load
physical
machine
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.)
Active
Application number
CN201910519583.1A
Other languages
English (en)
Other versions
CN110389813A (zh
Inventor
黄杰
张鹏飞
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN201910519583.1A priority Critical patent/CN110389813B/zh
Publication of CN110389813A publication Critical patent/CN110389813A/zh
Application granted granted Critical
Publication of CN110389813B publication Critical patent/CN110389813B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F9/46—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
    • G06F9/485—Task life-cycle, e.g. stopping, restarting, resuming execution
    • G06F9/4856—Task life-cycle, e.g. stopping, restarting, resuming execution resumption being on a different machine, e.g. task migration, virtual machine 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
    • G06F9/46—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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种面向网络靶场的虚拟机动态迁移方法，以一定周期检测靶场系统各物理机的负载信息，利用低位阈值、高位阈值和自适应阈值来判断靶场整体的负载状况，若有物理机负载高于高位阈值，则利用负载预测机制对其未来负载趋势进行预测，根据预测结果来决定是否触发迁移；触发迁移后，根据虚拟机的资源特点、虚拟机最大剩余生命以及迁移对通信开销的影响来选择迁移源虚拟机；将负载低于低位阈值的物理机作为备选的迁移目标物理机，并利用首次适应下降算法决定最终迁移的目标物理机。本发明提出的迁移策略结合网络靶场虚拟机最大剩余生命可知的特点，减少了靶场虚拟机的迁移代价。

Description

一种面向网络靶场的虚拟机动态迁移方法
技术领域
本发明涉及云计算、虚拟机化和网络靶场技术领域，具体涉及一种面向网络靶场的虚拟机动态迁移方法。
背景技术
随着信息技术的发展，网络空间以信息为特征，成为继海、陆、空、天之后的第五维空间，对人类生产生活、社会意识形态、国家安全产生越来越重要的影响，网络空间安全问题已经成为各国关注的焦点问题，各国纷纷开始采取措施争夺主动权。
网络靶场的功能主要包括安全人员的培训、安全技术的实验、网络攻防武器的评测等。常见的网络靶场主要有三种：基于实物的高逼真靶场、基于仿真的靶场和基于虚拟化的互联网靶场。其中基于实物的高逼真靶场成本很高，基于仿真的靶场受限于仿真软件，基于虚拟化的网络靶场在灵活性以及复杂网络拓扑的构建上有所欠缺。近年来云计算的发展为网络靶场建设提供了新的解决方案，云计算平台能够通过高速网络完成对计算、存储、网络等资源的快速调度，并可实现大规模复杂网络的快速构建，无疑更适合靶场的构建。
云计算是很多计算机技术融合的产物，它通过网络将一些成本较低的计算实体整合为一个拥有强大计算能力的系统，结合IaaS、PaaS、SaaS等商业模式将相应的服务提供给终端用户。当前许多的云数据中心都采用了虚拟化技术，虚拟化技术可以将物理资源抽象成逻辑资源，使得一台物理服务器可以虚拟化为多台虚拟机，给数据中心带来了很多便利，但是由于虚拟机处理应用负载的动态性，常会造成负载失衡的情况，影响数据中心的性能，此时可将“过热”的物理机上虚拟机负载分散到其他节点来使用更多的资源，保证服务质量。
但是，基于云计算的网络靶场和一般云平台有一些区别，主要体现在两个方面：一是网络靶场虚拟机的部署和删除是以场景为单位的，一个场景至少包括两个虚拟机，虚拟机间的通信只发生在同场景内，场景与场景之间是通信隔离的，而一般云计算平台对虚拟机通信关系的建模不够准确；另一方面，网络靶场创建的虚拟场景是有时间限制的，这个时间一般是几个小时，超时自动销毁该场景的虚拟机，因此靶场中虚拟机剩余生命是可知的，而一般云计算平台难以预测虚拟机销毁时间，不适合网络靶场的情况。
发明内容
发明目的：针对基于云计算的网络靶场中对云计算虚拟机迁移问题的研究缺少对虚拟机剩余生命、虚拟机通信代价考虑的问题，本发明提供一种面向网络靶场的虚拟机动态迁移方法，该策略方法综合考虑虚拟机剩余生命以及迁移代价，在实现靶场负载均衡、提高服务质量的同时进一步优化了迁移代价。
技术方案：本发明提供一种面向网络靶场的虚拟机动态迁移方法，包括以下步骤：
S1：初始化策略所需参数Hth、Lth、ADth、LIth、T、α，参数Hth作为超载判定的高位阈值，Lth作为低负载判定的低位阈值，ADth是用于辅助判定的自适应阈值，LIth是即将销毁的虚拟机判定的阈值，T是靶场各物理机负载信息采集的周期，α是负载预测的平滑系数；
S2：以周期T获取网络靶场各物理机不同资源的负载状况，并以此计算网络靶场的整体负载，若靶场整体负载高于高位阈值Hth，则以Hth+ADth作为各物理机超载判定的高位阈值；
S3：当检测到有物理机超载时，触发负载预测机制，对其未来y次负载进行预测，若其中超过z次都是超载的，则触发迁移调整，否则认为是负载瞬时峰值，不作处理；
S4：触发迁移策略后，按负载对各物理机分组，将负载高于高位阈值的物理机划入迁移源集合S，将负载低于低位阈值的物理机划入迁移目标集合D，将当前负载暂不低于低位阈值但是排除即将销毁的虚拟机后低于低位阈值的物理机划入准迁移目标物理机集合QD，其他物理机认为当前负载处于合适状态，划入集合O；
S5：对集合S中的物理机按负载大小降序排序，依次进行二次处理，若有物理机上存在即将销毁的虚拟机，并且排除这些虚拟机后负载不再超载，这样的物理机不必迁移，可等其负载自然回落，因此将其从集合S移至集合O；
S6：判断集合S是否为空，若为空则跳转至步骤S2，否则对集合S中首个物理机进行处理，计算其超载的资源量，筛选出占用的资源大于超载资源的虚拟机，若存在这样的虚拟机，则计算各虚拟机迁移代价，选择迁移代价最小的虚拟机作为迁移源虚拟机，跳转至步骤S8，若不存在这样的虚拟机，则跳转至步骤S7；
S7：根据物理机超载资源的类型，选择占用相应资源最大的虚拟机作为迁移源虚拟机；
S8：若集合D不为空，则按负载大小对集合D的物理机升序排序，依次选择物理机判断其容纳该虚拟机后是否会超载，若不超载则执行迁移，跳转至步骤S10，若集合D为空则跳转至步骤S9；
S9：若集合QD不为空，则按负载大小对集合QD的物理机升序排序，依次选择物理机判断其容纳该虚拟机后是否会超载，若不超载则执行迁移，跳转至步骤S10，若集合QD为空则代表当前无合适迁移目标物理机，结束迁移；
S10：对迁移涉及到的物理机重新划分所属集合，跳转至步骤S6。
进一步的，所述步骤6中虚拟机迁移代价的计算公式为：
其中，TC代表虚拟机迁移代价，QRcpu、QRmem、QRNetB分别代表虚拟机CPU、内存、网络带宽的规格；Rcpu、Rmem、RNetB分别代表物理机CPU、内存、网络带宽的规格；w1、w2、w3是三种资源的权值，用来衡量不同资源对迁移代价的影响，内存的迁移代价最高，CPU、网络次之，因此内存的权值应高于另两者；CPn代表迁移后虚拟机通信代价，CPp代表迁移前虚拟机通信代价。
假设当前靶场已部署的虚拟机的数量为n，其集合为 其中Sp代表第p个场景，/>下标代表该虚拟机所属场景，上标代表虚拟机编号，则迁移代价CP的计算公式为：
其中，xi,j代表和/>是否有通信需求，当且仅当虚拟机同属一个场景时，才会产生通信，/>di,j代表/>和/>之间的通信距离，此处用它们是否部署到同一个物理机上来量化通信代价，若/>和/>部署在同一个物理机上，距离为1，部署在不同物理机上距离为2，在迁出虚拟机选择时，尚未决定迁移目标物理机，此时默认该虚拟机与其他虚拟机通信距离为2。
本发明以一定周期检测靶场系统各物理机的负载信息，利用低位阈值、高位阈值和自适应阈值来判断靶场整体的负载状况，若有物理机负载高于高位阈值，则利用负载预测机制对其未来负载趋势进行预测，根据预测结果来决定是否触发迁移；触发迁移后，根据虚拟机的资源特点、虚拟机最大剩余生命以及迁移对通信开销的影响来选择迁移源虚拟机；将负载低于低位阈值的物理机作为备选的迁移目标物理机，并利用首次适应下降算法决定最终迁移的目标物理机。
有益效果：本发明结合网络靶场虚拟机部署、删除以场景为单位的特点、场景间通信隔离的特点以及虚拟机最大剩余生命可知的特点，在保证负载均衡、提高服务质量的同时，最小化虚拟机迁移代价。
附图说明
图1为本发明的方法流程图；
图2为本发明方法与随机算法和最佳适应下降算法迁移资源对比图；
图3为本发明方法与随机算法和最佳适应下降算法对应的靶场通信开销变化对比图；
图4为迁移前各物理机CPU负载图；
图5为本发明迁移后各物理机CPU负载图；
图6为随机算法选择虚拟机迁移后各物理机CPU负载图；
图7为BFD算法选择虚拟机迁移后各物理机CPU负载图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明。
本实施例提出一种面向网络靶场的虚拟机动态迁迁移策略，其方法过程主要分为信息搜集阶段、负载预测阶段、迁移源虚拟机选择阶段和迁移目标物理机选择阶段，本实施例中当前靶场共部署了n个虚拟机，其集合为
其中Sp代表第p个场景，/>下标代表该虚拟机所属场景，上标代表虚拟机编号，则该策略具体的方法步骤如下：
1)信息搜集阶段：
S1：初始化策略所需参数Hth、Lth、ADth、LIth、T、α，参数Hth作为超载判定的高位阈值，Lth作为低负载判定的低位阈值，ADth是用于辅助判定的自适应阈值，LIth是即将销毁的“老年”虚拟机判定的阈值，T是靶场各物理机负载信息采集的周期，α是负载预测的平滑系数；
S2：以周期T获取网络靶场各物理机不同资源的负载状况，并以此计算网络靶场的整体负载，若靶场整体负载高于高位阈值Hth，则以Hth+ADth作为各物理机超载判定的高位阈值；
2)负载预测阶段：
S3：当检测到由物理机超载时，触发负载预测机制，采用一次指数平滑法对物理机未来y次负载进行预测，若其中超过z次都是超载的，则触发迁移调整，否则认为是负载瞬时峰值，不作处理；
3)迁移源虚拟机选择阶段：
S4：触发迁移策略后，按负载对各物理机分组，将负载高于高位阈值的物理机划入迁移源集合S，将负载低于低位阈值的物理机划入迁移目标集合D，将当前负载暂不低于低位阈值但是排除“老年”虚拟机后低于低位阈值的物理机划入准迁移目标物理机集合QD，其他物理机认为当前负载处于合适状态，划入集合O；
S5：对集合S中的物理机按负载大小降序排序，依次进行二次处理，若有物理机上存在“老年”虚拟机，并且排除这些虚拟机后负载不再超载，这样的物理机不必迁移，可等其负载自然回落，因此将其从集合S移至集合O；
S6：判断集合S是否为空，若为空则跳转至步骤2，否则对集合S中首个物理机进行处理，计算其超载的资源量，筛选出占用的资源大于超载资源的虚拟机，若存在这样的虚拟机，则计算各虚拟机迁移代价，选择迁移代价最小的虚拟机作为迁移源虚拟机，跳转至步骤8，若不存在这样的虚拟机，跳转至步骤S7；
S7：根据物理机超载资源的类型，选择占用相应资源最大的虚拟机作为迁移源虚拟机；
4)迁移目标物理机选择阶段：
S8：若集合D不为空，则按负载大小对集合D的物理机升序排序，依次选择物理机判断其容纳该虚拟机后是否会超载，若不超载则执行迁移，跳转至步骤S10，若集合D为空则跳转至步骤S9；
S9：若集合QD不为空，则按负载大小对集合QD的物理机升序排序，依次选择物理机判断其容纳该虚拟机后是否会超载，若不超载则执行迁移，跳转至步骤S10，若集合QD为空则代表当前无合适迁移目标物理机，结束迁移；
S10：对迁移涉及到的物理机重新划分所属集合，跳转至步骤S6。
上述步骤的实际处理过程中：
上述步骤S3记载的负载预测使用的是一次指数平滑法，预测未来负载的计算公式为：
y′t+1＝αyt+(1-α)y′t
其中，yt代表本次负载的实际值，y′t代表本次负载的预测值，y′t+1代表下次负载的预测值，α是平滑系数。
上述步骤S6记载的迁移代价的计算公式为：
其中，TC代表虚拟机迁移代价，QRcpu、QRmem、QRNetB分别代表虚拟机CPU、内存、网络带宽的规格；Rcpu、Rmem、RNetB分别代表物理机CPU、内存、网络带宽的规格；w1、w2、w3是三种资源的权值，用来衡量不同资源对迁移代价的影响，内存的迁移代价最高，CPU、网络次之，本实施例中CPU、内存、网络的权值分别为0.5、0.3、0.2；CPn代表迁移后虚拟机通信代价，CPp代表迁移前虚拟机通信代价，迁移代价CP的计算公式为：
其中，xi,j代表和/>是否有通信需求，当且仅当虚拟机同属一个场景时，才会产生通信，/>di,j代表/>和/>之间的通信距离，此处用它们是否部署到同一个物理机上来量化通信代价，若/>和/>部署在同一个物理机上，距离为1，部署在不同物理机上距离为2，在迁出虚拟机选择时，尚未决定迁移目标物理机，此时默认该虚拟机与其他虚拟机通信距离为2。
为了验证本发明解决虚拟机迁移问题的可行性和优势，我们进行了仿真实验，并与基于随机算法的迁移源虚拟机选择算法和基于最佳适应下降算法的迁移源虚拟机选择算法进行对比实验。
1)参数设置：
本发明创建50台物理机、200台虚拟机进行实验，根据表1随机生成各物理机的资源规格和各虚拟机的资源需求，随机从1-40为各虚拟机进行所属场景编号。
本发明中高位阈值Hth设置为0.8，低位阈值Lth设置为0.3，自适应阈值ADth设置为0.1，预测平滑系数α设置为0.6，预测次数y为5次，判断次数z为4次，信息采集周期T为15s，“老年”虚拟机阈值LIth设置为5min，虚拟机迁移代价权值w1、w2、w3分别为0.3、0.5、0.2。
表1实验环境配置表
2)结果比较：
附图2为本发明与随机算法Random和最佳适应下降算法BFD选择迁移源虚拟机时产生的迁移资源量对比图，从图中可以看到，无论是CPU、内存还是带宽，本算法迁移的资源都小于另两者，并且本算法迁移的内存资源要小于CPU和带宽，因此本算法在迁移代价优化上相对于另两者具有显著优势。
图3为本发明与Random算法和BFD算法迁移后对靶场虚拟机通信开销的影响比较图，可以看到，本算法增加的虚拟机迁移开销要小于另两者。
图4为迁移前各物理机CPU负载，图5至图7分别为本发明算法、Random算法、BFD算法迁移后各物理机CPU负载情况，可以看出，三种算法都能够实现靶场各物理机的负载均衡，综合而言，在实现靶场负载均衡的前提下，本算法在最小化迁移代价和减少迁移对通信开销的影响上更具优势，进而说明了本发明的可行性及优势。

Claims (3)

1.一种面向网络靶场的虚拟机动态迁移方法，其特征在于：包括以下步骤：
S1：初始化策略所需参数Hth、Lth、ADth、LIth、T、α，参数Hth作为超载判定的高位阈值，Lth作为低负载判定的低位阈值，ADth是用于辅助判定的自适应阈值，LIth是即将销毁的虚拟机判定的阈值，T是靶场各物理机负载信息采集的周期，α是负载预测的平滑系数；
S2：以周期T获取网络靶场各物理机不同资源的负载状况，并以此计算网络靶场的整体负载，若靶场整体负载高于高位阈值Hth，则以Hth+ADth作为各物理机超载判定的高位阈值；
S3：当检测到有物理机超载时，触发负载预测机制，对其未来y次负载进行预测，若其中超过z次都是超载的，则触发迁移调整，否则认为是负载瞬时峰值，不作处理；
S4：触发迁移策略后，按负载对各物理机分组，将负载高于高位阈值的物理机划入迁移源集合S，将负载低于低位阈值的物理机划入迁移目标集合D，将当前负载暂不低于低位阈值但是排除即将销毁的虚拟机后低于低位阈值的物理机划入准迁移目标物理机集合QD，其他物理机认为当前负载处于合适状态，划入集合O；
S5：对集合S中的物理机按负载大小降序排序，依次进行二次处理，若有物理机上存在即将销毁的虚拟机，并且排除这些虚拟机后负载不再超载，这样的物理机不必迁移，可等其负载自然回落，因此将其从集合S移至集合O；
S6：判断集合S是否为空，若为空则跳转至步骤S2，否则对集合S中首个物理机进行处理，计算其超载的资源量，筛选出占用的资源大于超载资源的虚拟机，若存在这样的虚拟机，则计算各虚拟机迁移代价，选择迁移代价最小的虚拟机作为迁移源虚拟机，跳转至步骤S8，若不存在这样的虚拟机，则跳转至步骤S7；
S7：根据物理机超载资源的类型，选择占用相应资源最大的虚拟机作为迁移源虚拟机；
S8：若集合D不为空，则按负载大小对集合D的物理机升序排序，依次选择物理机判断其容纳该虚拟机后是否会超载，若不超载则执行迁移，跳转至步骤S10，若集合D为空则跳转至步骤S9；
S9：若集合QD不为空，则按负载大小对集合QD的物理机升序排序，依次选择物理机判断其容纳该虚拟机后是否会超载，若不超载则执行迁移，跳转至步骤S10，若集合QD为空则代表当前无合适迁移目标物理机，结束迁移；
S10：对迁移涉及到的物理机重新划分所属集合，跳转至步骤S6；
所述步骤S3中的负载预测使用的是一次指数平滑法，预测未来负载的计算公式为：
y′t+1＝αyt+(1-α)y′t
其中，yt代表本次负载的实际值，y't代表本次负载的预测值，y't+1代表下次负载的预测值，α是平滑系数；
所述步骤S6中虚拟机迁移代价的计算公式为：
其中，TC代表虚拟机迁移代价，QRcpu、QRmem、QRNetB分别代表虚拟机CPU、内存、网络带宽的规格；Rcpu、Rmem、RNetB分别代表物理机CPU、内存、网络带宽的规格；w1、w2、w3是三种资源的权值，用来衡量不同资源对迁移代价的影响，内存的迁移代价最高，CPU、网络次之，因此内存的权值应高于另两者；CPn代表迁移后虚拟机通信代价，CPp代表迁移前虚拟机通信代价。
2.根据权利要求1所述的一种面向网络靶场的虚拟机动态迁移方法，其特征在于：设当前靶场已部署的虚拟机的数量为n，其集合为 其中Sp代表第p个场景，/>下标代表该虚拟机所属场景，上标代表虚拟机编号，则迁移通信代价CP的计算公式为：
其中，xi,j代表和/>是否有通信需求，当且仅当虚拟机同属一个场景时，才会产生通信，/>di,j代表/>和/>之间的通信距离。
3.根据权利要求2所述的一种面向网络靶场的虚拟机动态迁移方法，其特征在于：利用和/>是否部署到同一个物理机上来量化通信代价，若/>和/>部署在同一个物理机上，距离为1，部署在不同物理机上距离为2，在迁出虚拟机选择时，尚未决定迁移目标物理机，此时默认该虚拟机与其他虚拟机通信距离为2。
CN201910519583.1A 2019-06-17 2019-06-17 一种面向网络靶场的虚拟机动态迁移方法 Active CN110389813B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910519583.1A CN110389813B (zh) 2019-06-17 2019-06-17 一种面向网络靶场的虚拟机动态迁移方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910519583.1A CN110389813B (zh) 2019-06-17 2019-06-17 一种面向网络靶场的虚拟机动态迁移方法

Publications (2)

Publication Number Publication Date
CN110389813A CN110389813A (zh) 2019-10-29
CN110389813B true CN110389813B (zh) 2023-07-28

Family

ID=68285388

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910519583.1A Active CN110389813B (zh) 2019-06-17 2019-06-17 一种面向网络靶场的虚拟机动态迁移方法

Country Status (1)

Country Link
CN (1) CN110389813B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110865872B (zh) * 2019-11-14 2022-07-08 北京京航计算通讯研究所 基于资源合理化应用的虚拟化集群资源调度系统
CN111158862B (zh) * 2019-12-31 2024-03-05 嘉兴学院 一种虚拟机调度方法及装置
CN111711703B (zh) * 2020-08-20 2020-11-24 南京赛宁信息技术有限公司 网络靶场实战演练场景的装备库自适应系统与方法
CN114143326A (zh) * 2021-12-08 2022-03-04 深圳前海微众银行股份有限公司 负载调节方法、管理节点以及存储介质
CN114640597B (zh) * 2022-02-24 2023-08-15 烽台科技（北京）有限公司 网络靶场配置迁移方法、装置、计算机设备及介质
CN115858135A (zh) * 2023-03-03 2023-03-28 天津卓朗昆仑云软件技术有限公司 云计算动态资源调度方法、装置及电子设备
CN116389288B (zh) * 2023-06-05 2023-08-29 中电运行(北京)信息技术有限公司 一种用于电力网络安全的多靶场场景构建方法及系统
CN116991580A (zh) * 2023-07-27 2023-11-03 上海沄熹科技有限公司 一种分布式数据库系统负载均衡的方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN102790793A (zh) * 2012-05-08 2012-11-21 北京邮电大学 一种面向云计算虚拟机迁移的决策方法及控制模块
CN102866915A (zh) * 2012-08-21 2013-01-09 华为技术有限公司 虚拟化集群整合方法、装置及虚拟化集群系统
US8966495B2 (en) * 2012-09-05 2015-02-24 Cisco Technology, Inc. Dynamic virtual machine consolidation
CN104572314A (zh) * 2013-10-22 2015-04-29 华为技术有限公司 一种进程间的通信方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN102790793A (zh) * 2012-05-08 2012-11-21 北京邮电大学 一种面向云计算虚拟机迁移的决策方法及控制模块
CN102866915A (zh) * 2012-08-21 2013-01-09 华为技术有限公司 虚拟化集群整合方法、装置及虚拟化集群系统
US8966495B2 (en) * 2012-09-05 2015-02-24 Cisco Technology, Inc. Dynamic virtual machine consolidation
CN104572314A (zh) * 2013-10-22 2015-04-29 华为技术有限公司 一种进程间的通信方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A Survey on Virtual Machine Migration: Challenges, Techniques, and Open Issues;Fei Zhang;《 IEEE Communications Surveys & Tutorials》;20180117;全文 *
基于OpenStack平台上虚拟机动态管理的研究;曹嵘晖;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20170115;全文 *

Also Published As

Publication number Publication date
CN110389813A (zh) 2019-10-29

Similar Documents

Publication Publication Date Title
CN110389813B (zh) 一种面向网络靶场的虚拟机动态迁移方法
CN100476742C (zh) 基于对象存储设备的负载平衡方法
US20120204176A1 (en) Method and device for implementing load balance of data center resources
CN111966453B (zh) 一种负载均衡方法、系统、设备及存储介质
CN107562531B (zh) 一种数据均衡方法和装置
CN104102543B (zh) 一种云计算环境中负载调整的方法和装置
CN108200156A (zh) 一种云环境下分布式文件系统的动态负载均衡方法
CN106095532B (zh) 一种云环境中虚拟机负载均衡安全调度方法
WO2023103349A1 (zh) 负载调节方法、管理节点以及存储介质
CN110347498B (zh) 一种容器和虚拟机混合云环境下的负载动态迁移方法
CN107220108B (zh) 一种实现云数据中心负载均衡的方法和系统
CN109189552B (zh) 虚拟网络功能扩容与缩容方法及系统
CN111880747A (zh) 一种基于分级映射的Ceph存储系统自动均衡存储方法
CN107566535B (zh) 基于Web地图服务并发访问时序规则的自适应负载均衡方法
CN106095531A (zh) 云平台中一种基于等级和物理机负载的虚拟机调度方法
WO2023109068A1 (zh) 一种多云环境下基于用户体验的虚拟机自动迁移决策方法
CN109358964B (zh) 一种服务器集群资源调度方法
CN110471761A (zh) 服务器的控制方法、用户设备、存储介质及装置
CN106155936B (zh) 一种缓存替换方法与相关装置
CN105430083B (zh) 一种云平台部署方法
CN108259583B (zh) 一种数据动态迁移方法及装置
CN106815075B (zh) 建筑火灾数值仿真的区域分解优化方法
CN113157435B (zh) 云数据中心以能效为目标的虚拟机部署方法及系统
CN108563489A (zh) 一种数据中心综合管理系统的虚拟机迁移方法及系统
JP6259408B2 (ja) 分散処理システム

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