CN112463386A - 用于异构云环境下在线游戏应用的虚拟机管理方法及系统 - Google Patents

用于异构云环境下在线游戏应用的虚拟机管理方法及系统 Download PDF

Info

Publication number
CN112463386A
CN112463386A CN202011421764.XA CN202011421764A CN112463386A CN 112463386 A CN112463386 A CN 112463386A CN 202011421764 A CN202011421764 A CN 202011421764A CN 112463386 A CN112463386 A CN 112463386A
Authority
CN
China
Prior art keywords
virtual machine
players
virtual
player
module
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
Application number
CN202011421764.XA
Other languages
English (en)
Other versions
CN112463386B (zh
Inventor
高永强
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.)
Inner Mongolia University
Original Assignee
Inner Mongolia 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 Inner Mongolia University filed Critical Inner Mongolia University
Priority to CN202011421764.XA priority Critical patent/CN112463386B/zh
Publication of CN112463386A publication Critical patent/CN112463386A/zh
Application granted granted Critical
Publication of CN112463386B publication Critical patent/CN112463386B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • G06F9/5088—Techniques for rebalancing the load in a distributed system involving task migration
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/30—Interconnection arrangements between game servers and game devices; Interconnection arrangements between game devices; Interconnection arrangements between game servers
    • A63F13/35—Details of game servers
    • A63F13/352—Details of game servers involving special game server arrangements, e.g. regional servers connected to a national server or a plurality of servers managing partitions of the game world
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/30—Interconnection arrangements between game servers and game devices; Interconnection arrangements between game devices; Interconnection arrangements between game servers
    • A63F13/35—Details of game servers
    • A63F13/358—Adapting the game course according to the network or server load, e.g. for reducing latency due to different connection speeds between clients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3234—Power saving characterised by the action undertaken
    • G06F1/329—Power saving characterised by the action undertaken by task scheduling
    • 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
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
    • A63F2300/50—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by details of game servers
    • A63F2300/53—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by details of game servers details of basic data processing
    • A63F2300/531—Server assignment
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
    • A63F2300/50—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by details of game servers
    • A63F2300/53—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by details of game servers details of basic data processing
    • A63F2300/534—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by details of game servers details of basic data processing for network load management, e.g. bandwidth optimization, latency reduction
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
    • A63F2300/50—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by details of game servers
    • A63F2300/53—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by details of game servers details of basic data processing
    • A63F2300/535—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by details of game servers details of basic data processing for monitoring, e.g. of user parameters, terminal parameters, application parameters, network parameters
    • 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
    • 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
    • G06F2009/45595—Network integration; Enabling network access in virtual machine instances
    • 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
    • G06F2209/508—Monitor
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种用于异构云环境下在线游戏应用的虚拟机管理方法及系统，其中管理方法包括以下步骤：S1：实时采集暂离玩家、正常玩家与游戏交互延迟的数据；S2：获取正常玩家与暂离玩家的历史数据；S3：预测在下一控制周期内正常玩家与暂离玩家的数量；S4：基于预测的玩家信息来创建最小化系统功耗与性能退化的多目标优化数学模型；S5：基于所构建的数学模型生成虚拟游戏服务器的资源需求；S6：基于一个多目标的混合差分进化算法来查找虚拟游戏服务器与物理服务器的映射关系；S7：调整虚拟游戏服务器位置、资源分配与物理服务器的活动与休眠状态；S8：检测下一个控制周期是否开始，若是，转向步骤S1，否则，转向步骤S8。

Description

用于异构云环境下在线游戏应用的虚拟机管理方法及系统
技术领域
本发明涉及异构云环境下的动态资源管理领域，尤其涉及一种用于异构云环境下在线游戏应用的虚拟机管理方法及系统。
背景技术
近年来，大型多人在线游戏(MMOG)蓬勃发展，吸引了全球成千上万的玩家上线，已经成为个人娱乐中非常重要的一部分。目前，大多数MMOG都部署在物理服务器集群上，由于服务器的资源有限，随着游戏玩家数量的增长，超过服务器的服务能力时，就会造成延迟的发生，导致玩家的游戏体验变差。尽管我们可以通过增加服务器集群中服务器的数量来解决计算能力的不足问题，但是增加新的服务器需要耗费庞大的资金，并且会产生服务器间信息同步、负载平衡、部署以及维护上的问题。
为了削减游戏的运营成本，许多游戏运营商开始把他们的游戏应用部署在云环境上，以便利用云计算低成本的优势。例如，Electronic Arts(EA)公司推出了名为ProjectAtlas的云游戏技术，微软公布了自家云游戏Project XCloud项目，而谷歌也在近期公布了Project Stream的云游戏项目。云环境下，数据中心管理的资源是高度虚拟化的，一个虚拟游戏服务器对资源(CPU、内存、带宽)的需求和游戏世界中有多少玩家，以及这些玩家在做什么行为有关系。尽管服务器虚拟化技术可以提高资源利用率和降低运营成本，但是由于虚拟机的大量整合和负载的波动，以及云游戏多用户、高并发和高质量的业务特性，使得一些虚拟游戏服务器可能得不到所请求的资源，这会导致游戏的体验质量下降，甚至可能导致游戏服务器的瘫痪，造成玩家流失。因此，云游戏环境下虚拟资源的有效调度吸引了越来越多的关注，成为了学术界与产业界的一个研究热点。
尽管云环境下面向游戏应用的虚拟资源调度问题已经取得了一些研究进展，但是面对云计算环境的动态性、异构性和自治性，还有很多问题亟待解决；由于大规模多人在线游戏应用所处理的负载是具有较长会话时间的玩家请求，且要求能够在短时间内被迅速响应；所以，游戏运营商必须为游戏应用配置合适的计算资源。但问题是游戏运营商往往无法控制游戏应用的规模变化，如果配置过多的资源，将会造成资源浪费，能耗成本上升；反之，则会造成资源紧缺的情况，导致玩家请求无法得到迅速响应，甚至数据丢失乃至整个游戏应用的崩溃。
发明内容
针对现有技术存在的问题，本发明提供了一种用于异构云环境下在线游戏应用的虚拟机管理方法及系统。
本发明提供的用于异构云环境下在线游戏应用的虚拟机管理方法，包括以下步骤：
S1：实时采集暂离玩家、正常玩家与游戏交互延迟的数据；
S2：获取正常玩家与暂离玩家的历史数据；
S3：预测在下一控制周期内正常玩家与暂离玩家的数量；
S4：基于预测的玩家信息来创建最小化系统功耗与性能退化的多目标优化数学模型；
S5：基于所构建的数学模型生成虚拟游戏服务器的资源需求；
S6：基于一个多目标的混合差分进化算法来查找虚拟游戏服务器与物理服务器的映射关系；
S7：调整虚拟游戏服务器位置、资源分配与物理服务器的活动与休眠状态；
S8：检测下一个控制周期是否开始，若是，转向步骤S1，否则，转向步骤S8。
进一步，步骤S3中，使用窥视孔连接的长短期记忆神经网络来预测未来时段内的正常玩家与暂离玩家的数量，以S2获取到的玩家历史数据作为网络输入，窥视孔连接的长短期记忆神经网络基于下面的递归计算公式生成玩家的预测数据：
it＝σ(Wixxt+Wihht-1+Wicct-1+bi)
ft＝σ(Wfxxt+Wfhht-1+Wfcct-1+bf)
ct＝ft⊙ct-1+it⊙g(Wcxxt+Wchht-1+bc)
ot＝σ(Woxxt+Wohht-1+Wocct-1+bo)
ht＝ot⊙l(ct)
yt＝Wyhht+by
其中，xt、it、ft、ot、ct与yt分别表示网络输入、输入门、遗忘门、输出门、记忆单元与网络输出在t时刻的值，bi、bf、bo、bc与by分别表示输入门、遗忘门、输出门、记忆单元与网络输出的偏置向量；Wix、Wfx、Wox和Wcx表示网络输入权重矩阵，Wih、Wfh、Woh和Wch表示递归权重矩阵，Wic、Wfc、和Woc表示窥视孔连接权重矩阵，ht与Wyh分别表示隐藏层输出与对应的权重矩阵，⊙代表向量积，σ(x)、g(x)与l(x)是三个sigmoid函数，它们的定义如下：
Figure BDA0002822679280000021
Figure BDA0002822679280000022
Figure BDA0002822679280000023
进一步，步骤S4中，所述多目标优化数学模型通过以下方法确定：
Minimize
Figure BDA0002822679280000031
Minimize
Figure BDA0002822679280000032
Subject to
Figure BDA0002822679280000033
Figure BDA0002822679280000034
Figure BDA0002822679280000035
Figure BDA0002822679280000036
Figure BDA0002822679280000037
Figure BDA0002822679280000038
其中，NP是M个物理服务器的集合；NV是N个虚拟机的集合；NGj是由虚拟机j所服务的正常玩家的集合；Pi是物理服务器i的功耗；
Figure BDA0002822679280000039
是虚拟机j的迁移所产生的功耗；
Figure BDA00028226792800000310
是虚拟机j的迁移所产生的性能退化；xi，j是决策变量，用来代表虚拟机j是否放置在服务器i上；
Figure BDA00028226792800000311
表示虚拟机j上所运行游戏的交互延迟上限值，IDp，j表示由虚拟机j所服务的玩家p的游戏交互延迟；
Figure BDA00028226792800000312
代表上一个控制周期容纳虚拟机j的物理服务器的下标；
Figure BDA00028226792800000313
代表上一个控制周期xi，j的值；
Figure BDA00028226792800000314
与
Figure BDA00028226792800000315
分别表示物理服务器i上CPU、内存与网络带宽资源的容量；
Figure BDA00028226792800000316
是虚拟机j的归一化的CPU资源需求；
Figure BDA00028226792800000317
表示物理服务器i能够为运行在虚拟机j上的游戏所提供的最大吞吐量；
Figure BDA00028226792800000318
与
Figure BDA00028226792800000319
分别表示虚拟机j的内存与网络带宽资源需求；
Figure BDA00028226792800000320
表示以吞吐量度量的虚拟机j的CPU资源需求；
Figure BDA00028226792800000321
表示由玩家交互延时目标来确定的虚拟机j的CPU资源需求，
Figure BDA00028226792800000322
表示CPU资源分配的调节值，由如下的PI控制器来确定：
Figure BDA00028226792800000323
Figure BDA00028226792800000324
表示在第k个控制周期中虚拟机j的资源需求的调节值，e(k)表示在第k个控制周期中测量的交互延迟时间与交互延迟目标之间的误差，c1与c2是控制器的参数。
进一步，步骤S6中，所述混合差分进化算法包括一个改编的首次适应启发式算法与一个差分进化算法；其中，差分进化算法负责迭代演化虚拟游戏服务器的放置序列与物理服务器的装载序列；改编的首次适应启发式算法负责按照对应的虚拟游戏服务器放置序列与物理服务器的装载序列将虚拟游戏服务器放置到合适的物理服务器上。
进一步，步骤S6中，所述混合差分进化算法包括：个体的编码与解码、初始种群的生成、变异操作、交叉操作、选择操作以及种群更新。
本发明还提供了一种采用上述用于异构云环境下在线游戏应用的虚拟机管理方法的管理系统，包括监控器模块、负载预测模块、优化模型构建模块、虚拟机动态配置模块与资源再配置模块；
其中所述监控器模块用于实时采集暂离玩家、正常玩家与游戏交互延迟的数据；
所述负载预测模块用于从监控器模块中获取正常玩家与暂离玩家的历史信息，并预测未来时段内的正常玩家与暂离玩家的数量；
所述优化模型构建模块用于使用负载预测模块提供的玩家预测信息来构建一个最小化系统功耗和性能退化的多目标优化数学模型；
所述虚拟机动态配置模块用于使用优化模型模块提供的数学模型生成虚拟游戏服务器的资源需求，并利用一个多目标的混合差分进化算法来寻找虚拟游戏服务器与物理服务器的映射关系；
所述资源再配置模块基于虚拟机动态配置模块的输出调整虚拟游戏服务器位置、资源分配与物理服务器的活动与休眠状态。
本发明通过提供的用于异构云环境下大型多人在线游戏应用的虚拟机管理方法，该管理方法综合考虑了玩家行为、服务器异构性、资源多样性与虚拟机迁移成本等因素；首先基于玩家行为将其分为正常玩家和暂离玩家，利用暂离玩家仅需较低游戏体验的特性，动态调节虚拟机的资源分配；同时利用队列模型描述系统的性能，并构建了一个最小化服务器的能耗，以及虚拟机迁移所引起的应用性能退化与能耗增加的多目标虚拟机放置模型；最后利用一个混合差分进化算法来求解该多目标虚拟机放置问题，以便在玩家的交互延迟和能耗成本之间进行合理的折衷。
本发明还提供了一种采用上述用于异构云环境下大型多人在线游戏应用的虚拟机管理方法的管理系统，它主要由监控器模块、负载预测模块、优化模型构建模块、虚拟机动态配置模块与资源再配置模块五个功能模块构成，其中，监控器模块实时收集游戏的玩家信息与交互延迟信息；负载预测模块负责根据系统正常玩家与暂离玩家的历史信息来预测未来一段时间内的系统中正常玩家与暂离玩家的数量；优化模型构建模块使用负载预测模块提供的玩家预测信息来构建一个最小化系统能耗和性能退化的多目标优化数学模型；虚拟机动态配置模块首先使用优化模块提供的数学模型生成虚拟游戏服务器的资源需求，然后利用一个多目标的混合差分进化算法来寻找虚拟游戏服务器(VM)与物理服务器(PM)的映射关系；资源再配置模块基于虚拟机动态配置模块的输出信息，调整虚拟机的资源分配、物理服务器的活动与休眠状态、以及虚拟机的放置位置。五个功能模块周期性运行，动态的调节虚拟机的资源分配、虚拟机的放置位置以及活动服务器的数量，从而提高系统资源利用率，降低系统能耗。
附图说明
在下文中将基于实施例并参考附图来对本发明进行更详细的描述。其中：
图1为本发明中用于异构云环境下在线游戏应用的虚拟机管理方法的流程图；
图2为用于异构云环境下在线游戏应用的虚拟机管理方法的技术架构图；
图3为用于异构云环境下在线游戏应用的虚拟机管理方法的实例部署图。
具体实施方式
为清楚说明本发明的发明内容，下面结合实施例对本发明进行说明。
在本发明的描述中，需要说明的是，术语“上”、“下”、“水平”、“顶”、“底”等指示的方位或位置关系均为基于附图所示的方位或位置关系，仅仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
如图1所示，本发明提供的一种用于异构云环境下在线游戏应用的虚拟机管理方法，具体包括以下步骤：
S1：实时采集暂离玩家、正常玩家与游戏交互延迟的数据；
S2：获取正常玩家与暂离玩家的历史数据；
S3：预测在下一控制周期内正常玩家与暂离玩家的数量；
S4：基于预测的玩家信息来创建最小化系统功耗与性能退化的多目标优化数学模型；
S5：基于所构建的数学模型生成虚拟游戏服务器的资源需求；
S6：基于一个多目标的混合差分进化算法来查找虚拟游戏服务器与物理服务器的映射关系；
S7：调整虚拟游戏服务器位置、资源分配与物理服务器的活动与休眠状态；
S8：检测下一个控制周期是否开始，若是，转向步骤S1，否则，转向步骤S8。
本发明中的用于异构云环境下在线游戏应用的虚拟机管理方法，具体通过用于异构云环境下在线游戏应用的虚拟机的管理系统来执行，管理系统具体包括监控器模块、负载预测模块、优化模型构建模块、虚拟机动态配置模块与资源再配置模块。
本发明基于监控器模块、负载预测模块、优化模型构建模块、虚拟机动态配置模块与资源再配置模块，动态调节虚拟游戏服务器的资源分配，并利用虚拟机实时迁移技术动态整合负载，以便在满足玩家游戏体验质量的同时最小化系统的功耗与虚拟机迁移所引起的性能退化。
结合图2中的技术架构，本发明管理系统中监控器模块实时收集游戏的玩家信息与交互延迟信息；负载预测模块负责根据系统正常玩家与暂离玩家的历史信息来预测未来一段时间内的系统中正常玩家与暂离玩家的数量；优化模型构建模块使用负载预测模块提供的玩家预测信息来构建一个最小化系统能耗和性能退化的多目标优化数学模型；虚拟机动态配置模块首先使用优化模块提供的数学模型生成虚拟游戏服务器的资源需求，然后利用一个多目标的混合差分进化算法来寻找虚拟游戏服务器(VM)与物理服务器(PM)的映射关系；资源再配置模块基于虚拟机动态配置模块的输出信息，调整虚拟机的资源分配、物理服务器的活动与休眠状态、以及虚拟机的放置位置。五个模块周期性运行，动态的调节虚拟机的资源分配、虚拟机的放置位置以及活动服务器的数量，从而提高系统资源利用率，降低系统能耗。负载预测、优化模型构建与虚拟机动态配置三个核心模块的详细实现描述如下：
(1)负载预测模块采用基于窥视孔连接的长短期记忆(LSTM)神经网络来预测大规模多人在线游戏应用在未来时段内的正常玩家与暂离玩家的数量。以给定的玩家历史数据作为网络输入，LSTM神经网络基于下面的递归计算公式生成玩家的预测数据：
it＝σ(Wixxt+Wihht-1+Wicct-1+bi) (1-1)
ft＝σ(Wfxxt+Wfhht-1+Wfcct-1+bf) (1-2)
ct＝ft⊙ct-1+it⊙g(Wcxxt+Wchht-1+bc) (1-3)
ot＝σ(Woxxt+Wohht-1+Wocct-1+bo) (1-4)
ht＝ot⊙l(ct) (1-5)
yt＝Wyhht+by (1-6)
其中，xt、it、ft、ot、ct与yt分别表示网络输入、输入门、遗忘门、输出门、记忆单元与网络输出在t时刻的值，bi、bf、bo、bc与by分别表示输入门、遗忘门、输出门、记忆单元与网络输出的偏置向量；Wix、Wfx、Wox和Wcx表示网络输入权重矩阵，Wih、Wfh、Woh和Wch表示递归权重矩阵，Wic、Wfc、和Woc表示窥视孔连接权重矩阵，ht与Wyh分别表示隐藏层输出与对应的权重矩阵，⊙代表向量积，σ(x)、g(x)与l(x)是三个sigmoid函数，它们的定义如下：
Figure BDA0002822679280000071
Figure BDA0002822679280000072
Figure BDA0002822679280000073
(2)优化模型构建模块负责创建一个同时优化性能退化与功耗的多目标优化模型。假设多个在线游戏被部署在自建的集中式数据中心内，使用分区和复制技术将虚拟游戏世界切割成若干个地图区域，并且每个地图区域由至少一个虚拟服务器负责运行游戏以及客户端玩家间的信息传递。游戏玩家依据其行为特征被划分为两种类型：正常玩家与暂离玩家。暂离玩家对游戏的体验质量没有要求。由于虚拟机整合过程中，涉及到大量的虚拟机迁移，会导致相关应用性能退化和服务器功耗增加，因此本发明的目标是在满足正常玩家游戏交互延迟阈值的情况下，最小化服务器的功耗，以及虚拟机迁移所引起的应用性能退化与功耗增加，所构建的优化模型如下：
Minimize
Figure BDA0002822679280000074
Minimize
Figure BDA0002822679280000075
Subject to
Figure BDA0002822679280000076
Figure BDA0002822679280000077
Figure BDA0002822679280000078
Figure BDA0002822679280000079
Figure BDA00028226792800000710
Figure BDA00028226792800000711
在上面的公式中，xi，j是决策变量，用来代表虚拟机j是否放置在服务器i上；如果虚拟机j放置到物理服务器i上，则xi，j的值为1，否则xi，j的值为0。
Figure BDA00028226792800000712
代表上一个控制周期容纳虚拟机j的物理服务器的下标；
Figure BDA00028226792800000713
代表上一个控制周期xi，j的值。NP是M个物理服务器的集合；NV是N个虚拟机的集合；NGj是由虚拟机j所服务的正常玩家的集合。
目标函数(1-10)由两部分构成，第一部分代表数据中心所有物理服务器的功耗，第二部分代表虚拟机迁移的功耗，它们的计算公式如下：
Figure BDA00028226792800000714
Figure BDA0002822679280000081
其中，Pi是物理服务器i的功耗，
Figure BDA0002822679280000082
是物理服务器i上CPU的利用率，
Figure BDA0002822679280000083
代表服务器i处于空闲状态时的电源消耗，
Figure BDA0002822679280000084
代表服务器i满载时的电源消耗。每个服务器只能处于打开和关闭两个状态，本发明假设服务器处于关闭状态时的电源消耗是0瓦特。
Figure BDA0002822679280000085
表示虚拟机j从一台物理服务器s迁移到另一台物理服务器r所消耗的电量，
Figure BDA0002822679280000086
表示虚拟机j所使用的内存的大小(GB)，vs，r和zs，r是实验确定的模型参数。
目标函数(1-11)定义了虚拟机迁移所引起的应用性能退化，它的计算公式如下：
Figure BDA0002822679280000087
Figure BDA0002822679280000088
其中，
Figure BDA0002822679280000089
代表虚拟机j上CPU的利用率，d是取决于游戏类型的模型参数，
Figure BDA00028226792800000810
代表虚拟机迁移引起的性能退化，
Figure BDA00028226792800000811
代表虚拟机迁移的持续时间，Band代表服务器之间的网络带宽。
约束条件(1-16)保证每个玩家的游戏交互延时不超过预定的交互延迟目标。其中，
Figure BDA00028226792800000812
表示虚拟机j上所运行游戏的交互延迟上限值，IDp，j表示由虚拟机j所服务的玩家p的游戏交互延迟，它的计算公式如下：
IDp，j＝NDp，j+PDj (1-22)
玩家的交互延时由网络延时、处理延时与播放延时构成，由于播放延时由客户端的设备来决定，所以将其忽略；网络延时NDp，j可以使用Ping或者TCPing工具进行测量。本发明使用G/G/1队列模型来建模虚拟游戏服务器的行为，因此处理延时PDj的计算公式如下：
Figure BDA00028226792800000813
λj表示虚拟机j上玩家的到达速率，μj表示虚拟机j的服务速率，δ1和δ2是实验确定的模型参数。
约束条件(1-12)–(1-14)保证位于同一物理服务器上的所有虚拟机的资源需求不会超过该物理服务器的资源容量；其中
Figure BDA00028226792800000814
与
Figure BDA00028226792800000815
分别表示物理服务器i上CPU、内存与网络带宽资源的容量；
Figure BDA00028226792800000816
与
Figure BDA00028226792800000817
分别表示虚拟机j的内存与网络带宽资源需求，它们的计算公式如下：
Figure BDA00028226792800000818
Figure BDA00028226792800000819
AEi、NEi与BEi分别代表虚拟机i上正常玩家、暂离玩家与非玩家角色(NPC)的数量；
Figure BDA0002822679280000091
虚拟机j上的游戏引擎所占用的内存，
Figure BDA0002822679280000092
表示虚拟机j上的游戏世界所占用的内存，
Figure BDA0002822679280000093
分别表示虚拟机j上的游戏存储一个正常玩家、暂离玩家以及NPC状态所需要的内存；vj表示与虚拟机j一起服务于同一游戏区域的所有虚拟机的集合；
Figure BDA0002822679280000094
与
Figure BDA0002822679280000095
分别表示虚拟机j的上行与下行网络带宽资源需求，它们的计算公式如下：
Figure BDA0002822679280000096
Figure BDA0002822679280000097
其中，
Figure BDA0002822679280000098
与
Figure BDA0002822679280000099
分别表示在虚拟机j上运行的游戏中一个正常玩家与暂离玩家发送的数据量，
Figure BDA00028226792800000910
与
Figure BDA00028226792800000911
分别表示在虚拟机j上运行的游戏中一个正常玩家与暂离玩家接收的数据量，
Figure BDA00028226792800000912
表示在虚拟机j上运行的游戏中玩家或NPC状态更新的数据量，Ts表示控制周期的长度。
Figure BDA00028226792800000913
是虚拟机j的归一化的CPU资源需求，其中，
Figure BDA00028226792800000914
表示物理服务器i能够为运行在虚拟机j上的游戏所提供的最大吞吐量，
Figure BDA00028226792800000915
表示以吞吐量度量的虚拟机j的CPU资源需求，它的计算公式如下：
Figure BDA00028226792800000916
其中，
Figure BDA00028226792800000917
表示由玩家交互延时目标来确定的虚拟机j的CPU资源需求。为了保证虚拟机j上所有玩家的交互延迟目标，虚拟机的响应时间需要满足
Figure BDA00028226792800000918
其中，CNj表示由虚拟机j服务的所有玩家的集合。求解上面的等式，可以得到虚拟机j的CPU资源需求。由于
Figure BDA00028226792800000919
的求解过程中并没有考虑暂离玩家的影响，所以它的值不能准确地描述虚拟机的资源需求，通过利用一个PI控制器来对
Figure BDA00028226792800000920
的值进行调节，该PI控制器的数学形式如下：
Figure BDA00028226792800000921
其中，
Figure BDA00028226792800000922
表示在第k个控制周期中虚拟机j的资源需求的调节值，e(k)表示在第k个控制周期中测量的交互延迟时间与交互延迟目标之间的误差，c1与c2是控制器的参数。
约束条件(1-15)确保每一个虚拟机都只被指派到一个物理服务器上，约束条件(1-17)定义了决策变量的值域。
(3)虚拟机动态配置模块首先利用优化模型构建模块中的虚拟机容量模型来评估虚拟机的资源需求，然后利用一个多目标混合差分进化算法在有限的时间内求出虚拟机放置问题的近似最优解。所提出的混合差分进化算法由个体的编码与解码、初始种群的生成、变异操作、交叉操作、选择操作以及种群更新等部件构成，下面详细介绍这六个部件的设计：
a)个体的编码与解码
本发明使用两个一维数组来编码个体，其中，第一个数组的大小等于虚拟机的个数，数组的下标对应虚拟机的编号，第二个数组的大小等于物理服务器的个数，数组的下标对应物理机的编号；数组元素的取值是(0,1)之间的一个随机实数。
个体的解码过程如下：首先按照数组元素取值的大小分别对两个数组进行升序排序，生成虚拟机的放置序列和物理服务器的装载序列，然后调用一个改编的首次适应算法来生成编码个体所对应的虚拟机放置解。用来求解虚拟机与物理机映射的改编首次适应算法如下：
Figure BDA0002822679280000101
将VMS[1]放置到容量约束违背值最小的物理机PMS[i]中，并更新放置集合P；
Figure BDA0002822679280000102
由于在搜索过程中生成的新个体既有可行解也有不可行解，本发明使用约束支配规则来比较两个个体的优劣。对于任意两个解x、y，x约束支配y的条件如下(满足任何一条即可)：(I)x是可行解，y是不可行解；(II)x、y都是可行解，且x帕累托支配y；(III)x、y都是不可行解，x的约束违背程度小于y的约束违背程度。
b)初始种群的生成
本发明采用基于反向学习的种群初始化策略。首先，均匀随机的生成一个大小为NP的种群，然后再生成一个大小为NP的反向种群，将这两个种群合并，利用快速非支配排序和拥挤距离度量机制挑选出一个大小为NP的种群用于进化算法。
c)变异操作
从父种群g中随机选取三个不同的个体，找到其中最好的一个个体xb(g)，以其为基础生成变异个体vi(g+1)，相应的公式如下:
Figure BDA0002822679280000112
F代表缩放因子。
d)交叉操作
对父种群g中的个体xi(g)及其变异个体vi(g+1)进行个体间的交叉操作，生成新的个体ui(g+1)，新个体中每个元素ui，j(g+1)的取值如下：
Figure BDA0002822679280000111
CR为交叉概率，jrand为{1，2，3，…，D}范围内的随机数，D是解空间的维数。
e)选择操作
本发明设计的选择操作不会抛弃ui(g+1)与xi(g)中的任何一个，它们会进入不同的子种群中，即选择操作会导致生成两个子种群，如果ui(g+1)好于xi(g)，则选择ui(g+1)进入子种群1，而xi(g)进入子种群2，反之ui(g+1)进入子种群2，xi(g)进入子种群1。
f)种群更新
每次迭代的最后，将生成的两个子种群进行合并，然后使用快速非支配排序和拥挤距离度量机制挑选出一个大小为NP的新种群作为下一次迭代的父种群。
基于上面六个部件，本发明设计了如下的混合差分进化算法：
随机生成一个大小为NP的种群；
基于反向学习策略生成一个大小为NP的反向种群；
将初始种群与反向种群合并，基于快速非支配排序与拥挤距离度量机制从合并的种群中选择NP个个体作为进化算法的初始种群；
While终止条件不满足do
For i＝1to NP do
从父种群中随机挑选出不同于目标个体xi的三个互不相同的个体；
选出三个个体中最好的个体，使用变异操作生成变异个体vi；
在xi与vi上进行交叉操作生成候选个体ui；
If ui约束支配xi then
将ui放到子种群1中，xi放到子种群2中；
Else
将ui放到子种群2中，xi放到子种群1中；
EndIf
合并两个子种群，使用快速非支配排序与拥挤距离度量机制挑选出NP个个体作为下一次迭代的父种群；
EndFor
EndWhile
结合图3，本发明的用于异构云环境下在线游戏应用的虚拟机管理方法，结合管理系统，具体包括以下实施步骤及实施内容：
步骤S1：从异构云数据中心里挑选一台物理服务器作为管理节点。
步骤S2：将监控器、负载预测、优化模型构建、虚拟机动态配置与资源再配置模块部署到管理节点上。
步骤S3：在每台虚拟机的操作系统上部署监控代理。
步骤S4：监控代理实时地将游戏应用的交互延迟、正常玩家与暂离玩家信息发送给监控器模块。
步骤S5：监控器模块将收集到的信息存放到数据库里。
步骤S6：负载预测模块从监控器模块中提取玩家的历史信息，并预测未来一段时间内正常玩家与暂离玩家的数量。
步骤S7：优化模型构建模块基于预测的玩家信息生成能耗与性能优化的多目标数学模型。
步骤S8：虚拟机动态配置模块生成虚拟机的资源需求，并利用混合差分进化算法求解虚拟机与物理机之间的映射关系。
步骤S9：资源再配置模块利用虚拟机监视器调整虚拟机的资源，同时将需要迁移的虚拟机放置到指定的位置，以及调整相应物理服务器的活动与休眠状态。
需要重点指出的有，通过本发明中的用于异构云环境下在线游戏应用的虚拟机管理方法，基于监控器、负载预测、优化模型构建、虚拟机动态配置与资源再配置的体系结构，以优化部署在私有异构云数据中心的大型多人在线游戏的能耗成本为目标，综合考虑玩家行为、服务器异构性、资源多样性与虚拟机迁移成本等因素，动态调节虚拟服务器的多维资源分配，并利用虚拟机实时迁移技术动态整合负载，以便在游戏的交互延迟和能耗成本之间进行合理的折衷，从而使大型多人在线游戏运营商可以获得更多的利润。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (6)

1.一种用于异构云环境下在线游戏应用的虚拟机管理方法，其特征在于，包括以下步骤：
S1：实时采集暂离玩家、正常玩家与游戏交互延迟的数据；
S2：获取正常玩家与暂离玩家的历史数据；
S3：预测在下一控制周期内正常玩家与暂离玩家的数量；
S4：基于预测的玩家信息来创建最小化系统功耗与性能退化的多目标优化数学模型；
S5：基于所构建的数学模型生成虚拟游戏服务器的资源需求；
S6：基于一个多目标的混合差分进化算法来查找虚拟游戏服务器与物理服务器的映射关系；
S7：调整虚拟游戏服务器位置、资源分配与物理服务器的活动与休眠状态；
S8：检测下一个控制周期是否开始，若是，转向步骤S1，否则，转向步骤S8。
2.根据权利要求1所述的虚拟机管理方法，其特征在于，步骤S3中，使用窥视孔连接的长短期记忆神经网络来预测未来时段内的正常玩家与暂离玩家的数量，以S2获取到的玩家历史数据作为网络输入，窥视孔连接的长短期记忆神经网络基于下面的递归计算公式生成玩家的预测数据：
it＝σ(Wixxt+Wihht-1+Wicct-1+bi)
ft＝σ(Wfxxt+Wfhht-1+Wfcct-1+bf)
ct＝ft⊙ct-1+it⊙g(Wcxxt+Wchht-1+bc)
ot＝σ(Woxxt+Wohht-1+Wocct-1+bo)
ht＝ot⊙l(ct)
yt＝Wyhht+by
其中，xt、it、ft、ot、ct与yt分别表示网络输入、输入门、遗忘门、输出门、记忆单元与网络输出在t时刻的值，bi、bf、bo、bc与by分别表示输入门、遗忘门、输出门、记忆单元与网络输出的偏置向量；Wix、Wfx、Wox和Wcx表示网络输入权重矩阵，Wih、Wfh、Woh和Wch表示递归权重矩阵，Wic、Wfc、和Woc表示窥视孔连接权重矩阵，ht与Wyh分别表示隐藏层输出与对应的权重矩阵，⊙代表向量积，σ(x)、g(x)与l(x)的定义如下：
Figure FDA0002822679270000011
Figure FDA0002822679270000012
Figure FDA0002822679270000013
σ(x)、g(x)与l(x)是三个sigmoid函数。
3.根据权利要求1所述的虚拟机管理方法，其特征在于，步骤S4中，所述多目标优化数学模型通过以下方法确定：
Minimize
Figure FDA0002822679270000021
Minimize
Figure FDA0002822679270000022
Subject to
Figure FDA0002822679270000023
Figure FDA0002822679270000024
Figure FDA0002822679270000025
Figure FDA0002822679270000026
Figure FDA0002822679270000027
Figure FDA0002822679270000028
其中，NP是M个物理服务器的集合；NV是N个虚拟机的集合；NGj是由虚拟机j所服务的正常玩家的集合；Pi是物理服务器i的功耗；
Figure FDA0002822679270000029
是虚拟机j的迁移所产生的功耗；
Figure FDA00028226792700000210
是虚拟机j的迁移所产生的性能退化；xi，j是决策变量，用来代表虚拟机j是否放置在服务器i上；
Figure FDA00028226792700000211
表示虚拟机j上所运行游戏的交互延迟上限值，IDp，j表示由虚拟机j所服务的玩家p的游戏交互延迟；
Figure FDA00028226792700000212
代表上一个控制周期容纳虚拟机j的物理服务器的下标；
Figure FDA00028226792700000213
代表上一个控制周期xi，j的值；
Figure FDA00028226792700000214
与
Figure FDA00028226792700000215
分别表示物理服务器i上CPU、内存与网络带宽资源的容量；
Figure FDA00028226792700000216
是虚拟机j的归一化的CPU资源需求；
Figure FDA00028226792700000217
表示物理服务器i能够为运行在虚拟机j上的游戏所提供的最大吞吐量；
Figure FDA00028226792700000218
与
Figure FDA00028226792700000219
分别表示虚拟机j的内存与网络带宽资源需求；
Figure FDA00028226792700000220
表示以吞吐量度量的虚拟机j的CPU资源需求；
Figure FDA00028226792700000221
表示由玩家交互延时目标来确定的虚拟机j的CPU资源需求，
Figure FDA00028226792700000222
表示CPU资源分配的调节值，由如下的PI控制器来确定：
Figure FDA00028226792700000223
Figure FDA0002822679270000031
表示在第k个控制周期中虚拟机j的资源需求的调节值，e(k)表示在第k个控制周期中测量的交互延迟时间与交互延迟目标之间的误差，c1与c2是控制器的参数。
4.根据权利要求1所述的虚拟机管理方法，其特征在于，步骤S6中，所述混合差分进化算法包括一个改编的首次适应启发式算法与一个差分进化算法；其中，差分进化算法负责迭代演化虚拟游戏服务器的放置序列与物理服务器的装载序列；改编的首次适应启发式算法负责按照对应的虚拟游戏服务器放置序列与物理服务器的装载序列将虚拟游戏服务器放置到合适的物理服务器上。
5.根据权利要求1所述的虚拟机管理方法，其特征在于，步骤S6中，所述混合差分进化算法包括：个体的编码与解码、初始种群的生成、变异操作、交叉操作、选择操作以及种群更新。
6.一种采用权利要求1-5中任一项所述用于异构云环境下在线游戏应用的虚拟机管理方法的管理系统，其特征在于，包括监控器模块、负载预测模块、优化模型构建模块、虚拟机动态配置模块与资源再配置模块；
其中所述监控器模块用于实时采集暂离玩家、正常玩家与游戏交互延迟的数据；
所述负载预测模块用于从监控器模块中获取正常玩家与暂离玩家的历史信息，并预测未来时段内的正常玩家与暂离玩家的数量；
所述优化模型构建模块用于使用负载预测模块提供的玩家预测信息来构建一个最小化系统功耗和性能退化的多目标优化数学模型；
所述虚拟机动态配置模块用于使用优化模型模块提供的数学模型生成虚拟游戏服务器的资源需求，并利用一个多目标的混合差分进化算法来寻找虚拟游戏服务器与物理服务器的映射关系；
所述资源再配置模块基于虚拟机动态配置模块的输出调整虚拟游戏服务器位置、资源分配与物理服务器的活动与休眠状态。
CN202011421764.XA 2020-12-08 2020-12-08 用于异构云环境下在线游戏应用的虚拟机管理方法及系统 Active CN112463386B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011421764.XA CN112463386B (zh) 2020-12-08 2020-12-08 用于异构云环境下在线游戏应用的虚拟机管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011421764.XA CN112463386B (zh) 2020-12-08 2020-12-08 用于异构云环境下在线游戏应用的虚拟机管理方法及系统

Publications (2)

Publication Number Publication Date
CN112463386A true CN112463386A (zh) 2021-03-09
CN112463386B CN112463386B (zh) 2022-08-02

Family

ID=74800278

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011421764.XA Active CN112463386B (zh) 2020-12-08 2020-12-08 用于异构云环境下在线游戏应用的虚拟机管理方法及系统

Country Status (1)

Country Link
CN (1) CN112463386B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113419854A (zh) * 2021-06-23 2021-09-21 东北大学 一种面向不平衡多目标优化的云资源调度方法
CN113730902A (zh) * 2021-08-13 2021-12-03 许磊 一种用于游戏的免下载运行方法
CN115150960A (zh) * 2022-08-31 2022-10-04 中赣通信(集团)有限公司 基于Xen虚拟监测的校园带宽资源分配方法和系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110145341A1 (en) * 2009-12-16 2011-06-16 Alcatel-Lucent Usa Inc. Server platform to support interactive multi-user applications for mobile clients
CN105451838A (zh) * 2013-05-20 2016-03-30 微软技术许可有限责任公司 远程游戏环境中的游戏可用性
US9830192B1 (en) * 2014-11-10 2017-11-28 Turbonomic, Inc. Managing application performance in virtualization systems
CN109643291A (zh) * 2016-09-29 2019-04-16 英特尔公司 用于在虚拟化执行环境中高效使用图形处理资源的方法和设备
CN109889576A (zh) * 2019-01-18 2019-06-14 天津大学 一种基于博弈论的移动云游戏资源优化方法
CN111669444A (zh) * 2020-06-08 2020-09-15 南京工业大学 基于边缘计算的云游戏服务质量增强方法及系统
CN111860777A (zh) * 2020-07-06 2020-10-30 中国人民解放军军事科学院战争研究院 面向超实时仿真环境的分布式强化学习训练方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110145341A1 (en) * 2009-12-16 2011-06-16 Alcatel-Lucent Usa Inc. Server platform to support interactive multi-user applications for mobile clients
CN105451838A (zh) * 2013-05-20 2016-03-30 微软技术许可有限责任公司 远程游戏环境中的游戏可用性
US9830192B1 (en) * 2014-11-10 2017-11-28 Turbonomic, Inc. Managing application performance in virtualization systems
CN109643291A (zh) * 2016-09-29 2019-04-16 英特尔公司 用于在虚拟化执行环境中高效使用图形处理资源的方法和设备
CN109889576A (zh) * 2019-01-18 2019-06-14 天津大学 一种基于博弈论的移动云游戏资源优化方法
CN111669444A (zh) * 2020-06-08 2020-09-15 南京工业大学 基于边缘计算的云游戏服务质量增强方法及系统
CN111860777A (zh) * 2020-07-06 2020-10-30 中国人民解放军军事科学院战争研究院 面向超实时仿真环境的分布式强化学习训练方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YONGQIANG GAO等: "Cost-Efficient and Quality of Experience-Aware Provisioning of Virtual Machines for Multiplayer Cloud Gaming in Geographically Distributed Data Centers", 《IEEE ACCESS (VOLUME: 7)》 *
臧韦菲等: "基于多目标离散差分进化的网络感知虚拟机放置算法", 《计算机工程》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113419854A (zh) * 2021-06-23 2021-09-21 东北大学 一种面向不平衡多目标优化的云资源调度方法
CN113419854B (zh) * 2021-06-23 2023-09-22 东北大学 一种面向不平衡多目标优化的云资源调度方法
CN113730902A (zh) * 2021-08-13 2021-12-03 许磊 一种用于游戏的免下载运行方法
WO2023016049A1 (zh) * 2021-08-13 2023-02-16 许磊 一种用于游戏的免下载运行方法及平台
CN115150960A (zh) * 2022-08-31 2022-10-04 中赣通信(集团)有限公司 基于Xen虚拟监测的校园带宽资源分配方法和系统
CN115150960B (zh) * 2022-08-31 2022-11-11 中赣通信(集团)有限公司 基于Xen虚拟监测的校园带宽资源分配方法和系统

Also Published As

Publication number Publication date
CN112463386B (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN112463386B (zh) 用于异构云环境下在线游戏应用的虚拟机管理方法及系统
Ghobaei-Arani et al. An autonomous resource provisioning framework for massively multiplayer online games in cloud environment
CN111445111B (zh) 一种基于边缘协同的电力物联网任务分配方法
Ludwig et al. Swarm intelligence approaches for grid load balancing
CN113873022A (zh) 一种可划分任务的移动边缘网络智能资源分配方法
Huang et al. Energy-aware virtual machine placement in data centers
CN108009016A (zh) 一种资源负载均衡控制方法及集群调度器
Singhal et al. Minimization of latency using multitask scheduling in industrial autonomous systems
Ayoubi et al. An autonomous IoT service placement methodology in fog computing
Wang et al. Qos-driven cloud resource management through fuzzy model predictive control
CN107273211A (zh) 一种云计算环境下基于虚拟机的数据处理方法
Sedaghat et al. Decentralized cloud datacenter reconsolidation through emergent and topology-aware behavior
Alfakih et al. Multi-objective accelerated particle swarm optimization with dynamic programing technique for resource allocation in mobile edge computing
CN116893861A (zh) 基于空地协同边缘计算的多智能体协作依赖任务卸载方法
Kumar T et al. Hybrid approach for resource allocation in cloud infrastructure using random forest and genetic algorithm
CN113190342B (zh) 用于云-边协同网络的多应用细粒度卸载的方法与系统架构
CN112187535B (zh) 雾计算环境下服务器部署方法及装置
Vigliotti et al. A green network-aware VMs placement mechanism
Jiang et al. Hierarchical deployment of deep neural networks based on fog computing inferred acceleration model
Kumari et al. A hybrid approach of genetic algorithm and multi objective PSO task scheduling in cloud computing
Xu et al. Bandwidth scheduling and optimization using non-cooperative game model-based shuffled frog leaping algorithm in a networked learning control system
Gao et al. Energy-and quality of experience-aware dynamic resource allocation for massively multiplayer online games in heterogeneous cloud computing systems
Li et al. Research on container migration mechanism of power edge computing on load balancing
Hong et al. An autonomous evolutionary approach to planning the iot services placement in the cloud-fog-iot ecosystem
Zamri et al. Equally Spread Current Execution Load Modelling with Optimize Response Time Brokerage Policy for Cloud Computing

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