CN113075995B - 基于混合群智能的虚拟机节能整合方法、系统和存储介质 - Google Patents

基于混合群智能的虚拟机节能整合方法、系统和存储介质 Download PDF

Info

Publication number
CN113075995B
CN113075995B CN202110463857.7A CN202110463857A CN113075995B CN 113075995 B CN113075995 B CN 113075995B CN 202110463857 A CN202110463857 A CN 202110463857A CN 113075995 B CN113075995 B CN 113075995B
Authority
CN
China
Prior art keywords
server
virtual machine
overload
servers
resource
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
CN202110463857.7A
Other languages
English (en)
Other versions
CN113075995A (zh
Inventor
林伟伟
李俊祺
上官栋栋
常佳
王江涛
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.)
South China University of Technology SCUT
Huawei Technologies Co Ltd
Original Assignee
South China University of Technology SCUT
Huawei Technologies 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 South China University of Technology SCUT, Huawei Technologies Co Ltd filed Critical South China University of Technology SCUT
Priority to CN202110463857.7A priority Critical patent/CN113075995B/zh
Publication of CN113075995A publication Critical patent/CN113075995A/zh
Application granted granted Critical
Publication of CN113075995B publication Critical patent/CN113075995B/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
    • 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]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Power Sources (AREA)

Abstract

本发明公开了一种基于混合群智能的虚拟机节能整合方法、系统和存储介质，包括下述步骤：资源监视器收集数据中心服务器的资源占用信息，虚拟机的资源请求信息及服务器与虚拟机之间的映射信息；根据不同型号服务器峰值效能比下的CPU利用率检测出超载服务器；根据迁移价值比从超载服务器中选出待迁移虚拟机迁出；利用混合差分进化粒子群优化算法重新放置待迁移虚拟机；根据集群的CPU负载均值选出欠载服务器进行关断，并利用混合差分粒子群优化算法重新放置欠载服务器中的虚拟机。本发明的虚拟机整合方法，能够通过多阶段的虚拟机调度有效降低集群的实时功耗，减少数据中心的活跃服务器数量和虚拟机迁移次数，并保证数据中心的服务质量。

Description

基于混合群智能的虚拟机节能整合方法、系统和存储介质
技术领域
本发明涉及云数据中心虚拟机调度领域，特别涉及一种基于混合群智能的虚拟机节能整合方法、系统和存储介质。
背景技术
随着IaaS业务的普及，不同业务场景对数据中心的资源需求日益增长，数据中心需要部署大量的服务器为云服务提供充足的计算资源和存储资源。服务器规模快速扩张所带来的能耗问题逐渐引起人们的重视。虚拟机整合方法通过融合虚拟机放置与迁移技术、动态电压频率调整技术、服务器动态关断技术，能够有效降低服务器集群的实时功耗并保证云服务的质量，是云计算领域的研究热点。虚拟机整合问题是一个多目标优化的NP难问题，这些目标往往是相互矛盾的：实时功耗的降低可能会导致虚拟机迁移次数的增加，活跃服务器数量与资源碎片的缩减可能会引起服务器超载概率的上升。虚拟机整合方法在降低能耗的同时，容易对云服务质量产生影响，导致服务水平协议违约率的上升。为此，研发一种兼顾节能和多个服务质量指标的虚拟机整合方法是必要的。
为降低服务器集群的能耗，不少学者提出使用贪心启发式算法解决虚拟机整合问题。该类算法的运行时间短，适用于各种在线调度和静态调度问题。Beloglazov A等人给出了一套完善的虚拟机整合策略，并设计了一种能耗感知启发式虚拟机放置算法(MBFD)。该算法将虚拟机放置在能耗增量最小的服务器上，能够有效降低集群能耗。然而，每台VM在放置时都只能针对当前的服务器负载情况进行选择，无法考虑未放置VM对服务器负载的影响。因此，该算法得到的往往只是局部最优解。Lin W等人在VM调度问题方面进行了深入的研究，并设计了一种创新的基于峰值效能比的启发式虚拟机整合策略。其主要思想是将服务器集群按照剩余的高效CPU资源量构建成有序链表，在放置过程中，将VM放置到剩余高效CPU资源量与自身CPU资源请求量最为接近的服务器中。一系列的实验证明，PEAS在异构服务器环境下，有着极低的时间开销，在降低集群总能耗的同时，保证了数据中心的QoS。
基于贪心策略的启发式虚拟机调度算法能够达到降低能耗的目的，但是它们的优化目标单一，得到的往往是问题的局部最优解。为解决贪心启发式算法存在的问题，不少学者采用群智能算法进行虚拟机的调度决策。群智能算法通过模拟群体的社会行为，利用个体和群体反馈的信息引导算法的搜索方向，从全局的角度对群体进行优化，因而能够搜索出更加节能高效的虚拟机调度方案。常见的群智能算法包括：遗传算法、粒子群优化算法、蚁群算法、差分进化算法、蜂群算法等。Jiang J等人改进了遗传算法的编码方式，采用双点交叉和位变异操作,提出了一种名为VMM-GAGA的虚拟机放置算法。该算法在降低关联虚拟机通信代价的同时，缩减了算法迭代时的运行时间。Yan W等人提出了一种能耗感知的蚁群优化算法，利用PABFD算法生成初始解，并通过一种创新的蚁群位置转移选择概率的计算方式，有效减少了虚拟机调度中活跃服务器的数目。为兼顾服务器的能耗开销和用户的QoS，Li Z等人提出了一种基于离散化差分进化算法的VM整合方法(EQ-VMC)。EQ-VMC利用一种正态分布模型计算出服务器的超载概率，进而估算出服务器的超载及欠载阈值。此外，该算法重新定义了差分进化算法的变异、交叉、选择操作，使EQ-VMC能够获取兼顾能耗和QoS的较优调度解。然而，并非所有的负载数据都符合正态分布模型，且差分进化算法的搜索流程过于随机，缺乏明确的优化方向，因此该整合方法还可以进一步改进。Wang S等人给出了一种双维度的解向量编码和离散向量的速度位置更新方法，并基于该方法提出了一种用于解决异构服务器环境虚拟机放置问题的离散化粒子群优化算法，有效减少了服务器集群的能耗开销。Malekloo M-H等人将虚拟机放置看作一个多维装箱问题，给出了一种用于虚拟机调度的多目标蚁群优化算法。该算法改良了蚁群算法的信息素更新规则，并采用多目标折衷的帕雷托选择策略选出节能的虚拟机调度方案。Jiang J等人给出了一种基于数据密集型作业的人工蜂群虚拟机调度策略。该策略创新地采用了k均值聚类算法，根据实时负载对服务器集群进行分类，并通过人工蜂群算法进一步搜索出节能的虚拟机放置方案。
虽然近几年来已经有不少学者对虚拟机调度与整合方面开展了相关的研究工作。但是大部分的虚拟机整合方法仍存在一定的不足：基于贪心策略的启发式虚拟机整合方法优化目标单一，且调度时仅能获取到问题子阶段的最优解，无法结合问题的全局信息进行虚拟机调度；单一的群智能虚拟机整合方法在迭代过程中往往会存在早熟收敛，陷入局部最优等问题，难以进一步降低集群的能耗，仍存在较大的改进空间。同时，现存的虚拟机整合方法为达到节省集群功耗的目的，往往会导致云服务质量的下降，无法满足客户的需求。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于混合群智能的虚拟机节能整合方法、系统和存储介质，本发明混合差分进化粒子群优化算法结合了差分进化算法和粒子群优化算法，通过算法的融合弥补了单一群智能算法的局限性，能够搜索出节能高效的虚拟机放置方案。
为了达到上述目的，本发明采用以下技术方案：
本发明一方面提供了一种基于混合群智能的虚拟机节能整合方法，包括下述步骤：
资源监视器收集数据中心服务器的资源使用信息、虚拟机的资源请求信息及服务器与虚拟机之间的映射关系，所述资源使用信息和资源请求信息用于提供服务器和虚拟机的实时状态信息，并帮助决策；
根据服务器峰值效能比下的CPU利用率检测出超载服务器；
根据迁移价值比从超载服务器中选出待迁移虚拟机迁出；
利用混合差分进化粒子群优化算法放置选出的待迁移虚拟机；
根据服务器的负载均值检选出欠载服务器进行关断，并利用混合差分进化粒子群优化算法重新放置欠载服务器中的虚拟机。
作为优选的技术方案，所述根据服务器峰值效能比下的CPU利用率检测出超载服务器的步骤中，
采用的是一种基于服务器峰值效能比的超载服务器检测策略，该检测策略将不同型号服务器峰值效能比peak_peff下的CPU利用率作为服务器的超载阈值UP_THR，并根据阈值选出超载的服务器，峰值效能比通过式(1)的形式来衡量：
其中，Performance(u),power(u)分别表示CPU利用率为u时服务器的性能表现和实时功耗，性能表现为“每秒处理指令数”CPU利用率相关的指标。
作为优选的技术方案，所述根据迁移价值比从超载服务器中选出待迁移虚拟机迁出的步骤中，
采用一种基于迁移价值比的虚拟机选择策略，该选择策略能够结合服务器的CPU、内存、带宽来评价每一台虚拟机的迁移价值比Migra_Ratio，选出内存占用小，CPU资源请求量接近服务器CPU资源超载量的虚拟机进行迁出，直至服务器的CPU资源超载量降至零，迁移价值比通过式(2)获得：
其中，为服务器的CPU资源超载量，/>和/>分别为虚拟机k的CPU资源和内存资源的请求量，/>为服务器i的可用带宽。
作为优选的技术方案，所述利用混合差分进化粒子群优化算法放置选出的待迁移虚拟机的步骤具体为：
通过启发式算法生成初始群体，每种个体代表一种虚拟机放置方案；
计算个体的适应度函数值；
根据个体的适应度函数值对个体进行排序，并将群体S划分为S*P％的较优群体Sg和S*(1-P％)的较差群体Sb两部分；
利用差分进化算法对群体S进行优化，通过交叉、变异操作，对S中的个体进行大幅度扰动，并利用轮盘赌的方法选出S*(1-P％)的个体作为新群体的一部分Sb'；
利用粒子群优化算法对较优的群体Sg进行优化，利用群体最优解和个体最优解引导个体的局部寻优，得到新群体的剩余部分Sg'，与Sb'共同构成新群体S'；
更新个体最优解和群体最优解，若算法未达到迭代次数上限，则转入计算个体的适应度函数值的步骤，否则输出全局最优解。
作为优选的技术方案，所述混合差分进化粒子群优化算法给出了一种基于加权欧氏距离的适应度函数用于评价个体的优劣程度，如式(3)所示：
其中，分别为服务器的实时CPU利用率和峰值效能比下的CPU利用率，Pi,Ptar_max分别为服务器的实时功率和功率峰值，w1,w2为权重，D为集群的服务器数量。
作为优选的技术方案，所述的混合差分进化粒子群优化算法使用了不同的贪心启发式算法生成初始群体和处理群智能算法流程中发生放置冲突的虚拟机。
作为优选的技术方案，所述根据服务器的负载均值检选出欠载服务器进行关断，并利用混合差分进化粒子群优化算法重新放置欠载服务器中的虚拟机的步骤中，
采用基于负载均值的欠载服务器处理策略，该欠载服务器处理策略通过欠载服务器的关断和虚拟机的重新放置减少集群功耗，具体包括以下步骤：
计算集群中服务器的CPU利用率均值CPUavg，并选出CPU利用率低于该值的服务器加入到待处理服务器列表H中；
对H中CPU利用率较低的一半服务器进行关断，并迁出其中的虚拟机；
H中CPU利用率较高的一半服务器和集群中没有超载的服务器组成目标服务器列表，作为待迁移虚拟机的放置目标；
利用混合差分进化粒子群优化算法重新放置被迁出的虚拟机；
若剩余的活跃服务器资源不足以放置虚拟机，则根据资源的欠缺程度保留部分需要关断的服务器用作虚拟机的放置而不作关断处理。
本发明另一方面提供了一种基于混合群智能的虚拟机节能整合系统，应用于所述的基于混合群智能的虚拟机节能整合方法，包括映射关系获取模块、超载服务器检测模块、虚拟机迁移模块、第一虚拟机放置模块以及第二虚拟机放置模块；
所述映射关系获取模块，用于资源监视器收集数据中心服务器的资源使用情况、虚拟机的资源请求量及服务器与虚拟机之间的映射关系；
所述超载服务器检测模块，用于根据服务器峰值效能比下的CPU利用率检测出超载服务器；
所述虚拟机迁移模块，用于根据迁移价值比从超载服务器中选出待迁移虚拟机迁出；
所述第一虚拟机放置模块，用于利用混合差分进化粒子群优化算法放置选出的待迁移虚拟机；
所述第二虚拟机放置模块，用于根据服务器的负载均值检选出欠载服务器进行关断，并利用混合差分进化粒子群优化算法重新放置欠载服务器中的虚拟机。
本发明又一方面还提供了一种存储介质，存储有程序，所述程序被处理器执行时，实现所述的基于混合群智能的虚拟机节能整合方法。
本发明与现有技术相比，具有如下优点和有益效果：
(1)本发明给出的基于服务器峰值效能比的超载服务器检测策略会根据不同类型服务器的效能比确定服务器超载阈值，尽可能使服务器保持在峰值效能比下运行，降低服务器集群的实时功耗。
(2)本发明给出的基于迁移价值比的虚拟机选择策略会根据每台超载服务器的CPU资源超载程度、虚拟机的内存占用量和服务器的带宽，从超载服务器中选出合适的虚拟机进行迁移，减少了虚拟机迁移次数，缓解了虚拟机迁移导致的性能退化问题。
(3)本发明使用混合差分进化粒子群优化算法进行虚拟机的放置，通过差分进化算法的交叉和变异操作对群体进行大幅度扰动，防止粒子群优化算法在迭代后期陷入局部最优，通过粒子群优化算法的速度更新和位置更新操作进行局部寻优，弥补了差分进化算法局部搜索能力不足的缺点，进一步找出更加节能高效的虚拟机放置方案。
(4)本发明提出的基于负载均值的欠载服务器处理策略能够根据集群的CPU利用率均值选出欠载服务器进行关断，并利用混合差分进化粒子群优化算法重新放置欠载服务器中的虚拟机，在减少活跃服务器数量的同时避免了过度关断服务器所带来的虚拟机迁移次数激增问题，降低了SLA违约率。
附图说明
图1为数据中心虚拟机调度流程图。
图2为基于混合群智能的虚拟机节能整合方法流程图。
图3混合差分进化粒子群优化虚拟机放置算法流程图。
图4是本发明实施例基于混合群智能的虚拟机节能整合系统的结构示意图；
图5是本发明实施例的存储介质的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例
本实施例数据中心的调度流程如图1所示。用户会根据自身的业务需要，不定期地向云服务提供商购买不同种类的虚拟机并向数据中心发出请求。数据中心的资源监视器会定期接收资源请求，并收集数据中心中服务器和虚拟机的资源信息发送给供混合群智能的虚拟机节能整合方法使用。虚拟机整合方法会根据资源信息选出合适的虚拟机进行迁移，搜索较优的虚拟机调度方案，并将虚拟机迁移传递给数据中心的虚拟机调度器。虚拟机调度器会根据迁移序列对服务器中的虚拟机进行迁移，关断空闲服务器，以保证集群的节能高效运行。
如图2所示，一种基于混合群智能的虚拟机节能整合方法，包含以下步骤：
S1、运行整合方法的算法服务器从数据中心的资源监视器获取服务器与虚拟机的资源信息以及两者之间的映射关系；
S2、整合方法根据不同型号服务器峰值效能比下的CPU利用率制定超载阈值，CPU利用率高于自身超载阈值的服务器会加入到超载服务器列表中，其余服务器作为目标服务器、
进一步的，步骤S2为一种基于服务器峰值效能比的超载服务器检测策略。该策略将不同型号服务器峰值效能比(peak_peff)下的CPU利用率作为服务器的超载阈值(UP_THR)，并根据阈值选出超载的服务器。峰值效能比包括但不限于通过式(1)的形式来衡量：
其中，performance(u),power(u)分别表示CPU利用率为u时服务器的性能表现和实时功耗，性能表现为“每秒处理指令数”等CPU利用率相关的指标。
S3、计算超载服务器中各虚拟机的迁移价值比，从超载服务器中不断迁出迁移价值比最小的虚拟机，直至服务器的CPU利用率低于自身的超载阈值、
进一步的，步骤S3为一种基于迁移价值比的虚拟机选择策略。该选择策略能够结合服务器的CPU、内存、带宽来评价每一台虚拟机的迁移价值比(Migra_Ratio)，选出内存占用小，CPU资源请求量接近服务器CPU资源超载量的虚拟机进行迁出，直至服务器的CPU资源超载量降至零。迁移价值比通过式(2)获得：
其中，为服务器的CPU资源超载量，/>和/>分别为虚拟机k的CPU资源和内存资源的请求量，/>为服务器i的可用带宽。
4、利用混合差分进化粒子群优化虚拟机放置算法重新放置被迁出的虚拟机，通过交叉、变异、速度更新、位置更新操作的多次迭代获取高效节能的虚拟机放置方案。
进一步的，步骤S4的混合差分进化粒子群优化算法，能够克服单一群智能算法的局限性，避免虚拟机放置方案搜索过程中的早熟收敛和陷入局部最优问题，得到较优的节能虚拟机放置方案，如图3所示，具体包括以下步骤：
S401.通过启发式算法生成初始群体，每种个体代表一种虚拟机放置方案；
S402.计算个体的适应度函数值；
S403.根据个体的适应度函数值对个体进行排序，并将群体S划分为S*P％的较优群体Sg和S*(1-P％)的较差群体Sb两部分；
S404.利用差分进化算法对群体S进行优化，通过交叉、变异操作，对S中的个体进行大幅度扰动，并利用轮盘赌的方法选出S*(1-P％)的个体作为新群体的一部分Sb'；
S405.利用粒子群优化算法对较优的群体Sg进行优化，利用群体最优解和个体最优解引导个体的局部寻优，得到新群体的剩余部分Sg'，与Sb'共同构成新群体S'；
S406.更新个体最优解和群体最优解，若算法未达到迭代次数上限，则转入S402，否则输出全局最优解。
更进一步的，所述的混合差分进化粒子群优化算法给出了一种基于加权欧氏距离的适应度函数用于评价个体的优劣程度，如式(3)所示：
其中，分别为服务器的实时CPU利用率和峰值效能比下的CPU利用率，Pi,Ptar_max分别为服务器的实时功率和功率峰值，w1,w2为权重，D为集群的服务器数量。
S5、计算活跃服务器的CPU负载均值CPUavg，选出CPU利用率低于CPUavg的服务器作为待处理服务器，待处理服务器中负载较高的一半和未超载的服务器共同构成活跃服务器列表，负载较低的一半作为欠载服务器进行动态关断，并利用混合差分进化粒子群优化虚拟机放置算法重新放置被迁出的虚拟机；
进一步的，步骤S5为一种基于负载均值的欠载服务器处理策略。该策略通过欠载服务器的关断和虚拟机的重新放置减少集群功耗，具体包括以下步骤：
S501.计算集群中服务器的CPU利用率均值CPUavg，并选出CPU利用率低于该值的服务器加入到待处理服务器列表H中；
S502.对H中CPU利用率较低的一半服务器进行关断，并迁出其中的虚拟机；
S503.H中CPU利用率较高的一半服务器和集群中没有超载的服务器组成目标服务器列表，作为待迁移虚拟机的放置目标；
S504.利用权利要求4所述的混合差分进化粒子群优化算法重新放置被迁出的虚拟机；
S505.若剩余的活跃服务器资源不足以放置虚拟机，则根据资源的欠缺程度保留部分需要关断的服务器用作虚拟机的放置而不作关断处理。
所述的混合差分进化粒子群优化算法使用了不同的贪心启发式算法生成初始群体和处理群智能算法流程中发生放置冲突的虚拟机，以保证群体的质量及多样性，减少算法所需的迭代次数并避免早熟收敛的发生。
如图4所示，在另一个实施例中，提供了一种基于混合群智能的虚拟机节能整合系统，应用于所述的基于混合群智能的虚拟机节能整合方法，包括映射关系获取模块、超载服务器检测模块、虚拟机迁移模块、第一虚拟机放置模块以及第二虚拟机放置模块；
所述映射关系获取模块，用于资源监视器收集数据中心服务器的资源使用情况、虚拟机的资源请求量及服务器与虚拟机之间的映射关系；
所述超载服务器检测模块，用于根据服务器峰值效能比下的CPU利用率检测出超载服务器；
所述虚拟机迁移模块，用于根据迁移价值比从超载服务器中选出待迁移虚拟机迁出；
所述第一虚拟机放置模块，用于利用混合差分进化粒子群优化算法放置选出的待迁移虚拟机；
所述第二虚拟机放置模块，用于根据服务器的负载均值检选出欠载服务器进行关断，并利用混合差分进化粒子群优化算法重新放置欠载服务器中的虚拟机。
在此需要说明的是，上述实施例提供的系统仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能，该系统是应用于上述实施例的基于混合群智能的虚拟机节能整合方法。
如图5所示，在本申请的另一个实施例中，还提供了一种存储介质，存储有程序，所述程序被处理器执行时，实现基于混合群智能的虚拟机节能整合方法，具体为：
资源监视器收集数据中心服务器的资源使用信息、虚拟机的资源请求信息及服务器与虚拟机之间的映射关系；
根据服务器峰值效能比下的CPU利用率检测出超载服务器；
根据迁移价值比从超载服务器中选出待迁移虚拟机迁出；
利用混合差分进化粒子群优化算法放置选出的待迁移虚拟机；
根据服务器的负载均值检选出欠载服务器进行关断，并利用混合差分进化粒子群优化算法重新放置欠载服务器中的虚拟机。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.基于混合群智能的虚拟机节能整合方法，其特征在于，包括下述步骤：
资源监视器收集数据中心服务器的资源使用信息、虚拟机的资源请求信息及服务器与虚拟机之间的映射关系，所述资源使用信息和资源请求信息用于提供服务器和虚拟机的实时状态信息，并帮助决策；
根据服务器峰值效能比下的CPU利用率检测出超载服务器；
根据迁移价值比从超载服务器中选出待迁移虚拟机迁出，具体为：采用一种基于迁移价值比的虚拟机选择策略，该选择策略能够结合服务器的CPU、内存、带宽来评价每一台虚拟机的迁移价值比Migra_Ratio，选出内存占用小，CPU资源请求量接近服务器CPU资源超载量的虚拟机进行迁出，直至服务器的CPU资源超载量降至零，迁移价值比通过式(2)获得：
其中，为服务器的CPU资源超载量，/>和/>分别为虚拟机k的CPU资源和内存资源的请求量，/>为服务器i的可用带宽；
利用混合差分进化粒子群优化算法放置选出的待迁移虚拟机；
根据服务器的负载均值检选出欠载服务器进行关断，并利用混合差分进化粒子群优化算法重新放置欠载服务器中的虚拟机。
2.根据权利要求1所述基于混合群智能的虚拟机节能整合方法，其特征在于，所述根据服务器峰值效能比下的CPU利用率检测出超载服务器的步骤中，
采用的是一种基于服务器峰值效能比的超载服务器检测策略，该检测策略将不同型号服务器峰值效能比peak_peff下的CPU利用率作为服务器的超载阈值UP_THR，并根据阈值选出超载的服务器，峰值效能比通过式(1)的形式来衡量：
其中，Performance(u),power(u)分别表示CPU利用率为u时服务器的性能表现和实时功耗，性能表现为“每秒处理指令数”CPU利用率相关的指标。
3.根据权利要求1所述基于混合群智能的虚拟机节能整合方法，其特征在于，所述利用混合差分进化粒子群优化算法放置选出的待迁移虚拟机的步骤具体为：
通过启发式算法生成初始群体，每种个体代表一种虚拟机放置方案；
计算个体的适应度函数值；
根据个体的适应度函数值对个体进行排序，并将群体S划分为S*P％的较优群体Sg和S*(1-P％)的较差群体Sb两部分；
利用差分进化算法对群体S进行优化，通过交叉、变异操作，对S中的个体进行大幅度扰动，并利用轮盘赌的方法选出S*(1-P％)的个体作为新群体的一部分Sb'；
利用粒子群优化算法对较优的群体Sg进行优化，利用群体最优解和个体最优解引导个体的局部寻优，得到新群体的剩余部分Sg'，与Sb'共同构成新群体S'；
更新个体最优解和群体最优解，若算法未达到迭代次数上限，则转入计算个体的适应度函数值的步骤，否则输出全局最优解。
4.根据权利要求3所述基于混合群智能的虚拟机节能整合方法，其特征在于，所述混合差分进化粒子群优化算法给出了一种基于加权欧氏距离的适应度函数用于评价个体的优劣程度，如式(3)所示：
其中，分别为服务器的实时CPU利用率和峰值效能比下的CPU利用率，Pi,Ptar_max分别为服务器的实时功率和功率峰值，w1,w2为权重，D为集群的服务器数量。
5.根据权利要求4所述基于混合群智能的虚拟机节能整合方法，其特征在于，所述的混合差分进化粒子群优化算法使用了不同的贪心启发式算法生成初始群体和处理群智能算法流程中发生放置冲突的虚拟机。
6.根据权利要求1所述基于混合群智能的虚拟机节能整合方法，其特征在于，所述根据服务器的负载均值检选出欠载服务器进行关断，并利用混合差分进化粒子群优化算法重新放置欠载服务器中的虚拟机的步骤中，
采用基于负载均值的欠载服务器处理策略，该欠载服务器处理策略通过欠载服务器的关断和虚拟机的重新放置减少集群功耗，具体包括以下步骤：
计算集群中服务器的CPU利用率均值CPUavg，并选出CPU利用率低于该值的服务器加入到待处理服务器列表H中；
对H中CPU利用率较低的一半服务器进行关断，并迁出其中的虚拟机；
H中CPU利用率较高的一半服务器和集群中没有超载的服务器组成目标服务器列表，作为待迁移虚拟机的放置目标；
利用混合差分进化粒子群优化算法重新放置被迁出的虚拟机；
若剩余的活跃服务器资源不足以放置虚拟机，则根据资源的欠缺程度保留部分需要关断的服务器用作虚拟机的放置而不作关断处理。
7.基于混合群智能的虚拟机节能整合系统，其特征在于，应用于权利要求1-6中任一项所述的基于混合群智能的虚拟机节能整合方法，包括映射关系获取模块、超载服务器检测模块、虚拟机迁移模块、第一虚拟机放置模块以及第二虚拟机放置模块；
所述映射关系获取模块，用于资源监视器收集数据中心服务器的资源使用情况、虚拟机的资源请求量及服务器与虚拟机之间的映射关系；
所述超载服务器检测模块，用于根据服务器峰值效能比下的CPU利用率检测出超载服务器；
所述虚拟机迁移模块，用于根据迁移价值比从超载服务器中选出待迁移虚拟机迁出；
所述第一虚拟机放置模块，用于利用混合差分进化粒子群优化算法放置选出的待迁移虚拟机；
所述第二虚拟机放置模块，用于根据服务器的负载均值检选出欠载服务器进行关断，并利用混合差分进化粒子群优化算法重新放置欠载服务器中的虚拟机。
8.一种存储介质，存储有程序，其特征在于：所述程序被处理器执行时，实现权利要求1-6任一项所述的基于混合群智能的虚拟机节能整合方法。
CN202110463857.7A 2021-04-26 2021-04-26 基于混合群智能的虚拟机节能整合方法、系统和存储介质 Active CN113075995B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110463857.7A CN113075995B (zh) 2021-04-26 2021-04-26 基于混合群智能的虚拟机节能整合方法、系统和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110463857.7A CN113075995B (zh) 2021-04-26 2021-04-26 基于混合群智能的虚拟机节能整合方法、系统和存储介质

Publications (2)

Publication Number Publication Date
CN113075995A CN113075995A (zh) 2021-07-06
CN113075995B true CN113075995B (zh) 2024-02-27

Family

ID=76618990

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110463857.7A Active CN113075995B (zh) 2021-04-26 2021-04-26 基于混合群智能的虚拟机节能整合方法、系统和存储介质

Country Status (1)

Country Link
CN (1) CN113075995B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116954929B (zh) * 2023-09-20 2023-12-01 四川并济科技有限公司 一种实时迁移的动态gpu调度方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103077082A (zh) * 2013-01-08 2013-05-01 中国科学院深圳先进技术研究院 一种数据中心负载分配及虚拟机迁移节能方法及系统
CN105302630A (zh) * 2015-10-26 2016-02-03 深圳大学 一种虚拟机的动态调整方法及其系统
CN106775944A (zh) * 2016-12-12 2017-05-31 天津工业大学 云平台下基于文化‑多蚁群算法虚拟机整合的方法
WO2019094729A1 (en) * 2017-11-09 2019-05-16 Strong Force Iot Portfolio 2016, Llc Methods and systems for the industrial internet of things
CN109901932A (zh) * 2019-03-12 2019-06-18 东北大学 一种基于虚拟机的服务器整合方法
CN110321995A (zh) * 2019-07-08 2019-10-11 佛山科学技术学院 一种基于随机惯性权重的差分粒子群混合算法
CN111176784A (zh) * 2019-12-02 2020-05-19 华南理工大学 一种基于极限学习机和蚁群系统的虚拟机整合方法
CN112379966A (zh) * 2020-11-11 2021-02-19 华南理工大学 一种云数据中心虚拟机实时整合方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103077082A (zh) * 2013-01-08 2013-05-01 中国科学院深圳先进技术研究院 一种数据中心负载分配及虚拟机迁移节能方法及系统
CN105302630A (zh) * 2015-10-26 2016-02-03 深圳大学 一种虚拟机的动态调整方法及其系统
CN106775944A (zh) * 2016-12-12 2017-05-31 天津工业大学 云平台下基于文化‑多蚁群算法虚拟机整合的方法
WO2019094729A1 (en) * 2017-11-09 2019-05-16 Strong Force Iot Portfolio 2016, Llc Methods and systems for the industrial internet of things
CN109901932A (zh) * 2019-03-12 2019-06-18 东北大学 一种基于虚拟机的服务器整合方法
CN110321995A (zh) * 2019-07-08 2019-10-11 佛山科学技术学院 一种基于随机惯性权重的差分粒子群混合算法
CN111176784A (zh) * 2019-12-02 2020-05-19 华南理工大学 一种基于极限学习机和蚁群系统的虚拟机整合方法
CN112379966A (zh) * 2020-11-11 2021-02-19 华南理工大学 一种云数据中心虚拟机实时整合方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种新的混合智能极限学习机;林梅金;罗飞;苏彩红;许玉格;;控制与决策(第06期);第1078-1084页 *
基于遗传算法的Docker集群调度策略;林伟伟;王泽涛;;华南理工大学学报(自然科学版)(第03期);第127-133页 *

Also Published As

Publication number Publication date
CN113075995A (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
Xiao et al. Multi-objective parallel task offloading and content caching in D2D-aided MEC networks
Neghabi et al. Load balancing mechanisms in the software defined networks: a systematic and comprehensive review of the literature
CN109167671B (zh) 一种面向量子密钥分发业务的配用通信系统均衡负载调度方法
Xiao et al. Multi-objective VM consolidation based on thresholds and ant colony system in cloud computing
CN109710374A (zh) 移动边缘计算环境下最小化任务卸载费用的vm迁移策略
Mehta et al. Hierarchical WSN protocol with fuzzy multi-criteria clustering and bio-inspired energy-efficient routing (FMCB-ER)
CN108170530B (zh) 一种基于混合元启发式算法的Hadoop负载均衡任务调度方法
CN111475274A (zh) 云协同多任务调度方法及装置
CN110445866A (zh) 一种移动边缘计算环境中任务迁移和协作式负载均衡方法
Barlaskar et al. Enhanced cuckoo search algorithm for virtual machine placement in cloud data centres
CN115629865B (zh) 一种基于边缘计算的深度学习推理任务调度方法
Natesha et al. GWOTS: Grey wolf optimization based task scheduling at the green cloud data center
Gu et al. A multi-objective fog computing task scheduling strategy based on ant colony algorithm
CN115718644A (zh) 一种面向云数据中心的计算任务跨区迁移方法及系统
CN113075995B (zh) 基于混合群智能的虚拟机节能整合方法、系统和存储介质
CN113992677A (zh) 一种延迟与能耗联合优化的mec计算卸载方法
CN113791913B (zh) 一种类脑计算机操作系统的任务迁移方法
Dong et al. Quantum particle swarm optimization for task offloading in mobile edge computing
Li et al. DQN-enabled content caching and quantum ant colony-based computation offloading in MEC
Kumar et al. Parameter Investigation Study On Task Scheduling in Cloud Computing
CN112188441A (zh) 边缘网络中采用无人机的任务卸载方法、系统及存储介质
CN110308991B (zh) 一种基于随机任务的数据中心节能优化方法及系统
CN104683480A (zh) 一种基于应用的分布式计算方法
Lian et al. Topology-aware VM placement for network optimization in cloud data centers
Naik et al. Developing a cloud computing data center virtual machine consolidation based on multi-objective hybrid fruit-fly cuckoo search algorithm

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