CN114968493B - 虚拟机调度方法、装置、计算机可读介质及电子设备 - Google Patents
虚拟机调度方法、装置、计算机可读介质及电子设备 Download PDFInfo
- Publication number
- CN114968493B CN114968493B CN202210713515.0A CN202210713515A CN114968493B CN 114968493 B CN114968493 B CN 114968493B CN 202210713515 A CN202210713515 A CN 202210713515A CN 114968493 B CN114968493 B CN 114968493B
- Authority
- CN
- China
- Prior art keywords
- load
- virtual machine
- target
- node
- load index
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000035945 sensitivity Effects 0.000 claims abstract description 8
- 230000000875 corresponding effect Effects 0.000 claims description 70
- 238000013508 migration Methods 0.000 claims description 41
- 230000005012 migration Effects 0.000 claims description 41
- 238000011156 evaluation Methods 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
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
-
- 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)
- Debugging And Monitoring (AREA)
Abstract
本申请涉及网络管理领域,揭示了一种虚拟机调度方法、装置、计算机可读介质及电子设备。该方法包括:根据预定采集周期内采集到的虚拟机的负载数据,确定负载高峰时段和负载高峰时段内的高负载虚拟机;根据目标时段内采集到的高负载虚拟机的负载数据,确定高负载虚拟机的敏感类型;根据目标时段内各高负载虚拟机的敏感类型在各高负载虚拟机中选出目标虚拟机;从节点集群中选出待选节点;根据目标虚拟机与各待选节点的敏感类型匹配度以及所述目标虚拟机迁移至各待选节点的调度代价,确定出目的节点,并将所述目标虚拟机迁移至所述目的节点。此方法能够避免因业务负载骤增而对虚拟机性能的影响。
Description
技术领域
本申请涉及网络管理技术领域,特别涉及一种虚拟机调度方法、装置、计算机可读介质及电子设备。
背景技术
在建设多个节点的资源池时,建设需求是由规划者基于过往用户数据而得出的,这使得资源池内节点上虚拟机所提供的负载能力是固定的,不能很好地应对突出产生的瞬时高负载值,这会对虚拟机的业务能力和业务质量产生影响,导致用户体验下降。
发明内容
在网络管理技术领域,为了解决上述技术问题,本申请的目的在于提供一种虚拟机调度方法、装置、计算机可读介质及电子设备。
根据本申请实施例的一个方面,提供了一种虚拟机调度方法,所述方法包括:
根据预定采集周期内采集到的多个虚拟机的负载数据,确定所述预定采集周期中的负载高峰时段和所述负载高峰时段的高负载虚拟机;
根据在当前时刻之前的目标时段内采集到的各高负载虚拟机的负载数据,确定各高负载虚拟机的敏感类型;
根据所述目标时段内各高负载虚拟机的敏感类型,在各高负载虚拟机中选出目标虚拟机;
根据节点的负载指标数据从节点集群中的节点中选出待选节点;
根据目标虚拟机与各待选节点的敏感类型匹配度以及所述目标虚拟机迁移至各待选节点的调度代价,确定出目的节点,并将所述目标虚拟机迁移至所述目的节点。根据本申请实施例的一个方面,提供了一种虚拟机调度装置,所述装置包括:
时段和虚拟机确定模块,用于根据预定采集周期内采集到的多个虚拟机的负载数据,确定所述预定采集周期中的负载高峰时段和所述负载高峰时段的高负载虚拟机;
确定模块,用于根据在当前时刻之前的目标时段内采集到的各高负载虚拟机的负载数据,确定各高负载虚拟机的敏感类型;
目标虚拟机选择模块,用于根据所述目标时段内各高负载虚拟机的敏感类型,在各高负载虚拟机中选出目标虚拟机;
节点选择模块,用于根据节点的负载指标数据从节点集群中的节点中选出待选节点;
确定和迁移模块,用于根据目标虚拟机与各待选节点的敏感类型匹配度以及所述目标虚拟机迁移至各待选节点的调度代价,确定出目的节点,并将所述目标虚拟机迁移至所述目的节点。
根据本申请实施例的一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述实施例中所述的方法。
根据本申请实施例的一个方面,提供了一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例中所述的方法。
本申请的实施例提供的技术方案可以包括以下有益效果:
本申请实施例所提供的虚拟机调度方法包括如下步骤:根据预定采集周期内采集到的多个虚拟机的负载数据,确定所述预定采集周期中的负载高峰时段和所述负载高峰时段的高负载虚拟机;根据在当前时刻之前的目标时段内采集到的各高负载虚拟机的负载数据,确定各高负载虚拟机的敏感类型;根据所述目标时段内各高负载虚拟机的敏感类型,在各高负载虚拟机中选出目标虚拟机;根据节点的负载指标数据从节点集群中的节点中选出待选节点;根据目标虚拟机与各待选节点的敏感类型匹配度以及所述目标虚拟机迁移至各待选节点的调度代价,确定出目的节点,并将所述目标虚拟机迁移至所述目的节点。
由于虚拟机的负载具有随着时间变化的规律,因此,虚拟机的性能也相应地具有一定的随时间的变化规律。此方法下,通过根据在预定采集周期内的采集到的虚拟机的负载数据,确定负载高峰时段和负载高峰时段内的高负载虚拟机,并确定目标虚拟机和需要将目标虚拟机迁移至的目的节点,在下一个负载高峰时段之前提前进行虚拟机的调度,将目标虚拟机迁移至负荷较低的目的节点,在所有节点上的实现了虚拟机的削峰填谷和负载均衡,可以熨平节点资源池负载曲线,避免了业务负载骤增对虚拟机业务能力的影响。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是根据一示例性实施例示出的可以实现本申请实施例方案的系统架构框图;
图2是根据一示例性实施例示出的虚拟机调度方法的流程图;
图3是根据一示例性实施例示出的在各高负载虚拟机中选出目标虚拟机的流程图;
图4是根据一示例性实施例示出的图3中步骤320的细节的流程图;
图5是根据一示例性实施例示出的将目标虚拟机迁移至目的节点的流程图;
图6是根据一示例性实施例示出的虚拟机调度方法的整体流程图;
图7是根据一示例性实施例示出的一种虚拟机调度装置的框图;
图8示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
此外,附图仅为本申请的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。
在云网资源池建设中,建设需求是由规划者基于过往用户数据而得出的,这使得在使用云网资源时会造成在特定时段或时刻内对云网资源的某类需求的骤增,而云网资源中网元负荷瞬时值过大会对造成用户体验的下降。
云数据中心内部计算、存储、网络资源由云管平台统一调度,云管平台在各物理节点上创建和分配虚机时只考虑节点资源是否满足虚机需求,易导致各节点间虚机分配不均匀;单一节点内虚拟机业务负载随着用户规模的变化而随之改变,随着用户规模的增加,虚拟机的业务负载也会随之增加,当节点整体业务负载过大时,会对节点内各虚拟机的能力和服务质量产生影响,甚至造成业务中断。
在相关技术中提供的虚拟机迁移方法大多数都是以节点物理资源利用率作为虚拟机迁移的判断条件,当业务过载时,将该节点加入业务过载节点队列,对该队列中节点内的虚拟机进行迁移以避免主机负荷过大,从而保证资源池的稳定运行。然而,节点迁移是需要时间的,在该方法下,若节点的业务流量骤增,即使将该节点加入业务过载节点队列,因业务流量骤增带来的过大的瞬时负载也不可避免地会影响到该节点,对节点的能力造成影响。因此,这种方法依然未能解决由于业务流量骤增,导致的负载瞬时值过大,进而使业务受到影响的问题。
为此,本申请首先提供了一种虚拟机调度方法,通过该方法可以克服以上缺陷,能够在业务流量骤增到来前预先对虚拟机进行节点间的迁移,从而熨平虚拟机资源池的负载曲线,实现了节点间的负载均衡,使虚拟机在节点间的分配更加均匀,避免了节点的整体负载过大对虚拟机的服务能力和质量的影响,提高了用户体验。
图1是根据一示例性实施例示出的可以实现本申请实施例方案的系统架构框图。图1所示实施例具体应用于云网资源池中。如图1所示,该系统包括监测模块、筛选模块、多虚机预调度模块、预调度虚拟机迁移目标节点选择模块和云管平台,云管平台包括虚拟机热迁移模块。该系统用于对云网资源池中主机群上的虚拟机进行调度。云网资源池的主机群包括多个主机,主机即为节点、服务器。每个主机上可以设置一个或多个虚拟机(VM,Virtual Machine),一个或多个主机上的虚拟机可以对外提供网元功能。监测模块用于周期性地对云网资源池中的虚拟机和服务器进行监测,得到各个采集周期内虚拟机和服务器的CPU使用率、网络使用率、内存使用率等负载指标数据,并可以根据负载指标数据生成负载-时间关系曲线图;筛选模块用于对负载-时间关系曲线图进行分析,确定采集周期内的负载高峰时段T,并根据负载高峰时段T内的负载指标数据,确定出高负载虚拟机,并进一步根据在当前时刻之前的目标时段内采集到的各高负载虚拟机的负载数据各高负载虚拟机的资源依赖度,进而根据各高负载虚拟机的资源依赖度在各高负载虚拟机中选出目标虚拟机,并将目标虚拟机加入所在主机的待调度虚拟机队列中;多虚机预调度模块用于根据基于敏感类型虚拟机调度代价的目标节点选择算法选出与待调度虚拟机队列中目标虚拟机的敏感类型匹配的主机作为与目标虚拟机对应的目标节点,并将目标节点加入至预调度目标节点列表中;预调度虚拟机迁移目标节点选择模块用于对预调度目标节点列表中的目标节点依次排队,将对目标虚拟机的调度请求发送至云管平台;云管平台在接收到调度请求后,通过虚拟机热迁移模块自动化完成对目标虚拟机的在线迁移操作。
值得一提的是,图1仅为本申请的一个实施例,虽然在图1实施例中,虚拟机调度方法应用于云网资源池中;但在本申请的其他实施例中,虚拟机调度方法还可以应用于各种其他场景。本申请实施例对此不作任何限定,本申请的保护范围也不应因此而受到任何限制。
图2是根据一示例性实施例示出的虚拟机调度方法的流程图,该方法可以由服务器来执行。如图2所示,该方法可以包括以下步骤:
步骤210,根据预定采集周期内采集到的多个虚拟机的负载数据,确定预定采集周期中的负载高峰时段和负载高峰时段的高负载虚拟机。
其中,负载数据包括与多个负载指标分别对应的负载指标数据,虚拟机位于节点上。预定采集周期是位于当前时刻之前的某一时间段。当前时刻之前的预定采集周期可以是当前时刻之前的24小时。例如,当前时刻为1月2日19时,当前时刻之前的预定采集周期可以是1月1日19时至1月2日19时。预定采集周期中的负载高峰时段可以是预定采集周期中的任意时段,比如可以是1月1日20时至1月1日22时。负载数据用于衡量虚拟机上资源的使用情况;多个负载指标可以包括网络带宽使用率、内存使用率和CPU使用率。负载数据是在预定采集周期内定期采集得到的,比如可以是每个一个小时采集到的。
表1
请参见表1所示,在预定采集周期中的三个时刻T1、T2和T3分别为虚拟机1和虚拟机2的采集了每一负载指标对应的负载指标数据。
负载高峰时段是预定采集周期内负载较高的时段。可以通过多种方式基于采集到的负载数据来确定负载高峰时段。
在本申请的一个实施例中,确定预定采集周期中的负载高峰时段,包括:根据在当前时刻之前的预定采集周期内的多个时刻采集到的多个虚拟机的负载数据,生成负载与时间的关系曲线;根据负载与时间的关系曲线,确定预定采集周期中的负载高峰时段。
负载与时间的关系曲线可以包括与各个负载指标对应的曲线,通过对这些曲线进行分析,可以得到预定采集周期中的负载高峰时段;具体地,可以根据曲线的斜率变化情况来确定载高峰时段。在每个曲线中,横坐标为负载指标数据的采集时刻,纵坐标为在该采集时刻采集到的各虚拟机的负载指标数据的平均值。
在本申请的其他实施例中,还可以通过将负载指标数据的平均值与设定的经验阈值进行比较来确定出负载高峰时段。
在本申请的一个实施例中,高负载虚拟机在负载高峰时段内的各个时刻的与目标负载指标对应的负载指标数据的平均值大于其他虚拟机在负载高峰时段内的各个时刻的与目标负载指标对应的负载指标数据的平均值。
具体地,对每个虚拟机的每一负载指标,确定负载高峰时段内的各个时刻的与该负载指标对应的负载指标数据的平均值;然后,针对每一负载指标,对各虚拟机按照与该负载指标对应的负载指标数据的平均值从大到小进行排序,将排在前面的预定数目个虚拟机作为该负载指标对应的高负载虚拟机。例如,可以针对每个负载指标确定出三个高负载虚拟机。
步骤220,根据在当前时刻之前的目标时段内采集到的各高负载虚拟机的负载数据,确定各高负载虚拟机的敏感类型。
其中,敏感类型为敏感类型负载指标,高负载虚拟机的与敏感类型负载指标对应的负载指标数据在目标时段内的变化率大于与其他负载指标对应的负载指标数据在目标时段内的变化率。
目标时段可以是预定采集周期中的时段,目标时段的时长既可以与负载高峰时段的时长相同,也可以与负载高峰时段的时长不同。目标时段中可以包括多个时刻,在每一时刻都可以采集到相应的负载数据。
例如,当前时刻为1月2日19时,当前时刻之前的目标时段可以是1月2日18时至1月2日19时。
与负载指标对应的负载指标数据在目标时段内的变化率是指在目标时段的各个时刻采集到的与负载指标对应的负载指标数据中,最大值相对于最小值增加的百分比。因此,可以为高负载虚拟机的每个负载指标确定出相应的变化率,进而为每个高负载虚拟机确定出变化率最大的负载指标作为敏感类型负载指标。例如,一个高负载虚拟机的敏感类型负载指标可以是CPU使用率。
步骤230,根据目标时段内各高负载虚拟机的敏感类型,在各高负载虚拟机中选出目标虚拟机。
具体地,根据目标时段内各高负载虚拟机的与敏感类型负载指标对应的负载指标数据和各高负载虚拟机所在节点的与敏感类型负载指标对应的负载指标数据,在各高负载虚拟机中选出目标虚拟机。
图3是根据一示例性实施例示出的在各高负载虚拟机中选出目标虚拟机的流程图。如图3所示,具体可以包括以下步骤:
步骤310,根据目标时段内各高负载虚拟机的与敏感类型负载指标对应的负载指标数据和各高负载虚拟机所在节点的与敏感类型负载指标对应的负载指标数据,确定各高负载虚拟机的资源依赖度。
资源依赖度用于衡量对敏感类型负载指标对应的资源的需求迫切程度。
具体地,可以通过如下公式为高负载虚拟机计算资源依赖度:
其中,type为敏感类型负载指标,Vtypei为虚拟机在i时刻的与敏感类型负载指标对应的负载指标数据,Ntypei为虚拟机所在节点在i时刻的与敏感类型负载指标对应的负载指标数据,n为目标时段内的n个时刻。
步骤320,根据各高负载虚拟机的资源依赖度确定与各高负载虚拟机对应的虚拟机评价值。
其中,虚拟机评价值与资源依赖度负相关。
步骤330,根据各高负载虚拟机的虚拟机评价值,在各高负载虚拟机中选出目标虚拟机。
其中,目标虚拟机的虚拟机评价值小于其他高负载虚拟机的虚拟机评价值。
通过选出虚拟机评价值较小的高负载虚拟机作为目标虚拟机,由于虚拟机评价值与资源依赖度负相关,因此,可以使得选出的目标虚拟机的资源依赖度较高,说明目标虚拟机更需要相应的资源,因此,最终选出的目标虚拟机更适合迁移至其他节点。
图4是根据一示例性实施例示出的图3中步骤320的细节的流程图。如图4所示,多个负载指标包括网络带宽使用率和内存使用率,步骤320具体可以包括以下步骤:
步骤321,根据各高负载虚拟机所使用的内存与各高负载虚拟机所在节点的可用内存和可用带宽,确定各高负载虚拟机的调度可靠度。
通过对虚拟机和节点进行监测,可以得到各高负载虚拟机所使用的内存与各高负载虚拟机所在节点的可用内存和可用带宽。
具体地,可以利用如下公式确定各高负载虚拟机的调度可靠度:
其中,Urb为调度可靠度,Vramj为虚拟机j已经使用的内存,Ri为节点i的可用内存,Bi为节点i的可用带宽,虚拟机j位于节点i上。
调度可靠度用来选出已经使用的内存与所在节点的可用内存差别较小的虚拟机。
步骤322,针对每一高负载虚拟机,根据目标时段内高负载虚拟机的与各负载指标对应的负载指标数据的平均值,确定高负载虚拟机的负载贡献度。
具体地,可以利用如下公式确定各高负载虚拟机的负载贡献度:
Lc=V·K=k1×vcpu+k2×vram+k3×vband,
其中,Lc为负载贡献度,K为权值向量,V为负载指标数据的平均值向量,k1、k2和k3为权值,vcpu为目标时段内CPU使用率的平均值,vram为目标时段内内存使用率的平均值,vband为目标时段内网络带宽使用率的平均值。
步骤323,根据各高负载虚拟机的资源依赖度、调度可靠度和负载贡献度确定与各高负载虚拟机对应的虚拟机评价值。
其中,调度可靠度和负载贡献度与虚拟机评价值的大小正相关。
具体地,可以利用如下公式确定各高负载虚拟机的虚拟机评价值:
其中,Urb为调度可靠度,Lc为负载贡献度,Rtype为资源依赖度,S为虚拟机评价值。
本申请实施例通过根据资源依赖度、调度可靠度和负载贡献度这三种数据来确定虚拟机评价值,使得虚拟机评价值能够更加客观地反映虚拟机是否适合调度,进而可以更准确地进行虚拟机调度。
步骤240,根据节点的负载指标数据从节点集群中的节点中选出待选节点。
节点集群中可以包括除了目标虚拟机所在节点之外的多个节点。本申请实施例还对节点集群进行监控,得到节点的负载指标数据。节点和虚拟机类似,也具有与每一负载指标对应的负载指标数据。可以将选出的待选节点加入至待选节点列表中。
在本申请的一个实施例中,根据节点的负载指标数据从节点集群中的节点中选出待选节点,包括:根据节点的负载指标数据确定出各节点集群中节点的敏感类型负载指标,并从节点集群中确定出敏感类型负载指标与目标虚拟机的敏感类型负载指标一致的节点,作为候选节点;对各候选节点按照敏感类型负载指标对应的负载指标数据的平均值从大到小进行排序,选择排在前预定数目的候选节点,作为目标候选节点;根据目标候选节点的与敏感类型负载指标对应的负载指标数据确定目标候选节点的资源依赖度,并对各目标候选节点按照资源依赖度从小到大进行排序;选择排在前预定数目的目标候选节点,作为待选节点。
资源依赖度可以根据上述实施例中为虚拟机计算资源依赖度的公式进行计算,只需将该公式中虚拟机在i时刻的与敏感类型负载指标对应的负载指标数据替换为目标候选节点在i时刻的与敏感类型负载指标对应的负载指标数据即可。
本申请实施例通过先确定与目标虚拟机的敏感类型负载指标一致的节点,再按照敏感类型负载指标对应的负载指标数据的平均值对节点进行初步筛选,然后再根据资源依赖度进行进一步筛选,保证了选出的待选节点的准确性。
步骤250,根据目标虚拟机与各待选节点的敏感类型匹配度以及所述目标虚拟机迁移至各待选节点的调度代价,确定出目的节点,并将所述目标虚拟机迁移至所述目的节点。
其中,指定虚拟机为正在迁移至相应待选节点的虚拟机。
在本申请的一个实施例中,根据目标虚拟机与各待选节点的敏感类型匹配度以及所述目标虚拟机迁移至各待选节点的调度代价,确定出目的节点,包括:
根据指定虚拟机的与敏感类型负载指标对应的资源需求量和各待选节点的与敏感类型负载指标对应的剩余资源量确定各待选节点与目标虚拟机的匹配度,并根据将目标虚拟机迁移至各待选节点的通信时目标虚拟机与目标虚拟机所在的源节点上剩余虚拟机之间的通信距离和通信量,确定各待选节点对应的调度代价;
根据匹配度和调度代价在各待选节点中确定出目的节点。
在确定匹配度之前,需要先获取指定虚拟机的与敏感类型负载指标对应的资源需求量和各待选节点的与敏感类型负载指标对应的剩余资源量。待选节点的与敏感类型负载指标对应的剩余资源量,比如可以是待选节点的可用内存。指定虚拟机的资源需求量可以通过将指定虚拟机的剩余资源量与一个经验权值相乘得到。
具体地,可以利用如下公式确定待选节点与目标虚拟机的匹配度:
其中,M为待选节点与目标虚拟机的匹配度,m表示当前有m个虚拟机正在迁移到该待选节点上,Ldi为指定虚拟机的与敏感类型负载指标对应的剩余资源量,Lci为第i个指定虚拟机的与敏感类型负载指标对应的资源需求量,Tbest为设定的节点承载虚拟机迁移的最大数目。
调度代价反映了迁移虚拟机时的通信能力的损失值。可以利用如下公式确定待选节点对应的调度代价:
其中,Nitarget为将待选节点选为目标虚拟机Vi的目的节点,Njsrc为目标虚拟机Vi所在的源节点,C(Vi,Nj)为调度代价,D(Nitarget,Njsrc)·为将目标虚拟机Vi迁移至各待选节点的通信时目标虚拟机Vi与目标虚拟机Vi所在的源节点上剩余虚拟机之间的通信距离,f(Vi,Nj)为目标虚拟机Vi迁移至各待选节点的通信时目标虚拟机Vi与目标虚拟机Vi所在的源节点上剩余虚拟机之间的通信量。
可以通过调用接口方式向管理平台发送迁移请求,管理平台能够根据迁移请求自动完成虚拟机的迁移。
在本申请的一个实施例中,根据匹配度和调度代价在各待选节点中确定出目的节点,包括:在匹配度大于预定匹配度阈值的待选节点中确定出调度代价最小的待选节点作为目的节点。
在本申请的其他实施例中,还可以通过其他方式来根据匹配度和调度代价确定目的节点,比如可以通过公式根据匹配度和调度代价计算出一个结果,并根据结果与相应的阈值进行比较来确定出目的节点。
图5是根据一示例性实施例示出的将目标虚拟机迁移至目的节点的流程图。如图5所示,具体可以包括以下步骤:
步骤510,根据目标虚拟机所在的源节点与目标虚拟机的目标敏感类型负载指标对应的第一负载指标数据和目的节点的与目标敏感类型负载指标对应的第二负载指标数据,确定迁移时间。
在本申请的一个实施例中,当第一负载指标数据和第二负载指标数据均超过预定负载指标阈值时,迁移时间为T1;当第一负载指标数据超过预定负载指标阈值且第二负载指标数据未超过预定负载指标阈值时,迁移时间为T2;当第一负载指标数据和第二负载指标数据均未超过预定负载指标阈值时,迁移时间为T3;其中,T1<T2<T3。
具体地,预定负载指标阈值可以为A,T1=T-2X,T2=T-X,T3=T,其中,T为下一个负载高峰时段的开始时刻,A由专家根据经验设置,X为根据过往经验设置的虚拟机调度时间偏差。
步骤520,响应于当前时间达到迁移时间,将目标虚拟机迁移至目的节点。
本申请实施例中,通过根据过往经验设置虚拟机的迁移时间,目标虚拟机和目的节点的负载指标数据越大,虚拟机的迁移时间越靠前,因此,可以降低虚拟机调度失败出现的概率,提升虚拟机调度的可靠性。
在本申请的一个实施例中,该方法还包括:如果根据在当前时刻之前的指定时段内的多个时刻采集到的各节点的负载数据确定节点集合的整体负载指标数据低于预定阈值,则将至少一个虚拟机从一个节点迁移至另一节点,以使至少一个节点空载运行,并将空载运行的节点关闭。
本申请实施例通过在节点集合的整体负载指标数据较低时,将虚拟机集中到少数节点上,并将空载运行的节点关闭,可以提高节点资源的利用率。
下面,基于图6进一步介绍本申请实施例的方案。图6是根据一示例性实施例示出的虚拟机调度方法的整体流程图。如图6所示,包括以下流程:
1、在通过对虚拟机、主机进行负载监测,得到负载指标数据之后,根据监测到的虚拟机的负载指标数据生成虚拟机过往负载曲线图。
2、通过对虚拟机过往负载曲线图进行分析,确定峰值时段和峰值时段内的高负载虚拟机,并在高负载虚拟机中确定出目标虚拟机,然后将目标虚拟机加入待调度虚拟机队列。
3、按照敏感类型虚拟机调度选择算法,确定预调度目标节点,并将预调度目标节点加入至预调度目标节点列表,敏感类型虚拟机调度选择算法即本申请上述实施例中确定目的节点的方式。
4、预调度虚拟机迁移目标节点选择模块从预调度目标节点列表取出目标节点。
5、预调度虚拟机迁移目标节点选择模块通过按顺序调用云管平台的API对虚拟机热迁移控制模块进行调用,以完成虚拟机的在线迁移,迁移完成后,持续监控业务虚拟机。
综上所述,本申请实施例提出了一种虚拟机调度方案,可以应用于云网系统中,从云网系统整体上进行考量,根据过往曲线,确定峰谷值,并确定高负载的目标虚拟机,在下一个峰值来临之前提前对目标虚拟机进行调度,实现云网系统的削峰填谷,可以熨平云网资源池负载曲线;通过选择敏感类型负载指标与目标虚拟机相同且资源依赖度低的节点作为待选节点,并根据虚拟机与目的节点的资源匹配度与迁移代价确定目标节点,解决了云资源池内节点间的负载不均衡的问题,实现对高负载节点与低负载节点的虚拟机动态调整,从而优化节点资源配置并改善云网系统负载均衡;此外,通过根据源节点的第一负载指标数据和目的节点的第二负载指标数据来确定迁移时间,还可以降低调度失败的几率。
根据本申请的第二方面,本申请还提供了一种虚拟机调度装置。以下是本申请的装置实施例。
图7是根据一示例性实施例示出的一种虚拟机调度装置的框图。如图7所示,虚拟机调度装置700包括:
时段和虚拟机确定模块710,用于根据预定采集周期内采集到的多个虚拟机的负载数据,确定所述预定采集周期中的负载高峰时段和所述负载高峰时段的高负载虚拟机;
确定模块720,用于根据在当前时刻之前的目标时段内采集到的各高负载虚拟机的负载数据,确定各高负载虚拟机的敏感类型;
目标虚拟机选择模块730,用于根据所述目标时段内各高负载虚拟机的敏感类型,在各高负载虚拟机中选出目标虚拟机;
节点选择模块740,用于根据节点的负载指标数据从节点集群中的节点中选出待选节点;
确定和迁移模块750,用于根据目标虚拟机与各待选节点的敏感类型匹配度以及所述目标虚拟机迁移至各待选节点的调度代价,确定出目的节点,并将所述目标虚拟机迁移至所述目的节点。
所属技术领域的技术人员能够理解,本申请的各个方面可以实现为系统、方法或程序产品。因此,本申请的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
图8示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是,图8示出的电子设备的计算机系统800仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示,计算机系统800包括中央处理单元(Central Processing Unit,CPU)801,其可以根据存储在只读存储器(Read-Only Memory,ROM)802中的程序或者从存储部分808加载到随机访问存储器(Random Access Memory,RAM)803中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM 803中,还存储有系统操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(Input/Output,I/O)接口805也连接至总线804。
以下部件连接至I/O接口805:包括键盘、鼠标等的输入部分806;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分807;包括硬盘等的存储部分808;以及包括诸如LAN(Local Area Network,局域网)卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器810上,以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现上述实施例中所述的方法。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (8)
1.一种虚拟机调度方法,其特征在于,所述方法包括:
根据在当前时刻之前的预定采集周期内的多个时刻采集到的多个虚拟机的负载数据,生成负载与时间的关系曲线,所述负载数据包括与多个负载指标分别对应的负载指标数据,所述负载与时间的关系曲线的横坐标为负载指标数据的采集时刻,纵坐标为在该采集时刻采集到的各虚拟机的负载指标数据的平均值;
根据所述负载与时间的关系曲线的斜率变化情况,确定所述预定采集周期中的负载高峰时段;
对每个虚拟机的每一负载指标,确定所述负载高峰时段内的各个时刻的与该负载指标对应的负载指标数据的平均值;
针对每一负载指标,对各虚拟机按照与该负载指标对应的负载指标数据的平均值从大到小进行排序,将排在前面的预定数目个虚拟机作为该负载指标对应的高负载虚拟机;
根据在当前时刻之前的目标时段内采集到的各高负载虚拟机的负载数据,确定各高负载虚拟机的敏感类型,其中,所述敏感类型为敏感类型负载指标,高负载虚拟机的与敏感类型负载指标对应的负载指标数据在目标时段内的变化率大于与其他负载指标对应的负载指标数据在目标时段内的变化率;
根据所述目标时段内各高负载虚拟机的敏感类型,在各高负载虚拟机中选出目标虚拟机;
根据节点的负载指标数据从节点集群中的节点中选出待选节点;
根据目标虚拟机与各待选节点的敏感类型匹配度以及所述目标虚拟机迁移至各待选节点的调度代价,确定出目的节点;
根据所述目标虚拟机所在的源节点与所述目标虚拟机的目标敏感类型负载指标对应的第一负载指标数据和所述目的节点的与所述目标敏感类型负载指标对应的第二负载指标数据,确定迁移时间;其中,当第一负载指标数据和第二负载指标数据均超过预定负载指标阈值时,迁移时间为T1;当第一负载指标数据超过预定负载指标阈值且第二负载指标数据未超过预定负载指标阈值时,迁移时间为T2;当第一负载指标数据和第二负载指标数据均未超过预定负载指标阈值时,迁移时间为T3,T1<T2<T3,所述迁移时间小于或等于下一个负载高峰时段的开始时间;
响应于当前时间达到所述迁移时间,将所述目标虚拟机迁移至所述目的节点。
2.根据权利要求1所述的虚拟机调度方法,其特征在于,所述根据所述目标时段内各高负载虚拟机的敏感类型,在各高负载虚拟机中选出目标虚拟机,包括:
根据所述目标时段内各高负载虚拟机的与所述敏感类型负载指标对应的负载指标数据和各高负载虚拟机所在节点的与所述敏感类型负载指标对应的负载指标数据,确定各高负载虚拟机的资源依赖度,所述资源依赖度用于衡量对所述敏感类型负载指标对应的资源的需求迫切程度;
根据各高负载虚拟机的资源依赖度确定与各高负载虚拟机对应的虚拟机评价值,所述虚拟机评价值与所述资源依赖度负相关;
根据各高负载虚拟机的所述虚拟机评价值,在各高负载虚拟机中选出目标虚拟机,其中,所述目标虚拟机的虚拟机评价值小于其他高负载虚拟机的虚拟机评价值。
3.根据权利要求2所述的虚拟机调度方法,其特征在于,所述多个负载指标包括网络带宽使用率和内存使用率,所述根据各高负载虚拟机的资源依赖度确定与各高负载虚拟机对应的虚拟机评价值,包括:
根据各高负载虚拟机所使用的内存与各高负载虚拟机所在节点的可用内存和可用带宽,确定各高负载虚拟机的调度可靠度;
针对每一高负载虚拟机,根据所述目标时段内所述高负载虚拟机的与各负载指标对应的负载指标数据的平均值,确定所述高负载虚拟机的负载贡献度;
根据各高负载虚拟机的资源依赖度、调度可靠度和负载贡献度确定与各高负载虚拟机对应的虚拟机评价值,其中,所述调度可靠度和所述负载贡献度与所述虚拟机评价值的大小正相关。
4.根据权利要求2所述的虚拟机调度方法,其特征在于,所述方法还包括:
如果根据在当前时刻之前的指定时段内的多个时刻采集到的各节点的负载数据确定节点集合的整体负载指标数据低于预定阈值,则将至少一个虚拟机从一个节点迁移至另一节点,以使至少一个节点空载运行,并将空载运行的节点关闭。
5.根据权利要求2所述的虚拟机调度方法,其特征在于,所述根据目标虚拟机与各待选节点的敏感类型匹配度以及所述目标虚拟机迁移至各待选节点的调度代价,确定出目的节点,包括:
根据指定虚拟机的与敏感类型负载指标对应的资源需求量和各待选节点的与所述敏感类型负载指标对应的剩余资源量确定各待选节点与所述目标虚拟机的匹配度,并根据将所述目标虚拟机迁移至各待选节点的通信时所述目标虚拟机与所述目标虚拟机所在的源节点上剩余虚拟机之间的通信距离和通信量,确定各待选节点对应的调度代价,其中,所述指定虚拟机为正在迁移至相应待选节点的虚拟机;
根据所述匹配度和所述调度代价在各待选节点中确定出目的节点。
6.一种虚拟机调度装置,其特征在于,所述装置包括:
时段和虚拟机确定模块,用于根据在当前时刻之前的预定采集周期内的多个时刻采集到的多个虚拟机的负载数据,生成负载与时间的关系曲线,所述负载数据包括与多个负载指标分别对应的负载指标数据,所述负载与时间的关系曲线的横坐标为负载指标数据的采集时刻,纵坐标为在该采集时刻采集到的各虚拟机的负载指标数据的平均值;根据所述负载与时间的关系曲线的斜率变化情况,确定所述预定采集周期中的负载高峰时段;对每个虚拟机的每一负载指标,确定所述负载高峰时段内的各个时刻的与该负载指标对应的负载指标数据的平均值;针对每一负载指标,对各虚拟机按照与该负载指标对应的负载指标数据的平均值从大到小进行排序,将排在前面的预定数目个虚拟机作为该负载指标对应的高负载虚拟机;
确定模块,用于根据在当前时刻之前的目标时段内采集到的各高负载虚拟机的负载数据,确定各高负载虚拟机的敏感类型,其中,所述敏感类型为敏感类型负载指标,高负载虚拟机的与敏感类型负载指标对应的负载指标数据在目标时段内的变化率大于与其他负载指标对应的负载指标数据在目标时段内的变化率;
目标虚拟机选择模块,用于根据所述目标时段内各高负载虚拟机的敏感类型,在各高负载虚拟机中选出目标虚拟机;
节点选择模块,用于根据节点的负载指标数据从节点集群中的节点中选出待选节点;
确定和迁移模块,用于根据目标虚拟机与各待选节点的敏感类型匹配度以及所述目标虚拟机迁移至各待选节点的调度代价,确定出目的节点;根据所述目标虚拟机所在的源节点与所述目标虚拟机的目标敏感类型负载指标对应的第一负载指标数据和所述目的节点的与所述目标敏感类型负载指标对应的第二负载指标数据,确定迁移时间;其中,当第一负载指标数据和第二负载指标数据均超过预定负载指标阈值时,迁移时间为T1;当第一负载指标数据超过预定负载指标阈值且第二负载指标数据未超过预定负载指标阈值时,迁移时间为T2;当第一负载指标数据和第二负载指标数据均未超过预定负载指标阈值时,迁移时间为T3,T1<T2<T3,所述迁移时间小于或等于下一个负载高峰时段的开始时间;响应于当前时间达到所述迁移时间,将所述目标虚拟机迁移至所述目的节点。
7.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的方法。
8.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210713515.0A CN114968493B (zh) | 2022-06-22 | 2022-06-22 | 虚拟机调度方法、装置、计算机可读介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210713515.0A CN114968493B (zh) | 2022-06-22 | 2022-06-22 | 虚拟机调度方法、装置、计算机可读介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114968493A CN114968493A (zh) | 2022-08-30 |
CN114968493B true CN114968493B (zh) | 2023-12-12 |
Family
ID=82966339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210713515.0A Active CN114968493B (zh) | 2022-06-22 | 2022-06-22 | 虚拟机调度方法、装置、计算机可读介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114968493B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016134542A1 (zh) * | 2015-02-28 | 2016-09-01 | 华为技术有限公司 | 虚拟机的迁移方法、装置及设备 |
WO2018010654A1 (zh) * | 2016-07-12 | 2018-01-18 | 腾讯科技(深圳)有限公司 | 一种虚拟机热迁移的方法、装置及系统 |
CN114265668A (zh) * | 2021-12-28 | 2022-04-01 | 中国电信股份有限公司 | 虚拟机迁移方法及相关产品 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10860385B2 (en) * | 2018-04-30 | 2020-12-08 | Dell Products L.P. | Method and system for allocating and migrating workloads across an information technology environment based on persistent memory availability |
-
2022
- 2022-06-22 CN CN202210713515.0A patent/CN114968493B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016134542A1 (zh) * | 2015-02-28 | 2016-09-01 | 华为技术有限公司 | 虚拟机的迁移方法、装置及设备 |
WO2018010654A1 (zh) * | 2016-07-12 | 2018-01-18 | 腾讯科技(深圳)有限公司 | 一种虚拟机热迁移的方法、装置及系统 |
CN114265668A (zh) * | 2021-12-28 | 2022-04-01 | 中国电信股份有限公司 | 虚拟机迁移方法及相关产品 |
Non-Patent Citations (2)
Title |
---|
基于虚拟机动态迁移的负载均衡策略;王晶等;《计算机系统应用》;第29卷(第5期);第167−174页 * |
基于负载预测的虚拟机动态调度算法研究与实现;王浩 等;《计算机工程与科学》;第38卷(第10期);第1974-1979段 * |
Also Published As
Publication number | Publication date |
---|---|
CN114968493A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10331469B2 (en) | Systems and methods of host-aware resource management involving cluster-based resource pools | |
US20190050046A1 (en) | Reducing Power Consumption in a Server Cluster | |
JP7304887B2 (ja) | 仮想マシンスケジューリング方法および装置 | |
US10069693B1 (en) | Distributed resource allocation | |
US20170109204A1 (en) | Cpu resource management in computer cluster | |
US10783002B1 (en) | Cost determination of a service call | |
US20170012892A1 (en) | Method and device for computing resource scheduling | |
US20220156124A1 (en) | Systems and methods for managing resources in a virtual desktop infrastructure | |
US11949737B1 (en) | Allocation of server resources in remote-access computing environments | |
US20210089350A1 (en) | Virtual computing cluster resource scheduler | |
CN108459905B (zh) | 资源池容量规划方法及服务器 | |
CN111796933B (zh) | 资源调度方法、装置、存储介质和电子设备 | |
US20200236169A1 (en) | Cloud platform or cloud provider selection | |
WO2022262476A1 (en) | Dynamic renewable runtime resource management | |
Mekala et al. | DAWM: Cost-aware asset claim analysis approach on big data analytic computation model for cloud data centre | |
US9594596B2 (en) | Dynamically tuning server placement | |
US11915054B2 (en) | Scheduling jobs on interruptible cloud computing instances | |
US9501321B1 (en) | Weighted service requests throttling | |
CN114968493B (zh) | 虚拟机调度方法、装置、计算机可读介质及电子设备 | |
CN112286623B (zh) | 一种信息处理方法及装置、存储介质 | |
IL301738A (en) | Predictive block storage size allocation for cloud storage | |
CN115952054A (zh) | 一种仿真任务资源管理方法、装置、设备及介质 | |
CN115981852A (zh) | 面向租户的服务器集群资源配额的调整方法、装置及设备 | |
CN110362383B (zh) | 面向季节型非平稳并发量的p-e权衡的vm迁移方法 | |
CN116601604A (zh) | 基于成本和服务级别优化多平台即服务的工作负载的布置 |
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 |