CN115878264A - 一种虚拟机在线迁移方法及装置 - Google Patents
一种虚拟机在线迁移方法及装置 Download PDFInfo
- Publication number
- CN115878264A CN115878264A CN202211581929.9A CN202211581929A CN115878264A CN 115878264 A CN115878264 A CN 115878264A CN 202211581929 A CN202211581929 A CN 202211581929A CN 115878264 A CN115878264 A CN 115878264A
- Authority
- CN
- China
- Prior art keywords
- migration
- virtual machine
- online
- algorithm
- online migration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及计算机领域,提出一种虚拟机在线迁移方法、装置、设备及介质。方法包括:获取源主机、目标主机及待迁移虚拟机的在线迁移特性,构建特征向量;将所述特征向量输入训练好的虚拟机在线迁移预测模型,得到虚拟机在线迁移的预测数据,所述预测数据包括迁移完成时间、传输的数据量、虚拟机停机时间、虚拟机性能下降;根据所述预测数据选择迁移算法;根据选择的迁移算法执行虚拟机在线迁移。本申请中设计了一些用于精确建模目标度量的重要输入参数,并以较小的开销提供这些参数。根据预测的迁移开销及服务等级协议的约束,选择相对最优的迁移策略。在服务器维护、负载均衡、电源管理等应用场景中,提升迁移成功率和迁移效率。
Description
技术领域
本申请涉及数据迁移的技术领域,尤其涉及一种虚拟机在线迁移方法、装置、计算机设备和存储介质。
背景技术
迁移是指将虚拟机从一个主机或存储位置移至另一个主机或存储位置的过程。复制虚拟机是指创建新的虚拟机,并不是迁移形式。冷迁移是对已关闭电源或挂起的虚拟机进行迁移;可以将虚拟机磁盘文件迁移到另一个主机磁盘上,也可以迁移到共享存储上;可以使用冷迁移将虚拟机从一个数据中心移至另一个数据中心。
目前,通过虚拟机在线迁移技术,也可以称为热迁移(Live Migraton)技术,可以将承担基带信号处理的载波从源物理服务器在线迁移到目标物理服务器上,就可以方便地对源物理服务器进行检修或升级等维护操作,或者将其关电以达到节能减排的效果。根据您使用的迁移类型是vMotion(计算资源迁移)还是Storage vMotion(存储资源迁移),可以将已打开电源的虚拟机移至其他主机,或者将其磁盘或文件夹移至其他数据存储,而不破坏虚拟机的可用性。
不同迁移方案各有利弊,如预复制迁移鲁棒性强,但在虚拟机产生内存脏页速率高于可用网络带宽则迁移永远无法收敛;后复制迁移能保证收敛,但容错性差,恢复阶段内存错误会给虚拟机带来性能损失;数据压缩能对内存页压缩减少数据传输量,但需要大量额外计算资源,在主机CPU利用率过高时并不适用;虚拟机CPU节流技术能降低内存脏率,但会显著降低虚拟机工作负载。因此,根据当前主机和虚拟机的一些特性,选择合适的迁移策略是亟待解决的技术问题。
发明内容
本申请提出了一种基于自适应机器学习的模型,该模型能够根据迁移算法和虚拟机内运行的工作负载高精度预测实时迁移的关键特征。基于以上目的,本申请的实施例的一个方面提供了一种虚拟机在线迁移方法,所述方法包括以下步骤:获取源主机、目标主机及待迁移虚拟机的在线迁移特性,构建特征向量;将所述特征向量输入训练好的虚拟机在线迁移预测模型,得到虚拟机在线迁移的预测数据,所述预测数据包括迁移完成时间、传输的数据量、虚拟机停机时间、虚拟机性能下降;根据所述预测数据选择迁移算法;根据选择的迁移算法执行虚拟机在线迁移。
在一些实施例中,所述在线迁移特性包括:源主机的IPS、PTR、CPU.UTIL,目标主机的DST.CPU,虚拟机的VM.Size、PDR。
在一些实施例中,所述虚拟机在线迁移预测模型包括多个基本SVR模型,所述基本SVR模型包括postcopy模型、precopy模型、precopy+cpu throttling模型、precopy+compression模型、precopy+cpu throttling+compression模型,所述基本SVR模型使用Bagging算法进行融合。
在一些实施例中,所述迁移算法为SLA约束算法。
在一些实施例中,所述迁移算法为与SLA约束误差最小的算法。
在一些实施例中,所述迁移算法为完整性约束算法。
在一些实施例中,所述根据选择的迁移算法执行虚拟机在线迁移的过程中,所述源主机及所述目标主机的内存、CPU和网络带宽资源使用率都不超过设定的阈值。
本申请实施例的另一个方面,还提供一种虚拟机在线迁移装置,所述装置包括:包括:数据采集模块,用于获取源主机、目标主机及待迁移虚拟机的在线迁移特性,构建特征向量;迁移预测模块,用于所述特征向量输入训练好的虚拟机在线迁移预测模型,得到虚拟机在线迁移的预测数据,所述预测数据包括迁移完成时间、传输的数据量、虚拟机停机时间、虚拟机性能下降;迁移执行模块,用于根据所述预测数据选择迁移算法,并根据选择的迁移算法执行虚拟机在线迁移。
本申请实施例的另一方面,还提供一种计算机设备,包括至少一个处理器;以及存储器,存储器存储有可在处理器上运行的计算机指令,指令由处理器执行时实现上述任一方法的步骤。
本申请实施例的另一方面,还提供了一种计算机可读存储介质,计算机可读存储介质存储有被处理器执行时实现如上任一方法步骤的计算机程序。
由此可见,本申请提出一种虚拟机在线迁移方法、装置、设备及介质,其中,本申请提出的一种虚拟机在线迁移方法,包括:获取源主机、目标主机及待迁移虚拟机的在线迁移特性,构建特征向量;将所述特征向量输入训练好的虚拟机在线迁移预测模型,得到虚拟机在线迁移的预测数据,所述预测数据包括迁移完成时间、传输的数据量、虚拟机停机时间、虚拟机性能下降;根据所述预测数据选择迁移算法;根据选择的迁移算法执行虚拟机在线迁移。本申请中设计了一些用于精确建模目标度量的重要输入参数,并以较小的开销提供这些参数。根据预测的迁移开销及服务等级协议的约束,选择相对最优的迁移策略。在服务器维护、负载均衡、电源管理等应用场景中,提升迁移成功率和迁移效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的实施例。
图1为本申请一些实施例中的虚拟机在线迁移模型结构图;
图2为本申请一些实施例中的虚拟机在线迁移特性示意图;
图3为本申请一些实施例中的虚拟机在线迁移方法的流程图;
图4为本申请提供的一种虚拟机在线迁移装置的示意图;
图5发明提供的一种计算机设备的实施例的示意图;
图6发明提供的一种计算机可读存储介质的实施例的示意图。
具体实施方式
以下描述了本申请的实施例。然而,应该理解,所公开的实施例仅仅是示例,并且其它实施例可以采取各种替代形式。
此外,需要说明的是,本申请实施例中所有使用术语“包括”、“包含”或其任何其它变形旨在涵盖非排他性的包括,以使包含一系列要素的过程、方法、物品或装置不仅包括那些要素,也可以包括未明确列出的或这些过程、方法、物品或装置所固有的要素。
下面将结合附图说明本申请的一个或多个实施例。
图3为本申请一些实施例中的虚拟机在线迁移方法的流程图。如图3所示,本申请实施例的一种虚拟机在线迁移方法包括以下步骤:
步骤一、收集主机及待迁移虚拟机特性。
首先,分析影响在线迁移性能的的主要因素。显然,影响在虚拟机在线迁移性能的主要因素包括源主机、目的主机、虚拟机的在线迁移特性。图2列出了本申请中用于影响虚拟机在线迁移性能的主要特征,如图2所示,如源主机的IPS(每秒失效的指令数)、PTR(网络带宽)、CPU.UTIL(CPU使用率)等,目标主机的DST.CPU(CPU核心使用率)等,虚拟机的VM.Size(分配内存页面数)、PDR(脏页率)等。需要进一步说明的是,图2中所列的特征仅仅是示例性的,不是影响虚拟机在线迁移的全部特征,还可以有其他特征;也不构成任何应用场景下的必要特征,用于预测的特征可以比图2中所列的特征更少;本领域技术人员可以根据实际情况进一步增加相关特征,或减少特征,或对特征进行下位分解,或对特征进行上位概括合并等。
然后,建立基本SVR模型。图1为本申请一些实施例中的虚拟机在线迁移模型结构图;如图1所示,将上述主要因素构建的特征向量作为支持向量回归SVR的输入,迁移完成时间、传输的数据量、虚拟机停机时间、虚拟机性能下降等作为输出。分别使用如Gauss、Sigmoid、RBF等核函数,二次损失函数、Huber损失函数、线性不敏感损失函数三种损失函数来建立SVR模型,其中主要参数惩罚系数C和不敏感系数P随机选择。
随后,使用Bagging将基本SVR模型进行融合,得到高精度的虚拟机在线迁移预测模型。Bagging算法(Bootstrap aggregating,引导聚集算法),又称装袋算法,是机器学习领域的一种团体学习算法。Bagging算法可与其他分类、回归算法结合,提高其准确率、稳定性的同时,通过降低结果的方差,避免过拟合的发生。Bagging是通过结合几个模型降低泛化误差的技术,通过分别训练几个不同的模型,然后让所有模型表决测试样例的输出。这是机器学习中常规策略的一个例子,被称为模型平均(modelaveraging),采用这种策略的技术被称为集成方法。模型平均(model averaging)奏效的原因是不同的模型通常不会在测试集上产生完全相同的误差。模型平均是一个减少泛化误差的可靠方法。1.给定一个弱学习算法,和一个训练集;2.单个弱学习算法准确率不高;3.将该学习算法使用多次,得出预测函数序列,进行投票;4.最后结果准确率将得到提高.给定一个大小为n的训练集D,Bagging算法从中均匀、有放回地(即使用自助抽样法)选出m个大小为n'的子集Di,作为新的训练集。在这m个训练集上使用分类、回归等算法,则可得到m个模型,再通过取平均值、取多数票等方法,即可得到Bagging的结果。1.Bagging通过降低基分类器的方差,改善了泛化误差。2.其性能依赖于基分类器的稳定性;如果基分类器不稳定,bagging有助于降低训练数据的随机波动导致的误差;如果稳定,则集成分类器的误差主要由基分类器的偏倚引起。3.由于每个样本被选中的概率相同,因此bagging并不侧重于训练数据集中的任何特定实例。
本身中基于Bagging的多模型建模方法的主要思想是将多模型和并联混合模型的思想运用到Bagging集成建模中,即将多个使用不同核函数、损失函数及不同参数的SVR模型一起作为Bagging的子学习机,根据不同参数SVR模型的特点将多个SVR模型进行融合,使其优势得到互补,不足得到克服,进而获得最优的预测数据结果。
将训练数据分成若干个子训练数据集和测试集,再利用这些子训练数据集分别对子学习机进行训练。然后将这些训练好了的子学习机通过一定的方式集成起来,得到最终的虚拟机在线迁移模型。
测试阶段和应用阶段,获取源主机、目的主机、虚拟机的在线迁移特性,与训练阶段获取的信息一致,并根据脏页率、带宽等判断不使用cpu throttling情况下precopy能否收敛,如果不能收敛则不对precopy进行预测。
基于Bagging多模型建模方法的虚拟机在线迁移预测模型中作为子学习机的的SVR模型为N个。这样,在对原始训练数据集按照子学习机进行分类,则生成N个子训练数据集,用来对上述N个子学习机进行训练。最后将这N个子学习融合成起来,便可以得到混合预测模型。
基于Bagging的多SVR融合多种在线迁移方式建模方法的流程图,具体步骤为:
(1)确定训练数据集:SVR模型数据集C={(xi,yi)}N i=1对每个(xi,yi)都有n个输入和1个输出,即x∈Rn,y∈R。
(2)确定作为子学习机的SVR模型个数N。
(3)对每个训练数据集En进行数据归一化处理,得到新的数据集E′n。
(4)用E′n训练对应的子学习机。
(5)用投票法对训练结果进行集成,得到最终的结果。
该方法可以将postcopy、precopy、precopy+cpu throttling、precopy+compression、precopy+cpu throttling+compression等迁移方式下多种模型作为子学习机,在初始化阶段根据模型对训练数据学习的差别确定每个模型作为子学习机的个数,同时,在训练子学习机之前,分别对子训练集进行数据归一化,而不是对整个数据集进行归一化,从而保证了数据集的多样性,也从一定程度上保证了学习机的精度。
取提供的460组数据,随机选取400组用来训练模型,60组数据检验模型。Bagging多模型中参数N=5,即作为子学习机的SVR模型为5个。将得到的软测量模型与单纯使用SVR得到的软测量模型进行比较。
步骤二、使用高精度的虚拟机在线迁移预测模型得到预测数据
虚拟机(virtual machine,简称vm)热迁移技术主要包括precopy和postcopy两种。precopy是一种先进行数据迁移后切换io的方式。在使用precopy方式对虚拟机磁盘(云盘)进行数据迁移过程中,如果用户对云盘执行生成快照操作,由于precopy迁移属于后台运维行为,precopy迁移流程终止,优先响应用户的快照请求。而precopy在迁移完成后再切换io,带来的问题是云盘的写入持续在源集群上,无法做到立即数据分流。并且,precopy往往需要多轮拷贝,使得整个迁移过程耗费时间较长。
将收集的特征输入训练好的模型,分别得到postcopy、precopy、precopy+cputhrottling(cpu节流)、precopy+compression(压缩迁移)、precopy+cpu throttling+compression几种迁移方式(或称算法)的迁移完成时间、传输的数据量、虚拟机停机时间、虚拟机性能下降的预测数据。
步骤三、选择迁移算法。
对几项预测数据设置权重,选择最优的符合SLA(Service-Level Agreement,服务等级协议)约束的算法。SLA是服务的需求者和服务的提供者之间签订的关于服务具体水平的正式协议。基于SLA的资源调度技术是用以满足签署的SLA中指定的服务质量等级而支持资源提供商对资源进行重新配置资源。并且根据SLA的不同,此时基于SLA的调度必须根据其优先级来区分用户的重要度。高优先级用户先于低优先级用户得到服务质量保证,同时在保证高优先级用户的服务质量得到保障的前提下,不过分影响低优先级用户的服务质量。虚拟机放置到物理主机上运行需要满足一定的约束条件,判断虚拟机能不能放置到物理主机上运行要看虚拟机放置到物理主机上后是否满足SLA约束。
如果几种算法的预测数据都不符合SLA约束,则选择与SLA约束误差最小的算法,如完整性约束等。
步骤四、执行迁移。
根据前一步骤中选择的迁移算法如SLA约束算法,执行虚拟在线迁移。其中一种典型的迁移过程如下:
S401.控制节点接收到迁移请求;
s402.判断虚拟机是否迁移完成:若否,则选择一个待迁移的虚拟机vm;
S403.判断当前虚拟机vm运行到已用主机集合used中的物理主机上是否满足SLA约束条件:若满足,则执行步骤S404;
S404.使用选择策略为当前虚拟机vm选择最佳放置主机,执行步骤S405;
若满足,则将堆顶主机作为当前虚拟机vm的最佳放置位置,并将堆顶主机加入到已用主机集合中,调整大顶堆,然后执行步骤S405;
若不满足,则执行失败策略,唤醒一个休眠的物理主机放置当前虚拟机,执行步骤s3;
S405.将当前虚拟机和其放置位置加入到迁移计划Map中,执行步骤s3;
S406.结束放置位置选择,输出迁移计划Map。
为了防止SLA违约,应保证选择的物理主机内存、CPU和网络带宽资源使用率都不超过设定的阈值。过载阈值的设置要考虑到尽量降低物理主机的SLA违约的可能,以保证服务质量。虚拟机迁移到物理主机上如果满足SLA约束,那么就能够使用该物理主机放置虚拟机。算法维持的已用主机集合中可能有多台物理主机能够放置待迁移虚拟机,为了从所有能够放置待迁移虚拟机的物理主机中选择最佳放置位置,本申请综合考虑物理主机的电能消耗、平均资源使用率和资源平衡度设计选择策略:
在所有满足SLA约束条件的物理主机中选择Ej最小的主机放置虚拟机。Ej最小等价于最大,表示该物理主机单位能量能获得最大的资源利用率和最高的资源平衡度,即能量的效率最高。
本申请中设计了一些用于精确建模目标度量的重要输入参数,并以较小的开销提供这些参数。根据预测的迁移开销及服务等级协议的约束,选择相对最优的迁移策略。在服务器维护、负载均衡、电源管理等应用场景中,提升迁移成功率和迁移效率。
基于同样的目的,本申请的实施例的第二个方面,提出了一种虚拟机在线迁移装置。图4的是本申请一些实施例中的一种虚拟机在线迁移装置的实施例的示意图。如图4,本申请一些实施例中的一种虚拟机在线迁移装置包括:
数据采集模块,用于获取源主机、目标主机及待迁移虚拟机的在线迁移特性,构建特征向量;
迁移预测模块,用于所述特征向量输入训练好的虚拟机在线迁移预测模型,得到虚拟机在线迁移的预测数据,所述预测数据包括迁移完成时间、传输的数据量、虚拟机停机时间、虚拟机性能下降;
迁移执行模块,用于根据所述预测数据选择迁移算法,并根据选择的迁移算法执行虚拟机在线迁移。
基于以上目的,本申请实施例的第三个方面,提出了一种计算机设备,图5是本申请一些实施例中的一种计算机设备的实施例的示意图。如图5申请一些实施例中的一种计算机设备的实施例,包括以下模块:至少一个处理器021;以及存储器022,存储器022存储有可在处理器021上运行的计算机指令023,该计算机指令023由处理器021执行时实现如上所述的方法的步骤。
本申请还提供了一种计算机可读存储介质。图6的是本申请一些实施例中的一种计算机可读存储介质的实施例的示意图。如图6,计算机可读存储介质031存储有被处理器执行时执行如上方法的计算机程序032。
最后需要说明的是,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关硬件来完成,设置系统参数的方法的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,程序的存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。上述计算机程序的实施例,可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
此外,根据本申请实施例公开的方法还可以被实现为由处理器执行的计算机程序,该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被处理器执行时,执行本申请实施例公开的方法中限定的上述功能。
此外,上述方法步骤以及系统单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。
本领域技术人员还将明白的是,结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性,已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能,但是这种实现决定不应被解释为导致脱离本申请实施例公开的范围。
在一个或多个示例性设计中,功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现,则可以将功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质,该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的,该计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储设备、磁盘存储设备或其它磁性存储设备,或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外,任何连接都可以适当地称为计算机可读介质。例如,如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(DSL)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件,则上述同轴线缆、光纤线缆、双绞线、D0L或诸如红外线、无线电和微波的无线技术均包括在介质的定义。如这里所使用的,磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘、蓝光盘,其中磁盘通常磁性地再现数据,而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。
以上是本申请公开的示例性实施例,但是应当注意,在不背离权利要求限定的本申请实施例公开的范围的前提下,可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外,尽管本申请实施例公开的元素可以以个体形式描述或要求,但除非明确限制为单数,也可以理解为多个。
应当理解的是,在本文中使用的,除非上下文清楚地支持例外情况,单数形式“一个”旨在也包括复数形式。还应当理解的是,在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本申请实施例公开实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本申请实施例公开的范围(包括权利要求)被限于这些例子;在本申请实施例的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,并存在如上的本申请实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。因此,凡在本申请实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本申请实施例的保护范围之内。
Claims (10)
1.一种虚拟机在线迁移方法,其特征在于,包括:
获取源主机、目标主机及待迁移虚拟机的在线迁移特性,构建特征向量;
将所述特征向量输入训练好的虚拟机在线迁移预测模型,得到虚拟机在线迁移的预测数据,所述预测数据包括迁移完成时间、传输的数据量、虚拟机停机时间、虚拟机性能下降;
根据所述预测数据选择迁移算法;
根据选择的迁移算法执行虚拟机在线迁移。
2.根据权利要求1所述的方法,其特征在于,所述在线迁移特性包括:源主机的I PS、PTR、CPU.UTIL,目标主机的DST.CPU,虚拟机的VM.Size、PDR。
3.根据权利要求1所述的方法,其特征在于,所述虚拟机在线迁移预测模型包括多个基本SVR模型,所述基本SVR模型包括postcopy模型、precopy模型、precopy+cpu throttling模型、precopy+compression模型、precopy+cpu throttling+compression模型,所述基本SVR模型使用Bagging算法进行融合。
4.根据权利要求3所述的方法,其特征在于,所述迁移算法为SLA约束算法。
5.根据权利要求3所述的方法,其特征在于,所述迁移算法为与SLA约束误差最小的算法。
6.根据权利要求5所述的方法,其特征在于,所述迁移算法为完整性约束算法。
7.根据权利要求4所述的方法,其特征在于,所述根据选择的迁移算法执行虚拟机在线迁移的过程中,所述源主机及所述目标主机的内存、CPU和网络带宽资源使用率都不超过设定的阈值。
8.一种虚拟机在线迁移装置,其特征在于,包括:
数据采集模块,用于获取源主机、目标主机及待迁移虚拟机的在线迁移特性,构建特征向量;
迁移预测模块,用于所述特征向量输入训练好的虚拟机在线迁移预测模型,得到虚拟机在线迁移的预测数据,所述预测数据包括迁移完成时间、传输的数据量、虚拟机停机时间、虚拟机性能下降;
迁移执行模块,用于根据所述预测数据选择迁移算法,并根据选择的迁移算法执行虚拟机在线迁移。
9.一种计算机设备,其特征在于,包括:
至少一个处理器;以及
存储器,所述存储器存储有可在所述处理器上运行的计算机指令,所述指令由所述处理器执行时实现权利要求1-7任意一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211581929.9A CN115878264A (zh) | 2022-12-09 | 2022-12-09 | 一种虚拟机在线迁移方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211581929.9A CN115878264A (zh) | 2022-12-09 | 2022-12-09 | 一种虚拟机在线迁移方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115878264A true CN115878264A (zh) | 2023-03-31 |
Family
ID=85766884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211581929.9A Pending CN115878264A (zh) | 2022-12-09 | 2022-12-09 | 一种虚拟机在线迁移方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115878264A (zh) |
-
2022
- 2022-12-09 CN CN202211581929.9A patent/CN115878264A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2016110234A1 (zh) | 面向云平台应用的服务推荐方法、设备及系统 | |
CN106339386B (zh) | 数据库弹性调度方法以及装置 | |
CN113821332B (zh) | 自动机器学习系统效能调优方法、装置、设备及介质 | |
US20210216351A1 (en) | System and methods for heterogeneous configuration optimization for distributed servers in the cloud | |
JP2018515844A (ja) | データ処理方法及びシステム | |
Hua et al. | Hadoop configuration tuning with ensemble modeling and metaheuristic optimization | |
Kjorveziroski et al. | Kubernetes distributions for the edge: serverless performance evaluation | |
CN113467944B (zh) | 面向复杂软件系统的资源部署装置及方法 | |
Bendechache et al. | Modelling and simulation of ElasticSearch using CloudSim | |
CN112527450B (zh) | 基于不同资源的超融合自适应方法、终端及系统 | |
CN111090401B (zh) | 存储设备性能预测方法及装置 | |
CN112130927A (zh) | 一种可靠性增强的移动边缘计算任务卸载方法 | |
US11934927B2 (en) | Handling system-characteristics drift in machine learning applications | |
CN115878264A (zh) | 一种虚拟机在线迁移方法及装置 | |
US20220291956A1 (en) | Distributed container scheduling method and system based on shared gpus | |
CN105653355A (zh) | Hadoop的配置参数的计算方法及系统 | |
CN115858660A (zh) | 一种参数推荐方法、装置以及计算机存储介质 | |
US11715037B2 (en) | Validation of AI models using holdout sets | |
TWI770534B (zh) | 自動機器學習系統效能調優方法、裝置、設備及介質 | |
CN114020446A (zh) | 一种跨多引擎的路由处理方法、装置、设备及存储介质 | |
Wang et al. | Prophet: Fine-grained Load Balancing for Parallel Training of Large-scale MoE Models | |
Xu et al. | Uncertainty-aware workflow migration among edge nodes based on blockchain | |
Yang et al. | Tear up the bubble boom: Lessons learned from a deep learning research and development cluster | |
Chatziprimou et al. | Surrogate-assisted online optimisation of cloud iaas configurations | |
CN114116681B (zh) | 数据迁移方法及装置 |
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 |