CN115878329A - 宿主机资源调度方法、装置、电子设备和存储介质 - Google Patents
宿主机资源调度方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115878329A CN115878329A CN202310052299.4A CN202310052299A CN115878329A CN 115878329 A CN115878329 A CN 115878329A CN 202310052299 A CN202310052299 A CN 202310052299A CN 115878329 A CN115878329 A CN 115878329A
- Authority
- CN
- China
- Prior art keywords
- utilization rate
- host
- resource utilization
- machine
- virtual machine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000015654 memory Effects 0.000 claims description 196
- 238000004364 calculation method Methods 0.000 claims description 38
- 230000001174 ascending effect Effects 0.000 claims description 30
- 238000013508 migration Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 18
- 230000005012 migration Effects 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 16
- 238000012163 sequencing technique Methods 0.000 description 16
- 238000012544 monitoring process Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 8
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000013468 resource allocation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- Debugging And Monitoring (AREA)
Abstract
本发明实施例提供了一种宿主机资源调度方法、装置、电子设备和存储介质,该方法首先获取各个宿主机的当前资源利用率,以及运行在所述宿主机上的虚拟机的当前资源利用率;判断所述宿主机的当前资源利用率是否大于等于最大资源利用率阈值;若所述宿主机的当前资源利用率大于等于最大资源利用率阈值,则根据所述运行在所述宿主机上的虚拟机的当前资源利用率,确定待迁移虚拟机;根据所述各个宿主机的当前资源利用率,确定目标宿主机;将所述待迁移虚拟机迁移至所述目标宿主机,从而可以最大化地利用宿主机资源,使宿主机上资源利用达到平衡,提高用户使用体验。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种宿主机资源调度方法、一种宿主机资源调度装置、一种电子设备和一种计算机可读存储介质。
背景技术
云计算是一种基于互联网的计算方式,它以互联网为中心,将许多计算机资源联合在一起,提供出快速且安全的云计算服务与数据存储服务,以这种方式实现软硬件资源共享。IaaS(Infrastructureas a Service,基础设施服务)是把基础设施作为一种服务通过网络对外提供,并根据用户对资源的实际使用量进行计费的一种服务模式。
在云端提供IaaS层服务的过程中,资源利用及用户体验是重要的一环,如根据当前宿主机的负载情况对运行在该宿主机上的虚拟机进行重调度,当宿主机负载过高时,可以把该宿主机上的部分虚拟机热迁移至负载低的宿主机上运行。然而,采用现有的调度方法进行调度时,宿主机上的资源利用没有达到平衡,容易导致用户使用体验较差。
发明内容
鉴于上述问题,提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种宿主机资源调度方法、一种宿主机资源调度装置、一种电子设备和一种计算机可读存储介质。
为了解决上述问题,本发明实施例公开了一种宿主机资源调度方法,所述方法应用于云平台,所述方法包括:
获取各个宿主机的当前资源利用率,以及运行在所述宿主机上的虚拟机的当前资源利用率;
判断所述宿主机的当前资源利用率是否大于等于最大资源利用率阈值;
若所述宿主机的当前资源利用率大于等于最大资源利用率阈值,则根据所述运行在所述宿主机上的虚拟机的当前资源利用率,确定待迁移虚拟机;
根据所述各个宿主机的当前资源利用率,确定目标宿主机;
将所述待迁移虚拟机迁移至所述目标宿主机。
可选地,所述获取各个宿主机的当前资源利用率,以及运行在所述宿主机上的虚拟机的当前资源利用率,包括:
获取虚拟机管理服务定时上报的每个宿主机的资源利用率,以及运行在所述宿主机上的每个虚拟机的资源利用率;
将每个宿主机的多个资源利用率和每个虚拟机的多个资源利用率,分别按照上报时间先后顺序进行排列,得到所述宿主机的资源利用率时间序列和所述虚拟机的资源利用率时间序列;
根据所述宿主机的资源利用率时间序列和所述虚拟机的资源利用率时间序列,确定各个宿主机的当前资源利用率,以及运行在所述宿主机上的虚拟机的当前资源利用率。
可选地,所述根据所述宿主机的资源利用率时间序列和所述虚拟机的资源利用率时间序列,确定各个宿主机的当前资源利用率,以及运行在所述宿主机上的虚拟机的当前资源利用率,包括:
采用差分整合移动平均自回归模型,分别对所述宿主机的资源利用率时间序列和所述虚拟机的资源利用率时间序列进行分析处理,预测得到各个宿主机的当前资源利用率,以及运行在所述宿主机上的虚拟机的当前资源利用率。
可选地,所述若所述宿主机的当前资源利用率大于等于最大资源利用率阈值,则根据所述运行在所述宿主机上的虚拟机的当前资源利用率,确定待迁移虚拟机,包括:
若所述宿主机的当前资源利用率大于等于最大资源利用率阈值,则根据所述宿主机上的每个虚拟机的当前资源利用率,计算所述每个虚拟机的资源消耗比重;
按照所述每个虚拟机的资源消耗比重,对所述每个虚拟机进行降序排列,顺序选择待迁移虚拟机,并确定所述待迁移虚拟机的类型。
可选地,所述若所述宿主机的当前资源利用率大于等于最大资源利用率阈值,则根据所述宿主机上的每个虚拟机的当前资源利用率,计算所述每个虚拟机的资源消耗比重,包括:
若所述宿主机的内存利用率大于等于最大内存利用率阈值,则计算每个虚拟机对宿主机内存的利用率与对宿主机CPU(Central Processing Unit,中央处理器)的利用率的比值,得到所述每个虚拟机的内存消耗比重。
可选地,所述若所述宿主机的当前资源利用率大于等于最大资源利用率阈值,则根据所述宿主机上的每个虚拟机的当前资源利用率,计算所述每个虚拟机的资源消耗比重,还包括:
若所述宿主机的CPU利用率大于等于最大CPU利用率阈值,则计算每个虚拟机对宿主机CPU的利用率与对宿主机内存的利用率的比值,得到所述每个虚拟机的CPU消耗比重。
可选地,所述若所述宿主机的当前资源利用率大于等于最大资源利用率阈值,则根据所述宿主机上的每个虚拟机的当前资源利用率,计算所述每个虚拟机的资源消耗比重,还包括:
若所述宿主机的内存利用率大于等于最大内存利用率阈值,且所述宿主机的CPU利用率大于等于最大CPU利用率阈值,则计算每个虚拟机对宿主机CPU的利用率与对宿主机内存的利用率的乘积,得到所述每个虚拟机的内存CPU消耗比重。
可选地,所述按照所述每个虚拟机的资源消耗比重,对所述每个虚拟机进行降序排列,顺序选择待迁移虚拟机,并确定所述待迁移虚拟机的类型,包括:
若按照所述每个虚拟机的内存消耗比重,对所述每个虚拟机进行降序排列,顺序选择待迁移虚拟机,则确定所述待迁移虚拟机为内存型;
若按照所述每个虚拟机的CPU消耗比重,对所述每个虚拟机进行降序排列,顺序选择待迁移虚拟机,则确定所述待迁移虚拟机为计算型;
若按照所述每个虚拟机的内存CPU消耗比重,对所述每个虚拟机进行降序排序,根据排序结果选择待迁移虚拟机,则确定所述待迁移虚拟机为计算和内存型。
可选地,所述根据所述各个宿主机的当前资源利用率,确定目标宿主机,包括:
将各个宿主机的资源利用率与最大资源利用率阈值进行比较,筛选出空闲宿主机;所述空闲宿主机为负载空闲的宿主机;
根据所述空闲宿主机的资源利用率以及所述待迁移虚拟机的类型,对所述空闲宿主机进行升序排列,选择排序最前的宿主机作为目标宿主机。
可选地,所述将各个宿主机的资源利用率与最大资源利用率阈值进行比较,筛选出空闲宿主机,包括:
将各个宿主机的内存利用率与最大内存利用率阈值进行比较,以及将各个宿主机的CPU利用率与最大CPU利用率阈值进行比较,筛选出内存空闲宿主机、CPU空闲宿主机和内存CPU空闲宿主机。
可选地,所述根据所述空闲宿主机的资源利用率以及所述待迁移虚拟机的类型,对所述空闲宿主机进行升序排列,选择排序最前的宿主机作为目标宿主机,包括:
若所述待迁移虚拟机的类型为计算型,则根据所述空闲宿主机的CPU利用率,对所述CPU空闲宿主机进行升序排列,选择排序最前的宿主机作为目标宿主机;
若所述待迁移虚拟机的类型为内存型,则根据所述空闲宿主机的内存利用率,对所述内存空闲宿主机进行升序排列,选择排序最前的宿主机作为目标宿主机;
若所述待迁移虚拟机的类型为计算和内存型,则根据所述空闲宿主机的内存利用率与CPU利用率的乘积,对所述内存CPU空闲宿主机进行升序排列,选择排序最前的宿主机作为目标宿主机。
可选地,所述方法还包括:
重新预测各个宿主机的当前资源利用率,以及运行在所述宿主机上的虚拟机的当前资源利用率;
重新根据所述运行在所述宿主机上的虚拟机的当前资源利用率,确定待迁移虚拟机进行迁移,直至所述宿主机的当前资源利用率小于最大资源利用率阈值。
本发明实施例还公开了一种宿主机资源调度装置,所述装置应用于云平台,所述装置包括:
利用率获取模块,用于获取各个宿主机的当前资源利用率,以及运行在所述宿主机上的虚拟机的当前资源利用率;
阈值判断模块,用于判断所述宿主机的当前资源利用率是否大于等于最大资源利用率阈值;
虚拟机确定模块,用于若所述宿主机的当前资源利用率大于等于最大资源利用率阈值,则根据所述运行在所述宿主机上的虚拟机的当前资源利用率,确定待迁移虚拟机;
宿主机确定模块,用于根据所述各个宿主机的当前资源利用率,确定目标宿主机;
迁移模块,用于将所述待迁移虚拟机迁移至所述目标宿主机。
可选地,所述利用率获取模块,包括:
资源利用率获取子模块,用于获取虚拟机管理服务定时上报的每个宿主机的资源利用率,以及运行在所述宿主机上的每个虚拟机的资源利用率;
时间序列子模块,用于将每个宿主机的多个资源利用率和每个虚拟机的多个资源利用率,分别按照上报时间先后顺序进行排列,得到所述宿主机的资源利用率时间序列和所述虚拟机的资源利用率时间序列;
当前利用率确定子模块,用于根据所述宿主机的资源利用率时间序列和所述虚拟机的资源利用率时间序列,确定各个宿主机的当前资源利用率,以及运行在所述宿主机上的虚拟机的当前资源利用率。
可选地,所述当前利用率确定子模块,包括:
预测单元,用于采用差分整合移动平均自回归模型,分别对所述宿主机的资源利用率时间序列和所述虚拟机的资源利用率时间序列进行分析处理,预测得到各个宿主机的当前资源利用率,以及运行在所述宿主机上的虚拟机的当前资源利用率。
可选地,所述虚拟机确定模块,包括:
资源消耗比重计算子模块,用于若所述宿主机的当前资源利用率大于等于最大资源利用率阈值,则根据所述宿主机上的每个虚拟机的当前资源利用率,计算所述每个虚拟机的资源消耗比重;
顺序选择子模块,用于按照所述每个虚拟机的资源消耗比重,对所述每个虚拟机进行降序排列,顺序选择待迁移虚拟机,并确定所述待迁移虚拟机的类型。
可选地,所述资源消耗比重计算子模块,包括:
内存消耗比重计算单元,用于若所述宿主机的内存利用率大于等于最大内存利用率阈值,则计算每个虚拟机对宿主机内存的利用率与对宿主机CPU的利用率的比值,得到所述每个虚拟机的内存消耗比重。
可选地,所述资源消耗比重计算子模块,还包括:
CPU消耗比重计算单元,用于若所述宿主机的CPU利用率大于等于最大CPU利用率阈值,则计算每个虚拟机对宿主机CPU的利用率与对宿主机内存的利用率的比值,得到所述每个虚拟机的CPU消耗比重。
可选地,所述资源消耗比重计算子模块,还包括:
内存CPU消耗比重计算单元,用于若所述宿主机的内存利用率大于等于最大内存利用率阈值,且所述宿主机的CPU利用率大于等于最大CPU利用率阈值,则计算每个虚拟机对宿主机CPU的利用率与对宿主机内存的利用率的乘积,得到所述每个虚拟机的内存CPU消耗比重。
可选地,所述顺序选择子模块,包括:
内存型确定单元,用于若按照所述每个虚拟机的内存消耗比重,对所述每个虚拟机进行降序排列,顺序选择待迁移虚拟机,则确定所述待迁移虚拟机为内存型;
计算型确定单元,用于若按照所述每个虚拟机的CPU消耗比重,对所述每个虚拟机进行降序排列,顺序选择待迁移虚拟机,则确定所述待迁移虚拟机为计算型;
计算和内存型确定单元,用于若按照所述每个虚拟机的内存CPU消耗比重,对所述每个虚拟机进行降序排序,根据排序结果选择待迁移虚拟机,则确定所述待迁移虚拟机为计算和内存型。
可选地,所述宿主机确定模块,包括:
空闲宿主机筛选子模块,用于将各个宿主机的资源利用率与最大资源利用率阈值进行比较,筛选出空闲宿主机;所述空闲宿主机为负载空闲的宿主机;
目标宿主机确定子模块,用于根据所述空闲宿主机的资源利用率以及所述待迁移虚拟机的类型,对所述空闲宿主机进行升序排列,选择排序最前的宿主机作为目标宿主机。
可选地,所述空闲宿主机筛选子模块,包括:
阈值比较筛选单元,用于将各个宿主机的内存利用率与最大内存利用率阈值进行比较,以及将各个宿主机的CPU利用率与最大CPU利用率阈值进行比较,筛选出内存空闲宿主机、CPU空闲宿主机和内存CPU空闲宿主机。
可选地,所述目标宿主机确定子模块,包括:
CPU空闲宿主机排序单元,用于若所述待迁移虚拟机的类型为计算型,则根据所述空闲宿主机的CPU利用率,对所述CPU空闲宿主机进行升序排列,选择排序最前的宿主机作为目标宿主机;
内存空闲宿主机排序单元,用于若所述待迁移虚拟机的类型为内存型,则根据所述空闲宿主机的内存利用率,对所述内存空闲宿主机进行升序排列,选择排序最前的宿主机作为目标宿主机;
内存CPU空闲宿主机排序单元,用于若所述待迁移虚拟机的类型为计算和内存型,则根据所述空闲宿主机的内存利用率与CPU利用率的乘积,对所述内存CPU空闲宿主机进行升序排列,选择排序最前的宿主机作为目标宿主机。
可选地,所述装置还包括:
重新预测模块,用于重新预测各个宿主机的当前资源利用率,以及运行在所述宿主机上的虚拟机的当前资源利用率;
重新迁移模块,用于重新根据所述运行在所述宿主机上的虚拟机的当前资源利用率,确定待迁移虚拟机进行迁移,直至所述宿主机的当前资源利用率小于最大资源利用率阈值。
本发明实施例还公开了一种电子设备,包括:处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的宿主机资源调度方法的步骤。
本发明实施例还公开了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上所述的宿主机资源调度方法的步骤。
本发明实施例包括以下优点:
在本发明实施例中,通过获取各个宿主机的当前资源利用率,以及运行在宿主机上的虚拟机的当前资源利用率;判断宿主机的当前资源利用率是否大于等于最大资源利用率阈值;若宿主机的当前资源利用率大于等于最大资源利用率阈值,则根据运行在宿主机上的虚拟机的当前资源利用率,确定待迁移虚拟机;根据各个宿主机的当前资源利用率,确定目标宿主机;将待迁移虚拟机动态热迁移至目标宿主机,从而可以最大化地利用宿主机资源,使宿主机上资源利用达到平衡,提高用户使用体验。
附图说明
图1是一种对资源池内宿主机CPU、内存利用率的统计示意图;
图2是本发明实施例提供的一种宿主机资源调度方法的步骤流程图;
图3是本发明实施例提供的另一种宿主机资源调度方法的步骤流程图;
图4是本发明实施例提供的一种对资源池内宿主机CPU、内存利用率的统计示意图;
图5是本发明实施例提供的一种动态迁移虚拟机的示意图;
图6是本发明实施例提供的一种宿主机资源调度装置的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。在云端提供IaaS层服务的过程中,可以根据当前宿主机的负载情况对运行在该宿主机上的虚拟机进行重调度,当宿主机负载过高时,可以把该宿主机上的部分虚拟机热迁移至负载低的宿主机上运行。参照图1,示出了一种对资源池内宿主机CPU、内存利用率的统计示意图。可见,部分宿主机CPU、内存利用率较高,大于70%;部分宿主机CPU、内存使用率较低,小于30%。然而,采用现有的调度方法进行调度时,宿主机上的资源没有得到最大化利用,容易导致用户使用体验较差。
本发明实施例的核心构思之一在于,通过获取各个宿主机的当前资源利用率,以及运行在宿主机上的虚拟机的当前资源利用率;判断宿主机的当前资源利用率是否大于等于最大资源利用率阈值;若宿主机的当前资源利用率大于等于最大资源利用率阈值,则根据运行在宿主机上的虚拟机的当前资源利用率,确定待迁移虚拟机;根据各个宿主机的当前资源利用率,确定目标宿主机;将待迁移虚拟机动态热迁移至目标宿主机,从而可以最大化地利用宿主机资源,使宿主机上资源利用达到平衡,提高用户使用体验。
参照图2,示出了本发明实施例提供的一种宿主机资源调度方法的步骤流程图,所述方法应用于云平台,所述方法具体可以包括如下步骤:
步骤201,获取各个宿主机的当前资源利用率,以及运行在所述宿主机上的虚拟机的当前资源利用率。
本发明实施例提供的宿主机资源调度方法可以应用于Issa云平台,Issa云平台可以提供监控服务,监控服务可以获取监控的每个宿主机的当前资源利用率,以及运行在每个宿主机上的多个虚拟机的当前资源利用率。
步骤202,判断所述宿主机的当前资源利用率是否大于等于最大资源利用率阈值。
在本发明实施例中,监控服务收集到监控的宿主机数据后,可以判断宿主机的当前资源利用率是否大于等于最大资源利用率阈值,从而判定宿主机上的虚拟机是否需要迁移。
步骤203,若所述宿主机的当前资源利用率大于等于最大资源利用率阈值,则根据所述运行在所述宿主机上的虚拟机的当前资源利用率,确定待迁移虚拟机。
在本发明实施例中,若某个宿主机的当前资源利用率大于或者等于最大资源利用率阈值,则可以根据运行在该宿主机上的每个虚拟机的当前资源利用率,从该宿主机上的每个虚拟机中确定出待迁移的虚拟机。
步骤204,根据所述各个宿主机的当前资源利用率,确定目标宿主机。
在本发明实施例中,可以根据其他各个宿主机的当前资源利用率,确定出空闲的宿主机,从而确定目标宿主机。
步骤205,将所述待迁移虚拟机迁移至所述目标宿主机。
在确定出空闲的宿主机后,可以将待迁移虚拟机迁移至目标宿主机,从而在负载高的宿主机上动态迁移虚拟机至负载低的宿主机上,有利于平衡各宿主机的资源利用率。
在本发明实施例中,通过获取各个宿主机的当前资源利用率,以及运行在宿主机上的虚拟机的当前资源利用率;判断宿主机的当前资源利用率是否大于等于最大资源利用率阈值;若宿主机的当前资源利用率大于等于最大资源利用率阈值,则根据运行在宿主机上的虚拟机的当前资源利用率,确定待迁移虚拟机;根据各个宿主机的当前资源利用率,确定目标宿主机;将待迁移虚拟机动态热迁移至目标宿主机,从而可以最大化地利用宿主机资源,使宿主机上资源利用达到平衡,提高用户使用体验。
参照图3,示出了本发明实施例提供的另一种宿主机资源调度方法的步骤流程图,所述方法应用于云平台,所述方法具体可以包括如下步骤:
步骤301,获取各个宿主机的当前资源利用率,以及运行在所述宿主机上的虚拟机的当前资源利用率。
在一种可选的实施例中,所述步骤301可以包括以下子步骤S11-S13:
子步骤S11,获取虚拟机管理服务定时上报的每个宿主机的资源利用率,以及运行在所述宿主机上的每个虚拟机的资源利用率。
在实际应用中,用于虚拟机管理服务的计算机nova-computer可以将每个宿主机的资源利用率定时上报给监控服务,将宿主机上的每个虚拟机的资源利用率定时上报给监控服务,监控服务可以接收到nova-computer定时上报的每个宿主机的资源利用率,以及运行在宿主机上的每个虚拟机的资源利用率。
子步骤S12,将每个宿主机的多个资源利用率和每个虚拟机的多个资源利用率,分别按照上报时间先后顺序进行排列,得到所述宿主机的资源利用率时间序列和所述虚拟机的资源利用率时间序列。
监控服务可以将nova-computer定时上报的每个宿主机的资源利用率按照上报时间先后顺序进行排列,得到每个宿主机的资源利用率时间序列;同时,监控服务可以将nova-computer定时上报的宿主机上的每个虚拟机的资源利用率按照上报时间先后顺序进行排列,得到每个虚拟机的资源利用率时间序列。
子步骤S13,根据所述宿主机的资源利用率时间序列和所述虚拟机的资源利用率时间序列,确定各个宿主机的当前资源利用率,以及运行在所述宿主机上的虚拟机的当前资源利用率。
在一种可选的实施例中,所述子步骤S13可以包括:采用差分整合移动平均自回归模型,分别对所述宿主机的资源利用率时间序列和所述虚拟机的资源利用率时间序列进行分析处理,预测得到各个宿主机的当前资源利用率,以及运行在所述宿主机上的虚拟机的当前资源利用率。
为了消除资源利用监控值不稳定的影响,以及消除监控数据的毛刺带来的影响,在本发明实施例中,可以采用ARIMA(p,d,q)模型(AutoregressiveIntegrated MovingAverage mode,差分整合移动平均自回归模型),预测各个宿主机的当前资源利用率,和运行在宿主机上的虚拟机的当前资源利用率。
ARIMA(p,d,q)模型可以对时间序列数据进行分析,从历史数据中学习随时间变化的模式,利用这个规律预测后续未来的数据。具体的,通过采用ARIMA(p,d,q)模型,经过对资源利用率时间序列的获取、资源利用率时间序列的预处理、模型识别、模型定阶、参数估计、模型的验证,可以得出预估的各个宿主机的当前资源利用率,以及运行在该宿主机上的虚拟机的当前资源利用率。
在本发明实施例中,利用ARIMA(p,d,q)模型,可以预估宿主机和虚拟机的CPU、内存的当前值,消除资源利用监控值不稳定的影响,消除毛刺数据,从而更加准确地做出判断。
步骤302,判断所述宿主机的当前资源利用率是否大于等于最大资源利用率阈值。
步骤303,若所述宿主机的当前资源利用率大于等于最大资源利用率阈值,则根据所述宿主机上的每个虚拟机的当前资源利用率,计算所述每个虚拟机的资源消耗比重。
在一种可选的实施例中,所述步骤303可以包括:若所述宿主机的内存利用率大于等于最大内存利用率阈值,则计算每个虚拟机对宿主机内存的利用率与对宿主机CPU的利用率的比值,得到所述每个虚拟机的内存消耗比重。
宿主机的当前资源利用率可以包括宿主机的内存利用率。在本发明实施例中,若宿主机Hj的内存利用率MENj大于等于宿主机的最大内存利用率阈值MENmax,则可以计算每个虚拟机对宿主机内存的利用率Ri men与对宿主机CPU的利用率Ri cpu的比值Ri men/Ri cpu,得到每个虚拟机的内存消耗比重weightmen。
在一种可选的实施例中,所述步骤303还可以包括:若所述宿主机的CPU利用率大于等于最大CPU利用率阈值,则计算每个虚拟机对宿主机CPU的利用率与对宿主机内存的利用率的比值,得到所述每个虚拟机的CPU消耗比重。
宿主机的当前资源利用率可以包括宿主机的CPU利用率。在本发明实施例中,若宿主机Hj的CPU利用率CPUj大于等于最大CPU利用率阈值CPUmax,则可以计算每个虚拟机对宿主机CPU的利用率Ri cpu与对宿主机内存的利用率Ri men的比值Ri cpu/Ri men,得到每个虚拟机的CPU消耗比重weightcpu。
在一种可选的实施例中,所述步骤303还可以包括:若所述宿主机的内存利用率大于等于最大内存利用率阈值,且所述宿主机的CPU利用率大于等于最大CPU利用率阈值,则计算每个虚拟机对宿主机CPU的利用率与对宿主机内存的利用率的乘积,得到所述每个虚拟机的内存CPU消耗比重。
在本发明实施例中,若宿主机Hj的内存利用率MENj大于等于最大内存利用率阈值MENmax,且宿主机Hj的CPU利用率CPUj大于等于最大CPU利用率阈值CPUmax,则可以计算每个虚拟机对宿主机CPU的利用率Ri cpu与对宿主机内存的利用率Ri men的乘积Ri cpu×Ri men,得到每个虚拟机的内存CPU消耗比重weightmc。
步骤304,按照所述每个虚拟机的资源消耗比重,对所述每个虚拟机进行降序排列,顺序选择待迁移虚拟机,并确定所述待迁移虚拟机的类型。
在一种可选的实施例中,所述步骤304可以包括:若按照所述每个虚拟机的内存消耗比重,对所述每个虚拟机进行降序排列,顺序选择待迁移虚拟机,则确定所述待迁移虚拟机为内存型;若按照所述每个虚拟机的CPU消耗比重,对所述每个虚拟机进行降序排列,顺序选择待迁移虚拟机,则确定所述待迁移虚拟机为计算型;若按照所述每个虚拟机的内存CPU消耗比重,对所述每个虚拟机进行降序排序,根据排序结果选择待迁移虚拟机,则确定所述待迁移虚拟机为计算和内存型。
具体的,当宿主机Hj的内存利用率MENj大于等于宿主机的最大内存利用率阈值MENmax时,可以通过内存消耗比重weightmen对该宿主机上的所有虚拟机进行降序排列,顺序选择虚拟机进行迁移,并确定待迁移虚拟机对应的type为内存型,从而尽量迁移内存消耗型虚拟机;当宿主机Hj的CPU利用率CPUj大于等于最大CPU利用率阈值CPUmax时,可以通过CPU消耗比重weightcpu对该宿主机上的所有虚拟机进行降序排列,顺序选择虚拟机进行迁移,并确定待迁移虚拟机对应的type为计算型,从而尽量迁移计算型虚拟机;当宿主机Hj的内存利用率MENj大于等于宿主机的最大内存利用率阈值MENmax且宿主机Hj的CPU利用率CPUj大于等于最大CPU利用率阈值CPUmax时,可以通过内存CPU消耗比重weightmc对该宿主机上的所有虚拟机进行降序排列,顺序选择虚拟机进行迁移,并确定待迁移虚拟机对应的type为计算和内存型,从而尽量迁移内存和CPU负载较高的虚拟机。
步骤305,根据所述各个宿主机的当前资源利用率,确定目标宿主机。
在一种可选的实施例中,所述步骤305可以包括以下子步骤S21-S22:
子步骤S21,将各个宿主机的资源利用率与最大资源利用率阈值进行比较,筛选出空闲宿主机;所述空闲宿主机为负载空闲的宿主机。
在一种可选的实施例中,所述子步骤S21可以包括:将各个宿主机的内存利用率与最大内存利用率阈值进行比较,以及将各个宿主机的CPU利用率与最大CPU利用率阈值进行比较,筛选出内存空闲宿主机、CPU空闲宿主机和内存CPU空闲宿主机。
具体的,可以筛选出内存利用率小于最大内存利用率阈值的宿主机,得到内存空闲宿主机集;可以筛选出CPU利用率小于最大CPU利用率阈值的宿主机,得到CPU空闲宿主机集;可以筛选出CPU利用率小于最大CPU利用率阈值,并且内存利用率小于最大内存利用率阈值的宿主机,得到内存CPU空闲宿主机集。
子步骤S22,根据所述空闲宿主机的资源利用率以及所述待迁移虚拟机的类型,对所述空闲宿主机进行升序排列,选择排序最前的宿主机作为目标宿主机。
在一种可选的实施例中,所述子步骤S22可以包括以下子步骤S221-S223:
子步骤S221,若所述待迁移虚拟机的类型为计算型,则根据所述空闲宿主机的CPU利用率,对所述CPU空闲宿主机进行升序排列,选择排序最前的宿主机作为目标宿主机。
子步骤S222,若所述待迁移虚拟机的类型为内存型,则根据所述空闲宿主机的内存利用率,对所述内存空闲宿主机进行升序排列,选择排序最前的宿主机作为目标宿主机。
子步骤S223,若所述待迁移虚拟机的类型为计算和内存型,则根据所述空闲宿主机的内存利用率与CPU利用率的乘积,对所述内存CPU空闲宿主机进行升序排列,选择排序最前的宿主机作为目标宿主机。
在本发明实施例中,若待迁移虚拟机的类型为计算型,则可以根据空闲宿主机的CPU利用率,对CPU空闲宿主机进行升序排列,选择排序最前的宿主机,即CPU利用率最小的宿主机作为目标宿主机;若待迁移虚拟机的类型为内存型,则可以根据空闲宿主机的内存利用率,对内存空闲宿主机进行升序排列,选择排序最前的宿主机,即内存利用率最小的宿主机作为目标宿主机;若待迁移虚拟机的类型为计算和内存型,则可以根据空闲宿主机的内存利用率与CPU利用率的乘积,对内存CPU空闲宿主机进行升序排列,选择排序最前的宿主机,即内存利用率与CPU利用率的乘积最小的宿主机作为目标宿主机。
步骤306,将所述待迁移虚拟机迁移至所述目标宿主机。
在一种可选的实施例中,所述方法还可以包括:重新预测各个宿主机的当前资源利用率,以及运行在所述宿主机上的虚拟机的当前资源利用率;重新根据所述运行在所述宿主机上的虚拟机的当前资源利用率,确定待迁移虚拟机进行迁移,直至所述宿主机的当前资源利用率小于最大资源利用率阈值。
在本发明实施例中,通过不断对待迁移虚拟机进行迁移直至宿主机的当前资源利用率小于最大资源利用率阈值,可以降低宿主机CPU、内存的利用率,从而实现动态迁移,使整个系统资源得以充分利用及提高用户体验。
具体的,当宿主机Hj的内存利用率MENj大于等于MENmax时,可以通过weightmen对该宿主机上的所有虚拟机进行降序排列,顺序选择虚拟机进行迁移,直至重新计算的宿主机的内存利用率Rj men<迁移阈值Rmax;当宿主机Hj的CPU利用率CPUj大于等于CPUmax时,可以通过weightcpu对该宿主机上的所有虚拟机进行降序排列,顺序选择虚拟机进行迁移,直至重新计算的宿主机的内存利用率Rj cpu<Rmax;当宿主机Hj的内存利用率MENj大于等于MENmax且宿主机Hj的CPU利用率CPUj大于等于CPUmax时,可以通过weightmc对该宿主机上的所有虚拟机进行降序排列,顺序选择虚拟机进行迁移,直至重新计算的宿主机的内存利用率Rj men<Rmax,且Rj cpu<Rmax。
作为一种示例,下面对目标宿主机的选择加以说明:
目标宿主机选择的伪代码可以如下:
Input: vm, H'={h1,h2,...,hy},type
Output: h
1.Use ARIMA(p,d,q) and get R. R<=Rmax. H'→H''
2.sortAscendingResourceUsage(H'',type) * percent.H''→H'''
3.find min() in H''' as h
4.livemigration(vm)
输入参数:待热迁移的虚拟机,宿主机列表,该虚机的类型(计算型or偏内存型)
输出:最优的目标宿主机
1.根据ARIMA(p,d,q)模型预测当前各宿主机资源的利用率值R(CPU,内存),并由Rmax 做过滤筛选。
2.根据ResourceUsage对H''进行升序排列,其中根据type可定义ResouceUsage,若type为计算型,那么H''根据R(CPU)进行升序排列;若type为内存型,那么H''根据R(内存)进行升序排列,若type 为计算和内存型,那么H''为CPU和内存相对空闲的宿主机集,percent为可配置的百分比。
3.根据第二步选择出的一批宿主机,这批宿主机是CPU或内存较空闲,或CPU和内存都较空闲的,当type为计算型或内存型按照第二步升序排列选择最小的那个宿主机作为h,当type为计算和内存型时,按照MENj*CPUj再次做升序排列后选择最小的那个宿主机作为h。
参照图4,示出了本发明实施例提供的一种对资源池内宿主机CPU、内存利用率的统计示意图。可见,通过模拟用户对虚拟机的加压操作,采用本发明实施例的宿主机资源调度方法,运行一段时间后宿主机CPU、内存利用率小于设定的阈值,且各宿主机内存、CPU趋于平衡态。
在本发明实施例中,通过获取各个宿主机的当前资源利用率,以及运行在宿主机上的虚拟机的当前资源利用率;判断宿主机的当前资源利用率是否大于等于最大资源利用率阈值;若宿主机的当前资源利用率大于等于最大资源利用率阈值,则根据运行在宿主机上的虚拟机的当前资源利用率,确定待迁移虚拟机;根据各个宿主机的当前资源利用率,确定目标宿主机;将待迁移虚拟机动态热迁移至目标宿主机,从而可以最大化地利用宿主机资源,使宿主机上资源利用达到平衡,提高用户使用体验。
为了使本领域技术人员更好地理解本发明实施例,下面通过一个例子加以说明。参照图5,示出了本发明实施例提供的一种动态迁移虚拟机的示意图。
1、计算机将宿主机CPU、内存利用率定时上报给监控服务,将宿主机上的每个虚拟机的CPU、内存利用率定时上报给监控服务。
2、监控服务收集到数据后,根据得到的宿主机数据进行分析,判定宿主机是否达到迁移阈值Rmax。
3、根据第二步得到的数据筛选出的待迁移的虚拟机及目的宿主机,由监控服务向编程接口发送热迁移请求。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
参照图6,示出了本发明实施例提供的一种宿主机资源调度装置的结构框图,所述装置应用于云平台,具体可以包括如下模块:
利用率获取模块601,用于获取各个宿主机的当前资源利用率,以及运行在所述宿主机上的虚拟机的当前资源利用率;
阈值判断模块602,用于判断所述宿主机的当前资源利用率是否大于等于最大资源利用率阈值;
虚拟机确定模块603,用于若所述宿主机的当前资源利用率大于等于最大资源利用率阈值,则根据所述运行在所述宿主机上的虚拟机的当前资源利用率,确定待迁移虚拟机;
宿主机确定模块604,用于根据所述各个宿主机的当前资源利用率,确定目标宿主机;
迁移模块605,用于将所述待迁移虚拟机迁移至所述目标宿主机。
在一种可选的实施例中,所述利用率获取模块,包括:
资源利用率获取子模块,用于获取虚拟机管理服务定时上报的每个宿主机的资源利用率,以及运行在所述宿主机上的每个虚拟机的资源利用率;
时间序列子模块,用于将每个宿主机的多个资源利用率和每个虚拟机的多个资源利用率,分别按照上报时间先后顺序进行排列,得到所述宿主机的资源利用率时间序列和所述虚拟机的资源利用率时间序列;
当前利用率确定子模块,用于根据所述宿主机的资源利用率时间序列和所述虚拟机的资源利用率时间序列,确定各个宿主机的当前资源利用率,以及运行在所述宿主机上的虚拟机的当前资源利用率。
在一种可选的实施例中,所述当前利用率确定子模块,包括:
预测单元,用于采用差分整合移动平均自回归模型,分别对所述宿主机的资源利用率时间序列和所述虚拟机的资源利用率时间序列进行分析处理,预测得到各个宿主机的当前资源利用率,以及运行在所述宿主机上的虚拟机的当前资源利用率。
在一种可选的实施例中,所述虚拟机确定模块,包括:
资源消耗比重计算子模块,用于若所述宿主机的当前资源利用率大于等于最大资源利用率阈值,则根据所述宿主机上的每个虚拟机的当前资源利用率,计算所述每个虚拟机的资源消耗比重;
顺序选择子模块,用于按照所述每个虚拟机的资源消耗比重,对所述每个虚拟机进行降序排列,顺序选择待迁移虚拟机,并确定所述待迁移虚拟机的类型。
在一种可选的实施例中,所述资源消耗比重计算子模块,包括:
内存消耗比重计算单元,用于若所述宿主机的内存利用率大于等于最大内存利用率阈值,则计算每个虚拟机对宿主机内存的利用率与对宿主机CPU的利用率的比值,得到所述每个虚拟机的内存消耗比重。
在一种可选的实施例中,所述资源消耗比重计算子模块,还包括:
CPU消耗比重计算单元,用于若所述宿主机的CPU利用率大于等于最大CPU利用率阈值,则计算每个虚拟机对宿主机CPU的利用率与对宿主机内存的利用率的比值,得到所述每个虚拟机的CPU消耗比重。
在一种可选的实施例中,所述资源消耗比重计算子模块,还包括:
内存CPU消耗比重计算单元,用于若所述宿主机的内存利用率大于等于最大内存利用率阈值,且所述宿主机的CPU利用率大于等于最大CPU利用率阈值,则计算每个虚拟机对宿主机CPU的利用率与对宿主机内存的利用率的乘积,得到所述每个虚拟机的内存CPU消耗比重。
在一种可选的实施例中,所述顺序选择子模块,包括:
内存型确定单元,用于若按照所述每个虚拟机的内存消耗比重,对所述每个虚拟机进行降序排列,顺序选择待迁移虚拟机,则确定所述待迁移虚拟机为内存型;
计算型确定单元,用于若按照所述每个虚拟机的CPU消耗比重,对所述每个虚拟机进行降序排列,顺序选择待迁移虚拟机,则确定所述待迁移虚拟机为计算型;
计算和内存型确定单元,用于若按照所述每个虚拟机的内存CPU消耗比重,对所述每个虚拟机进行降序排序,根据排序结果选择待迁移虚拟机,则确定所述待迁移虚拟机为计算和内存型。
在一种可选的实施例中,所述宿主机确定模块,包括:
空闲宿主机筛选子模块,用于将各个宿主机的资源利用率与最大资源利用率阈值进行比较,筛选出空闲宿主机;所述空闲宿主机为负载空闲的宿主机;
目标宿主机确定子模块,用于根据所述空闲宿主机的资源利用率以及所述待迁移虚拟机的类型,对所述空闲宿主机进行升序排列,选择排序最前的宿主机作为目标宿主机。
在一种可选的实施例中,所述空闲宿主机筛选子模块,包括:
阈值比较筛选单元,用于将各个宿主机的内存利用率与最大内存利用率阈值进行比较,以及将各个宿主机的CPU利用率与最大CPU利用率阈值进行比较,筛选出内存空闲宿主机、CPU空闲宿主机和内存CPU空闲宿主机。
在一种可选的实施例中,所述目标宿主机确定子模块,包括:
CPU空闲宿主机排序单元,用于若所述待迁移虚拟机的类型为计算型,则根据所述空闲宿主机的CPU利用率,对所述CPU空闲宿主机进行升序排列,选择排序最前的宿主机作为目标宿主机;
内存空闲宿主机排序单元,用于若所述待迁移虚拟机的类型为内存型,则根据所述空闲宿主机的内存利用率,对所述内存空闲宿主机进行升序排列,选择排序最前的宿主机作为目标宿主机;
内存CPU空闲宿主机排序单元,用于若所述待迁移虚拟机的类型为计算和内存型,则根据所述空闲宿主机的内存利用率与CPU利用率的乘积,对所述内存CPU空闲宿主机进行升序排列,选择排序最前的宿主机作为目标宿主机。
在一种可选的实施例中,所述装置还包括:
重新预测模块,用于重新预测各个宿主机的当前资源利用率,以及运行在所述宿主机上的虚拟机的当前资源利用率;
重新迁移模块,用于重新根据所述运行在所述宿主机上的虚拟机的当前资源利用率,确定待迁移虚拟机进行迁移,直至所述宿主机的当前资源利用率小于最大资源利用率阈值。
在本发明实施例中,通过获取各个宿主机的当前资源利用率,以及运行在宿主机上的虚拟机的当前资源利用率;判断宿主机的当前资源利用率是否大于等于最大资源利用率阈值;若宿主机的当前资源利用率大于等于最大资源利用率阈值,则根据运行在宿主机上的虚拟机的当前资源利用率,确定待迁移虚拟机;根据各个宿主机的当前资源利用率,确定目标宿主机;将待迁移虚拟机动态热迁移至目标宿主机,从而可以最大化地利用宿主机资源,使宿主机上资源利用达到平衡,提高用户使用体验。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本发明实施例还提供了一种电子设备,包括:
包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,该计算机程序被处理器执行时实现上述宿主机资源调度方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储计算机程序,计算机程序被处理器执行时实现上述宿主机资源调度方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的宿主机资源调度方法、装置、电子设备和存储介质,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (15)
1.一种宿主机资源调度方法,其特征在于,所述方法应用于云平台,所述方法包括:
获取各个宿主机的当前资源利用率,以及运行在所述宿主机上的虚拟机的当前资源利用率;
判断所述宿主机的当前资源利用率是否大于等于最大资源利用率阈值;
若所述宿主机的当前资源利用率大于等于最大资源利用率阈值,则根据所述运行在所述宿主机上的虚拟机的当前资源利用率,确定待迁移虚拟机;
根据所述各个宿主机的当前资源利用率,确定目标宿主机;
将所述待迁移虚拟机迁移至所述目标宿主机。
2.根据权利要求1所述的方法,其特征在于,所述获取各个宿主机的当前资源利用率,以及运行在所述宿主机上的虚拟机的当前资源利用率,包括:
获取虚拟机管理服务定时上报的每个宿主机的资源利用率,以及运行在所述宿主机上的每个虚拟机的资源利用率;
将每个宿主机的多个资源利用率和每个虚拟机的多个资源利用率,分别按照上报时间先后顺序进行排列,得到所述宿主机的资源利用率时间序列和所述虚拟机的资源利用率时间序列;
根据所述宿主机的资源利用率时间序列和所述虚拟机的资源利用率时间序列,确定各个宿主机的当前资源利用率,以及运行在所述宿主机上的虚拟机的当前资源利用率。
3.根据权利要求2所述的方法,其特征在于,所述根据所述宿主机的资源利用率时间序列和所述虚拟机的资源利用率时间序列,确定各个宿主机的当前资源利用率,以及运行在所述宿主机上的虚拟机的当前资源利用率,包括:
采用差分整合移动平均自回归模型,分别对所述宿主机的资源利用率时间序列和所述虚拟机的资源利用率时间序列进行分析处理,预测得到各个宿主机的当前资源利用率,以及运行在所述宿主机上的虚拟机的当前资源利用率。
4.根据权利要求1所述的方法,其特征在于,所述若所述宿主机的当前资源利用率大于等于最大资源利用率阈值,则根据所述运行在所述宿主机上的虚拟机的当前资源利用率,确定待迁移虚拟机,包括:
若所述宿主机的当前资源利用率大于等于最大资源利用率阈值,则根据所述宿主机上的每个虚拟机的当前资源利用率,计算所述每个虚拟机的资源消耗比重;
按照所述每个虚拟机的资源消耗比重,对所述每个虚拟机进行降序排列,顺序选择待迁移虚拟机,并确定所述待迁移虚拟机的类型。
5.根据权利要求4所述的方法,其特征在于,所述若所述宿主机的当前资源利用率大于等于最大资源利用率阈值,则根据所述宿主机上的每个虚拟机的当前资源利用率,计算所述每个虚拟机的资源消耗比重,包括:
若所述宿主机的内存利用率大于等于最大内存利用率阈值,则计算每个虚拟机对宿主机内存的利用率与对宿主机CPU的利用率的比值,得到所述每个虚拟机的内存消耗比重。
6.根据权利要求5所述的方法,其特征在于,所述若所述宿主机的当前资源利用率大于等于最大资源利用率阈值,则根据所述宿主机上的每个虚拟机的当前资源利用率,计算所述每个虚拟机的资源消耗比重,还包括:
若所述宿主机的CPU利用率大于等于最大CPU利用率阈值,则计算每个虚拟机对宿主机CPU的利用率与对宿主机内存的利用率的比值,得到所述每个虚拟机的CPU消耗比重。
7.根据权利要求6所述的方法,其特征在于,所述若所述宿主机的当前资源利用率大于等于最大资源利用率阈值,则根据所述宿主机上的每个虚拟机的当前资源利用率,计算所述每个虚拟机的资源消耗比重,还包括:
若所述宿主机的内存利用率大于等于最大内存利用率阈值,且所述宿主机的CPU利用率大于等于最大CPU利用率阈值,则计算每个虚拟机对宿主机CPU的利用率与对宿主机内存的利用率的乘积,得到所述每个虚拟机的内存CPU消耗比重。
8.根据权利要求7所述的方法,其特征在于,所述按照所述每个虚拟机的资源消耗比重,对所述每个虚拟机进行降序排列,顺序选择待迁移虚拟机,并确定所述待迁移虚拟机的类型,包括:
若按照所述每个虚拟机的内存消耗比重,对所述每个虚拟机进行降序排列,顺序选择待迁移虚拟机,则确定所述待迁移虚拟机为内存型;
若按照所述每个虚拟机的CPU消耗比重,对所述每个虚拟机进行降序排列,顺序选择待迁移虚拟机,则确定所述待迁移虚拟机为计算型;
若按照所述每个虚拟机的内存CPU消耗比重,对所述每个虚拟机进行降序排序,根据排序结果选择待迁移虚拟机,则确定所述待迁移虚拟机为计算和内存型。
9.根据权利要求8所述的方法,其特征在于,所述根据所述各个宿主机的当前资源利用率,确定目标宿主机,包括:
将各个宿主机的资源利用率与最大资源利用率阈值进行比较,筛选出空闲宿主机;所述空闲宿主机为负载空闲的宿主机;
根据所述空闲宿主机的资源利用率以及所述待迁移虚拟机的类型,对所述空闲宿主机进行升序排列,选择排序最前的宿主机作为目标宿主机。
10.根据权利要求9所述的方法,其特征在于,所述将各个宿主机的资源利用率与最大资源利用率阈值进行比较,筛选出空闲宿主机,包括:
将各个宿主机的内存利用率与最大内存利用率阈值进行比较,以及将各个宿主机的CPU利用率与最大CPU利用率阈值进行比较,筛选出内存空闲宿主机、CPU空闲宿主机和内存CPU空闲宿主机。
11.根据权利要求10所述的方法,其特征在于,所述根据所述空闲宿主机的资源利用率以及所述待迁移虚拟机的类型,对所述空闲宿主机进行升序排列,选择排序最前的宿主机作为目标宿主机,包括:
若所述待迁移虚拟机的类型为计算型,则根据所述空闲宿主机的CPU利用率,对所述CPU空闲宿主机进行升序排列,选择排序最前的宿主机作为目标宿主机;
若所述待迁移虚拟机的类型为内存型,则根据所述空闲宿主机的内存利用率,对所述内存空闲宿主机进行升序排列,选择排序最前的宿主机作为目标宿主机;
若所述待迁移虚拟机的类型为计算和内存型,则根据所述空闲宿主机的内存利用率与CPU利用率的乘积,对所述内存CPU空闲宿主机进行升序排列,选择排序最前的宿主机作为目标宿主机。
12.根据权利要求3所述的方法,其特征在于,所述方法还包括:
重新预测各个宿主机的当前资源利用率,以及运行在所述宿主机上的虚拟机的当前资源利用率;
重新根据所述运行在所述宿主机上的虚拟机的当前资源利用率,确定待迁移虚拟机进行迁移,直至所述宿主机的当前资源利用率小于最大资源利用率阈值。
13.一种宿主机资源调度装置,其特征在于,所述装置应用于云平台,所述装置包括:
利用率获取模块,用于获取各个宿主机的当前资源利用率,以及运行在所述宿主机上的虚拟机的当前资源利用率;
阈值判断模块,用于判断所述宿主机的当前资源利用率是否大于等于最大资源利用率阈值;
虚拟机确定模块,用于若所述宿主机的当前资源利用率大于等于最大资源利用率阈值,则根据所述运行在所述宿主机上的虚拟机的当前资源利用率,确定待迁移虚拟机;
宿主机确定模块,用于根据所述各个宿主机的当前资源利用率,确定目标宿主机;
迁移模块,用于将所述待迁移虚拟机迁移至所述目标宿主机。
14.一种电子设备,其特征在于,包括:处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1-12中任一项所述的宿主机资源调度方法的步骤。
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至12中任一项所述的宿主机资源调度方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310052299.4A CN115878329A (zh) | 2023-02-02 | 2023-02-02 | 宿主机资源调度方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310052299.4A CN115878329A (zh) | 2023-02-02 | 2023-02-02 | 宿主机资源调度方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115878329A true CN115878329A (zh) | 2023-03-31 |
Family
ID=85758648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310052299.4A Pending CN115878329A (zh) | 2023-02-02 | 2023-02-02 | 宿主机资源调度方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115878329A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116382855A (zh) * | 2023-05-26 | 2023-07-04 | 工业富联(佛山)创新中心有限公司 | 虚拟机迁移方法、电子设备及计算机存储介质 |
CN116627240A (zh) * | 2023-07-25 | 2023-08-22 | 腾讯科技(深圳)有限公司 | 功耗调节方法、装置、电子设备、存储介质及程序产品 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101593133A (zh) * | 2009-06-29 | 2009-12-02 | 北京航空航天大学 | 虚拟机资源负载均衡方法及装置 |
CN102790793A (zh) * | 2012-05-08 | 2012-11-21 | 北京邮电大学 | 一种面向云计算虚拟机迁移的决策方法及控制模块 |
CN103164283A (zh) * | 2012-05-10 | 2013-06-19 | 上海兆民云计算科技有限公司 | 一种虚拟桌面系统中虚拟化资源动态调度管理方法及系统 |
CN106293871A (zh) * | 2016-07-22 | 2017-01-04 | 浪潮(北京)电子信息产业有限公司 | 一种集群虚拟机的资源调度方法 |
CN106528270A (zh) * | 2016-11-16 | 2017-03-22 | 航天信息股份有限公司 | 一种基于OpenStack云平台的虚拟机自动迁移方法及系统 |
CN106681839A (zh) * | 2016-12-31 | 2017-05-17 | 云宏信息科技股份有限公司 | 弹性计算动态分配方法 |
CN106970831A (zh) * | 2017-05-15 | 2017-07-21 | 金航数码科技有限责任公司 | 一种面向云平台的虚拟机资源动态调度系统及方法 |
CN108563489A (zh) * | 2018-04-02 | 2018-09-21 | 郑州云海信息技术有限公司 | 一种数据中心综合管理系统的虚拟机迁移方法及系统 |
CN110119301A (zh) * | 2018-02-07 | 2019-08-13 | 卓望数码技术(深圳)有限公司 | 一种虚拟机迁移方法及系统 |
CN112181600A (zh) * | 2020-10-21 | 2021-01-05 | 朱领军 | 一种云计算资源管理方法及系统 |
WO2021253851A1 (zh) * | 2020-06-19 | 2021-12-23 | 浪潮电子信息产业股份有限公司 | 一种集群分布式资源调度方法、装置、设备及存储介质 |
CN115033340A (zh) * | 2022-05-16 | 2022-09-09 | 天翼云科技有限公司 | 一种宿主机的选择方法及相关装置 |
-
2023
- 2023-02-02 CN CN202310052299.4A patent/CN115878329A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101593133A (zh) * | 2009-06-29 | 2009-12-02 | 北京航空航天大学 | 虚拟机资源负载均衡方法及装置 |
CN102790793A (zh) * | 2012-05-08 | 2012-11-21 | 北京邮电大学 | 一种面向云计算虚拟机迁移的决策方法及控制模块 |
CN103164283A (zh) * | 2012-05-10 | 2013-06-19 | 上海兆民云计算科技有限公司 | 一种虚拟桌面系统中虚拟化资源动态调度管理方法及系统 |
CN106293871A (zh) * | 2016-07-22 | 2017-01-04 | 浪潮(北京)电子信息产业有限公司 | 一种集群虚拟机的资源调度方法 |
CN106528270A (zh) * | 2016-11-16 | 2017-03-22 | 航天信息股份有限公司 | 一种基于OpenStack云平台的虚拟机自动迁移方法及系统 |
CN106681839A (zh) * | 2016-12-31 | 2017-05-17 | 云宏信息科技股份有限公司 | 弹性计算动态分配方法 |
CN106970831A (zh) * | 2017-05-15 | 2017-07-21 | 金航数码科技有限责任公司 | 一种面向云平台的虚拟机资源动态调度系统及方法 |
CN110119301A (zh) * | 2018-02-07 | 2019-08-13 | 卓望数码技术(深圳)有限公司 | 一种虚拟机迁移方法及系统 |
CN108563489A (zh) * | 2018-04-02 | 2018-09-21 | 郑州云海信息技术有限公司 | 一种数据中心综合管理系统的虚拟机迁移方法及系统 |
WO2021253851A1 (zh) * | 2020-06-19 | 2021-12-23 | 浪潮电子信息产业股份有限公司 | 一种集群分布式资源调度方法、装置、设备及存储介质 |
CN112181600A (zh) * | 2020-10-21 | 2021-01-05 | 朱领军 | 一种云计算资源管理方法及系统 |
CN115033340A (zh) * | 2022-05-16 | 2022-09-09 | 天翼云科技有限公司 | 一种宿主机的选择方法及相关装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116382855A (zh) * | 2023-05-26 | 2023-07-04 | 工业富联(佛山)创新中心有限公司 | 虚拟机迁移方法、电子设备及计算机存储介质 |
CN116382855B (zh) * | 2023-05-26 | 2024-02-20 | 工业富联(佛山)创新中心有限公司 | 虚拟机迁移方法、电子设备及计算机存储介质 |
CN116627240A (zh) * | 2023-07-25 | 2023-08-22 | 腾讯科技(深圳)有限公司 | 功耗调节方法、装置、电子设备、存储介质及程序产品 |
CN116627240B (zh) * | 2023-07-25 | 2024-01-26 | 腾讯科技(深圳)有限公司 | 功耗调节方法、装置、电子设备、存储介质及程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA3106673C (en) | Workflow optimization | |
CN115878329A (zh) | 宿主机资源调度方法、装置、电子设备和存储介质 | |
Beloglazov et al. | Managing overloaded hosts for dynamic consolidation of virtual machines in cloud data centers under quality of service constraints | |
Sedaghat et al. | A virtual machine re-packing approach to the horizontal vs. vertical elasticity trade-off for cloud autoscaling | |
US9268663B1 (en) | Software testing analysis and control | |
JP4756675B2 (ja) | コンピュータ資源のキャパシティを予測するためのシステム、方法およびプログラム | |
US9037880B2 (en) | Method and system for automated application layer power management solution for serverside applications | |
CN106933650A (zh) | 云应用系统的负载管理方法及系统 | |
Moore et al. | Transforming reactive auto-scaling into proactive auto-scaling | |
US20100083248A1 (en) | Optimizing a prediction of resource usage of multiple applications in a virtual environment | |
US8756307B1 (en) | Translating service level objectives to system metrics | |
CN103593224A (zh) | 虚拟机资源配置系统及方法 | |
Bodik et al. | Automatic exploration of datacenter performance regimes | |
US11700210B2 (en) | Enhanced selection of cloud architecture profiles | |
CN104750538B (zh) | 用于为目标应用提供虚拟存储池的方法和系统 | |
CN115033340A (zh) | 一种宿主机的选择方法及相关装置 | |
KR101630125B1 (ko) | 클라우드 컴퓨팅 자원관리 시스템에서의 자원 요구량 예측 방법 | |
CN117135131A (zh) | 一种面向云边协同场景的任务资源需求感知方法 | |
CN108270833B (zh) | 渲染云资源的自动调度方法、装置及系统 | |
CN103530190A (zh) | 一种负载预测方法及装置 | |
CN111966490A (zh) | 一种Spark分区负载均衡方法 | |
CN116962532A (zh) | 集群任务调度方法、装置、计算机设备及存储介质 | |
Akbari et al. | Incorporation of weighted linear prediction technique and M/M/1 Queuing Theory for improving energy efficiency of Cloud computing datacenters | |
CN114741160A (zh) | 一种基于平衡能耗与服务质量的动态虚拟机整合方法和系统 | |
EP3826233B1 (en) | Enhanced selection of cloud architecture profiles |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230331 |
|
RJ01 | Rejection of invention patent application after publication |