CN116431281A - 一种基于鲸鱼优化算法的虚拟机迁移方法 - Google Patents
一种基于鲸鱼优化算法的虚拟机迁移方法 Download PDFInfo
- Publication number
- CN116431281A CN116431281A CN202310296528.7A CN202310296528A CN116431281A CN 116431281 A CN116431281 A CN 116431281A CN 202310296528 A CN202310296528 A CN 202310296528A CN 116431281 A CN116431281 A CN 116431281A
- Authority
- CN
- China
- Prior art keywords
- virtual machine
- whale
- machine migration
- optimization algorithm
- server
- 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
- 241000283153 Cetacea Species 0.000 title claims abstract description 55
- 230000005012 migration Effects 0.000 title claims abstract description 41
- 238000013508 migration Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005457 optimization Methods 0.000 title claims abstract description 31
- 238000005265 energy consumption Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 17
- 238000012544 monitoring process Methods 0.000 claims description 9
- 230000006399 behavior Effects 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000011273 social behavior Effects 0.000 abstract description 4
- 238000013178 mathematical model Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 3
- 230000004634 feeding behavior Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
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
- G06F9/44—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
- 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)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及虚拟机技术领域,具体涉及一种基于鲸鱼优化算法的虚拟机迁移方法,在虚拟机迁移的步骤中,利用鲸鱼优化算法来选择合适的目标服务器,并通过数学模型进行优化计算,通过模拟了鲸鱼集群中的寻食行为和社交行为,包括迁徙和呼叫等,首先生成一群随机解,然后通过模拟鲸鱼的行为,逐渐优化解的质量,最终找到全局最优解,解决一个NP困难问题。本发明可以有效地减少虚拟机迁移过程中的能耗和时延,提高数据中心的能效和性能。
Description
技术领域
本发明涉及虚拟机技术领域,具体涉及一种基于鲸鱼优化算法的虚拟机迁移方法。
背景技术
随着云计算和大数据的快速发展,数据中心的规模和复杂性也越来越大。数据中心需要满足高效、安全、稳定、可靠和可扩展的要求,同时也需要降低成本和能耗。虚拟化技术是实现这些目标的关键技术之一。通过虚拟化技术,数据中心可以将一台物理服务器虚拟成多个虚拟机,从而实现资源共享和动态资源分配。虚拟机迁移技术是虚拟化技术的核心功能之一,它可以将虚拟机从一台物理服务器迁移到另一台物理服务器,从而实现负载均衡、故障恢复和能源管理等功能。
虚拟机迁移技术的关键问题是如何选择合适的目标服务器。传统的虚拟机迁移技术通常采用贪心算法、遗传算法、模拟退火算法等优化算法来进行目标服务器选择。但这些算法存在一些问题,例如易陷入局部最优解、收敛速度较慢、参数调整难度大等。
鲸鱼优化算法是一种新兴的优化算法,具有全局收敛性和高效性的特点。该算法模拟鲸鱼在海洋中寻找食物的过程,通过不断地调整自身位置和行动策略来寻找最优解。
发明内容
本发明的目的在于提供一种基于鲸鱼优化算法的虚拟机迁移方法,利用鲸鱼优化算法来选择合适的目标服务器,并通过数学模型进行优化计算,从而实现虚拟机迁移过程中的能效优化和性能提升。
为实现上述目的,本发明提供了一种基于鲸鱼优化算法的虚拟机迁移方法,包括下列步骤:
步骤1:数据中心负载监测;
步骤2:设计目标函数;
步骤3:设计目标函数的编码方案;
步骤4:使用鲸鱼优化算法来搜索虚拟机迁移方案;
步骤5:根据步骤4的最优解实现虚拟机迁移。
可选的,在数据中心负载监测的过程中,需要对数据中心的负载情况进行实时监测和收集,监测数据包括CPU使用率、内存使用率、网络带宽和存储容量。
可选的,所述目标函数用于评价每只鲸鱼的适应度值,包含了能源消耗和时延开销两个部分,所述目标函数的表达式为:
xj,k∈{0,1},j=1,2,...,m,k=1,2,...,n (7)
其中,公式(1)中第一项表示服务器的总能源消耗,第二项表示虚拟机的总时延开销,α和β是两个非负权重,用于调整能源消耗和时延开销的比例;n和m分别表示服务器和虚拟机的数量;Pi表示第i个服务器的能源消耗,tj,k表示第j个虚拟机迁移到第k个服务器的时延;xj,k表示第j个虚拟机是否在第k个服务器上运行;公式(2)至公式(7)均为所述目标函数的约束条件,其中,uj,vj,wj和zj分别表示第j个虚拟机的CPU使用率、内存使用率、网络带宽、存储容量;Uk,Vk,Wk和Zk分别是第k个服务器的CPU、内存、网络带宽和存储容量的最大限制。
可选的,使用鲸鱼优化算法来搜索虚拟机迁移方案,包括下列步骤:
步骤4.1:初始化种群,在当前的虚拟机部署情况的基础上,按资源利用率高低排序后,随机移动一部分虚拟机到其他的服务器上生成一组鲸鱼位置和速度;
步骤4.2:评价适应度,计算每只鲸鱼的适应度值;
步骤4.3:根据每只鲸鱼当前位置和速度,采用公式计算新的位置和速度,并用当前种群中最优个体和随机选择的个体为初始解,进行交换领域和移动邻域搜索。交换邻域搜索是指随机交换两个虚拟机的位置,移动邻域搜索是指随机移动虚拟机到其他服务器上;
步骤4.4:判断是否达到停止条件;
是则执行步骤4.5;否则返回步骤4.2重复执行;
步骤4.5:选取适应度最好的鲸鱼作为最优解。
可选的,根据每只鲸鱼当前位置和速度,采用以下公式计算新的位置和速度:
其中,A是适应度缩放因子,D是向量差,clip(x,a,b)表示将x限制在区间[a,b]内,rand()表示生成一个[0,1]之间的随机数。
可选的,由步骤4求得最优解后,根据最优解来实现虚拟机迁移,将需要迁移的虚拟机从源服务器上删除,并在目标服务器上创建虚拟机,同时,更新虚拟机和服务器的状态信息。
本发明提供了一种基于鲸鱼优化算法的虚拟机迁移方法,在虚拟机迁移的步骤中,利用鲸鱼优化算法来选择合适的目标服务器,并通过数学模型进行优化计算,通过模拟了鲸鱼集群中的寻食行为和社交行为,包括迁徙和呼叫等,首先根据提出的策略生成一组初始解,然后通过模拟鲸鱼的行为并使用所提出的交换邻域搜索和移动邻域搜索策略,逐渐优化解的质量,最终找到全局最优解,解决一个NP困难问题。本发明可以有效地减少虚拟机迁移过程中的能耗和时延,提高数据中心的能效和性能。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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他的附图。
图1是本发明的一种基于鲸鱼优化算法的虚拟机迁移方法的流程示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
本发明提供了一种基于鲸鱼优化算法的虚拟机迁移方法,包括下列步骤:
S1:数据中心负载监测;
S2:设计目标函数;
S3:设计目标函数的编码方案;
S4:使用鲸鱼优化算法来搜索虚拟机迁移方案;
S5:根据步骤S4的最优解实现虚拟机迁移。
本发明基于实际问题,提供了一种初始解生成方案可以在不减少种群多样性的情况下提高初始解的质量,而现有的技术往往是随机生成的随机数,初始解的质量很差。本发明还在鲸鱼搜索过程中融合了局部搜索,提出了两种虚拟机迁移问题的邻域搜索方法,分别是交换邻域搜索和移动邻域搜索。
以下结合具体实施步骤进一步说明:
步骤S1:数据中心负载监测。
首先,数据中心的负载情况需要实时监测和收集。负载监测可以采用多种方法,例如周期性采样、事件驱动采样、流式数据采样等。监测数据包括CPU使用率、内存使用率、网络带宽、存储容量等指标。
在步骤S2中,所述目标函数用于评价每只鲸鱼的适应度值,包含了能源消耗和时延开销两个部分,所述目标函数的表达式为:
xj,k∈{0,1},j=1,2,...,m,k=1,2,...,n (7)
其中,公式(1)中第一项表示服务器的总能源消耗,第二项表示虚拟机的总时延开销,α和β是两个非负权重,用于调整能源消耗和时延开销的比例;n和m分别表示服务器和虚拟机的数量;Pi表示第i个服务器的能源消耗,tj,k表示第j个虚拟机迁移到第k个服务器的时延;xj,k表示第j个虚拟机是否在第k个服务器上运行;公式(2)至公式(7)均为所述目标函数的约束条件,其中,uj,vj,wj和zj分别表示第j个虚拟机的CPU使用率、内存使用率、网络带宽、存储容量;Uk,Vk,Wk和Zk分别是第k个服务器的CPU、内存、网络带宽和存储容量的最大限制。
在步骤S4中,使用鲸鱼优化算法来搜索虚拟机迁移方案,包括下列步骤:
步骤4.1:初始化种群,在当前的虚拟机部署情况的基础上,按资源利用率高低排序后,随机移动一部分虚拟机到其他的服务器上生成一组鲸鱼位置和速度;
步骤4.2:评价适应度,计算每只鲸鱼的适应度值;
步骤4.3:根据每只鲸鱼当前位置和速度,采用公式计算新的位置和速度,并用当前种群中最优个体和随机选择的个体为初始解,进行交换领域和移动邻域搜索。交换邻域搜索是指随机交换两个虚拟机的位置,移动邻域搜索是指随机移动虚拟机到其他服务器上;
步骤4.4:判断是否达到停止条件;
是则执行步骤4.5;否则返回步骤4.2重复执行;
步骤4.5:选取适应度最好的鲸鱼作为最优解。
鲸鱼优化算法是一种新兴的群体智能算法,其灵感来自于鲸鱼的集群行为。该算法模拟了鲸鱼集群中的寻食行为和社交行为,包括迁徙和呼叫等。算法首先根据提出的策略生成一组初始解,然后通过模拟鲸鱼的行为并使用所提出的交换邻域搜索和移动邻域搜索策略,逐渐优化解的质量,最终找到全局最优解。具体的,请参阅图1,包括以下步骤:
2、飞行阶段:对每只鲸鱼x(i),按照以下公式更新其位置:
其中,A是适应度缩放因子,D是向量差,clip(x,a,b)表示将x限制在区间[a,b]内,rand()表示生成一个[0,1]之间的随机数。
3、呼叫阶段:计算每只鲸鱼x(i)的适应度值f(x(i)),并记录当前最优解x*。
4、社交行为:对每只鲸鱼x(i),按照以下公式更新其位置:
x(i)=x*-C·Δ
其中,C是学习因子,Δ是向量差。
5、更新最优解:如果当前解优于历史最优解x^,则更新x^。
6、终止条件判断:如果达到预设迭代次数或者在连续的G代中,算法最优解始终停留在固定值,则结束算法。
最后,由步骤S4求得最优解后,根据最优解来实现虚拟机迁移。将需要迁移的虚拟机从源服务器上删除,并在目标服务器上创建虚拟机。同时,更新虚拟机和服务器的状态信息。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,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流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (7)
1.一种基于鲸鱼优化算法的虚拟机迁移方法,其特征在于,包括下列步骤:
步骤1:数据中心负载监测;
步骤2:设计目标函数;
步骤3:设计目标函数的编码方案;
步骤4:使用鲸鱼优化算法来搜索虚拟机迁移方案;
步骤5:根据步骤4的最优解实现虚拟机迁移。
2.如权利要求1所述的基于鲸鱼优化算法的虚拟机迁移方法,其特征在于,
在数据中心负载监测的过程中,需要对数据中心的负载情况进行实时监测和收集,监测数据包括CPU使用率、内存使用率、网络带宽和存储容量。
3.如权利要求2所述的基于鲸鱼优化算法的虚拟机迁移方法,其特征在于,
所述目标函数用于评价每只鲸鱼的适应度值,包含了能源消耗和时延开销两个部分,所述目标函数的表达式为:
xj,k∈{0,1},j=1,2,...,m,k=1,2,...,n (7)
其中,公式(1)中第一项表示服务器的总能源消耗,第二项表示虚拟机的总时延开销,α和β是两个非负权重,用于调整能源消耗和时延开销的比例;n和m分别表示服务器和虚拟机的数量;Pi表示第i个服务器的能源消耗,tj,k表示第j个虚拟机迁移到第k个服务器的时延;xj,k表示第j个虚拟机是否在第k个服务器上运行;公式(2)至公式(7)均为所述目标函数的约束条件,其中,uj,vj,wj和zj分别表示第j个虚拟机的CPU使用率、内存使用率、网络带宽、存储容量;Uk,Vk,Wk和Zk分别是第k个服务器的CPU、内存、网络带宽和存储容量的最大限制。
5.如权利要求4所述的基于鲸鱼优化算法的虚拟机迁移方法,其特征在于,
使用鲸鱼优化算法来搜索虚拟机迁移方案,包括下列步骤:
步骤4.1:初始化种群,在当前的虚拟机部署情况的基础上,按资源利用率高低排序后,随机移动一部分虚拟机到其他的服务器上生成一组鲸鱼位置和速度;
步骤4.2:评价适应度,计算每只鲸鱼的适应度值;
步骤4.3:根据每只鲸鱼当前位置和速度,采用公式计算新的位置和速度,并用当前种群中最优个体和随机选择的个体为初始解,进行交换领域和移动邻域搜索,交换邻域搜索是指随机交换两个虚拟机的位置,移动邻域搜索是指随机移动虚拟机到其他服务器上;
步骤4.4:判断是否达到停止条件;
是则执行步骤4.5;否则返回步骤4.2重复执行;
步骤4.5:选取适应度最好的鲸鱼作为最优解。
7.如权利要求6所述的基于鲸鱼优化算法的虚拟机迁移方法,其特征在于,
在步骤5中,由步骤4求得最优解后,根据最优解来实现虚拟机迁移,将需要迁移的虚拟机从源服务器上删除,并在目标服务器上创建虚拟机,同时,更新虚拟机和服务器的状态信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310296528.7A CN116431281A (zh) | 2023-03-24 | 2023-03-24 | 一种基于鲸鱼优化算法的虚拟机迁移方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310296528.7A CN116431281A (zh) | 2023-03-24 | 2023-03-24 | 一种基于鲸鱼优化算法的虚拟机迁移方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116431281A true CN116431281A (zh) | 2023-07-14 |
Family
ID=87089976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310296528.7A Pending CN116431281A (zh) | 2023-03-24 | 2023-03-24 | 一种基于鲸鱼优化算法的虚拟机迁移方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116431281A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117931378A (zh) * | 2024-03-21 | 2024-04-26 | 浪潮通信信息系统有限公司 | 虚拟机迁移方法及装置 |
-
2023
- 2023-03-24 CN CN202310296528.7A patent/CN116431281A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117931378A (zh) * | 2024-03-21 | 2024-04-26 | 浪潮通信信息系统有限公司 | 虚拟机迁移方法及装置 |
CN117931378B (zh) * | 2024-03-21 | 2024-06-11 | 浪潮通信信息系统有限公司 | 虚拟机迁移方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Adaptive asynchronous federated learning in resource-constrained edge computing | |
CN108829494A (zh) | 基于负载预测的容器云平台智能资源优化方法 | |
CN108416465B (zh) | 一种移动云环境下的工作流优化方法 | |
CN107330056A (zh) | 基于大数据云计算平台的风电场scada系统及其运行方法 | |
CN103077082A (zh) | 一种数据中心负载分配及虚拟机迁移节能方法及系统 | |
CN103345508A (zh) | 一种适用于社会网络图的数据存储方法及系统 | |
CN111897652B (zh) | 一种基于l-bfgs的云资源动态优化方法 | |
CN104375897A (zh) | 基于最小相对负载不均衡度的云计算资源调度方法 | |
CN113342510A (zh) | 一种水电流域应急指挥云边计算资源协同处理方法 | |
CN107450855A (zh) | 一种用于分布式存储的模型可变的数据分布方法及系统 | |
CN112287990A (zh) | 一种基于在线学习的边云协同支持向量机的模型优化方法 | |
CN116431281A (zh) | 一种基于鲸鱼优化算法的虚拟机迁移方法 | |
Fu et al. | Energy‐Aware VM Initial Placement Strategy Based on BPSO in Cloud Computing | |
CN111290831A (zh) | 一种云计算基于强化学习的虚拟机迁移方法 | |
CN113778627B (zh) | 一种创建云资源的调度方法 | |
CN109101316B (zh) | 一种能效相关的云计算平台资源调度方法 | |
CN113014649B (zh) | 一种基于深度学习的云物联负载均衡方法、装置及设备 | |
CN113296893B (zh) | 一种基于混合正弦余弦粒子群优化算法的云平台低资源损耗虚拟机放置方法 | |
Yu | [Retracted] Research on Optimization Strategy of Task Scheduling Software Based on Genetic Algorithm in Cloud Computing Environment | |
CN105306547A (zh) | 提高云计算系统能量有效性的数据摆放及节点调度方法 | |
CN115001978A (zh) | 一种基于强化学习模型的云租户虚拟网络智能映射方法 | |
CN113946438A (zh) | 基于容器整合的在线迁移调度方法、装置、设备和系统 | |
Gui et al. | Grouping synchronous to eliminate stragglers with edge computing in distributed deep learning | |
Zhang et al. | A new meta-heuristic task scheduling algorithm for optimizing energy efficiency in data centers | |
CN110851263A (zh) | 一种针对异构云数据中心的绿色云任务调度方法 |
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 |