CN117931361A - 基于机器学习的虚拟机启动控制方法、装置、设备及介质 - Google Patents

基于机器学习的虚拟机启动控制方法、装置、设备及介质 Download PDF

Info

Publication number
CN117931361A
CN117931361A CN202311691011.4A CN202311691011A CN117931361A CN 117931361 A CN117931361 A CN 117931361A CN 202311691011 A CN202311691011 A CN 202311691011A CN 117931361 A CN117931361 A CN 117931361A
Authority
CN
China
Prior art keywords
target
starting
virtual machine
state
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
Application number
CN202311691011.4A
Other languages
English (en)
Inventor
张兵
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.)
Tianyi Cloud Technology Co Ltd
Original Assignee
Tianyi Cloud Technology 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 Tianyi Cloud Technology Co Ltd filed Critical Tianyi Cloud Technology Co Ltd
Priority to CN202311691011.4A priority Critical patent/CN117931361A/zh
Publication of CN117931361A publication Critical patent/CN117931361A/zh
Pending legal-status Critical Current

Links

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
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06F2009/45575—Starting, stopping, suspending or resuming virtual machine instances

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Feedback Control In General (AREA)

Abstract

本申请涉及虚拟化技术领域，公开了一种基于机器学习的虚拟机启动控制方法、装置、设备及介质，所述方法包括根据支持向量机模型与各目标启动数据，确定各目标启动时间预测值，生成目标启动顺序表，并基于目标启动顺序表控制各虚拟机启动，并根据物理机状态确定是否中止各虚拟机启动。通过上述方式，本申请通过支持向量机模型与目标状态表中的各目标启动数据，对各虚拟机的启动时间进行预测，并根据启动时间生成启动顺序表，控制各虚拟机按照启动顺序表依次启动，并根据物理机的状态确定是否中止虚拟机启动。通过预训练的支持向量机模型预测各虚拟机的启动时间，避免了各虚拟机启动导致的时间冗余和启动风暴，提高虚拟机的启动效率。

Description

基于机器学习的虚拟机启动控制方法、装置、设备及介质
技术领域
本申请涉及虚拟化技术领域，尤其涉及一种基于机器学习的虚拟机启动控制方法、装置、设备及介质。
背景技术
虚拟化技术在云计算、大数据等领域中得到了广泛应用，但是如何优化虚拟机的启动时间仍然是一个具有挑战性的问题。如果要保证批量启动虚拟机的稳定性，就要避免多个系统同时启动，那会造成同时读写硬盘，进而导致读写效率降低，大大延长开启虚拟机系统时间。
通常虚拟机平台会通过设置多个虚拟机之间开启时间间隔秒数来顺序启动虚拟机。但相应地，不合理的时间间隔会带来时间冗余和启动风暴的问题。因此，如何提高虚拟机的启动效率成为了亟待解决的技术问题。
发明内容
本申请提供了一种基于机器学习的虚拟机启动控制方法、装置、设备及介质，以提高虚拟机的启动效率。
第一方面，本申请提供了一种基于机器学习的虚拟机启动控制方法，所述方法包括：
获取目标状态表，其中，所述目标状态表包括目标虚拟机状态与物理机状态；
根据预训练的支持向量机模型与所述目标状态表中的各目标启动数据，确定各目标启动时间预测值；
将各所述目标启动时间预测值进行排序，生成目标启动顺序表，并基于所述目标启动顺序表控制各虚拟机启动；
更新所述目标状态表，并根据所述物理机状态确定是否中止所述目标启动顺序表中各虚拟机启动。
进一步地，根据预训练的支持向量机模型与所述目标状态表中的各目标启动数据，确定各目标启动时间预测值之前，包括：
获取初始状态表；
通过所述支持向量机模型与所述初始状态表中各所述虚拟机的各初始启动数据，确定各初始启动时间预测值，并将各所述初始启动时间预测值排序，生成初始启动顺序表；
根据所述初始启动顺序表控制各所述虚拟机启动，获取各初始启动时间实测值；
基于各所述初始启动时间实测值与各所述初始启动时间预测值，对所述支持向量机模型进行训练，以提高所述向量机模型的精度。
进一步地，基于各所述初始启动时间实测值与各所述初始启动时间预测值，对所述支持向量机模型进行训练，以提高所述向量机模型的精度，包括：
通过预设径向基核函数、各所述初始启动时间实测值与各所述初始启动时间预测值，对所述支持向量机模型的模型参数进行迭代训练。
进一步地，预设径向基核函数为
其中，K(xi,xj)为所述预设径向基核函数，γ为所述预设径向基核函数的超参数，xi为所述初始启动时间实测值，xj为所述初始启动时间预测值。
进一步地，物理机状态包括中央处理器CPU性能状态、内存性能状态和磁盘性能状态，所述更新所述目标状态表，并根据所述物理机状态确定是否中止所述目标启动顺序表中各虚拟机启动，包括：
在检测到所述CPU性能状态、内存性能状态和/或磁盘性能状态达到预设状态阈值的情况下，下发中止虚拟机启动指令。
进一步地，更新所述目标状态表，并根据所述物理机状态确定是否中止所述目标启动顺序表中各虚拟机启动，包括：
在检测到所述CPU性能状态、内存性能状态和磁盘性能状态未达到所述预设状态阈值的情况下，返回步骤：根据预训练的支持向量机模型与所述目标状态表中的各目标启动数据，确定各目标启动时间预测值。
进一步地，根据预训练的支持向量机模型与所述目标状态表中的各目标启动数据，确定各目标启动时间预测值之前，包括：
获取所述目标状态表中各所述虚拟机的初始启动数据；
对各所述初始启动数据进行归一化和标准化处理，生成对应的各所述目标启动数据。
第二方面，本申请还提供了一种基于机器学习的虚拟机启动控制装置，所述装置包括：
目标状态表获取模块，用于获取目标状态表，其中，所述目标状态表包括目标虚拟机状态与物理机状态；
启动时间预测模块，用于根据预训练的支持向量机模型与所述目标状态表中的各目标启动数据，确定各目标启动时间预测值；
启动顺序表生成模块，用于将各所述目标启动时间预测值进行排序，生成目标启动顺序表，并基于所述目标启动顺序表控制各虚拟机启动；
目标状态表更新模块，用于更新所述目标状态表，并根据所述物理机状态确定是否中止所述目标启动顺序表中各虚拟机启动。
第三方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的基于机器学习的虚拟机启动控制方法。
第四方面，本申请还提供了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，所述计算机程序被处理器执行时使所述处理器实现如上述的基于机器学习的虚拟机启动控制方法。
本申请公开了一种基于机器学习的虚拟机启动控制方法、装置、设备及介质，所述基于机器学习的虚拟机启动控制方法包括获取目标状态表，其中，所述目标状态表包括目标虚拟机状态与物理机状态；根据预训练的支持向量机模型与所述目标状态表中的各目标启动数据，确定各目标启动时间预测值；将各所述目标启动时间预测值进行排序，生成目标启动顺序表，并基于所述目标启动顺序表控制各虚拟机启动；更新所述目标状态表，并根据所述物理机状态确定是否中止所述目标启动顺序表中各虚拟机启动。通过上述方式，本申请通过支持向量机模型与目标状态表中的各目标启动数据，对各虚拟机的启动时间进行预测，并根据启动时间生成启动顺序表，控制各虚拟机按照启动顺序表依次启动，并根据物理机的状态确定是否中止虚拟机启动。通过预训练的支持向量机模型预测各虚拟机的启动时间，避免了各虚拟机启动导致的时间冗余和启动风暴，提高虚拟机的启动效率。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例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他的附图。
图1是本申请的第一实施例提供的一种基于机器学习的虚拟机启动控制方法的示意流程图；
图2是本申请的第二实施例提供的一种基于机器学习的虚拟机启动控制方法的示意流程图；
图3为本申请的实施例提供的一种基于机器学习的虚拟机启动控制装置的示意性框图；
图4为本申请的实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
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，本领域普通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。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
本申请的实施例提供了一种基于机器学习的虚拟机启动控制方法、装置、设备及介质。其中，该基于机器学习的虚拟机启动控制方法可以应用于服务器中，通过支持向量机模型与目标状态表中的各目标启动数据，对各虚拟机的启动时间进行预测，并根据启动时间生成启动顺序表，控制各虚拟机按照启动顺序表依次启动，并根据物理机的状态确定是否中止虚拟机启动。通过预训练的支持向量机模型预测各虚拟机的启动时间，避免了各虚拟机启动导致的时间冗余和启动风暴，提高虚拟机的启动效率。其中，该服务器可以为独立的服务器，也可以为服务器集群。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参阅图1，图1是本申请的第一实施例提供的一种基于机器学习的虚拟机启动控制方法的示意流程图。该基于机器学习的虚拟机启动控制方法可应用于服务器中，通过支持向量机模型与目标状态表中的各目标启动数据，对各虚拟机的启动时间进行预测，并根据启动时间生成启动顺序表，控制各虚拟机按照启动顺序表依次启动，并根据物理机的状态确定是否中止虚拟机启动。通过预训练的支持向量机模型预测各虚拟机的启动时间，避免了各虚拟机启动导致的时间冗余和启动风暴，提高虚拟机的启动效率。
如图1所示，该基于机器学习的虚拟机启动控制方法具体包括步骤S10至步骤S40。
步骤S10、获取目标状态表，其中，所述目标状态表包括目标虚拟机状态与物理机状态；
在一个实施例中，定义目标状态表，对虚拟机和物理机所有的CPU(CentralProcessing Unit，中央处理器)、内存、磁盘信息进行记录，记录如下数据：虚拟机型号，虚拟机CPU数量，虚拟机内存大小，虚拟机存储大小，虚拟机开机状态，物理机CPU数量，物理机CPU已用数量，物理机CPU使用率，物理机内存大小，物理机内存已用数量，物理机内存使用率，物理机磁盘大小，物理机磁盘已用数量，物理机磁盘使用率，虚拟机启动时间。
步骤S20、根据预训练的支持向量机模型与所述目标状态表中的各目标启动数据，确定各目标启动时间预测值；
在一个实施例中，预训练的支持向量机模型表示为:
其中K(xi,x)表示核函数，αi是对应的拉格朗日乘子，b是偏置项。
步骤S30、将各所述目标启动时间预测值进行排序，生成目标启动顺序表，并基于所述目标启动顺序表控制各虚拟机启动；
在一个实施例中，根据上述实施例提供的支持向量机模型得到的目标启动时间预测值，结合虚拟机进程的业务优先级进行排序，得到虚拟机启动顺序。可以理解的时，若用户需要加入其他的虚拟机启动，则重新进入预测阶段，得到预测结果后重新排序。
步骤S40、更新所述目标状态表，并根据所述物理机状态确定是否中止所述目标启动顺序表中各虚拟机启动。
具体实施例中，监控目前的物理机CPU、内存、磁盘I/O，当有资源达到接近满负载时，则判断停止启动虚拟机，以避免物理机资源不足导致虚拟机启动风暴的问题。
本实施例公开了一种基于机器学习的虚拟机启动控制方法、装置、设备及介质，所述基于机器学习的虚拟机启动控制方法包括获取目标状态表，其中，所述目标状态表包括目标虚拟机状态与物理机状态；根据预训练的支持向量机模型与所述目标状态表中的各目标启动数据，确定各目标启动时间预测值；将各所述目标启动时间预测值进行排序，生成目标启动顺序表，并基于所述目标启动顺序表控制各虚拟机启动；更新所述目标状态表，并根据所述物理机状态确定是否中止所述目标启动顺序表中各虚拟机启动。通过上述方式，本申请通过支持向量机模型与目标状态表中的各目标启动数据，对各虚拟机的启动时间进行预测，并根据启动时间生成启动顺序表，控制各虚拟机按照启动顺序表依次启动，并根据物理机的状态确定是否中止虚拟机启动。通过预训练的支持向量机模型预测各虚拟机的启动时间，避免了各虚拟机启动导致的时间冗余和启动风暴，提高虚拟机的启动效率。
请参阅图2，图2是本申请的第二实施例提供的一种基于机器学习的虚拟机启动控制方法的示意流程图。该基于机器学习的虚拟机启动控制方法可应用于服务器中，通过支持向量机模型与目标状态表中的各目标启动数据，对各虚拟机的启动时间进行预测，并根据启动时间生成启动顺序表，控制各虚拟机按照启动顺序表依次启动，并根据物理机的状态确定是否中止虚拟机启动。通过预训练的支持向量机模型预测各虚拟机的启动时间，避免了各虚拟机启动导致的时间冗余和启动风暴，提高虚拟机的启动效率。
基于图1所示实施例，本实施例如图2所示，步骤S20之前，包括步骤S11至步骤S14。
步骤S11、获取初始状态表；
在一个实施例中，模型初始化需要输入一个初始的状态量xi,用以表示虚拟机和物理机最初的状态信息。例如，虚拟机型号，虚拟机CPU数量，虚拟机内存大小，虚拟机存储大小，虚拟机开机状态，物理机CPU数量，物理机CPU已用数量，物理机CPU使用率，物理机内存大小，物理机内存已用数量，物理机内存使用率，物理机磁盘大小，物理机磁盘已用数量，物理机磁盘使用率，虚拟机启动时间。
步骤S12、通过所述支持向量机模型与所述初始状态表中各所述虚拟机的各初始启动数据，确定各初始启动时间预测值，并将各所述初始启动时间预测值排序，生成初始启动顺序表；
在一个实施例中，将目标函数转化为拉格朗日对偶问题，即求解一组拉格朗日乘子，使得目标函数最大或最小，可以通过求解拉格朗日函数的梯度为零得到。
步骤S13、根据所述初始启动顺序表控制各所述虚拟机启动，获取各初始启动时间实测值；
在一个实施例中，在训练阶段，使用实际测量值作为训练样本，计算训练样本的输入和输出，预测虚拟机启动时间t。
步骤S14、基于各所述初始启动时间实测值与各所述初始启动时间预测值，对所述支持向量机模型进行训练，以提高所述向量机模型的精度。
具体实施例中，在训练阶段，使用交叉验证等技术来调整支持向量机模型的参数，常用的参数包括正则化参数C和径向基核函数的带宽参数。通过尝试不同的参数组合并在验证集上评估模型的性能来确定最佳参数。
在测试阶段，使用训练好的支持向量机模型来预测虚拟机的启动时间。给定虚拟机的状态信息x，计算预测值t＝f(x)，从而对虚拟机的启动时间进行预测。
本实施例公开了一种基于机器学习的虚拟机启动控制方法、装置、设备及介质，所述基于机器学习的虚拟机启动控制方法包括获取初始状态表；通过所述支持向量机模型与所述初始状态表中各所述虚拟机的各初始启动数据，确定各初始启动时间预测值，并将各所述初始启动时间预测值排序，生成初始启动顺序表；根据所述初始启动顺序表控制各所述虚拟机启动，获取各初始启动时间实测值；基于各所述初始启动时间实测值与各所述初始启动时间预测值，对所述支持向量机模型进行训练，以提高所述向量机模型的精度。通过上述方式，本申请通过支持向量机模型与目标状态表中的各目标启动数据，对各虚拟机的启动时间进行预测，并根据启动时间生成启动顺序表，控制各虚拟机按照启动顺序表依次启动，并根据物理机的状态确定是否中止虚拟机启动。通过预训练的支持向量机模型预测各虚拟机的启动时间，避免了各虚拟机启动导致的时间冗余和启动风暴，提高虚拟机的启动效率。
在一个实施例中，根据图2所示实施例，本实施例中，步骤S14，包括：
通过预设径向基核函数、各所述初始启动时间实测值与各所述初始启动时间预测值，对所述支持向量机模型的模型参数进行迭代训练。
在一个实施例中，预设径向基核函数为
其中，K(xi,xj)为所述预设径向基核函数，γ为所述预设径向基核函数的超参数，xi为所述初始启动时间实测值，xj为所述初始启动时间预测值。
在一个实施例中，使用测试集或验证集上的数据来评估模型的性能，并计算模型的性能指标，如均方误差(MSE)或均方根误差(RMSE)。
基于图1所示实施例，本实施例中，步骤S40，包括：
在检测到所述CPU性能状态、内存性能状态和/或磁盘性能状态达到预设状态阈值的情况下，下发中止虚拟机启动指令。
具体地，监控物理机状态，即在虚拟机启动的同时，监控物理机的CPU、内存、磁盘I/O性能状态，当有资源达到接近满负荷时，则停止启动虚拟机，以避免资源不足导致的虚拟机启动风暴。
在一个实施例中，物理机状态包括中央处理器CPU性能状态、内存性能状态和磁盘性能状态。
基于图1所示实施例，本实施例中，步骤S40，包括：
在检测到所述CPU性能状态、内存性能状态和磁盘性能状态未达到所述预设状态阈值的情况下，返回步骤：根据预训练的支持向量机模型与所述目标状态表中的各目标启动数据，确定各目标启动时间预测值。
在一个实施例中，对要启动的虚拟机重新预测启动时间，重新进行启动顺序排序。启动虚拟机，生成新的测量值后，进行调参，循环往复。
基于上述任一实施例，本实施例中，步骤S10之前，包括：
获取所述目标状态表中各所述虚拟机的初始启动数据；
对各所述初始启动数据进行归一化和标准化处理，生成对应的各所述目标启动数据。
请参阅图3，图3是本申请的实施例提供一种基于机器学习的虚拟机启动控制装置的示意性框图，该基于机器学习的虚拟机启动控制装置用于执行前述的基于机器学习的虚拟机启动控制方法。其中，该基于机器学习的虚拟机启动控制装置可以配置于服务器。
如图3所示，该基于机器学习的虚拟机启动控制装置400，包括：
目标状态表获取模块410，用于获取目标状态表，其中，所述目标状态表包括目标虚拟机状态与物理机状态；
启动时间预测模块420，用于根据预训练的支持向量机模型与所述目标状态表中的各目标启动数据，确定各目标启动时间预测值；
启动顺序表生成模块430，用于将各所述目标启动时间预测值进行排序，生成目标启动顺序表，并基于所述目标启动顺序表控制各虚拟机启动；
目标状态表更新模块440，用于更新所述目标状态表，并根据所述物理机状态确定是否中止所述目标启动顺序表中各虚拟机启动。
进一步地，所述基于机器学习的虚拟机启动控制装置，包括：
初始状态表获取模块，用于获取初始状态表；
初始启动顺序表生成模块，用于通过所述支持向量机模型与所述初始状态表中各所述虚拟机的各初始启动数据，确定各初始启动时间预测值，并将各所述初始启动时间预测值排序，生成初始启动顺序表；
初始启动时间实测值获取模块，用于根据所述初始启动顺序表控制各所述虚拟机启动，获取各初始启动时间实测值；
模型训练模块，用于基于各所述初始启动时间实测值与各所述初始启动时间预测值，对所述支持向量机模型进行训练，以提高所述向量机模型的精度。
进一步地，所述模型训练模块，包括：
训练单元，用于通过预设径向基核函数、各所述初始启动时间实测值与各所述初始启动时间预测值，对所述支持向量机模型的模型参数进行迭代训练。
进一步地，所述目标状态表更新模块440，包括：
中止虚拟机启动单元，用于在检测到所述CPU性能状态、内存性能状态和/或磁盘性能状态达到预设状态阈值的情况下，下发中止虚拟机启动指令。
进一步地，所述目标状态表更新模块440，包括：
迭代单元，用于在检测到所述CPU性能状态、内存性能状态和磁盘性能状态未达到所述预设状态阈值的情况下，返回步骤：根据预训练的支持向量机模型与所述目标状态表中的各目标启动数据，确定各目标启动时间预测值。
进一步地，所述基于机器学习的虚拟机启动控制装置，包括：
初始启动数据获取模块，用于获取所述目标状态表中各所述虚拟机的初始启动数据；
数据处理模块，用于对各所述初始启动数据进行归一化和标准化处理，生成对应的各所述目标启动数据。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
上述的装置可以实现为一种计算机程序的形式，该计算机程序可以在如图4所示的计算机设备上运行。
请参阅图4，图4是本申请的实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以是服务器。
参阅图4，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种基于机器学习的虚拟机启动控制方法。
处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种基于机器学习的虚拟机启动控制方法。
该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
获取目标状态表，其中，所述目标状态表包括目标虚拟机状态与物理机状态；
根据预训练的支持向量机模型与所述目标状态表中的各目标启动数据，确定各目标启动时间预测值；
将各所述目标启动时间预测值进行排序，生成目标启动顺序表，并基于所述目标启动顺序表控制各虚拟机启动；
更新所述目标状态表，并根据所述物理机状态确定是否中止所述目标启动顺序表中各虚拟机启动。
在一个实施例中，根据预训练的支持向量机模型与所述目标状态表中的各目标启动数据，确定各目标启动时间预测值之前，用于实现：
获取初始状态表；
通过所述支持向量机模型与所述初始状态表中各所述虚拟机的各初始启动数据，确定各初始启动时间预测值，并将各所述初始启动时间预测值排序，生成初始启动顺序表；
根据所述初始启动顺序表控制各所述虚拟机启动，获取各初始启动时间实测值；
基于各所述初始启动时间实测值与各所述初始启动时间预测值，对所述支持向量机模型进行训练，以提高所述向量机模型的精度。
在一个实施例中，基于各所述初始启动时间实测值与各所述初始启动时间预测值，对所述支持向量机模型进行训练，以提高所述向量机模型的精度，用于实现：
通过预设径向基核函数、各所述初始启动时间实测值与各所述初始启动时间预测值，对所述支持向量机模型的模型参数进行迭代训练。
在一个实施例中，物理机状态包括中央处理器CPU性能状态、内存性能状态和磁盘性能状态，所述更新所述目标状态表，并根据所述物理机状态确定是否中止所述目标启动顺序表中各虚拟机启动，用于实现：
在检测到所述CPU性能状态、内存性能状态和/或磁盘性能状态达到预设状态阈值的情况下，下发中止虚拟机启动指令。
在一个实施例中，更新所述目标状态表，并根据所述物理机状态确定是否中止所述目标启动顺序表中各虚拟机启动，用于实现：
在检测到所述CPU性能状态、内存性能状态和磁盘性能状态未达到所述预设状态阈值的情况下，返回步骤：根据预训练的支持向量机模型与所述目标状态表中的各目标启动数据，确定各目标启动时间预测值。
在一个实施例中，根据预训练的支持向量机模型与所述目标状态表中的各目标启动数据，确定各目标启动时间预测值之前，用于实现：
获取所述目标状态表中各所述虚拟机的初始启动数据；
对各所述初始启动数据进行归一化和标准化处理，生成对应的各所述目标启动数据。
本申请的实施例中还提供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，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本申请实施例提供的任一项基于机器学习的虚拟机启动控制方法。
其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于机器学习的虚拟机启动控制方法，其特征在于，包括：
获取目标状态表，其中，所述目标状态表包括目标虚拟机状态与物理机状态；
根据预训练的支持向量机模型与所述目标状态表中的各目标启动数据，确定各目标启动时间预测值；
将各所述目标启动时间预测值进行排序，生成目标启动顺序表，并基于所述目标启动顺序表控制各虚拟机启动；
更新所述目标状态表，并根据所述物理机状态确定是否中止所述目标启动顺序表中各虚拟机启动。
2.根据权利要求1所述的基于机器学习的虚拟机启动控制方法，其特征在于，所述根据预训练的支持向量机模型与所述目标状态表中的各目标启动数据，确定各目标启动时间预测值之前，包括：
获取初始状态表；
通过所述支持向量机模型与所述初始状态表中各所述虚拟机的各初始启动数据，确定各初始启动时间预测值，并将各所述初始启动时间预测值排序，生成初始启动顺序表；
根据所述初始启动顺序表控制各所述虚拟机启动，获取各初始启动时间实测值；
基于各所述初始启动时间实测值与各所述初始启动时间预测值，对所述支持向量机模型进行训练，以提高所述向量机模型的精度。
3.根据权利要求2所述的基于机器学习的虚拟机启动控制方法，其特征在于，所述基于各所述初始启动时间实测值与各所述初始启动时间预测值，对所述支持向量机模型进行训练，以提高所述向量机模型的精度，包括：
通过预设径向基核函数、各所述初始启动时间实测值与各所述初始启动时间预测值，对所述支持向量机模型的模型参数进行迭代训练。
4.根据权利要求3所述的基于机器学习的虚拟机启动控制方法，其特征在于，所述预设径向基核函数为K(xi,xj)＝e-γ||xi-xj||2；
其中，K(xi,xj)为所述预设径向基核函数，γ为所述预设径向基核函数的超参数，xi为所述初始启动时间实测值，xj为所述初始启动时间预测值。
5.根据权利要求1所述的基于机器学习的虚拟机启动控制方法，其特征在于，所述物理机状态包括中央处理器CPU性能状态、内存性能状态和磁盘性能状态，所述更新所述目标状态表，并根据所述物理机状态确定是否中止所述目标启动顺序表中各虚拟机启动，包括：
在检测到所述CPU性能状态、内存性能状态和/或磁盘性能状态达到预设状态阈值的情况下，下发中止虚拟机启动指令。
6.根据权利要求5所述的基于机器学习的虚拟机启动控制方法，其特征在于，所述更新所述目标状态表，并根据所述物理机状态确定是否中止所述目标启动顺序表中各虚拟机启动，包括：
在检测到所述CPU性能状态、内存性能状态和磁盘性能状态未达到所述预设状态阈值的情况下，返回步骤：根据预训练的支持向量机模型与所述目标状态表中的各目标启动数据，确定各目标启动时间预测值。
7.根据权利要求1至6任一项所述的基于机器学习的虚拟机启动控制方法，其特征在于，所述根据预训练的支持向量机模型与所述目标状态表中的各目标启动数据，确定各目标启动时间预测值之前，包括：
获取所述目标状态表中各所述虚拟机的初始启动数据；
对各所述初始启动数据进行归一化和标准化处理，生成对应的各所述目标启动数据。
8.一种基于机器学习的虚拟机启动控制装置，其特征在于，包括：
目标状态表获取模块，用于获取目标状态表，其中，所述目标状态表包括目标虚拟机状态与物理机状态；
启动时间预测模块，用于根据预训练的支持向量机模型与所述目标状态表中的各目标启动数据，确定各目标启动时间预测值；
启动顺序表生成模块，用于将各所述目标启动时间预测值进行排序，生成目标启动顺序表，并基于所述目标启动顺序表控制各虚拟机启动；
目标状态表更新模块，用于更新所述目标状态表，并根据所述物理机状态确定是否中止所述目标启动顺序表中各虚拟机启动。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器；
所述存储器用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至7中任一项所述的基于机器学习的虚拟机启动控制方法。
10.一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存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1至7中任一项所述的基于机器学习的虚拟机启动控制方法。
CN202311691011.4A 2023-12-11 2023-12-11 基于机器学习的虚拟机启动控制方法、装置、设备及介质 Pending CN117931361A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311691011.4A CN117931361A (zh) 2023-12-11 2023-12-11 基于机器学习的虚拟机启动控制方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311691011.4A CN117931361A (zh) 2023-12-11 2023-12-11 基于机器学习的虚拟机启动控制方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN117931361A true CN117931361A (zh) 2024-04-26

Family

ID=90761855

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311691011.4A Pending CN117931361A (zh) 2023-12-11 2023-12-11 基于机器学习的虚拟机启动控制方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN117931361A (zh)

Similar Documents

Publication Publication Date Title
US10748083B2 (en) Automated tuning of a service configuration
US10387798B2 (en) Machine for development of analytical models
CN107408062B (zh) 用于卸载和加载处理器/协处理器安排的数据的技术
EP3182283A1 (en) Machine for development and deployment of analytical models
US9170799B2 (en) Accurately estimating install time
CN108205469B (zh) 一种基于MapReduce的资源分配方法及服务器
US10360138B2 (en) Run time automatic workload tuning using customer profiling workload comparison
CN113312072A (zh) 配置文件更新方法及装置、电子设备和介质
CN109324962B (zh) 一种基于云物联技术的应用程序的测试方法及设备
CN111275358A (zh) 派单匹配方法、装置、设备及存储介质
US10210296B2 (en) Adaptive bug-search depth for simple and deep counterexamples
WO2022100439A1 (en) Workflow patching
US12061895B2 (en) Predictive recycling of computer systems in a cloud environment
JPWO2018163280A1 (ja) 予兆検知装置及び予兆検知方法
CN117931361A (zh) 基于机器学习的虚拟机启动控制方法、装置、设备及介质
CN108228445B (zh) 虚拟机能耗的测试方法以及装置
CN113918345A (zh) 一种配置硬件的容量计算方法、装置、计算机设备及介质
CN112861951B (zh) 一种图像神经网络参数的确定方法及电子设备
CN117349775B (zh) 一种面向集群计算的异常子任务识别方法及装置
CN116089020B (zh) 虚拟机运行方法、扩容方法、扩容系统
CN115688893B (zh) 内存调度方法及装置、电子设备和存储介质
JP5949245B2 (ja) 情報処理装置、実行プログラムおよび実行方法
CN118535166A (zh) 遥感算法工作流组织方法、装置、电子设备及存储介质
CN117762760A (zh) 服务器的硬件性能测试分数获取方法、装置和介质
WO2024096974A1 (en) Hardware-aware generation of machine learning models

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