一種單物理機下多虛擬機的資源自適應調整系統及方法

2023-10-11 23:08:29

一種單物理機下多虛擬機的資源自適應調整系統及方法
【專利摘要】一種單物理機下多虛擬機的資源自適應調整系統及方法，該系統在單物理機中實現，包括數據採集模塊、預處理模塊、預測模塊、資源調整策略生成模塊、資源調整策略收益計算模塊、監測模塊、策略評價模塊和歷史資料庫；該方法包括：採集伺服器的歷史數據並將其存入歷史資料庫中；對伺服器的歷史數據進行預處理；對下一時刻並發用戶請求量進行預測，再利用並發用戶請求量預測值得出虛擬機資源需求量預測區間；確定最優資源調整策略；進行CPU資源調整和內存資源調整；對最優資源調整策略進行評價；將當前最優資源調整策略及其評價值存入歷史資料庫。本發明能動態調整單物理機上各虛擬機資源量來適應動態變化的資源需求，使單物理機資源得到最大的收益。
【專利說明】一種單物理機下多虛擬機的資源自適應調整系統及方法

【技術領域】
[0001] 本發明屬於雲服務【技術領域】，具體是一種單物理機下多虛擬機的資源自適應調整 系統及方法。

【背景技術】
[0002] 雲計算是繼並行計算、分布式計算、網格計算後的更加新型計算模式。雲環境下通 常在資源池上部署多臺虛擬機（VM)，這些虛擬機共用此節點上的物理資源（CPU，內存等）。 各個虛擬機作為伺服器發布服務，用戶通過Web方式訪問服務並消耗伺服器一定數量的物 理資源。
[0003] 在配置虛擬機時必須指定虛擬機各類資源的數量，由於各虛擬機並發用戶請求不 斷變化，所以各虛擬機在不同時刻對各類資源的需求量不同。在做虛擬機初始分配時：若將 虛擬機的資源需求峰值分配給虛擬機能滿足虛擬機在不同時刻的資源需求，但這也造成資 源浪費；若不將資源峰值分配給虛擬機，而是將資源的平均需求量分配給虛擬機，必將造成 虛擬機在某些時刻處於資源短缺狀態，影響服務性能，造成SLA違例。
[0004] 若能動態調整單PM上各虛擬機硬體資源量來適應這種動態變化的資源需求，理 論上將不會出現低負載的虛擬機資源過剩、高負載的虛擬機資源緊缺等現象。如何在單節 點上根據並發用戶請求量的變化動態調整各虛擬機資源量使服務性能得到最大程度地保 障是本領域研究的問題。
[0005] 對於單物理機上多虛擬機資源分配問題，本領域技術人員大多採用啟發式方法來 進行全局優化搜索。啟發式方法基本是單點搜索，很容易陷入局部最優解。而且，大多數研 究者採用遷移虛擬機的方法解決資源不足的問題，但虛擬機遷移會花費一定的時間，並與 物理機上的其它活動產生相互影響，導致遷移時延的增加和應用性能的下降。
[0006] 現階段單物理機資源分配，主要分為以下三個研究思路，一是通過預測VM的資源 需求量，根據預測值作分配決策；二是將VM(服務）等級考慮其中，在資源不足的情況下按 等級分配資源；三是將前兩種結合，通過歷史資源使用信息計算出各VM的資源需求，然後 綜合考慮各個虛擬機的資源需求量作資源分配決策。
[0007] (1)通過預測服務的資源需求量，根據各個VM的資源使用及剩餘情況，動態生成 VM部署方案，解決了服務性能保障問題（Huang C J等人）。首先通過服務的SLA評估服務 資源需求量，再根據資源剩餘表及資源使用表生成資源的分配方案。該實驗是在多VM的場 景下實現的，通過評估服務資源需求量來確定與之對應的資源需求量。這等同於在資源有 限的場景下通過動態修改VM資源量來保障服務性能。調整方法延遲很明顯，創建和刪除VM 時會有很長的時間延遲，達不到預期效果。
[0008] (2)在競爭條件下，根據不同服務的優先級為虛擬機分配資源，並提供性能保障及 負載均衡服務。Jiang C F等人首先通過歷史及實時的性能分析及評估來描述用戶行為和 負載特性，根據目標VM的性能及需求（基於SA及性能反饋）分配資源。張偉哲等人的研 究內容是在單一物理機中多VM內存的協同優化。當節點中VM對內存的需求量小於總內存 時採用自發調節機制，即VM間自發進行調節；當節點中VM對內存的需求量大於總內存時採 用全局調節，即物理機控制器根據各VM資源需求按比例為VM分配相應數量的內存。同樣 地，預測未來VM對資源的依賴情況時只是考慮歷史資源使用情況，並未將時間因素和並發 用戶請求等因素加入到考慮範圍中；在做綜合決策時同等對待各個VM，也並未考慮VM中服 務屬性和資源的時間效應等因素。
[0009] (3)通過計算資源需量，根據各VM資源需求量及PM資源剩餘生成分配方案 (Pradeep P等人）。AC (AppControl，VM資源需求量預測）定期向NC (NodeControl，資源分 配方案生成）主動發送資源請求，NC綜合考慮各AC的資源請求量及其優先等級來決定資 源的分配策略。但是Prade印P等人只考慮了 CPU和Disk I/O兩種資源，並未考慮內存、 Swap、Network I/O等因素，同時也忽略了資源間的互相作用。此外Pradeep P等人採用的 是定期請求法，在周期內部若出現資源過剩或短缺無法得到解決。再者，在預測VM下一時 間段對資源的依賴情況時只考慮了歷史資源使用量，並未考慮時間及並發用戶請求等因素 對VM性能的影響，最後NC在做綜合決策時只考慮了服務等級這一因素，並未考慮服務屬性 和調整周期等因素對決策的影響。
[0010] 通過分析現階段對該問題的研究思路，並參考現階段研究成果，可以得知當前研 究主要存在以下問題：
[0011] 在對VM資源調整時，只考慮單一資源對性能的影響，忽略了多因素間的相互作 用，這使調整策略具有片面性。在預測服務性能的方法中，只考慮歷史資源使用量這一因 素，並未考慮並發用戶請求量對服務性能的影響。在做最優解生成時，多數研究者採用遺傳 算法迭代求解，但只是套用遺傳算法，隨機生成初始種群，增加選出最優解的時間。在資源 不足時，多數研究者只是簡單地將VM劃分成若干等級，根據權重分配資源，並未考慮服務 屬性對特定資源的依賴程度，同時對等級的劃分也不夠權威。資源分配時未考慮資源的時 間效應，也忽略了調整周期對整體VM性能的影響。此外，虛擬機創建、刪除、遷移會花費一 定的時間，並和節點上的其它活動產生相互影響，導致虛擬機創建、刪除、遷移時延的增加 和應用性能的下降。大規模的虛擬機遷移會導致極大的系統開銷，並需要花費較長的時間 來完成全部的遷移，在雲計算基礎設施規模下頻繁地進行虛擬機重放置，實踐上很難有好 的效果。最為重要的是，對於傳統選擇出的經驗數據不做任何處理，不能保留效果較好的決 策。


【發明內容】

[0012] 針對現有技術存在的不足，本發明提供一種單物理機下多虛擬機的資源自適應調 整系統及方法。
[0013] 本發明的技術方案是：
[0014] 一種單物理機下多虛擬機的資源自適應調整系統，該系統在單物理機中實現；
[0015] 該系統包括數據採集模塊、預處理模塊、預測模塊、資源調整策略生成模塊、資源 調整策略收益計算模塊、監測模塊、策略評價模塊和歷史資料庫；
[0016] 數據採集模塊用於採集伺服器的歷史數據並將其存入歷史資料庫中；
[0017] 預處理模塊用於對伺服器的歷史數據進行預處理即去除噪聲數據，得到歷史CPU 資源消耗量、歷史內存資源消耗量和歷史並發用戶請求量；
[0018] 預測模塊用於利用歷史CPU資源消耗量、歷史內存資源消耗量和歷史並發用戶請 求量得到對下一時刻並發用戶請求量進行預測，得到並發用戶請求量預測值，再利用並發 用戶請求量預測值得出虛擬機資源需求量預測區間；
[0019] 資源調整策略生成模塊用於根據虛擬機資源消耗量預測區間，利用遺傳算法得出 多個資源調整策略，並作為初始種群，每個策略中包括虛擬機CPU資源調整量和虛擬機內 存資源調整量；
[0020] 資源調整策略收益計算模塊用於計算各資源調整策略收益，確定最優資源調整策 略；
[0021] 監測模塊用於根據最優資源調整策略進行CPU資源調整和內存資源調整，並監測 服務響應時間、虛擬機資源總量、CPU資源消耗量、內存資源消耗量和並發用戶請求量；
[0022] 策略評價模塊用於根據監測得到的服務響應時間、虛擬機資源總量、CPU資源消耗 量、內存資源消耗量和並發用戶請求量，對最優資源調整策略進行評價；
[0023] 歷史資源資料庫用於存儲伺服器的歷史數據、最優資源調整策略及其評價值，月艮 務器的歷史數據包括歷史CPU、內存和歷史並發用戶請求量。
[0024] 所述預測模塊通過建立用來描述服務質量確定時並發用戶請求量和虛擬機資源 消耗量間的關係的C-R模型對下一時刻並發用戶請求量進行預測。
[0025] 所述資源調整策略收益計算模塊是通過建立用來描述並發用戶請求量確定時服 務質量與虛擬機資源消耗量間關係的P-R模型求得各資源調整策略對應的服務質量，對滿 足SLA約定值的資源調整策略收益計算，資源調整策略收益即資源分配量、資源消耗量、性 能損失量之和，滿足SLA約束值的資源調整策略為最優資源調整策略。
[0026] 採用所述的資源自適應調整系統的單物理機下多虛擬機的資源自適應調整方法， 包括以下步驟：
[0027] 步驟1 :採集伺服器的歷史數據並將其存入歷史資料庫中，伺服器的歷史數據包 括歷史CPU、內存和歷史並發用戶請求量；
[0028] 步驟2 :對伺服器的歷史數據進行預處理即去除噪聲數據，得到歷史CPU資源消耗 量、歷史內存資源消耗量和歷史並發用戶請求量；
[0029] 步驟3 :利用歷史CPU資源消耗量、歷史內存資源消耗量和歷史並發用戶請求量對 下一時刻並發用戶請求量進行預測，得到並發用戶請求量預測值，再利用並發用戶請求量 預測值得出虛擬機資源需求量預測區間；
[0030] 步驟3. 1 :基於歷史並發用戶請求量，利用BP神經網絡算法，對下一時刻並發用戶 請求量進行預測，得到並發用戶請求量預測值；
[0031] 步驟3. 2 :建立用來描述服務質量確定時並發用戶請求量和虛擬機資源消耗量間 的關係的C-R模型；
[0032] yj = α 1〇+ α ηχ+ α 12χ2+ α 13χ3+ α 14χ4+ α 15χ5+ α 16χ6
[0033] y2 - Ct 20+ α 21Χ+ α 22Χ + α 23Χ + α 24Χ + α 25Χ + α 26Χ
[0034] 乃2 二 α3〇 + α31χ + α32χ2 + α33χ3 + α34χ4 + α35χ5 + 巧#6
[0035] g =?+ a41x + a42x2 + α43χ3 + ay4 + οτ45λ:5 + a46x6
[0036] Υι*Υ2 - α 50+ α 51Χ+ α 52Χ + α 53Χ + α 54Χ + α 55Χ + α 56Χ
[0037] 其中，χ為自變量，即並發用戶請求量，yi、y2為因變量，分別為CPU資源消耗量、內 存資源消耗量，Ct iCI(i = 1，2,......，5)表示X與yi; (i' = 1，2)軸的截距，當X是0時， 即並發用戶請求量是〇時的CPU資源消耗量、內存資源消耗量；α 1(|?α 16分別表示自變量 X的〇次方至6次方的係數，表示並發用戶請求量對yi的影響程度；同理，α 2(|?α 26分別 表示自變量X的〇次方至6次方的係數，表示並發用戶請求量對yi的影響程度；α 3(|?α 36 分別表示自變量X的〇次方至6次方的係數，表示並發用戶請求量對W的影響程度；α 4(|? α 46分別表示自變量X的0次方至6次方的係數，表示並發用戶請求量對g的影響程度； α 5〇?α 56分別表示自變量X的0次方至6次方的係數，表示因變量yi與y2協同受到並發 用戶請求量的影響，也是CPU資源和內存資源間相互作用的體現，當α5(ι?α56都為0時表 示這兩類資源間不存在相互作用；
[0038] 步驟3. 3 :利用最小二乘法確定a i(l?a i6 ;
[0039] 步驟3.4:利用ai(l?ai6確定最終的C-R模型，根據該模型和求得的並發用戶 請求量預測值，得到虛擬機資源消耗量預測值，即虛擬機資源消耗量預測區間，包括虛擬機 (PU資源消耗量預測區間和虛擬機內存資源消耗量預測區間；
[0040] 步驟4 :根據虛擬機資源消耗量預測區間，利用遺傳算法得出多個資源調整策略， 並作為初始種群，每個策略中包括虛擬機CPU資源調整量和虛擬機內存資源調整量；
[0041] 步驟4. 1 :判斷歷史資料庫中是否存在與虛擬機資源消耗量預測區間的誤差值在 設定的允許範圍內的經驗資源調整策略，是，則執行步驟4. 2,否則，執行步驟4. 5 ;
[0042] 步驟4. 2 :判斷該經驗資源調整策略的評價值是否為優，即評價值是否在80%? 100%範圍內，是，則將該經驗資源調整策略添加到初始種群中，否則執行步驟4. 3 ;
[0043] 步驟4. 3 :判斷該經驗資源調整策略的評價值是否為差，即評價值是否在0%? 60%範圍內，是，則執行步驟4. 4,否則，執行步驟4. 5 ;
[0044] 步驟4. 4 :判斷當前初始種群中是否存在與該經驗資源調整策略的相似度大於設 定的相似度閾值的策略，是，則刪除該策略，否則，執行步驟4. 5 ;
[0045] 步驟4. 5 :保存當前初始種群；
[0046] 步驟5 :求初始種群中各資源調整策略收益，確定最優資源調整策略；
[0047] 步驟5. 1 :建立用來描述並發用戶請求量確定時服務質量與虛擬機資源消耗量間 關係的P-R模型；
[0048] Yi = y 10+ y ns+ y 12s2+ y 13s3+ y 14s4+ y 15s5+ y 16s6
[0049] y2 - Y 20+ Y 21S+ Y 22s + Y 23s + Y 24s + Y 25s + Y 26s
[0050] yl = γ3〇 + y31s + r32s2 + y33s3 + y34s4 + y35s5 + y36s6
[0051 ] y! = y4〇 + hlS + + F43S3 + 74454 + 如5 + T46S6
[0052] - Y 50+ Y 51S+ Y 52s + Y 53s + Y 54s + Y 55s + Y
[0053] 其中，s為自變量，S卩服務質量，yi，y2為因變量， yi為虛擬機CPU資源消耗量，y2為 虛擬機內存資源消耗量；
[0054] 分別為服務質量和虛擬機資源消耗量，Y iCi(i = 1，2,......，5)表不s與5V (i' =1，2)軸的截距，當s是0時，即並發用戶請求量是0時的服務質量和虛擬機資源消耗量； Y 1(|?Y 16分別表示自變量s的〇次方至6次方的係數，表示並發用戶請求量對yi的影響 程度；同理，Y2(l?Y26分別表示自變量s的〇次方至6次方的係數，表示並發用戶請求量 對yi的影響程度；Y 3〇?Y 36分別表示自變量S的0次方至6次方的係數，表示並發用戶 請求量對只2的影響程度；Υ 4〇?Υ 46分別表示自變量s的0次方至6次方的係數，表示並發 用戶請求量對g的影響程度；Υ 5〇?Υ 56分別表示自變量s的0次方至6次方的係數，表示 因變量yi與y2協同受到並發用戶請求量的影響，也是服務質量和虛擬機資源消耗量相互作 用的體現，當Y 5〇?Y 56都為〇時表示這服務質量和虛擬機資源消耗量不存在相互作用；
[0055] 步驟5. 2 :利用最小二乘法確定Yi(l?Yi6，利用Yi(l?Yi6確定最終的P-R模型；
[0056] 步驟5. 3 :利用P-R模型和虛擬機資源消耗量預測區間，求得初始種群中各資源調 整策略對應的服務質量，並判斷該服務質量是否滿足SLA約定值，是，則保留當前資源調整 策略，否，則刪除該策略；
[0057] 步驟5. 4 :對當前種群中保留的資源調整策略進行策略收益計算；
[0058] 步驟5. 4. 1 :利用資源分配量count和資源成本price計算所有虛擬機的資源分 配量 price_dissum ;
[0059] price_disSUII1 = (pricecpu*countcpu*10+pricemem*count mem) *1800s
[0060] 步驟5. 4. 2 :利用每秒的資源分配量count和每秒的資源成本price_s，計算資源 消耗量pricesum ;
[0061]

【權利要求】
1. 一種單物理機下多虛擬機的資源自適應調整系統，其特徵在於：該系統在單物理機 中實現； 該系統包括數據採集模塊、預處理模塊、預測模塊、資源調整策略生成模塊、資源調整 策略收益計算模塊、監測模塊、策略評價模塊和歷史資料庫； 數據採集模塊用於採集伺服器的歷史數據並將其存入歷史資料庫中； 預處理模塊用於對伺服器的歷史數據進行預處理即去除噪聲數據，得到歷史CPU資源 消耗量、歷史內存資源消耗量和歷史並發用戶請求量； 預測模塊用於利用歷史CPU資源消耗量、歷史內存資源消耗量和歷史並發用戶請求量 得到對下一時刻並發用戶請求量進行預測，得到並發用戶請求量預測值，再利用並發用戶 請求量預測值得出虛擬機資源需求量預測區間； 資源調整策略生成模塊用於根據虛擬機資源消耗量預測區間，利用遺傳算法得出多個 資源調整策略，並作為初始種群，每個策略中包括虛擬機CPU資源調整量和虛擬機內存資 源調整量； 資源調整策略收益計算模塊用於計算各資源調整策略收益，確定最優資源調整策略； 監測模塊用於根據最優資源調整策略進行CPU資源調整和內存資源調整，並監測服務 響應時間、虛擬機資源總量、CPU資源消耗量、內存資源消耗量和並發用戶請求量； 策略評價模塊用於根據監測得到的服務響應時間、虛擬機資源總量、CPU資源消耗量、 內存資源消耗量和並發用戶請求量，對最優資源調整策略進行評價； 歷史資源資料庫用於存儲伺服器的歷史數據、最優資源調整策略及其評價值，伺服器 的歷史數據包括歷史CPU、內存和歷史並發用戶請求量。
2. 根據權利要求1所述的單物理機下多虛擬機的資源自適應調整系統，其特徵在於： 所述預測模塊通過建立用來描述服務質量確定時並發用戶請求量和虛擬機資源消耗量間 的關係的C-R模型對下一時刻並發用戶請求量進行預測。
3. 根據權利要求1所述的單伺服器下多虛擬機的資源自適應調整系統，其特徵在於： 所述資源調整策略收益計算模塊是通過建立用來描述並發用戶請求量確定時服務質量與 虛擬機資源消耗量間關係的P-R模型求得各資源調整策略對應的服務質量，對滿足SLA約 定值的資源調整策略收益計算，資源調整策略收益即資源分配量、資源消耗量、性能損失量 之和，滿足SLA約束值的資源調整策略為最優資源調整策略。
4. 採用權利要求1所述的資源自適應調整系統的單物理機下多虛擬機的資源自適應 調整方法，其特徵在於：包括以下步驟： 步驟1 :採集伺服器的歷史數據並將其存入歷史資料庫中，伺服器的歷史數據包括歷 史CPU、內存和歷史並發用戶請求量； 步驟2 :對伺服器的歷史數據進行預處理即去除噪聲數據，得到歷史CPU資源消耗量、 歷史內存資源消耗量和歷史並發用戶請求量； 步驟3 :利用歷史CPU資源消耗量、歷史內存資源消耗量和歷史並發用戶請求量對下一 時刻並發用戶請求量進行預測，得到並發用戶請求量預測值，再利用並發用戶請求量預測 值得出虛擬機資源需求量預測區間； 步驟3. 1 :基於歷史並發用戶請求量，利用BP神經網絡算法，對下一時刻並發用戶請求 量進行預測，得到並發用戶請求量預測值； 步驟3. 2 :建立用來描述服務質量確定時並發用戶請求量和虛擬機資源消耗量間的關 系的C-R模型；
其中，X為自變量，即並發用戶請求量，yi、y2為因變量，分別為CPU資源消耗量、內存資 源消耗量，ct iCI(i = 1，2,......，5)表示X與yi; (i' = 1，2)軸的截距，當X是O時，即並 發用戶請求量是〇時的CPU資源消耗量、內存資源消耗量；a 1(|?a 16分別表示自變量X的 〇次方至6次方的係數，表示並發用戶請求量對yi的影響程度；同理，a 2(|?a 26分別表示 自變量X的O次方至6次方的係數，表示並發用戶請求量對yi的影響程度；a 3(|?a 36分別 表示自變量X的O次方至6次方的係數，表示並發用戶請求量對W的影響程度；a 4(|?a 46 分別表示自變量X的O次方至6次方的係數，表示並發用戶請求量對_y22的影響程度；a 5(|? a 56分別表示自變量X的O次方至6次方的係數，表示因變量yi與y2協同受到並發用戶請 求量的影響，也是CPU資源和內存資源間相互作用的體現，當Ci5tl?Ci56都為O時表示這兩 類資源間不存在相互作用； 步驟3. 3 :利用最小二乘法確定a i(l?a i6 ; 步驟3. 4:利用Ciitl?a i6確定最終的C-R模型，根據該模型和求得的並發用戶請求量 預測值，得到虛擬機資源消耗量預測值，即虛擬機資源消耗量預測區間，包括虛擬機CPU資 源消耗量預測區間和虛擬機內存資源消耗量預測區間； 步驟4 :根據虛擬機資源消耗量預測區間，利用遺傳算法得出多個資源調整策略，並作 為初始種群，每個策略中包括虛擬機CPU資源調整量和虛擬機內存資源調整量； 步驟4. 1 :判斷歷史資料庫中是否存在與虛擬機資源消耗量預測區間的誤差值在設定 的允許範圍內的經驗資源調整策略，是，則執行步驟4. 2,否則，執行步驟4. 5 ; 步驟4. 2 :判斷該經驗資源調整策略的評價值是否為優，即評價值是否在80%?100% 範圍內，是，則將該經驗資源調整策略添加到初始種群中，否則執行步驟4. 3 ; 步驟4.3 :判斷該經驗資源調整策略的評價值是否為差，即評價值是否在0%?60%範 圍內，是，則執行步驟4. 4,否則，執行步驟4. 5 ; 步驟4. 4 :判斷當前初始種群中是否存在與該經驗資源調整策略的相似度大於設定的 相似度閾值的策略，是，則刪除該策略，否則，執行步驟4. 5 ; 步驟4. 5:保存當前初始種群； 步驟5 :求初始種群中各資源調整策略收益，確定最優資源調整策略； 步驟5. 1 :建立用來描述並發用戶請求量確定時服務質量與虛擬機資源消耗量間關係 的P-R模型；

其中，S為自變量，S卩服務質量，yi，y2為因變量，yi為虛擬機CPU資源消耗量，y 2為虛擬 機內存資源消耗量； 分別為服務質量和虛擬機資源消耗量，Y i〇(i = 1，2,......，5)表示s與yp (i '= 1，2)軸的截距，當s是O時，即並發用戶請求量是O時的服務質量和虛擬機資源消耗量； Y 1(|?Y 16分別表示自變量s的O次方至6次方的係數，表示並發用戶請求量對yi的影響 程度；同理，Y 2tl?Y26分別表示自變量s的O次方至6次方的係數，表示並發用戶請求量 對Y1的影響程度；Y 3〇?Y 36分別表示自變量s的O次方至6次方的係數，表示並發用戶 請求量對J12的影響程度；Y 4〇?Y 46分別表示自變量s的O次方至6次方的係數，表示並發 用戶請求量對J22的影響程度；Y 5〇?Y 56分別表示自變量s的O次方至6次方的係數，表示 因變量Y1與y2協同受到並發用戶請求量的影響，也是服務質量和虛擬機資源消耗量相互作 用的體現，當Y 5〇?Y 56都為〇時表示這服務質量和虛擬機資源消耗量不存在相互作用； 步驟5. 2 :利用最小二乘法確定Y i(l?Y i6，利用Y i(l?Y i6確定最終的P-R模型； 步驟5. 3 :利用P-R模型和虛擬機資源消耗量預測區間，求得初始種群中各資源調整 策略對應的服務質量，並判斷該服務質量是否滿足SLA約定值，是，則保留當前資源調整策 略，否，則刪除該策略； 步驟5. 4 :對當前種群中保留的資源調整策略進行策略收益計算； 步驟5. 4. 1 :利用資源分配量count和資源成本price計算所有虛擬機的資源分配量 price_dissum ； price_disSUI1 = (price cpu* count cpu* 10+pr i c emem* countmem)*1800s 步驟5. 4. 2 :利用每秒的資源分配量count和每秒的資源成本prices，計算資源消耗 量 Pricesum ;
步驟5. 4. 3 :利用虛擬機資源消耗量預測值Priceiew和虛擬機實際的資源消耗量 price^a求得服務性能損失量；
步驟5. 4. 4 :計算資源分配量、資源消耗量、性能損失量之和，即策略收益； 步驟5. 5 :比較各資源調整策略收益，若不能滿足SLA約束值，則返回步驟4,若滿足 SLA約束值，則當前策略為最優資源調整策略； 步驟6 :根據最優資源調整策略進行CPU資源調整和內存資源調整，並監測服務響應時 間、虛擬機資源總量、CPU資源消耗量、內存資源消耗量和並發用戶請求量； 步驟7 :根據監測得到的服務響應時間、虛擬機資源總量、CPU資源消耗量、內存資源消 耗量和並發用戶請求量，對最優資源調整策略進行評價； 步驟7. I :利用監測周期內各監測時間點的服務響應時間、虛擬機資源總量、CPU資源 消耗量、內存資源消耗量和並發用戶請求量，計算得到整個監測周期內服務的總體性能滿 意度； 步驟7. I. 1 :計算各監測時間點服務平均響應時間，並將服務平均響應時間以每IOms 為1個區間分成m個區間； 步驟7. 1.2:統計各區間內監測時間點的個數，並計算其與總監測時間點數目的比例， 進而確定各區間內監測時間點的個數與總監測時間點數目的比例最大值； 步驟7. 1.3 :分別計算各區間內監測時間點的個數與總監測時間點數目的比例值與比 例最大值之比，若該比值小於設定的忽略條件的比值，則捨棄該比例值，返回步驟7. 1. 2,若 該比值不小於設定的忽略條件的比值，執行步驟7. 1. 4 ; 步驟7. 1. 4 :使用加權平均數求解算法計算監測周期內服務平均響應時間； 步驟7. 1. 5 :計算整個監測周期內服務的總體性能滿意度finishSOTV"，即監測周期內服 務平均響應時間responseMal與服務的約定響應時間responsesla之比； finishserver = responsesla/responsereal*100% 若如181_>100%，則將如181_置為100% ; 步驟7. 2 :用監測周期內各監測時間點的虛擬機CPU資源消耗量U^、虛擬機內存資源 消耗量Unrem，得到虛擬機資源利用率Uvm= 0 XUc5Ml-0)XUM，0為虛擬機CPU資源消耗 量相對於整個虛擬機資源的權值，1- 0為虛擬機內存資源消耗量相對於整個虛擬機資源的 權值； 步驟7. 3 :通過整個監測周期內服務的總體性能滿意度和虛擬機資源利用率，對當前 執行的最優策略進行評價，得到評價值V ;
其中，表示整個監測周期內服務的總體性能滿意度平均值，I表示整個監 測周期內的虛擬機資源利用率平均值； 步驟8 :將當前最優資源調整策略及其評價值存入歷史資料庫。
5.根據權利要求4所述的單物理機下多虛擬機的資源自適應調整方法，其特徵在於： 所述步驟3. 3按以下步驟進行： 步驟3. 3. 1 :將C-R模型改寫成矩陣形式：將C-R模型用Z1、z2、z3、z 4、Z5表示； Zi = yi，z2 = y2 = J12，Z4 = 3? z5 = Yi*y2 步驟3. 3. 2 :計算誤差平方和SSE，進而得到與C-R模型對應的最小二乘方程；

其中，j = 1?n，表示n條並發請求量，Zij表示第j條並發請求量中相應類型的虛擬 機資源消耗量表示第j個並發用戶請求量數據； 與C-R模型對應的最小二乘方程如下：
步驟3.3.3:通過極小化SSEi的樣本估計值(5i0, 5n, si2, _ai3, ai4, ai6)，求解最 小二乘方程，得到關於a iQ，a n，a i2, a i3, a i4, a i5, a i6的線性方程； 步驟3. 3. 4 :利用歷史虛擬機CPU資源消耗量、歷史虛擬機內存資源消耗量、歷史並發 用戶請求量和關於Ct iCI，Ct n，Ct i2, Ct i3, Ct i4, ai5, a i6的線性方程求解出參數a Kl?a i6。
6.根據權利要求4所述的單物理機下多虛擬機的資源自適應調整方法，其特徵在於： 所述步驟5. 2按以下步驟進行： 步驟5. 2. 1 :將P-R模型改寫成矩陣形式：將P-R模型用P1、p2、p3、p 4、p5表示； Pl = Jl^ P2 = J2 /? =少1、A = .V22 P5 = yi*y2 步驟5. 2. 2 :計算誤差平方和SSE，進而得到與P-R模型對應的最小二乘方程；
其中，j = 1?n，表示n條服務質量，Pij表示第j條服務質量中相應類型的虛擬機資 源消耗量值；表示第j個服務質量數據； 與C-R模型對應的最小二乘方程如下：

步驟5. 2. 3 :通過極小化SSEi的樣本估計值(fio, fn, fi2, fdi4, fdi6)，求解最小 二乘方程，得到關於Y i(l，Yil, Yi2, Yi3, Yi4, Yi5, Yi6的線性方程； 步驟5. 2. 4 :利用歷史虛擬機CPU資源消耗量、歷史虛擬機內存資源消耗量、歷史並發 用戶請求量和關於YiCl, Yil, Yi2, Yi3, Yi4, Y i5, Yi6的線性方程求解出參數Y Kl?Yi6; 步驟5. 2. 5 :利用Y i(l?Y i6確定最終的P-R模型。
【文檔編號】H04L29/08GK104283946SQ201410505945
【公開日】2015年1月14日 申請日期:2014年9月26日 優先權日:2014年9月26日
【發明者】郭軍, 張斌, 劉宇, 楊麗春, 莫玉巖, 閆永明, 劉舒, 馬慶敏, 馬群, 李智, 李海濤 申請人:東北大學, 遼寧北方實驗室有限公司