一種云計算工作負載動態(tài)整合方法
【技術領域】
[0001]本發(fā)明涉及一種云計算工作負載動態(tài)整合方法。
【背景技術】
[0002]隨著云計算技術的迅速發(fā)展，基礎設施即服務成為其重要的服務模式，用戶可以從IaaS提供商處按需租用包括服務器、網絡、存儲等資源。具有彈性資源供給，虛擬服務動態(tài)配置，基礎設施資源的虛擬化和管理等功能的數(shù)據中心成為構建IaaS服務的重要載體。
[0003]在IaaS環(huán)境中，通常實施虛擬機迀移整合操作來滿足負載均衡、自動伸縮、綠色節(jié)能、保證服務質量等方面的需要。通過實現(xiàn)虛擬化資源在各種不同云應用之間的動態(tài)分配，實時調整虛擬機與物理節(jié)點之間的映射關系，優(yōu)化系統(tǒng)性能和服務質量。在整合過程中應盡可能減少虛擬機迀移次數(shù)和迀移時間，縮短停機時間減少服務等級協(xié)議違例。
[0004]當前解決方案中，有的提出了通過統(tǒng)計學模型來預測資源需求輔助進行作業(yè)調度，但這種方式并不適用網絡I/O密集型等其它類型業(yè)務；有的介紹了一種基于隱馬爾可夫模型的預測模型，但僅關注虛擬機集群負載的時域相關性；有的采用分組遺傳算法和模糊多目標評價的方法來達到高效使用多維資源等設計目標，但沒有考慮工作負載的類型及特性，同時復雜度較高，決策效率低；還有的分別從帶寬受限、綠色節(jié)能等角度出發(fā)設計相應的虛擬機調整機制，但大多局限在具體的應用場景里且沒有考慮工作負載的變化所帶來的影響和沖擊。
[0005]總體而言，目前關于工作負載預測和虛擬機整合方面的工作較為獨立，缺少將工作負載預測技術與虛擬機資源調度有機結合的新型管控機制。目前尚未有全盤考慮的完整解決方案。

【發(fā)明內容】

[0006]本發(fā)明的目的是提供一種云計算工作負載動態(tài)整合方法，能夠通過有機結合基于工作負載預測的主動控制技術和基于實際系統(tǒng)狀態(tài)信息的被動控制技術，并采用指數(shù)平滑預測模型預測未來時刻的工作負載情況，提出虛擬機選擇階段最大未來工作負載優(yōu)先和虛擬機安置階段比較資源需求隊列的虛擬機整合方法。
[0007]—種云計算工作負載動態(tài)整合方法，其特別之處在于，包括如下步驟:
[0008](1)獲取云計算環(huán)境中的負載數(shù)據；
[0009](2)預測工作負載；
[0010](3)確定需要迀移的虛擬機；
[0011](4)安置需要迀移的虛擬機。
[0012]步驟(1)具體是實時收集保存系統(tǒng)輸入的工作負載數(shù)據。
[0013]步驟(2)具體是根據當前時刻以及之前的負載數(shù)據，運用指數(shù)平滑預測模型計算下一時刻的工作負載預測值。
[0014]步驟(3)具體是根據物理服務器的過載情況，選擇需要迀移的虛擬機。
[0015]步驟(4)具體是根據需要安置的虛擬機的資源需求與系統(tǒng)所有物理主機的資源信息，從中選取合適的用于安置迀移虛擬機的物理主機。
[0016]進一步的，具體是首先確定當前主機工作負載，當物理服務器處于過載狀態(tài)時，將虛擬機按未來工作負載量進行降序排列，選擇未來工作負載排名前列的虛擬機進行迀移；當處于低載狀態(tài)時，將所有虛擬機都迀移出當前主機。
[0017]其中包括選擇安置虛擬機到物理服務器的策略，選擇策略是對所有滿足虛擬機資源分配要求的主機計算其未來時刻工作負載，根據預測情況劃分資源需求縮減隊列和資源需求擴大隊列，采用特定方式對隊列進行排序并產生隊首元素，通過進一步篩選確定目的主機。
[0018]進一步的，其中包括選擇工作負載排名方法，選擇準則是將預測負載最大的虛擬機率先迀移出當前工作主機，并使得主機能夠滿足剩下的虛擬機的未來資源需求。
[0019]本發(fā)明提供了一種面向云計算基礎設施基于工作負載預測的整合方法，通過有機結合基于工作負載預測的主動控制技術和基于實際系統(tǒng)狀態(tài)信息的被動控制技術，并采用指數(shù)平滑預測模型預測未來時刻的工作負載情況，提出虛擬機選擇階段最大未來工作負載優(yōu)先和虛擬機安置階段比較資源需求隊列的虛擬機整合方法。目前關于工作負載預測和虛擬機整合方面的工作較為獨立，缺少將工作負載預測技術與虛擬機資源調度有機結合的新型管控機制。本發(fā)明提出的方法，運用工作負載的預測數(shù)據來服務于虛擬機迀移決策，以此提升虛擬機整合的效果，減少數(shù)據中心的資源消耗并提高資源使用效率。
【附圖說明】
[0020]附圖1為本發(fā)明方法的流程圖。
【具體實施方式】
[0021]本發(fā)明提供一種云計算工作負載動態(tài)整合方法，所述方法包括:
[0022](1)獲取云計算環(huán)境中的負載數(shù)據；
[0023](2)預測工作負載；
[0024](3)確定需要迀移的虛擬機；
[0025](4)安置需要迀移的虛擬機。
[0026]所述步驟(1)包括實時收集保存系統(tǒng)輸入的工作負載數(shù)據。
[0027]所述步驟(2)包括根據當前時刻Tc以及之前的負載數(shù)據，運用指數(shù)平滑預測模型計算下一時刻Tf的工作負載預測值Wp。指數(shù)平滑預測模型是一種特殊的加權移動平均法，其通過賦予離預測期近的工作負載較大權數(shù)，并使得權數(shù)由近到遠按指數(shù)規(guī)律遞減的方法來預測未來工作負載，其數(shù)學表達式為Wp(t+1)= aff {t) + (l-a)ffp{t)= aff {t)+a (1-a)W(t D+a (l-a)t-lW⑴;其中 a =0.5。
[0028]所述步驟(3)，當物理服務器發(fā)生過載情況時(CPU利用率超過80% )和低載情況時(CPU利用率低于20% )，需要根據當前狀態(tài)將該主機上的部分或全部虛擬機迀移到其它主機上運行。當處于過載狀態(tài)時，將虛擬機按未來工作負載量進行降序排列，選擇未來工作負載排名前列的虛擬機進行迀移。選擇準則是將預測負載Wp最大的虛擬機率先迀移出當前工作主機，并使得主機能夠滿足剩下的虛擬機的未來資源需求。當處于低載狀態(tài)時，將所有虛擬機都迀移出當前主機。
[0029]所述步驟(4)根據需要安置的虛擬機的資源需求與系統(tǒng)所有物理主機的資源信息，