一种云计算工作负载动态整合方法
【技术领域】
[0001]本发明涉及一种云计算工作负载动态整合方法。
【背景技术】
[0002]随着云计算技术的迅速发展，基础设施即服务成为其重要的服务模式，用户可以从IaaS提供商处按需租用包括服务器、网络、存储等资源。具有弹性资源供给，虚拟服务动态配置，基础设施资源的虚拟化和管理等功能的数据中心成为构建IaaS服务的重要载体。
[0003]在IaaS环境中，通常实施虚拟机迀移整合操作来满足负载均衡、自动伸缩、绿色节能、保证服务质量等方面的需要。通过实现虚拟化资源在各种不同云应用之间的动态分配，实时调整虚拟机与物理节点之间的映射关系，优化系统性能和服务质量。在整合过程中应尽可能减少虚拟机迀移次数和迀移时间，缩短停机时间减少服务等级协议违例。
[0004]当前解决方案中，有的提出了通过统计学模型来预测资源需求辅助进行作业调度，但这种方式并不适用网络I/O密集型等其它类型业务；有的介绍了一种基于隐马尔可夫模型的预测模型，但仅关注虚拟机集群负载的时域相关性；有的采用分组遗传算法和模糊多目标评价的方法来达到高效使用多维资源等设计目标，但没有考虑工作负载的类型及特性，同时复杂度较高，决策效率低；还有的分别从带宽受限、绿色节能等角度出发设计相应的虚拟机调整机制，但大多局限在具体的应用场景里且没有考虑工作负载的变化所带来的影响和冲击。
[0005]总体而言，目前关于工作负载预测和虚拟机整合方面的工作较为独立，缺少将工作负载预测技术与虚拟机资源调度有机结合的新型管控机制。目前尚未有全盘考虑的完整解决方案。
【发明内容】
[0006]本发明的目的是提供一种云计算工作负载动态整合方法，能够通过有机结合基于工作负载预测的主动控制技术和基于实际系统状态信息的被动控制技术，并采用指数平滑预测模型预测未来时刻的工作负载情况，提出虚拟机选择阶段最大未来工作负载优先和虚拟机安置阶段比较资源需求队列的虚拟机整合方法。
[0007]—种云计算工作负载动态整合方法，其特别之处在于，包括如下步骤:
[0008](1)获取云计算环境中的负载数据；
[0009](2)预测工作负载；
[0010](3)确定需要迀移的虚拟机；
[0011](4)安置需要迀移的虚拟机。
[0012]步骤(1)具体是实时收集保存系统输入的工作负载数据。
[0013]步骤(2)具体是根据当前时刻以及之前的负载数据，运用指数平滑预测模型计算下一时刻的工作负载预测值。
[0014]步骤(3)具体是根据物理服务器的过载情况，选择需要迀移的虚拟机。
[0015]步骤(4)具体是根据需要安置的虚拟机的资源需求与系统所有物理主机的资源信息，从中选取合适的用于安置迀移虚拟机的物理主机。
[0016]进一步的，具体是首先确定当前主机工作负载，当物理服务器处于过载状态时，将虚拟机按未来工作负载量进行降序排列，选择未来工作负载排名前列的虚拟机进行迀移；当处于低载状态时，将所有虚拟机都迀移出当前主机。
[0017]其中包括选择安置虚拟机到物理服务器的策略，选择策略是对所有满足虚拟机资源分配要求的主机计算其未来时刻工作负载，根据预测情况划分资源需求缩减队列和资源需求扩大队列，采用特定方式对队列进行排序并产生队首元素，通过进一步筛选确定目的主机。
[0018]进一步的，其中包括选择工作负载排名方法，选择准则是将预测负载最大的虚拟机率先迀移出当前工作主机，并使得主机能够满足剩下的虚拟机的未来资源需求。
[0019]本发明提供了一种面向云计算基础设施基于工作负载预测的整合方法，通过有机结合基于工作负载预测的主动控制技术和基于实际系统状态信息的被动控制技术，并采用指数平滑预测模型预测未来时刻的工作负载情况，提出虚拟机选择阶段最大未来工作负载优先和虚拟机安置阶段比较资源需求队列的虚拟机整合方法。目前关于工作负载预测和虚拟机整合方面的工作较为独立，缺少将工作负载预测技术与虚拟机资源调度有机结合的新型管控机制。本发明提出的方法，运用工作负载的预测数据来服务于虚拟机迀移决策，以此提升虚拟机整合的效果，减少数据中心的资源消耗并提高资源使用效率。
【附图说明】
[0020]附图1为本发明方法的流程图。
【具体实施方式】
[0021]本发明提供一种云计算工作负载动态整合方法，所述方法包括:
[0022](1)获取云计算环境中的负载数据；
[0023](2)预测工作负载；
[0024](3)确定需要迀移的虚拟机；
[0025](4)安置需要迀移的虚拟机。
[0026]所述步骤(1)包括实时收集保存系统输入的工作负载数据。
[0027]所述步骤(2)包括根据当前时刻Tc以及之前的负载数据，运用指数平滑预测模型计算下一时刻Tf的工作负载预测值Wp。指数平滑预测模型是一种特殊的加权移动平均法，其通过赋予离预测期近的工作负载较大权数，并使得权数由近到远按指数规律递减的方法来预测未来工作负载，其数学表达式为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]所述步骤(3)，当物理服务器发生过载情况时(CPU利用率超过80% )和低载情况时(CPU利用率低于20% )，需要根据当前状态将该主机上的部分或全部虚拟机迀移到其它主机上运行。当处于过载状态时，将虚拟机按未来工作负载量进行降序排列，选择未来工作负载排名前列的虚拟机进行迀移。选择准则是将预测负载Wp最大的虚拟机率先迀移出当前工作主机，并使得主机能够满足剩下的虚拟机的未来资源需求。当处于低载状态时，将所有虚拟机都迀移出当前主机。
[0029]所述步骤(4)根据需要安置的虚拟机的资源需求与系统所有物理主机的资源信息，