一种单物理机下多虚拟机的资源自适应调整系统及方法
【专利摘要】一种单物理机下多虚拟机的资源自适应调整系统及方法，该系统在单物理机中实现，包括数据采集模块、预处理模块、预测模块、资源调整策略生成模块、资源调整策略收益计算模块、监测模块、策略评价模块和历史数据库；该方法包括：采集服务器的历史数据并将其存入历史数据库中；对服务器的历史数据进行预处理；对下一时刻并发用户请求量进行预测，再利用并发用户请求量预测值得出虚拟机资源需求量预测区间；确定最优资源调整策略；进行CPU资源调整和内存资源调整；对最优资源调整策略进行评价；将当前最优资源调整策略及其评价值存入历史数据库。本发明能动态调整单物理机上各虚拟机资源量来适应动态变化的资源需求，使单物理机资源得到最大的收益。
【专利说明】一种单物理机下多虚拟机的资源自适应调整系统及方法
【技术领域】
[0001] 本发明属于云服务【技术领域】，具体是一种单物理机下多虚拟机的资源自适应调整 系统及方法。
【背景技术】
[0002] 云计算是继并行计算、分布式计算、网格计算后的更加新型计算模式。云环境下通 常在资源池上部署多台虚拟机（VM)，这些虚拟机共用此节点上的物理资源（CPU，内存等）。 各个虚拟机作为服务器发布服务，用户通过Web方式访问服务并消耗服务器一定数量的物 理资源。
[0003] 在配置虚拟机时必须指定虚拟机各类资源的数量，由于各虚拟机并发用户请求不 断变化，所以各虚拟机在不同时刻对各类资源的需求量不同。在做虚拟机初始分配时：若将 虚拟机的资源需求峰值分配给虚拟机能满足虚拟机在不同时刻的资源需求，但这也造成资 源浪费；若不将资源峰值分配给虚拟机，而是将资源的平均需求量分配给虚拟机，必将造成 虚拟机在某些时刻处于资源短缺状态，影响服务性能，造成SLA违例。
[0004] 若能动态调整单PM上各虚拟机硬件资源量来适应这种动态变化的资源需求，理 论上将不会出现低负载的虚拟机资源过剩、高负载的虚拟机资源紧缺等现象。如何在单节 点上根据并发用户请求量的变化动态调整各虚拟机资源量使服务性能得到最大程度地保 障是本领域研究的问题。
[0005] 对于单物理机上多虚拟机资源分配问题，本领域技术人员大多采用启发式方法来 进行全局优化搜索。启发式方法基本是单点搜索，很容易陷入局部最优解。而且，大多数研 究者采用迁移虚拟机的方法解决资源不足的问题，但虚拟机迁移会花费一定的时间，并与 物理机上的其它活动产生相互影响，导致迁移时延的增加和应用性能的下降。
[0006] 现阶段单物理机资源分配，主要分为以下三个研究思路，一是通过预测VM的资源 需求量，根据预测值作分配决策；二是将VM(服务）等级考虑其中，在资源不足的情况下按 等级分配资源；三是将前两种结合，通过历史资源使用信息计算出各VM的资源需求，然后 综合考虑各个虚拟机的资源需求量作资源分配决策。
[0007] (1)通过预测服务的资源需求量，根据各个VM的资源使用及剩余情况，动态生成 VM部署方案，解决了服务性能保障问题（Huang C J等人）。首先通过服务的SLA评估服务 资源需求量，再根据资源剩余表及资源使用表生成资源的分配方案。该实验是在多VM的场 景下实现的，通过评估服务资源需求量来确定与之对应的资源需求量。这等同于在资源有 限的场景下通过动态修改VM资源量来保障服务性能。调整方法延迟很明显，创建和删除VM 时会有很长的时间延迟，达不到预期效果。
[0008] (2)在竞争条件下，根据不同服务的优先级为虚拟机分配资源，并提供性能保障及 负载均衡服务。Jiang C F等人首先通过历史及实时的性能分析及评估来描述用户行为和 负载特性，根据目标VM的性能及需求（基于SA及性能反馈）分配资源。张伟哲等人的研 究内容是在单一物理机中多VM内存的协同优化。当节点中VM对内存的需求量小于总内存 时采用自发调节机制，即VM间自发进行调节；当节点中VM对内存的需求量大于总内存时采 用全局调节，即物理机控制器根据各VM资源需求按比例为VM分配相应数量的内存。同样 地，预测未来VM对资源的依赖情况时只是考虑历史资源使用情况，并未将时间因素和并发 用户请求等因素加入到考虑范围中；在做综合决策时同等对待各个VM，也并未考虑VM中服 务属性和资源的时间效应等因素。
[0009] (3)通过计算资源需量，根据各VM资源需求量及PM资源剩余生成分配方案 (Pradeep P等人）。AC (AppControl，VM资源需求量预测）定期向NC (NodeControl，资源分 配方案生成）主动发送资源请求，NC综合考虑各AC的资源请求量及其优先等级来决定资 源的分配策略。但是Prade印P等人只考虑了 CPU和Disk I/O两种资源，并未考虑内存、 Swap、Network I/O等因素，同时也忽略了资源间的互相作用。此外Pradeep P等人采用的 是定期请求法，在周期内部若出现资源过剩或短缺无法得到解决。再者，在预测VM下一时 间段对资源的依赖情况时只考虑了历史资源使用量，并未考虑时间及并发用户请求等因素 对VM性能的影响，最后NC在做综合决策时只考虑了服务等级这一因素，并未考虑服务属性 和调整周期等因素对决策的影响。
[0010] 通过分析现阶段对该问题的研究思路，并参考现阶段研究成果，可以得知当前研 究主要存在以下问题：
[0011] 在对VM资源调整时，只考虑单一资源对性能的影响，忽略了多因素间的相互作 用，这使调整策略具有片面性。在预测服务性能的方法中，只考虑历史资源使用量这一因 素，并未考虑并发用户请求量对服务性能的影响。在做最优解生成时，多数研究者采用遗传 算法迭代求解，但只是套用遗传算法，随机生成初始种群，增加选出最优解的时间。在资源 不足时，多数研究者只是简单地将VM划分成若干等级，根据权重分配资源，并未考虑服务 属性对特定资源的依赖程度，同时对等级的划分也不够权威。资源分配时未考虑资源的时 间效应，也忽略了调整周期对整体VM性能的影响。此外，虚拟机创建、删除、迁移会花费一 定的时间，并和节点上的其它活动产生相互影响，导致虚拟机创建、删除、迁移时延的增加 和应用性能的下降。大规模的虚拟机迁移会导致极大的系统开销，并需要花费较长的时间 来完成全部的迁移，在云计算基础设施规模下频繁地进行虚拟机重放置，实践上很难有好 的效果。最为重要的是，对于传统选择出的经验数据不做任何处理，不能保留效果较好的决 策。
【发明内容】
[0012] 针对现有技术存在的不足，本发明提供一种单物理机下多虚拟机的资源自适应调 整系统及方法。
[0013] 本发明的技术方案是：
[0014] 一种单物理机下多虚拟机的资源自适应调整系统，该系统在单物理机中实现；
[0015] 该系统包括数据采集模块、预处理模块、预测模块、资源调整策略生成模块、资源 调整策略收益计算模块、监测模块、策略评价模块和历史数据库；
[0016] 数据采集模块用于采集服务器的历史数据并将其存入历史数据库中；
[0017] 预处理模块用于对服务器的历史数据进行预处理即去除噪声数据，得到历史CPU 资源消耗量、历史内存资源消耗量和历史并发用户请求量；
[0018] 预测模块用于利用历史CPU资源消耗量、历史内存资源消耗量和历史并发用户请 求量得到对下一时刻并发用户请求量进行预测，得到并发用户请求量预测值，再利用并发 用户请求量预测值得出虚拟机资源需求量预测区间；
[0019] 资源调整策略生成模块用于根据虚拟机资源消耗量预测区间，利用遗传算法得出 多个资源调整策略，并作为初始种群，每个策略中包括虚拟机CPU资源调整量和虚拟机内 存资源调整量；
[0020] 资源调整策略收益计算模块用于计算各资源调整策略收益，确定最优资源调整策 略；
[0021] 监测模块用于根据最优资源调整策略进行CPU资源调整和内存资源调整，并监测 服务响应时间、虚拟机资源总量、CPU资源消耗量、内存资源消耗量和并发用户请求量；
[0022] 策略评价模块用于根据监测得到的服务响应时间、虚拟机资源总量、CPU资源消耗 量、内存资源消耗量和并发用户请求量，对最优资源调整策略进行评价；
[0023] 历史资源数据库用于存储服务器的历史数据、最优资源调整策略及其评价值，月艮 务器的历史数据包括历史CPU、内存和历史并发用户请求量。
[0024] 所述预测模块通过建立用来描述服务质量确定时并发用户请求量和虚拟机资源 消耗量间的关系的C-R模型对下一时刻并发用户请求量进行预测。
[0025] 所述资源调整策略收益计算模块是通过建立用来描述并发用户请求量确定时服 务质量与虚拟机资源消耗量间关系的P-R模型求得各资源调整策略对应的服务质量，对满 足SLA约定值的资源调整策略收益计算，资源调整策略收益即资源分配量、资源消耗量、性 能损失量之和，满足SLA约束值的资源调整策略为最优资源调整策略。
[0026] 采用所述的资源自适应调整系统的单物理机下多虚拟机的资源自适应调整方法， 包括以下步骤：
[0027] 步骤1 :采集服务器的历史数据并将其存入历史数据库中，服务器的历史数据包 括历史CPU、内存和历史并发用户请求量；
[0028] 步骤2 :对服务器的历史数据进行预处理即去除噪声数据，得到历史CPU资源消耗 量、历史内存资源消耗量和历史并发用户请求量；
[0029] 步骤3 :利用历史CPU资源消耗量、历史内存资源消耗量和历史并发用户请求量对 下一时刻并发用户请求量进行预测，得到并发用户请求量预测值，再利用并发用户请求量 预测值得出虚拟机资源需求量预测区间；
[0030] 步骤3. 1 :基于历史并发用户请求量，利用BP神经网络算法，对下一时刻并发用户 请求量进行预测，得到并发用户请求量预测值；
[0031] 步骤3. 2 :建立用来描述服务质量确定时并发用户请求量和虚拟机资源消耗量间 的关系的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为自变量，即并发用户请求量，yi、y2为因变量，分别为CPU资源消耗量、内 存资源消耗量，Ct iCI(i = 1，2,......，5)表示X与yi; (i' = 1，2)轴的截距，当X是0时， 即并发用户请求量是〇时的CPU资源消耗量、内存资源消耗量；α 1(|?α 16分别表示自变量 X的〇次方至6次方的系数，表示并发用户请求量对yi的影响程度；同理，α 2(|?α 26分别 表示自变量X的〇次方至6次方的系数，表示并发用户请求量对yi的影响程度；α 3(|?α 36 分别表示自变量X的〇次方至6次方的系数，表示并发用户请求量对W的影响程度；α 4(|? α 46分别表示自变量X的0次方至6次方的系数，表示并发用户请求量对g的影响程度； α 5〇?α 56分别表示自变量X的0次方至6次方的系数，表示因变量yi与y2协同受到并发 用户请求量的影响，也是CPU资源和内存资源间相互作用的体现，当α5(ι?α56都为0时表 示这两类资源间不存在相互作用；
[0038] 步骤3. 3 :利用最小二乘法确定a i(l?a i6 ;
[0039] 步骤3.4:利用ai(l?ai6确定最终的C-R模型，根据该模型和求得的并发用户 请求量预测值，得到虚拟机资源消耗量预测值，即虚拟机资源消耗量预测区间，包括虚拟机 (PU资源消耗量预测区间和虚拟机内存资源消耗量预测区间；
[0040] 步骤4 :根据虚拟机资源消耗量预测区间，利用遗传算法得出多个资源调整策略， 并作为初始种群，每个策略中包括虚拟机CPU资源调整量和虚拟机内存资源调整量；
[0041] 步骤4. 1 :判断历史数据库中是否存在与虚拟机资源消耗量预测区间的误差值在 设定的允许范围内的经验资源调整策略，是，则执行步骤4. 2,否则，执行步骤4. 5 ;
[0042] 步骤4. 2 :判断该经验资源调整策略的评价值是否为优，即评价值是否在80%? 100%范围内，是，则将该经验资源调整策略添加到初始种群中，否则执行步骤4. 3 ;
[0043] 步骤4. 3 :判断该经验资源调整策略的评价值是否为差，即评价值是否在0%? 60%范围内，是，则执行步骤4. 4,否则，执行步骤4. 5 ;
[0044] 步骤4. 4 :判断当前初始种群中是否存在与该经验资源调整策略的相似度大于设 定的相似度阈值的策略，是，则删除该策略，否则，执行步骤4. 5 ;
[0045] 步骤4. 5 :保存当前初始种群；
[0046] 步骤5 :求初始种群中各资源调整策略收益，确定最优资源调整策略；
[0047] 步骤5. 1 :建立用来描述并发用户请求量确定时服务质量与虚拟机资源消耗量间 关系的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为自变量，S卩服务质量，yi，y2为因变量， yi为虚拟机CPU资源消耗量，y2为 虚拟机内存资源消耗量；
[0054] 分别为服务质量和虚拟机资源消耗量，Y iCi(i = 1，2,......，5)表不s与5V (i' =1，2)轴的截距，当s是0时，即并发用户请求量是0时的服务质量和虚拟机资源消耗量； Y 1(|?Y 16分别表示自变量s的〇次方至6次方的系数，表示并发用户请求量对yi的影响 程度；同理，Y2(l?Y26分别表示自变量s的〇次方至6次方的系数，表示并发用户请求量 对yi的影响程度；Y 3〇?Y 36分别表示自变量S的0次方至6次方的系数，表示并发用户 请求量对只2的影响程度；Υ 4〇?Υ 46分别表示自变量s的0次方至6次方的系数，表示并发 用户请求量对g的影响程度；Υ 5〇?Υ 56分别表示自变量s的0次方至6次方的系数，表示 因变量yi与y2协同受到并发用户请求量的影响，也是服务质量和虚拟机资源消耗量相互作 用的体现，当Y 5〇?Y 56都为〇时表示这服务质量和虚拟机资源消耗量不存在相互作用；
[0055] 步骤5. 2 :利用最小二乘法确定Yi(l?Yi6，利用Yi(l?Yi6确定最终的P-R模型；
[0056] 步骤5. 3 :利用P-R模型和虚拟机资源消耗量预测区间，求得初始种群中各资源调 整策略对应的服务质量，并判断该服务质量是否满足SLA约定值，是，则保留当前资源调整 策略，否，则删除该策略；
[0057] 步骤5. 4 :对当前种群中保留的资源调整策略进行策略收益计算；
[0058] 步骤5. 4. 1 :利用资源分配量count和资源成本price计算所有虚拟机的资源分 配量 price_dissum ;
[0059] price_disSUII1 = (pricecpu*countcpu*10+pricemem*count mem) *1800s
[0060] 步骤5. 4. 2 :利用每秒的资源分配量count和每秒的资源成本price_s，计算资源 消耗量pricesum ;
[0061]
【权利要求】
1. 一种单物理机下多虚拟机的资源自适应调整系统，其特征在于：该系统在单物理机 中实现； 该系统包括数据采集模块、预处理模块、预测模块、资源调整策略生成模块、资源调整 策略收益计算模块、监测模块、策略评价模块和历史数据库； 数据采集模块用于采集服务器的历史数据并将其存入历史数据库中； 预处理模块用于对服务器的历史数据进行预处理即去除噪声数据，得到历史CPU资源 消耗量、历史内存资源消耗量和历史并发用户请求量； 预测模块用于利用历史CPU资源消耗量、历史内存资源消耗量和历史并发用户请求量 得到对下一时刻并发用户请求量进行预测，得到并发用户请求量预测值，再利用并发用户 请求量预测值得出虚拟机资源需求量预测区间； 资源调整策略生成模块用于根据虚拟机资源消耗量预测区间，利用遗传算法得出多个 资源调整策略，并作为初始种群，每个策略中包括虚拟机CPU资源调整量和虚拟机内存资 源调整量； 资源调整策略收益计算模块用于计算各资源调整策略收益，确定最优资源调整策略； 监测模块用于根据最优资源调整策略进行CPU资源调整和内存资源调整，并监测服务 响应时间、虚拟机资源总量、CPU资源消耗量、内存资源消耗量和并发用户请求量； 策略评价模块用于根据监测得到的服务响应时间、虚拟机资源总量、CPU资源消耗量、 内存资源消耗量和并发用户请求量，对最优资源调整策略进行评价； 历史资源数据库用于存储服务器的历史数据、最优资源调整策略及其评价值，服务器 的历史数据包括历史CPU、内存和历史并发用户请求量。
2. 根据权利要求1所述的单物理机下多虚拟机的资源自适应调整系统，其特征在于： 所述预测模块通过建立用来描述服务质量确定时并发用户请求量和虚拟机资源消耗量间 的关系的C-R模型对下一时刻并发用户请求量进行预测。
3. 根据权利要求1所述的单服务器下多虚拟机的资源自适应调整系统，其特征在于： 所述资源调整策略收益计算模块是通过建立用来描述并发用户请求量确定时服务质量与 虚拟机资源消耗量间关系的P-R模型求得各资源调整策略对应的服务质量，对满足SLA约 定值的资源调整策略收益计算，资源调整策略收益即资源分配量、资源消耗量、性能损失量 之和，满足SLA约束值的资源调整策略为最优资源调整策略。
4. 采用权利要求1所述的资源自适应调整系统的单物理机下多虚拟机的资源自适应 调整方法，其特征在于：包括以下步骤： 步骤1 :采集服务器的历史数据并将其存入历史数据库中，服务器的历史数据包括历 史CPU、内存和历史并发用户请求量； 步骤2 :对服务器的历史数据进行预处理即去除噪声数据，得到历史CPU资源消耗量、 历史内存资源消耗量和历史并发用户请求量； 步骤3 :利用历史CPU资源消耗量、历史内存资源消耗量和历史并发用户请求量对下一 时刻并发用户请求量进行预测，得到并发用户请求量预测值，再利用并发用户请求量预测 值得出虚拟机资源需求量预测区间； 步骤3. 1 :基于历史并发用户请求量，利用BP神经网络算法，对下一时刻并发用户请求 量进行预测，得到并发用户请求量预测值； 步骤3. 2 :建立用来描述服务质量确定时并发用户请求量和虚拟机资源消耗量间的关 系的C-R模型；
其中，X为自变量，即并发用户请求量，yi、y2为因变量，分别为CPU资源消耗量、内存资 源消耗量，ct iCI(i = 1，2,......，5)表示X与yi; (i' = 1，2)轴的截距，当X是O时，即并 发用户请求量是〇时的CPU资源消耗量、内存资源消耗量；a 1(|?a 16分别表示自变量X的 〇次方至6次方的系数，表示并发用户请求量对yi的影响程度；同理，a 2(|?a 26分别表示 自变量X的O次方至6次方的系数，表示并发用户请求量对yi的影响程度；a 3(|?a 36分别 表示自变量X的O次方至6次方的系数，表示并发用户请求量对W的影响程度；a 4(|?a 46 分别表示自变量X的O次方至6次方的系数，表示并发用户请求量对_y22的影响程度；a 5(|? a 56分别表示自变量X的O次方至6次方的系数，表示因变量yi与y2协同受到并发用户请 求量的影响，也是CPU资源和内存资源间相互作用的体现，当Ci5tl?Ci56都为O时表示这两 类资源间不存在相互作用； 步骤3. 3 :利用最小二乘法确定a i(l?a i6 ; 步骤3. 4:利用Ciitl?a i6确定最终的C-R模型，根据该模型和求得的并发用户请求量 预测值，得到虚拟机资源消耗量预测值，即虚拟机资源消耗量预测区间，包括虚拟机CPU资 源消耗量预测区间和虚拟机内存资源消耗量预测区间； 步骤4 :根据虚拟机资源消耗量预测区间，利用遗传算法得出多个资源调整策略，并作 为初始种群，每个策略中包括虚拟机CPU资源调整量和虚拟机内存资源调整量； 步骤4. 1 :判断历史数据库中是否存在与虚拟机资源消耗量预测区间的误差值在设定 的允许范围内的经验资源调整策略，是，则执行步骤4. 2,否则，执行步骤4. 5 ; 步骤4. 2 :判断该经验资源调整策略的评价值是否为优，即评价值是否在80%?100% 范围内，是，则将该经验资源调整策略添加到初始种群中，否则执行步骤4. 3 ; 步骤4.3 :判断该经验资源调整策略的评价值是否为差，即评价值是否在0%?60%范 围内，是，则执行步骤4. 4,否则，执行步骤4. 5 ; 步骤4. 4 :判断当前初始种群中是否存在与该经验资源调整策略的相似度大于设定的 相似度阈值的策略，是，则删除该策略，否则，执行步骤4. 5 ; 步骤4. 5:保存当前初始种群； 步骤5 :求初始种群中各资源调整策略收益，确定最优资源调整策略； 步骤5. 1 :建立用来描述并发用户请求量确定时服务质量与虚拟机资源消耗量间关系 的P-R模型；
其中，S为自变量，S卩服务质量，yi，y2为因变量，yi为虚拟机CPU资源消耗量，y 2为虚拟 机内存资源消耗量； 分别为服务质量和虚拟机资源消耗量，Y i〇(i = 1，2,......，5)表示s与yp (i '= 1，2)轴的截距，当s是O时，即并发用户请求量是O时的服务质量和虚拟机资源消耗量； Y 1(|?Y 16分别表示自变量s的O次方至6次方的系数，表示并发用户请求量对yi的影响 程度；同理，Y 2tl?Y26分别表示自变量s的O次方至6次方的系数，表示并发用户请求量 对Y1的影响程度；Y 3〇?Y 36分别表示自变量s的O次方至6次方的系数，表示并发用户 请求量对J12的影响程度；Y 4〇?Y 46分别表示自变量s的O次方至6次方的系数，表示并发 用户请求量对J22的影响程度；Y 5〇?Y 56分别表示自变量s的O次方至6次方的系数，表示 因变量Y1与y2协同受到并发用户请求量的影响，也是服务质量和虚拟机资源消耗量相互作 用的体现，当Y 5〇?Y 56都为〇时表示这服务质量和虚拟机资源消耗量不存在相互作用； 步骤5. 2 :利用最小二乘法确定Y i(l?Y i6，利用Y i(l?Y i6确定最终的P-R模型； 步骤5. 3 :利用P-R模型和虚拟机资源消耗量预测区间，求得初始种群中各资源调整 策略对应的服务质量，并判断该服务质量是否满足SLA约定值，是，则保留当前资源调整策 略，否，则删除该策略； 步骤5. 4 :对当前种群中保留的资源调整策略进行策略收益计算； 步骤5. 4. 1 :利用资源分配量count和资源成本price计算所有虚拟机的资源分配量 price_dissum ； price_disSUI1 = (price cpu* count cpu* 10+pr i c emem* countmem)*1800s 步骤5. 4. 2 :利用每秒的资源分配量count和每秒的资源成本prices，计算资源消耗 量 Pricesum ;
步骤5. 4. 3 :利用虚拟机资源消耗量预测值Priceiew和虚拟机实际的资源消耗量 price^a求得服务性能损失量；
步骤5. 4. 4 :计算资源分配量、资源消耗量、性能损失量之和，即策略收益； 步骤5. 5 :比较各资源调整策略收益，若不能满足SLA约束值，则返回步骤4,若满足 SLA约束值，则当前策略为最优资源调整策略； 步骤6 :根据最优资源调整策略进行CPU资源调整和内存资源调整，并监测服务响应时 间、虚拟机资源总量、CPU资源消耗量、内存资源消耗量和并发用户请求量； 步骤7 :根据监测得到的服务响应时间、虚拟机资源总量、CPU资源消耗量、内存资源消 耗量和并发用户请求量，对最优资源调整策略进行评价； 步骤7. I :利用监测周期内各监测时间点的服务响应时间、虚拟机资源总量、CPU资源 消耗量、内存资源消耗量和并发用户请求量，计算得到整个监测周期内服务的总体性能满 意度； 步骤7. I. 1 :计算各监测时间点服务平均响应时间，并将服务平均响应时间以每IOms 为1个区间分成m个区间； 步骤7. 1.2:统计各区间内监测时间点的个数，并计算其与总监测时间点数目的比例， 进而确定各区间内监测时间点的个数与总监测时间点数目的比例最大值； 步骤7. 1.3 :分别计算各区间内监测时间点的个数与总监测时间点数目的比例值与比 例最大值之比，若该比值小于设定的忽略条件的比值，则舍弃该比例值，返回步骤7. 1. 2,若 该比值不小于设定的忽略条件的比值，执行步骤7. 1. 4 ; 步骤7. 1. 4 :使用加权平均数求解算法计算监测周期内服务平均响应时间； 步骤7. 1. 5 :计算整个监测周期内服务的总体性能满意度finishSOTV"，即监测周期内服 务平均响应时间responseMal与服务的约定响应时间responsesla之比； finishserver = responsesla/responsereal*100% 若如181_>100%，则将如181_置为100% ; 步骤7. 2 :用监测周期内各监测时间点的虚拟机CPU资源消耗量U^、虚拟机内存资源 消耗量Unrem，得到虚拟机资源利用率Uvm= 0 XUc5Ml-0)XUM，0为虚拟机CPU资源消耗 量相对于整个虚拟机资源的权值，1- 0为虚拟机内存资源消耗量相对于整个虚拟机资源的 权值； 步骤7. 3 :通过整个监测周期内服务的总体性能满意度和虚拟机资源利用率，对当前 执行的最优策略进行评价，得到评价值V ;
其中，表示整个监测周期内服务的总体性能满意度平均值，I表示整个监 测周期内的虚拟机资源利用率平均值； 步骤8 :将当前最优资源调整策略及其评价值存入历史数据库。
5.根据权利要求4所述的单物理机下多虚拟机的资源自适应调整方法，其特征在于： 所述步骤3. 3按以下步骤进行： 步骤3. 3. 1 :将C-R模型改写成矩阵形式：将C-R模型用Z1、z2、z3、z 4、Z5表示； Zi = yi，z2 = y2 = J12，Z4 = 3? z5 = Yi*y2 步骤3. 3. 2 :计算误差平方和SSE，进而得到与C-R模型对应的最小二乘方程；
其中，j = 1?n，表示n条并发请求量，Zij表示第j条并发请求量中相应类型的虚拟 机资源消耗量表示第j个并发用户请求量数据； 与C-R模型对应的最小二乘方程如下：
步骤3.3.3:通过极小化SSEi的样本估计值(5i0, 5n, si2, _ai3, ai4, ai6)，求解最 小二乘方程，得到关于a iQ，a n，a i2, a i3, a i4, a i5, a i6的线性方程； 步骤3. 3. 4 :利用历史虚拟机CPU资源消耗量、历史虚拟机内存资源消耗量、历史并发 用户请求量和关于Ct iCI，Ct n，Ct i2, Ct i3, Ct i4, ai5, a i6的线性方程求解出参数a Kl?a i6。
6.根据权利要求4所述的单物理机下多虚拟机的资源自适应调整方法，其特征在于： 所述步骤5. 2按以下步骤进行： 步骤5. 2. 1 :将P-R模型改写成矩阵形式：将P-R模型用P1、p2、p3、p 4、p5表示； Pl = Jl^ P2 = J2 /? =少1、A = .V22 P5 = yi*y2 步骤5. 2. 2 :计算误差平方和SSE，进而得到与P-R模型对应的最小二乘方程；
其中，j = 1?n，表示n条服务质量，Pij表示第j条服务质量中相应类型的虚拟机资 源消耗量值；表示第j个服务质量数据； 与C-R模型对应的最小二乘方程如下：
步骤5. 2. 3 :通过极小化SSEi的样本估计值(fio, fn, fi2, fdi4, fdi6)，求解最小 二乘方程，得到关于Y i(l，Yil, Yi2, Yi3, Yi4, Yi5, Yi6的线性方程； 步骤5. 2. 4 :利用历史虚拟机CPU资源消耗量、历史虚拟机内存资源消耗量、历史并发 用户请求量和关于YiCl, Yil, Yi2, Yi3, Yi4, Y i5, Yi6的线性方程求解出参数Y Kl?Yi6; 步骤5. 2. 5 :利用Y i(l?Y i6确定最终的P-R模型。
【文档编号】H04L29/08GK104283946SQ201410505945
【公开日】2015年1月14日 申请日期:2014年9月26日 优先权日:2014年9月26日
【发明者】郭军, 张斌, 刘宇, 杨丽春, 莫玉岩, 闫永明, 刘舒, 马庆敏, 马群, 李智, 李海涛 申请人:东北大学, 辽宁北方实验室有限公司