专利名称：虚拟环境下细粒度的cpu资源使用预测方法
技术领域：
本发明涉及虚拟环境下细粒度的CPU资源使用预测方法。
背景技术：
随着计算规模的不断扩大，许多企业和数据中心都出现了服务器蔓延(serversprawl)的现象，即服务器数量不断增加，但资源平均利用率过低。相关调查表明，大多数企业和数据中心服务器的资源利用率仅在5%到20%之间。而云计算可以利用虚拟化技术，通过虚拟机迁移(migration)和整合(consolidation),关闭部分闲置服务器，从而解决服务器蔓延的问题。为了实现这种计算资源的按需分配，必须提供准确的系统资源分析与预测方法。系统资源分析与预测主要是指在特定系统配置情况下，根据负载强度预测系统对各个软硬件资源的需求。常用的系统资源分析与预测方法包括排队网络模型，机器学习和统计学习方法等。虽然排队网络模型可以直观的描述各类系统，但是很多复杂模型的求解难度较大。因此，排队网络模型不适合用于云计算等这类复杂系统的性能分析。而近年来基于机器学习或统计学习的性能预测方法则得到了更加广泛的关注。对于云计算系统而言，现有的资源分析与预测方法主要存在以下几个不足之处:I)忽略负载特征对性能的影响。负载突发性强度的不同，会对系统性能产生不同的影响。相关研究还发现突发性负载可能导致经典的负载均衡算法失效。2)只计算资源利用率的平均值(即粗粒度)。而一些研究指出，在服务器整合时，需要考虑资源利用率的概率分布情况(细粒度)，从而减小整合可能带来的风险，如资源竞争导致的性能恶化等。3)没有考虑虚拟化技术产生的资源消耗。一般性能分析与预测模型只在负载与资源利用率之间的建立映射关系。但是，在云环境中，虚拟技术的使用需要消耗额外的资源。相关研究发现虚拟机(VM)之间的竞争将导致额外CPU消耗，更高的二级缓存失效率和指令中断。
发明内容
针对上述技术缺陷，本发明提出虚拟环境下细粒度的CPU资源使用预测方法。为了解决上述技术问题，本发明的技术方案如下:虚拟环境下细粒度的CPU资源使用预测方法，包括如下步骤:11)虚拟机管理器调度的额外CPU消耗预测步骤:使用两个不同层次的性能监控工具Sar和Xenmon收集CPU使用数据，所述性能监控工具Sar收集Uos和Uapp两个部分，所述Xenmon记录各个虚拟机的资源使用情况,利用Xenmon与Sar的差值,采用统计学习的方法预测Uvm,具体预测函数如下:Uvm = aU2+bU+c.公式(a)所述U为CPU利用率，由应用系统Uapp、操作系统Uos和虚拟机管理器调度Uvm三部分组成:
权利要求
1.虚拟环境下细粒度的CPU资源使用预测方法，其特征在于，包括如下步骤:11)虚拟机管理器调度的额外CPU消耗预测步骤:使用两个不同层次的性能监控工具Sar和Xenmon收集CPU使用数据,所述性能监控工具Sar收集Uos和Uapp两个部分,所述Xenmon记录各个虚拟机的资源使用情况，利用Xenmon与Sar的差值，采用统计学习的方法预测Uvm,具体预测函数如下:
全文摘要
本发明公开了虚拟环境下细粒度的CPU资源使用预测方法，该方法基于Xenmon与Sar两种系统性能监控工具收集的CPU利用率的差值，采用统计学习方法，提出虚拟机管理器调度的额外CPU消耗预测模型。在此基础上，针对突发性和非突发性两种不同负载特征提出相应的CPU使用概率密度函数预测方法。这种细粒度的CPU资源使用预测方法为系统资源优化配置提供了良好的基础。
文档编号G06F9/455GK103150215SQ20131004342
公开日2013年6月12日 申请日期2013年2月4日 优先权日2013年2月4日
发明者尹建伟, 陈韩玮, 邓水光, 孙小华, 彭勇, 吴朝晖 申请人:浙江大学