，并可組成一個(gè)MXM 階相關(guān)系數(shù)矩陣；
[0068] SI. 4、定義一個(gè)動(dòng)態(tài)整合算法ICMa
[0069] 每次從S1.3描述的相關(guān)系數(shù)矩陣中尋找出一個(gè)不大于a最小值^"，即資源利用 率互補(bǔ)性最好的兩個(gè)VM對(duì)應(yīng)的rlS值。將選出的最小值r_對(duì)應(yīng)的虛擬機(jī)VMJPVM$勺N 個(gè)資源利用率采樣點(diǎn)進(jìn)行合并配對(duì)測(cè)試。將VM1對(duì)應(yīng)的資源利用率時(shí)間序列記為瓦，最大 值記為Peak1，將VMj對(duì)應(yīng)的資源利用率時(shí)間序列記為；!,:，最大值記為Peakj，將N個(gè)資源利 用率采樣點(diǎn)中最大值計(jì)為Peak。即配對(duì)結(jié)果可以表示為：
[0071] 如果上式中Peak值不大于100%，則令a=-〇. 5。a的選擇需要同時(shí)滿足與 SICC算法相關(guān)的兩個(gè)條件，SICC算法的具體流程在SI. 5中介紹：
[0072]
[0073] 其中，Number_CVM(SICC)代表最終整合狀態(tài)的CVM數(shù)量，Number_DCVM(ICMAa)代 表使用SICC算法的動(dòng)態(tài)階段整合完成后剩余的DCVM數(shù)量
代表ICMa整合完成后系統(tǒng)內(nèi)所有DCVM峰值-均值差的平均值。Number_CVM(SICC)過(guò)小會(huì) 造成SICC算法動(dòng)態(tài)整合部分處理的VM過(guò)少，而此值過(guò)大則會(huì)使生成的DCVM平均峰值-均 值差超過(guò)20%的上限。超過(guò)20%的上限意味著生成的DCVM不再適合進(jìn)行下一步的靜態(tài)整 合，因?yàn)檫@樣處理會(huì)遺留下很多新的碎片資源。閾值a取值與生成DCVM平均峰值-均值 差的關(guān)系研究見(jiàn)圖2所示。
[0074] 同時(shí)，自上式中選出的VM組合配對(duì)結(jié)果可以簡(jiǎn)化為如下的關(guān)系：
[0076] 則配對(duì)整合成的DCVM可以滿足第二階段繼續(xù)進(jìn)行靜態(tài)整合的要求。如果Peak值 的測(cè)試結(jié)果大于100%，則將該種配對(duì)對(duì)應(yīng)的ri]值改設(shè)為無(wú)窮大，并重新執(zhí)行SI. 4。符合 要求的DCVM生成后，從SI. 3中描述的相關(guān)系數(shù)矩陣中刪除初始狀態(tài)虛擬機(jī)VMjPVM， 應(yīng)的數(shù)據(jù)項(xiàng)，并使用符合要求的DCVM的數(shù)據(jù)代替與系數(shù)矩陣中剩余的虛擬機(jī)重新生成新 的相關(guān)系數(shù)矩陣。該矩陣的階數(shù)比原矩陣少1。重復(fù)SI. 4的過(guò)程，直至滿足退出條件：r_ > -0? 5 或M< 2 ;
[0077] SI. 5、基于 ICMAa 定義 SICC 算法
[0078] 該算法在初始狀態(tài)按照各VM資源利用率均值數(shù)據(jù)mean將所有的VM分為三組。分 別對(duì)應(yīng)于：
[0079]
[0080] 在以上所描述的三組VM內(nèi)分別運(yùn)行ICMAa算法。并在將三組運(yùn)行ICMAa后的輸 出DCVM聚集在一起再運(yùn)行一次ICMA a。根據(jù)上述處理過(guò)程得到的DCVM完全滿足運(yùn)行靜態(tài) 算法而不產(chǎn)生額外碎片資源的要求。以上就完成了動(dòng)態(tài)算法部分的所有步驟。
[0081] S2、虛擬機(jī)靜態(tài)整合階段
[0082] S2. 1、采用FFD算法對(duì)SI. 5的結(jié)果進(jìn)行算法靜態(tài)階段合并
[0083] 采用離線Bin-Packing中綜合效能最好的FFD算法對(duì)SI. 5處理后的DCVM執(zhí)行靜 態(tài)合并過(guò)程。FFD算法對(duì)Bin-Packing過(guò)程進(jìn)行有效的規(guī)劃，降低了整數(shù)規(guī)劃難題發(fā)生的概 率，與典型的動(dòng)態(tài)整合算法相比較，增加了算法運(yùn)行后段虛擬機(jī)進(jìn)行高效整合的次數(shù)。
[0084] S2. 1、裝填S2. 1生成的最終CVM進(jìn)入服務(wù)器
[0085] 因?yàn)樗凶罱KCVM的可用預(yù)留資源上限都是標(biāo)準(zhǔn)虛擬機(jī)的資源總量c。并且最終 CVM的平均資源利用率達(dá)到算法定義的利用率要求限制，接近于c。因此，將所有CVM按照 服務(wù)器對(duì)于標(biāo)準(zhǔn)虛擬機(jī)c的容納數(shù)量進(jìn)行服務(wù)器裝填。即完成了本發(fā)明一種基于線性相關(guān) 性及分段性Bin-Packing理論的虛擬機(jī)資源整合工具的整個(gè)運(yùn)行流程。
[0086] 實(shí)例
[0087] 將本發(fā)明應(yīng)用于數(shù)據(jù)中心虛擬機(jī)資源整合中。本發(fā)明工具通常采用每5分鐘一個(gè) 采樣點(diǎn)的頻次進(jìn)行均勻采樣，則一臺(tái)虛擬機(jī)的每天資源利用率序列有1440個(gè)采樣點(diǎn)。本實(shí) 例中，資源利用率數(shù)據(jù)擬合模型符合使用ARMA的條件，定階ARMA(5, 3)。因?yàn)榇瞬糠植粚儆?本發(fā)明核心內(nèi)容，故在本實(shí)例中隱去具體實(shí)施過(guò)程。
[0088] 本實(shí)例中，共有195個(gè)符合標(biāo)準(zhǔn)虛擬機(jī)容量上限c的初始狀態(tài)虛擬機(jī)VM。令I(lǐng)i1 和Si分別代表初始狀態(tài)虛擬機(jī)VM1的均值和方差。則本實(shí)例中所有初始狀態(tài)虛擬機(jī)VM的 平均均值3和平均方差i大致滿足以下關(guān)系：
[0090] 此關(guān)系準(zhǔn)則符合通常情況數(shù)據(jù)回歸統(tǒng)計(jì)結(jié)果。則本實(shí)例中虛擬機(jī)資源利用率原始 數(shù)據(jù)矩陣為一個(gè)195X1440矩陣。使用此原始數(shù)據(jù)矩陣生成195X195的相關(guān)系數(shù)Matrixecieff 矩陣后調(diào)用SICC算法，其中a=-〇.5。圖3 (a)為本實(shí)例中SICC第一階段動(dòng)態(tài)整合完成 后DCVM數(shù)量，圖3 (b)為本實(shí)例中初始狀態(tài)VM數(shù)量的對(duì)比。
[0091] 圖4(a)是本實(shí)例中SICC第二階段完成后各DCVM峰值資源利用率，圖4(b)是未 進(jìn)行改進(jìn)的純ICM動(dòng)態(tài)整合算法生成的峰值資源利用率PRU的對(duì)比。值得注意的是，此時(shí) SICC生成的DCVM峰值-均值差要小于純ICMA生成峰值差約20%c。因此即使PRU率只相 差約10%c，SICC產(chǎn)生的DCVM資源利用率也明顯大于純ICM產(chǎn)生的效能。
[0092] 圖5是本實(shí)例中100次SICC實(shí)驗(yàn)和純ICM實(shí)驗(yàn)在生成CVM數(shù)量和需用服務(wù)器數(shù) 量上的對(duì)比?？梢悦黠@看出，本發(fā)明相對(duì)于基于相關(guān)系數(shù)整合的純動(dòng)態(tài)算法ICMA在剩余 CVM指標(biāo)上有約15%以上的性能提升，在服務(wù)器需用量指標(biāo)上的提升也大于5%。
[0093] 盡管上面對(duì)本發(fā)明說(shuō)明性的【具體實(shí)施方式】進(jìn)行了描述，以便于本技術(shù)領(lǐng)域的技術(shù) 人員理解本發(fā)明，但應(yīng)該清楚，本發(fā)明不限于【具體實(shí)施方式】的范圍，對(duì)本技術(shù)領(lǐng)域的普通技 術(shù)人員來(lái)講，只要各種變化在所附的權(quán)利要求限定和確定的本發(fā)明的精神和范圍內(nèi)，這些 變化是顯而易見(jiàn)的，一切利用本發(fā)明構(gòu)思的發(fā)明創(chuàng)造均在保護(hù)之列。
【主權(quán)項(xiàng)】
1. 一種基于線性相關(guān)性及分段性裝箱理論的虛擬機(jī)資源整合方法，其特征在于，包括 以下步驟： (1) 、生成各初始狀態(tài)虛擬機(jī)（VM)在未來(lái)指定時(shí)間段的資源利用率時(shí)間序列 (I. 1)、定義一個(gè)標(biāo)準(zhǔn)VM所具有資源量，將其計(jì)為c; 收集各VM在過(guò)去指定時(shí)間段內(nèi)t次采樣的歷史原始資源使用量乂，k= 1，2,…，M，M表示系統(tǒng)中VM的總臺(tái)數(shù)，t= 1，2,…，N，N表示過(guò)去指定時(shí)間段內(nèi)采樣的總次數(shù)； (1. 2)、計(jì)算各乂占標(biāo)準(zhǔn)VM資源量c的百分率，并標(biāo)記為VM歷史狀態(tài)原始資源利用率； (1.3)、利用步驟（1.2)中各VM的歷史原始資源使用量片構(gòu)成采樣序列&，再檢測(cè)序 列€平穩(wěn)性，并完成擬合模型選定和定階； (1. 4)、根據(jù)所得模型，采用1步遞推預(yù)測(cè)法生成各VM未來(lái)指定時(shí)間段的資源利用率時(shí) 間序列旯； (2) 、求得各VM之間的相關(guān)系數(shù)矩陣Matrixraeff (2. 1)、使用皮爾遜相關(guān)系數(shù)公式計(jì)算任意VM^VM,之間的相關(guān)系數(shù)rV i，je[1，M];其中，無(wú)和g分別代表^和VMj的N位資源利用率序列，職和嫌訓(xùn)(?)分別代 表VMjPVM郝N位資源利用率序列的均值； (2.2)、利用步驟（2.1)中的公式求得11(11-1)/2臺(tái)￥11的有效效相關(guān)系數(shù)值^]，再組成 一個(gè)MXM階相關(guān)系數(shù)矩陣Matrixccieff;(3) 、定義一個(gè)動(dòng)態(tài)整合算法ICMa (3. 1)、每次從步驟（2. 2)描述的相關(guān)系數(shù)矩陣中尋找出一個(gè)不大于a的最小值，標(biāo)記 為r_; (3. 2)、將步驟（3. 1)選出的最小值^對(duì)應(yīng)的初始狀態(tài)虛擬機(jī)VM種VM郝N個(gè)資源 利用率采樣點(diǎn)進(jìn)行合并配對(duì)測(cè)試；其中，將VM1對(duì)應(yīng)的資源利用率時(shí)間序列記為J,，I中歷史狀態(tài)原始資源利用率最大 值記為Peak1，將VM,對(duì)應(yīng)的資源利用率時(shí)間序列記為元，5,中歷史狀態(tài)原始資源利用率 最大值記為Peakj; (3. 3)、判斷Peak值 如果步驟（3. 2)中Peak值不大于100%，則令a= -〇. 5,且將步驟（3. 2)中選出的VM1 和合配對(duì)，結(jié)果簡(jiǎn)化為如下的關(guān)系：s.t.rmin^ -〇. 5 即：￥1^與VMj經(jīng)動(dòng)態(tài)算法整合成動(dòng)態(tài)整合虛擬機(jī)DCVM，且DCVM的資源利用率序列為定 值的常數(shù)序列，并進(jìn)入步驟（3.4); 如果步驟（3. 2)中Peak值小于或等于100%，，則將該種配對(duì)對(duì)應(yīng)的rij值改設(shè)為無(wú)窮 大，并再次返回步驟（3.1); (3. 4)、從步驟（2.2)中描述的相關(guān)系數(shù)矩陣Matrixraeff中刪除初始狀態(tài)虛擬機(jī)VMJP VMj對(duì)應(yīng)的數(shù)據(jù)項(xiàng)，并使用新生成的DCVM的數(shù)據(jù)與相關(guān)系數(shù)矩陣Matrixe°eff中除VMJPVM。 以外的剩余虛擬機(jī)，重新生成新的相關(guān)系數(shù)矩陣； (3. 5)、重復(fù)步驟（3. 1)至（3. 4)，直至滿足退出條件：r_> -0. 5或M< 2 ; (4)、利用SICC算法進(jìn)行虛擬機(jī)資源整合 (4. 1)、將各VM的歷史狀態(tài)原始資源利用率求均值mean，再按照均值mean將所有的VM分為三組，即：(4. 2)、將三組VM按照步驟（3)所述的方式分別運(yùn)行ICMAa算法，，將整合后的三組DCVM集中在一起后按按照步驟（3)所述的方式再次運(yùn)行ICMa算法； (4. 3)、將步驟（4.2)運(yùn)行后得到的DCVM按照（3.3)中所述的方法進(jìn)行處理，待處理完 成后運(yùn)行降序首次適應(yīng)算法（FirstFitDecreasing,FFD)進(jìn)行靜態(tài)階段的整合，得到最終 整合狀態(tài)的CVM; (4. 4)、將（4. 3)所得的最終狀態(tài)CVM裝填入物理服務(wù)器。2. 根據(jù)權(quán)利要求1所述的基于線性相關(guān)性及分段性裝箱理論的虛擬機(jī)資源整合方法， 其特征在于，所述的步驟（1.3)中，利用自相關(guān)函數(shù)法判定采樣序列和的平穩(wěn)性；利用自相 關(guān)函數(shù)和偏自相關(guān)函數(shù)的截尾性和拖尾性來(lái)選定采樣序列K的擬合模型，再通過(guò)AIC法完 成選定的擬合模型的定階。3. 根據(jù)權(quán)利要求2所述的基于線性相關(guān)性及分段性裝箱理論的虛擬機(jī)資源整合方法， 其特征在于，所述的擬合模型可以為：自回歸模型AR或滑動(dòng)平均模型MA或自回歸滑動(dòng)平均 模型ARMA。4. 根據(jù)權(quán)利要求1所述的基于線性相關(guān)性及分段性裝箱理論的虛擬機(jī)資源整合方法， 其特征在于，所述a的選擇需要同時(shí)滿足與SICC算法相關(guān)的兩個(gè)條件，BP:其中，Number_CVM(SICC)代表最終整合狀態(tài)的CVM數(shù)量，Number_DCVM(ICMAa)代表使 用SICC算法的動(dòng)態(tài)階段整合完成后剩余的DCVM數(shù)量 ICMa整合完成后系統(tǒng)內(nèi)所有DCVM峰值-均值差的平均值。
【專利摘要】本發(fā)明公開(kāi)了一種基于線性相關(guān)性及分段性裝箱理論的虛擬機(jī)資源整合方法，包括動(dòng)態(tài)整合和靜態(tài)整合兩個(gè)階段。第一階段利用改進(jìn)的動(dòng)態(tài)整合算法對(duì)系統(tǒng)內(nèi)的初始狀態(tài)虛擬機(jī)進(jìn)行整合，盡可能地降低整合后虛擬機(jī)的資源利用率峰值-均值差；當(dāng)虛擬機(jī)資源利用率平均峰值-均值差低于一個(gè)特定預(yù)設(shè)的閾值時(shí)，可以認(rèn)為虛擬機(jī)資源利用率平均峰值-均值差為一個(gè)常數(shù)值序列，這樣在進(jìn)行第二階段靜態(tài)合并過(guò)程種不會(huì)造成新的附加資源浪費(fèi)。第二階段利用靜態(tài)整合部分選用降序首次適應(yīng)算法，能為本發(fā)明的整合過(guò)程提供足夠的全局資源優(yōu)化能力。
【IPC分類】G06F9/455, G06F9/48
【公開(kāi)號(hào)】CN105224389
【申請(qǐng)?zhí)枴緾N201510614116
【發(fā)明人】趙長(zhǎng)名, 劉健
【申請(qǐng)人】電子科技大學(xué)
【公開(kāi)日】2016年1月6日
【申請(qǐng)日】2015年9月23日