一種單物理機(jī)下多虛擬機(jī)的資源自適應(yīng)調(diào)整系統(tǒng)及方法
【專(zhuān)利摘要】一種單物理機(jī)下多虛擬機(jī)的資源自適應(yīng)調(diào)整系統(tǒng)及方法，該系統(tǒng)在單物理機(jī)中實(shí)現(xiàn)，包括數(shù)據(jù)采集模塊、預(yù)處理模塊、預(yù)測(cè)模塊、資源調(diào)整策略生成模塊、資源調(diào)整策略收益計(jì)算模塊、監(jiān)測(cè)模塊、策略評(píng)價(jià)模塊和歷史數(shù)據(jù)庫(kù)；該方法包括：采集服務(wù)器的歷史數(shù)據(jù)并將其存入歷史數(shù)據(jù)庫(kù)中；對(duì)服務(wù)器的歷史數(shù)據(jù)進(jìn)行預(yù)處理；對(duì)下一時(shí)刻并發(fā)用戶(hù)請(qǐng)求量進(jìn)行預(yù)測(cè)，再利用并發(fā)用戶(hù)請(qǐng)求量預(yù)測(cè)值得出虛擬機(jī)資源需求量預(yù)測(cè)區(qū)間；確定最優(yōu)資源調(diào)整策略；進(jìn)行CPU資源調(diào)整和內(nèi)存資源調(diào)整；對(duì)最優(yōu)資源調(diào)整策略進(jìn)行評(píng)價(jià)；將當(dāng)前最優(yōu)資源調(diào)整策略及其評(píng)價(jià)值存入歷史數(shù)據(jù)庫(kù)。本發(fā)明能動(dòng)態(tài)調(diào)整單物理機(jī)上各虛擬機(jī)資源量來(lái)適應(yīng)動(dòng)態(tài)變化的資源需求，使單物理機(jī)資源得到最大的收益。
【專(zhuān)利說(shuō)明】一種單物理機(jī)下多虛擬機(jī)的資源自適應(yīng)調(diào)整系統(tǒng)及方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于云服務(wù)【技術(shù)領(lǐng)域】，具體是一種單物理機(jī)下多虛擬機(jī)的資源自適應(yīng)調(diào)整 系統(tǒng)及方法。

【背景技術(shù)】
[0002] 云計(jì)算是繼并行計(jì)算、分布式計(jì)算、網(wǎng)格計(jì)算后的更加新型計(jì)算模式。云環(huán)境下通 常在資源池上部署多臺(tái)虛擬機(jī)（VM)，這些虛擬機(jī)共用此節(jié)點(diǎn)上的物理資源（CPU，內(nèi)存等）。 各個(gè)虛擬機(jī)作為服務(wù)器發(fā)布服務(wù)，用戶(hù)通過(guò)Web方式訪(fǎng)問(wèn)服務(wù)并消耗服務(wù)器一定數(shù)量的物 理資源。
[0003] 在配置虛擬機(jī)時(shí)必須指定虛擬機(jī)各類(lèi)資源的數(shù)量，由于各虛擬機(jī)并發(fā)用戶(hù)請(qǐng)求不 斷變化，所以各虛擬機(jī)在不同時(shí)刻對(duì)各類(lèi)資源的需求量不同。在做虛擬機(jī)初始分配時(shí)：若將 虛擬機(jī)的資源需求峰值分配給虛擬機(jī)能滿(mǎn)足虛擬機(jī)在不同時(shí)刻的資源需求，但這也造成資 源浪費(fèi)；若不將資源峰值分配給虛擬機(jī)，而是將資源的平均需求量分配給虛擬機(jī)，必將造成 虛擬機(jī)在某些時(shí)刻處于資源短缺狀態(tài)，影響服務(wù)性能，造成SLA違例。
[0004] 若能動(dòng)態(tài)調(diào)整單PM上各虛擬機(jī)硬件資源量來(lái)適應(yīng)這種動(dòng)態(tài)變化的資源需求，理 論上將不會(huì)出現(xiàn)低負(fù)載的虛擬機(jī)資源過(guò)剩、高負(fù)載的虛擬機(jī)資源緊缺等現(xiàn)象。如何在單節(jié) 點(diǎn)上根據(jù)并發(fā)用戶(hù)請(qǐng)求量的變化動(dòng)態(tài)調(diào)整各虛擬機(jī)資源量使服務(wù)性能得到最大程度地保 障是本領(lǐng)域研究的問(wèn)題。
[0005] 對(duì)于單物理機(jī)上多虛擬機(jī)資源分配問(wèn)題，本領(lǐng)域技術(shù)人員大多采用啟發(fā)式方法來(lái) 進(jìn)行全局優(yōu)化搜索。啟發(fā)式方法基本是單點(diǎn)搜索，很容易陷入局部最優(yōu)解。而且，大多數(shù)研 究者采用遷移虛擬機(jī)的方法解決資源不足的問(wèn)題，但虛擬機(jī)遷移會(huì)花費(fèi)一定的時(shí)間，并與 物理機(jī)上的其它活動(dòng)產(chǎn)生相互影響，導(dǎo)致遷移時(shí)延的增加和應(yīng)用性能的下降。
[0006] 現(xiàn)階段單物理機(jī)資源分配，主要分為以下三個(gè)研究思路，一是通過(guò)預(yù)測(cè)VM的資源 需求量，根據(jù)預(yù)測(cè)值作分配決策；二是將VM(服務(wù)）等級(jí)考慮其中，在資源不足的情況下按 等級(jí)分配資源；三是將前兩種結(jié)合，通過(guò)歷史資源使用信息計(jì)算出各VM的資源需求，然后 綜合考慮各個(gè)虛擬機(jī)的資源需求量作資源分配決策。
[0007] (1)通過(guò)預(yù)測(cè)服務(wù)的資源需求量，根據(jù)各個(gè)VM的資源使用及剩余情況，動(dòng)態(tài)生成 VM部署方案，解決了服務(wù)性能保障問(wèn)題（Huang C J等人）。首先通過(guò)服務(wù)的SLA評(píng)估服務(wù) 資源需求量，再根據(jù)資源剩余表及資源使用表生成資源的分配方案。該實(shí)驗(yàn)是在多VM的場(chǎng) 景下實(shí)現(xiàn)的，通過(guò)評(píng)估服務(wù)資源需求量來(lái)確定與之對(duì)應(yīng)的資源需求量。這等同于在資源有 限的場(chǎng)景下通過(guò)動(dòng)態(tài)修改VM資源量來(lái)保障服務(wù)性能。調(diào)整方法延遲很明顯，創(chuàng)建和刪除VM 時(shí)會(huì)有很長(zhǎng)的時(shí)間延遲，達(dá)不到預(yù)期效果。
[0008] (2)在競(jìng)爭(zhēng)條件下，根據(jù)不同服務(wù)的優(yōu)先級(jí)為虛擬機(jī)分配資源，并提供性能保障及 負(fù)載均衡服務(wù)。Jiang C F等人首先通過(guò)歷史及實(shí)時(shí)的性能分析及評(píng)估來(lái)描述用戶(hù)行為和 負(fù)載特性，根據(jù)目標(biāo)VM的性能及需求（基于SA及性能反饋）分配資源。張偉哲等人的研 究?jī)?nèi)容是在單一物理機(jī)中多VM內(nèi)存的協(xié)同優(yōu)化。當(dāng)節(jié)點(diǎn)中VM對(duì)內(nèi)存的需求量小于總內(nèi)存 時(shí)采用自發(fā)調(diào)節(jié)機(jī)制，即VM間自發(fā)進(jìn)行調(diào)節(jié)；當(dāng)節(jié)點(diǎn)中VM對(duì)內(nèi)存的需求量大于總內(nèi)存時(shí)采 用全局調(diào)節(jié)，即物理機(jī)控制器根據(jù)各VM資源需求按比例為VM分配相應(yīng)數(shù)量的內(nèi)存。同樣 地，預(yù)測(cè)未來(lái)VM對(duì)資源的依賴(lài)情況時(shí)只是考慮歷史資源使用情況，并未將時(shí)間因素和并發(fā) 用戶(hù)請(qǐng)求等因素加入到考慮范圍中；在做綜合決策時(shí)同等對(duì)待各個(gè)VM，也并未考慮VM中服 務(wù)屬性和資源的時(shí)間效應(yīng)等因素。
[0009] (3)通過(guò)計(jì)算資源需量，根據(jù)各VM資源需求量及PM資源剩余生成分配方案 (Pradeep P等人）。AC (AppControl，VM資源需求量預(yù)測(cè)）定期向NC (NodeControl，資源分 配方案生成）主動(dòng)發(fā)送資源請(qǐng)求，NC綜合考慮各AC的資源請(qǐng)求量及其優(yōu)先等級(jí)來(lái)決定資 源的分配策略。但是Prade印P等人只考慮了 CPU和Disk I/O兩種資源，并未考慮內(nèi)存、 Swap、Network I/O等因素，同時(shí)也忽略了資源間的互相作用。此外Pradeep P等人采用的 是定期請(qǐng)求法，在周期內(nèi)部若出現(xiàn)資源過(guò)剩或短缺無(wú)法得到解決。再者，在預(yù)測(cè)VM下一時(shí) 間段對(duì)資源的依賴(lài)情況時(shí)只考慮了歷史資源使用量，并未考慮時(shí)間及并發(fā)用戶(hù)請(qǐng)求等因素 對(duì)VM性能的影響，最后NC在做綜合決策時(shí)只考慮了服務(wù)等級(jí)這一因素，并未考慮服務(wù)屬性 和調(diào)整周期等因素對(duì)決策的影響。
[0010] 通過(guò)分析現(xiàn)階段對(duì)該問(wèn)題的研究思路，并參考現(xiàn)階段研究成果，可以得知當(dāng)前研 究主要存在以下問(wèn)題：
[0011] 在對(duì)VM資源調(diào)整時(shí)，只考慮單一資源對(duì)性能的影響，忽略了多因素間的相互作 用，這使調(diào)整策略具有片面性。在預(yù)測(cè)服務(wù)性能的方法中，只考慮歷史資源使用量這一因 素，并未考慮并發(fā)用戶(hù)請(qǐng)求量對(duì)服務(wù)性能的影響。在做最優(yōu)解生成時(shí)，多數(shù)研究者采用遺傳 算法迭代求解，但只是套用遺傳算法，隨機(jī)生成初始種群，增加選出最優(yōu)解的時(shí)間。在資源 不足時(shí)，多數(shù)研究者只是簡(jiǎn)單地將VM劃分成若干等級(jí)，根據(jù)權(quán)重分配資源，并未考慮服務(wù) 屬性對(duì)特定資源的依賴(lài)程度，同時(shí)對(duì)等級(jí)的劃分也不夠權(quán)威。資源分配時(shí)未考慮資源的時(shí) 間效應(yīng)，也忽略了調(diào)整周期對(duì)整體VM性能的影響。此外，虛擬機(jī)創(chuàng)建、刪除、遷移會(huì)花費(fèi)一 定的時(shí)間，并和節(jié)點(diǎn)上的其它活動(dòng)產(chǎn)生相互影響，導(dǎo)致虛擬機(jī)創(chuàng)建、刪除、遷移時(shí)延的增加 和應(yīng)用性能的下降。大規(guī)模的虛擬機(jī)遷移會(huì)導(dǎo)致極大的系統(tǒng)開(kāi)銷(xiāo)，并需要花費(fèi)較長(zhǎng)的時(shí)間 來(lái)完成全部的遷移，在云計(jì)算基礎(chǔ)設(shè)施規(guī)模下頻繁地進(jìn)行虛擬機(jī)重放置，實(shí)踐上很難有好 的效果。最為重要的是，對(duì)于傳統(tǒng)選擇出的經(jīng)驗(yàn)數(shù)據(jù)不做任何處理，不能保留效果較好的決 策。


【發(fā)明內(nèi)容】

[0012] 針對(duì)現(xiàn)有技術(shù)存在的不足，本發(fā)明提供一種單物理機(jī)下多虛擬機(jī)的資源自適應(yīng)調(diào) 整系統(tǒng)及方法。
[0013] 本發(fā)明的技術(shù)方案是：
[0014] 一種單物理機(jī)下多虛擬機(jī)的資源自適應(yīng)調(diào)整系統(tǒng)，該系統(tǒng)在單物理機(jī)中實(shí)現(xiàn)；
[0015] 該系統(tǒng)包括數(shù)據(jù)采集模塊、預(yù)處理模塊、預(yù)測(cè)模塊、資源調(diào)整策略生成模塊、資源 調(diào)整策略收益計(jì)算模塊、監(jiān)測(cè)模塊、策略評(píng)價(jià)模塊和歷史數(shù)據(jù)庫(kù)；
[0016] 數(shù)據(jù)采集模塊用于采集服務(wù)器的歷史數(shù)據(jù)并將其存入歷史數(shù)據(jù)庫(kù)中；
[0017] 預(yù)處理模塊用于對(duì)服務(wù)器的歷史數(shù)據(jù)進(jìn)行預(yù)處理即去除噪聲數(shù)據(jù)，得到歷史CPU 資源消耗量、歷史內(nèi)存資源消耗量和歷史并發(fā)用戶(hù)請(qǐng)求量；
[0018] 預(yù)測(cè)模塊用于利用歷史CPU資源消耗量、歷史內(nèi)存資源消耗量和歷史并發(fā)用戶(hù)請(qǐng) 求量得到對(duì)下一時(shí)刻并發(fā)用戶(hù)請(qǐng)求量進(jìn)行預(yù)測(cè)，得到并發(fā)用戶(hù)請(qǐng)求量預(yù)測(cè)值，再利用并發(fā) 用戶(hù)請(qǐng)求量預(yù)測(cè)值得出虛擬機(jī)資源需求量預(yù)測(cè)區(qū)間；
[0019] 資源調(diào)整策略生成模塊用于根據(jù)虛擬機(jī)資源消耗量預(yù)測(cè)區(qū)間，利用遺傳算法得出 多個(gè)資源調(diào)整策略，并作為初始種群，每個(gè)策略中包括虛擬機(jī)CPU資源調(diào)整量和虛擬機(jī)內(nèi) 存資源調(diào)整量；
[0020] 資源調(diào)整策略收益計(jì)算模塊用于計(jì)算各資源調(diào)整策略收益，確定最優(yōu)資源調(diào)整策 略；
[0021] 監(jiān)測(cè)模塊用于根據(jù)最優(yōu)資源調(diào)整策略進(jìn)行CPU資源調(diào)整和內(nèi)存資源調(diào)整，并監(jiān)測(cè) 服務(wù)響應(yīng)時(shí)間、虛擬機(jī)資源總量、CPU資源消耗量、內(nèi)存資源消耗量和并發(fā)用戶(hù)請(qǐng)求量；
[0022] 策略評(píng)價(jià)模塊用于根據(jù)監(jiān)測(cè)得到的服務(wù)響應(yīng)時(shí)間、虛擬機(jī)資源總量、CPU資源消耗 量、內(nèi)存資源消耗量和并發(fā)用戶(hù)請(qǐng)求量，對(duì)最優(yōu)資源調(diào)整策略進(jìn)行評(píng)價(jià)；
[0023] 歷史資源數(shù)據(jù)庫(kù)用于存儲(chǔ)服務(wù)器的歷史數(shù)據(jù)、最優(yōu)資源調(diào)整策略及其評(píng)價(jià)值，月艮 務(wù)器的歷史數(shù)據(jù)包括歷史CPU、內(nèi)存和歷史并發(fā)用戶(hù)請(qǐng)求量。
[0024] 所述預(yù)測(cè)模塊通過(guò)建立用來(lái)描述服務(wù)質(zhì)量確定時(shí)并發(fā)用戶(hù)請(qǐng)求量和虛擬機(jī)資源 消耗量間的關(guān)系的C-R模型對(duì)下一時(shí)刻并發(fā)用戶(hù)請(qǐng)求量進(jìn)行預(yù)測(cè)。
[0025] 所述資源調(diào)整策略收益計(jì)算模塊是通過(guò)建立用來(lái)描述并發(fā)用戶(hù)請(qǐng)求量確定時(shí)服 務(wù)質(zhì)量與虛擬機(jī)資源消耗量間關(guān)系的P-R模型求得各資源調(diào)整策略對(duì)應(yīng)的服務(wù)質(zhì)量，對(duì)滿(mǎn) 足SLA約定值的資源調(diào)整策略收益計(jì)算，資源調(diào)整策略收益即資源分配量、資源消耗量、性 能損失量之和，滿(mǎn)足SLA約束值的資源調(diào)整策略為最優(yōu)資源調(diào)整策略。
[0026] 采用所述的資源自適應(yīng)調(diào)整系統(tǒng)的單物理機(jī)下多虛擬機(jī)的資源自適應(yīng)調(diào)整方法， 包括以下步驟：
[0027] 步驟1 :采集服務(wù)器的歷史數(shù)據(jù)并將其存入歷史數(shù)據(jù)庫(kù)中，服務(wù)器的歷史數(shù)據(jù)包 括歷史CPU、內(nèi)存和歷史并發(fā)用戶(hù)請(qǐng)求量；
[0028] 步驟2 :對(duì)服務(wù)器的歷史數(shù)據(jù)進(jìn)行預(yù)處理即去除噪聲數(shù)據(jù)，得到歷史CPU資源消耗 量、歷史內(nèi)存資源消耗量和歷史并發(fā)用戶(hù)請(qǐng)求量；
[0029] 步驟3 :利用歷史CPU資源消耗量、歷史內(nèi)存資源消耗量和歷史并發(fā)用戶(hù)請(qǐng)求量對(duì) 下一時(shí)刻并發(fā)用戶(hù)請(qǐng)求量進(jìn)行預(yù)測(cè)，得到并發(fā)用戶(hù)請(qǐng)求量預(yù)測(cè)值，再利用并發(fā)用戶(hù)請(qǐng)求量 預(yù)測(cè)值得出虛擬機(jī)資源需求量預(yù)測(cè)區(qū)間；
[0030] 步驟3. 1 :基于歷史并發(fā)用戶(hù)請(qǐng)求量，利用BP神經(jīng)網(wǎng)絡(luò)算法，對(duì)下一時(shí)刻并發(fā)用戶(hù) 請(qǐng)求量進(jìn)行預(yù)測(cè)，得到并發(fā)用戶(hù)請(qǐng)求量預(yù)測(cè)值；
[0031] 步驟3. 2 :建立用來(lái)描述服務(wù)質(zhì)量確定時(shí)并發(fā)用戶(hù)請(qǐng)求量和虛擬機(jī)資源消耗量間 的關(guān)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為自變量，即并發(fā)用戶(hù)請(qǐng)求量，yi、y2為因變量，分別為CPU資源消耗量、內(nèi) 存資源消耗量，Ct iCI(i = 1，2,......，5)表示X與yi; (i' = 1，2)軸的截距，當(dāng)X是0時(shí)， 即并發(fā)用戶(hù)請(qǐng)求量是〇時(shí)的CPU資源消耗量、內(nèi)存資源消耗量；α 1(|?α 16分別表示自變量 X的〇次方至6次方的系數(shù)，表示并發(fā)用戶(hù)請(qǐng)求量對(duì)yi的影響程度；同理，α 2(|?α 26分別 表示自變量X的〇次方至6次方的系數(shù)，表示并發(fā)用戶(hù)請(qǐng)求量對(duì)yi的影響程度；α 3(|?α 36 分別表示自變量X的〇次方至6次方的系數(shù)，表示并發(fā)用戶(hù)請(qǐng)求量對(duì)W的影響程度；α 4(|? α 46分別表示自變量X的0次方至6次方的系數(shù)，表示并發(fā)用戶(hù)請(qǐng)求量對(duì)g的影響程度； α 5〇?α 56分別表示自變量X的0次方至6次方的系數(shù)，表示因變量yi與y2協(xié)同受到并發(fā) 用戶(hù)請(qǐng)求量的影響，也是CPU資源和內(nèi)存資源間相互作用的體現(xiàn)，當(dāng)α5(ι?α56都為0時(shí)表 示這兩類(lèi)資源間不存在相互作用；
[0038] 步驟3. 3 :利用最小二乘法確定a i(l?a i6 ;
[0039] 步驟3.4:利用ai(l?ai6確定最終的C-R模型，根據(jù)該模型和求得的并發(fā)用戶(hù) 請(qǐng)求量預(yù)測(cè)值，得到虛擬機(jī)資源消耗量預(yù)測(cè)值，即虛擬機(jī)資源消耗量預(yù)測(cè)區(qū)間，包括虛擬機(jī) (PU資源消耗量預(yù)測(cè)區(qū)間和虛擬機(jī)內(nèi)存資源消耗量預(yù)測(cè)區(qū)間；
[0040] 步驟4 :根據(jù)虛擬機(jī)資源消耗量預(yù)測(cè)區(qū)間，利用遺傳算法得出多個(gè)資源調(diào)整策略， 并作為初始種群，每個(gè)策略中包括虛擬機(jī)CPU資源調(diào)整量和虛擬機(jī)內(nèi)存資源調(diào)整量；
[0041] 步驟4. 1 :判斷歷史數(shù)據(jù)庫(kù)中是否存在與虛擬機(jī)資源消耗量預(yù)測(cè)區(qū)間的誤差值在 設(shè)定的允許范圍內(nèi)的經(jīng)驗(yàn)資源調(diào)整策略，是，則執(zhí)行步驟4. 2,否則，執(zhí)行步驟4. 5 ;
[0042] 步驟4. 2 :判斷該經(jīng)驗(yàn)資源調(diào)整策略的評(píng)價(jià)值是否為優(yōu)，即評(píng)價(jià)值是否在80%? 100%范圍內(nèi)，是，則將該經(jīng)驗(yàn)資源調(diào)整策略添加到初始種群中，否則執(zhí)行步驟4. 3 ;
[0043] 步驟4. 3 :判斷該經(jīng)驗(yàn)資源調(diào)整策略的評(píng)價(jià)值是否為差，即評(píng)價(jià)值是否在0%? 60%范圍內(nèi)，是，則執(zhí)行步驟4. 4,否則，執(zhí)行步驟4. 5 ;
[0044] 步驟4. 4 :判斷當(dāng)前初始種群中是否存在與該經(jīng)驗(yàn)資源調(diào)整策略的相似度大于設(shè) 定的相似度閾值的策略，是，則刪除該策略，否則，執(zhí)行步驟4. 5 ;
[0045] 步驟4. 5 :保存當(dāng)前初始種群；
[0046] 步驟5 :求初始種群中各資源調(diào)整策略收益，確定最優(yōu)資源調(diào)整策略；
[0047] 步驟5. 1 :建立用來(lái)描述并發(fā)用戶(hù)請(qǐng)求量確定時(shí)服務(wù)質(zhì)量與虛擬機(jī)資源消耗量間 關(guān)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為自變量，S卩服務(wù)質(zhì)量，yi，y2為因變量， yi為虛擬機(jī)CPU資源消耗量，y2為 虛擬機(jī)內(nèi)存資源消耗量；
[0054] 分別為服務(wù)質(zhì)量和虛擬機(jī)資源消耗量，Y iCi(i = 1，2,......，5)表不s與5V (i' =1，2)軸的截距，當(dāng)s是0時(shí)，即并發(fā)用戶(hù)請(qǐng)求量是0時(shí)的服務(wù)質(zhì)量和虛擬機(jī)資源消耗量； Y 1(|?Y 16分別表示自變量s的〇次方至6次方的系數(shù)，表示并發(fā)用戶(hù)請(qǐng)求量對(duì)yi的影響 程度；同理，Y2(l?Y26分別表示自變量s的〇次方至6次方的系數(shù)，表示并發(fā)用戶(hù)請(qǐng)求量 對(duì)yi的影響程度；Y 3〇?Y 36分別表示自變量S的0次方至6次方的系數(shù)，表示并發(fā)用戶(hù) 請(qǐng)求量對(duì)只2的影響程度；Υ 4〇?Υ 46分別表示自變量s的0次方至6次方的系數(shù)，表示并發(fā) 用戶(hù)請(qǐng)求量對(duì)g的影響程度；Υ 5〇?Υ 56分別表示自變量s的0次方至6次方的系數(shù)，表示 因變量yi與y2協(xié)同受到并發(fā)用戶(hù)請(qǐng)求量的影響，也是服務(wù)質(zhì)量和虛擬機(jī)資源消耗量相互作 用的體現(xiàn)，當(dāng)Y 5〇?Y 56都為〇時(shí)表示這服務(wù)質(zhì)量和虛擬機(jī)資源消耗量不存在相互作用；
[0055] 步驟5. 2 :利用最小二乘法確定Yi(l?Yi6，利用Yi(l?Yi6確定最終的P-R模型；
[0056] 步驟5. 3 :利用P-R模型和虛擬機(jī)資源消耗量預(yù)測(cè)區(qū)間，求得初始種群中各資源調(diào) 整策略對(duì)應(yīng)的服務(wù)質(zhì)量，并判斷該服務(wù)質(zhì)量是否滿(mǎn)足SLA約定值，是，則保留當(dāng)前資源調(diào)整 策略，否，則刪除該策略；
[0057] 步驟5. 4 :對(duì)當(dāng)前種群中保留的資源調(diào)整策略進(jìn)行策略收益計(jì)算；
[0058] 步驟5. 4. 1 :利用資源分配量count和資源成本price計(jì)算所有虛擬機(jī)的資源分 配量 price_dissum ;
[0059] price_disSUII1 = (pricecpu*countcpu*10+pricemem*count mem) *1800s
[0060] 步驟5. 4. 2 :利用每秒的資源分配量count和每秒的資源成本price_s，計(jì)算資源 消耗量pricesum ;
[0061]

【權(quán)利要求】
1. 一種單物理機(jī)下多虛擬機(jī)的資源自適應(yīng)調(diào)整系統(tǒng)，其特征在于：該系統(tǒng)在單物理機(jī) 中實(shí)現(xiàn)； 該系統(tǒng)包括數(shù)據(jù)采集模塊、預(yù)處理模塊、預(yù)測(cè)模塊、資源調(diào)整策略生成模塊、資源調(diào)整 策略收益計(jì)算模塊、監(jiān)測(cè)模塊、策略評(píng)價(jià)模塊和歷史數(shù)據(jù)庫(kù)； 數(shù)據(jù)采集模塊用于采集服務(wù)器的歷史數(shù)據(jù)并將其存入歷史數(shù)據(jù)庫(kù)中； 預(yù)處理模塊用于對(duì)服務(wù)器的歷史數(shù)據(jù)進(jìn)行預(yù)處理即去除噪聲數(shù)據(jù)，得到歷史CPU資源 消耗量、歷史內(nèi)存資源消耗量和歷史并發(fā)用戶(hù)請(qǐng)求量； 預(yù)測(cè)模塊用于利用歷史CPU資源消耗量、歷史內(nèi)存資源消耗量和歷史并發(fā)用戶(hù)請(qǐng)求量 得到對(duì)下一時(shí)刻并發(fā)用戶(hù)請(qǐng)求量進(jìn)行預(yù)測(cè)，得到并發(fā)用戶(hù)請(qǐng)求量預(yù)測(cè)值，再利用并發(fā)用戶(hù) 請(qǐng)求量預(yù)測(cè)值得出虛擬機(jī)資源需求量預(yù)測(cè)區(qū)間； 資源調(diào)整策略生成模塊用于根據(jù)虛擬機(jī)資源消耗量預(yù)測(cè)區(qū)間，利用遺傳算法得出多個(gè) 資源調(diào)整策略，并作為初始種群，每個(gè)策略中包括虛擬機(jī)CPU資源調(diào)整量和虛擬機(jī)內(nèi)存資 源調(diào)整量； 資源調(diào)整策略收益計(jì)算模塊用于計(jì)算各資源調(diào)整策略收益，確定最優(yōu)資源調(diào)整策略； 監(jiān)測(cè)模塊用于根據(jù)最優(yōu)資源調(diào)整策略進(jìn)行CPU資源調(diào)整和內(nèi)存資源調(diào)整，并監(jiān)測(cè)服務(wù) 響應(yīng)時(shí)間、虛擬機(jī)資源總量、CPU資源消耗量、內(nèi)存資源消耗量和并發(fā)用戶(hù)請(qǐng)求量； 策略評(píng)價(jià)模塊用于根據(jù)監(jiān)測(cè)得到的服務(wù)響應(yīng)時(shí)間、虛擬機(jī)資源總量、CPU資源消耗量、 內(nèi)存資源消耗量和并發(fā)用戶(hù)請(qǐng)求量，對(duì)最優(yōu)資源調(diào)整策略進(jìn)行評(píng)價(jià)； 歷史資源數(shù)據(jù)庫(kù)用于存儲(chǔ)服務(wù)器的歷史數(shù)據(jù)、最優(yōu)資源調(diào)整策略及其評(píng)價(jià)值，服務(wù)器 的歷史數(shù)據(jù)包括歷史CPU、內(nèi)存和歷史并發(fā)用戶(hù)請(qǐng)求量。
2. 根據(jù)權(quán)利要求1所述的單物理機(jī)下多虛擬機(jī)的資源自適應(yīng)調(diào)整系統(tǒng)，其特征在于： 所述預(yù)測(cè)模塊通過(guò)建立用來(lái)描述服務(wù)質(zhì)量確定時(shí)并發(fā)用戶(hù)請(qǐng)求量和虛擬機(jī)資源消耗量間 的關(guān)系的C-R模型對(duì)下一時(shí)刻并發(fā)用戶(hù)請(qǐng)求量進(jìn)行預(yù)測(cè)。
3. 根據(jù)權(quán)利要求1所述的單服務(wù)器下多虛擬機(jī)的資源自適應(yīng)調(diào)整系統(tǒng)，其特征在于： 所述資源調(diào)整策略收益計(jì)算模塊是通過(guò)建立用來(lái)描述并發(fā)用戶(hù)請(qǐng)求量確定時(shí)服務(wù)質(zhì)量與 虛擬機(jī)資源消耗量間關(guān)系的P-R模型求得各資源調(diào)整策略對(duì)應(yīng)的服務(wù)質(zhì)量，對(duì)滿(mǎn)足SLA約 定值的資源調(diào)整策略收益計(jì)算，資源調(diào)整策略收益即資源分配量、資源消耗量、性能損失量 之和，滿(mǎn)足SLA約束值的資源調(diào)整策略為最優(yōu)資源調(diào)整策略。
4. 采用權(quán)利要求1所述的資源自適應(yīng)調(diào)整系統(tǒng)的單物理機(jī)下多虛擬機(jī)的資源自適應(yīng) 調(diào)整方法，其特征在于：包括以下步驟： 步驟1 :采集服務(wù)器的歷史數(shù)據(jù)并將其存入歷史數(shù)據(jù)庫(kù)中，服務(wù)器的歷史數(shù)據(jù)包括歷 史CPU、內(nèi)存和歷史并發(fā)用戶(hù)請(qǐng)求量； 步驟2 :對(duì)服務(wù)器的歷史數(shù)據(jù)進(jìn)行預(yù)處理即去除噪聲數(shù)據(jù)，得到歷史CPU資源消耗量、 歷史內(nèi)存資源消耗量和歷史并發(fā)用戶(hù)請(qǐng)求量； 步驟3 :利用歷史CPU資源消耗量、歷史內(nèi)存資源消耗量和歷史并發(fā)用戶(hù)請(qǐng)求量對(duì)下一 時(shí)刻并發(fā)用戶(hù)請(qǐng)求量進(jìn)行預(yù)測(cè)，得到并發(fā)用戶(hù)請(qǐng)求量預(yù)測(cè)值，再利用并發(fā)用戶(hù)請(qǐng)求量預(yù)測(cè) 值得出虛擬機(jī)資源需求量預(yù)測(cè)區(qū)間； 步驟3. 1 :基于歷史并發(fā)用戶(hù)請(qǐng)求量，利用BP神經(jīng)網(wǎng)絡(luò)算法，對(duì)下一時(shí)刻并發(fā)用戶(hù)請(qǐng)求 量進(jìn)行預(yù)測(cè)，得到并發(fā)用戶(hù)請(qǐng)求量預(yù)測(cè)值； 步驟3. 2 :建立用來(lái)描述服務(wù)質(zhì)量確定時(shí)并發(fā)用戶(hù)請(qǐng)求量和虛擬機(jī)資源消耗量間的關(guān) 系的C-R模型；
其中，X為自變量，即并發(fā)用戶(hù)請(qǐng)求量，yi、y2為因變量，分別為CPU資源消耗量、內(nèi)存資 源消耗量，ct iCI(i = 1，2,......，5)表示X與yi; (i' = 1，2)軸的截距，當(dāng)X是O時(shí)，即并 發(fā)用戶(hù)請(qǐng)求量是〇時(shí)的CPU資源消耗量、內(nèi)存資源消耗量；a 1(|?a 16分別表示自變量X的 〇次方至6次方的系數(shù)，表示并發(fā)用戶(hù)請(qǐng)求量對(duì)yi的影響程度；同理，a 2(|?a 26分別表示 自變量X的O次方至6次方的系數(shù)，表示并發(fā)用戶(hù)請(qǐng)求量對(duì)yi的影響程度；a 3(|?a 36分別 表示自變量X的O次方至6次方的系數(shù)，表示并發(fā)用戶(hù)請(qǐng)求量對(duì)W的影響程度；a 4(|?a 46 分別表示自變量X的O次方至6次方的系數(shù)，表示并發(fā)用戶(hù)請(qǐng)求量對(duì)_y22的影響程度；a 5(|? a 56分別表示自變量X的O次方至6次方的系數(shù)，表示因變量yi與y2協(xié)同受到并發(fā)用戶(hù)請(qǐng) 求量的影響，也是CPU資源和內(nèi)存資源間相互作用的體現(xiàn)，當(dāng)Ci5tl?Ci56都為O時(shí)表示這兩 類(lèi)資源間不存在相互作用； 步驟3. 3 :利用最小二乘法確定a i(l?a i6 ; 步驟3. 4:利用Ciitl?a i6確定最終的C-R模型，根據(jù)該模型和求得的并發(fā)用戶(hù)請(qǐng)求量 預(yù)測(cè)值，得到虛擬機(jī)資源消耗量預(yù)測(cè)值，即虛擬機(jī)資源消耗量預(yù)測(cè)區(qū)間，包括虛擬機(jī)CPU資 源消耗量預(yù)測(cè)區(qū)間和虛擬機(jī)內(nèi)存資源消耗量預(yù)測(cè)區(qū)間； 步驟4 :根據(jù)虛擬機(jī)資源消耗量預(yù)測(cè)區(qū)間，利用遺傳算法得出多個(gè)資源調(diào)整策略，并作 為初始種群，每個(gè)策略中包括虛擬機(jī)CPU資源調(diào)整量和虛擬機(jī)內(nèi)存資源調(diào)整量； 步驟4. 1 :判斷歷史數(shù)據(jù)庫(kù)中是否存在與虛擬機(jī)資源消耗量預(yù)測(cè)區(qū)間的誤差值在設(shè)定 的允許范圍內(nèi)的經(jīng)驗(yàn)資源調(diào)整策略，是，則執(zhí)行步驟4. 2,否則，執(zhí)行步驟4. 5 ; 步驟4. 2 :判斷該經(jīng)驗(yàn)資源調(diào)整策略的評(píng)價(jià)值是否為優(yōu)，即評(píng)價(jià)值是否在80%?100% 范圍內(nèi)，是，則將該經(jīng)驗(yàn)資源調(diào)整策略添加到初始種群中，否則執(zhí)行步驟4. 3 ; 步驟4.3 :判斷該經(jīng)驗(yàn)資源調(diào)整策略的評(píng)價(jià)值是否為差，即評(píng)價(jià)值是否在0%?60%范 圍內(nèi)，是，則執(zhí)行步驟4. 4,否則，執(zhí)行步驟4. 5 ; 步驟4. 4 :判斷當(dāng)前初始種群中是否存在與該經(jīng)驗(yàn)資源調(diào)整策略的相似度大于設(shè)定的 相似度閾值的策略，是，則刪除該策略，否則，執(zhí)行步驟4. 5 ; 步驟4. 5:保存當(dāng)前初始種群； 步驟5 :求初始種群中各資源調(diào)整策略收益，確定最優(yōu)資源調(diào)整策略； 步驟5. 1 :建立用來(lái)描述并發(fā)用戶(hù)請(qǐng)求量確定時(shí)服務(wù)質(zhì)量與虛擬機(jī)資源消耗量間關(guān)系 的P-R模型；

其中，S為自變量，S卩服務(wù)質(zhì)量，yi，y2為因變量，yi為虛擬機(jī)CPU資源消耗量，y 2為虛擬 機(jī)內(nèi)存資源消耗量； 分別為服務(wù)質(zhì)量和虛擬機(jī)資源消耗量，Y i〇(i = 1，2,......，5)表示s與yp (i '= 1，2)軸的截距，當(dāng)s是O時(shí)，即并發(fā)用戶(hù)請(qǐng)求量是O時(shí)的服務(wù)質(zhì)量和虛擬機(jī)資源消耗量； Y 1(|?Y 16分別表示自變量s的O次方至6次方的系數(shù)，表示并發(fā)用戶(hù)請(qǐng)求量對(duì)yi的影響 程度；同理，Y 2tl?Y26分別表示自變量s的O次方至6次方的系數(shù)，表示并發(fā)用戶(hù)請(qǐng)求量 對(duì)Y1的影響程度；Y 3〇?Y 36分別表示自變量s的O次方至6次方的系數(shù)，表示并發(fā)用戶(hù) 請(qǐng)求量對(duì)J12的影響程度；Y 4〇?Y 46分別表示自變量s的O次方至6次方的系數(shù)，表示并發(fā) 用戶(hù)請(qǐng)求量對(duì)J22的影響程度；Y 5〇?Y 56分別表示自變量s的O次方至6次方的系數(shù)，表示 因變量Y1與y2協(xié)同受到并發(fā)用戶(hù)請(qǐng)求量的影響，也是服務(wù)質(zhì)量和虛擬機(jī)資源消耗量相互作 用的體現(xiàn)，當(dāng)Y 5〇?Y 56都為〇時(shí)表示這服務(wù)質(zhì)量和虛擬機(jī)資源消耗量不存在相互作用； 步驟5. 2 :利用最小二乘法確定Y i(l?Y i6，利用Y i(l?Y i6確定最終的P-R模型； 步驟5. 3 :利用P-R模型和虛擬機(jī)資源消耗量預(yù)測(cè)區(qū)間，求得初始種群中各資源調(diào)整 策略對(duì)應(yīng)的服務(wù)質(zhì)量，并判斷該服務(wù)質(zhì)量是否滿(mǎn)足SLA約定值，是，則保留當(dāng)前資源調(diào)整策 略，否，則刪除該策略； 步驟5. 4 :對(duì)當(dāng)前種群中保留的資源調(diào)整策略進(jìn)行策略收益計(jì)算； 步驟5. 4. 1 :利用資源分配量count和資源成本price計(jì)算所有虛擬機(jī)的資源分配量 price_dissum ； price_disSUI1 = (price cpu* count cpu* 10+pr i c emem* countmem)*1800s 步驟5. 4. 2 :利用每秒的資源分配量count和每秒的資源成本prices，計(jì)算資源消耗 量 Pricesum ;
步驟5. 4. 3 :利用虛擬機(jī)資源消耗量預(yù)測(cè)值Priceiew和虛擬機(jī)實(shí)際的資源消耗量 price^a求得服務(wù)性能損失量；
步驟5. 4. 4 :計(jì)算資源分配量、資源消耗量、性能損失量之和，即策略收益； 步驟5. 5 :比較各資源調(diào)整策略收益，若不能滿(mǎn)足SLA約束值，則返回步驟4,若滿(mǎn)足 SLA約束值，則當(dāng)前策略為最優(yōu)資源調(diào)整策略； 步驟6 :根據(jù)最優(yōu)資源調(diào)整策略進(jìn)行CPU資源調(diào)整和內(nèi)存資源調(diào)整，并監(jiān)測(cè)服務(wù)響應(yīng)時(shí) 間、虛擬機(jī)資源總量、CPU資源消耗量、內(nèi)存資源消耗量和并發(fā)用戶(hù)請(qǐng)求量； 步驟7 :根據(jù)監(jiān)測(cè)得到的服務(wù)響應(yīng)時(shí)間、虛擬機(jī)資源總量、CPU資源消耗量、內(nèi)存資源消 耗量和并發(fā)用戶(hù)請(qǐng)求量，對(duì)最優(yōu)資源調(diào)整策略進(jìn)行評(píng)價(jià)； 步驟7. I :利用監(jiān)測(cè)周期內(nèi)各監(jiān)測(cè)時(shí)間點(diǎn)的服務(wù)響應(yīng)時(shí)間、虛擬機(jī)資源總量、CPU資源 消耗量、內(nèi)存資源消耗量和并發(fā)用戶(hù)請(qǐng)求量，計(jì)算得到整個(gè)監(jiān)測(cè)周期內(nèi)服務(wù)的總體性能滿(mǎn) 意度； 步驟7. I. 1 :計(jì)算各監(jiān)測(cè)時(shí)間點(diǎn)服務(wù)平均響應(yīng)時(shí)間，并將服務(wù)平均響應(yīng)時(shí)間以每IOms 為1個(gè)區(qū)間分成m個(gè)區(qū)間； 步驟7. 1.2:統(tǒng)計(jì)各區(qū)間內(nèi)監(jiān)測(cè)時(shí)間點(diǎn)的個(gè)數(shù)，并計(jì)算其與總監(jiān)測(cè)時(shí)間點(diǎn)數(shù)目的比例， 進(jìn)而確定各區(qū)間內(nèi)監(jiān)測(cè)時(shí)間點(diǎn)的個(gè)數(shù)與總監(jiān)測(cè)時(shí)間點(diǎn)數(shù)目的比例最大值； 步驟7. 1.3 :分別計(jì)算各區(qū)間內(nèi)監(jiān)測(cè)時(shí)間點(diǎn)的個(gè)數(shù)與總監(jiān)測(cè)時(shí)間點(diǎn)數(shù)目的比例值與比 例最大值之比，若該比值小于設(shè)定的忽略條件的比值，則舍棄該比例值，返回步驟7. 1. 2,若 該比值不小于設(shè)定的忽略條件的比值，執(zhí)行步驟7. 1. 4 ; 步驟7. 1. 4 :使用加權(quán)平均數(shù)求解算法計(jì)算監(jiān)測(cè)周期內(nèi)服務(wù)平均響應(yīng)時(shí)間； 步驟7. 1. 5 :計(jì)算整個(gè)監(jiān)測(cè)周期內(nèi)服務(wù)的總體性能滿(mǎn)意度f(wàn)inishSOTV"，即監(jiān)測(cè)周期內(nèi)服 務(wù)平均響應(yīng)時(shí)間responseMal與服務(wù)的約定響應(yīng)時(shí)間responsesla之比； finishserver = responsesla/responsereal*100% 若如181_>100%，則將如181_置為100% ; 步驟7. 2 :用監(jiān)測(cè)周期內(nèi)各監(jiān)測(cè)時(shí)間點(diǎn)的虛擬機(jī)CPU資源消耗量U^、虛擬機(jī)內(nèi)存資源 消耗量Unrem，得到虛擬機(jī)資源利用率Uvm= 0 XUc5Ml-0)XUM，0為虛擬機(jī)CPU資源消耗 量相對(duì)于整個(gè)虛擬機(jī)資源的權(quán)值，1- 0為虛擬機(jī)內(nèi)存資源消耗量相對(duì)于整個(gè)虛擬機(jī)資源的 權(quán)值； 步驟7. 3 :通過(guò)整個(gè)監(jiān)測(cè)周期內(nèi)服務(wù)的總體性能滿(mǎn)意度和虛擬機(jī)資源利用率，對(duì)當(dāng)前 執(zhí)行的最優(yōu)策略進(jìn)行評(píng)價(jià)，得到評(píng)價(jià)值V ;
其中，表示整個(gè)監(jiān)測(cè)周期內(nèi)服務(wù)的總體性能滿(mǎn)意度平均值，I表示整個(gè)監(jiān) 測(cè)周期內(nèi)的虛擬機(jī)資源利用率平均值； 步驟8 :將當(dāng)前最優(yōu)資源調(diào)整策略及其評(píng)價(jià)值存入歷史數(shù)據(jù)庫(kù)。
5.根據(jù)權(quán)利要求4所述的單物理機(jī)下多虛擬機(jī)的資源自適應(yīng)調(diào)整方法，其特征在于： 所述步驟3. 3按以下步驟進(jìn)行： 步驟3. 3. 1 :將C-R模型改寫(xiě)成矩陣形式：將C-R模型用Z1、z2、z3、z 4、Z5表示； Zi = yi，z2 = y2 = J12，Z4 = 3? z5 = Yi*y2 步驟3. 3. 2 :計(jì)算誤差平方和SSE，進(jìn)而得到與C-R模型對(duì)應(yīng)的最小二乘方程；

其中，j = 1?n，表示n條并發(fā)請(qǐng)求量，Zij表示第j條并發(fā)請(qǐng)求量中相應(yīng)類(lèi)型的虛擬 機(jī)資源消耗量表示第j個(gè)并發(fā)用戶(hù)請(qǐng)求量數(shù)據(jù)； 與C-R模型對(duì)應(yīng)的最小二乘方程如下：
步驟3.3.3:通過(guò)極小化SSEi的樣本估計(jì)值(5i0, 5n, si2, _ai3, ai4, ai6)，求解最 小二乘方程，得到關(guān)于a iQ，a n，a i2, a i3, a i4, a i5, a i6的線(xiàn)性方程； 步驟3. 3. 4 :利用歷史虛擬機(jī)CPU資源消耗量、歷史虛擬機(jī)內(nèi)存資源消耗量、歷史并發(fā) 用戶(hù)請(qǐng)求量和關(guān)于Ct iCI，Ct n，Ct i2, Ct i3, Ct i4, ai5, a i6的線(xiàn)性方程求解出參數(shù)a Kl?a i6。
6.根據(jù)權(quán)利要求4所述的單物理機(jī)下多虛擬機(jī)的資源自適應(yīng)調(diào)整方法，其特征在于： 所述步驟5. 2按以下步驟進(jìn)行： 步驟5. 2. 1 :將P-R模型改寫(xiě)成矩陣形式：將P-R模型用P1、p2、p3、p 4、p5表示； Pl = Jl^ P2 = J2 /? =少1、A = .V22 P5 = yi*y2 步驟5. 2. 2 :計(jì)算誤差平方和SSE，進(jìn)而得到與P-R模型對(duì)應(yīng)的最小二乘方程；
其中，j = 1?n，表示n條服務(wù)質(zhì)量，Pij表示第j條服務(wù)質(zhì)量中相應(yīng)類(lèi)型的虛擬機(jī)資 源消耗量值；表示第j個(gè)服務(wù)質(zhì)量數(shù)據(jù)； 與C-R模型對(duì)應(yīng)的最小二乘方程如下：

步驟5. 2. 3 :通過(guò)極小化SSEi的樣本估計(jì)值(fio, fn, fi2, fdi4, fdi6)，求解最小 二乘方程，得到關(guān)于Y i(l，Yil, Yi2, Yi3, Yi4, Yi5, Yi6的線(xiàn)性方程； 步驟5. 2. 4 :利用歷史虛擬機(jī)CPU資源消耗量、歷史虛擬機(jī)內(nèi)存資源消耗量、歷史并發(fā) 用戶(hù)請(qǐng)求量和關(guān)于YiCl, Yil, Yi2, Yi3, Yi4, Y i5, Yi6的線(xiàn)性方程求解出參數(shù)Y Kl?Yi6; 步驟5. 2. 5 :利用Y i(l?Y i6確定最終的P-R模型。
【文檔編號(hào)】H04L29/08GK104283946SQ201410505945
【公開(kāi)日】2015年1月14日 申請(qǐng)日期:2014年9月26日 優(yōu)先權(quán)日:2014年9月26日
【發(fā)明者】郭軍, 張斌, 劉宇, 楊麗春, 莫玉巖, 閆永明, 劉舒, 馬慶敏, 馬群, 李智, 李海濤 申請(qǐng)人:東北大學(xué), 遼寧北方實(shí)驗(yàn)室有限公司