云环境下的虚拟机负载评估系统、方法以及服务节点技术方案

技术编号:14555506 阅读:85 留言:0更新日期:2017-02-05 04:45
本申请公开了一种云环境下的虚拟机负载评估系统,包括:监控数据采集模块,其配置成从云数据中心内的一个或多个虚拟机处采集监控数据;以及监控数据处理模块,与所述监控数据采集模块耦合,并配置成:针对所述一个或多个虚拟机中的每一个,利用第一KMeans算法来将所述监控数据进行聚集分组,每一个组具有一中心点坐标,并根据所述分组和各组的中心点坐标计算所述一个或多个虚拟机中每个虚拟机的性能表征,即第一特征值;基于每个虚拟机的所述第一特征值,利用第二KMeans算法来将所述一个或多个虚拟机进行聚集分组,从而确定所述一个或多个虚拟机中每个虚拟机的特征类型以及性能负载值。本申请还公开了云环境下对虚拟机进行负载评估的方法以及一种服务节点。

Virtual machine load evaluation system, method and service node in cloud environment

The invention discloses a virtual machine in cloud environment load evaluation system, including: monitoring data acquisition module configured from one or more virtual machine data acquisition and monitoring cloud data center; and the monitoring data processing module, coupled with the monitoring data acquisition module, and configured to: each of the one or more virtual machines, using the first KMeans algorithm to the monitor data aggregation group, each group has a center point coordinates, and calculate the characterization of the one or more virtual machines in each virtual machine according to the coordinates of the center point of the packet and in each group, namely the first eigenvalue; each virtual machine based on the first eigenvalue, using second KMeans algorithm to the one or more virtual machines were gathered to determine the packet, one or more virtual The type of feature and the performance load value of each virtual machine in the virtual machine. The invention also discloses a method for evaluating the load of the virtual machine in the cloud environment and a service node.

【技术实现步骤摘要】

本专利技术涉及云监控技术,并且更具体来说,涉及云环境下虚拟机的负载评估。
技术介绍
云计算中虚拟化技术,在某些方面对传统问题解决方案提供了一种新的思路,但虚拟化技术作为一门新兴的技术,它在虚拟机资源性能管理与检测等方面所做的工作仍然有许多的不足之处。11年的一篇论文《Towardanarchitectureformonitoringprivateclouds》中,作者同样指出云监控的重要性,尽管对云的管理部署的解决方案有许多,但是云监控的技术却没有跟上步伐。一个系统的性能特征是由其本身特征以及运行在上面的应用服务的负载特征决定的,它定量描述了一个基本的系统特征。如何去判断应用服务的负载特征从而了解整个系统所处的环境具有重要意义。目前在虚拟机负载评估方面,并没有精确的解决方案,大多基于人为或者虚拟机宏观运行状态表现判断负载情况(例如:通过用户数量预测一个负载今后运行的情况与大致性能需求),负载状态评估相对单一、简略。
技术实现思路
传统机器负载评估通常采用机器本身的系统数据进行评分,通过预先设定的参数来对机器本身进行评估。这种方法在云环境下并不适用,因为云环境下存在大量虚拟机,用户与管理员真正需要了解的不仅是各个虚拟机性能上的差异性,更需要的是整体上的一个较为精确地宏观对比,从而了解具体应用对资源的占用情况。为解决上述问题,本申请提供了一种云环境下的虚拟机负载评估系统,包括:监控数据采集模块,其配置成从云数据中心内的一个或多个虚拟机处采集监控数据;以及监控数据处理模块,与所述监控数据采集模块耦合,并配置成:针对所述一个或多个虚拟机中的每一个,利用第一KMeans算法来将所述监控数据进行聚集分组,每一个组具有一中心点坐标,并根据所述分组和各组的中心点坐标计算所述一个或多个虚拟机中每个虚拟机的性能表征,即第一特征值;基于每个虚拟机的所述第一特征值,利用第二KMeans算法来将所述一个或多个虚拟机进行聚集分组,从而确定所述一个或多个虚拟机中每个虚拟机的特征类型以及性能负载值;其中,所述第一KMeans算法中的类型参数K大于所述第二KMeans算法中的类型参数,并且所述第一KMeans算法的初始中心被选择为使得初始类别之间保持尽可能远的距离,而所述第二Kmeans算法的初始中心被选择为所述第一KMeans算法的初始中心的子集。在上述虚拟机负载评估系统中,所述监控数据与一个或多个虚拟机的中央处理单元、存储器、硬盘输入或输出以及网络输入或输出关联。在上述虚拟机负载评估系统中,所述虚拟机的特征类型包括CPU密集型、Network密集型以及Memory密集型。在上述虚拟机负载评估系统中,所述第一KMeans算法中的类型参数K等于4,而所述第二KMeans算法中的类型参数等于3。在上述虚拟机负载评估系统中,所述第一KMeans算法的初始中心被选择为P1(100,0,0)、P2(0,100,0)、P3(0,0,100)以及P4(0,0,0)。在上述虚拟机负载评估系统中,每一组中样本的占比为A%、B%、C%、D%,而每一组的中心点坐标分别为(X1,Y1,Z1),(X2,Y2,Z2),(X3,Y3,Z3)以及(X4,Y4,Z4),则所述第一特征值由下面的等式来表示:λi=(A%,B%,C%,D%)*X1Y1Z1X2Y2Z2X3Y3Z3X4Y4Z4=(A%*X1+B%*X2+C%*X3+D%*X4,A%*Y1+B%*Y2+C%*Y3+D%*Y4,A%*Z1+B%*Z2+C%*Z3+D%*Z4).]]>在上述虚拟机负载评估系统中,所述监控数据处理模块进一步被配置成根据所述一个或多个虚拟机中的性能负载值来对虚拟机进行重新分布,实现资源的有效利用。根据本申请的另一个方面,提供了一种云环境下对虚拟机进行负载评估的方法,包括:针对云数据中心内的一个或多个虚拟机中的每一个,利用第一KMeans算法来将从所述一个或多个虚拟机处获得的监控数据进行聚集分组,每一个组具有一中心点坐标,并根据所述分组和各组的中心点坐标计算所述一个或多个虚拟机中每个虚拟机的性能表征,即第一特征值;基于每个虚拟机的所述第一特征值,利用第二KMeans算法来将所述一个或多个虚拟机进行聚集分组,从而确定所述一个或多个虚拟机中每个虚拟机的特征类型以及性能负载值;其中,所述第一KMeans算法中的类型参数K大于所述第二KMeans算法中的类型参数,并且所述第一KMeans算法的初始中心被选择为使得初始类别之间保持尽可能远的距离,而所述第二Kmeans算法的初始中心被选择为所述第一KMeans算法的初始中心的子集。在上述方法中,所述监控数据与一个或多个虚拟机的中央处理单元、存储器、硬盘输入或输出以及网络输入或输出关联。在上述方法中,所述虚拟机的特征类型包括CPU密集型、Network密集型以及Memory密集型。在上述方法中,所述第一KMeans算法中的类型参数K等于4,而所述第二KMeans算法中的类型参数等于3。在上述方法中,所述第一KMeans算法的初始中心被选择为P1(100,0,0)、P2(0,100,0)、P3(0,0,100)以及P4(0,0,0)。在上述方法中,每一组中样本的占比为A%、B%、C%、D%,每一组的中心点坐标分别为(X1,Y1,Z1),(X2,Y2,Z2),(X3,Y3,Z3)以及(X4,Y4,Z4),则所述第一特征值由下面的等式来表示:λi=(A%,B%,C%,D%)*X1Y1Z1X2Y2Z2X3Y3Z3X4Y4Z4=(A%*X1+B%*X2+C%*X3+D%*X4,A%*Y1+B%*Y2+C%*Y3+D%*Y4,A%*Z1+B%*Z2+C%*Z3+D%*Z4).]]>上述方法还可包括根据所述一个或多个虚拟机中的性能负载值来对虚拟机进行重新分布,实现资源的有效利用。根据本申请的又一个方面,提供了一种包括前面所述的虚拟机负载评估系统的服务节点。本申请通过采用KMeans聚类算法实现虚拟机负载宏观情况的评估监测,并且克服了传统的KMeans算法所存在的聚类结果的准确性受很多因素的影响(包括初始中心的选择,噪声、孤立点的处理与否)等缺陷。附图说明在参照附图阅读了本专利技术的具体实施方式以后,本领域技术人员将会更清楚地了解本专利技术的各个方面。本领域技术人员应当理解的是:这些附图仅仅用于配合具体实施方式说明本专利技术的技术方案,而并非本文档来自技高网...

【技术保护点】
一种云环境下的虚拟机负载评估系统,包括:监控数据采集模块,其配置成从云数据中心内的一个或多个虚拟机处采集监控数据;以及监控数据处理模块,与所述监控数据采集模块耦合,并配置成:针对所述一个或多个虚拟机中的每一个,利用第一KMeans算法来将所述监控数据进行聚集分组,每一个组具有一中心点坐标,并根据所述分组和各组的中心点坐标计算所述一个或多个虚拟机中每个虚拟机的性能表征,即第一特征值;基于每个虚拟机的所述第一特征值,利用第二KMeans算法来将所述一个或多个虚拟机进行聚集分组,从而确定所述一个或多个虚拟机中每个虚拟机的特征类型以及性能负载值;其中,所述第一KMeans算法中的类型参数K大于所述第二KMeans算法中的类型参数,并且所述第一KMeans算法的初始中心被选择为使得初始类别之间保持尽可能远的距离,而所述第二Kmeans算法的初始中心被选择为所述第一KMeans算法的初始中心的子集。

【技术特征摘要】
1.一种云环境下的虚拟机负载评估系统,包括:
监控数据采集模块,其配置成从云数据中心内的一个或多个虚拟机处
采集监控数据;以及
监控数据处理模块,与所述监控数据采集模块耦合,并配置成:
针对所述一个或多个虚拟机中的每一个,利用第一KMeans算法
来将所述监控数据进行聚集分组,每一个组具有一中心点坐标,并根
据所述分组和各组的中心点坐标计算所述一个或多个虚拟机中每个
虚拟机的性能表征,即第一特征值;
基于每个虚拟机的所述第一特征值,利用第二KMeans算法来将
所述一个或多个虚拟机进行聚集分组,从而确定所述一个或多个虚拟
机中每个虚拟机的特征类型以及性能负载值;
其中,所述第一KMeans算法中的类型参数K大于所述第二
KMeans算法中的类型参数,并且所述第一KMeans算法的初始中心
被选择为使得初始类别之间保持尽可能远的距离,而所述第二
Kmeans算法的初始中心被选择为所述第一KMeans算法的初始中心
的子集。
2.如权利要求1所述的虚拟机负载评估系统,其中,所述监控数据
与一个或多个虚拟机的中央处理单元、存储器、硬盘输入或输出以及
网络输入或输出关联。
3.如权利要求1所述的虚拟机负载评估系统,其中,所述虚拟机的
特征类型包括CPU密集型、Network密集型以及Memory密集型。
4.如权利要求1所述的虚拟机负载评估系统,其中,所述第一
KMeans算法中的类型参数K等于4,而所述第二KMeans算法中的
类型参数等于3。
5.如权利要求4所述的虚拟机负载评估系统,其中,所述第一
KMeans算法的初始中心被选择为P1(100,0,0)、P2(0,100,0)、

\tP3(0,0,100)以及P4(0,0,0)。
6.如权利要求4所述的虚拟机负载评估系统,其中,每一组中样本
的占比为A%、B%、C%、D%,而每一组的中心点坐标分别为(X1,
Y1,Z1),(X2,Y2,Z2),(X3,Y3,Z3)以及(X4,Y4,Z4),则所述第一特
征值由下面的等式来表示:
λi=(A%,B%,C%,D%)*X1Y1Z1X2Y2Z2X3Y3Z3X4Y4Z4=(A%*X1+B%*X2+C%*X3+D%*X4,A%*Y1+B%*Y2+C%*Y3+D%*Y4,A%*Z1+B%*Z2+C%*Z3+D%*Z4).]]>7.如权利要求1所述的虚拟机负载评估系统,其中,所述监控数据
处理模块进一步被配置成根据所述一个或多个虚拟机中...

【专利技术属性】
技术研发人员:柴洪峰吴承荣华锦芝王振方杨阳张骏
申请(专利权)人:中国银联股份有限公司
类型:发明
国别省市:上海;31

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1