一种基于Spark与优化MBBO算法的并行虚拟机聚合方法技术

本发明专利技术提供一种基于Spark与优化MBBO算法的并行虚拟机聚合方法，通过拓展的Spark并行框架及多目标生物地理学优化MBBO算法，从而能够在比较短的收敛时间内求解VMC问题的最佳迁移方案，为后续的虚拟机并行迁移奠定基础。其包括如下步骤，步骤1，将虚拟机聚合问题映射到生物地理学优化算法中，确定约束条件，明确求解目标；步骤2，基于拓展的Spark并行框架，分发满足约束条件的初始栖息地群到各Spark计算节点并迭代执行MBBO并行算法，直到满足终止条件，停止算法执行并获取能够平衡多个优化求解目标的最优解。利用拓展的Spark并行框架的同时，将生物地理学概念映射到优化问题中。

【技术实现步骤摘要】
一种基于Spark与优化MBBO算法的并行虚拟机聚合方法
本专利技术涉及计算机科学与技术中的虚拟机聚合领域，具体为一种基于Spark与优化MBBO算法的并行虚拟机聚合方法。
技术介绍
虚拟机VM(VirtualMachine)作为统一管理数据中心的硬件资源达到了空前的使用规模，与此带来两大难题，高能耗及负载不均衡。当前解决以上两种问题主要采用虚拟机聚合VMC(VirtualMachineConsolidation)技术，通过重排主机HM(HostMachine)上VM的放置位置，优化数据中心的能耗、负载均衡、网络带宽等多种方面。VMC通过在拓扑复杂的海量HM和VM中，建立数学模型并提出有效的聚合方案，将VM从源主机动态迁移到目标主机来实现。VMC是一种NP(Non-deterministicPolynomial)问题，难以在多项式时间内取得最优解，目前研究方向包括单目标聚合和多目标聚合。单目标的虚拟机聚合研究侧重在单个目标维度内对数据中心进行优化获取最优解，然而，单目标聚合过分简化了复杂性，使得单目标最优解往往牺牲其他目标为代价，造成数据中心综合性能的下降。多目标虚拟机聚合研究同时考本文档来自技高网...

【技术保护点】
一种基于Spark与优化MBBO算法的并行虚拟机聚合方法，其特征在于，包括如下步骤，步骤1，将虚拟机聚合问题映射到生物地理学优化算法中，确定约束条件，明确求解目标；步骤2，基于拓展的Spark并行框架，分发满足约束条件的初始栖息地群到各Spark计算节点并迭代执行MBBO并行算法，直到满足终止条件，停止算法执行并获取能够平衡多个优化求解目标的最优解。

【技术特征摘要】
1.一种基于Spark与优化MBBO算法的并行虚拟机聚合方法，其特征在于，包括如下步骤，步骤1，将虚拟机聚合问题映射到生物地理学优化算法中，确定约束条件，明确求解目标；步骤2，基于拓展的Spark并行框架，分发满足约束条件的初始栖息地群到各Spark计算节点并迭代执行MBBO并行算法，直到满足终止条件，停止算法执行并获取能够平衡多个优化求解目标的最优解。2.根据权利要求1所述的一种基于Spark与优化MBBO算法的并行虚拟机聚合方法，其特征在于，所述的步骤1中进行映射时，每一个栖息地代表符合约束条件的VM与HM的一种位置排列，栖息地由一个长度为VM数量的行向量表示，向量中第i个元素代表第i个VM聚合后对应的HM编号；VM对应的HM编号被映射为该栖息地的适宜性指数变量SIV，由该栖息地内所有SIV共同决定栖息地适宜性指数HSI，即该候选解对VMC该优化目标的匹配程度；众多的栖息地组成一个群岛，表示满足该VMC优化目标的候选解集合；高HSI栖息地的迁出率高，迁入率低；低HSI栖息地迁入率高，迁出率低。3.根据权利要求1所述的一种基于Spark与优化MBBO算法的并行虚拟机聚合方法，其特征在于，所述的步骤2，具体包括如下步骤，步骤2.1，通过添加二级Reduce方法拓展Spark并行框架，使其具有Map-1stReduce-2ndReduce3个执行阶段，并采用主从式-细粒度的两层并行化模型；并行框架的上层采用主从式...

【专利技术属性】
技术研发人员：郑庆华，李睿，钟阿敏，刘猛，王晔阳，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西,61