基于滚动灰色预测模型的云数据中心节能调度实现方法技术

本发明专利技术公开了基于滚动灰色预测模型的云数据中心节能调度实现方法。本发明专利技术将云数据中心的节能流程抽象为负载预测、误差校验、热感知分类和虚拟机调度四个模块。通过负载预测模块对数据中心下一时刻的工作负载进行预测，得到各主机的负载利用率；热感知分类模块会根据主机负载利用率的预测值对所有主机进行热状态的划分，处于较热状态的主机利用率处于一个较高的水平，较冷状态的主机利用率较低；为保持大部分主机处于较为温和的热状态，虚拟机调度模块将依据热状态的分类结果对各主机上的虚拟机进行迁移整合等操作，最终达到保障数据中心的服务质量并且降低其能耗的目标。本发明专利技术克服了传统灰色模型由于部分数值匮乏而陷入精度低困境的问题。

【技术实现步骤摘要】
基于滚动灰色预测模型的云数据中心节能调度实现方法
本专利技术属于云计算节能调度领域，具体涉及基于滚动灰色预测模型的云数据中心节能调度实现方法。
技术介绍
云计算作为信息通信技术行业的新兴技术已逐渐走入千家万户，它以高效益、低门槛、高扩展性的特点受到了广大企业及个体用户的青睐。随着云计算发展的逐渐成熟、用户需求的不断丰富，数据中心服务器等一系列的配套设施规模也在飞速增长。世界各地也都建立起了包含着数以万计服务节点的大规模云计算数据中心，这使得更多的计算资源及存储资源被保存在云端，但由此也引发了一系列的能耗问题。绿色和平组织在其云计算报告中称，预计到2020年，全球主要IT运营商的数据中心的能耗将接近19630亿千瓦时，这将超过目前德国、法国、加拿大和巴西消耗的电力总量总和。与此同时，中国政府工作报告指出在2008年的主要任务是“加大节能减排和环境保护力度，科技部与工信部于2014年制定了《2014-2015年节能减排科技专项行动方案》，来发挥科技缓解资源环境约束的引领作用。日益不断攀升的能耗开销在加重了企业负担的同时，也增加了全球范围内影响气候变化的碳排放量，给环境问题敲响了警钟。这些集群服务器快速攀升的能耗已经成为影响企业效益及其发展的重要因素。云计算节能领域的研究也成为了国内外新兴技术研究的重点任务。目前国内外对于云计算节能研究的出发点各不相同，也存在着一定的不足，目前对于云数据中心在流量突发情况下的工作负载监控、预测问题仍存在着较大的不足，对虚拟机的调度整合策略存在着缺陷。
技术实现思路
为了更加智能有效地在网络流量突发情况下减少数据中心的功耗并保障其服务质量，本专利技术提供基于滚动灰色预测模型的云数据中心节能调度实现方法。本专利技术具体通过如下技术方案实现。基于滚动灰色预测模型的云数据中心节能调度实现方法，其将云数据中心的节能流程抽象为负载预测、误差校验、热感知分类和虚拟机调度四个模块；通过对数据中心工作负载进行预测，从而对各主机进行状态分类，进而通过虚拟机调度算法达到节能的目的。进一步地，所述负载预测具体是：利用滚动灰色预测模型对数据中心的工作负载进行预测，得到下一时刻数据中心各主机节点的负载利用率。进一步地，所述误差校验具体是：对负载预测值与实际工作负载进行误差校验，确定当前预测结果的偏差值，并基于误差校验模块进行学习，校正预测结果。进一步地，所述热感知分类具体是：根据主机当前的负载预测值对云数据中心内所有主机进行热感知分类，并引入服务水平协议作为参考指标设定主机工作负载阈值的上界和下界；当主机负载利用率在高于阈值上界、低于阈值下界、处于阈值上下界之间、负载利用率为0这四种情况下划分为不同的四种热状态。进一步地，所述虚拟机调度具体是：根据当前主机的热状态对其进行虚拟机调度，通过虚拟机调度操作解决主机过载、空载的问题，将数据中心各主机的维持在一个健康的热状态下。进一步地，通过基于滚动灰色预测模型算法，并以模块化的形式实现到云数据中心环境中，来智能地监控数据中心的负载信息、以及运行时的各性能数据。与现有技术相比，本专利技术具有如下优点和技术效果：本专利技术通过挖掘并分析数据中心实时工作负载数据，利用基于灰色预测模型的工作负载预测算法建立负载预测评估模型，对数据中心中各服务器下一时刻的负载状态进行预测，避免服务器的过载或空载现象，更加有效地应对目前较为普遍的网络流量突发现象。通过分析负载与能效的关联关系，建立主机的利用率热感知分类模型；并提出基于热感知机制的主机分类标准，来解决数据中心各主机直接负载不均导致的能耗性能问题。本专利技术通过基于滚动灰色预测模型算法，并以模块化的形式实现到云数据中心环境中，来智能地监控数据中心的负载信息、以及运行时的各性能数据。减少数据中心工作时尤其是流量突发情况下的能耗水平，降低云服务提供商的运维成本，与此同时提升数据中心SLA的指标，保障用户的云服务使用体验。附图说明图1为云计算智能资源调度框架图。图2为云数据中心系统节能框架图。图3为云数据中心任务序列1的负载预测实验结果图。图4为云数据中心任务序列2的负载预测实验结果图。图5为滚动灰色预测模型和ARIMA模型实验数据对比图。图6为滚动灰色预测模型和ARIMA模型平均偏差比对比图。具体实施方式为了使本专利技术的技术方案及优点更加清楚明白，以下结合附图，进行进一步的详细说明，但本专利技术的实施和保护不限于此。1.策略框架1.1云计算资源智能调度框架图1是云计算平台资源智能调度框架的架构图，从下而上分为主机层、虚拟机层、性能评估层、调度层和用户层。其中调度层和评估层是整个节能策略框架的核心所在。下面将对每一层进行阐述。主机层是指云数据中心中的所有服务器，包含所有物理主机节点。这些硬件设备是云环境最底层的基础设施，为我们进行节能调度管理提供了硬件基础。虚拟机层则是建立在主机层虚拟化技术基础上的，通过将多台服务器实体虚拟化，构成了虚拟机层这个资源池，能够实现云环境中的共同计算及资源共享。性能评估层是指对云数据中心的的负载利用率、能耗、SLA、PUE等性能数据进行采集评估。评估层需要与虚拟层进行数据通信来获取虚拟机资源利用情况、各虚拟机的运行状态等信息。调度层则在基于性能评估层所采集负载、能耗等数据的基础上，对主机进行虚拟机初次分配，以及虚拟机迁移操作，通过对虚拟机进行调度来保障主机能够运行在一个良好的负责利用率环境下。用户层是指云计算环境中的所有用户及服务请求者，包括个人用户、企业用户以及云计算的所有使用者。用户层会时刻对数据中心发出新的服务请求。1.2云数据中心系统节能框架图2是云计算数据中心系统节能架构的框架图，从上而下分为四个模块，分别是负载预测模块、误差校验模块、热感知分类模块以及虚拟机调度模块。下面将对每一个模块进行阐述。(1)负载预测模块：数据中心每秒都会处理成千上万的服务请求，负载预测模块可以持续地监测数据中心中物理机(PowerMachine)的工作负载数据，并通过分析有效历史负载数据来预测每一个PM在未来时刻的CPU利用率。负载预测模块可以帮助我们有效地区分数据中心当前状态下过载与空载的服务器。(2)误差校验模块：当负载预测器完成了预测过程之后，误差校验模块会计算实际值与预测值之间的偏差，并通过分析和计算它们的相对误差来优化未来的预测结果。(3)热感知分类模块：根据上述模块得到的工作负载预测值，我们将物理机分为了四种类别，称为沸点(boilingpoint)、温点(warmingpoint)、凉点(coolingpoint)、冰点(freezingpoint)。我们在此节能架构下引入了服务水平协议(ServiceLevelAgreement，SLA)作为我们的一项重要参考指标，并利用SLA设定了PM工作负载阈值的上界和下界。当PM当前的负载利用率高于阈值上界时我们称之为沸点；当其利用率低于阈值下界(非0)时我们称之为凉点；负载利用率为0时为冰点；当PM的负载利用率处于阈值上下界之间时我们称之为温点。热感知分类模块通过对PM进行类别区域的划分，我们可以很好地了解并调控当前数据中心内部的负载情况。(4)虚拟机调度模块：云计算节能的目的是使得整个数据中心能够以较高的利用率运转，并且最大程度保障用户的云服务质量。因此我们需要使得尽可能本文档来自技高网...

【技术保护点】
基于滚动灰色预测模型的云数据中心节能调度实现方法，其特征在于将云数据中心的节能流程抽象为负载预测、误差校验、热感知分类和虚拟机调度四个模块；通过对数据中心工作负载进行预测，从而对各主机进行状态分类，进而通过虚拟机调度算法达到节能的目的。

【技术特征摘要】
1.基于滚动灰色预测模型的云数据中心节能调度实现方法，其特征在于将云数据中心的节能流程抽象为负载预测、误差校验、热感知分类和虚拟机调度四个模块；通过对数据中心工作负载进行预测，从而对各主机进行状态分类，进而通过虚拟机调度算法达到节能的目的。2.根据权利要求1所述的基于滚动灰色预测模型的云数据中心节能调度实现方法，其特征在于所述负载预测具体是：利用滚动灰色预测模型对数据中心的工作负载进行预测，得到下一时刻数据中心各主机节点的负载利用率。3.根据权利要求1所述的基于滚动灰色预测模型的云数据中心节能调度实现方法，其特征在于所述误差校验具体是：对负载预测值与实际工作负载进行误差校验，确定当前预测结果的偏差值，并基于误差校验模块进行学习，校正预测结果。4.根据权利要求1所述的基于滚动灰色预测模型的云数据中心节能调度实现方法，其...

【专利技术属性】
技术研发人员：刘发贵，王彬，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44