能量优化的虚拟机部署方法及系统技术方案

公开了一种能量优化的虚拟机部署方法及系统。该方法包括：步骤1：确定虚拟机部署目标及其约束条件；步骤2：确定部署解计算初始化参数；步骤3：进行种群初始化，使樽海鞘个体与虚拟机的部署解一一对应；步骤4：根据虚拟机部署目标及其约束条件，计算初始化种群中每一个樽海鞘个体的适应度；步骤5：确定食物源、领导者与追随者，获得更新种群；步骤6：计算更新种群中每一个樽海鞘个体的适应度，确定食物源；步骤7：重复步骤5‑6，输出当前种群中的食物源位置作为最终的虚拟机部署最优解。本发明专利技术通过樽海鞘的群体寻优模型，平衡迭代过程中的勘探行为和开发行为，在保证全局性和多样性的同时，实现能量优化的虚拟机部署效果。

Virtual machine deployment method and system of energy optimization

【技术实现步骤摘要】
能量优化的虚拟机部署方法及系统
本专利技术涉及云计算、智能群体算法领域，更具体地，涉及一种能量优化的虚拟机部署方法及系统。
技术介绍
云计算可以通过其灵活性、安全性、高度可扩展性以及服务质量的保证为数据中心拥有者克服传统计算模式的本地化计算方式的不足。它可以配置大量不同类型的异构服务器，服务器上可进一步利用虚拟化技术部署大量的虚拟机，利有虚拟机实现服务提供时应用的隔离。虚拟机同样拥有不同的负载类型和对各维度资源不同的需求，这可能导致资源利用与主机高能耗之间的矛盾。主机的高能耗会导致云计算运营成本的增加，同时会对环境产生不利影响。而高能耗与主机资源的利用率又是密切相关的。因此，如何进行高能效的虚拟机部署将是云计算必须解决的问题。智能群体算法是求解最优化问题的典型算法，其中，粒子群算法、遗传算法、蚁群算法、蜂群算法以及引力搜索算法均已经在云计算环境中的虚拟机部署问题中有所应用，能耗问题作为其中一个优化目标已经拥有很多阶段性成果，但由于这类元启发式算法的本身固有局限，如陷入局部最优以及依赖过多的初始参数等，使得基于能耗的虚拟机部署优化问题已经具有某此局限性，需要性能更好的元启发式算法对这一问题进行优化求解。因此，有必要开发一种能量优化的虚拟机部署方法及系统。公开于本专利技术
技术介绍
部分的信息仅仅旨在加深对本专利技术的一般
技术介绍
的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
技术实现思路
本专利技术提出了一种能量优化的虚拟机部署方法及系统，其能够通过樽海鞘的群体寻优模型，充分平衡樽海鞘群体迭代过程中的勘探行为和开发行为，在保证全局性和多样性的同时，实现能量优化的虚拟机部署效果。根据本专利技术的一方面，提出了一种能量优化的虚拟机部署方法。所述方法可以包括：步骤1：确定虚拟机部署目标及其约束条件；步骤2：确定部署解计算初始化参数；步骤3：通过樽海鞘算法进行种群初始化，使樽海鞘个体与虚拟机的部署解一一对应；步骤4：根据虚拟机部署目标及其约束条件，计算初始化种群中每一个樽海鞘个体的适应度；步骤5：根据适应度，确定食物源、领导者与追随者，进而确定领导者位置与追随者位置，获得更新种群；步骤6：计算所述更新种群中每一个樽海鞘个体的适应度，确定适应度值最大的樽海鞘个体，判断所述樽海鞘个体的适应度值是否大于所述食物源的适应度值，若是，则将该樽海鞘个体作为新的食物源；若否，则保留原食物源；步骤7：判断当前迭代次数是否小于最大迭代次数，若是，则重复步骤5-6，若否，则输出当前种群中的食物源位置作为最终的虚拟机部署最优解。优选地，部署解计算初始化参数包括：最大迭代次数Tmax、虚拟机集合V、物理主机集合H、主机的资源能力矢量、虚拟机的资源请求矢量、主机的满载功耗和空闲功耗。优选地，所述虚拟机部署目标为：其中，Pi,full表示主机hi为满负载状态时的功耗，Pi,idle表示主机hi为空闲状态时的功耗，Pi表示主机hi的当前功耗，Ui,CPU为主机hi的CPU利用率。优选地，所述约束条件为：Loadi,CPU≤Ci,CPU,i＝1,2,...,m(2)Loadi,MEM≤Ci,MEM,i＝1,2,...,m(3)Loadi,DISK≤Ci,DISK,i＝1,2,...,m(4)Loadi,NETW≤Ci,NETW,i＝1,2,...,m(5)其中，Ci,CPU表示物理主机hi的CPU能力，Ci,MEM表示物理主机hi的内存能力，Ci,DISK表示物理主机hi的存储能力，Ci,NETW表示物理主机hi的网络带宽能力，Loadi,CPU表示物理主机hi的总体CPU负载，Loadi,MEM表示物理主机hi的总体内存负载，Loadi,MEM表示物理主机hi的总体内存负载，Loadi,MEM表示物理主机hi的总体内存负载。优选地，所述步骤(3)包括：通过公式(6)对樽海鞘个体的位置进行随机化，获得初始化种群：其中，q＝1,2,…,N，N表示樽海鞘种群的规模，j＝1,2,…,n，n表示虚拟机总量，c4表示区间[0,1]内的随机数，ubj,max表示第j维空间的上限值，lbj,min表示第j维空间的下限值，x1,j表示领导者在第j维空间上的位置，xq,j表示追随者在第j维空间上的位置，表示向上取整。优选地，通过公式(7)计算适应度：其中，fitness为适应度。优选地，根据适应度，将适应度值最大的樽海鞘个体作为当前的食物源位置，将食物源之外剩余排序的N-1个樽海鞘个体中的第一个樽海鞘个体作为领导者，将剩下的N-2个樽海鞘全部作为追随者。优选地，通过公式(8)确定领导者位置：其中，x1,j表示领导者樽海鞘在第j维空间上的位置，Fj表示食物源在第j维空间上的位置，ubj,max表示第j维空间的上限值，lbj,min表示第j维空间的下限值，c2和c3表示区间[0,1]间的随机数，c1为收敛因子，t表示当前迭代次数，Tmax表示方法的最大迭代次数。优选地，通过公式(9)确定追随者位置：其中，q’≥2，xq’,j表示追随者在第j维空间上的位置，△t表示时间，v0表示追随者的初始速率，加速度a＝(vfinal-v0)/△t，其中，vfinal＝xq’-1,j-xq’,j/△t，xq’-1,j表示第q’-1个樽海鞘在第j维空间上的位置。根据本专利技术的另一方面，提出了一种能量优化的虚拟机部署系统，其特征在于，该系统包括：存储器，存储有计算机可执行指令；处理器，所述处理器运行所述存储器中的计算机可执行指令，执行以下步骤：步骤1：确定虚拟机部署目标及其约束条件；步骤2：确定部署解计算初始化参数；步骤3：通过樽海鞘算法进行种群初始化，使樽海鞘个体与虚拟机的部署解一一对应；步骤4：根据虚拟机部署目标及其约束条件，计算初始化种群中每一个樽海鞘个体的适应度；步骤5：根据适应度，确定食物源、领导者与追随者，进而确定领导者位置与追随者位置，获得更新种群；步骤6：计算所述更新种群中每一个樽海鞘个体的适应度，确定适应度值最大的樽海鞘个体，判断所述樽海鞘个体的适应度值是否大于所述食物源的适应度值，若是，则将该樽海鞘个体作为新的食物源；若否，则保留原食物源；步骤7：判断当前迭代次数是否小于最大迭代次数，若是，则重复步骤5-6，若否，则输出当前种群中的食物源位置作为最终的虚拟机部署最优解。优选地，部署解计算初始化参数包括：最大迭代次数Tmax、虚拟机集合V、物理主机集合H、主机的资源能力矢量、虚拟机的资源请求矢量、主机的满载功耗和空闲功耗。优选地，所述虚拟机部署目标为：其中，Pi,full表示主机hi为满负载状态时的功耗，Pi,idle表示主机hi为空闲状态时的功耗，Pi表示主机hi的当前功耗，Ui,CPU为主机hi的CPU利用率。优选地，所述约束条件为：Loadi,CPU≤Ci,CPU,i＝1,2,...,m(2)Loadi,本文档来自技高网...

【技术保护点】
1.一种能量优化的虚拟机部署方法，其特征在于，包括：/n步骤1：确定虚拟机部署目标及其约束条件；/n步骤2：确定部署解计算初始化参数；/n步骤3：通过樽海鞘算法进行种群初始化，使樽海鞘个体与虚拟机的部署解一一对应；/n步骤4：根据虚拟机部署目标及其约束条件，计算初始化种群中每一个樽海鞘个体的适应度；/n步骤5：根据适应度，确定食物源、领导者与追随者，进而确定领导者位置与追随者位置，获得更新种群；/n步骤6：计算所述更新种群中每一个樽海鞘个体的适应度，确定适应度值最大的樽海鞘个体，判断所述樽海鞘个体的适应度值是否大于所述食物源的适应度值，若是，则将该樽海鞘个体作为新的食物源；若否，则保留原食物源；/n步骤7：判断当前迭代次数是否小于最大迭代次数，若是，则重复步骤5-6，若否，则输出当前种群中的食物源位置作为最终的虚拟机部署最优解。/n

【技术特征摘要】
1.一种能量优化的虚拟机部署方法，其特征在于，包括：
步骤1：确定虚拟机部署目标及其约束条件；
步骤2：确定部署解计算初始化参数；
步骤3：通过樽海鞘算法进行种群初始化，使樽海鞘个体与虚拟机的部署解一一对应；
步骤4：根据虚拟机部署目标及其约束条件，计算初始化种群中每一个樽海鞘个体的适应度；
步骤5：根据适应度，确定食物源、领导者与追随者，进而确定领导者位置与追随者位置，获得更新种群；
步骤6：计算所述更新种群中每一个樽海鞘个体的适应度，确定适应度值最大的樽海鞘个体，判断所述樽海鞘个体的适应度值是否大于所述食物源的适应度值，若是，则将该樽海鞘个体作为新的食物源；若否，则保留原食物源；
步骤7：判断当前迭代次数是否小于最大迭代次数，若是，则重复步骤5-6，若否，则输出当前种群中的食物源位置作为最终的虚拟机部署最优解。


2.根据权利要求1所述的能量优化的虚拟机部署方法，其中，部署解计算初始化参数包括：最大迭代次数Tmax、虚拟机集合V、物理主机集合H、主机的资源能力矢量、虚拟机的资源请求矢量、主机的满载功耗和空闲功耗。


3.根据权利要求1所述的能量优化的虚拟机部署方法，其中，所述虚拟机部署目标为：



其中，Pi,full表示主机hi为满负载状态时的功耗，Pi,idle表示主机hi为空闲状态时的功耗，Pi表示主机hi的当前功耗，Ui,CPU为主机hi的CPU利用率。


4.根据权利要求1所述的能量优化的虚拟机部署方法，其中，所述约束条件为：
Loadi,CPU≤Ci,CPU,i＝1,2,...,m(2)
Loadi,MEM≤Ci,MEM,i＝1,2,...,m(3)
Loadi,DISK≤Ci,DISK,i＝1,2,...,m(4)
Loadi,NETW≤Ci,NETW,i＝1,2,...,m(5)
其中，Ci,CPU表示物理主机hi的CPU能力，Ci,MEM表示物理主机hi的内存能力，Ci,DISK表示物理主机hi的存储能力，Ci,NETW表示物理主机hi的网络带宽能力，Loadi,CPU表示物理主机hi的总体CPU负载，Loadi,MEM表示物理主机hi的总体内存负载，Loadi,MEM表示物理主机hi的总体内存负载，Loadi,MEM表示物理主机hi的总体内存负载。


5.根据权利要求1所述的能量优化的虚拟机部署方法，其中，所述步骤(3)包括：通过公式(6)对樽海鞘个体的位置进行随机化，获得初始化种群：



其中，q＝1,2,…,N，N表示樽海鞘种群的规模，j＝1,2,…,n，n表示虚拟机总量，...

【专利技术属性】
技术研发人员：张小庆，
申请(专利权)人：武汉轻工大学，
类型：发明
国别省市：湖北;42