一种虚拟机放置后的动态管理方法和装置制造方法及图纸

本发明专利技术涉及一种虚拟机放置后的动态管理方法和装置，方法包括：获取虚拟机种群每个个体的虚拟机物理资源利用率的历史数据和最小响应时间，并计算得到适应度函数值，根据虚拟机种群的适应度函数值获取虚拟机待迁移列表，根据虚拟机待迁移列表放置虚拟机，并获取所有放置参数的实际值；设定所有放置参数的理想值，使用LSTM模型中的RNN循环神经网络获取下一次虚拟机放置时的放置参数的预测值，并根据放置参数的预测值和实际值得到放置参数的权重，获取所有放置参数中权重最大的放置参数，将虚拟机待迁移列表中该放置参数数值较大的虚拟机优先放置。与现有技术相比，本发明专利技术具有放置结果更精确等优点。放置结果更精确等优点。放置结果更精确等优点。

【技术实现步骤摘要】
一种虚拟机放置后的动态管理方法和装置


[0001]本专利技术涉及虚拟机领域，尤其是涉及一种虚拟机放置后的动态管理方法和装置。

技术介绍

[0002]目前云计算规模日益增长已经导致其无法及时处理呈指数增长的数据；最根本的解决办法是实现虚拟机部署策略最优解；目前常用约束规划、遗传算法等解决上述问题。但通过遗传算法获取虚拟机待迁移列表并完成放置后，由于放置的方法所依赖的网络模型并不成熟，若始终按照第一次得到的虚拟机放置方法放置虚拟机，不进行动态调整，会导致物理资源利用率等性能较差，使得虚拟机放置的结果并不理想。

技术实现思路

[0003]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种虚拟机放置后的动态管理方法和装置。
[0004]本专利技术的目的可以通过以下技术方案来实现：
[0005]一种虚拟机放置后的动态管理方法，包括以下步骤：
[0006]S1、获取虚拟机种群每个个体的虚拟机物理资源利用率的历史数据和最小响应时间，并计算得到适应度函数值，根据虚拟机种群的适应度函数值获取虚拟机待迁移列表，根据虚拟机待迁移列表放置虚拟机，并获取所有放置参数的实际值；
[0007]S2、设定所有放置参数的理想值，使用LSTM模型中的RNN循环神经网络获取下一次虚拟机放置时的放置参数的预测值，并根据放置参数的预测值和实际值得到放置参数的权重；
[0008]S3、获取所有放置参数中权重最大的放置参数，将虚拟机待迁移列表中该放置参数数值较大的虚拟机优先放置。
[0009]进一步地，所述放置参数包括物理机的资源利用率、虚拟机工作时间比例和虚拟机迁移次数。
[0010]进一步地，所述放置参数的权重计算表达式如下：
[0011]e
o
(t)＝e
h
(t)＝d(t)
‑
y(t)
[0012]W(t+1)＝W(t)+εs(t)e
o
(t)
T
[0013]V(t+1)＝V(t)+εx(t)e
h
(t)
T
[0014]U(t+1)＝U(t)+εs(t
‑
1)e
h
(t)
T
[0015]式中，W表示物理机的资源利用率的权重，V表示虚拟机工作时间比例的权重，U表示虚拟机迁移次数的权重，ε表示模型学习率，T表示时间单位，s(t)表示本次动态管理RNN循环神经网络隐藏层的输出，x(t)表示RNN循环神经网络输入层的输出，t表示动态管理的次数；e
o
(t)表示输入层的误差，e
h
(t)表示隐藏层的误差，两者数值上相同；d(t)表示三种参数的预测值，y(t)表示三种参数的实际值。
[0016]进一步地，所述虚拟机种群的适应度函数值获取的计算表达式为：
[0017][0018]式中，p表示每个虚拟机物理资源利用率的历史数据，t表示每个虚拟机的最小响应时间，β1，β2分别为p和t的权重，设定值均为0.5。
[0019]进一步地，所述步骤S1中得到虚拟机待迁移列表的方法包括：
[0020]从虚拟机种群的N个虚拟机个体中选取k(k<N)个个体，根据选出的每个个体的适应度函数值，选取其中适应度函数值最低的个体进入虚拟机待迁移列表；
[0021]重复以上步骤，直至虚拟机待迁移列表中存在N个虚拟机个体。
[0022]一种虚拟机放置后的动态管理装置，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现以下方法：
[0023]S1、获取虚拟机种群每个个体的虚拟机物理资源利用率的历史数据和最小响应时间，并计算得到适应度函数值，根据虚拟机种群的适应度函数值获取虚拟机待迁移列表，根据虚拟机待迁移列表放置虚拟机，并获取所有放置参数的实际值；
[0024]S2、设定所有放置参数的理想值，使用LSTM模型中的RNN循环神经网络获取下一次虚拟机放置时的放置参数的预测值，并根据放置参数的预测值和实际值得到放置参数的权重；
[0025]S3、获取所有放置参数中权重最大的放置参数，将虚拟机待迁移列表中该放置参数数值较大的虚拟机优先放置。
[0026]进一步地，所述放置参数包括物理机的资源利用率、虚拟机工作时间比例和虚拟机迁移次数。
[0027]进一步地，所述放置参数的权重计算表达式如下：
[0028]e
o
(t)＝e
h
(t)＝d(t)
‑
y(t)
[0029]W(t+1)＝W(t)+εs(t)e
o
(t)
T
[0030]V(t+1)＝V(t)+εx(t)e
h
(t)
T
[0031]U(t+1)＝U(t)+εs(t
‑
1)e
h
(t)
T
[0032]式中，W表示物理机的资源利用率的权重，V表示虚拟机工作时间比例的权重，U表示虚拟机迁移次数的权重，ε表示模型学习率，T表示时间单位，s(t)表示本次动态管理RNN循环神经网络隐藏层的输出，x(t)表示RNN循环神经网络输入层的输出，t表示动态管理的次数；e
o
(t)表示输入层的误差，e
h
(t)表示隐藏层的误差，两者数值上相同；d(t)表示三种参数的预测值，y(t)表示三种参数的实际值。
[0033]进一步地，所述虚拟机种群的适应度函数值获取的计算表达式为：
[0034][0035]式中，p表示每个虚拟机物理资源利用率的历史数据，t表示每个虚拟机的最小响应时间，β1，β2分别为p和t的权重，设定值均为0.5。
[0036]进一步地，所述步骤S1中得到虚拟机待迁移列表的方法包括：
[0037]从虚拟机种群的N个虚拟机个体中选取k(k<N)个个体，根据选出的每个个体的适应度函数值，选取其中适应度函数值最低的个体进入虚拟机待迁移列表，直至虚拟机待迁移列表中存在N个虚拟机个体。
[0038]与现有技术相比，本专利技术具有以下优点：
[0039]1、本专利技术在虚拟机放置后使用了动态管理方法，通过LSTM网络对虚拟机的放置参数进行了预测，并结合放置参数的实际值，对放置参数权重进行更新，从而调整虚拟机待迁移列表，使得每一次虚拟机的放置都根据具体实时的放置参数的权重大小确定，每一次放置后虚拟机的放置参数的值会逐渐趋近设置的理想值，优化了虚拟机的放置结果。
[0040]2、本专利技术使用RNN循环神经网络的输入层、隐藏层和输出层计算不同放置参数的权重，使得每次动态管理之间的关联性较强。
附图说明
[0041]图1为本专利技术的方法示意图。
具体实施方式
[0042]下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种虚拟机放置后的动态管理方法，其特征在于，包括以下步骤：S1、获取虚拟机种群每个个体的虚拟机物理资源利用率的历史数据和最小响应时间，并计算得到适应度函数值，根据虚拟机种群的适应度函数值获取虚拟机待迁移列表，根据虚拟机待迁移列表放置虚拟机，并获取所有放置参数的实际值；S2、设定所有放置参数的理想值，使用LSTM模型中的RNN循环神经网络获取下一次虚拟机放置时的放置参数的预测值，并根据放置参数的预测值和实际值得到放置参数的权重；S3、获取所有放置参数中权重最大的放置参数，将虚拟机待迁移列表中该放置参数数值较大的虚拟机优先放置。2.根据权利要求1所述的一种虚拟机放置后的动态管理方法，其特征在于，所述放置参数包括物理机的资源利用率、虚拟机工作时间比例和虚拟机迁移次数。3.根据权利要求2所述的一种虚拟机放置后的动态管理方法，其特征在于，所述放置参数的权重计算表达式如下：e
o
(t)＝e
h
(t)＝d(t)
‑
y(t)W(t+1)＝W(t)+εs(t)e
o
(t)
T
V(t+1)＝V(t)+εx(t)e
h
(t)
T
U(t+1)＝U(t)+εs(t
‑
1)e
h
(t)
T
式中，W表示物理机的资源利用率的权重，V表示虚拟机工作时间比例的权重，U表示虚拟机迁移次数的权重，ε表示模型学习率，T表示时间单位，s(t)表示本次动态管理RNN循环神经网络隐藏层的输出，x(t)表示RNN循环神经网络输入层的输出，t表示动态管理的次数；e
o
(t)表示输入层的误差，e
h
(t)表示隐藏层的误差，两者数值上相同；d(t)表示三种参数的预测值，y(t)表示三种参数的实际值。4.根据权利要求1所述的一种虚拟机放置后的动态管理方法，其特征在于，所述虚拟机种群的适应度函数值获取的计算表达式为：式中，p表示每个虚拟机物理资源利用率的历史数据，t表示每个虚拟机的最小响应时间，β1，β2分别为p和t的权重，设定值均为0.5。5.根据权利要求1所述的一种虚拟机放置后的动态管理方法，其特征在于，所述步骤S1中得到虚拟机待迁移列表的方法包括：从虚拟机种群的N个虚拟机个体中选取k(k<N)个个体，根据选出的每个个体的适应度函数值，选取其中适应度函数值最低的个体进入虚拟机待迁移列表；重复以上步骤，直至虚拟机待迁移列表中存在N个虚拟机个体。6.一种虚拟机放置后的动态管理装置，其特征在于，包括存...

【专利技术属性】
技术研发人员：施凌鹏，卢士达，陆政嘉，冯天波，陈琰，赵修旻，陈晓露，崔昊杨，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：