一种基于平衡能耗与服务质量的动态虚拟机整合方法和系统技术方案

本发明专利技术公开了一种基于绿色节能的虚拟资源整合方法和系统，基于平衡能耗与服务质量的动态虚拟机整合方法，包括：1)物理主机负载预测：基于三次指数平滑模型和Elman神经网络模型的预测算法来预测下一时刻的物理主机的工作负载；2)物理主机负载状态检测：通过混合负载检测算法来识别当前的物理主机的负载状态；3)虚拟机选择：基于CPU与内存感知的虚拟机选择算法，来选择非适载主机上的需要迁移的虚拟机；4)虚拟机放置：基于资源需求伸缩量的虚拟机放置算法，根据虚拟机迁移队列的资源需求与数据中心内适载主机的资源信息，从中选取合适的用于安置迁移虚拟机的物理主机。本发明专利技术减少了虚拟机的迁移次数，在消耗较低能源同时维持了高水平的服务质量。持了高水平的服务质量。持了高水平的服务质量。

A dynamic virtual machine integration method and system based on balancing energy consumption and quality of service

【技术实现步骤摘要】
一种基于平衡能耗与服务质量的动态虚拟机整合方法和系统


[0001]本专利技术涉及一种基于平衡能耗与服务质量的动态虚拟机整合方法和系统，属于动态虚 拟机整合


技术介绍

[0002]随着云计算技术的迅速发展，基础设施即服务(Infrastructure as a Service,IaaS) 成为其重要的服务模式，用户可以从IaaS提供商处按需租用包括服务器、网络、存储等 资源。具有弹性资源供给、虚拟服务动态配置、基础设施资源的虚拟化和管理等功能的数 据中心成为构建IaaS服务的重要载体。
[0003]然而在过去的几年里，云数据中心的极端能源消耗已经成为一个相当大的问题。通常， 由于网络设备、服务器利用率和数据中心冷却系统效率低下等多种原因，造成了数据中心 能源的浪费。根据Gartner 2013年的报告，云数据中心的用电量通常是巨大的，相当于 25,000个家庭的用电量。并且在2011
‑
2035年间，全球数据中心的电力需求预计将增长 66％以上。从统计数据来看，数据中心的利用率非常低。例如，数据中心的平均利用率本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于平衡能耗与服务质量的动态虚拟机整合方法，其特征在于：包括如下步骤：1)物理主机负载预测：基于三次指数平滑模型CES和Elman神经网络模型ENN的预测算法HCESEA来预测下一时刻的物理主机的工作负载；2)物理主机负载状态检测：通过混合负载检测算法HLDA来识别当前的物理主机的负载状态；3)虚拟机选择：基于CPU与内存感知的虚拟机选择算法CM
‑
VMSA，来选择非适载主机上的需要迁移的虚拟机；4)虚拟机放置：基于资源需求伸缩量的虚拟机放置算法RDS
‑
VMPA，根据虚拟机迁移队列的资源需求与数据中心内适载主机的资源信息，从中选取合适的用于安置迁移虚拟机的物理主机。2.如权利要求1所述的基于平衡能耗与服务质量的动态虚拟机整合方法，其特征在于：步骤1)中，使用三次指数平滑模型CES进行预测，再使用Elman神经网络模型ENN对三次指数平滑模型CES的误差进行预测，最终得到一个修正误差后的预测值。3.如权利要求2所述的基于平衡能耗与服务质量的动态虚拟机整合方法，其特征在于：步骤1)中，三次指数平滑模型CES：三次指数平滑值的计算公式如下：其中：α表示平滑系数，0＜α＜1；表示时期t的一次指数平滑值；表示时期t的二次指数平滑值；表示时期t的三次指数平滑值；CES预测模型如下：Y
t+T
＝A
t
+B
t
T+C
t
T2其中，T为预测期数，A
t
、B
t
、C
t
为预测参数；Elman神经网络模型ENN：Elman网络的基本结构由输入层、隐含层、输出层以及关联层4个部分构成；Elman神经网络的数学模型：x(k)＝f(w1x
c
(k)+w2u(k
‑
1))
ꢀꢀꢀꢀ
(4)x
c
(k)＝x(k
‑
1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)y(k)＝g(w3x(k))
ꢀꢀꢀꢀ
(6)其中，w1为关联层与隐含层的连接权矩阵，w2为输入层与隐含层的连接权矩阵，w3为隐含层与输出层的连接权矩阵，x
c
(k)和x(k)分别表示关联层与隐含层的输出，y(k)表示输出层的输出，f为激活函数，多取为Sigmoid函数，u为输入向量，g为输出神经元的传递函数；
预测算法HCESEA：设数据集L
′
h
＝{l
t1
，l
t2
，
…
，l
tn
}为t1到t
n
时间段内物理主机h的真实负载，Y
′
h
表示由三次指数平滑模型CES根据数据集L
′
h
得到的长度为m的物理主机h的负载预测序列，那么物理主机h的负载预测序列误差可以表示为E
h
＝Y
′
h
‑
L
′
h
＝{e1，e2，
…
，e
m
}；Elman神经网络模型ENN根据E
h
得到误差的修正序列E
′
h
，则修正后的物理主机h的负载预测表示为Y
′
h
＝Y
′
h
‑
E
′
h
；设m
CES
、m
ENN
分别表示为三次指数平滑模型CES和Elman神经网络模型ENN两个模型，x
CES
、x
ENN
分别表示为这两个模型的输入向量，则在...

【专利技术属性】
技术研发人员：李为，樊祺，谢云澄，王皓民，姜媛，李天慧，梁迪昌，张晓良，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：