虚拟机的资源管理方法、装置、设备及介质制造方法及图纸

本公开提供的一种虚拟机的资源管理方法、装置、设备及介质，涉及云计算技术领域，具体方法包括：获取多个虚拟机的资源信息，通过多个弱学习器训练得到的强学习器资源预测模型，对每个虚拟机在每个资源维度上的资源需求进行预测，得到预测结果，再通过每个资源维度上的最大预测资源需求量作为资源容量阈值来作为资源迁移的前置条件，不仅可以提前准确的预测需求容量，还可以减少因过度使用或资源不足导致的迁移失败的问题，可以提高虚拟机资源管理的可靠性。的可靠性。的可靠性。

【技术实现步骤摘要】
虚拟机的资源管理方法、装置、设备及介质


[0001]本公开涉及云计算
，尤其涉及一种虚拟机的资源管理方法、装置、设备及介质。

技术介绍

[0002]在现代大规模计算基础设施中，尤其是在高性能计算(High Performance Computing，HPC)基础设施中，硬件存储系统规模不断增长，存储设备数以千计，物理服务器硬件故障、高峰期服务器过载和资源争用等故障源都可能会发生云中断，阻碍应用程序在高性能计算云系统上的执行，而故障恢复过程需要大量的时间和资源。对于由许多计算节点和集群组成的大规模分布式系统来说，故障的影响尤为严重。
[0003]相关技术中，对于高性能计算云系统中虚拟机(Virtual Machine)的资源管理方式的可靠性不高。
[0004]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0005]本公开提供一种虚拟机的资源管理方法、装置、设备及介质，至少可以解决相关技术中对于虚拟机的资源管理可靠性不高的问题。
[0006]本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
[0007]第一方面，本公开中的实施例提供一种虚拟机的资源管理方法，所述方法包括：
[0008]获取多个虚拟机的资源信息；
[0009]通过多个弱学习器训练得到的资源预测模型，对多个虚拟机的资源信息进行预测，得到预测结果；所述预测结果包括以当前时刻为起点的预设时间段内，每个虚拟机在每个资源维度上的预测资源需求量；
[0010]根据每个虚拟机在每个资源维度上的预测资源需求量，预测得到至少一个易错虚拟机；
[0011]选择每个易错虚拟机在每个资源维度上的最大预测资源需求量，作为每个易错虚拟机资源容量阈值；
[0012]根据所述每个易错虚拟机资源容量阈值，对所述每个易错虚拟机的资源进行迁移。
[0013]在一种可能的实施例中，所述根据所述资源容量阈值，对所述每个易错虚拟机的资源进行迁移，包括：
[0014]获取当前每个活动宿主机在每个资源维度上的已占用资源容量；
[0015]根据所述已占用资源容量，确定每个活动宿主机在每个资源维度上的剩余资源容量；
[0016]确定活动宿主机的剩余资源容量是否大于所述资源容量阈值；
[0017]若是，将所述每个易错虚拟机的资源按照预设顺序，迁移到活动宿主机上。
[0018]在一种可能的实施例中，所述将所述每个易错虚拟机的资源按照预设顺序，迁移到活动宿主机上，包括：
[0019]将所述每个活动宿主机的功耗，按照由低到高的顺序进行排序；
[0020]通过贪婪算法，按照所述每个活动宿主机的功耗由低到高的顺序，将所述每个易错虚拟机的资源进行迁移。
[0021]在一种可能的实施例中，所述方法还包括：
[0022]若活动宿主机的剩余资源容量小于所述资源容量阈值，则启动至少一个非活动宿主机；
[0023]通过贪婪算法，按照所述非活动宿主机的功耗由低到高的顺序，将所述每个易错虚拟机的资源进行迁移。
[0024]在一种可能的实施例中，所述根据每个虚拟机在每个资源维度上的预测资源需求量，预测得到至少一个易错虚拟机，包括：
[0025]根据任意一个虚拟机在每个资源维度上的预测资源需求量，确定所述任意一个虚拟机的资源需求量峰值；
[0026]若所述任意一个虚拟机的资源需求量峰值大于所述任意一个虚拟机的第一可用资源容量，则将所述任意一个虚拟机预测为易错虚拟机。
[0027]在一种可能的实施例中，所述根据每个虚拟机在每个资源维度上的预测资源需求量，预测得到至少一个易错虚拟机，包括：
[0028]根据每个虚拟机在每个资源维度上的预测资源需求量，确定属于同一个活动宿主机的全部虚拟机的总负载；
[0029]若所述总负载大于属于同一个活动宿主机的全部虚拟机的第二可用资源容量，则将属于同一个活动宿主机的全部虚拟机预测为易错虚拟机。
[0030]在一种可能的实施例中，所述通过多个弱学习器训练得到的资源预测模型之前，所述方法还包括：
[0031]获取预测训练集；
[0032]通过所述多个弱学习器，对所述预测训练集进行预测，得到每个弱学习器对应的预测训练结果；
[0033]将所述每个弱学习器对应的预测训练结果作为循环神经网络的输入，对所述循环神经网络进行训练，直至所述循环神经网络的损失函数收敛，得到所述每个弱学习器对应的目标权重参数；
[0034]将所述每个弱学习器对应的目标权重参数作为所述循环神经网络的网络参数，得到已训练的所述资源预测模型。
[0035]第二方面，本公开中的实施例提供一种虚拟机的资源管理装置，包括：
[0036]获取单元，用于获取多个虚拟机的资源信息；
[0037]预测单元，用于通过多个弱学习器训练得到的资源预测模型，对多个虚拟机的资源信息进行预测，得到预测结果；所述预测结果包括以当前时刻为起点的预设时间段内，每个虚拟机在每个资源维度上的预测资源需求量；
[0038]所述预测单元，还用于根据每个虚拟机在每个资源维度上的预测资源需求量，预测得到至少一个易错虚拟机；
[0039]阈值选择单元，用于选择每个易错虚拟机在每个资源维度上的最大预测资源需求量，作为每个易错虚拟机的资源容量阈值；
[0040]迁移单元，用于根据所述资源容量阈值，对所述每个易错虚拟机的资源进行迁移。
[0041]在一种可能的实施例中，所述迁移单元还用于：
[0042]获取当前每个活动宿主机在每个资源维度上的已占用资源容量；
[0043]根据所述已占用资源容量，确定每个活动宿主机在每个资源维度上的剩余资源容量；
[0044]确定活动宿主机的剩余资源容量是否大于所述资源容量阈值；
[0045]若是，将所述每个易错虚拟机的资源按照预设顺序，迁移到所述活动宿主机上。
[0046]在一种可能的实施例中，所述迁移单元还用于：
[0047]将所述活动宿主机的功耗，按照由低到高的顺序进行排序；
[0048]通过贪婪算法，按照所述活动宿主机的功耗由低到高的顺序，将所述每个易错虚拟机的资源进行迁移。
[0049]在一种可能的实施例中，所述迁移单元还用于：
[0050]若活动宿主机的剩余资源容量小于所述资源容量阈值，则启动至少一个非活动宿主机；
[0051]通过贪婪算法，按照所述非活动宿主机的功耗由低到高的顺序，将所述每个易错虚拟机的资源进行迁移。
[0052]在一种可能的实施例中，所述预测单元还用于：
[0053]根据任意一个虚拟机在每个资源维度上的预测资源需求量，确定所述任意一个虚拟机的资源需求量峰值；
[0054]若所述任意一个虚拟机的资源需求量峰值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种虚拟机的资源管理方法，其特征在于，所述方法包括：获取多个虚拟机的资源信息；通过多个弱学习器训练得到的资源预测模型，对多个虚拟机的资源信息进行预测，得到预测结果；所述预测结果包括以当前时刻为起点的预设时间段内，每个虚拟机在每个资源维度上的预测资源需求量；根据每个虚拟机在每个资源维度上的预测资源需求量，预测得到至少一个易错虚拟机；选择每个易错虚拟机在每个资源维度上的最大预测资源需求量，作为每个易错虚拟机的资源容量阈值；根据所述资源容量阈值，对所述每个易错虚拟机的资源进行迁移。2.根据权利要求1所述的方法，其特征在于，所述根据所述资源容量阈值，对所述每个易错虚拟机的资源进行迁移，包括：获取当前每个活动宿主机在每个资源维度上的已占用资源容量；根据所述已占用资源容量，确定每个活动宿主机在每个资源维度上的剩余资源容量；确定活动宿主机的剩余资源容量是否大于所述资源容量阈值；若是，将所述每个易错虚拟机的资源按照预设顺序，迁移到活动宿主机上。3.根据权利要求2所述的方法，其特征在于，所述将所述每个易错虚拟机的资源按照预设顺序，迁移到活动宿主机上，包括：将所述每个活动宿主机的功耗，按照由低到高的顺序进行排序；通过贪婪算法，按照所述每个活动宿主机的功耗由低到高的顺序，将所述每个易错虚拟机的资源进行迁移。4.根据权利要求2所述的方法，其特征在于，所述方法还包括：若活动宿主机的剩余资源容量小于所述资源容量阈值，则启动至少一个非活动宿主机；通过贪婪算法，按照所述非活动宿主机的功耗由低到高的顺序，将所述每个易错虚拟机的资源进行迁移。5.根据权利要求1所述的方法，其特征在于，所述根据每个虚拟机在每个资源维度上的预测资源需求量，预测得到多个易错虚拟机，包括：根据任意一个虚拟机在每个资源维度上的预测资源需求量，确定所述任意一个虚拟机的资源需求量峰值；若所述任意一个虚拟机的资源需求量峰值大于所述任意一个虚拟机的第一可用资源容量，则将所述任意一个虚拟机预测为易错虚拟机。6.根据...

【专利技术属性】
技术研发人员：王望子，程帅，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：