System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及虚拟化,尤其涉及一种基于机器学习的虚拟机启动控制方法、装置、设备及介质。
技术介绍
1、虚拟化技术在云计算、大数据等领域中得到了广泛应用,但是如何优化虚拟机的启动时间仍然是一个具有挑战性的问题。如果要保证批量启动虚拟机的稳定性,就要避免多个系统同时启动,那会造成同时读写硬盘,进而导致读写效率降低,大大延长开启虚拟机系统时间。
2、通常虚拟机平台会通过设置多个虚拟机之间开启时间间隔秒数来顺序启动虚拟机。但相应地,不合理的时间间隔会带来时间冗余和启动风暴的问题。因此,如何提高虚拟机的启动效率成为了亟待解决的技术问题。
技术实现思路
1、本申请提供了一种基于机器学习的虚拟机启动控制方法、装置、设备及介质,以提高虚拟机的启动效率。
2、第一方面,本申请提供了一种基于机器学习的虚拟机启动控制方法,所述方法包括:
3、获取目标状态表,其中,所述目标状态表包括目标虚拟机状态与物理机状态;
4、根据预训练的支持向量机模型与所述目标状态表中的各目标启动数据,确定各目标启动时间预测值;
5、将各所述目标启动时间预测值进行排序,生成目标启动顺序表,并基于所述目标启动顺序表控制各虚拟机启动;
6、更新所述目标状态表,并根据所述物理机状态确定是否中止所述目标启动顺序表中各虚拟机启动。
7、进一步地,根据预训练的支持向量机模型与所述目标状态表中的各目标启动数据,确定各目标启动时间预测值之前,包括:
8、获
9、通过所述支持向量机模型与所述初始状态表中各所述虚拟机的各初始启动数据,确定各初始启动时间预测值,并将各所述初始启动时间预测值排序,生成初始启动顺序表;
10、根据所述初始启动顺序表控制各所述虚拟机启动,获取各初始启动时间实测值;
11、基于各所述初始启动时间实测值与各所述初始启动时间预测值,对所述支持向量机模型进行训练,以提高所述向量机模型的精度。
12、进一步地,基于各所述初始启动时间实测值与各所述初始启动时间预测值,对所述支持向量机模型进行训练,以提高所述向量机模型的精度,包括:
13、通过预设径向基核函数、各所述初始启动时间实测值与各所述初始启动时间预测值,对所述支持向量机模型的模型参数进行迭代训练。
14、进一步地,预设径向基核函数为
15、其中,k(xi,xj)为所述预设径向基核函数,γ为所述预设径向基核函数的超参数,xi为所述初始启动时间实测值,xj为所述初始启动时间预测值。
16、进一步地,物理机状态包括中央处理器cpu性能状态、内存性能状态和磁盘性能状态,所述更新所述目标状态表,并根据所述物理机状态确定是否中止所述目标启动顺序表中各虚拟机启动,包括:
17、在检测到所述cpu性能状态、内存性能状态和/或磁盘性能状态达到预设状态阈值的情况下,下发中止虚拟机启动指令。
18、进一步地,更新所述目标状态表,并根据所述物理机状态确定是否中止所述目标启动顺序表中各虚拟机启动,包括:
19、在检测到所述cpu性能状态、内存性能状态和磁盘性能状态未达到所述预设状态阈值的情况下,返回步骤:根据预训练的支持向量机模型与所述目标状态表中的各目标启动数据,确定各目标启动时间预测值。
20、进一步地,根据预训练的支持向量机模型与所述目标状态表中的各目标启动数据,确定各目标启动时间预测值之前,包括:
21、获取所述目标状态表中各所述虚拟机的初始启动数据;
22、对各所述初始启动数据进行归一化和标准化处理,生成对应的各所述目标启动数据。
23、第二方面,本申请还提供了一种基于机器学习的虚拟机启动控制装置,所述装置包括:
24、目标状态表获取模块,用于获取目标状态表,其中,所述目标状态表包括目标虚拟机状态与物理机状态;
25、启动时间预测模块,用于根据预训练的支持向量机模型与所述目标状态表中的各目标启动数据,确定各目标启动时间预测值;
26、启动顺序表生成模块,用于将各所述目标启动时间预测值进行排序,生成目标启动顺序表,并基于所述目标启动顺序表控制各虚拟机启动;
27、目标状态表更新模块,用于更新所述目标状态表,并根据所述物理机状态确定是否中止所述目标启动顺序表中各虚拟机启动。
28、第三方面,本申请还提供了一种计算机设备,所述计算机设备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,用于执行所述计算机程序并在执行所述计算机程序时实现如上述的基于机器学习的虚拟机启动控制方法。
29、第四方面,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时使所述处理器实现如上述的基于机器学习的虚拟机启动控制方法。
30、本申请公开了一种基于机器学习的虚拟机启动控制方法、装置、设备及介质,所述基于机器学习的虚拟机启动控制方法包括获取目标状态表,其中,所述目标状态表包括目标虚拟机状态与物理机状态;根据预训练的支持向量机模型与所述目标状态表中的各目标启动数据,确定各目标启动时间预测值;将各所述目标启动时间预测值进行排序,生成目标启动顺序表,并基于所述目标启动顺序表控制各虚拟机启动;更新所述目标状态表,并根据所述物理机状态确定是否中止所述目标启动顺序表中各虚拟机启动。通过上述方式,本申请通过支持向量机模型与目标状态表中的各目标启动数据,对各虚拟机的启动时间进行预测,并根据启动时间生成启动顺序表,控制各虚拟机按照启动顺序表依次启动,并根据物理机的状态确定是否中止虚拟机启动。通过预训练的支持向量机模型预测各虚拟机的启动时间,避免了各虚拟机启动导致的时间冗余和启动风暴,提高虚拟机的启动效率。
本文档来自技高网...【技术保护点】
1.一种基于机器学习的虚拟机启动控制方法,其特征在于,包括:
2.根据权利要求1所述的基于机器学习的虚拟机启动控制方法,其特征在于,所述根据预训练的支持向量机模型与所述目标状态表中的各目标启动数据,确定各目标启动时间预测值之前,包括:
3.根据权利要求2所述的基于机器学习的虚拟机启动控制方法,其特征在于,所述基于各所述初始启动时间实测值与各所述初始启动时间预测值,对所述支持向量机模型进行训练,以提高所述向量机模型的精度,包括:
4.根据权利要求3所述的基于机器学习的虚拟机启动控制方法,其特征在于,所述预设径向基核函数为K(xi,xj)=e-γ||xi-xj||2;
5.根据权利要求1所述的基于机器学习的虚拟机启动控制方法,其特征在于,所述物理机状态包括中央处理器CPU性能状态、内存性能状态和磁盘性能状态,所述更新所述目标状态表,并根据所述物理机状态确定是否中止所述目标启动顺序表中各虚拟机启动,包括:
6.根据权利要求5所述的基于机器学习的虚拟机启动控制方法,其特征在于,所述更新所述目标状态表,并根据所述物理机状态确定是否
7.根据权利要求1至6任一项所述的基于机器学习的虚拟机启动控制方法,其特征在于,所述根据预训练的支持向量机模型与所述目标状态表中的各目标启动数据,确定各目标启动时间预测值之前,包括:
8.一种基于机器学习的虚拟机启动控制装置,其特征在于,包括:
9.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器;
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时使所述处理器实现如权利要求1至7中任一项所述的基于机器学习的虚拟机启动控制方法。
...【技术特征摘要】
1.一种基于机器学习的虚拟机启动控制方法,其特征在于,包括:
2.根据权利要求1所述的基于机器学习的虚拟机启动控制方法,其特征在于,所述根据预训练的支持向量机模型与所述目标状态表中的各目标启动数据,确定各目标启动时间预测值之前,包括:
3.根据权利要求2所述的基于机器学习的虚拟机启动控制方法,其特征在于,所述基于各所述初始启动时间实测值与各所述初始启动时间预测值,对所述支持向量机模型进行训练,以提高所述向量机模型的精度,包括:
4.根据权利要求3所述的基于机器学习的虚拟机启动控制方法,其特征在于,所述预设径向基核函数为k(xi,xj)=e-γ||xi-xj||2;
5.根据权利要求1所述的基于机器学习的虚拟机启动控制方法,其特征在于,所述物理机状态包括中央处理器cpu性能状态、内存性能状态和磁盘性能状态,所述更新所述目标状态表,并根据所述...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。