【技术实现步骤摘要】
本专利技术涉及互联网云计算领域的应用，具体涉及一种基于cpu利用率预测的虚拟机整合方法。
技术介绍
1、云数据中心消耗了大量的能源，从而带来了了高昂的运营成本和二氧化碳排放。虚拟化技术允许同一个物理机运行属于多个用户的不同应用程序，从而提高数据中心资源的利用率。虚拟机整合是数据中心降低能耗的重要手段。通过定期地关闭空闲状态的主机来减少运行主机的数量，可以达到降低总能耗的目的。然而，云上的负载是不稳定的、高度可变的，如果以负载的当前状态进行虚拟机整合，整合结果可能很快就失效。基于利用率预测的虚拟机整合使整合决策具有时效性，从而更好地降低数据中性的能耗。现有的研究方法中，方法[1-4]使用当前的资源利用率作为虚拟机整合的依据。当主机负载需要减少的时候，它们不能做出及时可靠的决策，从而导致不必要的迁移和能源浪费。有些方法利用历史数据预测未来的资源使用。[5]提出了一个利用线性回归预测cpu利用率的方法用于虚拟机整合。[6]利用灰色模型预测主机cpu和内存的使用。灰色模型的优点是只需要简单的数学推导，而且不需要大量的训练数据，然而，灰色模型不能对频繁波动的数据准确预测；
2、本专利技术提出一种基于cpu利用率预测的虚拟机整合方法，该方法利用灰色模型和马尔可夫预测主机的cpu使用，基于预测结果对虚拟机整合做出决策，使得虚拟机整合更具有时效性，从而更好地降低数据中心的能耗。
3、参考文献
4、[1]a.beloglazov,r.buyya,optimal online deterministic algo
5、[2]c.mastroianni,m.meo,g.papuzzo,probabilistic consolidation ofvirtual machines in self-organizing cloud data centers,ieeetrans.cloudcomput.1(2013)125–228.
6、[3]z.xiao,w.song,q.chen,dynamic resource allocation using virtualmachines for cloud computing environment,ieee trans.parallel distrib.syst.24(2013)1107–1116.
7、[4]hyser,et al.,1000islands:integrated capacity and workloadmanagement for the next generation data center,in:proceedings ofthe 5thintl.conf.onautonomic computing,icac,2008,pp.172–181.
8、[5]f.farahnakian,p.liljeberg,j.plosila,lircup:linear regression basedcpu usage prediction algorithm for live migration ofvirtual machines in datacenters,in:the 39th euromicro conference series on software engineeringandadvancedapplications,2013.
9、[6]j.jheng,f.tseng,h.chao,li-der chou,a novel vm workload predictionusing grey forecasting model in cloud data center.in:intl.conference oninformation networking,2014,pp.40–45.
技术实现思路
1、本专利技术提出一种基于cpu利用率预测的虚拟机整合方法，该方法利用灰色模型和马尔可夫预测主机的cpu使用，基于预测结果对虚拟机整合做出决策，使得虚拟机整合更具有时效性，从而更好地降低数据中心的能耗；
2、为了实现上述目的，本专利技术通过以下技术方案予以实现。
3、一种基于cpu利用率预测的虚拟机整合方法，包含以下步骤：
4、步骤1)根据灰色预测的原理，建立cpu利用率的灰色预测模型；
5、步骤2)对于每台主机，获取当前cpu利用率；如果cpu利用率的历史数据少于24个，则执行步骤3)；否则，执行步骤4-8)；
6、步骤3)当前cpu利用率大于上门限或小于下门限，将主机标记为过载或欠载；
7、步骤4)建立马尔可夫链，用于预测未来的预测误差，包括以下子步骤：
8、4.1、确定误差的状态，将主机历史上的预测误差从最大值到最小值之间的区间划分成若干个小区间，作为状态；
9、4.2、构造状态转移概率矩阵。确定最高概率的状态转移；
10、步骤5)基于历史数据，利用步骤1)的预测模型得到cpu利用率的预测值；
11、步骤6)利用步骤4)预测未来的预测误差看，预测误差是一个区间，取区间两个端点的平均值；
12、步骤7)将步骤6)得到的值加到步骤步骤5)得到的预测值上，作为cpu利用率的最终预测值；
13、步骤8)利用步骤5)的预测值以及当前cpu利用率对主机进行过载检测和欠载检测；
14、步骤9)对于步骤3)和步骤8)得到的过载主机，选择合适的虚拟机进行迁移；对于欠载主机，将全部虚拟机进行迁移，然后关闭主机。
15、进一步的，所述步骤1)的灰色模型表示为：其中，x0(k+1)表示k+1时刻的预测值，a是开发系数，u是灰色控制变量，它们通过最小二乘法求得；
16、进一步的，所述步骤4.1中，状态的间隔表示为：其中，errmax和errmin表示样本的最大值和最小值；
17、进一步的，所述步骤4.2中，状态转移概率表示为：其中，m表示m阶状态转移，ni表示处于状态i的样本数，表示样从状态i转移到状态j的转移数目。
18、与现有技术相比，本专利技术的有益效果为：
19、1、本专利技术与现有方法相比具有数学模型简单、所需训练数据少、计算时间少的优点；
20、2、首先利用灰色模型进行初步预测，然后基于预测误差的历史数据利用马尔可夫对未来的预测误差进行预测，最后用后者对前者进行修正，得到了更精确的预测结果。
21、3、本专利技术采用了一个大小为24的预热窗口，本文档来自技高网...
【技术保护点】
1.一种基于CPU利用率预测的虚拟机整合方法，包含以下步骤：
2.根据权利要求1所述的基于CPU利用率预测的虚拟机整合方法，其特征在于，所述步骤1)中的灰色模型表示为其中，x0(k+1)表示k+1时刻的预测值，a是开发系数，u是灰色控制变量，它们通过最小二乘法求得。
3.根据权利要求1所述的基于CPU利用率预测的虚拟机整合方法，其特征在于，所述步骤4.1中的状态间隔表示为：其中，errmax和errmin表示样本的最大值和最小值。
4.根据权利要求1所述的基于CPU利用率预测的虚拟机整合方法，其特征在于，所述步骤4.2中的状态转移概率表示为：其中，m表示m阶状态转移，Ni表示处于状态i的样本数，表示样从状态i转移到状态j的转移数目。
【技术特征摘要】
1.一种基于cpu利用率预测的虚拟机整合方法，包含以下步骤：
2.根据权利要求1所述的基于cpu利用率预测的虚拟机整合方法，其特征在于，所述步骤1)中的灰色模型表示为其中，x0(k+1)表示k+1时刻的预测值，a是开发系数，u是灰色控制变量，它们通过最小二乘法求得。
3.根据权利要求1所述的基于cpu利用率预测的...
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。