论文部分内容阅读
为了提高数据中心所有物理服务器的资源利用率和能源使用率,可以通过动态整合虚拟机的方式来实现。虚拟机动态整合的主要实现方式有物理服务器之间虚拟机的实时迁移和动态地将空闲的物理服务器转换到低能耗模式。本文主要研究监控数据的传输格式,资源利用预测以及物理服务器超载和低负载情况下的虚拟机重定位。首先,分析典型监控系统的数据传输格式,结合监控信息的特点,提出一种优化的数据传输格式,该格式将监控信息进行统一的管理。其次,通过分析灰色模型和马尔科夫理论的特点,提出自反馈灰色马尔科夫预测模型(Self-feedback Grey Markov model,SfGM),该模型以每台虚拟机的某一资源利用的N个连续的历史数据作为输入,通过分析这N个数据的内在关系,预测虚拟机未来一段时间对该资源的利用情况。最后,动态的监控数据中心的所有虚拟机和物理服务器的资源占用情况和运行状态,当存在虚拟机或物理服务器满足预先设定的整合条件时,调用SfGM来预测资源的使用情况,通过预测结果来判断在当前时间点是否需要整合虚拟机。当需要执行虚拟机整合时,利用本文提出的最重物理机最适合虚拟机优先重定位(the Heaviest PM the mostSuitable VM First Relocation, HPSVFR)算法进行虚拟机的重定位。仿真实验表明,优化的数据格式能够有效减少传输的信息量,节约网络带宽。SfGM的预测具有最高的准确性,最好情况下其预测值数学期望的相对误差是GMM的46.8%,GM(1,1)的28.6%。HPSVFR算法与最先适应和最好适应算法相比较,重定位开销最少,仅为它们的70%左右。本文中的虚拟机整合架构能够有效地判断当前数据中心的资源使用情况,如果当前数据中心存在处于超载或者低负载状态的物理服务器和虚拟机时,能够有效的利用HPSVFR算法实现虚拟机的重定位。