论文部分内容阅读
在大数据时代的今天,云计算作为一种服务模式,为信息技术部门、科研部门、商业部门等提供动态可扩展服务。虚拟机实现了物理资源的逻辑隔离,可跨系统的为用户提供服务并支持动态迁移,解决了用户在不同时刻对虚拟资源的弹性需求。但是由于云平台具有资源规模巨大、分布不均衡且结构复杂等特点,再加上资源的共享性和用户任务的随机性,极易造成整个系统资源负载不均衡现象以及虚拟机频繁迁移的热点现象。目前国内外学者在虚拟机动态迁移策略的研究大多只考虑资源的负载均衡,并没有考虑迁移服务之间的关联和反关联约束性。而针对虚拟机热点消除方面的研究,也只是局限在如何满足用户任务需求的前提下进行虚拟机迁移策略的研究,并没有考虑系统的综合资源负载能力。本文以虚拟机的CPU、内存、网络带宽和I/O等四维资源的负载均衡作为出发点,分别提出了基于资源负载均衡的虚拟机动态迁移策略和基于性能预测算法的虚拟机热点消除策略,并通过实验对所提算法进行了论证分析。本文主要工作有以下三个方面:(1)针对目前虚拟机动态迁移策略只关注资源负载情况而没有考虑迁移服务的关联性问题,本文考虑多维资源负载均衡,并针对迁移服务组合的关联和反关联约束性,提出了基于遗传算法的虚拟机动态迁移策略。在实现动态迁移的过程中,考虑请求服务的关联和反关联约束性,并调用四维资源的容量查询和约束条件查询。与传统的遗传算法在虚拟机动态迁移策略中的应用相比,本文算法结合服务组合的思想,将请求迁移的虚拟机看作是由不同的迁移服务组成的集合,并对主机进行容量查询和服务约束性查询。(2)针对虚拟机的热点消除问题,本文考虑当前云平台资源的使用情况,采用预测算法预测最近未来时刻物理主机的资源值。在虚拟机动态迁移的触发策略和目标物理主机的选择这两个阶段分别计算资源的预测值,以期对某物理节点未来时刻的资源性能做出良好的预测。其中在性能预测算法中采用了奇异值分解定理,将虚拟机迁移过程中的四维资源性能指标进行提取,为各个物理主机保存历史资源负载信息值,然后求出下一时刻待迁移虚拟机资源性能预测估计值。(3)对本文提出的算法进行了实验设计和结果分析。对于基于资源负载均衡的虚拟机动态迁移策略,通过增加数据中心的物理主机数目、虚拟机数目和约束性服务数来检测其对算法中虚拟机迁移次数和迁移时间的影响。实验表明,随着主机数目的增多,迁移次数和迁移完成时间也会增大;增加虚拟机的数目能够增加迁移次数和迁移时间;反关联性约束服务的增加对迁移次数和迁移时间的影响没有显著规律。虚拟机的热点消除策略实验结果表明,与传统的平均值和最近权重预测算法相比,基于奇异值分解定理的性能预测算法得出的虚拟机资源性能预测估计值与实际值较接近,并且有有最小的平均偏差很和最小的虚拟机迁移次数,对热点现象的发生有着更好的预测,可有效的消除热点。