[发明专利]虚拟机迁移方法、装置和计算机设备

权利要求书

1.一种虚拟机迁移方法，所述方法包括：

获取虚拟机的第一状态参数；

获取所述虚拟机所对应的目标物理机的第二状态参数；

将第一状态参数和第二状态参数输入混合预测模型，通过所述混合预测模型按第一状态参数和第二状态参数对所述虚拟机进行热迁移结果预测处理；

当所述混合预测模型输出的预测结果为热迁移成功时，则将所述虚拟机热迁移至所述目标物理机；

当所述混合预测模型输出的预测结果为热迁移失败时，则确定所述第一状态参数和所述第二状态参数中的关键状态参数；按所述关键状态参数为所述虚拟机分配相应的额外资源；所述关键状态参数为对热迁移结果产生实质性影响的状态参数。

2.根据权利要求1所述的方法，其特征在于，所述第一状态参数包括所述虚拟机的初始空间状态参数、空间占用状态参数和网络通信状态参数中的至少一种；所述第二状态参数包括所述目标物理机的初始空间状态参数、空间占用状态参数和网络通信状态参数中的至少一种。

3.根据权利要求1所述的方法，其特征在于，所述混合预测模型由至少两个机器学习分类模型聚合得到；所述机器学习分类模型由包括样本虚拟机的状态参数和样本目标物理机的状态参数的训练样本进行机器学习分类训练得到。

4.根据权利要求3所述的方法，其特征在于，所述机器学习分类模型包括随机森林分类模型、自适应提升分类模型以及梯度提升分类模型；

所述混合预测模型的建立步骤包括：

分别获取建立的随机森林分类模型、自适应提升分类模型以及梯度提升分类模型；所述随机森林分类模型、自适应提升分类模型以及提升分类模型分别由样本虚拟机的状态参数和样本目标物理机的状态参数作为训练样本进行机器学习分类训练得到；

确定所述随机森林分类模型的第一权重、所述自适应提升分类模型的第二权重以及所述梯度提升分类模型的第三权重；

将随机森林分类模型按第一权重、将自适应提升分类模型按第二权重、以及将梯度提升分类模型按第三权重进行聚合，构建得到混合预测模型。

5.根据权利要求3所述的方法，其特征在于，所述机器学习分类模型包括随机森林分类模型、自适应提升分类模型以及梯度提升分类模型；

所述通过所述混合预测模型按第一状态参数和第二状态参数对所述虚拟机进行热迁移结果预测处理包括：

将所述第一状态参数和第二状态参数分别输入混合预测模型中的随机森林分类模型、自适应提升分类模型和梯度提升分类模型进行热迁移结果预测处理，得到随机森林分类模型输出的第一热迁移成功概率、自适应提升分类模型输出的第二热迁移成功概率和梯度提升分类模型输出的第三热迁移成功概率；

将所述第一热迁移成功概率、所述第二热迁移成功概率和所述第三热迁移成功概率进行加权求和，得到最终热迁移成功概率；

当最终热迁移成功概率大于或等于成功概率阈值时，则预测结果为热迁移成功，当最终热迁移成功概率小于成功概率阈值时，则预测结果为热迁移失败。

6.根据权利要求3所述的方法，其特征在于，所述机器学习分类模型包括随机森林分类模型；所述随机森林分类模型的建立步骤包括：

获取构建的决策树数量的第一参数空间和最大分类树深的第二参数空间；

将所述第一参数空间中的各决策树数量和所述第二参数空间中的各最大分类树深进行随机组合，得到包括决策树数量和最大分类树深的各组合；

根据所述样本虚拟机的状态参数和样本目标物理机的状态参数的训练样本，分别按各组合中的决策树数量和最大分类树深进行机器学习分类训练，得到多个随机森林分类模型；

通过测试样本验证各随机森林分类模型的分类准确率；

从多个随机森林分类模型中选择分类准确率最高的随机森林分类模型。