[发明专利]基于线性相关性及分段性装箱理论的虚拟机资源整合方法

摘要

本发明公开了一种基于线性相关性及分段性装箱理论的虚拟机资源整合方法，包括动态整合和静态整合两个阶段。第一阶段利用改进的动态整合算法对系统内的初始状态虚拟机进行整合，尽可能地降低整合后虚拟机的资源利用率峰值‑均值差；当虚拟机资源利用率平均峰值‑均值差低于一个特定预设的阈值时，可以认为虚拟机资源利用率平均峰值‑均值差为一个常数值序列，这样在进行第二阶段静态合并过程种不会造成新的附加资源浪费。第二阶段利用静态整合部分选用降序首次适应算法，能为本发明的整合过程提供足够的全局资源优化能力。

主权项

1.一种基于线性相关性及分段性装箱理论的虚拟机资源整合方法，其特征在于，包括以下步骤：(1)、生成各初始状态虚拟机VM在未来指定时间段的资源利用率时间序列(1.1)、定义一个标准VM所具有资源量，将其计为c；收集各VM在过去指定时间段内t次采样的历史原始资源使用量k＝1,2,…,M，M表示系统中VM的总台数，t＝1,2,…,N，N表示过去指定时间段内采样的总次数；(1.2)、计算各占标准VM资源量c的百分率，并标记为VM历史状态原始资源利用率；(1.3)、利用步骤(1.1)中各VM的历史原始资源使用量构成采样序列再检测序列平稳性，并完成拟合模型选定和定阶；(1.4)、根据所得模型，采用1步递推预测法生成各VM未来指定时间段的资源利用率时间序列(2)、求得各VM之间的相关系数矩阵Matrixcoeff(2.1)、使用皮尔逊相关系数公式计算任意VMi与VMj之间的相关系数rij，i,j∈[1,M]；其中，和分别代表VM_i和VM_j的N位资源利用率序列，和分别代表VM_i和VM_j的N位资源利用率序列的均值；(2.2)、利用步骤(2.1)中的公式求得M(M‑1)/2台VM的有效相关系数值rij，再组成一个M×M阶相关系数矩阵Matrixcoeff；(3)、定义一个动态整合算法ICMAα(3.1)、每次从步骤(2.2)描述的相关系数矩阵中寻找出一个不大于α的最小值，标记为rmin；(3.2)、将步骤(3.1)选出的最小值rmin对应的初始状态虚拟机VMi和VMj的N个资源利用率采样点进行合并配对测试；s.t.max(Peaki,Peakj)≤Peak≤Peaki+Peakj其中，将VM_i对应的资源利用率时间序列记为中历史状态原始资源利用率最大值记为Peak_i，将VM_j对应的资源利用率时间序列记为中历史状态原始资源利用率最大值记为Peak_j；max(Peak_i,Peak_j)表示取Peak_i,Peak_j两者的最大值，s.t.表示使后面的等式成立；(3.3)、判断Peak值如果步骤(3.2)中Peak值不大于100％，则令α＝‑0.5，且将步骤(3.2)中选出的VMi和VMj组合配对，结果简化为如下的关系：s.t.rmin≤‑0.5即：VMi与VMj经动态算法整合成动态整合虚拟机DCVM，且DCVM的资源利用率序列为定值的常数序列，并进入步骤(3.4)；如果步骤(3.2)中Peak值大于100％，则将该种配对对应的rij值改设为无穷大，并再次返回步骤(3.1)；(3.4)、从步骤(2.2)中描述的相关系数矩阵Matrixcoeff中删除初始状态虚拟机VMi和VMj对应的数据项，并使用新生成的DCVM的数据与相关系数矩阵Matrixcoeff中除VMi和VMj以外的剩余虚拟机，重新生成新的相关系数矩阵；(3.5)、重复步骤(3.1)至(3.4)，直至满足退出条件：rmin＞‑0.5或M＜2；(4)、利用分段式迭代线性相关性整合SICC算法(Segmentation Iteration Correlation Consolidation)进行虚拟机资源整合(4.1)、将各VM的历史状态原始资源利用率求均值mean，再按照均值mean将所有的VM分为三组，即：(4.2)、将三组VM按照步骤(3)所述的方式分别运行ICMAα算法，将整合后的三组DCVM集中在一起后按照步骤(3)所述的方式再次运行ICMAα算法；(4.3)、将步骤(4.2)运行后得到的DCVM按照(3.3)中所述的方法进行处理，待处理完成后运行降序首次适应FFD算法(First Fit Decreasing)进行静态阶段的整合，得到最终整合状态的已整合虚拟机CVM(Consolidated Virtual Machine)；(4.4)、将(4.3)所得的最终状态CVM装填入物理服务器。