[发明专利]云数据中心基于多资源的高能效虚拟机放置方法

说明书

技术领域

本发明涉及云计算领域，具体是一种基于在云数据中心结合粒子群算法以节能为目标的虚拟机放置方法。

背景技术

高能耗是云数据中心资源管理面临的一大挑战，随着数据中心规模的不断扩大，高能耗问题更加突出。例如，Google数据中心产生的能耗相当于一个小型城市的总能耗。数据中心的高能耗不仅造成电能的浪费，系统运行的不稳定，同时对环境也造成不良的影响。造成云数据中心高能耗的主要原因有两个方面：一方面是随着用户数量的增加，数据中心基础设施建设大幅度增加，另一方面是系统资源分配不合理。研究高效的系统资源分配方法，可减少云数据中心的系统能耗，并使资源利用朝可持续方向发展。

研究虚拟机的放置方法，定义虚拟机和物理结点之间的映射关系对云数据中心中资源的合理分配具有至关重要的作用，同时对系统的能耗、性能和资源利用率也产生重要的影响。虚拟机放置问题可以描述为向量装箱问题：装入的物品是运行中的虚拟机，箱子为物理结点，虚拟机的资源需求和物理结点的资源数量分别表示物品和箱子的大小。虚拟机和物理结点的资源包括CPU、内存、带宽、磁盘等，资源的种类即向量的维度。对于M个物理结点，N个虚拟机的云数据中心，将虚拟机部署到物理结点的解空间为M^N，属于NP-hard问题。对此问题由于没有多项式最优解算法，通常采用基于贪心算法的启发式算法得到最优或次优解。

目前以节能为目标放置虚拟机时，使用的能效模型大多是基于CPU一种系统资源。一些文献中指出服务器能耗与CPU利用率呈近似线性关系，当服务器处于空闲状态时也会消耗其处于顶峰负载时70%左右的电力。Beloglazov等基于此能效模型提出了一种高能效的资源分配算法，通过虚拟机的放置和迁移有效地降低了系统能耗同时保证了任务的性能。刘志飘等基于此能效模型提出了一种基于离散粒子群方法的能量感知虚拟机放置智能优化方法。然而，在实际应用中云数据中心物理结点中的CPU、内存、带宽、磁盘等资源的综合使用情况对系统的能效有重要的影响。Srikantaiah等研究了系统资源对能耗、性能的影响，通过实际测量得出结论：对于非空闲的物理结点，当CPU利用率为70%且磁盘利用率为50%时，物理结点的能耗最低且能有效保证任务的性能。

云数据中心虚拟机的放置是一个装箱问题，即寻找最优的虚拟机到物理结点的映射关系，使放置结果达到最优。装箱问题属于NP-hard问题，一般采用启发式算法，而大多启发式算法基于贪心算法，并采用一些简单规则，如次优配合、最优配合和最佳配合等，目前的虚拟机放置算法，大多是基于传统启发式算法的改进算法。使用能效模型设计虚拟机放置算法时也多采用传统启发式算法的改进算法。Beloglazov等基于BFD（Best Fit Decrease）算法，提出了MBFD（Modified Best Fit Decrease）算法进行虚拟机放置。MBFD算法首先将虚拟机按照CPU资源利用率进行降序排序，然后按照虚拟机请求顺序将虚拟机放置在能耗增量最小的物理结点上。Srikantaiah等将BFH（Best Fit Heuristics）启发式算法进行改进，使用MBFH（Modified Best Fit Heuristics）算法进行虚拟机的放置，即将虚拟机放置在非空闲物理结点总欧式距离最小的物理结点上。基于贪心算法的传统启发式算法能优化虚拟机的放置，但是传统启发式算法通常采用单点搜索策略，容易陷入局部最优，并不能达到整体放置效果最优，仍需进一步优化。

发明内容

针对以上现有技术中的不足，本发明的目的在于提供一种有效降低云计算数据中心的虚拟机的放置的能耗，系统资源得到合理分配的云数据中心基于多资源的高能效虚拟机放置方法。本发明的技术方案如下：一种云数据中心基于多资源的高能效虚拟机放置方法，其包括以下步骤：

101、获取云数据中心中多资源种类数量d，云数据中心物理节点的数量n及实际利用率并根据实际计算环境设定能效最佳利用率其中表示物理结点i上第j种资源的实际利用率，表示物理结点i上第j种资源的能效最佳利用率，建立多资源能效模型，如式（1）所示：