[发明专利]IaaS云环境下物理主机资源状态预测方法

说明书

技术领域

本发明涉及云平台应用技术领域，尤其是涉及IaaS云环境下物理主机资源状态预测方法。

背景技术

云环境下，提高资源利用率是能耗感知和负载均衡必须考虑的重要手段，而资源利用率由虚拟机通过迁移操作改变物理主机的资源状态来体现，因此，虚拟机迁移是IaaS云资源调度的尤为重要关键技术。

当前，IaaS云资源调度策略研究中，违反SLA时或者物理主机过载是虚拟机迁移的触发因素，这势必造成系统性能下降和额外的能耗成本，这是问题出现后处理造成的后果。这种“事后处理”的方式早已过时。

IaaS云平台服务商为用户提供高性能服务的同时，必须考虑如何在不违反SLA(Service Level Agreement)的前提下，节约云平台的能耗成本。而虚拟机迁移技术是在物理服务器过载时，保证服务器性能的有效手段，也是考虑节能的关键技术之一。服务器的过载和欠载是物理主机的两个运行状态，过载会造成违反SLA的可能性，而欠载会造成物理主机资源利用率低，造成额外的能耗浪费。

由此可见，目前没有依据虚拟机迁移的能耗代价与物理主机与物理主机关机的电能收益关系，降低IaaS云平台的SLA违反率的目标的方法，亟待进一步改进。

发明内容

本发明的目的是提供一种IaaS云环境下物理主机资源状态预测方法，其具有依据虚拟机迁移的能耗代价与物理主机与物理主机关机的电能收益关系，降低IaaS云平台的SLA违反率，实现资源需求可控、绿色节能的效果。

为解决上述技术问题，本发明提供一种IaaS云环境下物理主机资源状态预测方法，其包括以下步骤：

步骤A:将IaaS云资源需求预测过程确立为隐式马尔可夫过程；

步骤B:确定物理主机资源的观察状态集合和隐式状态集合；

步骤C:构建IaaS云平台资源预测的隐式马尔可夫过程模型；

步骤D:根据该IaaS云平台资源预测的隐式马尔可夫过程模型的预测状态，进行资源调度。

本发明的一个实施例中，所述隐式马尔可夫过程模型中，其通过Viterbi算法给出一个场景的预测过程，以驱动构建该隐式马尔可夫过程模型。

本发明的一个实施例中，所述步骤A中的隐式马尔可夫过程模型通过一个五元组来描述：

λ＝(N,M,A,B,π)

其中：N是物理主机状态的集合，M是观察值的集合，A是状态转移概率矩阵，B是观察值的概率分布矩阵，π是初始状态概率分布。

本发明的一个实施例中，所述物理主机状态的集合N为隐状态集，N＝{S₁,S₂,S₃}，其中，其中，S₁为物理主机欠载状态；S₂为物理主机正常状态；S₃为物理主机过载状态；

所述观察值的集合M为明状态集，M＝{OUT,IN,NON}，其中，OUT为虚拟机迁出状态；IN为虚拟机迁入状态；NON为虚拟机无迁出迁入状态；

其中，初始状态概率：π＝{π₁,π₂,π₃}；

隐状态转移概率：A＝(a_ij)_3×3，其中a_ij表示从状态i到状态j的转移概率；

观察值分布概率：B＝b(M)，其中b(M)为M中元素的分布概率。

本发明的一个实施例中，所述隐状态组成的状态序列为Q＝(q₁,q₂,…,q_t,…,q_T)，其中每个q_t∈N中的一个状态，由初始状态概率π和状态转移概率A决定；

所述明状态组成的观察序列为O＝(o₁,o₂,…,o_t,…,o_T)，其中每个o_t∈M中的一个状态，由状态序列Q和各状态的分布概率B决定。

本发明的一个实施例中，所述步骤D中，隐式马尔可夫过程模型的预测状态与系统的负载和资源状态实时相关，并在下一个稳定其到来之前对资源进行整合。

本发明的一个实施例中，所述步骤A中的隐式马尔可夫过程模型通过资源需求预测物理主机过载、安全和欠载状态，作为虚拟机迁移时机选择的基准。

本发明的一个实施例中，所述步骤A中的隐式马尔可夫过程模型通过Viterbi算法来驱动构建的。