[发明专利]基于滚动灰色预测模型的云数据中心节能调度实现方法

权利要求书

1.基于滚动灰色预测模型的云数据中心节能调度实现方法，其特征在于将云数据中心的节能流程抽象为负载预测、误差校验、热感知分类和虚拟机调度四个模块；通过对数据中心工作负载进行预测，从而对各主机进行状态分类，进而通过虚拟机调度算法达到节能的目的；所述负载预测具体是：利用滚动灰色预测模型对数据中心的工作负载进行预测，得到下一时刻数据中心各主机节点的负载利用率；所述误差校验具体是：对负载预测值与实际工作负载进行误差校验，确定当前预测结果的偏差值，并基于误差校验模块进行学习，校正预测结果；所述热感知分类具体是：根据主机当前的负载预测值对云数据中心内所有主机进行热感知分类，并引入服务水平协议作为参考指标设定主机工作负载阈值的上界和下界；当主机负载利用率在高于阈值上界、低于阈值下界、处于阈值上下界之间、负载利用率为0这四种情况下划分为不同的四种热状态；

采用的云计算平台资源智能调度框架，从下而上分为主机层、虚拟机层、性能评估层、调度层和用户层；其中调度层和评估层是整个节能策略框架的核心所在；

主机层是指云数据中心中的所有服务器，包含所有物理主机节点；

虚拟机层则是建立在主机层虚拟化技术基础上的，通过将多台服务器实体虚拟化，构成了虚拟机层这个资源池，能够实现云环境中的共同计算及资源共享；

性能评估层是指对云数据中心的负载利用率、能耗、SLA、PUE性能数据进行采集评估；评估层需要与虚拟层进行数据通信来获取虚拟机资源利用情况、各虚拟机的运行状态信息；

调度层则在基于性能评估层所采集负载、能耗数据的基础上，对主机进行虚拟机初次分配，以及虚拟机迁移操作，通过对虚拟机进行调度来保障主机能够运行在一个良好的负责利用率环境下；

用户层是指云计算环境中的所有用户及服务请求者，包括个人用户、企业用户以及云计算的所有使用者；用户层会时刻对数据中心发出新的服务请求；

采用的云计算数据中心系统节能架构，从上而下分为四个模块，分别是负载预测模块、误差校验模块、热感知分类模块以及虚拟机调度模块；

(1)负载预测模块：负载预测模块能持续地监测数据中心中物理机(Power Machine)的工作负载数据，并通过分析有效历史负载数据来预测每一个PM在未来时刻的CPU利用率；负载预测模块能有效地区分数据中心当前状态下过载与空载的服务器；

(2)误差校验模块：当负载预测模块完成了预测过程之后，误差校验模块会计算实际值与预测值之间的偏差，并通过分析和计算它们的相对误差来优化未来的预测结果；

(3)热感知分类模块：根据上述模块得到的工作负载预测值，将物理机分为了四种类别，称为沸点(boiling point)、温点(warming point)、凉点(cooling point)、冰点(freezing point)；引入了服务水平协议(Service Level Agreement，SLA)作为一项重要参考指标，并利用SLA设定了PM工作负载阈值的上界和下界；当PM当前的负载利用率高于阈值上界时称之为沸点；当其利用率低于阈值下界(非0)时称之为凉点；负载利用率为0时为冰点；当PM的负载利用率处于阈值上下界之间时我们称之为温点；热感知分类模块通过对PM进行类别区域的划分，很好地了解并调控当前数据中心内部的负载情况；

(4)虚拟机调度模块：应对流量突发情况的数据中心工作负载预测方法包括：

该工作负载预测方法基于改进后的灰色模型提出，灰色预测方法被视为是时间序列预测模型很好的替代策略，在云环境中，将数据中心中各PM的历史工作负载值作为历史数据序列，灰色模型使用了一次微分方程来描述整个系统的建立过程；

设x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))为原始工作负载数列，其中n为数据序列的长度，其1次累加生成数列为x⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))，其中

定义x⁽¹⁾的灰导数为

d(k)＝x⁽⁰⁾(k)＝x⁽¹⁾(k)-x⁽¹⁾(k-1).

令z⁽¹⁾为数列x⁽¹⁾的邻值生成数列，即

z⁽¹⁾(k)＝αx⁽¹⁾(k)+(1-α)x⁽¹⁾(k-1),

其中，α为差异系数，α∈(0，1)；

于是定义GM(1，1)的灰微分方程模型为

d(k)+az⁽¹⁾(k)＝b,或x⁽⁰⁾(k)+az⁽¹⁾(k)＝b,

其中，x⁽⁰⁾(k)称为灰导数，a称为发展系数，z⁽¹⁾(k)称为白化背景值，b称为灰作用量；

将时刻表k＝2,3,…,n代入(1)式并引入矩阵向量记号：

则GM(1,1)模型可以表示为矩阵Y＝Bu.其中u为a和b的拟合系数矩阵，B为原始序列提供的信息矩阵；

用回归分析求得a,b的估计值，于是数列相应的白化模型为

解得

于是得到预测值

从而相应地得到下一时刻工作负载预测值：

采用滚动GM(1,1)模型后，每进行下一次预测都将重新建立预测模型，模型会不断采用较新的数据进行预测，过旧的数据将会被摈弃；根据数据中心历史负载动态更新模型中平移变换常量C的值，确保预测过程中灰色模型始终处于可用状态；通过迭代选出序列中λ(k)的最大值Maxλ(k)以及最小值Minλ(k)，确保Minλ(k)和Maxλ(k)均在可容空间内；

采用基于热感知的虚拟机分类策略：

热感知模型持续监控数据中心物理节点的热状态信息，虚拟机调度模块会将部分运行在沸点上的虚拟机迁移至凉点之中，部分容量足够大的凉点将会被动态整合为一体，处于冰点的物理机将会被关闭以节能。