[发明专利]混合云模式下的虚拟机内存自适应热迁移调度方法及系统

说明书

本发明提供了一种混合云模式下的虚拟机内存自适应热迁移调度方法及系统，包括：构建脏页率预测模型来预测源虚拟机内存在迭代拷贝后的当前脏页率；对源虚拟机内存进行一次迭代拷贝，通过当前脏页率与当前脏页率阈值的比较，决定执行继续迭代拷贝步骤还是执行停机拷贝和按需拷贝；对源虚拟机内存进行继续迭代拷贝，根据继续迭代拷贝的次数，或者根据当前脏页率与当前脏页率阈值的比较，决定是否进入停机拷贝；其中，当前脏页率阈值等于源虚拟机内存中所有应用的当前脏页率的平均值。本发明能够有效地减小整体迁移时间，大大的降低了总内存数据迁移量；同时，针对不同应用场景下的自适应虚拟机资源调度。

技术领域

本发明涉及数据处理技术领域，具体地，涉及混合云模式下的虚拟机内存资源自适应热迁移调度方法。

背景技术

当前云计算资源在商用领域被广泛应用，越来越多的企业和开发者将他们的服务和应用程序部署在包括私有云和公有云的混合云端。但是，由于受到虚拟机资源限制，以及虚拟机间负载均衡的考量，企业和开发者必须根据需求有针对性的对虚拟机进行热迁移。虚拟机热迁移也称为动态迁移(热迁移)，是在保证虚拟机中服务不间断的前提下，将虚拟机资源从源主机迁移到目的主机的过程。为了保证迁移到目的主机上的虚拟机能够恢复工作并提供服务，必须要向目的主机迁移足够多的虚拟机信息，包括内存、CPU、磁盘、网络、I/O等状态信息，其中内存信息对虚拟机热迁移性能的影响最大，是当前热迁移研究的热点，内存拷贝的三种基本步骤包括：迭代拷贝、停机拷贝以及按需拷贝。

如图1所示，最常见的虚拟机内存热迁移方法主要有预拷贝(Pre-copy)和后拷贝(Post-copy)两种方法，两者都只利用了内存拷贝三种基本步骤中的某两种，例如预拷贝先进行迭代拷贝(Push copy)，经过若干次内存迭代拷贝后进行停机拷贝(Stop-and-copy)，将所有源主机上的虚拟机状态信息拷贝到目的主机，完成热迁移；后拷贝则先进行一次停机拷贝，在目的主机将虚拟机重新运行起来，然后进入按需拷贝(Pull copy)阶段，有针对性的从源主机拷贝内存页面，从而完成热迁移。

根据虚拟机中应用类型的不同，两种方法各有优势。例如，对于内存密集型的应用，由于需要大量的读写内存，会不断产生大量的内存脏页面，这种情况下适合使用后拷贝算法；又比如，对于没有大量内存读写的应用，则更适合使用预拷贝算法以节省内存迁移时间。然而现有的虚拟机内存拷贝技术还没有一个能够针对不同应用场景下的自适应调度算法，难以达到内存迁移时间、迁移数据量与迁移适用性上的整体平衡。

时间序列自回归模型(Autoregressive Model)是用自身做回归变量的过程，即利用前期若干时刻的随机变量的线性组合来描述以后某时刻随机变量的线性回归模型，它是时间序列中的一种常见形式。AR预测模型被广泛用于对时间序列的预测当中，之后被拓展到其他领域用于解决变量预测及优化问题。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种混合云模式下的虚拟机内存自适应热迁移调度方法及系统。

根据本发明提供的混合云模式下的虚拟机内存自适应热迁移调度方法，包括：

脏页率预测模型构建步骤：构建脏页率预测模型来预测源虚拟机内存在迭代拷贝后的当前脏页率；

一次迭代拷贝步骤：对源虚拟机内存进行一次迭代拷贝，通过当前脏页率与当前脏页率阈值的比较，决定执行继续迭代拷贝步骤还是执行停机拷贝和按需拷贝；

继续迭代拷贝步骤：对源虚拟机内存进行继续迭代拷贝，根据继续迭代拷贝的次数，或者根据当前脏页率与当前脏页率阈值的比较，决定是否进入停机拷贝；

其中，当前脏页率阈值等于源虚拟机内存中所有应用的当前脏页率的平均值。

优选的，在所述一次迭代拷贝步骤中，在当前脏页率超过当前脏页率阈值的状态下，执行停机拷贝和按需拷贝，在当前脏页率不超过当前脏页率阈值的状态下，执行继续迭代拷贝步骤。