[发明专利]一种确定虚拟机负载的实现方法和装置

说明书

本发明实施例公开了一种确定虚拟机负载的实现方法，该方法包括：基于虚拟机负载监控数据样本对预建的反向传播BP神经网络模型进行训练，以获得BP神经网络负载确定模型；计算预设时间段内各项监控资源的平均使用量信息；将平均使用量信息输入BP神经网络负载确定模型以确定虚拟机负载。本发明实施例还公开了一种确定虚拟机负载的实现装置。通过本发明实施例，实现了高效、准确地确定和监控虚拟机负载，提高了云数据中心中的资源利用率。

技术领域

本发明实施例涉及虚拟机监控技术，尤指一种确定虚拟机负载的实现方法和装置。

背景技术

当前，云计算逐渐被行业认可，云数据中心操作系统逐渐实现并付诸于实践，在社会生产和生活领域中起到越来越重要的作用。云计算核心的载体是虚拟机，虚拟机及其上业务的稳定性、虚拟机运行时的负载精准确定和动态调整也是衡量云数据中心操作系统健壮性的重要指标之一。目前业界在虚拟机负载确定时，往往只是根据某一时刻点的中央处理器CPU、内存、磁盘输入输出IO和网络IO值进行综合确定，不能正确反映某段时间内该虚拟机的负载情况，存在有较大的误差。

发明内容

为了解决上述技术问题，本发明实施例提供了一种确定虚拟机负载的实现方法和装置，能够实现高效、准确地确定和监控虚拟机负载，提高云数据中心中的资源利用率。

为了达到本发明实施例目的，本发明实施例提供了一种确定虚拟机负载的实现方法，该方法包括：

基于虚拟机负载监控数据样本对预建的反向传播BP神经网络模型进行训练，以获得BP神经网络负载确定模型；

计算预设时间段内各项监控资源的平均使用量信息；

将平均使用量信息输入BP神经网络负载确定模型以确定虚拟机负载。

可选地，基于虚拟机负载监控数据样本对预建的反向传播BP神经网络模型进行训练包括：

将多个虚拟机负载监控数据样本P以多维输入向量的形式输入BP神经网络模型；

多维输入向量经过BP神经网络模型的各层后输出虚拟机负载值。

可选地，该多维输入向量为四维输入向量；

四维输入向量包括：P＝{c，m，s，n}；

其中，c表示CPU负载比例、m表示内存负载比例、s表示磁盘IO负载比例、n表示网络带宽负载比例；

如图2所示，BP神经网络模型包括：输入层、隐含层和输出层；

其中，输入层包含4个神经元，隐含层包含4个神经元，输出层包含1个神经元。

可选地，计算预设时间段内各项监控资源的平均使用量信息包括：

从预设的监控数据存储模块获取自当前时刻向前推得到的预设时间段内的各项监控资源的负载监控数据；

计算获取的各项监控资源的负载监控数据的平均值，作为各项监控资源的平均使用量信息。

可选地，各项监控资源包括：中央处理器CPU、内存、网络输入输出IO和/或磁盘IO。

为了达到本发明实施例目的，本发明实施例还提供了一种确定虚拟机负载的实现装置，该装置包括：训练模块、计算模块和确定模块；

训练模块，用于基于虚拟机负载监控数据样本对预建的反向传播BP神经网络模型进行训练，以获得BP神经网络负载确定模型；

计算模块，用于计算预设时间段内各项监控资源的平均使用量信息；

确定模块，用于将平均使用量信息输入BP神经网络负载确定模型以确定虚拟机负载。