[发明专利]基于改进遗传算法的虚拟机初始放置策略方法

摘要

一种基于改进遗传算法的虚拟机初始放置策略方法，包括以下步骤：第一步：对于虚拟机放置问题提出以下的形式化描述，过程如下：1.1定义放置环境；1.2定义资源状态；1.3主机可用性；1.4计算电能消耗；1.5定义虚拟机放置；第二步：对虚拟机放置设定约束条件及优化目标；第三步：算法实现，过程如下：初始化；主机簇群划分；虚拟叶子节点扇区以及虚拟分层结构深度确定；各虚拟叶子节点扇区编号；将所有虚拟机选择权重得分最高的主机节点完成分配，通过改进遗传算法的交叉，变异，选择操作的迭代循环，获得理想的放置组方案。本发明尽可能的降低数据中心的能耗，减少现实主机的使用数量，并且得到可用性较高的虚拟机放置组。

主权项

1.一种基于改进遗传算法的虚拟机初始放置策略方法，其特征在于，所述方法包括以下步骤：第一步：对于虚拟机放置问题提出以下的形式化描述，过程如下：1.1定义放置环境，数据中心存在物理主机集合PM＝{pm1，pm2，...，pmn}，其中主机数量为n，需要放置的虚拟机集合VM＝{vm1，vm2，...，vmm}，其中虚拟机数量为m，假设虚拟机数量m大于或等于主机n，定义虚拟机放置组集合P＝{p1，p2，...，ph}，h为放置组的数量；1.2定义资源状态，对于给定的虚拟机vm_i，定义为虚拟机vm_i所需的CPU资源，为虚拟机vm_i所需的内存资源，V_i‑pes为虚拟机vm_i的CPU利用率，W_i‑ram为虚拟机vm_i的内存利用率；对于给定的主机pm_j，定义为主机pm_j当前的CPU空闲资源，为主机pm_j的内存空闲资源，U_j‑pes为主机pm_j的CPU利用率，U_j‑ram为主机pm_j的内存利用率，则定义主机pm_j的资源利用率U_j为：Uj＝αUj‑pes+βUj‑ram0＜α＜1，0＜β＜1，且α+β＝1；定义Tagij为当前时刻t，主机pmj能否满足虚拟机vmi的资源要求，即1.3主机可用性，一个节点的可用性是指节点在整个服务时间内任意时刻的工作概率，对于任意网络组件i，其可用性Ai以下公式计算获得：其中MTTF代表平均故障时间，MTTR代表平均修复时间，假定服务器可用性的值是已知的，且各服务器之间的可用性是相互独立互不相关的；1.4计算电能消耗，在一个拥有n台运行的物理主机的云数据中心，对于任意物理主机pmj∈PM，在某一时刻t的电源能耗如下公式所示：其中cj为静态能耗标记，fj(t)为t时刻主机pmj的CPU频率，CPU利用率为Uj‑pes(t)，k为常量系数，即电源能耗在一定程度上是基于CPU利用率的线性模型；1.5定义虚拟机放置，VM集合通过放置组pk∈P，选择对应的物理主机集合中的主机完成放置映射，并且需要尽可能满足放置过程中的多种约束条件，定义虚拟机放置矩阵Mk[i][j]，若Mk[i][j]＝1则表示放置组pk将虚拟机j放置在物理主机i上，反之，若Mk[i][j]＝0，表示放置组pk中，虚拟机j未放置在物理主机i上；第二步：对虚拟机放置设定约束条件及优化目标，过程如下：2.1在考虑范围内的约束有：服务器节点的最大使用数量最少，能耗最低，负载较均衡和放置请求的可用性较高；2.2选取可用性及能耗两方面对虚拟机放置问题进行优化研究；第三步：算法实现，过程如下：步骤3.1初始化主机集合PM，虚拟机集合VM，种群规模为S，代表通过步骤3.2‑3.7随机生成的放置请求组的数量，迭代次数T’，代表算法需要循环操作的次数，其中T’≥S，单虚拟机最多放置组数量H，主机节点的可用性集合A以及变异概率p，p为0到1的一个随机数；步骤3.2主机簇群划分，首先选择一个常数z，即每个簇中的主机数为z，将主机集合按照c＝ceiling(n/z)，其中ceiling函数表示将n除以z的值向上舍入为最接近的整数，C0＝{cpm1，cpm2，...，cpmz}，C1＝{cpmz+1，cpmz+2，...，cpm2z}，...直至每个主机都归属于一个簇，每个簇为虚拟分层结构中的最底层节点；步骤3.3虚拟叶子节点扇区以及虚拟分层结构深度确定，选择虚拟分层结构中每个子节点扇区的叶子数f，f为一位整数，选择合适的f和z会使得到的算法效益和负载均衡度等和期望较相近，根据节点扇区的叶子数f以及主机簇个数c，可以得到虚拟分层结构的深度d：fd≥c其中d是最小正整数，使得上述公式成立；步骤3.4各虚拟叶子节点扇区编号，采用自然编号对每个扇区分别统一编号，即从0，1，2，...，f‑1；步骤3.5对于某一虚拟机vmi，对于任意一个虚拟节点s，都有一个对应的权重Wis＝h(vmi，s)，h(vmi，s)内包含约定的哈希函数，在虚拟分层结构的每一层叶子扇区，都可通过h(vmi，s)计算各虚拟节点权重，如果某虚拟节点sk的性能是其他主机的h倍，则将sk等额分成h份；显然，现在虚拟机分配到该虚拟节点sk上的概率是其他主机的h倍，将虚拟机vmi分配权重wis最高的虚拟节点继续向下分层，直到选择至最底层的真实主机节点簇Cx；步骤3.6当虚拟机vmi选中真实主机节点簇Cx后，在进行真实节点选择时，假设对于任意在真实节点簇Cx中的主机节点cpmxz+j，都有一个对应的权重得分Wi(xz+j)＝H(vmi，cpmxz+j)*Tagi(xz+j)，若Tag为false，则为0，若为true默认为1；其中，将虚拟机vmi分配给主机cpmxz+j之后，H(vmi，cpmxz+j)为在相同T时间段内，Eold与分配虚拟机vmi后的真实主机节点簇Cx的总体能耗的比值，与主机pmxz+j的资源利用率Uxz+j与1的差方和对应权重常数的乘积以及主机可用性与系数乘积的和：其中Exz+j为T时间段内主机cpmxz+j的能耗，Eold是指相同T时间段内，未分配新虚拟机时，真实主机节点簇Cx的能耗，Axz+j为主机cpmxz+j的可用性；α、β、γ是表示三者的权重；步骤3.7循环步骤3.5‑3.6，将所有虚拟机vmi选择权重得分Wi(xz+j)最高的主机节点完成分配；步骤3.8基于步骤3.2‑3.7的生成种群大小为S的种群集合Xs，按主机节点簇的分组编码方式进行编码，P表示放置组，主机簇Cx对应为染色体，每个主机簇上的主机对应为基因，将操作从单个虚拟机转化为对主机簇的操作；步骤3.9设置当前迭代次数t＝0；步骤3.10通过Random(X，Y，S)函数选择随机选择种群中两个个体进行交叉操作，Random(X，Y，S)表示在规模为S的种群中挑选出不相同的两个种群X，Y；步骤3.11遍历每个个体，根据每个个体的变异概率p，通过Rand()函数计算一个随机数p′模拟事件发生的概率，将p′与变异概率p进行比较，若p′大于p表示个体未发生变异，跳转至步骤3.12，反之则表示个体发生变异，Rand()函数的功能为生成0到1内的一个随机数p′；步骤3.12将交叉、变异操作得到的种群与原种群Xs合并，对于种群中的每个个体Xi根据适应度函数fT(x)计算相应的值E_min为T时间段内数据中心能耗的最小值；为单个个体的能耗，single指单一放置，Full指完全保护放置，Partial指部分保护放置，x为数量为H的个体或者个体群；根据适度函数选取前S个个体进入下一次迭代过程；步骤3.13t＝t+1，若t＜T’，则返回到第3.10步继续迭代；否则，跳转到第3.14步；步骤3.14根据步骤3.12的适度函数fT(x)选择权值最高的H个个体，即为虚拟机放置最优方案组vmp[H]。