若是大于该阈值则申明该主机上运转的虚拟机使_www.r99.com|www.11000.com|www.22000.com 

移动版

www.r99.com > www.22000.com >

若是大于该阈值则申明该主机上运转的虚拟机使

步调七、获取正在受测从机上运转的虚拟机的最大迁徙时间maxinumMigrationTime。

本发现的目标是为领会决现有的过载从机检测算法的耗电量较高、用户的使命正在施行上流利度较低、算法正在运转时需要封闭的从机数目过高、需要迁徙的虚拟机的数目过高的错误谬误,而提出一种从机过载检测方式。

步调一、获取预按时间内的CPU操纵率阈值并构制CPU操纵率阈值构制数组y;获取必然时间内的CPU操纵率数据并构制CPU操纵率数组x。数组y和数组x均是可以或许从系统中间接获取的,数组中的每个元素是正在分歧时间点采样获得的响应数据,例如,假设数组y中一共有100个元素,预按时间具体是100分钟,那么正在第1分钟采样获得的数据能够做为数组中的第一个元素,比来1分钟的数据能够做为数组中的最初一个元素,若是数组曾经存满,则能够笼盖掉存正在时间最久的元素。总而言之本步调的次要目标正在于采样和构制数组,具体若何实施有多种方式,只需可以或许满脚这一目标即可。

跟着云计较时代的到临,云数据核心的高能耗损成为次要问题,而削减云数据核心的能源耗损的次要方式是优化虚拟机分派和安排,而过载从机检测是实现虚拟机迁徙和安排分派的根本。过载从机检测方式的研究次要是按照从机以往的正在一段时间内的CPU操纵率,操纵CPU操纵率计较出CPU操纵率正在之后的阈值,若是大于该阈值则申明该从机上运转的虚拟机使用的负载量超出了该从机的负荷,则需要迁徙其上的虚拟机到其他的从机上,以使命的及时性和无效性。

图5为实施例中各类算法正在运转时虚拟机迁徙数目标对比图,纵坐标暗示虚拟机的迁徙数目,横坐标为各类分歧的算法。

步调五、将计较参数i的值加1,并反复施行步调二至步调四,曲至CPU操纵率阈值数组y中的每个元素均被计较。

因为虚拟机的迁徙数目和数据核心施行的机能成反比,所以从图5能够得出,本发现的梯度下降算法对于用户和云供给商都是比力好的选择。由于梯度下降算法需要迁徙的虚拟机的数目相较于其他算法大约削减了33.3%。

具体实施体例四:本实施体例取具体实施体例一至三之一分歧的是:受测从机为用于进行云计较的从机。

步调五、将计较参数i的值加1,并反复施行步调二至步调四,曲至CPU操纵率阈值数组y中的每个元素均被计较。

从图2中能够看出梯度下降算法无论取已有的选择算法Mmt,Mc和Mu连系,其能量耗损都比Mad,Lr或Iqr少。通过以图1阐发可知,通过利用梯度下降算法,数据核心的能源耗损能够大约削减12.9%。

因为CPU的操纵率很大程度影响了从机的处置器的能源耗损,而CPU的操纵率又依赖于从机的工做量,它将按照从机的工做量做出改变,因而,CPU的操纵率是一个按照时间变化的函数。

步调一、获取预按时间内的CPU操纵率阈值并构制CPU操纵率阈值构制数组y;获取必然时间内的CPU操纵率数据并构制CPU操纵率数组x。

此中第1行是按照局部回归的特征,定义了y[]和x[]的初始值,第2-8行是按照梯度下降算法计较出线行是按照计较出的参数值来确定预测的CPU操纵率的阈值以及从机能否过载。

步调九、计较predictUtil*s的值能否大于1,若是,则认为从机上运转的虚拟机使用的负载量跨越了该从机的负荷;若否,则认为未呈现过载现象;此中s为预设的暗示平安系数的值。

办事质量品级(SLA Violation)是用户取云数据核心协商的关于办事质量的一个参数,其暗示为用户使命正在运转时,其优先级的表现。正在该部门,本文正在过载从机长进行比力梯度下降算法,Mad,Lr或Iqr算法的好坏性,因为正在从机过载时,SLA的数值变化较为较着,便利数据的比力。

本发现的无益结果为:1、本发现的方式正在运转时电量耗损能够大约削减12.9%;2、本发现的办事质量品级(SLA Violation)参数比其他算法少19.8%,意味着用户的使命正在施行上流利度更高;3、本发现的方式从机封闭数目上显著减低,大约为其他算法的37.5%,且测试更切近于线、利用本发现的方式,需要迁徙的虚拟机的数目相较于其他算法大约削减了33.3%。

图2为实施例中各类算法正在运转时所耗损的能量对比图;纵坐标暗示能量耗损值,横坐标为分歧的算法,此中最左侧的GdMsu_1.85为本发现的方式;

步调七、获取正在受测从机上运转的虚拟机的最大迁徙时间maxinumMigrationTime。

通过对从机CPU操纵率环境的监测,能够及时的反映出该从机的负载环境,若是对于过度负载的从机上的虚拟机不加以办理,则会形成该从机上的虚拟机长时间获取不到CPU资本,而所运转使用的则需要较长的响应时间,这会导致用户的体验结果极差,同时云数据核心的能源耗损会急剧添加,导致云数据核心的运营遭到冲击。

图3为实施例中各类算法的办事质量品级对比图,纵坐标为办事质量品级百分比,数值越小暗示越流利;横坐标为各类分歧的算法;

此中β0为第一参数,其值为预设值;β1为第二参数,其值为预设值;yi为CPU操纵率阈值数组中的第i个元素,xi为CPU操纵率数组x中的第i个元素;ei为两头变量;符号“←”暗示赋值运算。

从图3能够看出最小中位数二次回归算法正在SLA violation方面较于其他算法也有优良的结果,通过度析获得,梯度下降算法大约比其他算法少19.8%,这就意味着用户的使命正在施行上有愈加流利的过程。

从上图能够看出梯度下降算法正在从机封闭数目上显著减低,大约为其他算法的37.5%。因为本文利用的是800台分歧的从机,所以尝试愈加贴合实正在的云数据核心。

模仿尝试的环节是利用实正在工做量的轨迹数据,并将其模仿成实正在的云数据核心的。为此,本文利用了跨越1000分歧的虚拟机CPU操纵率的数据正在跨越500分歧的办事器上。这些数据的特征如4表所示:

本发现的梯度下降算法正在运转时,能否能够做到虚拟机全局最优化。所需要封闭的从机数以及虚拟机迁徙的数目标数据都间接地表了然算法正在运转时的能源耗损,以及算法正在虚拟机安排方面,图4为实施例中各类算法正在运转时从机总的封闭数目对比图,横坐标为各类分歧的算法;纵坐标暗示从机封闭的数量,最左侧的GdMums暗示本发现的方式;

步调四、判断丧失函数loss的值能否小于给定的阈值;若是,则跳转施行步调七;若否,则利用如下公式从头计较第一参数β0和第二参数β1的值。

本发现还可有其它多种实施例,正在不本发现及其本色的环境下,本范畴手艺人员当可按照本发现做出各类响应的改变和变形,但这些响应的改变和变形都应属于本发现所附的要求的范畴。

此中β0为第一参数,其值为预设值;β1为第二参数,其值为预设值;yi为CPU操纵率阈值数组中的第i个元素,xi为CPU操纵率数组x中的第i个元素;ei为两头变量;符号“←”暗示赋值运算。

步调四、判断丧失函数loss的值能否小于给定的阈值;若是,则跳转施行步调七;若否,则利用如下公式从头计较第一参数β0和第二参数β1的值。

(责任编辑:admin)