本發(fā)明屬于云計算技術領域，尤其涉及一種數(shù)據(jù)中心內流量帶寬可約束的虛擬機動態(tài)聚合方法。

背景技術：

iaas云計算架構的數(shù)據(jù)中心在運行過程中經常需要對所轄的虛擬機進行資源聚合。虛擬機資源聚合是指：云計算數(shù)據(jù)中心的資源管控系統(tǒng)對所轄所有虛擬機的動態(tài)資源利用量及資源預留數(shù)據(jù)進行比對評估。如果系統(tǒng)內兩臺虛擬機的動態(tài)資源利用量之和的峰值數(shù)據(jù)仍小于系統(tǒng)為一臺虛擬機預留的資源量，則可將兩臺虛擬機的資源需求視為一臺等效虛擬機對資源的需求。系統(tǒng)將兩臺虛擬機進行配對后統(tǒng)一調度至同一個物理服務器中運行，從而達到提高資源利用率、減少數(shù)據(jù)中心能耗的目的。

虛擬機聚合算法利用分治算法的思想，將一系列順序進行的匹配過程變換為一個分群迭代進行的過程，與一般的虛擬機遷移算法相比可以有效減小匹配時的計算復雜度。虛擬機整合算法相對于普通遷移算法的另一個特點是擁有對虛擬機內資源粒度的感知能力，可以基于這些資源數(shù)據(jù)預測出滿足一定精度的虛擬機未來特定時間內資源利用量的動態(tài)變化數(shù)據(jù)。因此，基于各虛擬機未來資源利用量動態(tài)變化數(shù)據(jù)的匹配效果要遠優(yōu)于單純基于靜態(tài)歷史數(shù)據(jù)的匹配。

但是，現(xiàn)有虛擬機聚合算法只針對聚合過程中數(shù)據(jù)中心資源池內cpu、內存等傳統(tǒng)計算資源進行優(yōu)化，卻忽視了對于聚合過程中數(shù)據(jù)中心網絡帶寬對聚合產生的約束效應進行分析研究。囿于iaas的運作架構，數(shù)據(jù)中心內多數(shù)任務的執(zhí)行需要依靠多臺虛擬機之間進行實時數(shù)據(jù)交互操作。一旦出現(xiàn)數(shù)據(jù)交互過程中因為網絡帶寬的約束限制出現(xiàn)了流量擁塞，將會導致嚴重的性能下降。因此，虛擬機聚合算法在設計中不僅需要考慮對計算資源的優(yōu)化，也需要考慮算法效果受到網絡帶寬資源的約束。但現(xiàn)有的絕大部分虛擬機聚合算法沒有針對網絡帶寬資源約束進行專門的設計，致使這些算法的聚合后的實際性能與理論預測值產了較大的偏差。

因此，一些改進的聚合算法為了在優(yōu)化計算資源的同時減小帶寬擁塞對于整體性能的約束，嘗試根據(jù)虛擬機數(shù)據(jù)交互過程帶寬瓶頸產生的概率進行建模。改進的算法通過不斷地將數(shù)據(jù)交互流量較大的虛擬機群同時調度到物理距離盡量近的服務器中，達到減小虛擬機間平均交互流量，降低數(shù)據(jù)中心中流量帶寬擁塞平均概率的目的。

然而，現(xiàn)有的算法存在以下明顯缺陷：1、現(xiàn)有算法不能準確平衡聚合過程中對于計算資源和網絡資源的優(yōu)化需求，人為將網絡資源的優(yōu)化和計算資源的聚合分割進行。并且以網絡資源的優(yōu)化作為優(yōu)先目標，導致網絡資源優(yōu)化過度而計算資源聚合不足。2、現(xiàn)有算法針對網絡資源進行優(yōu)化時，虛擬機聚類的啟發(fā)式模型中有效參數(shù)過少，并不能真正反映各虛擬機真正具有的參數(shù)轉發(fā)代價。3、現(xiàn)有算法沒有充分利用計算資源的零和特性，對于虛擬機計算資源和網絡帶寬的優(yōu)化都采用相同的靜態(tài)聚合方式進行，聚合時的資源匹配精度較低，優(yōu)化能力有限。

技術實現(xiàn)要素：

針對現(xiàn)有技術之不足，本發(fā)明提供了一種新的虛擬機聚合算法架構，即iaas數(shù)據(jù)中心內流量帶寬可約束的虛擬機動態(tài)聚合方法，其包括以下步驟：

s1)對初始狀態(tài)虛擬機針對計算資源進行多級聚合，聚合完成后，初始狀態(tài)的虛擬機全部被聚合后的等效虛擬機取代；

s2)建立流量代價模型，令單位流量經過的各層交換機的代價系數(shù)為c^l，其中，接入層交換機對應于c¹，匯聚層交換機對應于c²，核心層交換機對應于c³；

s3)將當前虛擬機的c¹類交互流量定義為聚團內交互流量icit，將c³類流量定義為聚團外交互流量ecit；

s4)定義數(shù)據(jù)中心虛擬機聚合過程中總的流量交互代價以及需要達成的算法目標；

s5)使用全局流量模型來描述任意初始虛擬機i和j之間的交互流量tij；然后根據(jù)步驟s1中計算資源的聚合流程，將所有的交互流量按照初始虛擬機的聚合方案進行加合處理，生成等效虛擬機的交互流量；將任意等效虛擬機i和j之間的交互流量命名為

s6)統(tǒng)計系統(tǒng)內當前所有等效虛擬機連通度，維護一個各等效虛擬機連通度降序表；

s7)統(tǒng)計系統(tǒng)內當前所有等效虛擬機的經過轉換系數(shù)轉換的icit和ecit，并維護一個降序的各等效虛擬機的icit/ecit值表；

s8)在步驟s6與步驟s7的基礎之上定義一個新的等效虛擬機進行聚團時使用的啟發(fā)式參數(shù)：基于流量度和權重最大流量比率dwmtr；使用dwmtr進行虛擬機三級聚團操作，以衡量當前等效虛擬機的真實流量代價，從而提高聚團時的準確性；

s9)在完成三級聚團操作后，按照ecit/icit值降序遍歷排列系統(tǒng)中的等效虛擬機，選出ecit/icit值最大的等效虛擬機，測試是否能通過將其與其余核心交換機控制域內的icit/ecit值升序排列的等效虛擬機對調，以減少兩個虛擬機的ecit/icit值比例；選用首次滿足對調條件的等效虛擬機進行對調；重復前述過程，直至系統(tǒng)內所有虛擬機完成位置調整。

根據(jù)一個優(yōu)選實施方式，步驟s4中包括：

s4.1)定義一個虛擬機的c¹、c²和c³類交互流量數(shù)值，分別命名為和計算出該虛擬機的交互流量代價；

s4.2)定義轉換系數(shù)，利用轉換系數(shù)β和γ將流量分別折算為和

s4.3)計算系統(tǒng)內所有虛擬機的交互流量總代價。

本發(fā)明具有以下有益效果：

本發(fā)明的虛擬機動態(tài)聚合算法可在對數(shù)據(jù)中心內虛擬機進行高效計算資源聚合的同時，盡最大的可能避免數(shù)據(jù)中心內出現(xiàn)流量擁塞。仿真結果表明，本發(fā)明提出的算法可在計算資源聚合效率明顯優(yōu)于已有算法的基礎上，取得與已有算法持平的平均狀態(tài)下網絡帶寬優(yōu)化效果，以及明顯優(yōu)于已有算法的最差狀態(tài)下網絡帶寬優(yōu)化效果。

附圖說明

圖1是等效虛擬機動態(tài)聚合示意圖；

圖2是等效虛擬機完成計算資源聚合后的效果示意圖；

圖3是本發(fā)明的算法與已有算法計算產生的全局流量代價之比仿真圖。

具體實施方式

下面結合附圖對本發(fā)明進行詳細說明。

如圖1所示，本發(fā)明采用了多級虛擬機動態(tài)聚合算法，將按照預留資源量分為大中小型的三種初始虛擬機經過分段性動態(tài)迭代裝箱過程，盡可能地將不同預留資源量的初始虛擬機都聚合成為大型的等效虛擬機。

前述等效虛擬機即是如圖1所示的初始虛擬機的聚團。這種聚團并非是將幾個相同預留資源等級的初始虛擬機真正合并為一個虛擬機，而是在預測各初始虛擬機未來特定時段資源利用率的基礎上進行虛擬機資源利用量疊加測試。如果兩個初始虛擬機的資源利用量疊加后的峰值仍未超過對該型號初始虛擬機的預留資源值，則可將這兩個初始虛擬機視為一個資源預留意義上的等效虛擬機。通過將兩個虛擬機聚團后邏輯綁定在一起進行后續(xù)操作，可以只需一個初始虛擬機的預留資源量就能支持當前的兩個初始虛擬機運作。因此，不同資源預留型號的初始虛擬機通過自下而上的分段動態(tài)聚合過程，基本聚合成為大型的等效虛擬機。

因此，本發(fā)明提出的iaas數(shù)據(jù)中心內流量帶寬可約束的虛擬機動態(tài)聚合方法在進行網絡帶寬資源優(yōu)化之前，已經充分地利用計算資源的零和特性完成了計算資源聚合。這些聚合而成的等效虛擬機(即特定初始虛擬機綁定而成的虛擬機聚團)無論在數(shù)據(jù)中心內部如何調遣，其已經匹配互補好的計算資源不會發(fā)生改變。因此，本發(fā)明的算法架構就滿足了計算資源高效聚合與網絡資源優(yōu)化兼顧，并且以計算資源高效聚合為主的算法目標。

針對現(xiàn)有算法對網絡資源進行優(yōu)化時，虛擬機聚類的啟發(fā)式模型中有效參數(shù)過少，并不能真正反映各虛擬機真正具有的參數(shù)轉發(fā)代價的問題，本發(fā)明提出將基于流量度和權重最大流量比率(dwmtr)參數(shù)作為網絡優(yōu)化第一階段的啟發(fā)式聚團參數(shù)。使用該參數(shù)完成第一階段的聚團后，得到的流量布局明顯優(yōu)于現(xiàn)有算法。具體的原理和參數(shù)說明將在下面的分步驟詳述中加以說明。

具體地，本發(fā)明iaas數(shù)據(jù)中心內流量帶寬可約束的虛擬機動態(tài)聚合方法包括以下步驟：

步驟s1：采用多級虛擬機動態(tài)聚合算法對初始狀態(tài)虛擬機針對計算資源進行多級聚合，聚合完成后，初始狀態(tài)的虛擬機全部被聚合后的等效虛擬機取代。該步驟操作完成后，得到的等效虛擬機具有如圖2所示的效果。在該狀態(tài)下，等效虛擬機的資源利用量在一個時間段的峰值-均值差因幾個特定初始虛擬機的互補匹配縮減到給定閾值以下。則在這種狀態(tài)下可以將等效虛擬機的峰值資源利用量作為虛擬機的資源需求量，而不必擔心資源浪費。步驟s1的初始虛擬機聚合同時會對初始虛擬機的網絡交互流量情況產生影響。因此在步驟s1完成操作后，需對等效虛擬機的網絡交互流量進行合并更新。交互流量更新的方法如下：假如等效虛擬機a*中的初始虛擬機a與初始虛擬機b具有與如表1所示的交互流量表:

表1

步驟s2：令單位流量經過的各層交換機的代價系數(shù)為c^l。其中，核心層交換機對于c¹，匯聚層交換機對應于c²，接入層交換機對應于c³。根據(jù)采用三層網絡架構的數(shù)據(jù)中心實際的交互流量數(shù)值及擁塞的概率，將三種代價系數(shù)的值設定為：

步驟s3：其中c¹類代價系數(shù)較小，稱為聚團內交互流量(internal-clusterinteractivetraffic，icit)。算法目標是將系統(tǒng)內的交互流量盡可能多地轉換為icit。而c³類代價系數(shù)較大，稱為聚團外交互流量(external-clusterinteractivetraffic，ecit)。算法目標是將系統(tǒng)內的交互流量盡可能少地保留在ecit狀態(tài)。

步驟s4：定義一個虛擬機的c¹、c²和c³類交互流量數(shù)值，分別命名為和由于c²類流量在步驟s3的定義中既不歸屬于icit類，也不歸屬于ecit類。因此，為了后續(xù)的計算方便，需要設定流量轉換系數(shù)。令轉換系數(shù)β代表將c²類流量轉換為c¹類流量的流量轉換系數(shù)，而和γ代表c²類流量轉換為c³類流量的流量轉換系數(shù)。則系統(tǒng)的總代價可以表示為：

其中，表達式代表轉換后的icit類流量，而表達式代表轉換后的ecit類流量。根據(jù)本發(fā)明設計的模型易知，這個比例越大越接近于本發(fā)明需要的理想流量布局狀態(tài)。

步驟s5：使用全局流量模型描述初始虛擬機i和j之間的交互流量tij。該模型使用以下公式進行描述，其中參數(shù)被設定為μ＝1和δ＝0.25。在該參數(shù)設定下，模型可以在所有的虛擬機之間提供一定的流量不均勻度，從而更好地反映真實數(shù)據(jù)中心中的交互流量分布情況。

而在初始虛擬機進行步驟s1的動態(tài)聚合后，等效虛擬機的交互流量分布情況按照表1的規(guī)則進行更新修正。

步驟s6：假設任意等效虛擬機vmi擁有p個交互流量，收集并降序排列這些輸出流量，我們可以得到一個p位的序列{ot1,ot2,ot3,…otp_1,otp}。本發(fā)明的流量模型滿足非均勻流量矩陣模型，因此每個vmi擁有不同的均值和方差。對于同一個交互流量序列，連續(xù)的兩個流量差(otq_1-otq)和(otq-otq+1)是不均勻和無序的。因此，研究基于流量度的平均流量是沒有意義的。但是流量度仍是一個重要的值。假設虛擬機中前q位流量之和滿足公式(4)，則可以稱虛擬機vmi的流量度為q。

假如等效虛擬機vmi的流量度可記為di，則可以證明當滿足條件di>dj時，vmi是比vmj更好的選擇。

假設系統(tǒng)內存在n個等效虛擬機，其中w個等效虛擬機已經被放置到合適的位置。并且除了兩個虛擬機的流量度呈現(xiàn)di>dj以外，vmi和vmj其它的參數(shù)都是相同的。而且vmi和vmj之間并不存在交互流量，則可以推導出公式(5)。在公式(5)中，符號systemi指系統(tǒng)當前的候選等效虛擬機為vmi。

為了證明這個結論，可以利用vmi和vmj的未放置流量度和(supd)進行驗證。假設系統(tǒng)在某個時刻可以在等效虛擬機群vmi和vmj間二選一進行放置。其中，vmi和vmj除了流量度有差異外，其余參數(shù)完全相同。則分別選擇vmi和vmj進行放置時，系統(tǒng)內可能具有的未放置總流量度可表示為公式(6):

在公式(6)中，函數(shù)代表在系統(tǒng)狀態(tài)為systemi時剩余未放置的虛擬機的總數(shù)。則基于公式(6)，我們可以進一步地推出公式(7)

由上式可以看出，如果總是選擇流量度最大的虛擬機參與聚合，則能保證該虛擬機的未放置流量度和(supd)趨于最小化。因此，當算法迭代執(zhí)行這個最大流量度選擇過程時，會導致剩余度的總量不斷地下降。

步驟s7：根據(jù)步驟s4的推定，可以設定一個初步的啟發(fā)式公式：

其中，系數(shù)稱為一個等效虛擬機的加權流比例。而符號定義為交互流量的等級，其定義如公式(9)所示。在公式(9)中，函數(shù)outtraffic_vmi定義為vmi交互的總流量，符號c定義為系統(tǒng)中單個虛擬機具有的最大交互流量。

步驟s8：根據(jù)步驟6與步驟7的結論，可以得出應用于等效虛擬機第一階段三級聚團操作的啟發(fā)式參數(shù):基于流量度和權重最大流量比率(weightedbasedmaximumtrafficratiobasedondegree,dwmtr)。其定義如公式(10)

因此，第一階段首級聚團的操作如表2所示：

表2

次級聚團操作與第三級聚團操作可執(zhí)行與表2類似的算法流程。

步驟s9：第一階段聚團操作完成后，算法還需要進行第二階段的等效虛擬機位置調整，以便進一步減小全局總交互流量代價。第二階段的操作如表3所示：

表3

圖3是本發(fā)明的算法與已有算法計算產生的全局流量代價之比仿真圖。在該實施例中，隨機生成了100組隨機的仿真假設條件，這些仿真條件都滿足算法仿真開始時所做的假設約束。這100組仿真條件分別使用了本發(fā)明中提出算法與已有算法進行計算最終產生的全局流量代價。在相同初始條件下，本發(fā)明提出算法生成的全局流量代價分布在已有算法生成的全局流量代價73％到97％的區(qū)間中，本發(fā)明提出算法的流量代價平均只有已有算法生成流量代價的84.5％。因此，該仿真證實了本發(fā)明算法在計算資源聚合完全優(yōu)于已有算法的基礎上，網絡流量優(yōu)化后的全局交互流量性能代價上限略優(yōu)于現(xiàn)有算法的性能上限，而性能下限明顯優(yōu)于已有算法的性能下限。

本發(fā)明提出的iaas數(shù)據(jù)中心內流量帶寬可約束的虛擬機動態(tài)聚合方法能夠較好地平衡計算資源和網絡資源的性能需求，在促進數(shù)據(jù)中心的資源利用效率方面具有明顯的優(yōu)勢。

需要注意的是，上述具體實施例是示例性的，本領域技術人員可以在本發(fā)明公開內容的啟發(fā)下想出各種解決方案，而這些解決方案也都屬于本發(fā)明的公開范圍并落入本發(fā)明的保護范圍之內。本領域技術人員應該明白，本發(fā)明說明書及其附圖均為說明性而并非構成對權利要求的限制。本發(fā)明的保護范圍由權利要求及其等同物限定。