云的环境下虚拟机动态迁移触发的策略分析.docVIP

云的环境下虚拟机动态迁移触发的策略分析 　　摘 要 　　在云计算环境下的虚拟机动态迁移过程中，针对基于特点闭值的虚拟机动态迁移的触发策略，提出基于历史数据采用时序预测技术的双阈值触发策略（DTS算法），避开瞬间峰值引发迁移造成能耗和迁移次数增加。本文利用cloudsim云平台仿真软件完成实验，将本文的触发策略与单阈值ST算法、DT算法的实验结果相对比，证明了本文的触发策略减少了迁移次数和节约了能耗。 　　【关键词】云计算 虚拟机 迁移触发策略 　　1 云计算现状 　　云计算是通过云方式对于网络中相关的不同资源进行描述，对于网络计算、存储相关信息服务设施，通过相应的操作方式、平台等软件，对于相应的设施细节进行屏蔽，只获得所需要的信息。它与其他计算所不同的特点有：超大规模、虚拟化、高可靠性、通用性、高可扩展性、按需服务、廉价七大特点。 　　虚拟化程度的提升是云计算伸缩性实现的关键，同时也是虚拟机适时发生动态迁移基础。虚拟技术是云计算和虚拟化融合切点，这其中虚拟机是动态迁移基本点。虚拟机在进行动态迁移时候需要云计算所具备的优良特性：动态透明迁移、负载均衡能够通过虚拟机很好地实现，这样可以保证不是一台机器在进行超负荷的运行，而另一台确实资源浪费、进行虚拟机的迁移主要是为了保证其服务质量以及服务的特殊性、原本机器的配置能够同虚拟机进行设计。 　　2 基于时序预测的双阈值迁移触发策略 　　2.1 虚拟机动态迁移触发时机分析 　　触发策略即选择何时进行虚拟机迁移，它指根据宿主机的CPU利用率，判断是否需要将该宿主机上的虚拟机迁移到其他宿主机上。 　　当主机负载大于CPU利用率较大的阈值时，计算它未来的n个负载值，如果在未来的n个负载值中有不少于m个的值也大于阈值，并且它的n个负载预测值加权平均值均大于阈值的情况下才触发迁移。由于CPU利用率的瞬时震荡性，某个CPU利用率的瞬时峰值和谷值都会导致不必要的虚拟机迁移，预测技术的使用可以防止这种状况的发生。 　　除了判断当前时刻开始的n个负载值中是否有m个大于阈值外，还对n个负载值加权平均值与阈值进行了比较。这个限制条件进一步避免一个负载呈下降趋势的宿主机触发无效的虚拟机迁移。 　　上述的分析情形可用如图1流程图示意。 　　2.2 基于时序预测的双阈值触发策略设计 　　2.2.1 模型说明 　　始终令表示虚拟机运行的时间序列，令代表白噪声序列，即一列均值为0的独立同分布的随机变量，令。此时，滑动平均过程记为： 　　称该方程为q阶滑动平均过程，简记为。 　　从的表达式可以看出，只需增加一个新的变量et+1，同时将ei的系数滑动至 ，ei+1即可变为yt+1。显然，yt与临近k项Y值的联系由两者间公有项决定，并不那么直接。为了描述更紧密的联系，给出一般的自回归过程。 　　自回归过程用自身变量作为回归变量。p阶自回归过程满足方程： 　　记为。 　　如果假定序列中部分是自回归，部分是滑动平均，可以得到一个相当普遍的适用模型。一般来说，如果： 　　则称为自回归滑动平均混合过程，阶数分别为p和q，记为。在平稳性条件得到满足的情况下，对模型，其自相关函数是确定模型阶数p和q的重要依据。由于其数值计算算法较为复杂，并且在主流数学软件中均有固定模块进行计算，故在此略过。 　　2.2.2 模式识别与模型诊断 　　首先通过差分平稳化确保其为平稳序列。Levinson（1947）和Durbin（1960）分别给出了确定AR（P）和MA（q）的有效方法，提出了如下判断依据：如果滞后p阶截尾，而拖尾，则需要采用AR模型，阶数为P；如果滞后 q阶截尾，而拖尾，则需要采用MA模型，阶数为q。 　　本文使用最小二乘估计的方法进行参数估计，通过检验残差项的同方差性、正态性和独立性等统计性质，可以考察参数估计是否准确。令残差=实际值-预测值，由随机过程的相关知识可知，如果待分析序列的对应模型的阶数p，q被正确地识别，参数被正确地估计，那么残差就应该近似具有白噪声的性质。 　　2.2.3 预测 　　基于时间序列的历史数据，即，分别表示1，2，...t时刻，监测到的某虚拟机的负载值，预测未来t+1时刻的该虚拟机的负载值，称时间t为预测起点，l为预置时间长度。由统计学知识可知，按照预测均方误差最小的准则，在已知变量x的情况下，对 的最佳预测是Y对x的条件期望：。在已知条件中，虚拟机负载值的最优预测（即满足最小均方差准则）的预测表达式为： 　　使用模型进行虚拟机负载值预测的递归表达式如下： 　　其中： 　　对于j0，是真实的预测值，而对于 ，；也即预置时间长度值为正，则结果值即为负载值的预测结果值，反之，则为样本负载值的真实值，不为预测值。 　　下面以为例，。而观察值落入预测范围以