一种面向多云管理场景的云资源最优分配方法组成比例

本发明专利技术涉及一种面向多云管理场景的云资源最优分配方法，属于计算机领域。本发明专利技术建立了资源均衡分布的资源分配模型，通过粒子群优化算法求解资源分配最佳方案，能够充分发挥服务器集群资源的最大价值，使多种类型服务器资源均衡使用，避免了单台服务器负荷太重导致的服务器损坏和业务系统性能降低等问题。本发明专利技术能够有效提升在多云环境下，资源分配的合理性，以及多云整体性能。以及多云整体性能。以及多云整体性能。

【技术实现步骤摘要】
一种面向多云管理场景的云资源最优分配方法


[0001]本专利技术属于计算机领域，具体涉及一种面向多云管理场景的云资源最优分配方法。

技术介绍

[0002]自云计算概念提出后，云计算的发展主要经历了三个阶段，初级阶段中以虚拟化技术为基石，表现为基础设施与服务资源虚拟化，第二阶段中以软件定义服务为目标，提出了软件定义网络以及软件定义存储等技术，目前正在步入由混合异构的多种私有云形成的全面多云阶段，多云管理模式已经成为云计算发展的重要阶段。部署多个虚拟私有云，组建多个弹性集群，实现大规模计算已经是业界常态化场景，多云环境已经成为云计算的重要形态，可满足多云管理需求。
[0003]多云管理平台是指可以同时包含多个公有云、私有云、混合云及各种异构服务器资源的统一管理平台。平台能够以在线自动化方式提供应用运行服务及全生命周期管理；整合运维支撑工具，提供多云环境下的运维、管控、运营服务等。相较于单一云服务架构，避免了云平台面临的服务面窄、布局呆板、不灵活、容错性、可靠性差等问题。基于多云架构的云管平台既能很好地利用已有的专有云资源，又能集成第三方云服务并避免厂商锁定，还能根据业务特点动态调整多云部署策略，提供标准化服务。
[0004]多云环境下，如何分配各私有云、专有云的虚拟资源，使得资源利用率最大化，充分发挥多云的优势，是多云管理场景下必须解决的重难点问题。

技术实现思路

[0005]（一）要解决的技术问题本专利技术要解决的技术问题是如何提供一种面向多云管理场景的云资源最优分配方法，以解决如何分配各私有云、专有云的虚拟资源，使得资源利用率最大化的问题。
[0006]（二）技术方案为了解决上述技术问题，本专利技术提出一种面向多云管理场景的云资源最优分配方法，该方法包括如下步骤：S1、系统收到虚拟机资源请求，该请求直接传递给资源分配模型；S2、资源分配模型受到资源请求后，向实时监控模块发出采集数据申请，由实时监控模块采集当前时间各服务器集群在各维度资源上的使用情况，维度包括CPU、内存、磁盘和运行时间，并将该信息发送给资源分配模型；S3、资源分配模型依据虚拟机资源申请量和集群资源的实时使用情况，采用粒子群优化算法进行资源分配方案的求解计算，得出最优资源分配方案。
[0007]进一步地，资源分配模型具体描述如下：有n个体积不同的虚拟机V
ik
，0<=i<=n，m个容量不同的服务器P
jk
，1<=j<=m，目标是用m个服务器的资源占用率η
jk
两两差值的平方和最小，如式（1）所示，从而实现虚拟机所占资源在各个异构服务器上的均匀分配；
目标函数为：其中：其中：约束条件：约束条件：其中k表示资源类型的维度，分别代表CPU、内存、磁盘和持续运行时间；式（2）中U
jk
表示当前服务器j在k维使用的资源量，R
jk
表示虚拟机在服务器j上的第k维资源新申请量；式（3）中V
ik
表示虚拟机i各个维度的资源数值的向量，x
ij
表示虚拟机i是否部署在服务器j上的决策变量；式（4）中C
j
表示第j台服务器可使用资源所占服务器总容量的比例。
[0008]进一步地，C
j
定为80%，即单台服务器最大可使用资源不能超过服务器总资源的80%。
[0009]进一步地，所述S3中粒子群优化算法的求解步骤如下：S31、随机对种群各粒子位置和速度进行初始化，并采用粒子群优化算法获取粒子的位置向量；S32、根据当前粒子所处的位置信息，计算式（1）；S33、重复迭代，更新粒子速度和位置，计算式（1）；S34、当到达迭代次数阈值后，找到式（1）的最小值，此时各粒子的最优位置向量即为最终的虚拟机放置方案。
[0010]进一步地，所述粒子群优化算法中，假设一个m*n维的搜索空间和一个包含N个粒子的粒子群在其约束条件下搜寻全局最优解，每个粒子包含3个m*n维向量的信息，分别是速度向量S
µ
(i)={S
i1
,S
i2
,
…
,S
im
}，位置向量L
µ
(i)={L
i1
,L
i2
,
…
,L
im
}，和个体最优位置向量G
µ
(i)={G
i1
,G
i2
,
…
,G
im
}，其中i∈(1,n)；种群中使全局最优的粒子群位置向量，表示为G
’
µ
(i)={G
’
i1
,G
’
i2
,
…
,G
’
im
}。
[0011]进一步地，速度向量代表了粒子在各个维度上经过的距离，个体最优位置向量是
各个粒子各自到达过的最佳位置。
[0012]进一步地，约束条件为：每个寻优问题的解被称为“粒子”，所有粒子都在一个m*n维空间内进行搜索；每一个粒子都有记忆功能，能记住它经过的最佳位置；每一个粒子有一个速度以决定其移动的距离和方向。
[0013]进一步地，在连续的搜索空间中，一个位置向量的每个维度对应于一个虚拟机i的决策变量x
ij
的一个值，每个粒子的位置对应于问题的一个潜在解，过把L
µ
中的各个值代入到式（1）中进行计算获得F。
[0014]进一步地，一个粒子的状态由其位置和速度两个因素表征，其更新规则分别由以下两个公式表示：其中，e表示迭代的次数；
µ
为种群中的第
µ
个粒子；ω是惯性权重，表示粒子受自身影响的程度，它能够调整粒子的飞行速度，从而使粒子趋于收敛；c1和c2为学习因子，分别表示粒子受个体经验和种群经验的影响程度；r1和r2是(0,1)范围内的随机数；G
µ
e
表示第
µ
个粒子的个体最优位置，G
’µ
e
表示粒子种群的全局最优位置；L
µ
e
表示第
µ
个粒子在第e次迭代的位置。
[0015]进一步地，迭代次数阈值为1000。
[0016]（三）有益效果本专利技术提出一种面向多云管理场景的云资源最优分配方法，本专利技术设计的多云环境下资源分配方法，通过公式（1）
‑
（5）的资源分配模型将资源分配问题抽象为多维装箱问题，通过粒子群优化算法对资源分配初步方案进行求解，得到资源分配的最终方案，能够有效提升在多云环境下，资源分配的合理性，以及多云整体性能。
附图说明
[0017]图1为本专利技术的工作流程图；图2为基于粒子群优化算法求解资源分配方案流程图。
具体实施方式
[0018]为使本专利技术的目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向多云管理场景的云资源最优分配方法，其特征在于，该方法包括如下步骤：S1、系统收到虚拟机资源请求，该请求直接传递给资源分配模型；S2、资源分配模型受到资源请求后，向实时监控模块发出采集数据申请，由实时监控模块采集当前时间各服务器集群在各维度资源上的使用情况，维度包括CPU、内存、磁盘和运行时间，并将该信息发送给资源分配模型；S3、资源分配模型依据虚拟机资源申请量和集群资源的实时使用情况，采用粒子群优化算法进行资源分配方案的求解计算，得出最优资源分配方案。2.如权利要求1所述的面向多云管理场景的云资源最优分配方法，其特征在于，资源分配模型具体描述如下：有n个体积不同的虚拟机V
ik
，0<=i<=n，m个容量不同的服务器P
jk
，1<=j<=m，目标是用m个服务器的资源占用率η
jk
两两差值的平方和最小，如式（1）所示，从而实现虚拟机所占资源在各个异构服务器上的均匀分配；目标函数为：其中：其中：约束条件：约束条件：其中k表示资源类型的维度，分别代表CPU、内存、磁盘和持续运行时间；式（2）中U
jk
表示当前服务器j在k维使用的资源量，R
jk
表示虚拟机在服务器j上的第k维资源新申请量；式（3）中V
ik
表示虚拟机i各个维度的资源数值的向量，x
ij
表示虚拟机i是否部署在服务器j上的决策变量；式（4）中C
j
表示第j台服务器可使用资源所占服务器总容量的比例。3.如权利要求2所述的面向多云管理场景的云资源最优分配方法，其特征在于，C
j
定为80%，即单台服务器最大可使用资源不能超过服务器总资源的80%。4.如权利要求2或3所述的面向多云管理场景的云资源最优分配方法，其特征在于，所述S3中粒子群优化算法的求解步骤如下：
S31、随机对种群各粒子位置和速度进行初始化，并采用粒子群优化算法获取粒子的位置向量；S32、根据当前粒子所处的位置信息，计算式（1）；S33、重复迭代，更新粒子速度和位置，计算式（1）；S34、当到达迭代次数阈值后，找到式（1）的最小值，此时各粒子的最优位置向量即为最终的虚拟机放置方案。5.如权利要求4所述的面向多云管理场景的云资源最优分配方法，其特征在于，所述粒子群优化算法中，假设一个m*n维的搜索空间和一个包含N个粒子的粒子群在其约束条件下搜寻全局最优解，每个粒子包含3个m*n维向量的信息，分别是速度向量S
µ
(i)={S
i1
,S

【专利技术属性】
技术研发人员：杨飞，许健，丁晓东，吴江，霍晓昕，平笑柔，陈娜，苏醒，
申请(专利权)人：北京计算机技术及应用研究所，
类型：发明
国别省市：