本申请涉及计算机领域，提出一种虚拟机在线迁移方法、装置、设备及介质。方法包括：获取源主机、目标主机及待迁移虚拟机的在线迁移特性，构建特征向量；将所述特征向量输入训练好的虚拟机在线迁移预测模型，得到虚拟机在线迁移的预测数据，所述预测数据包括迁移完成时间、传输的数据量、虚拟机停机时间、虚拟机性能下降；根据所述预测数据选择迁移算法；根据选择的迁移算法执行虚拟机在线迁移。本申请中设计了一些用于精确建模目标度量的重要输入参数，并以较小的开销提供这些参数。根据预测的迁移开销及服务等级协议的约束，选择相对最优的迁移策略。在服务器维护、负载均衡、电源管理等应用场景中，提升迁移成功率和迁移效率。提升迁移成功率和迁移效率。提升迁移成功率和迁移效率。
【技术实现步骤摘要】
一种虚拟机在线迁移方法及装置
[0001]本申请涉及数据迁移的
，尤其涉及一种虚拟机在线迁移方法、装置、计算机设备和存储介质。
技术介绍
[0002]迁移是指将虚拟机从一个主机或存储位置移至另一个主机或存储位置的过程。复制虚拟机是指创建新的虚拟机，并不是迁移形式。冷迁移是对已关闭电源或挂起的虚拟机进行迁移；可以将虚拟机磁盘文件迁移到另一个主机磁盘上，也可以迁移到共享存储上；可以使用冷迁移将虚拟机从一个数据中心移至另一个数据中心。
[0003]目前，通过虚拟机在线迁移技术，也可以称为热迁移(Live Migraton)技术，可以将承担基带信号处理的载波从源物理服务器在线迁移到目标物理服务器上，就可以方便地对源物理服务器进行检修或升级等维护操作，或者将其关电以达到节能减排的效果。根据您使用的迁移类型是vMotion(计算资源迁移)还是Storage vMotion(存储资源迁移)，可以将已打开电源的虚拟机移至其他主机，或者将其磁盘或文件夹移至其他数据存储，而不破坏虚拟机的可用性。
[0004]不同迁移方案各有利弊，如预复制迁移鲁棒性强，但在虚拟机产生内存脏页速率高于可用网络带宽则迁移永远无法收敛；后复制迁移能保证收敛，但容错性差，恢复阶段内存错误会给虚拟机带来性能损失；数据压缩能对内存页压缩减少数据传输量，但需要大量额外计算资源，在主机CPU利用率过高时并不适用；虚拟机CPU节流技术能降低内存脏率，但会显著降低虚拟机工作负载。因此，根据当前主机和虚拟机的一些特性，选择合适的迁移策略是亟待解决的技术问题。
技术实现思路
[0005]本申请提出了一种基于自适应机器学习的模型，该模型能够根据迁移算法和虚拟机内运行的工作负载高精度预测实时迁移的关键特征。基于以上目的，本申请的实施例的一个方面提供了一种虚拟机在线迁移方法，所述方法包括以下步骤：获取源主机、目标主机及待迁移虚拟机的在线迁移特性，构建特征向量；将所述特征向量输入训练好的虚拟机在线迁移预测模型，得到虚拟机在线迁移的预测数据，所述预测数据包括迁移完成时间、传输的数据量、虚拟机停机时间、虚拟机性能下降；根据所述预测数据选择迁移算法；根据选择的迁移算法执行虚拟机在线迁移。
[0006]在一些实施例中，所述在线迁移特性包括：源主机的IPS、PTR、CPU.UTIL，目标主机的DST.CPU，虚拟机的VM.Size、PDR。
[0007]在一些实施例中，所述虚拟机在线迁移预测模型包括多个基本SVR模型，所述基本SVR模型包括postcopy模型、precopy模型、precopy+cpu throttling模型、precopy+compression模型、precopy+cpu throttling+compression模型，所述基本SVR模型使用Bagging算法进行融合。
[0008]在一些实施例中，所述迁移算法为SLA约束算法。
[0009]在一些实施例中，所述迁移算法为与SLA约束误差最小的算法。
[0010]在一些实施例中，所述迁移算法为完整性约束算法。
[0011]在一些实施例中，所述根据选择的迁移算法执行虚拟机在线迁移的过程中，所述源主机及所述目标主机的内存、CPU和网络带宽资源使用率都不超过设定的阈值。
[0012]本申请实施例的另一个方面，还提供一种虚拟机在线迁移装置，所述装置包括：包括：数据采集模块，用于获取源主机、目标主机及待迁移虚拟机的在线迁移特性，构建特征向量；迁移预测模块，用于所述特征向量输入训练好的虚拟机在线迁移预测模型，得到虚拟机在线迁移的预测数据，所述预测数据包括迁移完成时间、传输的数据量、虚拟机停机时间、虚拟机性能下降；迁移执行模块，用于根据所述预测数据选择迁移算法，并根据选择的迁移算法执行虚拟机在线迁移。
[0013]本申请实施例的另一方面，还提供一种计算机设备，包括至少一个处理器；以及存储器，存储器存储有可在处理器上运行的计算机指令，指令由处理器执行时实现上述任一方法的步骤。
[0014]本申请实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时实现如上任一方法步骤的计算机程序。
[0015]由此可见，本申请提出一种虚拟机在线迁移方法、装置、设备及介质，其中，本申请提出的一种虚拟机在线迁移方法，包括：获取源主机、目标主机及待迁移虚拟机的在线迁移特性，构建特征向量；将所述特征向量输入训练好的虚拟机在线迁移预测模型，得到虚拟机在线迁移的预测数据，所述预测数据包括迁移完成时间、传输的数据量、虚拟机停机时间、虚拟机性能下降；根据所述预测数据选择迁移算法；根据选择的迁移算法执行虚拟机在线迁移。本申请中设计了一些用于精确建模目标度量的重要输入参数，并以较小的开销提供这些参数。根据预测的迁移开销及服务等级协议的约束，选择相对最优的迁移策略。在服务器维护、负载均衡、电源管理等应用场景中，提升迁移成功率和迁移效率。
附图说明
[0016]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的实施例。
[0017]图1为本申请一些实施例中的虚拟机在线迁移模型结构图；
[0018]图2为本申请一些实施例中的虚拟机在线迁移特性示意图；
[0019]图3为本申请一些实施例中的虚拟机在线迁移方法的流程图；
[0020]图4为本申请提供的一种虚拟机在线迁移装置的示意图；
[0021]图5专利技术提供的一种计算机设备的实施例的示意图；
[0022]图6专利技术提供的一种计算机可读存储介质的实施例的示意图。
具体实施方式
[0023]以下描述了本申请的实施例。然而，应该理解，所公开的实施例仅仅是示例，并且
其它实施例可以采取各种替代形式。
[0024]此外，需要说明的是，本申请实施例中所有使用术语“包括”、“包含”或其任何其它变形旨在涵盖非排他性的包括，以使包含一系列要素的过程、方法、物品或装置不仅包括那些要素，也可以包括未明确列出的或这些过程、方法、物品或装置所固有的要素。
[0025]下面将结合附图说明本申请的一个或多个实施例。
[0026]图3为本申请一些实施例中的虚拟机在线迁移方法的流程图。如图3所示，本申请实施例的一种虚拟机在线迁移方法包括以下步骤：
[0027]步骤一、收集主机及待迁移虚拟机特性。
[0028]首先，分析影响在线迁移性能的的主要因素。显然，影响在虚拟机在线迁移性能的主要因素包括源主机、目的主机、虚拟机的在线迁移特性。图2列出了本申请中用于影响虚拟机在线迁移性能的主要特征，如图2所示，如源主机的IPS(每秒失效的指令数)、PTR(网络带宽)、CPU.UTIL(CPU使用率)等，目标主机的DST.CPU(CPU核心使本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种虚拟机在线迁移方法，其特征在于，包括：获取源主机、目标主机及待迁移虚拟机的在线迁移特性，构建特征向量；将所述特征向量输入训练好的虚拟机在线迁移预测模型，得到虚拟机在线迁移的预测数据，所述预测数据包括迁移完成时间、传输的数据量、虚拟机停机时间、虚拟机性能下降；根据所述预测数据选择迁移算法；根据选择的迁移算法执行虚拟机在线迁移。2.根据权利要求1所述的方法，其特征在于，所述在线迁移特性包括：源主机的I PS、PTR、CPU.UTIL，目标主机的DST.CPU，虚拟机的VM.Size、PDR。3.根据权利要求1所述的方法，其特征在于，所述虚拟机在线迁移预测模型包括多个基本SVR模型，所述基本SVR模型包括postcopy模型、precopy模型、precopy+cpu throttling模型、precopy+compression模型、precopy+cpu throttling+compression模型，所述基本SVR模型使用Bagging算法进行融合。4.根据权利要求3所述的方法，其特征在于，所述迁移算法为SLA约束算法。5.根据权利要求3所述的方法，其特征在于，所述迁移算法为与SLA约束误差最小的算法。6...
【专利技术属性】
技术研发人员：刘嫣然，陈相如，常利民，
申请(专利权)人：中电信数智科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。