【技术实现步骤摘要】
本专利技术涉及互联网云计算领域的应用，具体涉及一种基于预测的多目标虚拟机整合方法。
技术介绍
1、虚拟机(virtual machine,vm)整合旨在在最少数量的物理机(physicalmachine,pm)上运行vm。vm整合可以显著降低应用程序中的能耗、提高应用的服务质量(quality of service,qos)和系统的资源利用率。然而，云上的负载是不稳定的、高度可变的，如果以负载的当前状态进行vm整合，整合结果可能很快就失效。基于利用率预测的vm整合使整合决策具有时效性，从而更好地优化系统和应用的性能目标。另一方面，数据中心的服务提供商(service provider,sp)和不同用户可能有着不同的利益，因此在进行vm整合时，需要同时对多个不同的目标进行优化。一些研究方法试图预测云环境的资源需求。[1]使用灰色(gray)模型预测主机的cpu和内存使用，灰色模型不需要大量的训练数据。然而，它无法保证对频繁波动的工作负载进行准确预测。[2]利用基于灰色马尔可夫(gray-markov,g-m)的模型预测资源的未来使用。[3]使用离散时间马尔可夫链(discrete-timemarkov chain,dtmc)模型来预测未来的资源使用情况。它提出了一种多目标vm放置方法，通过利用基于ε-优势的多目标人工蜂群(ε-moabc)算法来搜索vm放置问题的最优解。还有一些研究使用机器学习(machine learning,ml)技术来预测资源使用情况。[4]提出了云数据中心中的主机状态朴素贝叶斯预测(host states
2、本专利技术提出了一种基于预测的多目标vm整合方法，该方法使用一种auto-regressive integrated moving average(arima)和svr混合的方法对vm未来的资源使用情况进行预测，然后基于预测值进行vm整合。该方法能够准确预测vm未来的资源使用，还能同时最小化能耗、性能下降、迁移成本和资源浪费，这使得本专利技术提出的vm整合方法具有良好时效性和实际应用价值；
3、参考文献
4、[1]j.jheng,f.tseng,h.chao,li-der chou,“a novel vm workload predictionusing greyforecasting model in cloud data center”,presented at the2014int.conf.inf.net.,phuket,
5、th,feb.10-12,2014.
6、[2]sun-yuan hsieh et al.,“utilization-prediction-aware virtualmachine consolidation approachfor energy-efficient cloud data centers”,jparallel distr com,vol.139,pp.99-109,
7、may.2020.doi:10.1016/j.jpdc.2019.12.014.
8、[3]monireh h.sayadnavard et al.,“a multi-objective approach forenergy-efficientand reliabledynamic vm consolidation in cloud data centers”,eng sci technol,vol.26,feb.2021.
9、doi:10.1016/j.jestch.2021.04.014.
10、[4]li l,dong j,zuo d,liu j,“sla-aware and energy-efficient vmconsolidation in clouddata centers using host states naive bayesianprediction model”,presented at the 2018
11、ieee.int.conf.ubiq.comp.,melbourne,vc,aus,dec.11-13,2018.
12、[5]calheiros r n et al.,“workload prediction using arima model andits impact on cloudapplications'qos”,ieee t cloud comput,vol.3,no.4,pp.449-458 aug.2015.
13、doi:10.1109/tcc.2014.2350475.
14、[6]f.farahnakian,p.liljeberg,j.plosila,“lircup:linear regressionbased cpu usage predictionalgorithm for live migration ofvirtual machines indata centers”,presented at the 2013 euro.
15、conf.soft.eng.adv.appl.,santander,cantabria,es,sep.4-6,2013.
16、[7]farahnakian,f.et al.,“using ant colony syste本文档来自技高网...
【技术保护点】
1.一种基于预测的多目标的虚拟机整合方法，包含以下步骤：
2.根据权利要求1所述的基于预测的多目标的虚拟机整合方法，其特征在于，所述步骤2.2、2.3和2.9中的ARIMA模型的表示为:yt＝α0+β1yt-1+β2yt-2+…+βpyt-p+∈t-α1∈t-1-α2∈t-2-…-αq∈t-q，其中，βi(i＝1,2,…,p)是滞后p时的AR系数，αi(i＝0,1,…,q)是滞后q时的MA系数,∈t是周期t的预测误差,yt是实际值，整数p和q是模型的阶数。
3.根据权利要求1所述的多目标的虚拟机整合方法，其特征在于，所述步骤2.4-2.7中的SVR模型表示为：其中，和αi是拉格朗日乘子，k(x,xi)是核函数，b是一个偏差。
4.根据权利要求1所述的基于预测的多目标的虚拟机整合方法，其特征在于，所述步骤2.6)中的SMO表示为：
【技术特征摘要】
1.一种基于预测的多目标的虚拟机整合方法，包含以下步骤：
2.根据权利要求1所述的基于预测的多目标的虚拟机整合方法，其特征在于，所述步骤2.2、2.3和2.9中的arima模型的表示为:yt＝α0+β1yt-1+β2yt-2+…+βpyt-p+∈t-α1∈t-1-α2∈t-2-…-αq∈t-q，其中，βi(i＝1,2,…,p)是滞后p时的ar系数，αi(i＝0,1,…,q)...
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。