[发明专利]一种基于IaaS云平台的资源优化部署方法

说明书

技术领域

本发明属于云平台应用技术领域，尤其涉及通过IaaS云计算降低能耗的资源负载分类器的设计方法。

背景技术

近年来，随着虚拟化技术的发展，特别是以虚拟化技术为基础的云计算技术具有服务器整合、在线迁移、隔离性、高可用性、灵活部署、低管理开销等诸多方面的优点，其已成为未来数据中心发展的主要方向。而考虑节能的IaaS(Infrastructure as a Service)云平台，通过互联网提供数据中心、基础架构硬件以及软件资源，将IT基础设施能力提供给用户使用，它具有以下特征：(1)IaaS云平台的负载是不断变化的，IaaS提供商很难预知负载的变化规律；(2)IaaS云平台的基本管理单位是虚拟机(Virtual Machine,VM)，VM可以在用户无感知的情况下，通过在线迁移技术将虚拟机从一台物理主机(Physical Machine,PM)迁移到另一台物理主机上。基于以上两个特征并从IaaS云平台的节能视角考虑，可以总结得出：服务器整合技术和虚拟机迁移技术。

无论是服务器整合还是虚拟机迁移，其实质上都是对IaaS云平台资源进行合理调度，使得云平台能够符合服务级别协议(SLA(Service Level Agreement)的要求，并且能够降低能耗成本，保障服务收益的最大化。

对于服务器整合技术，必须要考虑如下两个方面的问题，(1)基础设施是否同时支持软硬件虚拟化，并且是否做到优化资源部署？(2)资源部署优化考虑是否全面，是否包括CPU、内存、磁盘、网络等资源？这两个问题的阐述，直接体现了物理资源利用率的重要性和服务器整合技术考虑的全面性。

虚拟机迁移技术方面，迁移技术通常指的是动态迁移技术，而静态迁移技术已经不能满足当前的需要。就应用到IaaS云平台上动态迁移技术而言，与什么样的迁移策略结合体现地尤为重要，其中必须要考虑如下几个方面的问题，(1)VM迁移是否能够根据应用负载的变化进行及时快速的响应？(2)是否具有处理多用户多种类SLA应用的能力？(3)是否具有一定鲁棒性，并可以支撑不同种类应用和混合负载？对于问题(1)是目前大部分虚拟机迁移技术研究所没有考虑到的，它体现了IaaS云平台节能调度策略的弹性，这正是本发明申请所要解决的问题之一；对于问题(2)的要求是IaaS云平台的虚拟机迁移技术要针对不同应用适配不同的策略，以达到适应不同应用类型用户的要求，这也是本发明申请具有的特点；对于问题(3)主要要求VM迁移技术具有能够支撑不同种类大型应用负载的能力。

发明内容

针对现有技术中存在的不足，本发明的目的在于提供一种基于IaaS云平台的资源优化部署方法，通过弹性的调度策略以及TAEA算法，提高IaaS云平台的资源部署能力。

本发明的技术方案如下：

一种基于IaaS云平台的资源优化部署方法，包括以下步骤：

步骤S1：分析应用负载特征和SLA级别特征，并进行负载抽样特征的提取和模式识别，其结果包括预处理得到的特征数据和分类模式；

步骤S2：基于负载特征提取创建一BP神经网络，其输入向量X为所述特征数据，其输出向量Y为所述分类模式，BP神经网络的结构由系统输入输出的特征提取和模式匹配得出；

步骤S3：基于所述BP神经网络创建分类器模型，并对其进行训练得出分类器模型各层最优的权值和阈值；

步骤S4：运用TAEA算法，对分类以后的应用负载进行调度，使该应用负载部署到最合适的服务器上，实现虚拟机的最优分配。

上述的部署方法，所述步骤S1中，采用IQR四分位距统计学理论进行负载抽样特征的提取，以保证体现原有负载抽样曲线的特征。

上述的部署方法，所述负载抽样特征至少包括一段时间以内应用负载的CPU利用率以及内存使用率，并对所述负载抽样特征进行以下操作：

(1)确定负载采样的频率、时间窗以及SLA级别的特征标识；

(2)确定提取特征的属性和格式。

上述的部署方法，所述负载抽样特征由云平台的管理员进行制定和初始化。

上述的部署方法，所述BP神经网络为单隐层，其以待分类的资源负载分类数为输出节点个数，基于BP神经网络的资源负载分类器建模包括网络的构建、网络的训练和网络的分类三个部分。

进一步地，所述分类器模型的收敛速度大于等于IaaS云平台提供服务的SLA要求。

上述的部署方法，由所述分类器模型的资源分配算法触发资源调度，根据应用负载对应的特征分类，把对应的应用负载有效地部署到PM上。