[发明专利]一种单物理机下多虚拟机的资源自适应调整系统及方法

说明书

技术领域

本发明属于云服务技术领域，具体是一种单物理机下多虚拟机的资源自适应调整系统及方法。

背景技术

云计算是继并行计算、分布式计算、网格计算后的更加新型计算模式。云环境下通常在资源池上部署多台虚拟机(VM)，这些虚拟机共用此节点上的物理资源(CPU，内存等)。各个虚拟机作为服务器发布服务，用户通过Web方式访问服务并消耗服务器一定数量的物理资源。

在配置虚拟机时必须指定虚拟机各类资源的数量，由于各虚拟机并发用户请求不断变化，所以各虚拟机在不同时刻对各类资源的需求量不同。在做虚拟机初始分配时：若将虚拟机的资源需求峰值分配给虚拟机能满足虚拟机在不同时刻的资源需求，但这也造成资源浪费；若不将资源峰值分配给虚拟机，而是将资源的平均需求量分配给虚拟机，必将造成虚拟机在某些时刻处于资源短缺状态，影响服务性能，造成SLA违例。

若能动态调整单PM上各虚拟机硬件资源量来适应这种动态变化的资源需求，理论上将不会出现低负载的虚拟机资源过剩、高负载的虚拟机资源紧缺等现象。如何在单节点上根据并发用户请求量的变化动态调整各虚拟机资源量使服务性能得到最大程度地保障是本领域研究的问题。

对于单物理机上多虚拟机资源分配问题，本领域技术人员大多采用启发式方法来进行全局优化搜索。启发式方法基本是单点搜索，很容易陷入局部最优解。而且，大多数研究者采用迁移虚拟机的方法解决资源不足的问题，但虚拟机迁移会花费一定的时间，并与物理机上的其它活动产生相互影响，导致迁移时延的增加和应用性能的下降。

现阶段单物理机资源分配，主要分为以下三个研究思路，一是通过预测VM的资源需求量，根据预测值作分配决策；二是将VM(服务)等级考虑其中，在资源不足的情况下按等级分配资源；三是将前两种结合，通过历史资源使用信息计算出各VM的资源需求，然后综合考虑各个虚拟机的资源需求量作资源分配决策。

(1)通过预测服务的资源需求量，根据各个VM的资源使用及剩余情况，动态生成VM部署方案，解决了服务性能保障问题(Huang C J等人)。首先通过服务的SLA评估服务资源需求量，再根据资源剩余表及资源使用表生成资源的分配方案。该实验是在多VM的场景下实现的，通过评估服务资源需求量来确定与之对应的资源需求量。这等同于在资源有限的场景下通过动态修改VM资源量来保障服务性能。调整方法延迟很明显，创建和删除VM时会有很长的时间延迟，达不到预期效果。

(2)在竞争条件下，根据不同服务的优先级为虚拟机分配资源，并提供性能保障及负载均衡服务。Jiang C F等人首先通过历史及实时的性能分析及评估来描述用户行为和负载特性，根据目标VM的性能及需求(基于SA及性能反馈)分配资源。张伟哲等人的研究内容是在单一物理机中多VM内存的协同优化。当节点中VM对内存的需求量小于总内存时采用自发调节机制，即VM间自发进行调节；当节点中VM对内存的需求量大于总内存时采用全局调节，即物理机控制器根据各VM资源需求按比例为VM分配相应数量的内存。同样地，预测未来VM对资源的依赖情况时只是考虑历史资源使用情况，并未将时间因素和并发用户请求等因素加入到考虑范围中；在做综合决策时同等对待各个VM，也并未考虑VM中服务属性和资源的时间效应等因素。

(3)通过计算资源需量，根据各VM资源需求量及PM资源剩余生成分配方案(Pradeep P等人)。AC(AppControl，VM资源需求量预测)定期向NC(NodeControl，资源分配方案生成)主动发送资源请求，NC综合考虑各AC的资源请求量及其优先等级来决定资源的分配策略。但是Pradeep P等人只考虑了CPU和Disk I/O两种资源，并未考虑内存、Swap、Network I/O等因素，同时也忽略了资源间的互相作用。此外Pradeep P等人采用的是定期请求法，在周期内部若出现资源过剩或短缺无法得到解决。再者，在预测VM下一时间段对资源的依赖情况时只考虑了历史资源使用量，并未考虑时间及并发用户请求等因素对VM性能的影响，最后NC在做综合决策时只考虑了服务等级这一因素，并未考虑服务属性和调整周期等因素对决策的影响。

通过分析现阶段对该问题的研究思路，并参考现阶段研究成果，可以得知当前研究主要存在以下问题：