[发明专利]基于多目标生物地理学优化算法的Docker与虚拟机聚合放置方法

权利要求书

1.基于多目标生物地理学优化算法的Docker与虚拟机聚合放置方法，其特征在于，包括以下步骤：

步骤1，建立基于DVP三层架构的Docker与虚拟机放置约束模型；

步骤2，基于步骤1建立的DVP三层架构下的DVMP约束模型，明确DVMP约束模型中的四种约束条件，建立面向能耗及服务器资源利用率优化的DVMP聚合放置模型；

步骤3，针对步骤2建立的Docker与虚拟机聚合放置模型，执行基于MBBO的Docker与虚拟机聚合放置的映射方法；

步骤4，完成以上三个步骤后，采用MBBO算法进行聚合场景适配与编码求解获得有效解；

步骤5，求解Docker与虚拟机聚合放置方法的最优解；

步骤6，根据步骤5的Docker与虚拟机聚合放置方法的最优解，进行Docker与虚拟机聚合放置。

2.根据权利要求1所述的基于多目标生物地理学优化算法的Docker与虚拟机聚合放置方法，其特征在于，步骤1的具体实现方法如下：

基于矢量装箱理论提出DVP三层架构下Docker、VM到PM的放置约束模型，将DVP三层架构下的Docker到虚拟机和虚拟机到服务器的放置问题描述为两层矢量协同装箱问题，以Docker作为虚拟机及服务器的实际负载，对虚拟机放置方案的合理性进行限制；

两层矢量协同装箱问题，具体包括Docker到VM的装箱和VM到PM的装箱的两层矢量装箱模型；

基于装箱理论的DVMP约束模型是在有限的计算资源条件下进行的，Docker、VM到PM的放置过程必须同时满足所有的约束条件，才能获得合理有效的放置方案；约束条件具体包括放置约束模型的整数约束、完整性约束、资源利用情况约束及虚拟机和服务器资源使用量的计算约束。

3.根据权利要求3所述的基于多目标生物地理学优化算法的Docker与虚拟机聚合放置方法，其特征在于，

整数约束条件，限制了放置问题解空间的规模，通过将容器、虚拟机放置到整数编号的虚拟机、服务器上，避免容器、虚拟机的位置不存在的情况，具体表现为以下两个公式：

x_ij,y_ri,z_rj,p_j,v_i∈{0,1}i∈N,j∈M,r∈D

其中，x_ij、y_ri、z_rj分别是虚拟机到服务器位置映射矩阵X、容器到虚拟机位置映射矩阵Y和容器到服务器位置映射矩阵Z中代表放置状态的元素，表示第i台虚拟机是否放置于第j台服务器上，第r台容器是否放置于第i台虚拟机上，第r台容器是否运行在第j台服务器上，v_i、p_j表示分别虚拟机和服务器的状态变量，它的取值不是0就是1，1表示虚拟机i、服务器j处于运行状态，0表示虚拟机i、服务器j已关闭；

完整性约束条件，通过要求任何一台容器、虚拟机都仅被放置在一台虚拟机、服务器上，以确保所有容器、虚拟机都被放置，具体表现为以下三个公式：

完整性约束公式采用了累加的计算方式，将任一容器、虚拟机与所有虚拟机、服务器放置状态累加求和且求和结果限制为1，避免非1的异常情况，从而确保所有的容器、虚拟机在集群中都放置在合理的位置，随着放置约束模型应用于不同的放置场景，代表虚拟机到服务器、容器到虚拟机、容器到物理机位置映射的X、Y和Z矩阵规模将出现变化，i表示虚拟机，j表示服务器，r表示容器，M表示放置到服务器，N表示放置到虚拟机；

模型资源利用情况约束条件，包括服务器资源利用情况约束条件和虚拟机资源利用情况约束条件，分别限制每一台服务器、虚拟机的资源分配情况，具体内容为：

服务器资源利用情况约束条件通过限制每台服务器上虚拟机的CPU及内存资源，确保虚拟机请求的虚拟CPU数量及内存不超过服务器能够提供的CPU、内存总量，具体表现为以下两个公式：

其中，分别表示第i台虚拟机创建时申请的CPU和内存资源量，对应第j台服务器能够提供的CPU和内存的资源总量，VM表示虚拟机，mem表示内存，N表示放置到虚拟机；

虚拟机资源利用情况约束条件通过限制每台虚拟机上容器的CPU、内存资源请求，确保容器请求的CPU、内存计算资源不超过该虚拟机创建时申请的资源总量，具体表现为以下两个公式：

其中，分别表示第r台Docker创建时申请的CPU和内存资源量，分别表示第i台虚拟机创建时申请的CPU和内存资源量，D表示容器；

虚拟机和服务器资源使用量的计算约束条件，限制DVP架构中VM及PM资源使用量的计算方式，任一时刻VM及PM的资源使用量应该以其承载的所有Docker容器资源总量作为统计基础，具体表示为以下四个公式：

其中，向量分别表示第r台Docker创建时申请的CPU和内存资源量，y_ri、z_rj分别是容器到虚拟机位置映射矩阵Y和容器到服务器位置映射矩阵Z中代表放置状态的元素，表示第r台容器是否放置于第i台虚拟机上，第r台容器是否运行在第j台服务器上。