[发明专利]OpenStack基于应用服务的虚拟机带宽分配方法

权利要求书

1.一种OpenStack基于应用服务的虚拟机带宽分配方法，其特征在于，所述方法包括以下步骤：

S1、制定OpenStack云平台应用的网络QoS指标；

S2、确定ARIMA预测模型；

S3、根据应用流统计特性计算基于应用QoS的有效带宽；

S4、根据有效带宽预测虚拟机下一周期的网络负载状态；

S5、根据虚拟机的网络负载状态，给虚拟机分配带宽。

2.根据权利要求1所述的OpenStack基于应用服务的虚拟机带宽分配方法OpenStack基于应用服务的虚拟机带宽分配方法，其特征在于，步骤S1制定OpenStack云平台应用的网络QoS指标，包括以下步骤：

S1-1、调研不同公司的业务网络QoS需求指标；各个业务下不同的应用具有不同的网络QoS指标；

S1-2、每新增一个应用，管理员参考S1-1调研的指标，指定该应用的网络QoS指标，每个应用的基本元素包括：应用ID、应用名、应用类型、时间延迟、时延抖动、丢包率、保证带宽和初始带宽。

3.根据权利要求1所述的OpenStack基于应用服务的虚拟机带宽分配方法，其特征在于，所述ARIMA(Autoregressive Integrated Moving Average model)模型主要是由自回归模型AR模型、差分算子d和移动平均模型MA模型组成；

AR(Auto-regressive)模型即自回归模型，用同一变量之前的表现情况来预测该变量现在或者未来的表现情况，假定AR模型是p阶的，用AR(p)表示，对于一个时间序列X(t)，若满足

其中，X_t为时间序列在第t时刻的观察值，为待估计的自回归系数，μ_t为随机误差项；

MA(Moving Average)模型即移动平均模型，利用序列数值之间的误差得出q阶移动平均模型，用MA(q)表示，其表达式为：

X_t＝μ_t-θ₁μ_t-1-θ₂μ_t-2-…-θ_qμ_t-q (2)

其中，θ₁,θ₂,...,θ_q为待估计的移动平均系数，μ_t,μ_t-1,μ_t-2,...,μ_t-q为模型在第t时刻，第t-1时刻，...，第t-q时刻的误差；

ARMA模型即自回归滑动平均模型，通过时间序列具有的特性来预测未来变化趋势，用ARMA(p,q)表示，ARMA(p,q)模型是AR(p)模型和MA(q)模型的结合，ARMA(p,q)模型其表达式为：

AR模型、MA模型和ARMA模型都是以平稳序列为前提的，而对于非平稳序列，需要用差分整合移动平均自回归模型，也称为ARIMA模型，ARIMA模型主要是先对非平稳序列进行d次差分计算转换为平稳序列，再进行模型识别，将其表示为ARIMA(p,d,q)；

通过平稳性检验判断流量序列是否平稳，若平稳，则d＝0，此时ARIMA(p,d,q)为ARIMA(p,0,q)，等同于ARMA(p,q)；若非平稳，流量序列经过d次差分计算后转换为平稳序列，转换为平稳序列后为ARMA(p,q)模型，当p＝0时，ARMA(p,q)退化成MA(q)模型，当q＝0时，ARMA(p,q)退化成AR(p)模型。