[发明专利]一种轻量级资源虚拟化与分配方法

说明书

本发明涉及一种轻量级资源虚拟化与分配方法，它包括以下步骤：（a）将服务中心中的容器公共镜像分为不同镜像层，并获取镜像层管理信息；（b）选择所述容器公共镜像中任意节点的镜像作为基础镜像，在所述基础镜像的基础上开发应用服务镜像，并根据所述基础镜像划分必要基础共性镜像层；（c）对所述镜像层管理信息进行分析，结合所述节点的硬件特征、任务使命，对所述必要基础共性镜像层进行预加载；（d）利用容器引擎分块拉取同一服务中心内的镜像层数据或者在不同服务中心之间建立镜像数据传输的P2P网络。这样可以优化容器栈内资源利用率，同时提升镜像分发速度与镜像加载速度，最终实现尽量快的服务启动与尽量低的系统资源消耗。

技术领域

本发明属于网络技术领域，涉及一种轻量级资源虚拟化与分配方法。

背景技术

传统虚拟化技术如vSphere或Hyper-V是以操作系统为中心，而容器技术（即Container技术）则是一种以应用程序为中心的虚拟化技术。2013年，以Docker为代表的轻量级虚拟化技术得到了广泛的关注，因此容器技术也得到了广泛关注（Docker是PaaS提供商dotCloud开源的一个基于LXC的高级容器引擎）。与此同时，Docker公司自身也在积极开发基于Docker容器的管理方案；Docker Machine是一个可以通过一个命令直接安装Docker引擎的工具；Docker Swarm是一个集群和调度工具，它会基于应用程序的生命周期、容器的使用与性能的需求自优化分布式应用程序的基础架构；Docker Compose工具可以构建在Swarm上运行的多容器应用程序。

而云计算资源分配需要对云计算环境下的异构资源资源进行统一地管理和合理地分配，分配方案的目标包括用户目标和服务供应商目标。不同的云计算资源分配策略，往往通过不同的资源分配算法来实现，这样一来资源分配算法就成为研究重点。元启发式算法由于具有随机搜索、快速学习机制以及自适应性等特点，非常适合用在资源分配领域；近些年来，国外学者已经取得了一定的研究成果。澳大利亚墨尔本大学的Rajkumar Buyya教授提出了一种基于用户任务完成时间和服务费用成本的分配算法，该算法指导用户选择性价比高的资源分配方案。斯威本科技大学的Ke Liu教授进一步提出了一种基于时间与费用权衡的分配算法，该算法以任务最终完成期限和用户费用开销作为考量参数，能够使用户满足用户完成时间期望的同时减少费用开销，或者在满足用户预算的前提下缩短任务完成时间。IBM公司的Suraj Pandey借鉴将价格参数加入到元启发式算法的思想，提出了粒子群优化的资源分配算法，该算法把任务分配和执行过程中的通信和计算成本作为任务微粒的适应度，这样有助于提升算法的负载均衡性。印度Calicut大学的T.P.Shabeera教授提出了优先级驱动的蚁群算法，来优化基于DAG模型的作业调度。实验结果表明，改进后的算法提高了虚拟机的吞吐量。与此同时，国内学者同样基于资源分配算法领域做出了一些研究。马丽教授设计出了一种把计算资源使用成本从高到低排序的方法，来实现任务完成成本最低同时满足用户QoS需求。张荣浩教授把最小完成时间作为分配目标，结合蚁群算法和模拟退火算法各自的特点，引入计算资源与分配任务匹配因子；该算法无论是在任务完成时间，还是系统负载均衡度方面都有不错的效果。针对蚁群算法收敛速度慢，以及在搜索中容易陷入局部最优的弊端；战非等人将混沌理论引入到蚁群算法，首先根据混沌遍历性对蚁群算法的路径进行初始化，然后加入混沌扰动因子调整蚁群算法信息素更新规则。为了使改进后的蚁群算法资源分配更加合理，吉林大学的邹燕飞教授设计出了组合优化模型，并对蚁群算法的信息素挥发系数进行动态调整，同时在蚁群算法的信息素更新规则中加入奖惩机制。针对传统蚁群算法在解决任务分配问题时，容易陷入局部最优的缺点，王俊英等人提出了一种基于概率自适应的蚁群算法，该算法依据任务量的大小，对分配的任务进行降序排列，同时引入概率自适应调节因子，对集中度过高任务的概率进行调整，从而使算法有效地避免了局部收敛。魏赟等人提出了一种增强任务的并行性，同时平衡任务之间串行关系的调度模型。

然而，在机动环境下，针对服务中心机动性强、自身资源受限、网络连接环境差等条件，为了保证服务的可靠高效以及资源的充分利用，对资源虚拟化与分配提出了新的要求。

发明内容