[发明专利]用于异构云环境下在线游戏应用的虚拟机管理方法及系统

权利要求书

1.一种用于异构云环境下在线游戏应用的虚拟机管理方法，其特征在于，包括以下步骤：

S1：实时采集暂离玩家、正常玩家与游戏交互延迟的数据；

S2：获取正常玩家与暂离玩家的历史数据；

S3：预测在下一控制周期内正常玩家与暂离玩家的数量；

S4：基于预测的玩家信息来创建最小化系统功耗与性能退化的多目标优化数学模型；

S5：基于所构建的数学模型生成虚拟游戏服务器的资源需求；

S6：基于一个多目标的混合差分进化算法来查找虚拟游戏服务器与物理服务器的映射关系；

S7：调整虚拟游戏服务器位置、资源分配与物理服务器的活动与休眠状态；

S8：检测下一个控制周期是否开始，若是，转向步骤S1，否则，转向步骤S8；

所述步骤S4中，所述多目标优化数学模型通过以下方法确定：

Minimize

Minimize

Subject to

其中，NP是M个物理服务器的集合；NV是N个虚拟机的集合；NG_j是由虚拟机j所服务的正常玩家的集合；P_i是物理服务器i的功耗；是虚拟机j的迁移所产生的功耗；是虚拟机j的迁移所产生的性能退化；x_i,j是决策变量，用来代表虚拟机j是否放置在服务器i上；表示虚拟机j上所运行游戏的交互延迟上限值，ID_p,j表示由虚拟机j所服务的玩家p的游戏交互延迟；代表上一个控制周期容纳虚拟机j的物理服务器的下标；代表上一个控制周期x_i,j的值；与分别表示物理服务器i上CPU、内存与网络带宽资源的容量；

是虚拟机j的归一化的CPU资源需求；表示物理服务器i能够为运行在虚拟机j上的游戏所提供的最大吞吐量；与分别表示虚拟机j的内存与网络带宽资源需求；

表示以吞吐量度量的虚拟机j的CPU资源需求；

表示由玩家交互延时目标来确定的虚拟机j的CPU资源需求，表示CPU资源分配的调节值，由如下的PI控制器来确定：

表示在第k个控制周期中虚拟机j的资源需求的调节值，e(k)表示在第k个控制周期中测量的交互延迟时间与交互延迟目标之间的误差，c₁与c₂是控制器的参数；

所述混合差分进化算法由个体的编码与解码、初始种群的生成、变异操作、交叉操作、选择操作以及种群更新构成，包括：

a)个体的编码与解码：

使用两个一维数组来编码个体，其中，第一个数组的大小等于虚拟机的个数，数组的下标对应虚拟机的编号，第二个数组的大小等于物理服务器的个数，数组的下标对应物理机的编号；数组元素的取值是(0,1)之间的一个随机实数；

个体的解码过程如下：首先按照数组元素取值的大小分别对两个数组进行升序排序，生成虚拟机的放置序列和物理服务器的装载序列，然后调用一个改编的首次适应算法来生成编码个体所对应的虚拟机放置解；用来求解虚拟机与物理机映射的改编首次适应算法如下：

生成不可行解的标志Infeasible＝False；

遍历虚拟机的放置序列

虚拟机放置成功的标志VMplaced←False；

遍历物理服务器的装载序列PMS For i＝1 to PMS.size() do；

If物理机PMS[i]能够容纳虚拟机VMS[1] then；

将VMS[1]放置到PMS[i]中并更新放置集合P；

VMplaced←True；

Endif

If VMplaced＝＝True then

Break；

Endif

Endfor

If VMplaced＝＝False do 如果没有物理机能容纳该虚拟机

For i＝1to PMS.size() do

计算将VMS[1]放置到PMS[i]中的容量约束违背值；

EndFor

将VMS[1]放置到容量约束违背值最小的物理机PMS[i]中，并更新放置集合P；

Infeasible＝True；

EndIf

VMS←VMS-VMS[1]；

EndWhile

If Infeasible＝True then

Return不可行解的约束违背程度CP；

Else

Return可行解P；

EndIf；

由于在搜索过程中生成的新个体既有可行解也有不可行解，使用约束支配规则来比较两个个体的优劣：对于任意两个解x、y，x约束支配y的条件如下：满足任何一条即可，(I)x是可行解，y是不可行解；(II)x、y都是可行解，且x帕累托支配y；(III)x、y都是不可行解，x的约束违背程度小于y的约束违背程度；

b)初始种群的生成：

采用基于反向学习的种群初始化策略：首先，均匀随机的生成一个大小与服务器集合NP相同的种群，然后再生成一个大小与服务器集合NP相同的反向种群，将这两个种群合并，利用快速非支配排序和拥挤距离度量机制挑选出一个大小与服务器集合NP相同的种群用于进化算法；

c)变异操作：

从父种群g中随机选取三个不同的个体，找到其中最好的一个个体x_b(g)，以其为基础生成变异个体v_i(g+1)，相应的公式如下：

F代表缩放因子；

d)交叉操作：

对父种群g中的个体x_i(g)及其变异个体v_i(g+1)进行个体间的交叉操作；

生成新的个体u_i(g+1)，新个体中每个元素u_i，j(g+1)的取值如下：

CR为交叉概率，j_rand为{1，2，3，…，D}范围内的随机数，D是解空间的维数；

e)选择操作：

选择操作不会抛弃u_i(g+1)与x_i(g)中的任何一个，它们会进入不同的子种群中，即选择操作会导致生成两个子种群，如果u_i(g+1)好于x_i(g)，则选择u_i(g+1)进入子种群1，而x_i(g)进入子种群2，反之u_i(g+1)进入子种群2，x_i(g)进入子种群1；

f)种群更新：

每次迭代的最后，将生成的两个子种群进行合并，然后使用快速非支配排序和拥挤距离度量机制挑选出一个大小为NP的新种群作为下一次迭代的父种群。