[发明专利]IaaS云环境下物理主机资源状态预测方法

摘要

本发明公开了一种IaaS云环境下物理主机资源状态预测方法，其包括以下步骤步骤A将IaaS云资源需求预测过程确立为隐式马尔可夫过程；步骤B确定物理主机资源的观察状态集合和隐式状态集合；步骤C构建IaaS云平台资源预测的隐式马尔可夫过程模型；步骤D根据该IaaS云平台资源预测的隐式马尔可夫过程模型的预测状态，进行资源调度。本发明通过物理主机资源状态预测很好地解决了虚拟机迁移时机的选择问题，降低了SLA违反率节约了能耗成本；本发明将IaaS云资源需求预测过程确立为隐式马尔可夫过程其为正确，有效的，根据该预测过程可以很好的实现资源需求的可控以及绿色节能的目标。

主权项

一种IaaS云环境下物理主机资源状态预测方法，其特征在于包括以下步骤：步骤A:将IaaS云资源需求预测过程确立为隐式马尔可夫过程；步骤B:确定物理主机资源的观察状态集合和隐式状态集合；步骤C:构建IaaS云平台资源预测的隐式马尔可夫过程模型；步骤D:根据该IaaS云平台资源预测的隐式马尔可夫过程模型的预测状态，进行资源调度；其中，步骤D中，云平台资源的状态预测方法包括：步骤D1:确定初始化Viterbi变量：δ1(i)＝πibi(O1)；其中，1≤i≤N，N是物理状态主机的集合，O1为物理主机在起始时刻对应的观察状态，bi(O1)为物理主机在起始时刻对应的观察状态O1的概率，πi为初始状态概率；步骤D2:根据递归关系确定整个预测周期内，每个时刻对应的Viterbi变量以及记忆变量；其中，2≤t≤T，1≤j≤N，aij表示从状态i到状态j的转移概率，为概率最大路径上当前状态的前一个状态，T为一个完整的预测周期对应的终结时间点；bj(Ot)为物理主机在t时刻对应的观察状态Ot的概率，记忆变量为每个时刻对应的Viterbi变量值对应的上一个时刻的隐状态参数；步骤D3:确定递推结果：步骤D4:根据递推结果进行路径回溯，确定每个预测周期内的状态参数t＝T‑1,T‑2,...,1；步骤D5:根据路径回溯结果，预测云平台资源在T时刻的状态。