云环境下虚拟机动态迁移触发策略分析

摘 要

在云计算环境下的虚拟机动态迁移过程中，针对基于特点闭值的虚拟机动态迁移的触发策略，提出基于历史数据采用时序预测技术的双阈值触发策略（DTS算法），避开瞬间峰值引发迁移造成能耗和迁移次数增加。本文利用cloudsim云平台仿真软件完成实验，将本文的触发策略与单阈值ST算法、DT算法的实验结果相对比，证明了本文的触发策略减少了迁移次数和节约了能耗。

【关键词】云计算 虚拟机 迁移触发策略

1 云计算现状

云计算是通过云方式对于网络中相关的不同资源进行描述，对于网络计算、存储相关信息服务设施，通过相应的操作方式、平台等软件，对于相应的设施细节进行屏蔽，只获得所需要的信息。它与其他计算所不同的特点有：超大规模、虚拟化、高可靠性、通用性、高可扩展性、按需服务、廉价七大特点。

虚拟化程度的提升是云计算伸缩性实现的关键，同时也是虚拟机适时发生动态迁移基础。虚拟技术是云计算和虚拟化融合切点，这其中虚拟机是动态迁移基本点。虚拟机在进行动态迁移时候需要云计算所具备的优良特性：动态透明迁移、负载均衡能够通过虚拟机很好地实现，这样可以保证不是一台机器在进行超负荷的运行，而另一台确实资源浪费、进行虚拟机的迁移主要是为了保证其服务质量以及服务的特殊性、原本机器的配置能够同虚拟机进行设计。

2 基于时序预测的双阈值迁移触发策略

2.1 虚拟机动态迁移触发时机分析

触发策略即选择何时进行虚拟机迁移，它指根据宿主机的CPU利用率，判断是否需要将该宿主机上的虚拟机迁移到其他宿主机上。

当主机负载大于CPU利用率较大的阈值时，计算它未来的n个负载值，如果在未来的n个负载值中有不少于m个的值也大于阈值，并且它的n个负载预测值加权平均值均大于阈值的情况下才触发迁移。由于CPU利用率的瞬时震荡性，某个CPU利用率的瞬时峰值和谷值都会导致不必要的虚拟机迁移，预测技术的使用可以防止这种状况的发生。

除了判断当前时刻开始的n个负载值中是否有m个大于阈值外，还对n个负载值加权平均值与阈值进行了比较。这个限制条件进一步避免一个负载呈下降趋势的宿主机触发无效的虚拟机迁移。

上述的分析情形可用如图1流程图示意。

2.2 基于时序预测的双阈值触发策略设计

2.2.1 模型说明

始终令表示虚拟机运行的时间序列，令代表白噪声序列，即一列均值为0的独立同分布的随机变量，令。此时，滑动平均过程记为：

称该方程为q阶滑动平均过程，简记为。

从的表达式可以看出，只需增加一个新的变量et+1，同时将ei的系数滑动至 ，ei+1即可变为yt+1。显然，yt与临近k项Y值的联系由两者间公有项决定，并不那么直接。为了描述更紧密的联系，给出一般的自回归过程。

自回归过程用自身变量作为回归变量。p阶自回归过程满足方程：

记为。

如果假定序列中部分是自回归，部分是滑动平均，可以得到一个相当普遍的适用模型。一般来说，如果：

则称为自回归滑动平均混合过程，阶数分别为p和q，记为。在平稳性条件得到满足的情况下，对模型，其自相关函数是确定模型阶数p和q的重要依据。由于其数值计算算法较为复杂，并且在主流数学软件中均有固定模块进行计算，故在此略过。

2.2.2 模式识别与模型诊断

首先通过差分平稳化确保其为平稳序列。Levinson（1947）和Durbin（1960）分别给出了确定AR（P）和MA（q）的有效方法，提出了如下判断依据：如果滞后p阶截尾，而拖尾，则需要采用AR模型，阶数为P；如果滞后 q阶截尾，而拖尾，则需要采用MA模型，阶数为q。

本文使用最小二乘估计的方法进行参数估计，通过检验残差项的同方差性、正态性和独立性等统计性质，可以考察参数估计是否准确。令残差=实际值-预测值，由随机过程的相关知识可知，如果待分析序列的对应模型的阶数p，q被正确地识别，参数被正确地估计，那么残差就应该近似具有白噪声的性质。

2.2.3 预测

基于时间序列的历史数据，即，分别表示1，2，...t时刻，监测到的某虚拟机的负载值，预测未来t+1时刻的该虚拟机的负载值，称时间t为预测起点，l为预置时间长度。由统计学知识可知，按照预测均方误差最小的准则，在已知变量x的情况下，对 的最佳预测是Y对x的条件期望：。在已知条件中，虚拟机负载值的最优预测（即满足最小均方差准则）的预测表达式为：

使用模型进行虚拟机负载值预测的递归表达式如下：

其中：

对于j>0，是真实的预测值，而对于 ，；也即预置时间长度值为正，则结果值即为负载值的预测结果值，反之，则为样本负载值的真实值，不为预测值。

下面以为例，。而观察值落入预测范围以内的可信度是，1-为置信度，计算过程中，取为5%。

其中，，是模型一般表示形式的系数。

由此，我们可得到某个虚拟机的n个预测值：.n个预测值大于阀值的预测值个数为r，如果r

其中且服从y=1/x函数。若Y大于阀值，则触发迁移。反之则不触发迁移。

3 仿真实现与结果描述

3.1 仿真实现

首先，用createDatacenterO创建一个云计算数据中心，表1中给出了模拟数据中心的参数设置。

实验的目的是评估DTS算法通过对虚拟机迁移过程中各个步骤的改进，对整个数据中心的负载均衡和能耗的影响。将DTS算法与ST算法、DT算法在能量消耗、虚拟机迁移数量两个方面的效果对比。

3.2 DTS算法的节能测试

通过搭建的测试环境，对系统分别使用ST算法（单阈值），DT算法（较小阈值），算法进行虚拟机迁移进行测试。在触发策略阈相同的情况下：DT算法比ST算法更为节能，这是因为DT算法在ST算法的基础上，设定了一个更小的阈值，当物理机的CPU利用率小于这个阈值的时候，会选择将该物理机上的所有虚拟机都迁移出去，并关闭该物理机，使得在执行相同任务数的情况下，启的物理主机数量减少，从而使得总能耗也降低。DTS算法在节能效果上，比DT算法更为出色，这是因为DTS算法在DT算法上对虚拟机迁移进行了优化，使得虚拟机在迁移过程中变得更有效率，从而达到了节能的效果。

3.3 虚拟机的迁移数量测试

通过比较系统使用ST算法，DT算法，DTS算法进行虚拟机迁移后，虚拟机迁移的总数量来分析虚拟机在迁移过程中的细节在，触发策略阈值相同的情况下：系统使用DTS算法比使用DT算法进行虚拟机迁移所导致的迁移数量更少，这表明由于DTS算法在DT算法的基础上，对迁移过程中的三个步骤进行了改进，使得虚拟机迁移在迁移时机和被迁移虚拟机的选择，目标节点的选取方面进行了优化，让迁移变得更有效率。

随着阈值设置的提高，ST算法的虚拟机迁移数量呈下降趋势，而DT算法和DTS算法的虚拟机迁移数量呈上升趋势。这是由于DT算法和DTS算法都属于双阈值算法，当阈值设置提高的时候，低阈值的设置也同时提高，一些CPU利用率低的物理主机会把寄宿在它们上的虚拟机全都迁移出去，导致虚拟机迁移数量的提高。

4 结语

本文在云计算环境下的虚拟机动态迁移过程中，针对基于特点闭值的虚拟机动态迁移的触发策略，提出基于历史数据采用时序预测技术的双阈值触发策略（DTS算法）.并对此算法进行分阶段的详细的设计与分析，给出了实现流程图，设计的思想，并对DTS算法，DT算法，ST算法做了大量的测试工作，利用CloudSim模拟云环境进行实验，给出了实验的结果，并进行了分析。实验的结果直接表明系统使用DTS算法进行虚拟机迁移，虚拟机的迁移将变得更有效率，这样可以降低云数据中心环境下的总能耗和SLA违约率，有助于数据中心的节能及负载均衡。

参考文献

[1]Armbrust M，Fox A，Griffith R，et al.A view of cloud computing[J]. Communications of the ACM， 2010，53（4）：50-58.

[6] 程克非，罗江华，兰文富编.云计算基础教程[M].北京：人民邮电出版社，2013.

[3] Huaming Z.A Study on Architecture of Private Cloud Based on Virtual Technology[M].Recent Advances in Computer Science and Information Engineering.Springer，2012：155-165.

[4] Deboosere L，Vankeirsbilck B，Simoens P，et al.Efficient resource manage-ment for virtual desktop cloud com-puting[J].The Journal of Supercomputing，2012，62（2）：741-767.

[5] 江雪，李小勇.虚拟机动态迁移的研究[J].计算机应用，2008，28（9）：2375-2377.

[6] Cryer J D，Chan K.Time series analysis：with applications in R[M]. Springer，2008.

[7]钱琼芬，李春林，张小庆，李腊元. 云数据中心虚拟资源管理研究综述[J].计算机应用研究，2012（07）：2411-2415+2421.

[8]张小庆，贺忠堂，李春林，张恒喜，钱琼芬.云计算系统中数据中心的节能算法研究[J].计算机应用研究，2013（04）：961-964+970.

作者单位

国网青海电力信息通信公司 青海省西宁市 810008