(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210657035.7 (22)申请日 2022.06.10 (71)申请人 郑州轻工业大 学 地址 450000 河南省郑州市高新 技术产业 开发区科 学大道136号 (72)发明人 曹洁　王博　陈明　 (74)专利代理 机构 郑州晟佳专利代理事务所 (普通合伙) 4120 5 专利代理师 张心龙 (51)Int.Cl. G06F 9/50(2006.01) G06F 9/455(2006.01) G06F 11/30(2006.01) (54)发明名称 资源利用率预测感知的云数据中心虚拟机 资源分配方法 (57)摘要 本发明涉及计算机技术领域， 特别涉及资源 利用率预测感知 的云数据中心虚拟机资源分配 方法， 各虚拟机监视器预测所在的物理机在下一 周期的负载状态， 并将所述预测负载状态发送至 所在的物理机上的局部管理器； 全局管理器从各 局部管理器获取各物理机的预测负载状态； 全局 管理器根据各物理机的预测负载状态， 将预测负 载状态为过载的物理机上的部分虚拟机迁移到 其他负载状态 为正常的物理机上； 将所述预测负 载状态为不足的物理机上的所有虚拟机迁移到 其他负载状态 为正常的物理机上， 并将所述预测 负载状态 为不足的物理机置于低功耗状态； 本发 明能有效提高物理机资源利用率和用户请求完 成率， 提高了云数据中心的性能， 也减少了云数 据中心的能耗。 权利要求书3页 说明书14页 附图4页 CN 114880129 A 2022.08.09 CN 114880129 A 1.一种资源利用率预测感知的云数据中心虚拟机资源分配方法， 其特征在于， 包括以 下步骤： 各虚拟机监视器周期性地基于资源利用率的日志文件中的资源利用率数据预测所在 的物理机上的每个虚拟机在下一资源重新整合周期的预测资源利用率； 根据各虚拟机监视 器所在的物理机上的每个所述虚拟机在下一资源重新整合周期的预测资源利用率， 计算各 虚拟机监视器所在的物理机在下一周期的预测负载状态， 并将所述预测负载状态发送至所 在的物理机上的局部管理器； 全局管理器从各局部管理器获取 各物理机的预测负载状态； 全局管理器根据 各物理机的预测负载状态， 将预测负载状态为过载的物理机上的部分 虚拟机迁移到其他负载状态为正常的物理机上； 将所述预测负载状态为不足的物理机上的 所有虚拟机迁移到其他负载状态为正常的物理机上， 并将所述预测负载状态为不 足的物理 机置于低功耗状态。 2.根据权利要求1所述的资源利用率预测感知的云数据中心虚拟机资源分配方法， 其 特征在于， 各虚拟机监视器采用自回归预测算法预测所在的物理机上的每个虚拟机在下一 资源重新整合周期的预测资源利用率。 3.根据权利要求2所述的资源利用率预测感知的云数据中心虚拟机资源分配方法， 其 特征在于， 所述各虚拟机监视器采用自回归预测算法预测所在的物理机上的每个虚拟机在 下一资源重新整合周期的预测资源利用率， 包括： 对于任一虚拟机监视器， 分别利用该虚拟机监视器所在的物理机上的每个虚拟机的 CPU利用率和内存利用率的历史数据， 根据p阶自回归模 型AR(p)创建自回归模 型， 得到每个 所述虚拟机在下一个资源重新整合周期的预测资源利用率， 所述预测资源利用率包括预测 CPU利用率和预测内存利用率； p阶自回归 模型AR(p)用以下公式表示： Xt＝a0+a1Xt‑1+a2Xt‑2+…+apXt‑p+ εt 其中， t∈Z， Z为整数集， εt为模型残差， Xt表示t时刻的观察值， 数据Xt‑i为已知量， i＝1, 2,…,p， a0、 a1、 ...、 ap为AR(p)的自回归系数。 4.根据权利要求3所述的资源利用率预测感知的云数据中心虚拟机资源分配方法， 其 特征在于， 所述根据各虚拟机监视器所在的物理机上的每个所述虚拟机在下一资源重新整 合周期的预测资源利用率， 计算各虚拟机监视器所在的物理机在下一周期的预测负载状 态， 包括： 根据各虚拟机监视器所在的物理机上的每个所述虚拟机在下一资源重新整合周期的 预测资源利用率， 计算各虚拟机监视器所在的物理机在下一周期的预测资源利用率； 根据各虚拟机监视器所在的物理机在下一周期的预测资源利用率判定各虚拟机监视 器所在的物理机在下一周期的预测负载状态。 5.根据权利要求4所述的资源利用率预测感知的云数据中心虚拟机资源分配方法， 其 特征在于， 所述根据各虚拟机监视器所在的物理机上的每个所述虚拟机在下一资源重新整 合周期的预测资源利用率， 计算各虚拟机监视器所在的物理机在下一周期的预测资源利用 率， 包括： 根据所述物理机上的每个所述虚拟机的预测CPU利用率， 通过以下公式得到所述物理权　利　要　求　书 1/3 页 2 CN 114880129 A 2机的预测CPU利用率： 其中， vmmi表示物理机Sm上的第i个虚拟机， 为虚拟机vmmi当前的CPU大小， CPUm表示物理机Sm总的CPU大小减去维持物理机基本运行所需的CPU大小的差值， 为虚拟机v mmi的预测CPU利用率， 表示物理机Sm的预测CPU利用率， VMm为物理机Sm上的虚拟机集 合， |VMm|表示物理机Sm上的虚拟机数量； 根据所述物理机上的每个所述虚拟机的预测内存利用率， 通过以下公式得到所述物 理 机的预测内存利用率： 其中， vmmi表示物理机Sm上的第i个虚拟机， 虚拟机vmmi当前的内存大小， 为虚拟机vmmi的预测内存利用率， MEMm表示物理机Sm总的内存大小减去维持 物理机基本运行 所需的内存大小的差值， 表示物理机Sm的预测内存利用率。 6.根据权利要求4所述的资源利用率预测感知的云数据中心虚拟机资源分配方法， 其 特征在于， 所述根据各虚拟机监视器所在的物理机在下一周期的预测资源利用率判定各虚 拟机监视器所在的物理机在下一周期的预测负载状态， 包括： 设定物理机的CPU高利用率阈值表示为 CPU低利用率阈值表示为 内存高利用 率阈值表示 为 内存低利用率阈值表示 为 若某物理机的预测CPU利用率小于 且该物理机的预测内存利用率小于 则将 该物理机归类为低CPU利用率， 低内存利用率状态； 若某物理机的预测 CPU利用率小于 且该物理机的预测内存利用率大于 则将 该物理机归类为高 内存利用率状态； 若某物理机的预测CPU利用率大于 且该物理机的预测内存利用率小于 则将 该物理机归类为高CPU利用率状态； 若某物理机 的预测CPU利用率大于 且该物理机 的预测内存利用率大于 则将 该物理机归类为高CPU利用率， 高 内存利用率状态； 若某物理机的预测CPU利用率大于 且该物理机的预测CPU利用率小于 该物理 机的预测内存利用率大于 且该物理机的预测内存利用率小于 则将该物理机归类 为正常负载状态。 7.根据权利要求6所述的资源利用率预测感知的云数据中心虚拟机资源分配方法， 其 特征在于， 全局管理器根据各物理机的预测负载状态， 将预测负载状态为过载的物理机上 的部分虚拟机迁移到其他负载状态为正常的物理机上； 将所述预测负载状态为不 足的物理 机上的所有虚拟机迁移到其他物理机上， 并将所述预测负载状态为不足的物理机置于低功权　利　要　求　书 2/3 页 3 CN 114880129 A 3