云環境下的虛擬機負載評估系統、方法以及服務節點技術方案

本申請公開了一種云環境下的虛擬機負載評估系統，包括：監控數據采集模塊，其配置成從云數據中心內的一個或多個虛擬機處采集監控數據；以及監控數據處理模塊，與所述監控數據采集模塊耦合，并配置成：針對所述一個或多個虛擬機中的每一個，利用第一KMeans算法來將所述監控數據進行聚集分組，每一個組具有一中心點坐標，并根據所述分組和各組的中心點坐標計算所述一個或多個虛擬機中每個虛擬機的性能表征，即第一特征值；基于每個虛擬機的所述第一特征值，利用第二KMeans算法來將所述一個或多個虛擬機進行聚集分組，從而確定所述一個或多個虛擬機中每個虛擬機的特征類型以及性能負載值。本申請還公開了云環境下對虛擬機進行負載評估的方法以及一種服務節點。

Virtual machine load evaluation system, method and service node in cloud environment

The invention discloses a virtual machine in cloud environment load evaluation system, including: monitoring data acquisition module configured from one or more virtual machine data acquisition and monitoring cloud data center; and the monitoring data processing module, coupled with the monitoring data acquisition module, and configured to: each of the one or more virtual machines, using the first KMeans algorithm to the monitor data aggregation group, each group has a center point coordinates, and calculate the characterization of the one or more virtual machines in each virtual machine according to the coordinates of the center point of the packet and in each group, namely the first eigenvalue; each virtual machine based on the first eigenvalue, using second KMeans algorithm to the one or more virtual machines were gathered to determine the packet, one or more virtual The type of feature and the performance load value of each virtual machine in the virtual machine. The invention also discloses a method for evaluating the load of the virtual machine in the cloud environment and a service node.

【技術實現步驟摘要】

本專利技術涉及云監控技術，并且更具體來說，涉及云環境下虛擬機的負載評估。
技術介紹
云計算中虛擬化技術，在某些方面對傳統問題解決方案提供了一種新的思路，但虛擬化技術作為一門新興的技術，它在虛擬機資源性能管理與檢測等方面所做的工作仍然有許多的不足之處。11年的一篇論文《Towardanarchitectureformonitoringprivateclouds》中，作者同樣指出云監控的重要性，盡管對云的管理部署的解決方案有許多，但是云監控的技術卻沒有跟上步伐。一個系統的性能特征是由其本身特征以及運行在上面的應用服務的負載特征決定的，它定量描述了一個基本的系統特征。如何去判斷應用服務的負載特征從而了解整個系統所處的環境具有重要意義。目前在虛擬機負載評估方面，并沒有精確的解決方案，大多基于人為或者虛擬機宏觀運行狀態表現判斷負載情況(例如：通過用戶數量預測一個負載今后運行的情況與大致性能需求)，負載狀態評估相對單一、簡略。
技術實現思路
傳統機器負載評估通常采用機器本身的系統數據進行評分，通過預先設定的參數來對機器本身進行評估。這種方法在云環境下并不適用，因為云環境下存在大量虛擬機，用戶與管理員真正需要了解的不僅是各個虛擬機性能上的差異性，更需要的是整體上的一個較為精確地宏觀對比，從而了解具體應用對資源的占用情況。為解決上述問題，本申請提供了一種云環境下的虛擬機負載評估系統，包括：監控數據采集模塊，其配置成從云數據中心內的一個或多個虛擬機處采集監控數據；以及監控數據處理模塊，與所述監控數據采集模塊耦合，并配置成：針對所述一個或多個虛擬機中的每一個，利用第一KMeans算法來將所述監控數據進行聚集分組，每一個組具有一中心點坐標，并根據所述分組和各組的中心點坐標計算所述一個或多個虛擬機中每個虛擬機的性能表征，即第一特征值；基于每個虛擬機的所述第一特征值，利用第二KMeans算法來將所述一個或多個虛擬機進行聚集分組，從而確定所述一個或多個虛擬機中每個虛擬機的特征類型以及性能負載值；其中，所述第一KMeans算法中的類型參數K大于所述第二KMeans算法中的類型參數，并且所述第一KMeans算法的初始中心被選擇為使得初始類別之間保持盡可能遠的距離，而所述第二Kmeans算法的初始中心被選擇為所述第一KMeans算法的初始中心的子集。在上述虛擬機負載評估系統中，所述監控數據與一個或多個虛擬機的中央處理單元、存儲器、硬盤輸入或輸出以及網絡輸入或輸出關聯。在上述虛擬機負載評估系統中，所述虛擬機的特征類型包括CPU密集型、Network密集型以及Memory密集型。在上述虛擬機負載評估系統中，所述第一KMeans算法中的類型參數K等于4，而所述第二KMeans算法中的類型參數等于3。在上述虛擬機負載評估系統中，所述第一KMeans算法的初始中心被選擇為P1(100，0，0)、P2(0，100，0)、P3(0，0，100)以及P4(0，0，0)。在上述虛擬機負載評估系統中，每一組中樣本的占比為A％、B％、C％、D％，而每一組的中心點坐標分別為(X1，Y1，Z1)，(X2，Y2，Z2)，(X3，Y3，Z3)以及(X4，Y4，Z4)，則所述第一特征值由下面的等式來表示：λi=(A%,B%,C%,D%)*X1Y1Z1X2Y2Z2X3Y3Z3X4Y4Z4=(A%*X1+B%*X2+C%*X3+D%*X4,A%*Y1+B%*Y2+C%*Y3+D%*Y4,A%*Z1+B%*Z2+C%*Z3+D%*Z4).]]>在上述虛擬機負載評估系統中，所述監控數據處理模塊進一步被配置成根據所述一個或多個虛擬機中的性能負載值來對虛擬機進行重新分布，實現資源的有效利用。根據本申請的另一個方面，提供了一種云環境下對虛擬機進行負載評估的方法，包括：針對云數據中心內的一個或多個虛擬機中的每一個，利用第一KMeans算法來將從所述一個或多個虛擬機處獲得的監控數據進行聚集分組，每一個組具有一中心點坐標，并根據所述分組和各組的中心點坐標計算所述一個或多個虛擬機中每個虛擬機的性能表征，即第一特征值；基于每個虛擬機的所述第一特征值，利用第二KMeans算法來將所述一個或多個虛擬機進行聚集分組，從而確定所述一個或多個虛擬機中每個虛擬機的特征類型以及性能負載值；其中，所述第一KMeans算法中的類型參數K大于所述第二KMeans算法中的類型參數，并且所述第一KMeans算法的初始中心被選擇為使得初始類別之間保持盡可能遠的距離，而所述第二Kmeans算法的初始中心被選擇為所述第一KMeans算法的初始中心的子集。在上述方法中，所述監控數據與一個或多個虛擬機的中央處理單元、存儲器、硬盤輸入或輸出以及網絡輸入或輸出關聯。在上述方法中，所述虛擬機的特征類型包括CPU密集型、Network密集型以及Memory密集型。在上述方法中，所述第一KMeans算法中的類型參數K等于4，而所述第二KMeans算法中的類型參數等于3。在上述方法中，所述第一KMeans算法的初始中心被選擇為P1(100，0，0)、P2(0，100，0)、P3(0，0，100)以及P4(0，0，0)。在上述方法中，每一組中樣本的占比為A％、B％、C％、D％，每一組的中心點坐標分別為(X1，Y1，Z1)，(X2，Y2，Z2)，(X3，Y3，Z3)以及(X4，Y4，Z4)，則所述第一特征值由下面的等式來表示：λi=(A%,B%,C%,D%)*X1Y1Z1X2Y2Z2X3Y3Z3X4Y4Z4=(A%*X1+B%*X2+C%*X3+D%*X4,A%*Y1+B%*Y2+C%*Y3+D%*Y4,A%*Z1+B%*Z2+C%*Z3+D%*Z4).]]>上述方法還可包括根據所述一個或多個虛擬機中的性能負載值來對虛擬機進行重新分布，實現資源的有效利用。根據本申請的又一個方面，提供了一種包括前面所述的虛擬機負載評估系統的服務節點。本申請通過采用KMeans聚類算法實現虛擬機負載宏觀情況的評估監測，并且克服了傳統的KMeans算法所存在的聚類結果的準確性受很多因素的影響(包括初始中心的選擇，噪聲、孤立點的處理與否)等缺陷。附圖說明在參照附圖閱讀了本專利技術的具體實施方式以后，本領域技術人員將會更清楚地了解本專利技術的各個方面。本領域技術人員應當理解的是：這些附圖僅僅用于配合具體實施方式說明本專利技術的技術方案，而并非本文檔來自技高網...

【技術保護點】
一種云環境下的虛擬機負載評估系統，包括：監控數據采集模塊，其配置成從云數據中心內的一個或多個虛擬機處采集監控數據；以及監控數據處理模塊，與所述監控數據采集模塊耦合，并配置成：針對所述一個或多個虛擬機中的每一個，利用第一KMeans算法來將所述監控數據進行聚集分組，每一個組具有一中心點坐標，并根據所述分組和各組的中心點坐標計算所述一個或多個虛擬機中每個虛擬機的性能表征，即第一特征值；基于每個虛擬機的所述第一特征值，利用第二KMeans算法來將所述一個或多個虛擬機進行聚集分組，從而確定所述一個或多個虛擬機中每個虛擬機的特征類型以及性能負載值；其中，所述第一KMeans算法中的類型參數K大于所述第二KMeans算法中的類型參數，并且所述第一KMeans算法的初始中心被選擇為使得初始類別之間保持盡可能遠的距離，而所述第二Kmeans算法的初始中心被選擇為所述第一KMeans算法的初始中心的子集。

【技術特征摘要】
1.一種云環境下的虛擬機負載評估系統，包括：
監控數據采集模塊，其配置成從云數據中心內的一個或多個虛擬機處
采集監控數據；以及
監控數據處理模塊，與所述監控數據采集模塊耦合，并配置成：
針對所述一個或多個虛擬機中的每一個，利用第一KMeans算法
來將所述監控數據進行聚集分組，每一個組具有一中心點坐標，并根
據所述分組和各組的中心點坐標計算所述一個或多個虛擬機中每個
虛擬機的性能表征，即第一特征值；
基于每個虛擬機的所述第一特征值，利用第二KMeans算法來將
所述一個或多個虛擬機進行聚集分組，從而確定所述一個或多個虛擬
機中每個虛擬機的特征類型以及性能負載值；
其中，所述第一KMeans算法中的類型參數K大于所述第二
KMeans算法中的類型參數，并且所述第一KMeans算法的初始中心
被選擇為使得初始類別之間保持盡可能遠的距離，而所述第二
Kmeans算法的初始中心被選擇為所述第一KMeans算法的初始中心
的子集。
2.如權利要求1所述的虛擬機負載評估系統，其中，所述監控數據
與一個或多個虛擬機的中央處理單元、存儲器、硬盤輸入或輸出以及
網絡輸入或輸出關聯。
3.如權利要求1所述的虛擬機負載評估系統，其中，所述虛擬機的
特征類型包括CPU密集型、Network密集型以及Memory密集型。
4.如權利要求1所述的虛擬機負載評估系統，其中，所述第一
KMeans算法中的類型參數K等于4，而所述第二KMeans算法中的
類型參數等于3。
5.如權利要求4所述的虛擬機負載評估系統，其中，所述第一
KMeans算法的初始中心被選擇為P1(100，0，0)、P2(0，100，0)、

\tP3(0，0，100)以及P4(0，0，0)。
6.如權利要求4所述的虛擬機負載評估系統，其中，每一組中樣本
的占比為A％、B％、C％、D％，而每一組的中心點坐標分別為(X1，
Y1，Z1)，(X2，Y2，Z2)，(X3，Y3，Z3)以及(X4，Y4，Z4)，則所述第一特
征值由下面的等式來表示：
λi=(A%,B%,C%,D%)*X1Y1Z1X2Y2Z2X3Y3Z3X4Y4Z4=(A%*X1+B%*X2+C%*X3+D%*X4,A%*Y1+B%*Y2+C%*Y3+D%*Y4,A%*Z1+B%*Z2+C%*Z3+D%*Z4).]]>7.如權利要求1所述的虛擬機負載評估系統，其中，所述監控數據
處理模塊進一步被配置成根據所述一個或多個虛擬機中...

【專利技術屬性】
技術研發人員：柴洪峰，吳承榮，華錦芝，王振方，楊陽，張駿，
申請(專利權)人：中國銀聯股份有限公司，
類型：發明
國別省市：上海;31