基于CPU利用率预测的虚拟机动态部署方法研究

摘要

在云环境下，由于系统条件的改变或应用负载的动态变化，给云服务质量的保障工作带来了新的挑战。随着各虚拟机对资源需求的持续变化，将会出现一部分服务器的资源大量空闲，另一部分服务器的资源严重不足的情况，导致系统的资源分配不均衡，资源利用率下降，严重影响服务质量。所以面对复杂的服务和应用，如何在保证服务质量的前提下，提高系统的资源利用率，是服务计算领域目前研究的一个热点。
　　本文在传统虚拟机部署方法的研究基础上，提出了基于CPU利用率预测的虚拟机动态部署方法，根据云环境中各服务器的CPU利用率情况，对虚拟机进行动态地部署，并生成合理的动态部署方案，在保证服务质量的前提下，达到高资源利用率、低服务成本的目标。本文的研究工作主要有:第一，研究了基于CPU利用率预测的虚拟机动态部署过程，分析了传统虚拟机部署研究中的不足，明确了在动态部署过程中的主要研究内容和关键问题;第二，提出了面向虚拟机动态部署的CPU利用率预测算法，首先用ARIMA模型预测服务器CPU利用率时间序列的线性主体，然后用BP神经网络模型对其非线性残差进行估计，最终叠加为整个时间序列的预测结果;第三，研究了基于CPU利用率预测的虚拟机动态部署方案的生成方法。针对虚拟机动态部署问题的目标，建立优化模型，然后分别从虚拟机动态部署的时机、待部署虚拟机的选择和目的服务器的选择三个方面对虚拟机的动态部署问题进行了具体的描述分析。
　　最后通过仿真实验验证了本文提出的面向虚拟机动态部署的CPU利用率预测算法具有较高的准确性，基于CPU利用率预测的虚拟机动态部署方案的生成方法具有一定的可行性和有效性，使系统在满足用户服务质量目标的同时提高了资源的利用率。因此，本文研究的基于CPU利用率预测的虚拟机动态部署方法对后续的研究具有重要的参考意义。

目录

声明

摘要

第1章 绪论

1．1 研究背景

1．2 虚拟机动态部署研究现状

1．3 本文主要研究内容

1．4 论文组织结构

第2章 研究基础

2．1 BP神经网络理论与时间序列预测理论概述

2．1．1 BP神经网络理论

2．1．2 时间序列预测理论

2．2 蚁群算法

2．3 装箱问题

2．4 本章小结

第3章 基于CPU利用率预测的虚拟机动态部署机制

3．1 云环境下虚拟机动态部署问题的提出

3．2 基于CPU利用率预测的虚拟机动态部署过程

3．3 关键问题

3．3．1 服务器CPU利用率的预测

3．3．2 待部署服务器和虚拟机的选择

3．3．3 目的服务器的选择

3．4 本章小结

第4章 面向虚拟机动态部署的CPU利用率预测算法

4．1 面向虚拟机动态部署的CPU利用率预测过程研究思路

4．2 CPU利用率历史数据的预处理

4．2．1 CPU利用率历史数据的收集

4．2．2 CPU利用率历史数据的预处理

4．3 基于ARIMA-BP神经网络的CPU利用率预测模型

4．3．1 基于ARIMA-BP神经网络的CPU利用率预测模型的提出

4．3．2 基于ARIMA-BP神经网络的CPU利用率预测模型的构建

4．4 实验结果分析

4．4．1 实验环境

4．4．2 实验数据获取

4．4．3 实验过程及结果分析

4．5 本章小结

第5章 基于CPU利用率预测的虚拟机动态部署方案的生成方法

5．1 虚拟机动态部署方案生成的研究思路

5．2 虚拟机动态部署方案模型的建立

5．3 基于CPU利用率预测的虚拟机动态部署方法

5．3．1 服务器CPU利用率的评估方法

5．3．2 待部署虚拟机的选择算法

5．3．3 基于改进蚁群算法的目的服务器选择算法

5．4 实验结果分析

5．4．1 实验环境介绍

5．4．2 实验过程及结果分析

第6章 总结与展望

参考文献

致谢