本發(fā)明實施例涉及計算機處理技術(shù)，尤其涉及一種云計算系統(tǒng)中的資源動態(tài)調(diào)整方法及裝置。

背景技術(shù)：

隨著云計算的不斷發(fā)展，數(shù)據(jù)中心的規(guī)模也越來越大，但是運行大規(guī)模的數(shù)據(jù)中心會消耗大量的能量，研究表明目前的數(shù)據(jù)中心的利用率一般保持在5％到20％。

如何降低數(shù)據(jù)中心的能耗，提高資源的利用率成為了一個亟待解決的問題。要想降低能耗提高資源利用率，根據(jù)應用負載的需求分配適當?shù)馁Y源是一個可行的方法。但是由于云計算環(huán)境的復雜性和多變性，不可能在一開始的時候，就計算好所需要的資源量。因此在云計算中，經(jīng)常會出現(xiàn)資源浪費的情況。目前，云計算使用以虛擬機為單位的粗粒度方式，根據(jù)應用負載動態(tài)地對資源進行增刪?，F(xiàn)有技術(shù)中主要采用如下兩個方法來考慮虛擬機的負載的：1)根據(jù)虛擬機消耗的某一種或兩種資源(如中央處理器或內(nèi)存)來判定其負載情況；2)通過歷史負載及資源記錄或日志來預測當前虛擬機的負載及應分配的資源。而對資源的分配方式則是根據(jù)虛擬機的負載判定結(jié)果申請固定的資源配置。

對于云計算環(huán)境中的虛擬機而言，當虛擬機過載時，由于系統(tǒng)中某些資源成為瓶頸，因此會降低系統(tǒng)性能，降低應用的執(zhí)行效率。當虛擬機空載或者低載時，系統(tǒng)的資源利用率低下，此時雖然系統(tǒng)性能良好，但是會浪費大量資源。由于傳統(tǒng)的負載判定及資源分配方法無法準確地進行資源動態(tài)調(diào)整，使得各虛擬機的負載不均勻，從而造成虛擬機過載或者低載的現(xiàn)象，資源利用率低下。

技術(shù)實現(xiàn)要素：

本發(fā)明實施例提供一種云計算系統(tǒng)中的資源動態(tài)調(diào)整方法及裝置，以實現(xiàn)提高資源動態(tài)調(diào)整的準確性，緩解資源浪費或資源不足的現(xiàn)象，從而提高資源的利用率。

第一方面，本發(fā)明實施例提供了一種云計算系統(tǒng)中的資源動態(tài)調(diào)整方法，包括：

根據(jù)虛擬機對應用請求的服務響應時間的歷史數(shù)據(jù)按照預設方法確定下一時刻應用服務響應時間的預測值；

根據(jù)所述下一時刻應用服務響應時間的預測值確定所述虛擬機的負載狀態(tài)；

當所述負載狀態(tài)為低載狀態(tài)時，計算并回收所述虛擬機的空閑資源；

當所述負載狀態(tài)為過載狀態(tài)時，計算并增加所述虛擬機的瓶頸資源。

第二方面，本發(fā)明實施例還提供了一種云計算系統(tǒng)中的資源動態(tài)調(diào)整裝置，該裝置包括：

響應時間預測模塊，用于根據(jù)虛擬機對應用請求的服務響應時間的歷史數(shù)據(jù)按照預設方法確定下一時刻應用服務響應時間的預測值；

負載狀態(tài)確定模塊，用于根據(jù)所述下一時刻應用服務響應時間的預測值確定所述虛擬機的負載狀態(tài)；

空閑資源回收模塊，用于當所述負載狀態(tài)為低載狀態(tài)時，計算并回收所述虛擬機的空閑資源；

瓶頸資源增加模塊，用于當所述負載狀態(tài)為過載狀態(tài)時，計算并增加所述虛擬機的瓶頸資源。

本發(fā)明實施例通過下一時刻的應用服務響應時間對負載狀態(tài)進行分析預測，計算影響系統(tǒng)性能的空閑資源或瓶頸資源，并進行資源的適當伸縮，即低載狀態(tài)時回收空閑資源，過載狀態(tài)時增加瓶頸資源，從而解決了因負載判定及資源分配方式不準確而導致的資源利用率低下的問題，達到了提高資源動態(tài)調(diào)整準確性，緩解資源浪費或資源不足現(xiàn)象，進而提高云計算系統(tǒng)中的資源利用效率的效果。

附圖說明

圖1是本發(fā)明實施例一提供的一種云計算系統(tǒng)中的資源動態(tài)調(diào)整方法的流程示意圖；

圖2是本發(fā)明實施例二提供的一種云計算系統(tǒng)中的資源動態(tài)調(diào)整方法的流程示意圖；

圖3是本發(fā)明實施例三提供的一種云計算系統(tǒng)中的資源動態(tài)調(diào)整方法的流程示意圖；

圖4是本發(fā)明實施例四提供的一種云計算系統(tǒng)中的資源動態(tài)調(diào)整方法的流程示意圖；

圖5是本發(fā)明實施例五提供的一種云計算系統(tǒng)中的資源動態(tài)調(diào)整裝置的結(jié)構(gòu)示意圖；

圖6是本發(fā)明實施例一提供的負載較小時的應用服務響應時間對比圖；

圖7是本發(fā)明實施例一提供的負載逐漸增大時的應用服務響應時間對比圖；

圖8(a)是本發(fā)明實施例四提供的CPU資源利用率預測結(jié)果圖；

圖8(b)是本發(fā)明實施例四提供的磁盤讀取速度預測結(jié)果圖；

圖8(c)是本發(fā)明實施例四提供的磁盤寫入速度預測結(jié)果圖；

圖8(d)是本發(fā)明實施例四提供的內(nèi)存使用值預測結(jié)果圖；

圖8(e)是本發(fā)明實施例四提供的網(wǎng)絡接收速度預測結(jié)果圖；

圖8(f)是本發(fā)明實施例四提供的網(wǎng)絡發(fā)送速度預測結(jié)果圖。

具體實施方式

下面結(jié)合附圖和實施例對本發(fā)明作進一步的詳細說明?？梢岳斫獾氖?，此處所描述的具體實施例僅僅用于解釋本發(fā)明，而非對本發(fā)明的限定。另外還需要說明的是，為了便于描述，附圖中僅示出了與本發(fā)明相關(guān)的部分而非全部結(jié)構(gòu)。

實施例一

圖1為本發(fā)明實施例一提供的一種云計算系統(tǒng)中的資源動態(tài)調(diào)整方法的流程示意圖，該方法可適用于云計算資源調(diào)整的情況，該方法可以由資源調(diào)整裝置來執(zhí)行，該裝置可由硬件和/或軟件組成，并一般可集成在云計算系統(tǒng)以及所有包含資源動態(tài)調(diào)整功能的計算機系統(tǒng)中。具體包括如下步驟：

S110、根據(jù)虛擬機對應用請求的服務響應時間的歷史數(shù)據(jù)按照預設方法確定下一時刻應用服務響應時間的預測值。

其中，虛擬機對應用請求的服務響應時間，即應用服務響應時間，指的是虛擬機從收到應用請求到響應應用請求所需要的時間。預設方法可以是基于歷史數(shù)據(jù)的LPC法(Linear prediction coefficients,線性預測分析法)。

LPC法的基本原理是：通過已經(jīng)獲得的離散數(shù)據(jù)，進行數(shù)學回歸，得到能夠反映這些離散數(shù)據(jù)的函數(shù)，然后應用這些函數(shù)來預測在不同時刻函數(shù)的取值。例如針對的是應用服務響應時間進行預測，那么就可以根據(jù)應用服務響應時間的歷史數(shù)據(jù)得到該應用服務響應時間在不同時刻的預測值。

S120、根據(jù)所述下一時刻應用服務響應時間的預測值確定所述虛擬機的負載狀態(tài)。

虛擬機的資源主要有CPU(Central Processing Unit，中央處理器)、內(nèi)存、網(wǎng)絡(網(wǎng)絡的發(fā)送和接受)和磁盤的讀寫資源。在虛擬機負載很大時，這些資源的使用率很高。相反的，當虛擬機負載很小時，這些資源的利用率相對較小。因此，這些資源的利用率在一定程度上可以表征虛擬機負載的大小。此外，也可以根據(jù)系統(tǒng)的應用服務響應時間來判斷負載的大小，因此可以通過下一時刻系統(tǒng)的應用服務響應時間的預測值來判斷負載的大小，進而判斷虛擬機的負載狀態(tài)。這樣做的好處在于，可以更直觀更方便更準確地判斷下一時刻虛擬機的負載狀態(tài)。

S130、當所述負載狀態(tài)為低載狀態(tài)時，計算并回收所述虛擬機的空閑資源。

其中，低載狀態(tài)表示虛擬機負載較小、資源利用不充分的狀態(tài)，此時回收虛擬機的空閑資源的好處在于可以節(jié)約空閑資源，降低云計算系統(tǒng)的能耗，回收后云計算系統(tǒng)可以重新對空閑的資源進行分配，從而提高資源的利用率。

示例性的，實驗環(huán)境優(yōu)選為基于CloudStack5.0云計算平臺搭建的一個小型云計算系統(tǒng)，其中有1個管理服務器Management，2個主機節(jié)點Host，和1個存儲節(jié)點Storage。主機節(jié)點Host的操作系統(tǒng)為Redhat server5.3，處理器Inter I53470@3.60GHz，內(nèi)存8GB DDR3，硬盤容量1TB。主機節(jié)點Host上的虛擬機，操作系統(tǒng)為Ubuntu12.04版本，處理器為1GHz*2，內(nèi)存為2GB，網(wǎng)絡帶寬為150Mbps，磁盤轉(zhuǎn)速為7200/分鐘。具體參數(shù)如下：

表1實驗環(huán)境硬件參數(shù)

優(yōu)選實驗中示例性地使用httping工具來對系統(tǒng)進行請求，以方便得到系統(tǒng)服務響應時間，圖6表示的是負載較小時，使用本發(fā)明實施例的方法和使用傳統(tǒng)方法的應用服務響應時間對比圖。從圖6中可以看出，使用本發(fā)明實施例方法的應用服務響應時間比使用傳統(tǒng)方法的應用服務響應時間略大，但是兩種的值大致差不多，都在可接受的范圍內(nèi)。但是使用本發(fā)明實施例的方法可以在低載狀態(tài)下回收一些資源，減少資源和能耗的浪費。

S140、當所述負載狀態(tài)為過載狀態(tài)時，計算并增加所述虛擬機的瓶頸資源。

其中，過載狀態(tài)表示虛擬機負載較大、某一種或者多種資源不足的狀態(tài)，此時可以通過調(diào)節(jié)，將云計算系統(tǒng)中的空閑資源動態(tài)調(diào)整給過載狀態(tài)的虛擬機，增加過載狀態(tài)虛擬機的瓶頸資源，這樣做的好處在于可以緩解虛擬機的過載狀態(tài)，從而提高資源的利用率。

示例性的，實驗環(huán)境優(yōu)選為基于CloudStack5.0云計算平臺搭建的一個小型云計算系統(tǒng)，圖7表示的是隨著負載逐漸加大直到過載時，使用本發(fā)明實施例的方法和使用傳統(tǒng)方法的應用服務響應時間對比圖。從圖7中可以看出，剛開始由于系統(tǒng)的負載較低，兩種方法對應的響應時間基本相同。但是隨著請求數(shù)量的不斷增加，即系統(tǒng)負載的不斷增加，使用傳統(tǒng)方法的應用服務響應時間急劇增加，這會嚴重降低用戶服務質(zhì)量。使用本發(fā)明實施例的方法對應的應用服務響應時間則大致保持平穩(wěn)。而且，從圖7中可以看出，使用本發(fā)明實施例的方法所對應的虛擬機的應用服務響應時間，明顯低于使用傳統(tǒng)方法所對應的虛擬機的應用服務響應時間，這保證了用戶的服務質(zhì)量。

本實施例的技術(shù)方案，通過下一時刻的應用服務響應時間對負載狀態(tài)進行分析預測，計算影響系統(tǒng)性能的空閑資源或瓶頸資源，并進行資源的適當伸縮。利用了動態(tài)調(diào)整影響系統(tǒng)性能的關(guān)鍵資源的優(yōu)點，從而解決了現(xiàn)有技術(shù)中因負載判定及資源分配方式不準確而導致的資源利用率低下的問題，達到了提高資源動態(tài)調(diào)整準確性，緩解資源浪費或資源不足現(xiàn)象，進而提高云計算系統(tǒng)中的資源利用效率的效果。

實施例二

圖2為本發(fā)明實施例二提供的一種云計算系統(tǒng)中的資源動態(tài)調(diào)整方法的流程示意圖。本實施例以上述實施例為基礎(chǔ)進行優(yōu)化，提供了優(yōu)選的資源動態(tài)調(diào)整的方法，具體是，根據(jù)虛擬機對應用請求的服務響應時間的歷史數(shù)據(jù)按照預設方法確定下一時刻應用服務響應時間的預測值優(yōu)選地可以進一步優(yōu)化為：將虛擬機對應用請求的服務響應時間的歷史數(shù)據(jù)進行回歸分析，得到關(guān)于應用服務響應時間的預測函數(shù)；根據(jù)所述預測函數(shù)確定下一時刻應用服務響應時間的預測值。

S210、將虛擬機對應用請求的服務響應時間的歷史數(shù)據(jù)進行回歸分析，得到關(guān)于應用服務響應時間的預測函數(shù)。

其中，預測函數(shù)表示應用服務響應時間的預測值隨時間變化的直線或曲線，根據(jù)預測函數(shù)可計算出任意時刻下應用服務響應時間的預測值。

回歸分析(regression analysis)是確定兩種或兩種以上變量間相互依賴的定量關(guān)系的一種統(tǒng)計分析方法，其基本原理是：通過規(guī)定因變量和自變量來確定變量之間的因果關(guān)系，建立回歸模型，并根據(jù)實測數(shù)據(jù)來求解模型的各個參數(shù)，然后評價回歸模型是否能夠很好的擬合實測數(shù)據(jù)；如果能夠很好的擬合，則可以根據(jù)自變量作進一步預測。

S220、根據(jù)所述預測函數(shù)確定下一時刻應用服務響應時間的預測值。

當?shù)玫疥P(guān)于應用服務響應時間的預測函數(shù)后，可以根據(jù)時間與應用服務相應時間值之間的函數(shù)關(guān)系，計算出下一時刻所對應的應用服務相應時間值，作為下一時刻應用服務響應時間的預測值。

S230、根據(jù)所述下一時刻應用服務響應時間的預測值確定所述虛擬機的負載狀態(tài)。

S240、當所述負載狀態(tài)為低載狀態(tài)時，計算并回收所述虛擬機的空閑資源。

S250、當所述負載狀態(tài)為過載狀態(tài)時，計算并增加所述虛擬機的瓶頸資源。

本實施例的技術(shù)方案，通過計算應用服務響應時間的預測函數(shù)，從而確定下一時刻的應用服務響應時間的預測值，根據(jù)預測值對負載狀態(tài)進行分析預測，使得對負載狀態(tài)的判斷更加準確，為資源的動態(tài)調(diào)整提供了可靠的依據(jù)，從而達到了緩解資源浪費或資源不足的效果，提高了云計算系統(tǒng)中的資源使用效率。

實施例三

圖3為本發(fā)明實施例三提供的一種云計算系統(tǒng)中的資源動態(tài)調(diào)整方法的流程示意圖。本實施例以上述各實施例為基礎(chǔ)進行優(yōu)化，提供了優(yōu)選的資源動態(tài)調(diào)整方法，具體是，根據(jù)所述下一時刻應用服務響應時間的預測值確定所述虛擬機的負載狀態(tài)優(yōu)選地可以進一步優(yōu)化為：當所述下一時刻應用服務響應時間的預測值小于正常狀態(tài)下應用服務響應時間的預設最小閾值時，確定所述負載狀態(tài)為低載狀態(tài)；當所述下一時刻應用服務響應時間的預測值大于等于正常狀態(tài)下應用服務響應時間的預設最小閾值且小于等于正常狀態(tài)下應用服務響應時間的預設最大閾值時，確定所述負載狀態(tài)為正常狀態(tài)；當所述下一時刻應用服務響應時間的預測值大于所述正常狀態(tài)下應用服務響應時間的預設最大閾值時，確定所述負載狀態(tài)為過載狀態(tài)。

S310、根據(jù)虛擬機對應用請求的服務響應時間的歷史數(shù)據(jù)按照預設方法確定下一時刻應用服務響應時間的預測值。

S320、判斷所述虛擬機的負載狀態(tài)是否為正常狀態(tài)，若是，則執(zhí)行S360；若否，則執(zhí)行S330。

當所述下一時刻應用服務響應時間的預測值大于等于正常狀態(tài)下應用服務響應時間的預設最小閾值且小于等于正常狀態(tài)下應用服務響應時間的預設最大閾值時，確定所述負載狀態(tài)為正常狀態(tài)。

也就是說，若虛擬機下一時刻應用服務響應時間的預測值滿足上述條件，則虛擬機的負載狀態(tài)為正常狀態(tài)，執(zhí)行S360；若虛擬機下一時刻應用服務響應時間的預測值不滿足條件，則虛擬機的負載狀態(tài)為低載狀態(tài)或過載狀態(tài)，執(zhí)行S330；

具體的，正常狀態(tài)下應用服務響應時間的預設最小閾值可以設置為，在能夠保證用戶服務質(zhì)量的前提下，且虛擬機的空閑資源量高于一定閾值時所對應的應用服務響應時間的最小值；正常狀態(tài)下應用服務響應時間的預設最大閾值可以設置為，在能夠保證用戶服務質(zhì)量的前提下，虛擬機對應用請求的服務響應時間的最大值。在此不作限定。

例如，根據(jù)應用服務響應時間，虛擬機的負載狀態(tài)C可以用公式表示為：

其中，各變量的含義如下：

Rpt：應用服務響應時間；

T_lownormalMin：正常狀態(tài)時，應用服務響應時間的最小值；

T_normalMax：正常狀態(tài)時，應用服務響應時間的最大值。

當C＝2時候，此時虛擬機的負載狀態(tài)屬于正常狀態(tài)。此時虛擬機中的負載在虛擬機所擁有的資源的承受范圍內(nèi)，這時虛擬機中的資源可以得到充分利用，而且此時應用的服務響應時間在可接受范圍內(nèi)，用戶服務質(zhì)量也在可接受范圍中。因此，為了兼顧應用服務響應時間和用戶服務質(zhì)量，推薦的是虛擬機的負載狀態(tài)處于狀態(tài)2，即正常狀態(tài)。

S330、判斷所述虛擬機的負載狀態(tài)是否為低載狀態(tài)，若是，則執(zhí)行S340；若否，則執(zhí)行S350。

當所述下一時刻應用服務響應時間的預測值小于正常狀態(tài)下應用服務響應時間的預設最小閾值時，確定所述負載狀態(tài)為低載狀態(tài)。

當所述下一時刻應用服務響應時間的預測值大于所述正常狀態(tài)下應用服務響應時間的預設最大閾值時，確定所述負載狀態(tài)為過載狀態(tài)。

也就是說，若虛擬機下一時刻應用服務響應時間的預測值小于正常狀態(tài)下應用服務響應時間的預設最小閾值，則虛擬機的負載狀態(tài)為低載狀態(tài)，執(zhí)行S340；若虛擬機下一時刻應用服務響應時間的預測值不滿足上述條件，則虛擬機的負載狀態(tài)為過載狀態(tài)，執(zhí)行S350。

例如，公式(1)中，當C＝1的時候，表明虛擬機的負載狀態(tài)處于低載狀態(tài)，性能最優(yōu)，但是此時虛擬機中負載過低，導致資源不能充分使用，會造成了嚴重的資源浪費。當C＝3時，表明虛擬機的負載狀態(tài)處于過載狀態(tài)，此時資源雖然充分利用，但是由于虛擬機負載太大，已超出了虛擬機所能承受的范圍，因此，此時會導致應用服務響應時間大大增加，用戶服務質(zhì)量顯著下降。

S340、計算并回收所述虛擬機的空閑資源。

S350、計算并增加所述虛擬機的瓶頸資源。

S360、不做特殊處理，并退出。

本實施例的技術(shù)方案，通過下一時刻的應用服務響應時間的預測值對負載狀態(tài)進行分類，使得對負載狀態(tài)的判斷更加方便、準確，為后續(xù)關(guān)鍵資源的計算提供了可靠的依據(jù)，從而達到了緩解資源浪費或資源不足，提高云計算系統(tǒng)中的資源使用效率的效果。

實施例四

圖4為本發(fā)明實施例四提供的一種云計算系統(tǒng)中的資源動態(tài)調(diào)整方法的流程示意圖。本實施例以上述各實施例為基礎(chǔ)進行優(yōu)化，提供了優(yōu)選的資源動態(tài)調(diào)整方法，具體是，計算并回收所述虛擬機的空閑資源優(yōu)選地可以進一步優(yōu)化為：根據(jù)所述虛擬機的下一時刻的系統(tǒng)資源參數(shù)的取值及負載狀態(tài)計算所述虛擬機的空閑資源；回收所述虛擬機的空閑資源。計算并增加所述虛擬機的瓶頸資源優(yōu)選地可以進一步優(yōu)化為：根據(jù)所述虛擬機的下一時刻的系統(tǒng)資源參數(shù)的取值及負載狀態(tài)計算所述虛擬機的瓶頸資源；增加所述虛擬機的瓶頸資源。

S410、根據(jù)虛擬機對應用請求的服務響應時間的歷史數(shù)據(jù)按照預設方法確定下一時刻應用服務響應時間的預測值。

S420、根據(jù)所述下一時刻應用服務響應時間的預測值確定所述虛擬機的負載狀態(tài)。

S430、當所述負載狀態(tài)為低載狀態(tài)時，根據(jù)所述虛擬機的下一時刻的系統(tǒng)資源參數(shù)的取值及負載狀態(tài)計算所述虛擬機的空閑資源。

其中，系統(tǒng)資源參數(shù)為系統(tǒng)中各種資源類型的特征向量。通過對云計算中應用程序的各種系統(tǒng)資源參數(shù)進行監(jiān)控可以發(fā)現(xiàn)，系統(tǒng)資源在使用過程中并不是所有特征參數(shù)對每個應用程序都很敏感，而是特征參數(shù)中一部分對于特定類型的應用，其對應的資源使用情況表現(xiàn)出較高的相關(guān)性，因此將這些能夠有效區(qū)分不同應用及資源使用情況的特征參數(shù)單獨列出來，作為特征向量，也就是系統(tǒng)資源參數(shù)，以用于能夠區(qū)分應用的標準。

具體的，系統(tǒng)資源參數(shù)所對應的系統(tǒng)資源主要有CPU(Central Processing Unit，中央處理器)、內(nèi)存、網(wǎng)絡(網(wǎng)絡的發(fā)送和接收)和磁盤的讀寫資源。在虛擬機負載很大時，這些資源的使用率很高。相反的，當虛擬機負載很小時，這些資源的利用率相對較小。因此，這些資源的利用率在一定程度上可以表征虛擬機負載的大小。

可選的，下一時刻的系統(tǒng)資源參數(shù)的取值可以通過LPC方法進行計算得到。

示例性的，實驗環(huán)境優(yōu)選為基于CloudStack5.0云計算平臺搭建的一個小型云計算系統(tǒng)，為了驗證本發(fā)明實施例中下一時刻系統(tǒng)資源使用情況預測的準確性，使用Linux監(jiān)測工具dstat來監(jiān)控系統(tǒng)運行過程中的資源使用情況，通過對比使用本發(fā)明實施例的預測方法和實際資源使用情況，來驗證對下一時刻系統(tǒng)資源使用情況預測的準確性。從圖8(a)至圖8(f)中可以看出，對于CPU、磁盤讀取、磁盤寫入、內(nèi)存、網(wǎng)絡接收和網(wǎng)絡發(fā)送這些系統(tǒng)資源，預測值和實際觀察的資源使用值基本相同，從而驗證了預測方法的有效性。

優(yōu)選地，根據(jù)虛擬機的下一時刻的系統(tǒng)資源參數(shù)的取值及負載狀態(tài)計算所述虛擬機的空閑資源包括：根據(jù)所述虛擬機的系統(tǒng)資源參數(shù)的歷史取值數(shù)據(jù)按照預設方法確定下一時刻所述系統(tǒng)資源參數(shù)的預測值；根據(jù)所述下一時刻所述系統(tǒng)資源參數(shù)的預測值，確定使得下一時刻所述虛擬機的負載狀態(tài)為低載狀態(tài)的貢獻最大的系統(tǒng)資源參數(shù)所對應的系統(tǒng)資源，將該系統(tǒng)資源作為所述虛擬機的空閑資源。

例如，當預測到下一個時刻虛擬機的負載狀態(tài)為低載狀態(tài)時，根據(jù)公式(1)可知C＝1，根據(jù)貝葉斯分類公式，此時有

P(C₁|X)>P(C₂|X) (2)

P(C₁|X)>P(C₃|X) (3)

其中，X＝(x_cpu,x_read,x_write,x_mem,x_recv,x_send)為某個時刻虛擬機的特征向量，即系統(tǒng)資源參數(shù)，用該向量表征虛擬機的狀態(tài)。C₁表示C＝1，同理C₂表示C＝2，C₃表示是C＝3。

各變量的含義如下：

Cpu：cpu資源的使用率；

Read：磁盤讀取速度；

Write：磁盤寫入速度；

Mem：內(nèi)存的使用量；

Recv：網(wǎng)絡接收速度；

Send：網(wǎng)絡發(fā)送速度。

根據(jù)公式(2)，假設x_cpu,x_read,x_write,x_mem,x_recv,x_send這些變量相互獨立，可以得到：

注：此處n＝6，(x₁,x₂,x₃,x₄,x₅,x₆)即為(x_cpu,x_read,x_write,x_mem,x_recv,x_send)。

由于P(X)>0，對公式(4)進行變換得：

對公式(5)兩邊lg運算得：

由于(x₁,x₂,x₃,x₄,x₅,x₆)即為(x_cpu,x_read,x_write,x_mem,x_recv,x_send)，所以可得：

通過公式(7)，可以看出要想虛擬機屬于狀態(tài)C＝1，必須要求各項相加的和大于0，而對于特定的應用而言，計算虛擬機的值是常數(shù)，因此，其他的各項哪項的值最大，哪項就是讓該虛擬機成為狀態(tài)C＝1貢獻最大的因子，而C＝1的狀態(tài)是低載的狀態(tài)，資源太過富余而造成了資源浪費，因此該因子對應的資源也就是富余的可以回收的資源。

至此，可以定義關(guān)鍵資源因子：

其中，i,j可以取值為1,2,3，m可以取值cpu,read,write,mem,recv,send。

將公式(8)帶入公式(7)可得：

至此，可以得到讓公式(2)成立的所有可能的關(guān)鍵因子，key_1,2,cpu,key_1,2,read,key_1,2,write,key_1,2,mem,key_1,2,recv,key_1,2,send。

同理，根據(jù)公式(3)，也可以得到：

至此，可以得到讓公式(3)成立的所有可能的關(guān)鍵因子，key_1,3,cpu,key_1,3,read,key_1,3,write,key_1,3,mem,key_1,3,recv,key_1,3,send。

根據(jù)公式(2)和(3)得到的所有可能關(guān)鍵因子為key_1,2,cpu,key_1,2,read,key_1,2,write,key_1,2,mem,key_1,2,recv,key_1,2,send和key_1,3,cpu,key_1,3,read,key_1,3,write,key_1,3,mem,key_1,3,recv,key_1,3,send，因此，這些所有的因子中其值最大的為關(guān)鍵的資源因子。

注：j的取值為2,3；m的取值為cpu,read,write,mem,recv,send。

即資源KeyResource是讓該虛擬機成為狀態(tài)C＝1貢獻最大的因子，也就是說該資源是富余的，因此可以回收適量該資源來減少資源的閑置和浪費。

S440、回收所述虛擬機的空閑資源。

S450、當所述負載狀態(tài)為過載狀態(tài)時，根據(jù)所述虛擬機的下一時刻的系統(tǒng)資源參數(shù)的取值及負載狀態(tài)計算所述虛擬機的瓶頸資源。

優(yōu)選地，根據(jù)所述虛擬機的下一時刻的系統(tǒng)資源參數(shù)的取值及負載狀態(tài)計算所述虛擬機的瓶頸資源包括：根據(jù)所述虛擬機的系統(tǒng)資源參數(shù)的歷史取值數(shù)據(jù)按照預設方法確定下一時刻所述系統(tǒng)資源參數(shù)的預測值；根據(jù)所述下一時刻所述系統(tǒng)資源參數(shù)的預測值，確定使得下一時刻所述虛擬機的負載狀態(tài)為過載狀態(tài)的貢獻最大的系統(tǒng)資源參數(shù)所對應的系統(tǒng)資源，將該系統(tǒng)資源作為所述虛擬機的瓶頸資源。

例如，當預測到下一個時刻虛擬機的負載狀態(tài)為過載狀態(tài)時，根據(jù)公式(1)可知C＝3，根據(jù)貝葉斯分類公式，此時有

P(C₃|X)>P(C₁|X) (12)

P(C₃|X)>P(C₂|X) (13)

公式(12)進行推導可得：

至此，可以得到讓公式(12)成立的所有可能的關(guān)鍵因子，key_3,1,cpu,key_3,1,read,key_3,1,write,key_3,1,mem,key_3,1,recv,key_3,1,send。

公式(13)進行推導可得：

至此，可以得到讓公式(13)成立的所有可能的關(guān)鍵因子，key_3,2,cpu,key_3,2,read,key_3,2,write,key_3,2,mem,key_3,2,recv,key_3,2,send。

根據(jù)公式(12)和(13)得到所有可能關(guān)鍵因子為key_3,1,cpu,key_3,1,read,key_3,1,write,key_3,1,mem,key_3,1,recv,key_3,1,send和key_3,2,cpu,key_3,2,read,key_3,2,write,key_3,2,mem,key_3,2,recv,key_3,2,send，因此，這些所有的因子中其值最大的為關(guān)鍵的資源因子。

注：j的取值為1,2；m的取值為cpu,read,write,mem,recv,send。

即資源KeyResource是讓該虛擬機成為狀態(tài)C＝3貢獻最大的因子，而C＝3為虛擬機的過載狀態(tài)，因此也就是說該資源是系統(tǒng)的瓶頸資源，即系統(tǒng)中該資源是不足的，因此可以增加該資源來提高系統(tǒng)性能，保證用戶服務質(zhì)量。

S460、增加所述虛擬機的瓶頸資源。

本實施例的技術(shù)方案，通過預測下一時刻的系統(tǒng)資源參數(shù)的取值及負載狀態(tài)，計算虛擬機的空閑資源或瓶頸資源，從而回收空閑資源或增加瓶頸資源，達到了提高資源動態(tài)調(diào)整準確性，緩解資源浪費或資源不足現(xiàn)象，進而提高云計算系統(tǒng)中的資源利用效率的效果。

實施例五

圖5為本發(fā)明實施例五提供的一種云計算系統(tǒng)中的資源動態(tài)調(diào)整裝置的結(jié)構(gòu)示意圖。該裝置可適用于云計算資源調(diào)整的情況，該裝置可由硬件和/或軟件組成，并一般可集成在云計算系統(tǒng)以及所有包含資源動態(tài)調(diào)整功能的計算機系統(tǒng)中。參考圖5，所述資源動態(tài)調(diào)整裝置包括：響應時間預測模塊510、負載狀態(tài)確定模塊520、空閑資源回收模塊530、瓶頸資源增加模塊540，下面對各模塊進行具體說明。

響應時間預測模塊510，用于根據(jù)虛擬機對應用請求的服務響應時間的歷史數(shù)據(jù)按照預設方法確定下一時刻應用服務響應時間的預測值；

負載狀態(tài)確定模塊520，用于根據(jù)所述下一時刻應用服務響應時間的預測值確定所述虛擬機的負載狀態(tài)；

空閑資源回收模塊530，用于當所述負載狀態(tài)為低載狀態(tài)時，計算并回收所述虛擬機的空閑資源；

瓶頸資源增加模塊540，用于當所述負載狀態(tài)為過載狀態(tài)時，計算并增加所述虛擬機的瓶頸資源。

可選的，所述響應時間預測模塊具體用于：

將虛擬機對應用請求的服務響應時間的歷史數(shù)據(jù)進行數(shù)學回歸，得到關(guān)于應用服務響應時間的預測函數(shù)；

根據(jù)所述預測函數(shù)確定下一時刻應用服務響應時間的預測值。

可選的，所述負載狀態(tài)確定模塊具體用于：

當所述下一時刻應用服務響應時間的預測值小于正常狀態(tài)下應用服務響應時間的預設最小閾值時，確定所述負載狀態(tài)為低載狀態(tài)；

當所述下一時刻應用服務響應時間的預測值大于等于正常狀態(tài)下應用服務響應時間的預設最小閾值且小于等于正常狀態(tài)下應用服務響應時間的預設最大閾值時，確定所述負載狀態(tài)為正常狀態(tài)；

當所述下一時刻應用服務響應時間的預測值大于所述正常狀態(tài)下應用服務響應時間的預設最大閾值時，確定所述負載狀態(tài)為過載狀態(tài)。

可選的，所述空閑資源回收模塊包括：

空閑資源計算單元，用于根據(jù)所述虛擬機的下一時刻的系統(tǒng)資源參數(shù)的取值及負載狀態(tài)計算所述虛擬機的空閑資源；

資源回收單元，用于回收所述虛擬機的空閑資源。

可選的，所述空閑資源計算單元具體用于：

根據(jù)所述虛擬機的系統(tǒng)資源參數(shù)的歷史取值數(shù)據(jù)按照預設方法確定下一時刻所述系統(tǒng)資源參數(shù)的預測值；

根據(jù)所述下一時刻所述系統(tǒng)資源參數(shù)的預測值，確定使得下一時刻所述虛擬機的負載狀態(tài)為低載狀態(tài)的貢獻最大的系統(tǒng)資源參數(shù)所對應的系統(tǒng)資源，將該系統(tǒng)資源作為所述虛擬機的空閑資源。

可選的，所述瓶頸資源增加模塊包括：

瓶頸資源計算單元，用于根據(jù)所述虛擬機的下一時刻的系統(tǒng)資源參數(shù)的取值及負載狀態(tài)計算所述虛擬機的瓶頸資源；

資源增加單元，用于增加所述虛擬機的瓶頸資源。

可選的，所述瓶頸資源計算單元具體用于：

根據(jù)所述虛擬機的系統(tǒng)資源參數(shù)的歷史取值數(shù)據(jù)按照預設方法確定下一時刻所述系統(tǒng)資源參數(shù)的預測值；

根據(jù)所述下一時刻所述系統(tǒng)資源參數(shù)的預測值，確定使得下一時刻所述虛擬機的負載狀態(tài)為過載狀態(tài)的貢獻最大的系統(tǒng)資源參數(shù)所對應的系統(tǒng)資源，將該系統(tǒng)資源作為所述虛擬機的瓶頸資源。

上述產(chǎn)品可執(zhí)行本發(fā)明任意實施例所提供的方法，具備執(zhí)行方法相應的功能模塊和有益效果。

注意，上述僅為本發(fā)明的較佳實施例及所運用技術(shù)原理。本領(lǐng)域技術(shù)人員會理解，本發(fā)明不限于這里所述的特定實施例，對本領(lǐng)域技術(shù)人員來說能夠進行各種明顯的變化、重新調(diào)整和替代而不會脫離本發(fā)明的保護范圍。因此，雖然通過以上實施例對本發(fā)明進行了較為詳細的說明，但是本發(fā)明不僅僅限于以上實施例，在不脫離本發(fā)明構(gòu)思的情況下，還可以包括更多其他等效實施例，而本發(fā)明的范圍由所附的權(quán)利要求范圍決定。