CN105049499A - 一种基于多立方体映射的网络功能虚拟化资源分配方法 - Google Patents

Abstract

一种基于多立方体映射的网络功能虚拟化资源分配方法，以多立方体模型对资源进行抽象，以数学向量理论为主要研究工具，以虚拟机映射为主线，考虑服务器能耗，以最少服务器使用量为研究目标，旨在提高网络功能虚拟化中资源利用率。该发明将资源量用CPU、Memory、IO三个维度的向量表征，采用多立方体资源模型，根据虚拟机资源请求向量和服务器剩余资源向量，首先采用最佳适配方法选择目标服务器集，进而以最小资源利用不均衡度为准则选择最佳服务器，最后对虚拟机进行迁移，关闭低负载服务器，以降低能耗。

Description

一种基于多立方体映射的网络功能虚拟化资源分配方法

技术领域

本发明涉及一种基于多立方体映射的网络功能虚拟化资源分配方法，用于实现网络功能虚拟化中资源的合理分配，属于虚拟化技术领域。

背景技术

网络功能虚拟化(NFV，NetworkFunctionVirtualization)，是为了解决现有网络设备建设周期长、业务上线时间长和缺乏灵活性的不足而产生的，采用标准的IT虚拟化技术，将传统网络设备的软件功能与硬件解耦。硬件不再采用传统专有设备，而是统一到工业化标准的高性能、大容量的服务器、交换机和存储平台上；软件功能以虚拟机的形式存在于数据中心的服务器之上，共享计算资源、网络资源、存储资源。NFV的核心思想是将传统网络设备的软件功能与硬件解耦和，以达到降低成本，提升管理、维护效率，增强***灵活性的目的。

由全球领先的7家电信网络运营商发起成立的ETSI网络功能虚拟化行业规范工作组从2012年起陆续公布了NFV的相关***与技术文档，其中对NFV体系架构做了详细的描述。NFV体系架构由3个核心工作域组成：

虚拟网络功能(VNFs)域：由运行在NFVI之上，实现指定网络功能的软件组成。

NFV基础设施(NFVI)域：由硬件资源以及相应虚拟化后的资源组成，为VNFs提供所需的计算、存储、网络资源。

NFV管理和业务编排(NFVManagementandOrchestration)域：由NFVO(NetworkfunctionVirtualOrchestrator)、VNFM(VirtualNetworkFunctionManagement)和VIM(VirtualInfrastructureManagement)组成。其中NFVO实现统一的资源管理与调度，VNFM实现对虚拟网元的生命周期管理，包括虚拟网元的生成、变更、删除等，VIM实现对虚拟化资源、硬件资源的统一管理。

网络运营商通过维护统一的数据中心平台，将用户提出的虚拟机请求映射到服务器中，向用户提供虚拟网络功能。网络功能的添加与升级体现为新虚拟机的导入与虚拟机中软件版本的升级。在将用户端的虚拟机请求映射到数据中心服务器的过程中，如何在满足虚拟机资源请求以保证业务Qos的同时，提高服务器资源利用率，并且从能耗的角度实现节能减排，是网络运营商必须要考虑的问题。

发明内容

技术问题：本发明设计出一种网络功能虚拟化中的资源分配方法。该方法以向量表征资源量，以多立方体模型对资源进行抽象，提出了基于多立方体资源模型的虚拟机映射算法，应用于网络功能虚拟化中的资源分配。

技术方案：本发明以数据中心作为网络功能虚拟化的实现方式，以数学向量理论为主要研究工具，以向量表征资源量，以虚拟机映射为主线，基于多立方体资源模型，采用启发式算法，旨在提高网络功能虚拟化中资源利用率的同时降低服务器能耗。

本发明以最少服务器使用量为目标，优化模型如图1。优化过程包括以下几个流程：

1：多立方体资源模型的建立：用于对资源向量按模值进行归类；

2：六边形投影：用于对资源向量按不均衡度进行归类；

3：向量映射：向量到多立方体模型的映射；

4：向量投影:向量到六边形的投影；

5：确定目标服务器集；

6：确定最佳服务器；

7：虚拟机迁移；

所述多立方体资源模型的建立为：以多立方体模型对资源进行抽象。考虑CPU、Memory、IO三个资源维度，分别对其进行归一化并二等分得到一个八立方体模型，如图2所示。以剩余资源向量RCV(RemainingCapacityVector)表征服务器在三个维度上的剩余资源量；以资源使用向量RUV(ResourceUtilizationVector)表征服务器在三个维度上的资源使用量；以资源请求向量RRV(ResourceRequirementVector)表征新虚拟机在三个维度上的请求资源量，服务器中新虚拟机的导入可视为RUV与RRV的矢量叠加；以资源不均衡度向量RIV(ResourceImbalanceVector)表征服务器在三个资源维度上的使用量不均衡度。该模型对三个维度的资源按大小进行了划分，定义了资源模型大小约束条件。

所述六边形投影为：以六边形对资源不均衡度进行抽象。对于资源使用向量RUV＝(a,b,c),其不均衡度可表示如下：

$RIV=(a-\frac{a+b+c}{3},b-\frac{a+b+c}{3},c-\frac{a+b+c}{3}).$

将多立方体资源模型向垂直主对角线的平面投影，得到一个平面六边形，并对六边形内部三角形分别进行编号，具有相同编号的三角形满足相同的约束条件，如图3所示。为了建立多立方体资源模型与平面六边形的联系，描述映射到各个小立方体中向量的资源不均衡度，将八个小立方体分别投影到同一个平面上，如图4所示。

所述向量映射为：将RCV和RRV映射到多立方体资源模型中的某一个小立方体中，其中映射到相同小立方体的RCV与RRV满足相同的资源模值大小约束条件。

所述向量投影为：将RCV和RRV分别投影到平面六边形中。其中投影到相同三角形内的RCV与RRV满足相同的资源不均衡度约束条件。

所述确定目标服务器集为：根据RCV与RRV的向量映射与向量投影，采用最佳适配方法，确定适合RRV映射的目标服务器集。为了提高服务器资源利用率，降低三个维度的资源利用不均衡度，将首先适配虚拟机资源请求向量并且负载较高的服务器加入到目标服务器集。算法流程如图5所示。

所述确定最佳服务器为：从目标服务器集之中，依据最小资源利用不均衡度准则选择适合当前虚拟机映射的最佳服务器。算法流程如图6所示。

所述虚拟机迁移为：根据服务器负载等级，对低负载等级服务器上的虚拟机逐个进行迁移。本发明根据服务器在三个资源维度上的负载量对其进行负载等级划分。若以向量R＝(a,b,c)表征服务器资源使用向量，则其负载等级定义如下：

$Level=\left\{\begin{array}{cc}L& 0<a<{\mathrm{\&alpha;}}_1\&cap;0<b<{\mathrm{\&alpha;}}_1\&cap;0<c<{\mathrm{\&alpha;}}_1\\ M& {\mathrm{\&alpha;}}_1<a<{\mathrm{\&alpha;}}_2\&cap;{\mathrm{\&alpha;}}_1<b<{\mathrm{\&alpha;}}_2\&cap;{\mathrm{\&alpha;}}_1<c<{\mathrm{\&alpha;}}_2\\ H& else\end{array}\right.$

其中，取α₁＝0.3α₂＝0.7。服务器负载等级越高，意味着当前服务器某一个或某几个维度的资源利用率越高。服务器负载等级的定义同时考虑三个维度的资源负载，图7从二个维度对服务器负载等级进行了说明。

有益效果：本发明基于数据中心的视角，利用数学向量基本原理与方法，建立了多立方体资源模型，考虑服务器能耗，提出了基于多立方体资源模型的虚拟机映射算法，实现了最少化服务器使用量的目标，完成了网络功能虚拟化中的资源分配，在提高服务器资源利用率的同时降低了服务器能耗。

附图说明：

图1是***优化模型图。

图2是多立方体资源模型图。

图3是六边形投影图。

图4是多立方体资源模型的投影图。

图5是目标服务器集的确定流程图。

图6是最佳服务器的确定流程图。

图7是服务器负载等级定义图。

具体实施方式：

本发明以数据中心作为网络功能虚拟化的实现方式，以数学向量理论为主要研究工具，以向量模型表征资源量，以虚拟机映射为主线，以最少服务器使用量为研究目标，建立多立方体资源模型，采用启发式算法，旨在提高网络功能虚拟化中资源利用率的同时降低服务器能耗。

资源的向量化：本发明以向量表征资源量，对资源量进行归一化处理，以R＝(n₁,n₂,…n_N)表征一个N维度的资源量，其中n_i，i＝1,2,…N表示该资源量在第i维度上的分量。以剩余资源向量RCV表征服务器在三个维度上的剩余资源量；以资源使用向量RUV表征服务器在三个维度上的资源使用量；以资源请求向量RRV表征新虚拟机在三个维度上的请求资源量，服务器中新虚拟机的导入可视为RUV与RRV的矢量叠加；以资源不均衡度向量RIV表征服务器在三个资源维度上的使用量不均衡度。

***优化模型：本发明考虑CPU、Memory、IO三个资源维度，以最小化服务器使用量为研究目标，优化模型如图1所示。其中Vm_i表示该服务器上的虚拟机，|Vm_x|表示虚拟机数量，|Pm_x|表示服务器数量，分别表示单个服务器的CPU总量，Memory总量和IO总量，分别表示虚拟机请求的CPU量，Memory量和IO量。

多立方体资源模型的建立：本发明采用多立方体资源模型，如图2所示。其中以x轴表征CPU资源，y轴表征Memory资源，z轴表征IO资源。八个小立方体分别记为C₁,C₂,C₃,C₄,C₅,C₆,C₇,C₈，其中：

C₁:{x＜0.5,y＜0.5,z＜0.5},C₂:{x＞0.5,y＜0.5,z＜0.5},

C₃:{x＜0.5,y＞0.5,z＜0.5},C₄:{x＞0.5,y＞0.5,z＜0.5},

C₅:{x＜0.5,y＜0.5,z＞0.5},C₆:{x＞0.5,y＜0.5,z＞0.5},

C₇:{x＜0.5,y＞0.5,z＞0.5},C₈:{x＞0.5,y＞0.5,z＜0.5}.

在求解***优化模型的过程中，将剩余资源向量与资源请求向量映射到多立方体模型中，记Pm^p与Vm^p分别为映射到p号立方体的服务器与虚拟机。在求取目标PM集时，依据资源充足原则，在三个维度上均满足Vm^p请求的立方体记为W_p。则W_p可确定如下：

W₁＝[Pm¹,Pm²,Pm³,Pm⁵,Pm⁴,Pm⁶,Pm⁷,Pm⁸]

W₂＝[Pm²,Pm⁴,Pm⁶,Pm⁸]

W₃＝[Pm³,Pm⁴,Pm⁷,Pm⁸]

W₄＝[Pm⁴,Pm⁸]

W₅＝[Pm⁵,Pm⁶,Pm⁷,Pm⁸]

W₆＝[Pm⁶,Pm⁸]

W₇＝[Pm⁷,Pm⁸]

W₈＝[Pm⁸]

六边形投影：将多立方体资源模型向垂直主对角线的平面投影，得到一个平面六边形，并对六边形内部三角形分别进行编号。图3中的六边形投影恰当准确地描述了三个维度的资源之间的不均衡关系。将资源请求向量映射到同一个三角内的资源剩余向量，能够有效地提高服务器资源利用率，降低资源利用不均衡度。结合多立方体资源模型，将每个小立方体均投影到六边形中，如图4所示，能够进一步加快启发式搜索进程。

目标服务器集：假设资源请求向量映射到C_i立方体，i＝[1,2,...,8]，并投影到六边形的j号三角形内。采用最佳适配方法，逐个遍历映射到W_i和j号三角形的资源剩余向量，在三个维度上均满足资源请求的第一个资源剩余向量将被加入到目标服务器集。若遍历结束后没有找到合适的资源剩余向量，则应当重新启动一台服务器，并将其加入到目标服务器集之中。算法流程如图5所示。

最佳服务器：逐个遍历目标服务器集，并计算其资源使用向量与资源请求向量之和的不均衡度，最后具有最小不均衡度模值的服务器即是映射当前虚拟机的最佳服务器。算法流程如图6所示。

虚拟机迁移：从能耗的角度，选择低负载服务器，对运行其上的虚拟机进行迁移并关闭低负载服务器，旨在达到节能减排的目的。虚拟机迁移的过程也即是虚拟机重新映射的过程。服务器负载等级定义如图7所示。

Claims (1)

1.一种基于多立方体映射的网络功能虚拟化资源分配方法，其特征在于，以多立方体模型对网络功能虚拟化资源进行抽象，把虚拟机资源请求映射到数据中心服务器，完成网络功能虚拟化中的资源分配，包括以下几个步骤：

1).多立方体资源模型的建立:用于对资源向量依模值进行归类；

2).六边形投影：用于对资源向量依维度间不均衡度进行归类；

3).向量映射：资源向量到多立方体模型的映射；

4).向量投影:资源向量到六边形的投影；

5).确定目标服务器集；

6).确定最佳服务器；

7).虚拟机迁移；

所述多立方体资源模型的建立，即对服务器资源进行抽象，考虑三个资源维度，对其进行归一化并二等分得到一个八立方体模型，该模型对三个维度的资源按大小进行了划分；

所述六边形投影，即对资源不均衡度进行抽象，六边形中相同编号的三角形满足相同的资源不均衡度约束条件；八个小立方体分别映射为平面六边形中的一部分，建立了多立方体资源模型与平面六边形的联系，描述映射到各个小立方体中向量的资源不均衡度；

所述向量映射，即将资源剩余向量和资源请求向量映射到多立方体资源模型中的某一个小立方体中，其中映射到相同小立方体的向量满足相同的资源模值大小约束条件；

所述向量投影，即将资源剩余向量和资源请求向量分别投影到平面六边形中。其中投影到相同三角形内的向量满足相同的资源不均衡度约束条件。将资源请求向量映射到同一个三角内的资源剩余向量，能够有效地提高服务器资源利用率，降低资源利用不均衡度；

所述确定目标服务器集，即根据向量映射与向量投影，采用最佳适配方法，确定适合资源请求向量映射的目标服务器集；

所述确定最佳服务器，即从目标服务器集之中，依据最小资源利用不均衡度准则选择适合当前虚拟机映射的最佳服务器；

所述虚拟机迁移，即根据服务器负载等级，对低负载等级服务器上的虚拟机逐个进行迁移，关闭低负载等级服务器以达到降低服务器能耗与节能减排的目的，虚拟机迁移的过程也即是重新映射的过程。