15、预测性虚拟机整合与代码覆盖率报告

预测性虚拟机整合与代码覆盖率报告

1. 预测性虚拟机整合

在异构云环境中，虚拟机（VM）的有效整合对于提高资源利用率和降低能耗至关重要。

1.1 资源阈值与迁移

资源使用存在上下阈值，λcpu 和 λmem 分别代表 CPU 和内存使用的上限阈值，λ′cpu 和 λ′mem 代表下限阈值。例如，若 λcpu = 0.9，意味着在某一时刻，物理机（PM）的 CPU 利用率不得超过整个可用 CPU 资源的 90%；若 λ′cpu = 0.2，即总资源使用为 CPU 资源的 20%，则分配到该 PM 的 VM 需因资源利用率低和高功耗而迁移。迁移规划模块会挑选资源利用率低的 PM 上的 VM，并将其放置到运行 VM 数量最少且在 λcpu 和 λmem 约束下压缩比最高的 PM 上。

1.2 解决方案

VM 打包问题可借鉴装箱问题的解决方案，将所有 PM 视为箱子，VM 视为要调度的物品。VM 打包问题可看作考虑 CPU 和内存两种资源的多维装箱问题。PM 的压缩比计算公式如下：
[CR_j = \frac{U_{cpu}^j}{C_{cpu}^j} + \frac{U_{mem}^j}{C_{mem}^j}]
其中，$U_{cpu}^j$ 表示机器 $M_j$ 的 CPU 利用率，$C_{cpu}^j$ 表示其可用 CPU 总量；$U_{mem}^j$ 表示内存利用率，$C_{mem}^j$ 表示可用内存总量。压缩比越高，分配效果越好。

为解决该问题，设计了启发式方法，引入了 VM 的权重 $w_i$ 和松弛时间 $s_i$：
[w_i = (u_i + m_i) \cdot e_i]