智能实时迁移优化框架：最小化服务等级违规与资源成本的创新研究

本文提出了一种基于机器学习的智能虚拟机(VM)实时迁移框架，通过多目标优化方法动态选择最优迁移算法（包括PRE-POST混合技术），显著降低服务等级目标(SLO)违规率1.5倍，减少总迁移时间近一个数量级。该框架整合了55,000+次迁移数据的预测模型，在QEMU/KVM平台上实现了热点解决和资源整合场景的自动化调度，为云计算资源管理提供了创新解决方案。

　　

亮点与结论

亮点

• 开发了能基于多目标预测最优迁移技术的实时迁移性能模型

• 实现了利用该性能模型自动执行负载均衡和服务器整合的管理框架

• 全面评估显示相比传统单一技术方案，显著减少了SLO违规并优化了资源使用

迁移挑战与机遇

分析谷歌集群追踪数据集发现，大规模云环境中资源使用具有高度动态性，由需求各异的短期和长期作业混合导致。这种工作负载波动性使得节点频繁在利用不足和过度利用状态间转换。图2显示了我们基于公开数据的模拟结果。

实时迁移性能预测

选择最优迁移技术具有挑战性，因为可用技术众多、VM工作负载多样且系统和网络条件多变。构建分析模型在现代数据中心规模下不切实际。为此，我们扩展了先前工作[38]的模型，支持九种实时迁移技术并...

框架设计与实现

本节介绍我们框架的设计和关键组件。系统由管理同机架多个工作节点的单一协调器组成。每个工作节点运行代理程序，支持协调的VM管理并报告本地资源指标。

评估

本节展示框架在多种数据中心场景下的全面评估。首先在受控集群环境中评估各迁移技术的性能和SLO违规评分。然后使用机器学习模型在既定策略约束下选择适当迁移技术。我们将本框架（标记为GUIDED）与九种静态迁移策略进行对比...

结论

本文提出了基于机器学习的数据中心智能VM实时迁移框架。不同于依赖静态技术选择的传统方法，我们的框架根据工作负载特征、系统条件和策略驱动的服务等级目标(SLO)为每个事件动态选择最适合的迁移策略。框架核心是一组性能预测模型，能估计所有支持技术的关键迁移指标...