(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210387066.5 (22)申请日 2022.04.14 (65)同一申请的已公布的文献号 申请公布号 CN 114490093 A (43)申请公布日 2022.05.13 (73)专利权人 北京计算机技 术及应用研究所 地址 100854 北京市海淀区永定路51号 (72)发明人 杨飞　许健　丁晓东　吴江　 霍晓昕　平笑柔　陈娜　苏醒　 (74)专利代理 机构 中国兵器 工业集团公司专利 中心 11011 专利代理师 刘瑞东 (51)Int.Cl. G06F 9/50(2006.01) G06F 9/455(2006.01)G06F 11/30(2006.01) G06N 3/00(2006.01) H04L 67/10(2022.01) (56)对比文件 CN 104618269 A,2015.0 5.13 CN 113672345 A,2021.1 1.19 审查员 孟子山 (54)发明名称 一种面向多云管理场景的云资源最优分配 方法 (57)摘要 本发明涉及一种面向多云管理场景的云资 源最优分配方法， 属于计算机领域。 本发明建立 了资源均衡分布的资源分配模型， 通过粒子群优 化算法求解 资源分配最佳方案， 能够充分发挥服 务器集群资源的最大价值， 使多种类型服务器资 源均衡使用， 避免了单台服务器负荷太重导致的 服务器损坏和业务系统性能降低等问题。 本发明 能够有效提升在多云环境下， 资源分配的合理 性， 以及多云整体性能。 权利要求书2页 说明书6页 附图2页 CN 114490093 B 2022.07.12 CN 114490093 B 1.一种面向多云管理场景的云 资源最优分配方法， 其特 征在于， 该 方法包括如下步骤： S1、 系统收到虚拟机资源请求， 该请求 直接传递给资源分配模型； S2、 资源分配模型受到资源请求后， 向实时监控模块发出采集数据申请， 由实时监控模 块采集当前时间各服务器集群在各维度资源上的使用情况， 维度包括CPU、 内存、 磁盘和运 行时间， 并将该信息发送给资源分配模型； S3、 资源分配模型依据虚拟机资源申请量和集群资源的实时使用情况， 采用粒子群优 化算法进行资源分配方案的求 解计算， 得 出最优资源分配方案； 资源分配模型具体描述如下： 有n个体积不同的虚拟机Vik， 0<=i<=n， m个容量不同的服 务器Pjk， 1<=j<=m， 目标是用m个服务器的资源占用率ηjk两两差值的平方和最小， 如式 （1） 所 示， 从而实现虚拟机所占资源在各个异构服 务器上的均匀分配； 目标函数为： 其中： 约束条件： 其中k表示资源类型的维度， 分别代 表CPU、 内存、 磁 盘和持续 运行时间； 式 （2） 中Ujk表示当前服务器j在k维使用的资源量， Rjk表示虚拟机在服务器j上的第k维 资源新申请量； 式 （3） 中Vik表示虚拟机i各个维度的资源数值的向量， xij表示虚拟机i是否部署在服务 器j上的决策变量； 式 （4） 中Cj表示第j台服 务器可使用资源所占服 务器总容 量的比例。 2.如权利要求1所述的面 向多云管理场景的云资源最优分配方法， 其特征在于， Cj定为 80%， 即单台服 务器最大 可使用资源不能超过服 务器总资源的80%。 3.如权利要求1或2所述的面向多云管理场景的云资源最优分配方法， 其特征在于， 所 述S3中粒子群优化 算法的求 解步骤如下： S31、 随机对种群各粒子位置和速度进行初始化， 并采用粒子群优化算法获取粒子的位权　利　要　求　书 1/2 页 2 CN 114490093 B 2置向量； S32、 根据当前 粒子所处的位置信息， 计算式 （1） ； S33、 重复迭代， 更新粒子 速度和位置， 计算式 （1） ； S34、 当到达迭代次数阈值后， 找到式 （1） 的最小值， 此 时各粒子的最优位置向量即为最 终的虚拟机放置方案 。 4.如权利要求3所述的面向多云管理场景的云资源最优分配方法， 其特征在于， 所述粒 子群优化算法中， 假设一个m*n 维的搜索空间和一个包含N个粒子的粒子群在其约束 条件下 搜寻全局最优解， 每个粒子包含3个m*n维 向量的信息， 分别是速度向量Sµ(i)={Si1,Si2,…, Sim}， 位置向量Lµ(i)={Li1,Li2,…,Lim}， 和个体最优位置向量Gµ(i)={Gi1,Gi2,…,Gim}， 其中i ∈(1,n)； 种群中粒子群的最优位置向量， 表示 为G’µ(i)={G’ i1,G’ i2,…,G’ im}。 5.如权利要求4所述的面向多云管理场景的云资源最优分配方法， 其特征在于， 速度向 量代表了粒子在各个维度上经过的距离， 个体最优位置向量是各个粒子各自到达过的最佳 位置。 6.如权利要求4所述的面向多云管理场景的云资源最优分配方法， 其特征在于， 约束条 件为： 每个寻优问题的解被称为 “粒子”， 所有粒子都在一个m*n维空间内进行搜索； 每一个 粒子都有记忆功能， 能记住它 经过的最佳位置； 每一个粒子有一个速度以决定其移动的距 离和方向。 7.如权利要求4所述的面向多云管理场景的云资源最优分配方法， 其特征在于， 在连续 的搜索空 间中， 一个位置向量的每个维度对 应于一个虚拟机 i的决策变 量xij的一个值， 每个 粒子的位置对应于问题的一个潜在解， 把 Lµ中的各个值代入到式 （1） 中进行计算获得 F。 8.如权利要求4所述的面向多云管理场景的云资源最优分配方法， 其特征在于， 一个粒 子的状态由其 位置和速度两个因素表征， 其更新 规则分别由以下两个公式表示： 其中， e表示迭代的次数； µ为种群中的第µ个粒子； ω是惯性权重， 表示粒子受自身影响 的程度， 它能够调整粒子的飞行速度， 从而使粒子趋于收敛； c1和c2为学习因子， 分别表示 粒 子受个体经验和种群经验的影响程度； r1和r2是(0,1)范围内的随机数； Gµe表示第µ个粒子 的个体最优位置， G’ µe表示粒子种群的全局最优位置； Lµe表示第µ个粒子在第e次迭代的位 置。 9.如权利要求4所述的面向多云管理场景的云资源最优分配方法， 其特征在于， 迭代次 数阈值为1000。权　利　要　求　书 2/2 页 3 CN 114490093 B 3