(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201810373152.4
(22)申请日 2018.04.24
(71)申请人 腾讯云计算（北京）有限责任公司
地址 100089 北京市海淀区知春路49号3层
西部309
申请人 腾讯科技（深圳）有限公司
(72)发明人 成一鹏
(74)专利代理机构 广州华进联合专利商标代理
有限公司 44224
代理人 黄晶晶 何平
(51)Int.Cl.
G06F 9/455(2006.01)
(54)发明名称
装置和计算机设备(57)摘要
本发明涉及一种虚拟机迁移方法、装置和计
算机设备，该方法包括：获取虚拟机的第一状态
参数；获取所述虚拟机所对应的目标物理机的第
状态参数和第二状态参数对所述虚拟机进行热
迁移结果预测处理；当所述混合预测模型输出的
预测结果为热迁移成功时，则将所述虚拟机热迁
移至所述目标物理机。本申请方案提高了虚拟机
热迁移成功率。权利要求书3页 说明书22页 附图6页CN 110162379 A 2019.08.23
C N 110162379
A
1.一种虚拟机迁移方法，所述方法包括：
获取虚拟机的第一状态参数；
获取所述虚拟机所对应的目标物理机的第二状态参数；
将第一状态参数和第二状态参数输入混合预测模型，通过所述混合预测模型按第一状态参数和第二状态参数对所述虚拟机进行热迁移结果预测处理；
当所述混合预测模型输出的预测结果为热迁移成功时，则将所述虚拟机热迁移至所述目标物理机。
2.根据权利要求1所述的方法，其特征在于，所述第一状态参数包括所述虚拟机的初始空间状态参数、空间占用状态参数和网络通信状态参数中的至少一种；所述第二状态参数包括所述目标物理机的初始空间状态参数、空间占用状态参数和网络通信状态参数中的至少一种。
3.根据权利要求1所述的方法，其特征在于，所述混合预测模型由至少两个机器学习分类模型聚合得到；所述机器学习分类模型由包括样本虚拟机的状态参数和样本目标物理机的状态参数的训练样本进行机器学习分类训练得到。 4.根据权利要求3所述的方法，其特征在于，所述机器学习分类模型包括随机森林分类模型、自适应提升分类模型以及梯度提升分类模型；
所述混合预测模型的建立步骤包括：
分别获取建立的随机森林分类模型、自适应提升分类模型以及梯度提升分类模型；所述随机森林分类模型、自适应提升分类模型以及提升分类模型分别由样本虚拟机的状态参数和样本目标物理机的状态参数作为训练样本进行机器学习分类训练得到；
确定所述随机森林分类模型的第一权重、所述自适应提升分类模型的第二权重以及所述梯度提升分类模型的第三权重；
将随机森林分类模型按第一权重、将自适应提升分类模型按第二权重、以及将梯度提升分类模型按第三权重进行聚合，构建得到混合预测模型。
5.根据权利要求3所述的方法，其特征在于，所述机器学习分类模型包括随机森林分类模型、自适应提升分类模型以及梯度提升分类模型；
所述通过所述混合预测模型按第一状态参数和第二状态参数对所述虚拟机进行热迁移结果预测处理包括：
将所述第一状态参数和第二状态参数分别输入混合预测模型中的随机森林分类模型、自适应提升分类模型和梯度提升分类模型进行热迁移结果预测处理，得到随机森林分类模型输出的第一热迁移成功概率、自适应提升分类模型输出的第二热迁移成功概率和梯度提升分类模型输出的第三热迁移成功概率；
将所述第一热迁移成功概率、所述第二热迁移成功概率和所述第三热迁移成功概率进行加权求和，得到最终热迁移成功概率；
当最终热迁移成功概率大于或等于成功概率阈值时，则预测结果为热迁移成功，当最终热迁移成功概率小于成功概率阈值时，则预测结果为热迁移失败。
6.根据权利要求3所述的方法，其特征在于，所述机器学习分类模型包括随机森林分类模型；所述随机森林分类模型的建立步骤包括：
获取构建的决策树数量的第一参数空间和最大分类树深的第二参数空间；
将所述第一参数空间中的各决策树数量和所述第二参数空间中的各最大分类树深进行随机组合，得到包括决策树数量和最大分类树深的各组合；
根据所述样本虚拟机的状态参数和样本目标物理机的状态参数的训练样本，分别按各组合中的决策树数量和最大分类树深进行机器学习分类训练，得到多个随机森林分类模型；
通过测试样本验证各随机森林分类模型的分类准确率；
从多个随机森林分类模型中选择分类准确率最高的随机森林分类模型。
7.根据权利要求3所述的方法，其特征在于，所述机器学习分类模型包括自适应提升分类模型；所述自适应提升分类模型的建立步骤包括：
在当次机器学习分类训练过程中，确定各所述训练样本的当前选取权重，按所述训练样本的当前选取权重从所述训练样本中选取当前训练样本；
根据所述当前训练样本进行当次机器学习分类训练，得到当前基决策树；
提高当次机器学习分类训练过程中分类失败的训练样本的选取权重，并将下一次机器学习分类训练作为当次机器学习分类训练以继续执行，直至达到训练结束条件；
根据训练得到的基决策树的分类错误率确定所述基决策树的组合权重；
将各基决策树按相应的组合权重进行组合，得到自适应提升分类模型。
8.根据权利要求3所述的方法，其特征在于，所述机器学习分类模型包括极端梯度提升分类模型；所述极端梯度提升分类模型的建立步骤包括：
根据当前训练样本训练当前回归树模型；所述当前回归树模型由历史回归树模型和优化函数组合得到，所述优化函数为使与所述当前回归树模型对应的目标函数下降最大梯度时的函数；
获取所述当前回归树模型输出的与所述当前训练样本对应的预测值；
确定所述预测值与所述当前训练样本中的实际值间的残差；
用所述残差替代所述当前训练样本中相应的实际值，得到新的训练样本，并将新的训练样本作为当前训练样本返回所述根据当前训练样本训练当前回归树模型以继续执行，直至满足训练停止条件；
确定所训练得到的各回归树模型的权重；
将各所述回归树模型按相应的权重进行组合，得到极端梯度提升分类模型。
9.根据权利要求3所述的方法，其特征在于，还包括：
根据所述训练样本中所述样本虚拟机的状态参数和样本目标物理机的状态参数，确定对应于同一状态项下的状态参数间的数量级差值；
确定数量级差值大于或等于预设差异阈值的状态项；
将确定的该状态项下的各状态参数进行归一化处理；
用归一化处理后的状态参数替代相应归一化前的状态参数作为训练样本。
10.根据权利要求3所述的方法，其特征在于，还包括：
当所述训练样本不满足均衡条件时，在小类训练样本中选取当前参考样本；
根据数据空间中的距离关系，从所述小类训练样本中随机选取所述当前参考样本的预设数量的邻近样本；
在所述当前参考样本中各状态参数的取值和邻近样本中相应状态参数的取值构成的
取值范围中随机取值，生成新的属于所述小类的样本；
将生成的新的样本添加至所述训练样本中。
11.根据权利要求1至10中任一项所述的方法，其特征在于，还包括：
当所述混合预测模型输出的预测结果为热迁移失败时，则
确定所述第一状态参数和所述第二状态参数中的关键状态参数；所述关键状态参数为对热迁移结果产生实质性影响的状态参数；
按所述关键状态参数为所述虚拟机分配相应的额外资源。
12.根据权利要求11所述的方法，其特征在于，还包括：
根据分配的额外资源更新所述虚拟机的第一状态参数，并返回所述获取所述虚拟机所对应的目标物理机的第二状态参数以继续执行；或
将分配额外资源后的虚拟机热迁移至所述目标物理机。
13.根据权利要求11所述的方法，其特征在于，所述混合预测模型由包括样本虚拟机的状态参数和样本目标物理机的状态参数的训练样本进行机器学习分类训练得到；
所述确定所述第一状态参数和所述第二状态参数中的关键状态参数包括：
获取样本虚拟机的状态参数的重要度和样本目标物理机的状态参数的重要度；各所述状态参数的重要度在所述混合预测模型的训练过程中确定；
根据所述重要度确定各所述状态参数的热迁移结果影响力度；
从各所述状态参数中筛选出热迁移结果影响力度大小降序排名在前预设名次的状态参数，确定为关键状态参数；
按确定出的关键状态参数，识别出第一状态参数和第二状态参数中所包括的关键状态参数。
14.一种虚拟机迁移装置，其特征在于，所述装置包括：
状态参数获取模块，用于获取虚拟机的第一状态参数；获取所述虚拟机所对应的目标物理机的第二状态参数；
预测模块，用于将第一状态参数和第二状态参数输入混合预测模型，通过所述混合预测模型按第一状态参数和第二状态参数对所述虚拟机进行热迁移结果预测处理；
热迁移模块，用于当所述混合预测模型输出的预测结果为热迁移成功时，则将所述虚拟机热迁移至所述目标物理机。
15.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至13中任一项所述方法的步骤。
虚拟机迁移方法、装置和计算机设备技术领域
[0001]本发明涉及计算机技术领域，特别是涉及一种虚拟机迁移方法、装置和计算机设备。
背景技术
[0002]随着科学技术的飞速发展，虚拟机(Virtual Machine)技术越来越完善，虚拟机可以适用于越来越多的场景中，因此也受到越来越多用户的青睐。在虚拟机的使用过程中，会涉及到虚拟机迁移处理。
[0003]热迁移是比较重要的一种虚拟机迁移方式。因为热迁移的过程中，虚拟机仍旧平滑运行，用户并不会察觉到任何差异，从而避免了在迁移过程中终止用户使用虚拟机的情况。传统方法中，在对虚拟机进行热迁移处理时，是由人工按照以往经验来判断是否适合进行热迁移处理。然而由于人工的专业水平参差不齐等原因，所以传统方法会造成虚拟机热迁移成功率较低。
发明内容
[0004]基于此，有必要针对传统方法通常会造成虚拟机热迁移成功率较低的问题，提供一种虚拟机迁移方法、装置、计算机设备和存储介质。
[0005]一种虚拟机迁移方法，所述方法包括：
[0006]获取虚拟机的第一状态参数；
[0007]获取所述虚拟机所对应的目标物理机的第二状态参数；
[0008]将第一状态参数和第二状态参数输入混合预测模型，通过所述混合预测模型按第一状态参数和第二状态参数对所述虚拟机进行热迁移结果预测处理；
[0009]当所述混合预测模型输出的预测结果为热迁移成功时，则将所述虚拟机热迁移至所述目标物理机。
[0010]一种虚拟机迁移装置，所述装置包括：
[0011]状态参数获取模块，用于获取虚拟机的第一状态参数；获取所述虚拟机所对应的目标物理机的第二状态参数；
[0012]预测模块，用于将第一状态参数和第二状态参数输入混合预测模型，通过所述混合预测模型按第一状态参数和第二状态参数对所述虚拟机进行热迁移结果预测处理；
[0013]热迁移模块，用于当所述混合预测模型输出的预测结果为热迁移成功时，则将所述虚拟机热迁移至所述目标物理机。
[0014]一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
[0015]获取虚拟机的第一状态参数；
[0016]获取所述虚拟机所对应的目标物理机的第二状态参数；
[0017]将第一状态参数和第二状态参数输入混合预测模型，通过所述混合预测模型按第
说 明 书
1/22页CN 110162379 A
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议