[發明專利]虛擬機遷移方法、裝置和計算機設備

在審

• 申請號: 201810373152.4
• 申請日: 2018-04-24
• 公開（公告）號: CN110162379A
• 公開（公告）日: 2019-08-23
• 發明（設計）人: 成一鵬
• 申請（專利權）人: 騰訊云計算（北京）有限責任公司;騰訊科技（深圳）有限公司
• 主分類號: G06F9/455
• 分類號: G06F9/455
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 黃晶晶;何平

1.一種虛擬機遷移方法，所述方法包括：

獲取虛擬機的第一狀態參數；

獲取所述虛擬機所對應的目標物理機的第二狀態參數；

將第一狀態參數和第二狀態參數輸入混合預測模型，通過所述混合預測模型按第一狀態參數和第二狀態參數對所述虛擬機進行熱遷移結果預測處理；

當所述混合預測模型輸出的預測結果為熱遷移成功時，則將所述虛擬機熱遷移至所述目標物理機；

當所述混合預測模型輸出的預測結果為熱遷移失敗時，則確定所述第一狀態參數和所述第二狀態參數中的關鍵狀態參數；按所述關鍵狀態參數為所述虛擬機分配相應的額外資源；所述關鍵狀態參數為對熱遷移結果產生實質性影響的狀態參數。

2.根據權利要求1所述的方法，其特征在于，所述第一狀態參數包括所述虛擬機的初始空間狀態參數、空間占用狀態參數和網絡通信狀態參數中的至少一種；所述第二狀態參數包括所述目標物理機的初始空間狀態參數、空間占用狀態參數和網絡通信狀態參數中的至少一種。

3.根據權利要求1所述的方法，其特征在于，所述混合預測模型由至少兩個機器學習分類模型聚合得到；所述機器學習分類模型由包括樣本虛擬機的狀態參數和樣本目標物理機的狀態參數的訓練樣本進行機器學習分類訓練得到。

4.根據權利要求3所述的方法，其特征在于，所述機器學習分類模型包括隨機森林分類模型、自適應提升分類模型以及梯度提升分類模型；

所述混合預測模型的建立步驟包括：

分別獲取建立的隨機森林分類模型、自適應提升分類模型以及梯度提升分類模型；所述隨機森林分類模型、自適應提升分類模型以及提升分類模型分別由樣本虛擬機的狀態參數和樣本目標物理機的狀態參數作為訓練樣本進行機器學習分類訓練得到；

確定所述隨機森林分類模型的第一權重、所述自適應提升分類模型的第二權重以及所述梯度提升分類模型的第三權重；

將隨機森林分類模型按第一權重、將自適應提升分類模型按第二權重、以及將梯度提升分類模型按第三權重進行聚合，構建得到混合預測模型。

5.根據權利要求3所述的方法，其特征在于，所述機器學習分類模型包括隨機森林分類模型、自適應提升分類模型以及梯度提升分類模型；

所述通過所述混合預測模型按第一狀態參數和第二狀態參數對所述虛擬機進行熱遷移結果預測處理包括：

將所述第一狀態參數和第二狀態參數分別輸入混合預測模型中的隨機森林分類模型、自適應提升分類模型和梯度提升分類模型進行熱遷移結果預測處理，得到隨機森林分類模型輸出的第一熱遷移成功概率、自適應提升分類模型輸出的第二熱遷移成功概率和梯度提升分類模型輸出的第三熱遷移成功概率；

將所述第一熱遷移成功概率、所述第二熱遷移成功概率和所述第三熱遷移成功概率進行加權求和，得到最終熱遷移成功概率；

當最終熱遷移成功概率大于或等于成功概率閾值時，則預測結果為熱遷移成功，當最終熱遷移成功概率小于成功概率閾值時，則預測結果為熱遷移失敗。

6.根據權利要求3所述的方法，其特征在于，所述機器學習分類模型包括隨機森林分類模型；所述隨機森林分類模型的建立步驟包括：

獲取構建的決策樹數量的第一參數空間和最大分類樹深的第二參數空間；

將所述第一參數空間中的各決策樹數量和所述第二參數空間中的各最大分類樹深進行隨機組合，得到包括決策樹數量和最大分類樹深的各組合；

根據所述樣本虛擬機的狀態參數和樣本目標物理機的狀態參數的訓練樣本，分別按各組合中的決策樹數量和最大分類樹深進行機器學習分類訓練，得到多個隨機森林分類模型；

通過測試樣本驗證各隨機森林分類模型的分類準確率；

從多個隨機森林分類模型中選擇分類準確率最高的隨機森林分類模型。