大规模集群环境中虚拟机迁移关键技术及相关算法研究

项目名称： 大规模集群环境中虚拟机迁移关键技术及相关算法研究

项目编号： No.61202061

项目类型： 青年科学基金项目

立项/批准年度： 2013

项目学科： 计算机科学学科

项目作者： 向小佳

作者单位： 中国科学院计算技术研究所

项目金额： 24万元

中文摘要： 数据的裂变式增长，使得面向海量数据处理的大规模集群技术成为了未来的研究方向，在这样的背景下，虚拟机迁移技术能够打包资源与服务使其跨越物理节点边界的鸿沟，将异构的集群硬件资源转换为一个同质资源池，其重要性不言而喻。但是，已有的迁移技术都存在不足，面对不断扩张的集群规模无法做到一致高效的实时迁移，同时，新环境也带来了新挑战，如多虚拟机的并行迁移调度问题。本项目拟首次提出无宕机实时迁移技术，以多模式可变粒度Shadow Memory、外存访问跟踪、堆栈式用户态迁移体系等技术和机制为支撑，以最小化迁移时间、最大化服务质量为目标，结合内外存数据调度模型与算法，实现大规模集群环境中的虚拟机一致高效实时迁移。同时，本项目拟对迁移框架技术展开深入研究，通过行为模拟和成本估算，将多种虚拟机迁移过程模型化，进而以成本最小化为目标，设计并实现一整套指导和协调大规模集群环境中虚拟机并行迁移的相关算法。

中文关键词： 无宕机实时迁移；迁移本体技术；堆栈式迁移体系；事务内存；大数据处理

英文摘要： Digital data explosion mandates the development of cloud cluster technology. Because of the ease with which computing and storage resources can be wrapped and migrated around the cloud cluster, virtual-machine migration technology becomes more and more important in order to transform the cloud cluster from a collection of heterogeneous physical nodes to a huge pool of homogeneous resources. Unfortunately, none of existing approaches and technologies can provide optimized support for seamless live migrations of virtual-machines in cloud cluster, let alone the vision of efficiently pooling geographically distributed cluster resources. Furthermore, new challenges arise in this field, such as the problem of parallel scheduling of virtual-machines migrations and dynamic consolidating of resources in cloud cluster. In this proposal, we plan to present the non-suspend live migration approach for the first time. With the needs of research on multi-mode & multi-granularity shadow memory mechanism, storage trace-map mechanism, user-mode migration protocol stack, transfer block based access pattern prediction technology, and the non-suspend data scheduling model & algorithm, the non-suspend live migration approach can support seamless transfer of virtual-machines over low bandwidth and high latency links while minimizing t

英文关键词： Non-Suspend Live Migration；Migration Ontology；Stack Style Migration Framework；Transaction Memory；Big Data Processing