ホーム > 特許ランキング > 日本電信電話株式会社
知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2025-03-10
(45)【発行日】2025-03-18
(54)【発明の名称】リソース決定装置、方法およびプログラム
(51)【国際特許分類】
G06F 9/50 20060101AFI20250311BHJP
【ＦＩ】
G06F9/50 120Z
【請求項の数】
7
(21)【出願番号】P 2023508307
(86)(22)【出願日】2021-03-25
(86)【国際出願番号】 JP2021012509
(87)【国際公開番号】W WO2022201420
(87)【国際公開日】2022-09-29
【審査請求日】2023-07-21
(73)【特許権者】
【識別番号】000004226
【氏名又は名称】日本電信電話株式会社
(74)【代理人】
【識別番号】110003708
【氏名又は名称】弁理士法人鈴榮特許綜合事務所
(72)【発明者】
【氏名】呉 超
(72)【発明者】
【氏名】田山 健一
(72)【発明者】
【氏名】堀内 信吾
(72)【発明者】
【氏名】村瀬 健司
(72)【発明者】
【氏名】菊島 宏明
【審査官】三坂 敏夫
(56)【参考文献】
【文献】特開２０１５－０２２５０１（ＪＰ，Ａ）
【文献】国際公開第２０２０／０９０８３０（ＷＯ，Ａ１）
【文献】特開２０１５－０１１３６５（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０６Ｆ ９／４５５－９／５４
(57)【特許請求の範囲】
【請求項1】
仮想マシンのリソース配置、前記仮想マシンの複数種類の処理負荷、および前記仮想マシンの処理性能の関係を示すモデルを用いる装置であって、前記複数種類の処理負荷のうち前記処理性能との関連性が比較的高い処理負荷の種別を抽出する抽出部と、
前記リソース配置および時間帯を引数として、前記抽出部により抽出された種別に係る処理負荷を戻り値とする関数を導出する関数導出部と、
前記関数導出部により導出された関数に基づいて、指定された時間帯における指定された前記リソース配置での前記処理負荷を算出し、
前記算出された処理負荷を前記モデルに入力することで、前記指定された前記リソース配置で、かつ前記指定された時間帯での前記処理性能を算出し、
前記算出された処理性能が当該処理性能の要件を満たす場合に、前記指定された前記リソース配置が適切なリソース配置であると判定する、
判定部と、
を備えるリソース決定装置。
【請求項2】
前記関数導出部は、前記導出された関数を、時間帯を引数として、単位量当たりの前記リソース配置における処理負荷を戻り値とする関数と、前記リソース配置との積に変換し、
前記判定部は、
前記変換された結果に基づいて、前記指定された時間帯における前記指定された前記リソース配置での前記処理負荷を算出し、
前記算出された処理負荷を前記モデルに入力することで、前記指定された前記リソース配置で、かつ前記指定された時間帯での前記処理性能を算出し、
前記算出された処理性能が当該処理性能の要件を満たす場合に、前記指定された前記リソース配置が適切なリソース配置であると判定する、
請求項１に記載のリソース決定装置。
【請求項3】
前記判定部は、前記関数導出部により導出された関数に基づいて、前記指定された時間帯における前記指定された前記リソース配置での前記処理負荷を算出し、
前記算出された、前記指定された時間帯における前記処理負荷をサンプリングし、
前記サンプリングされた処理負荷を前記モデルに入力することで、前記指定された前記リソース配置で、かつ前記指定された時間帯での前記処理性能を算出し、
前記算出された処理性能が当該処理性能の要件を満たす場合に、前記指定された前記リソース配置が適切なリソース配置であると判定する、
請求項１に記載のリソース決定装置。
【請求項4】
仮想マシンのリソース配置、前記仮想マシンの複数種類の処理負荷、および前記仮想マシンの処理性能の関係を示すモデルを用いるリソース決定装置により行われる方法であって、前記リソース決定装置の抽出部により、前記複数種類の処理負荷のうち前記処理性能との関連性が比較的高い処理負荷の種別を抽出することと、
前記リソース決定装置の関数導出部により、前記リソース配置および時間帯を引数として、前記抽出部により抽出された種別に係る処理負荷を戻り値とする関数を導出することと、
前記リソース決定装置の判定部により、
前記関数導出部により導出された関数に基づいて、指定された時間帯における指定された前記リソース配置での前記処理負荷を算出し、
前記算出された処理負荷を前記モデルに入力することで、前記指定された前記リソース配置で、かつ前記指定された時間帯での前記処理性能を算出し、
前記算出された処理性能が当該処理性能の要件を満たす場合に、前記指定された前記リソース配置が適切なリソース配置であると判定することと、
を備えるリソース決定方法。
【請求項5】
前記関数導出部は、前記導出された関数を、時間帯を引数として、単位量当たりの前記リソース配置における処理負荷を戻り値とする関数と、前記リソース配置との積に変換し、
前記判定部は、
前記変換された結果に基づいて、前記指定された時間帯における前記指定された前記リソース配置での前記処理負荷を算出し、
前記算出された処理負荷を前記モデルに入力することで、前記指定された前記リソース配置で、かつ前記指定された時間帯での前記処理性能を算出し、
前記算出された処理性能が当該処理性能の要件を満たす場合に、前記指定された前記リソース配置が適切なリソース配置であると判定する、
請求項４に記載のリソース決定方法。
【請求項6】
前記判定部は、前記関数導出部により導出された関数に基づいて、前記指定された時間帯における前記指定された前記リソース配置での前記処理負荷を算出し、
前記算出された、前記指定された時間帯における前記処理負荷をサンプリングし、
前記サンプリングされた処理負荷を前記モデルに入力することで、前記指定された前記リソース配置で、かつ前記指定された時間帯での前記処理性能を算出し、
前記算出された処理性能が当該処理性能の要件を満たす場合に、前記指定された前記リソース配置が適切なリソース配置であると判定する、
請求項４に記載のリソース決定方法。
【請求項7】
請求項１乃至３のいずれか１項に記載のリソース決定装置の各部としてプロセッサを機能させるリソース決定処理プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明の実施形態は、リソース決定装置、方法およびプログラムに関する。
【背景技術】
【0002】
ＶＤＩ（Virtual Desktop Infrastructure：仮想デスクトップ基盤）環境において、パフォーマンス（performance）要件に応じて適切に割り当てられるリソース（resource）量、例えばホスト（host）に配置可能なＶＭ（Virtual Machine：仮想マシン）の数が算出される必要がある。
【0003】
これらのリソース量が自動的に算出されるために、リソース量と、ワークロード（work load）と、処理性能であるパフォーマンスと、の関係性、すなわち依存関係が表現される学習モデル（model）を訓練し、このモデルを用いて、所定のパフォーマンス要件に応じて、割り当てられるべきリソース量を算出する、すなわち逆算する手法が適用され得る（例えば非特許文献１参照）。
【先行技術文献】
【非特許文献】
【0004】
【文献】C. Wu, H. Shingo, K. Tayama, “A Resource Design Framework to Realize Intent-based Cloud Management,” IEEE Cloudcom 2019, Sydney, December 2019, p37-44.
【発明の概要】
【発明が解決しようとする課題】
【0005】
モデルの訓練においては、過去ログデータ（log data）が用いられ得るが、実際のＶＤＩの運用では、ＶＭの数を大幅に変動させるオペレーション（operation）は実施されないことから、過去ログデータ内において、割り当てられるリソース量のバリエーション（variation）は極めて少ない。
したがって、モデルにリソース量とパフォーマンスとの関係性を正確に表現することができず、学習モデルを用いて、パフォーマンス要件に応じて、割り当てられるべきリソース量を高い精度で算出することは困難である。
したがって、モデルにリソース量とパフォーマンスとの関係性を正確に表現することができず、学習モデルを用いて、パフォーマンス要件に応じて、割り当てられるべきリソース量を高い精度で算出することは困難である。
【0006】
この発明は、上記事情に着目してなされたもので、その目的とするところは、割り当てられるべきリソース量を高い精度で算出することができるようにしたリソース決定装置、方法およびプログラムを提供することにある。
【課題を解決するための手段】
【0007】
本発明の一態様に係るリソース決定装置は、仮想マシンのリソース配置、前記仮想マシンの複数種類の処理負荷、および前記仮想マシンの処理性能の関係を示すモデルを用いる装置であって、前記複数種類の処理負荷のうち前記処理性能との関連性が比較的高い処理負荷の種別を抽出する抽出部と、前記リソース配置および時間帯を引数として、前記抽出部により抽出された種別に係る処理負荷を戻り値とする関数を導出する関数導出部と、前記関数導出部により導出された関数に基づいて、指定された時間帯における指定された前記リソース配置での前記処理負荷を算出し、前記算出された処理負荷を前記モデルに入力することで、前記指定された前記リソース配置で、かつ前記指定された時間帯での前記処理性能を算出し、前記算出された処理性能が当該処理性能の要件を満たす場合に、前記指定された前記リソース配置が適切なリソース配置であると判定する、判定部と、を備える。
【0008】
本発明の一態様に係るリソース決定方法は、仮想マシンのリソース配置、前記仮想マシンの複数種類の処理負荷、および前記仮想マシンの処理性能の関係を示すモデルを用いるリソース決定装置により行われる方法であって、前記リソース決定装置の抽出部により、前記複数種類の処理負荷のうち前記処理性能との関連性が比較的高い処理負荷の種別を抽出することと、前記リソース決定装置の関数導出部により、前記リソース配置および時間帯を引数として、前記抽出部により抽出された種別に係る処理負荷を戻り値とする関数を導出することと、前記リソース決定装置の判定部により、前記関数導出部により導出された関数に基づいて、指定された時間帯における指定された前記リソース配置での前記処理負荷を算出し、前記算出された処理負荷を前記モデルに入力することで、前記指定された前記リソース配置で、かつ前記指定された時間帯での前記処理性能を算出し、前記算出された処理性能が当該処理性能の要件を満たす場合に、前記指定された前記リソース配置が適切なリソース配置であると判定することと、を備える。
【発明の効果】
【0009】
本発明によれば、割り当てられるべきリソース量を高い精度で算出することができる。
【図面の簡単な説明】
【0010】
【発明を実施するための形態】
【0011】
以下、図面を参照しながら、この発明に係わる一実施形態を説明する。
図１は、本発明の一実施形態に係るリソース決定装置の適用例を示すブロック図である。
図１に示されるように、本発明の一実施形態に係るリソース決定装置１０は、モデル生成部１１、最適ＶＭ数算出部１２、高関連特徴量抽出部１３、およびＶＭ数関数導出部１４を備える。
本実施形態では、リソース決定装置１０は、リソースの特徴量（以下、特徴量と称することがある）の種別のうち、パフォーマンスとの関連性が比較的高い特徴量（以下、高関連特徴量と称することがある）の種別、例えば、ホストＣＰＵ利用率を抽出または絞り込みし、これらの高関連特徴量の種別とリソース量との関係性を導出する。
図１は、本発明の一実施形態に係るリソース決定装置の適用例を示すブロック図である。
図１に示されるように、本発明の一実施形態に係るリソース決定装置１０は、モデル生成部１１、最適ＶＭ数算出部１２、高関連特徴量抽出部１３、およびＶＭ数関数導出部１４を備える。
本実施形態では、リソース決定装置１０は、リソースの特徴量（以下、特徴量と称することがある）の種別のうち、パフォーマンスとの関連性が比較的高い特徴量（以下、高関連特徴量と称することがある）の種別、例えば、ホストＣＰＵ利用率を抽出または絞り込みし、これらの高関連特徴量の種別とリソース量との関係性を導出する。
【0012】
リソース決定装置１０は、パフォーマンスとの関連性が高い特徴量の種別をベース（base）に、ある一定のリソース量が割り当てられた状況でのパフォーマンスを予測可能である。故に、パフォーマンス要件を満たすリソース量が高い精度で算出され得る。
【0013】
具体的には、リソース決定装置１０は、まず、リソース量以外の他の種別の特徴量とパフォーマンスとの間の関係を分析し、パフォーマンスとの関連性が高い特徴量の種別を絞り込む。
次に、リソース決定装置１０は、これらの種別の特徴量の各々について、少なくともリソース量を引数として、当該種別の特徴量を戻り値とする関数として導出する。
リソース決定装置１０は、ある一定のリソース量が割り当てられた状況で、パフォーマンスとの関連性が高い特徴量の種別を算出することに用いられる、訓練済のモデルを用いて、特徴量からパフォーマンスを予測する。その結果、パフォーマンス要件を満たすリソース量の導出が可能となる。
次に、リソース決定装置１０は、これらの種別の特徴量の各々について、少なくともリソース量を引数として、当該種別の特徴量を戻り値とする関数として導出する。
リソース決定装置１０は、ある一定のリソース量が割り当てられた状況で、パフォーマンスとの関連性が高い特徴量の種別を算出することに用いられる、訓練済のモデルを用いて、特徴量からパフォーマンスを予測する。その結果、パフォーマンス要件を満たすリソース量の導出が可能となる。
【0014】
上記の予測が行われることで、ログデータにおいて、割り当てられるリソース量に関するバリエーションが不足する場合でも、ＶＤＩのパフォーマンス要件に応じて割り当てられるリソース量を高い精度で算出可能である。
従って、ＶＤＩの運用者による割り当てリソース量の算出における稼働削減、リソース利用の効率化、及びＶＤＩのユーザ（user）の体感品質の向上が期待できる。
従って、ＶＤＩの運用者による割り当てリソース量の算出における稼働削減、リソース利用の効率化、及びＶＤＩのユーザ（user）の体感品質の向上が期待できる。
【0015】
本実施形態では、ＶＤＩシナリオ（scenario）において、割り当てられるべきリソース量を算出するために、以下の処理が行われる。
本実施形態では、ＶＤＩ環境で代表的な、割り当てられるリソース量である「ホスト当たりに最適なＶＭ数」（最適ＶＭ数で略称する）を算出することに適用された場合について説明するが、他のＶＤＩ環境の他のリソース量を算出することにも適用され得る。
本実施形態では、ＶＤＩ環境で代表的な、割り当てられるリソース量である「ホスト当たりに最適なＶＭ数」（最適ＶＭ数で略称する）を算出することに適用された場合について説明するが、他のＶＤＩ環境の他のリソース量を算出することにも適用され得る。
【0016】
前提として、モデル生成部１１は、ＶＤＩ環境から以下の特徴変数および目的変数に関する過去ログデータを収集済みである。
モデル生成部１１は、上記の収集済みの過去ログデータを用いて、以下の特徴変数および目的変数が表現されるモデルを訓練する。この訓練されたモデルはリソース決定装置１０の内部メモリ（internal memory）または別途の例えば外部の記憶装置に格納される。
モデル生成部１１は、上記の収集済みの過去ログデータを用いて、以下の特徴変数および目的変数が表現されるモデルを訓練する。この訓練されたモデルはリソース決定装置１０の内部メモリ（internal memory）または別途の例えば外部の記憶装置に格納される。
【0017】
モデルの特徴変数は、リソース配置およびワークロードを含む。
具体的には、上記のリソース配置は、ホストに配置されたＶＭ数等が挙げられる。
また、具体的には、上記のワークロードは、ホストＣＰＵの利用率、メモリの利用率、ディスクの利用状況、およびネットワーク（network）のトラフィック（traffic）等が挙げられる。
具体的には、上記のリソース配置は、ホストに配置されたＶＭ数等が挙げられる。
また、具体的には、上記のワークロードは、ホストＣＰＵの利用率、メモリの利用率、ディスクの利用状況、およびネットワーク（network）のトラフィック（traffic）等が挙げられる。
【0018】
モデルの目的変数は、特徴変数で示されるリソース配置およびワークロードなどが割り当てられた場合のＶＤＩのパフォーマンス、具体的には、ホストCPU ready time、ホストディスク書き込み遅延および読み出し遅延等が挙げられる。
【0019】
最適ＶＭ数算出部１２は、設定可能なＶＭ数に応じて、後述するＶＭ数関数を用い、また、モデル生成部１１によりで生成されたモデルを用いて、該当の設定されたＶＭ数におけるパフォーマンスを算出し、設定された各種のＶＭ数のうち、すべてのパフォーマンス要件を満たせるＶＭ数を適切なＶＭ数と保存する。また、最適ＶＭ数算出部１２は、上記適切なＶＭ数のうち、最大のＶＭ数を最適ＶＭ数に設定して出力する。
【0020】
本実施形態では、リソース決定装置１０は、ＶＭ数以外の他の特徴量とパフォーマンスとの依存関係、及びこれらの他の特徴量とＶＭ数との依存関係を用いて、最適なＶＭ数を間接的に算出する。
【0021】
次に、高関連特徴量抽出部１３、ＶＭ数関数導出部１４の機能の概要について説明する。
リソース決定装置１０の高関連特徴量抽出部１３は、モデルの目的変数であるパフォーマンスとの関連性が高い高関連特徴量の種別を選出する。
ＶＭ数関数導出部１４は、これらの選出した種別の各々について、ＶＭ数および時間、例えば時刻または日時を引数として当該種別の特徴量を戻り値とする関数として導出する。本実施形態では、この関数はＶＭ数関数と称されることもある。
リソース決定装置１０の高関連特徴量抽出部１３は、モデルの目的変数であるパフォーマンスとの関連性が高い高関連特徴量の種別を選出する。
ＶＭ数関数導出部１４は、これらの選出した種別の各々について、ＶＭ数および時間、例えば時刻または日時を引数として当該種別の特徴量を戻り値とする関数として導出する。本実施形態では、この関数はＶＭ数関数と称されることもある。
【0022】
リソース決定装置１０の最適ＶＭ数算出部１２は、ユーザにより設定可能なＶＭ数のいずれかが設定されたときに、時間を引数として、単位ＶＭ数ごとの高関連特徴量を戻り値とする関数とＶＭ数との積に基づいて、任意の時刻における高関連特徴量の値、例えばホストＣＰＵ利用率およびホストDisk利用率を算出する。
【0023】
最適ＶＭ数算出部１２は、この算出結果を、モデル生成部１１により生成されたモデルの特徴変数として入力し、モデルの目的変数として、任意の時刻におけるパフォーマンス、例えばホストCPU ready timeを予測する。
そして、最適ＶＭ数算出部１２は、予測されたパフォーマンスがパフォーマンス要件を満たせるときのＶＭ数に基づいて、最適なＶＭ数を算出する。
そして、最適ＶＭ数算出部１２は、予測されたパフォーマンスがパフォーマンス要件を満たせるときのＶＭ数に基づいて、最適なＶＭ数を算出する。
【0024】
次に、高関連特徴量抽出部１３およびＶＭ数関数導出部１４の機能の詳細について説明する。
詳しくは、高関連特徴量抽出部１３は、ＶＭ数以外の特徴量、例えば、ホストＣＰＵ利用率、メモリ利用率、ディスク利用状況などのバリエーション、及びこれらの特徴量とパフォーマンスとの依存関係を例えばリソース決定装置１０の内部メモリまたは別途の記憶装置から取得する。
この取得結果に基づいて、高関連特徴量抽出部１３は、これらの特徴量のうち、パフォーマンスとの依存関係が高い特徴量の種別を選出する。
詳しくは、高関連特徴量抽出部１３は、ＶＭ数以外の特徴量、例えば、ホストＣＰＵ利用率、メモリ利用率、ディスク利用状況などのバリエーション、及びこれらの特徴量とパフォーマンスとの依存関係を例えばリソース決定装置１０の内部メモリまたは別途の記憶装置から取得する。
この取得結果に基づいて、高関連特徴量抽出部１３は、これらの特徴量のうち、パフォーマンスとの依存関係が高い特徴量の種別を選出する。
【0025】
特徴量とパフォーマンスとの依存関係は、様々な手法により特定され得るが、例えば既存のピアソンの積率相関係数（pearson product-moment correlation coefficient）を算出し、この参集結果に基づいて、特徴量とパフォーマンスとの相関性を判断する手法が挙げられる。
【0026】
ＶＭ数関数導出部１４は、ＶＭ数および時刻を引数として、高関連特徴量抽出部１３により選出された種別の高関連特徴量を戻り値とする関数として導出する。
図２は、モデルに対する特徴量とパフォーマンスとの関係の一例を示す図である。
図２に示された例では、ホストＣＰＵ利用率、およびホストDisk利用状況がパフォーマンスであるホストCPU ready timeに対する高関連特徴量の種別として選出される（図２の符号ａおよびｂ参照）。ホストDisk利用状況はホストDisk利用率とも称される。
これらの種別の特徴量を戻り値とする関数は、ＶＭ数と時刻とを引数とする関数として種別ごとに定義されることで導出される。なお、図２に示した例では、ＶＭ数とホストCPU ready timeとの関連性の高低は不明である（図２の符号ｃ参照）。
図２は、モデルに対する特徴量とパフォーマンスとの関係の一例を示す図である。
図２に示された例では、ホストＣＰＵ利用率、およびホストDisk利用状況がパフォーマンスであるホストCPU ready timeに対する高関連特徴量の種別として選出される（図２の符号ａおよびｂ参照）。ホストDisk利用状況はホストDisk利用率とも称される。
これらの種別の特徴量を戻り値とする関数は、ＶＭ数と時刻とを引数とする関数として種別ごとに定義されることで導出される。なお、図２に示した例では、ＶＭ数とホストCPU ready timeとの関連性の高低は不明である（図２の符号ｃ参照）。
【0027】
図２に示された例では、ＶＭ数と時刻とを引数として、ホストＣＰＵ利用率を戻り値とする関数は「f(ＶＭ数，時刻)」と表記される。また、ＶＭ数と時刻とを引数として、ホストDisk利用状況を戻り値とする関数は「ｇ(ＶＭ数，時刻)」と表記される。
【0028】
高関連特徴量を戻り値とする関数の定義および当該特徴量の導出にはいくつのパターン（pattern）が挙げられる。仮にＶＤＩのユーザが同質なユーザである、「同一ホスト内の各ＶＭは同じ負荷を与える。」との仮定のもとで、ホストのリソース利用率はＶＭ数と比例することが想定できることにより、上記の関数f(ＶＭ数，時刻)は、以下の式（１）のように変換され得る。すなわち、ＶＭ数と時刻とを引数としてホストＣＰＵ利用率を戻り値とする関数は、時間を引数として単位量当たりのＶＭにおけるホストＣＰＵ利用率を戻り値とする関数と、ＶＭ数との積と、後述する値ｅとの和に変換され得る。
ｆ(ＶＭ数，時刻)＝ＶＭ数＊f´（時刻）＋ｅ …式（１）
ｆ(ＶＭ数，時刻)＝ＶＭ数＊f´（時刻）＋ｅ …式（１）
【0029】
同様に、上記の関数ｇ(ＶＭ数，時刻)は、以下の式（２）のように変換され得る。すなわち、ＶＭ数と時刻とを引数としてホストDisk利用状況を戻り値とする関数は、時間を引数として単位量当たりのＶＭにおけるホストDisk利用状況を戻り値とする関数と、ＶＭ数との積と、後述する値ｅとの和に変換され得る。
ｇ(ＶＭ数，時刻)＝ＶＭ数＊ｇ´（時刻）＋ｅ …式（２）
式（１）のf´（時刻）は、ある時刻における単位ＶＭ数当たりのホストＣＰＵ利用率であり、式（２）のｇ´（時刻）は、ある時刻における単位ＶＭ数当たりのホストDisk利用状況である。
ｇ(ＶＭ数，時刻)＝ＶＭ数＊ｇ´（時刻）＋ｅ …式（２）
式（１）のf´（時刻）は、ある時刻における単位ＶＭ数当たりのホストＣＰＵ利用率であり、式（２）のｇ´（時刻）は、ある時刻における単位ＶＭ数当たりのホストDisk利用状況である。
【0030】
また、式（１）および（２）の値ｅは、ホストがＶＭを実行すること以外の条件で発生するワークロード、例えば、ホストＯＳ（Operating System）を実行する際に発生したＣＰＵ利用量を表す。アルゴリズムの精度を向上させるために、ｅは調整可能である。
【0031】
式（１）のf´（時刻）および式（２）のｇ´（時刻）を求めるためには、色々な手法が挙げられる。
未来のパフォーマンス予測を行うためにはワークロードの各種情報の予測を行う必要がある。本実施形態では、同じ条件で、例えば同じ曜日などにおいて、ワークロードが変わらない、例えば一日における同じ時刻においてユーザによるリソースの使い方が変化しないという前提で、過去ログデータから、各時刻においてのホストＣＰＵ利用率をＶＭ数で除することで、単位ＶＭ数当たりのＣＰＵ利用率を戻り値とする関数としてf´（時刻）が導出され得る。
未来のパフォーマンス予測を行うためにはワークロードの各種情報の予測を行う必要がある。本実施形態では、同じ条件で、例えば同じ曜日などにおいて、ワークロードが変わらない、例えば一日における同じ時刻においてユーザによるリソースの使い方が変化しないという前提で、過去ログデータから、各時刻においてのホストＣＰＵ利用率をＶＭ数で除することで、単位ＶＭ数当たりのＣＰＵ利用率を戻り値とする関数としてf´（時刻）が導出され得る。
【0032】
同様に、同じ条件で、例えば上記と同じく、同じ曜日などにおいて、ワークロードが変わらないという前提で、過去ログデータから、各時刻においてのホストDisk利用状況をＶＭ数で除することで、単位ＶＭ数当たりのホストDisk利用状況を戻り値とする関数としてｇ´（時刻）が導出され得る。
【0033】
また、上記の例に限られず、例えば、時系列予測手法（time series forecasting）を用いて、将来の任意の時刻における単位ＶＭ数当たりのリソース利用率を戻り値とする関数として上記f´（時刻）およびｇ´（時刻）が導出されてもよい。
【0034】
図３は、過去ログデータにおける、各時刻におけるＶＭ数、ホストＣＰＵ使用率、およびホストDisk利用状況の一例を表形式で示す図である。
図３に示された例では、過去の各時刻において稼働するＶＭの数、該当の稼働するＶＭに係るホストＣＰＵ使用率、および該当の稼働するＶＭに係るホストDisk利用状況の関係が示される。
図３に示された例では、過去の各時刻において稼働するＶＭの数、該当の稼働するＶＭに係るホストＣＰＵ使用率、および該当の稼働するＶＭに係るホストDisk利用状況の関係が示される。
【0035】
図４は、各時刻における、単位ＶＭ数当たりのホストＣＰＵ使用率、および単位ＶＭ数当たりのホストDisk利用状況の一例を表形式で示す図である。
図４に示された例では、各時刻と、単位ＶＭ数当たりのホストＣＰＵ使用率との関係は上記式（１）で示される関数f´（時刻）に対応する。そして、図４に示される単位ＶＭ数当たりのホストＣＰＵ使用率は、上記式（１）におけるｅが０であるとの仮定のもとで、各時刻において、図３に示されるホストＣＰＵ使用率を、同時刻で稼働するＶＭの数で除した値である。
図４に示された例では、各時刻と、単位ＶＭ数当たりのホストＣＰＵ使用率との関係は上記式（１）で示される関数f´（時刻）に対応する。そして、図４に示される単位ＶＭ数当たりのホストＣＰＵ使用率は、上記式（１）におけるｅが０であるとの仮定のもとで、各時刻において、図３に示されるホストＣＰＵ使用率を、同時刻で稼働するＶＭの数で除した値である。
【0036】
また、各時刻と、単位ＶＭ数当たりのホストDisk利用状況との関係は上記式（２）で示される関数ｇ´（時刻）に対応する。そして、図４に示された例では、単位ＶＭ数当たりのホストDisk利用状況は、上記式（２）におけるｅが０であるとの仮定のもとで、各時刻において、図３に示されるホストDisk利用状況を、同時刻で稼働するＶＭの数で除した値である。
上記図４に示される、各時刻と、単位ＶＭ数当たりのホストＣＰＵ使用率との関係は、単位ＶＭ数当たりのホストＣＰＵ使用率を上記f´（時刻）として、例えば以下の式（３）のように表現され得る。
上記図４に示される、各時刻と、単位ＶＭ数当たりのホストＣＰＵ使用率との関係は、単位ＶＭ数当たりのホストＣＰＵ使用率を上記f´（時刻）として、例えば以下の式（３）のように表現され得る。
【0037】
【数1】
【0038】
また、上記図４に示される、各時刻と、単位ＶＭ数当たりのホストDisk利用状況との関係は、単位ＶＭ数当たりのホストDisk利用状況をｇ´（時刻）として、例えば以下の式（４）のように表現され得る。実際のプログラムでは、ベクトルとして扱うことで、より効率的に計算可能である。
【0039】
【数2】
【0040】
図５は、本発明の一実施形態に係るリソース決定装置の最適ＶＭ数算出部による入出力の一例を示す図である。
ここでは前提として、第１に、モデル生成部１１により、ＶＭ数、ホストＣＰＵ利用率、ホストDisk利用状況、およびその他ワークロードを特徴変数とし、ホストCPU ready timeを目的変数とするモデルが生成されたとする。
ここでは前提として、第１に、モデル生成部１１により、ＶＭ数、ホストＣＰＵ利用率、ホストDisk利用状況、およびその他ワークロードを特徴変数とし、ホストCPU ready timeを目的変数とするモデルが生成されたとする。
【0041】
第２に、高関連特徴量抽出部１３により、ホストＣＰＵ利用率およびホストDisk利用状況が高関連特徴量の種別として抽出されたと仮定する。
第３に、この抽出結果に応じて、ＶＭ数関数導出部１４により、上記抽出されたホストＣＰＵ利用率について上記式（３）で示される関数が導出され、上記抽出されたホストDisk利用状況について上記式（４）で示される関数が導出されたと仮定する。
第３に、この抽出結果に応じて、ＶＭ数関数導出部１４により、上記抽出されたホストＣＰＵ利用率について上記式（３）で示される関数が導出され、上記抽出されたホストDisk利用状況について上記式（４）で示される関数が導出されたと仮定する。
【0042】
リソース決定装置１０の内部メモリまたは別途の記憶装置には、図５に示されるように、ユーザにより設定可能であるＶＭ数であるｎＶＭの集合Ｃ、および任意の日時の情報が保存される。図５に示された例では、設定可能であるＶＭ数であるｎＶＭの範囲は、図５の符号ａで示される１～５０である。
【0043】
また、最適ＶＭ数算出部１２は、モデルの特徴変数の１つであるＶＭ数として、上記ｎＶＭのうちユーザにより設定された値、例えば図５の符号ｂで示される「１０」をモデルに入力する。
【0044】
最適ＶＭ数算出部１２は、目的変数としてホストCPU ready timeを出力するモデルの特徴変数の１つであって１種類目の上記高関連特徴量であるホストＣＰＵ利用率として、上記式（３）で示される関数に任意の日時、ここでは指定時間帯t1～t2を反映してなる戻り値をサンプリングした値、例えば指定時間帯t1～t2におけるホストＣＰＵ利用率の最大値について、（１）上記ｎＶＭのうちユーザにより設定された値、および（２）ｅの値、が反映されてなる、以下の式（５）で示される値もモデルに入力する。timeをモデルに入力する。
sample（ｆ´cpu-use(t)）＊ｎＶＭ＋ｅ …式（５）
sample（ｆ´cpu-use(t)）＊ｎＶＭ＋ｅ …式（５）
【0045】
また、最適ＶＭ数算出部１２は、目的変数としてホストCPU ready timeを出力するモデルの特徴変数の１つであって２種類目の上記高関連特徴量であるホストDisk利用状況として、上記式（４）で示される関数に任意の日時、ここでは指定時間帯t1～t2を反映してなる戻り値をサンプリングした値、例えば指定時間帯t1～t2におけるホストDisk利用状況の最大値について、（１）上記ｎＶＭのうちユーザにより設定された値および（２）ｅの値、が反映されてなる、以下の式（６）で示される値もモデルに入力する。timeをモデルに入力する。
sample（ｇ´disk-use(t)）＊ｎＶＭ＋ｅ …式（６）
sample（ｇ´disk-use(t)）＊ｎＶＭ＋ｅ …式（６）
【0046】
図５では、高関連特徴量であるホストＣＰＵ利用率およびホストDisk利用状況が、ＶＭ数の一次関数として表現された例が示される。
上記特徴変数としての、（１）ＶＭ数、（２）ホストＣＰＵ利用率、（３）ホストDisk利用状況、および（４）その他のワークロード、の値が上記モデルに入力された結果、このモデルからはホストCPU ready timeが出力される。
上記特徴変数としての、（１）ＶＭ数、（２）ホストＣＰＵ利用率、（３）ホストDisk利用状況、および（４）その他のワークロード、の値が上記モデルに入力された結果、このモデルからはホストCPU ready timeが出力される。
【0047】
また、図５に示されるように、上記のモデルとは別に、目的変数としてホストDisk書き込み遅延を出力するモデル、または目的変数としてその他のパフォーマンスを出力するモデルをモデル生成部１１により生成した場合でも同様に、上記（１）ＶＭ数、（２）ホストＣＰＵ利用率、（３）ホストDisk利用状況、および（４）その他のワークロードが当該モデルに入力されることで、目的変数に対応する出力がなされる。
【0048】
以下、上記図５に示された入出力に係る、最適ＶＭ数算出部１２による処理の具体例を説明する。
図６は、本発明の一実施形態に係るリソース決定装置の最適ＶＭ数算出部による処理動作の一例を示すフローチャートである。
まず、最適ＶＭ数算出部１２は、任意の指定時間帯およびＶＤＩのパフォーマンス要件Ｒを入力し、各種処理により、上記指定時間帯における上記ＶＤＩパフォーマンス要件Ｒを満足する最適ＶＭ数を出力する。
図６は、本発明の一実施形態に係るリソース決定装置の最適ＶＭ数算出部による処理動作の一例を示すフローチャートである。
まず、最適ＶＭ数算出部１２は、任意の指定時間帯およびＶＤＩのパフォーマンス要件Ｒを入力し、各種処理により、上記指定時間帯における上記ＶＤＩパフォーマンス要件Ｒを満足する最適ＶＭ数を出力する。
【0049】
最適ＶＭ数算出部１２は、（１）任意の指定時間帯t1～t2（=1,2,3,…）、例えば「翌日（月曜日）の9:00～12:00」、および（２）任意のパフォーマンス要件R、例えば「ホストCPU ready timeが5秒以下である」を入力する（Ｓ１１）。
【0050】
最適ＶＭ数算出部１２は、ユーザにより設定（指定）可能なＶＭ数の集合Ｃをリソース決定装置１０の内部メモリなどから取得する（Ｓ１２）。ここでは、ＶＭ数の集合Ｃは１～５０、すなわち１台から５０台の範囲であるとする。
【0051】
最適ＶＭ数算出部１２は、Ｓ１２で取得した集合Ｃからの、ユーザによる入力操作により指定されたＶＭ数を設定する（for nＶＭ in C）（Ｓ１３）。ここでは、指定されたＶＭ数は１０であるとする。
【0052】
最適ＶＭ数算出部１２は、高関連特徴量抽出部１３により抽出された種別に係る高関連特徴量を求めることに用いられる、ＶＭ数関数導出部１４により導出された関数に、Ｓ１３で設定されたＶＭ数を用いて、ＶＭ数が式（５）および（６）のｎＶＭの場合で、時刻が上記指定時間帯t1～t2の範囲内の時刻t(=1,2,3,…)の各々であるときの各種高関連特徴量の値を算出する（Ｓ１４）。
【0053】
詳しくは、高関連特徴量抽出部１３により抽出された１つ目の高関連特徴量であるホストＣＰＵ利用率について、最適ＶＭ数算出部１２は、上記式（５）のｎＶＭに上記Ｓ１３で設定された「１０」が代入されて、上記式（５）のtに上記指定時間帯t1～t2の範囲内の時刻t(=1,2,3,…)の各々が代入されたときの、以下の式（７）である結果で示される値をホストＣＰＵ利用率として算出する。ここではｅ＝０であるとする。
【0054】
【数3】
【0055】
同様に、高関連特徴量抽出部１３により抽出された２つ目の高関連特徴量であるホストDisk利用状況について、最適ＶＭ数算出部１２は、上記式（６）のｎＶＭに上記Ｓ１３で設定された「１０」が代入されて、上記式（６）のtに上記指定時間帯t1～t2の範囲内の時刻t(=1, 2, 3,…)の各々が代入されたときの、以下の式（８）である結果で示される値をホストDisk利用状況として算出する。ここではｅ＝０であるとする。
【0056】
【数4】
【0057】
最適ＶＭ数算出部１２は、Ｓ１４で算出された、上記指定時間帯t1～t2における各種の高関連特徴量の値をサンプリング（sampling）する（Ｓ１５）。
このサンプリングは、以降の計算量が削減されるための処理であり、必須ではない処理である。サンプリングには色々な手法が挙げられるが、例としては、上記指定時間帯t1～t2における各種の高関連特徴量の最大値を抽出すること等が挙げられる。
このサンプリングは、以降の計算量が削減されるための処理であり、必須ではない処理である。サンプリングには色々な手法が挙げられるが、例としては、上記指定時間帯t1～t2における各種の高関連特徴量の最大値を抽出すること等が挙げられる。
【0058】
次に、最適ＶＭ数算出部１２は、Ｓ１５でサンプリングされた各種高関連特徴量の値を上記生成されたモデルの特徴変数に入力すること、ＶＭ数が上記設定されたときの上記指定時間帯t1～t2の範囲内の各々の時刻におけるＶＤＩパフォーマンスを算出する（Ｓ１６）。ここでは、例えば上記指定時間帯t1～t2の時刻tが１であるときのホストCPU ready time（＝4.2）、時刻tが２であるときのホストCPU ready time（＝5.0）、および時刻tが３であるときのホストCPU ready time（＝6.1）がそれぞれ算出される。
【0059】
最適ＶＭ数算出部１２は、Ｓ１６で算出したパフォーマンスが上記設定されたパフォーマンス要件Rを満足するか否かを判定する（Ｓ１７）。Ｓ１７で「Ｎｏ」と判定されたときは、Ｓ１３に戻り、別のＶＭ数が設定される。また、Ｓ１７で「Ｙｅｓ」と判定されたときは、この算出に係りＳ１３で設定されたＶＭ数を適切なＶＭ数としてリソース決定装置１０の内部メモリなどに保存する（Ｓ１８）。
【0060】
上記のようにＶＭ数が10の場合で、時刻tが「１」、「２」、および「３」の各々のときのホストCPU ready timeである「4.2」、「5.0」および「6.1」は、上記のパフォーマンス要件であるホストCPU ready time（＝5秒以下）を満たさないので、Ｓ１７で「Ｎｏ」と判定され、別のＶＭ数が設定される。
【0061】
Ｓ１８の後、上記集合Ｃのうち他に設定可能なＶＭ数があるときは（Ｓ１９のＹｅｓ）、Ｓ１３に戻り、別のＶＭ数が設定される。
一方、上記集合Ｃのうち他に設定可能なＶＭ数がないとき（Ｓ１９のＮｏ）、最適ＶＭ数算出部１２は、Ｓ１８で保存された適切なＶＭ数のうち最大値を最適ＶＭ数として算出し、これを出力する（Ｓ２０）。
一方、上記集合Ｃのうち他に設定可能なＶＭ数がないとき（Ｓ１９のＮｏ）、最適ＶＭ数算出部１２は、Ｓ１８で保存された適切なＶＭ数のうち最大値を最適ＶＭ数として算出し、これを出力する（Ｓ２０）。
【0062】
図７は、本発明の一実施形態に係るリソース決定装置によるパフォーマンスの予測値と実績値の比較結果の一例を示す図である。
図７では、5台のＶＤＩサーバの各々において、最適ＶＭ数算出部１２により算出されたパフォーマンス予測値と、同じ条件でのパフォーマンスの実測値が１時間平均値同士で比較された例である。図７に示されるように、高関連特徴量が用いられて算出されたパフォーマンス予測値と実測値との誤差は小さい。すなわち最適ＶＭ数算出部１２は、パフォーマンスを高い精度で予測できる。故に、パフォーマンス要件を満たすＶＭ数を高い精度で算出可能である。
図７では、5台のＶＤＩサーバの各々において、最適ＶＭ数算出部１２により算出されたパフォーマンス予測値と、同じ条件でのパフォーマンスの実測値が１時間平均値同士で比較された例である。図７に示されるように、高関連特徴量が用いられて算出されたパフォーマンス予測値と実測値との誤差は小さい。すなわち最適ＶＭ数算出部１２は、パフォーマンスを高い精度で予測できる。故に、パフォーマンス要件を満たすＶＭ数を高い精度で算出可能である。
【0063】
図８は、本発明の一実施形態に係るリソース決定装置のハードウエア構成の一例を示すブロック図である。
図８に示された例では、上記の実施形態に係るリソース決定装置１０は、例えばサーバコンピュータ（server computer）またはパーソナルコンピュータ（personal computer）により構成され、ＣＰＵ等のハードウエアプロセッサ（hardware processor）１１１Ａを有する。そして、このハードウエアプロセッサ１１１Ａに対し、プログラムメモリ（program memory）１１１Ｂ、データメモリ（data memory）１１２、入出力インタフェース（interface）１１３及び通信インタフェース１１４が、バス（bus）１２０を介して接続される。
図８に示された例では、上記の実施形態に係るリソース決定装置１０は、例えばサーバコンピュータ（server computer）またはパーソナルコンピュータ（personal computer）により構成され、ＣＰＵ等のハードウエアプロセッサ（hardware processor）１１１Ａを有する。そして、このハードウエアプロセッサ１１１Ａに対し、プログラムメモリ（program memory）１１１Ｂ、データメモリ（data memory）１１２、入出力インタフェース（interface）１１３及び通信インタフェース１１４が、バス（bus）１２０を介して接続される。
【0064】
通信インタフェース１１４は、例えば１つ以上の無線の通信インタフェースユニット（interface unit）を含んでおり、通信ネットワークＮＷとの間で情報の送受信を可能にする。無線インタフェースとしては、例えば無線ＬＡＮ（Local Area Network）などの小電力無線データ通信規格が採用されたインタフェースが使用される。
【0065】
入出力インタフェース１１３には、リソース決定装置１０に付設される、利用者などにより用いられる入力デバイス（device）２００および出力デバイス３００が接続される。
入出力インタフェース１１３は、キーボード（keyboard）、タッチパネル（touch panel）、タッチパッド（touchpad）、マウス（mouse）等の入力デバイス２００を通じて利用者などにより入力された操作データを取り込むとともに、出力データを液晶または有機ＥＬ（Electro Luminescence）等が用いられた表示デバイスを含む出力デバイス３００へ出力して表示させる処理を行なうことができる。なお、入力デバイス２００および出力デバイス３００には、リソース決定装置１０に内蔵されたデバイスが使用されてもよく、また、ネットワークＮＷを介してリソース決定装置１０と通信可能である他の情報端末の入力デバイスおよび出力デバイスが使用されてもよい。
入出力インタフェース１１３は、キーボード（keyboard）、タッチパネル（touch panel）、タッチパッド（touchpad）、マウス（mouse）等の入力デバイス２００を通じて利用者などにより入力された操作データを取り込むとともに、出力データを液晶または有機ＥＬ（Electro Luminescence）等が用いられた表示デバイスを含む出力デバイス３００へ出力して表示させる処理を行なうことができる。なお、入力デバイス２００および出力デバイス３００には、リソース決定装置１０に内蔵されたデバイスが使用されてもよく、また、ネットワークＮＷを介してリソース決定装置１０と通信可能である他の情報端末の入力デバイスおよび出力デバイスが使用されてもよい。
【0066】
プログラムメモリ１１１Ｂは、非一時的な有形の記憶媒体として、例えば、ＨＤＤ（Hard Disk Drive）またはＳＳＤ（Solid State Drive）等の随時書込みおよび読出しが可能な不揮発性メモリ（non-volatile memory）と、ＲＯＭ（Read Only Memory）等の不揮発性メモリとが組み合わせて使用されたもので、一実施形態に係る各種制御処理等を実行する為に必要なプログラムが格納され得る。
【0067】
データメモリ１１２は、有形の記憶媒体として、例えば、上記の不揮発性メモリと、ＲＡＭ（Random Access Memory）等の揮発性メモリ（volatile memory）とが組み合わせて使用されたもので、各種処理が行なわれる過程で取得および作成された各種データまたは情報が記憶される為に用いられ得る。データメモリ１１２には、図１に示されるモデル生成部１１により生成されたモデル、最適ＶＭ数算出部１２により算出された最適ＶＭ数、高関連特徴量抽出部１３により抽出された高関連特徴量の情報、およびＶＭ数関数導出部１４により導出された関数、などの各種データまたは情報が記憶され得る。
【0068】
本発明の一実施形態に係るリソース決定装置１０は、ソフトウエア（software）による処理機能部として、図１に示されるモデル生成部１１、最適ＶＭ数算出部１２、高関連特徴量抽出部１３、およびＶＭ数関数導出部１４を有するデータ処理装置として構成され得る。
【0069】
リソース決定装置１０の各部によるワークメモリなどとして用いられる各情報記憶部は、図８に示されたデータメモリ１１２が用いられることで構成され得る。ただし、これらの構成される記憶領域はリソース決定装置１０内に必須の構成ではなく、例えば、ＵＳＢ（Universal Serial Bus）メモリなどの外付け記憶媒体、又はクラウド（cloud）に配置されたデータベースサーバ（database server）等の記憶装置に設けられた領域であってもよい。
【0070】
上記のモデル生成部１１、最適ＶＭ数算出部１２、高関連特徴量抽出部１３、およびＶＭ数関数導出部１４の各部における処理機能部は、いずれも、プログラムメモリ１１１Ｂに格納されたプログラムを上記ハードウエアプロセッサ１１１Ａにより読み出させて実行させることにより実現され得る。なお、これらの処理機能部の一部または全部は、特定用途向け集積回路（ＡＳＩＣ（Application Specific Integrated Circuit））またはＦＰＧＡ（Field-Programmable Gate Array）などの集積回路を含む、他の多様な形式によって実現されてもよい。
【0071】
本発明の一実施形態に係るリソース決定装置では、仮想マシンのリソース配置、仮想マシンの複数種類の処理負荷、および仮想マシンの処理性能の関係を示すモデルを用い、複数種類の処理負荷のうち処理性能との関連性が比較的高い処理負荷の種別を抽出し、少なくともリソース配置を引数として、抽出された種別に係る処理負荷を戻り値とする関数を導出し、導出された関数に基づいて、指定されたリソース配置での処理負荷を算出し、算出された処理負荷をモデルに入力することで、指定されたリソース配置での処理性能を算出し、算出された処理性能が当該処理性能の要件を満たす場合に、指定されたリソース配置が適切なリソース配置であると判定するので、割り当てられるべきリソース量を高い精度で算出することができる。
【0072】
また、各実施形態に記載された手法は、計算機（コンピュータ）に実行させることができるプログラム（ソフトウエア手段）として、例えば磁気ディスク（フロッピー（登録商標）ディスク（Floppy disk）、ハードディスク（hard disk）等）、光ディスク（optical disc）（ＣＤ－ＲＯＭ、ＤＶＤ、ＭＯ等）、半導体メモリ（ＲＯＭ、ＲＡＭ、フラッシュメモリ（Flash memory）等）等の記録媒体に格納し、また通信媒体により伝送して頒布され得る。なお、媒体側に格納されるプログラムには、計算機に実行させるソフトウエア手段（実行プログラムのみならずテーブル（table）、データ構造も含む）を計算機内に構成させる設定プログラムをも含む。本装置を実現する計算機は、記録媒体に記録されたプログラムを読み込み、また場合により設定プログラムによりソフトウエア手段を構築し、このソフトウエア手段によって動作が制御されることにより上述した処理を実行する。なお、本明細書でいう記録媒体は、頒布用に限らず、計算機内部あるいはネットワークを介して接続される機器に設けられた磁気ディスク、半導体メモリ等の記憶媒体を含むものである。
【0073】
なお、本発明は、上記実施形態に限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で種々に変形することが可能である。また、各実施形態は適宜組み合わせて実施してもよく、その場合組み合わせた効果が得られる。更に、上記実施形態には種々の発明が含まれており、開示される複数の構成要件から選択された組み合わせにより種々の発明が抽出され得る。例えば、実施形態に示される全構成要件からいくつかの構成要件が削除されても、課題が解決でき、効果が得られる場合には、この構成要件が削除された構成が発明として抽出され得る。
【符号の説明】
【0074】
１０…リソース決定装置
１１…モデル生成部
１２…最適ＶＭ数算出部
１３…高関連特徴量抽出部
１４…ＶＭ数関数導出部
１１…モデル生成部
１２…最適ＶＭ数算出部
１３…高関連特徴量抽出部
１４…ＶＭ数関数導出部
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】