服务器虚拟化的分类宿主模型,虚拟化分类
虚拟化的方式多种多样,耳朵很熟悉的一些名字有:全虚拟化,类虚拟化,硬件虚拟化,混合虚拟化等等。这些不同的虚拟化方式,并不是根据同一个标准来分类的,以下介绍三种主要的分类方法,并相应介绍一些目前主流的虚拟化实现方式,以及对应的产品。
从虚拟平台的角度来划分的话,主要分为全虚拟化和类虚拟化:全虚拟化是指VMM虚拟出来的平台是现实中存在的平台,因此对于客户机来说,并不知道自己是运行在虚拟的平台上。正因为此,全虚拟化中的客户机操作系统是不需要做任何修改的。
类虚拟化是指通过对客户机进行源码级的修改,让客户机可以使用虚拟化的资源。由于需要修改客户机内核,因此类虚拟化一般都会被顺便用来优化I/O,客户机的操作系统通过高度优化的I/O协议,可以和VMM紧密结合达到近似于物理机的速度。
对于全虚拟化来说,从虚拟化支持的层次划分,主要分为软件辅助的虚拟化和硬件支持的虚拟化:软件辅助的虚拟化是指通过软件的方法,让客户机的特权指令陷入异常,从而触发宿主机进行虚拟化处理。主要使用的技术是优先级压缩和二进制代码翻译。
a) 优先级压缩是指让客户机运行在Ring 1级别,由于处于非特权级别,所以客户机的指令基本上都会触发异常,然后宿主机进行接管。
b) 但是有些指令并不能触发异常,因此就需要二进制代码翻译技术来对客户机中无法触发异常的指令进行转换,使之无法逃出宿主机的控制。
通过软件级的全虚拟化,可以让一台x86的物理机运行64位操作系统。更有胜者,通过IA64机型模拟古老的Mainframe虚拟机,从而把Mainframe机器的系统迁移至新机型中。硬件辅助的虚拟化主要是由于在技术层面上用软件手段达到全虚拟化非常麻烦,而且效率较低,才由Intel等处理器厂商直接在芯片上提供了对虚拟化的支持。硬件直接可以对敏感指令进行虚拟化执行。比如Intel的VT-x技术。
从实现结构来看,主要分为Hypervisor型虚拟,宿主模型虚拟,混合模型虚拟:Hypervisor虚拟是指,硬件资源之上没有操作系统,而是直接由VMM作为Hypervisor接管,Hypervisor负责管理所有资源和虚拟环境支持。这种结构的主要问题是,硬件设备多种多样,VMM不可能把每种设备的驱动都一一实现,所以此模型支持有限的设备。目前主要的产品是VMware EX Server,是当前最高端和成熟的虚拟化产品。
宿主模型,是在硬件资源之上有个普通的操作系统,负责管理硬件设备,然后VMM作为一个应用搭建在宿主OS上负责虚拟环境的支持,在VMM之上再加载客户机。此方式由底层操作系统对设备进行管理,因此VMM完全不用操心实现设备驱动。而它的主要缺点VMM对硬件资源的调用依赖宿主机,因此效率和功能受宿主机影响较大。目前主要产品是VMware Server,Virtual PC/Server。
混合模型,是综合了以上两种实现模型的虚拟化技术。首先VMM直接管理硬件,但是它会让出一部分对设备的控制权,交给运行在特权虚拟机中的特权操作系统来管理(称之为Domain 0)。VMM和Domain 0合作搭建起虚拟环境,在其上运行客户虚拟机(Domain N)。这个模型还是具有一些缺点,由于在需要特权操作系统提供服务时,就会出现上下文切换,这部分的开销会造成性能的下降。目前主要产品有Windows 2008, Xen。
服务器虚拟化的分类宿主模型,虚拟化分类相关推荐
- 多种分类以及模型评估
多种分类以及模型评估 分类 获取mnist数据集 获取训练数据和标签 数据标准化及数据集划分 训练二分类器 划分数据集 随机梯度下降分类 性能测试 使用交叉验证测量准确率 傻瓜版分类器 混淆矩阵 随机 ...
- 《深入浅出DPDK》读书笔记(九):流分类与多队列、流过滤、虚拟化流分类方式、流分类技术的使用
Table of Contents 94.Linux内核对多队列的支持 95.DPDK与多队列 98.流分类 99.RSS 100.Flow Director 101.服务质量 102.虚拟化流分类方 ...
- Citrix 服务器虚拟化之二十一 桌面虚拟化之部署Provisioning Services
Citrix 服务器虚拟化之二十一 桌面虚拟化之部署Provisioning Services Provisioning Services 是Citrix 出品的一系列虚拟化产品中最核心的一个组件, ...
- Citrix 服务器虚拟化之二十一 桌面虚拟化之部署Provisioning Services
Citrix 服务器虚拟化之二十一 桌面虚拟化之部署Provisioning Services Provisioning Services 是Citrix 出品的一系列虚拟化产品中最核心的一个组件, ...
- 多分类f1分数_分类模型的F1-score、Precision和Recall 计算过程
分类模型的F1分值.Precision和Recall 计算过程 引入 通常,我们在评价classifier的性能时使用的是accuracy 考虑在多类分类的背景下 accuracy = (分类正确的样 ...
- 机器学习(16)ROC曲线与AUC指标(癌症分类的模型检测--AUC指标)
目录 一.基础理论 0.引言 1.TPR与FPR 1.TPR(召回率) 2.FPR 2.ROC曲线 3.AUC指标 二.癌症分类的模型检测(AUC指标) 1.正反例转1.0 2.计算AUC指标 总代码 ...
- R语言使用R基础安装中的glm函数构建乳腺癌二分类预测逻辑回归模型、分类预测器(分类变量)被自动替换为一组虚拟编码变量、summary函数查看检查模型、使用table函数计算混淆矩阵评估分类模型性能
R语言使用R基础安装中的glm函数构建乳腺癌二分类预测逻辑回归模型(Logistic regression).分类预测器(分类变量)被自动替换为一组虚拟编码变量.summary函数查看检查模型.使用t ...
- R语言构建随机森林模型randomForest分类模型并评估模型在测试集和训练集上的效果(accuray、F1、偏差Deviance):随机森林在Bagging算法的基础上加入了列采样(分枝特征随机)
R语言构建随机森林模型randomForest分类模型并评估模型在测试集和训练集上的效果(accuray.F1.偏差Deviance):随机森林在Bagging算法的基础上加入了列采样(分枝特征随机) ...
- R语言构建xgboost文本分类模型(bag of words):xgb.cv函数交叉验证确定xgboost模型的最优子树个数、交叉验证获取最优子树之后构建最优xgboost模型并评估模型文本分类效能
R语言构建xgboost文本分类模型(bag of words):xgb.cv函数交叉验证确定xgboost模型的最优子树个数.交叉验证获取最优子树之后构建最优xgboost模型并评估模型文本分类效能 ...
- R语言构建xgboost模型:基于叶子索引衍生出新的特征并进行独热编码(one-hot encoding)之后构建新的模型、比较加入叶子索引特征的模型的分类性能提升
R语言构建xgboost模型:基于叶子索引衍生出新的特征并进行独热编码(one-hot encoding)之后构建新的模型.比较加入叶子索引特征的模型的分类性能提升 目录
最新文章
- 如何在调试页面的时候清除页面的缓存?
- Datawhale组队学习 Task04:队列(2天)
- js callback回调的一种写法
- 与 Linux 一起学习:学习打字
- JavaScript基础知识(函数)
- gram矩阵的性质_线性代数(十五)标准正交基(Orthonormal Bases)和Gram-Schmidt正交化...
- 关于FPGA的一些你必须知道的概念
- C++ 动态线性表的顺序存储结构(数组实现)
- dojo中的this.own()
- 用JSONObject解析和处理json数据
- 通过Oracle VM Manager管理配置虚拟机
- 课工场新闻管理jsp修改项目_jspmvc实验室预约管理系统
- 【恋上数据结构】跳表(Skip List)原理及实现
- linux桌面环境组件下载,万能桌面小组件
- “飞思卡尔”杯全国大学生智能车竞赛
- 360 网站服务器漏洞扫描,360Webscan
- 一些时间日期函数,转自华软
- [siggraph13]《巫师3》角色渲染
- 基于属性的测试,hypothesis以及查找bug
- mac 方向键调整_如何调整Mac方向键的速度