[发明专利]面向云软件服务的资源自学习与自适应分配方法

权利要求书

1.一种面向云软件服务的资源自学习与自适应分配方法，其特征在于，包括：

步骤1：建立软件服务的QoS模型，使用历史数据的数据集作为学习数据通过机器学习算法训练QoS模型：

Y＝Q(X) (1)

其中，输入矩阵X包括工作负载的数量x_i,0，不同类型的任务工作量的比例(x_i,1,x_i,2,…,x_i,m)，分配的资源(x_i,m+1,x_i,m+2,…,x_i,m+n)，其中x_i,1+x_i,2+…+x_i,m＝1，x_i,m+s表示第s类虚拟机的数量，s＝1,2,...，n，输出矩阵Y是QoS的预测值y_i；

步骤2：构造软件服务资源分配计划的适应度函数：

其中,fit是适应度值，Cost_L是虚拟机的租赁成本，Cost_D是虚拟机的停止成本，r₁、r₂是权重，根据不同系统的需求设置；

步骤3：基于遗传算法搜索最优的资源分配计划，进行资源的在线自动分配决策；其中，所述步骤3具体包括：

步骤31：对资源分配计划进行二进制编码，每条染色体代表一种资源分配计划，初始化参数值，包括种群大小、最大迭代次数和染色体数量；

假设虚拟机有n种类型，每种类型虚拟机数量的编码长度为v，则每种类型虚拟机的数量范围是[0,2^V-1]，第t次迭代中的第i个染色体定义如下：

染色体中第s个基因代表第s类虚拟机的数量，s＝1,2,…,n,使用二进制编码方法描述如下：

步骤32：根据公式(2)计算每条染色体的适应度值；

步骤33：根据相对概率选择适应度值低的染色体，并对其进行随机突变和交叉操作来更新种群，相对概率定义如下：

步骤34：计算新种群每个染色体的适应度值；

步骤35：重复步骤33-34，直到满足结束循环条件；

步骤36：将最终得到的新种群中适应度值最低的染色体作为最优解，并且针对该染色体进行解码操作得到虚拟机的类型和对应的数量，该染色体即为最优的资源分配计划。

2.根据权利要求1所述的资源自学习与自适应分配方法，其特征在于，所述机器学习算法是非线性回归、支持向量机或分类回归树方法。

3.根据权利要求1所述的资源自学习与自适应分配方法，其特征在于，所述随机突变指在染色体中随机选择一个基因位置，然后将其属性变异为一个新值，即0变1，或1变0。

4.根据权利要求1所述的资源自学习与自适应分配方法，其特征在于，所述交叉操作指对两条母染色体交换一段基因来产生子染色体。