[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

说明书

本发明公开了一种面向云软件服务的资源自学习与自适应分配方法，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；2）构造软件服务资源分配计划的适应度函数；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。本发明操作简单，能在合理的水平上维护QoS值，提高资源利用率并有较好的性价比。

技术领域

本发明涉及软件工程云计算技术领域，具体涉及一种面向云软件服务的资源自学习与自适应分配方法。

背景技术

云计算正在蓬勃发展，大量基于云的软件服务显而易见。为了在不断变化的工作负载下提供可扩展性和弹性，云服务提供商通常能够在共享基础架构中提供配置软硬件资源的能力。云的弹性导致了我们管理基于云的软件服务方式的转变。然而，在设计初期，软件工程师和云工程师难以预测这些基于云的软件服务的工作负载动态变化和运行时需求。事实意味着工程师为软件服务分配适当的资源来保证良好的服务质量以及低资源成本变得越来越复杂。

软件自适应应运而生，以此来应对当今软件系统的复杂性。这样的自适应系统可以配置和重新配置自己，增强其功能，不断优化自身，保护自己并恢复自身，同时保持大部分复杂性隐藏于用户和管理员身上。在基于云的软件服务的资源分配中需要自适应能力，因为工程师的干预是困难的，甚至是不可能的。传统的自适应资源分配方法是策略驱动的，由专家设计。然而，软件服务在工作负载类型和资源偏好上具有不同的特征。因此，云工程师通常必须为每个系统制定单独的规则集，以便有效地分配资源，从而导致高管理成本和实施复杂性。

机器学习,可以让计算机在没有明确程序拥有自我学习的能力,意味着它能让系统从数据中学习,并在许多领域取得了巨大成就所需的自主学习能力是自适应资源分配,因为自适应管理是基于知识、经验和规则,这是很难获得的。然而，仍然有两个问题需要处理:首先，资源配置有大量的指标和参数。要在机器学习的基础上，很难界定资源配置的专家知识，从庞大的历史数据中训练合适的模型；第二，在为软件服务配置资源时，服务质量和资源成本低都需要得到保证。基于专家知识，很难在线上对资源调度做出决策。

当运行时环境发生变化时，软件服务有不同的QoS值。根据起始代理的性质，环境更改可分为外部或内部变化。外部变化由外部元素发起，而内部变化则由管理系统应用。

表1

如表1所示，在这个问题领域中有三个主要元素，包括外部变化、内部变化和对象。外部变化是指具有不同数量和类型的工作负载。内部变化是指分配的资源，它们由几个在计算能力和价格上有差异的虚拟机组成。对象是指由适应度函数计算的评估值，它在QoS值和资源成本之间进行权衡。QoS可以包括响应时间、数据吞吐量等目标，其值可以通过SLA契约来计算。资源成本(成本)主要来自于租赁成本(CostL)和虚拟机的停止成本(CostD)，Cost＝Cost_L+Cost_D。因此，自适应系统的目标是自动为软件服务分配适当的资源，保证服务质量和资源的低成本。

发明内容

针对上述现有技术的不足，本发明提出一种面向云软件服务的资源自学习与自适应分配方法，能在合理的水平上维护QoS值，提高资源利用率并有较好的性价比。为实现上述目的，本发明的技术方案是：一种面向云软件服务的资源自学习与自适应分配方法，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)