[发明专利]基于机器学习的Web应用自适应资源配置方法

权利要求书

1.一种基于机器学习的Web应用自适应资源配置方法，其特征在于：包括以下步骤：

步骤S1：将物理机操作系统虚拟化，分为两个虚拟机，两个虚拟机分别运行各自的操作系统；

步骤S2：针对上述两个虚拟机分别提出两个机器学习模型；利用基于机器学习的响应时间的预测模型去预测给定环境变化下的响应时间；

步骤S3：利用基于遗传算法的在线决策机制，根据以上的模型制定响应的适应度函数来搜索具有最优响应时间的软硬件资源配置分配方案；

步骤S2中的基于机器学习的响应时间的预测模型的建立包括以下步骤：

用公式(1)表示基于机器学习的响应时间的预测模型；

Y＝predict(X)；X＝(N，S，H) (1)

其中输入X包括工作负载的数量N、软件资源S和硬件资源H；输出Y是Web应用响应时间的预测值；

使用历史数据的数据集来训练该预测模型，数据集包含三大类：第一类是软件配置参数，第二类是硬件配置参数，第三类是每次不同软硬件配置状态下的结果参数：并选取虚拟机CPU与内存利用率作为平均响应时间的辅助参数；

步骤S2中两个机器学习模型分别为支持向量机SVM方法、分类和回归树CART方法，

对于支持向量机SVM方法的机器学习模型，设置超平面方程和核函数，其中超平面方程如公式2所示：

X为输入矩阵和Y为输出矩阵；u^T，v为通过高斯核函数进行特征空间映射的方程参数；

公式3计算了空间中任一点x_i到某一点x_j之间欧氏距离的单调函数，σ为函数的宽度参数，控制了函数的径向作用范围；

公式2和公式3共同构成了SVM机器学习模型；

对于分类回归树CART方法的机器学习模型，设置数据集纯度和Gini指标函数的计算公式，数据集的纯度计算如公式(4)：其中数据集D＝(X，Y)包含输入矩阵X和输出矩阵Y，p_k是数据集中第k个类别的比例，数据集分为r类；

在输入矩阵X的属性列中，属性att的Gini值计算函数被描述为公式(5)，Gini系数最小的一种被认为是最优的配分属性；

步骤S3包括以下具体步骤：

步骤S31：初始化参数值，包括种群大小、最大迭代和初始化的染色体数量；

步骤S32：用公式(6)计算每条染色体的适应度值，然后选择适应度函数值fitness最小的染色体为最佳染色体；

fitness＝RT (6)；

其中RT为响应时间；

步骤S33：通过选择、突变和交叉操作来更新种群；

步骤S34：重新计算每个染色体的适应度函数值，并更新最佳染色体；

步骤S35：迭代次数+1，若迭代次数小于最大迭代次数则跳转到步骤S33；

步骤S33中的选择采用轮盘赌算法，

交叉指遗传过程中两个匹配染色体根据设定的交叉率相互交换基因

形成两个新的染色体，变异是指遗传过程中将染色体中的基因根据变异率进行替换形成新的染色体；

所述物理机的内存等于两台虚拟机内存的总和，对物理机进行内存资源分配相当于分配两台虚拟机各自的内存，两台虚拟机的内存总合为固定值；

两台虚拟机分别为数据库端虚拟机和基于tomcat的服务器端虚拟机；所述软件资源S为tomcat连接池数和数据库连接数；所述硬件资源H为给服务器端虚拟机和数据库端虚拟机分配的内存比例；

当web应用自适应资源配置方法应用于web应用时，方法为：

在web应用的配置和工作负载数一定的情况下，web应用自适应资源配置方法先给出对应该情况的一组配置，每组配置都有对应的工作负载承受区间；在该区间内响应时间趋于稳定；

当工作负载数的增加并超出原来配置的承受区间并使web应用响应时间急剧增大时，web应用自适应资源配置方法加入自适应资源配置，使响应时间下降并趋于稳定。

2.根据权利要求1所述的基于机器学习的Web应用自适应资源配置方法，其特征在于：交叉率0.8，变异率0.2，种群规模20。