[发明专利]基于机器学习的Web应用自适应资源配置方法

说明书

本发明提供一种基于机器学习的Web应用自适应资源配置方法，其包括以下步骤：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。本发明可以从历史数据中训练出预测模型并根据遗传算法自动地为Web应用服务分配软硬件资源。

技术领域

本发明属于软件工程云计算领域，具体涉及云环境下软硬件资源的自学习和自适应的分配方法。

背景技术

作为一种基于互联网的指导方法论，云计算可以进入资源共享池，将资源进行合理配置，使这些资源能够被快速提供且恰当运用。在工程实践中，本发明常常需要考虑Web应用工作负载数量的急剧变化与持续增长、网络资源利用率的情况、服务器状态等因素，及时调整Web应用系统的服务器内存分配比例以处理当前的请求量，避免系统因负载过大而部署规模不适应当前需求造成瘫痪。但是，如果本发明为了预防可能产生的未知风险，将Web应用的部署规模始终维持在一个较为庞大的水平上，这对于平时正常情况来说是一种资源浪费现象。若是采用人工进行资源配置的操作繁琐且通常不够及时，因此本发明希望能研究出一种技术，能让Web应用感知网络环境的变化，即Web应用需要一定的自适应能力，随着负载的增加而进行动态配置，实时的调整配置参数从而持续满足应用目标的需求。

作为人工智能的分类学科，机器学习主要是对历史数据或历史经验进行学习、归纳和综合，以此对算法进行优化从而达到改善计算机系统性能的目的。传统情况下需要依靠人工干预的方式给出对应的知识和策略，这很难在线上对资源调度做出实时决策。而若是将机器学习运用到资源自适应配置的知识获取和决策的确定中，通过前期实验采集大量的相关数据，再通过机器学习获取一定的决策与知识库运用到Web应用资源的实时自适应配置中，则会大大提高了系统的自主能力。然而，进行机器学习需要庞大的数据集并选择对应的模型进行训练，因此，数据采集和模型选择至关重要。

发明内容

本发明提出了一种基于机器学习的Web应用自适应资源配置方法。

为实现上述目的，本发明采用依稀技术方案：一种基于机器学习的Web应用自适应资源配置方法，其包括以下步骤：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。

在本发明一实施例中，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，数据集主要包含三大类：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该次实验的结果参数；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。

在本发明一实施例中，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为通过高斯核进行特征空间的映射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；