基于迭代QoS模型的云软件服务资源自适应管理框架制造技术

本发明专利技术提出基于迭代QoS模型的云软件服务资源自适应管理框架，包括数据收集方法、模型训练方法、运行决策方法和资源调整方法；数据收集方法采集虚拟机集群软件服务的工况数据，工况数据包括服务质量QoS值、分配虚拟机、虚拟机资源调整操作及资源调整后的服务质量调整结果值QoSt+1；模型训练方法以多种机器学习方法针对工况数据进行训练建模；所述运行决策方法从模型训练方法生成的模型中选择最优模型，并由最优模型获取最优的虚拟机资源管理方案，并据此生成针对当前虚拟机集群运行工况的决策方案；所述资源调整方法根据决策方案对虚拟机集群进行资源调整操作；本发明专利技术能通过提高QoS预测模型的准确度来提高云资源分配的有效性，从而提升云软件服务的性能。

Cloud software service resource adaptive management framework based on iterative QoS model

【技术实现步骤摘要】
基于迭代QoS模型的云软件服务资源自适应管理框架
本专利技术涉及云端计算
，尤其是基于迭代QoS模型的云软件服务资源自适应管理框架。
技术介绍
随着云计算技术的飞速发展，将软件服务部署在云端，并按需分配云资源，对外提供计算服务的模式已经被广泛应用。在这种服务模式下，如何为基于云的软件服务分配合适的资源，是云软件工程师需要面对的核心问题。一方面，要保证软件服务的服务质量。另一方面，也要考虑云资源的成本。然而，由于软件服务的服务质量需求不同，其外部环境(如工作负载)也是时刻变化的，这使得工程师们对云资源的管理变得越来越困难。为此，本文提出一种面向云软件服务的资源自适应管理框架；首先对云软件服务的资源管理问题进行形式化定义，其次提出一种基于迭代QoS预测模型的资源管理方法。最后设计和实现了云软件服务的资源自适应管理框架。本专利技术已在CloudStack跟RUBiS软件服务上设计实验并进行评估验证；实验结果显示：本专利技术所述方法能提高QoS预测模型的准确度，与传统模型相比准确度提高超过15％；同时，本文方法能提高云资源分配的有效性，性本文档来自技高网...

【技术保护点】
1.基于迭代QoS模型的云软件服务资源自适应管理框架，用于通过虚拟机集群承载的云平台的软件服务的管理，其特征在于：所述自适应管理框架包括数据收集方法、模型训练方法、运行决策方法和资源调整方法；所述数据收集方法采集虚拟机集群软件服务的工况数据，所述工况数据包括服务质量QoS值、分配虚拟机、虚拟机资源调整操作及资源调整后的服务质量调整结果值QoS

【技术特征摘要】
1.基于迭代QoS模型的云软件服务资源自适应管理框架，用于通过虚拟机集群承载的云平台的软件服务的管理，其特征在于：所述自适应管理框架包括数据收集方法、模型训练方法、运行决策方法和资源调整方法；所述数据收集方法采集虚拟机集群软件服务的工况数据，所述工况数据包括服务质量QoS值、分配虚拟机、虚拟机资源调整操作及资源调整后的服务质量调整结果值QoSt+1；
所述模型训练方法以多种机器学习方法针对工况数据进行训练建模；
所述运行决策方法从模型训练方法生成的模型中选择最优模型，并由最优模型获取最优的虚拟机资源管理方案，并据此生成针对当前虚拟机集群运行工况的决策方案；
所述资源调整方法根据决策方案对虚拟机集群进行资源调整操作，所述资源调整操作包括对虚拟机集群内承载软件服务的虚拟机进行添加和删除。


2.根据权利要求1所述的基于迭代QoS模型的云软件服务资源自适应管理框架，其特征在于：所述数据收集方法采集工况数据的方法为：把虚拟机集群软件服务的响应时间数据映射成预定区间内的连续值，作为服务质量QoS值，同时采集与服务质量QoS值对应的负载请求L、已分配虚拟机VM、虚拟机资源调整操作Action；并采集完成虚拟机资源调整操作后的服务质量调整结果值QoSt+1；所述调整操作Action包括对虚拟机集群内承载软件服务的虚拟机进行添加和删除；采集工况数据时，所述数据收集方法收集在特定工作负载下，资源调整动作之前的响应时间以及资源调整之后的响应时间，并使用相关的函数将响应时间映射为具体的服务质量值，从而组成对应该工作负载的完整数据集。


3.根据权利要求2所述的基于迭代QoS模型的云软件服务资源自适应管理框架，其特征在于：所述数据收集方法以响应时间为敏感指标，且设置云软件服务的SLA规定的响应时间容忍度为2s，通过sigmoid函数将响应时间映射成[0,1]区间内的服务质量曲线；所述服务质量曲线为S型变化曲线，以SLA的要求RTSLA作为对称点，越靠近对称点则曲线变化越大。


4.根据权利要求2所述的基于迭代QoS模型的云软件服务资源自适应管理框架，其特征在于：所述模型训练方法的机器学习方法包括非线性回归、支持向量机和分类与回归树；所述针对工况数据的训练建模为训练迭代QoS预测模型
QoSt+1＝F(L,VM,QoSt,Action)(公式4-1)。


5.根据权利要求4所述的基于迭代QoS模型的云软件服务资源自适应管理框架，其特征在于：所述非线性回归的机器学习方法中，对于当前的工作负载L、分配的虚拟机数量VM、采取的资源管理操作Action以及当前的服务质量QoS值，可以设置的回归方程如下：



公式4-2中，<W,b>是所要求解的参数；
非线性回归的机器学习方法中，设置损失函数为真实值yactual和预测值ypredicted之间的误差平法和，即|yactual-ypredicted|2，可以通过最小二乘法进行参数求解。


6.根据权利要求4所述的基于迭代QoS模型的云软件服务资源自适应管理框架，其特征在于：所述支持向量机的机器学习方法中，设定训练数据QoSt+1和L、VM、QoSt、Action之间是线性不可分的，通过引入核函数进行解空间的维度映射；引入核函数后的超平面方程表示为



其中，<U,v>是所要求解的参数，求解时选用高斯核函数，通过核函数转换后，可以转为对偶问题求解参数，如公式





7.根据权利要求4所述的基于迭代QoS模型的云软件服...

【专利技术属性】
技术研发人员：陈星，杨立坚，朱芳宁，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建;35