[發明專利]一種基于深度學習的云服務性能自適應動作類型選擇方法

有效

• 申請號: 201510426784.9
• 申請日: 2015-07-20
• 公開（公告）號: CN104951425B
• 公開（公告）日: 2018-03-13
• 發明（設計）人: 郭軍;張斌;劉宇;閆永明;莫玉言;馬安香
• 申請（專利權）人: 東北大學
• 主分類號: G06F15/18
• 分類號: G06F15/18
• 代理公司: 沈陽東大知識產權代理有限公司21109
• 代理人: 梁焱

1.一種基于深度學習的云服務性能自適應動作類型選擇方法，包括如下步驟：

步驟1：監測物理機群數據、虛擬機數據、服務組件數據；

步驟2：結合SLA中約定的約束事件和實時監測的數據，判定當前服務性能是否需要優化：若當前數據觸發約束事件，則執行步驟3，否則返回步驟1；

步驟3：根據自適應方法庫決策自適應動作類型；

步驟4：根據決策的自適應動作類型進行云服務性能自優化；

步驟5：反饋學習，更新自適應方法庫，返回步驟1；

其特征在于，所述自適應方法庫按如下步驟建立：

步驟3-1：數據提取，包括：物理機群數據、虛擬機數據、服務組件數據；

步驟3-2：數據預處理：對數據進行去噪、清洗；

步驟3-3：數據樣本化：將數據轉換成0~1之間的小數；

步驟3-4：數據標簽化：將樣本化后的數據分別利用資源調整方案決策模型、服務遷移方案決策模型、副本部署方案決策模型對訓練數據進行訓練，將代價收益評估最高的20%訓練數據標簽化，針對有標簽的數據，執行步驟3-6；針對無標簽的數據，執行步驟3-5；

步驟3-5：基于DBN訓練的自適應服務性能動作類型選擇模型；

步驟3-6：生成自適應方法庫。

2.根據權利要求1所述的基于深度學習的云服務性能自適應動作類型選擇方法，其特征在于，所述物理機群數據、虛擬機數據均包括CPU核數、內存大小、帶寬、服務組件個數、可用磁盤大小；

所述服務組件數據包括CPU占用率、內存占用率、并發量、響應時間、I/O設備調用頻率。

3.根據權利要求1所述的基于深度學習的云服務性能自適應動作類型選擇方法，其特征在于，所述步驟3-5基于DBN訓練的自適應服務性能動作類型選擇模型具體步驟如下：

步驟3-5-1：初始化DBN結構，包括RBM堆疊數L，各層節點數N[]，學習速率?，迭代周期k，連接權值矩陣W[]，偏置矩陣b[]；

步驟3-5-2：訓練DBN，利用無標簽數據逐層訓練各層RBM；

步驟3-5-3：對已獲取的DBN采用BP算法進行調整；

步驟3-5-4：利用測試數據測試DBN的準確率；

步驟3-5-5：若準確率不滿足要求，返回步驟3-5-1，重新確立DBN結構；否則，當前DBN即自適應動作類型判定選擇模型。