[發(fā)明專利]面向云軟件服務(wù)的資源自學(xué)習(xí)與自適應(yīng)分配方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201711281436.2
• 申請(qǐng)日: 2017-12-07
• 公開(kāi)（公告）號(hào): CN107995039B
• 公開(kāi)（公告）日: 2020-11-03
• 發(fā)明（設(shè)計(jì)）人: 陳星;林俊鑫;項(xiàng)滔
• 申請(qǐng)（專利權(quán)）人: 福州大學(xué)
• 主分類號(hào): H04L12/24
• 分類號(hào): H04L12/24;G06F9/50
• 代理公司: 福州元?jiǎng)?chuàng)專利商標(biāo)代理有限公司 35100
• 代理人: 蔡學(xué)俊

1.一種面向云軟件服務(wù)的資源自學(xué)習(xí)與自適應(yīng)分配方法，其特征在于，包括：

步驟1：建立軟件服務(wù)的QoS模型，使用歷史數(shù)據(jù)的數(shù)據(jù)集作為學(xué)習(xí)數(shù)據(jù)通過(guò)機(jī)器學(xué)習(xí)算法訓(xùn)練QoS模型：

Y＝Q(X) (1)

其中，輸入矩陣X包括工作負(fù)載的數(shù)量x_i,0，不同類型的任務(wù)工作量的比例(x_i,1,x_i,2,…,x_i,m)，分配的資源(x_i,m+1,x_i,m+2,…,x_i,m+n)，其中x_i,1+x_i,2+…+x_i,m＝1，x_i,m+s表示第s類虛擬機(jī)的數(shù)量，s＝1,2,...，n，輸出矩陣Y是QoS的預(yù)測(cè)值y_i；

步驟2：構(gòu)造軟件服務(wù)資源分配計(jì)劃的適應(yīng)度函數(shù)：

其中,fit是適應(yīng)度值，Cost_L是虛擬機(jī)的租賃成本，Cost_D是虛擬機(jī)的停止成本，r₁、r₂是權(quán)重，根據(jù)不同系統(tǒng)的需求設(shè)置；

步驟3：基于遺傳算法搜索最優(yōu)的資源分配計(jì)劃，進(jìn)行資源的在線自動(dòng)分配決策；其中，所述步驟3具體包括：

步驟31：對(duì)資源分配計(jì)劃進(jìn)行二進(jìn)制編碼，每條染色體代表一種資源分配計(jì)劃，初始化參數(shù)值，包括種群大小、最大迭代次數(shù)和染色體數(shù)量；

假設(shè)虛擬機(jī)有n種類型，每種類型虛擬機(jī)數(shù)量的編碼長(zhǎng)度為v，則每種類型虛擬機(jī)的數(shù)量范圍是[0,2^V-1]，第t次迭代中的第i個(gè)染色體定義如下：

染色體中第s個(gè)基因代表第s類虛擬機(jī)的數(shù)量，s＝1,2,…,n,使用二進(jìn)制編碼方法描述如下：

步驟32：根據(jù)公式(2)計(jì)算每條染色體的適應(yīng)度值；

步驟33：根據(jù)相對(duì)概率選擇適應(yīng)度值低的染色體，并對(duì)其進(jìn)行隨機(jī)突變和交叉操作來(lái)更新種群，相對(duì)概率定義如下：

步驟34：計(jì)算新種群每個(gè)染色體的適應(yīng)度值；

步驟35：重復(fù)步驟33-34，直到滿足結(jié)束循環(huán)條件；

步驟36：將最終得到的新種群中適應(yīng)度值最低的染色體作為最優(yōu)解，并且針對(duì)該染色體進(jìn)行解碼操作得到虛擬機(jī)的類型和對(duì)應(yīng)的數(shù)量，該染色體即為最優(yōu)的資源分配計(jì)劃。

2.根據(jù)權(quán)利要求1所述的資源自學(xué)習(xí)與自適應(yīng)分配方法，其特征在于，所述機(jī)器學(xué)習(xí)算法是非線性回歸、支持向量機(jī)或分類回歸樹(shù)方法。

3.根據(jù)權(quán)利要求1所述的資源自學(xué)習(xí)與自適應(yīng)分配方法，其特征在于，所述隨機(jī)突變指在染色體中隨機(jī)選擇一個(gè)基因位置，然后將其屬性變異為一個(gè)新值，即0變1，或1變0。

4.根據(jù)權(quán)利要求1所述的資源自學(xué)習(xí)與自適應(yīng)分配方法，其特征在于，所述交叉操作指對(duì)兩條母染色體交換一段基因來(lái)產(chǎn)生子染色體。