[發(fā)明專(zhuān)利]基于QoS特征發(fā)現(xiàn)的云計(jì)算節(jié)能調(diào)度實(shí)現(xiàn)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811063205.9
• 申請(qǐng)日: 2018-09-12
• 公開(kāi)（公告）號(hào): CN109445903B
• 公開(kāi)（公告）日: 2022-03-29
• 發(fā)明（設(shè)計(jì)）人: 劉發(fā)貴;王彬
• 申請(qǐng)（專(zhuān)利權(quán)）人: 華南理工大學(xué)
• 主分類(lèi)號(hào): G06F9/455
• 分類(lèi)號(hào): G06F9/455;G06F9/50
• 代理公司: 廣州粵高專(zhuān)利商標(biāo)代理有限公司 44102
• 代理人: 何淑珍;江裕強(qiáng)

1.基于QoS特征發(fā)現(xiàn)的云計(jì)算節(jié)能調(diào)度實(shí)現(xiàn)方法，其特點(diǎn)在于將云計(jì)算的節(jié)能流程抽象為QoS特征重構(gòu)、特征狀態(tài)比對(duì)、調(diào)度評(píng)估和虛擬機(jī)調(diào)度四個(gè)模塊；該方法包括以下步驟：

步驟(1)通過(guò)堆疊降噪自動(dòng)編碼器對(duì)數(shù)據(jù)中心負(fù)載日志信息的QoS特征進(jìn)行重構(gòu)；所述的堆疊降噪自動(dòng)編碼器是指對(duì)普通自動(dòng)編碼器結(jié)構(gòu)的網(wǎng)絡(luò)進(jìn)行堆疊與加噪的處理，加噪的過(guò)程是對(duì)自動(dòng)編碼器網(wǎng)絡(luò)中的輸入層信息添加泊松噪聲，通過(guò)泊松噪聲增強(qiáng)自動(dòng)編碼器模型的魯棒性，提升其學(xué)習(xí)特征的能力；添加的泊松噪聲具體是指符合泊松分布的噪聲模型，是一個(gè)在當(dāng)前云環(huán)境中以泊松分布進(jìn)行建模，描述數(shù)據(jù)中心的服務(wù)器在設(shè)定時(shí)間內(nèi)收到的云任務(wù)請(qǐng)求數(shù)量概率分布的噪聲模型；

步驟(2)通過(guò)多PM協(xié)同的增強(qiáng)學(xué)習(xí)方法對(duì)輸入信息的特征狀態(tài)進(jìn)行相似度比對(duì)；

步驟(3)在調(diào)度評(píng)估機(jī)中篩選出與QoS優(yōu)化呈正相關(guān)關(guān)系的主機(jī)隊(duì)列，在虛擬機(jī)調(diào)度模塊中進(jìn)行資源的遷移整合操作，所述的篩選出與QoS優(yōu)化呈正相關(guān)關(guān)系的主機(jī)隊(duì)列具體指的是在步驟(2)的基礎(chǔ)上對(duì)各節(jié)點(diǎn)觀測(cè)資源利用率的變化、取得的QoS值的獎(jiǎng)勵(lì)以及其余節(jié)點(diǎn)的決策這三個(gè)觀測(cè)值；根據(jù)這三個(gè)觀測(cè)值，對(duì)處于調(diào)度動(dòng)作的主機(jī)隊(duì)列進(jìn)行優(yōu)先級(jí)排序，從優(yōu)先級(jí)隊(duì)列中篩選出最先進(jìn)行遷入遷出動(dòng)作的主機(jī)，并進(jìn)行虛擬資源的整合，從而提升數(shù)據(jù)中心工作時(shí)的QoS保障質(zhì)量與整體能效。

2.根據(jù)權(quán)利要求1所述的基于QoS特征發(fā)現(xiàn)的云計(jì)算節(jié)能調(diào)度實(shí)現(xiàn)方法，其特征在于所述堆疊的處理是指將當(dāng)前自動(dòng)編碼器結(jié)構(gòu)的輸出編碼連接到給下一層的輸入層之中，通過(guò)該種方式將上述自動(dòng)編碼器連接在一起稱(chēng)之為堆疊處理，獲得新的特征表達(dá)。

3.根據(jù)權(quán)利要求1所述的基于QoS特征發(fā)現(xiàn)的云計(jì)算節(jié)能調(diào)度實(shí)現(xiàn)方法，其特征在于步驟(1)中所述的QoS特征重構(gòu)指的具體是利用堆疊降噪自動(dòng)編碼器對(duì)數(shù)據(jù)中心的負(fù)載日志信息中的QoS特征進(jìn)行新的提取、構(gòu)建工作；負(fù)載日志信息中的初始QoS特征將作為堆疊降噪自動(dòng)編碼器輸入層的輸入，通過(guò)編碼層處理之后將會(huì)得到降維后的QoS指標(biāo)強(qiáng)相關(guān)特征向量。

4.根據(jù)權(quán)利要求1所述的基于QoS特征發(fā)現(xiàn)的云計(jì)算節(jié)能調(diào)度實(shí)現(xiàn)方法，其特征在于步驟(2)中所述的多PM協(xié)同的增強(qiáng)學(xué)習(xí)方法具體指的是基于Q-learning的數(shù)據(jù)中心資源動(dòng)態(tài)調(diào)度算法，該算法在多PM的環(huán)境下通過(guò)對(duì)增強(qiáng)學(xué)習(xí)模型中的Q函數(shù)進(jìn)行改進(jìn)，將Q函數(shù)定義為階段的獎(jiǎng)勵(lì)值，當(dāng)且僅當(dāng)每個(gè)節(jié)點(diǎn)的策略是均衡點(diǎn)時(shí)，整個(gè)模型處于均衡狀態(tài)。