[發明專利]一種基于RBF神經網絡的云服務資源精確控制方法

有效

• 申請號: 201811213337.5
• 申請日: 2018-10-18
• 公開（公告）號: CN109375506B
• 公開（公告）日: 2022-06-07
• 發明（設計）人: 丁均路;張建
• 申請（專利權）人: 北京工業大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 劉萍

1.一種基于RBF神經網絡的云服務資源精確控制方法，其特征在于，

包括以下步驟：

(1)設計基于RBF神經網絡的云服務資源預測模型，預測模型RBF神經網絡分為三層：輸入層、隱含層和輸出層；預測模型RBF神經網絡輸入為u(k)＝[u₁(k),u₂(k),u₃(k),u₄(k),u₅(k)]^T，u₁(k)為第k次資源請求時所需線程個數，u₂(k)為第k次資源請求時請求所需進程個數，u₃(k)為第k次資源請求時所處理的數據量大小，u₄(k)為第k次資源請求時當前云服務資源空閑CPU核個數，u₅(k)為第k次資源請求時當前云服務資源空閑內存大小，T為矩陣的轉置；預測模型RBF神經網絡輸出為所需內存大小除以所需CPU核數個數的預測值；其計算方式如下：

①初始化預測模型RBF神經網絡：確定神經網絡5-P-1的連接方式，即輸入層神經元為5個，隱含層神經元為P個，P為大于2的正整數；輸出層神經元為1個；預測模型RBF神經網絡輸入層到隱含層的連接權值為1，隱含層和輸出層間的連接權值在[0,1]范圍內進行隨機賦值；神經網絡的輸出表示如下：

其中，y_m(k)為第k次云資源請求時預測模型RBF神經網絡的輸出，即為第k次云資源請求時所需內存大小除以所需CPU核數個數的預測值；w_j(k)為隱含層第j個神經元和輸出層的連接權值，j＝1,2,…,P；f_j是預測模型RBF神經網絡隱含層第j個神經元的輸出，其計算公式為：

其中，μ_j(k)表示第k次資源請求時隱含層第j個神經元中心值，σ_j(k)表示第k次資源請求時隱含層第j個神經元的中心寬度；

②定義當前所需內存大小除以所需CPU核數個數目標函數1為J_m(k)

e_m(k)＝y(k)-y_m(k) (4)

其中，y(k)為第k次云資源請求時實際所需內存大小除以實際所需CPU核數個數，e_m(k)第k次云資源請求時所需內存大小除以所需CPU核數個數的誤差；

③對預測模型RBF神經網絡的參數進行更新

w_j(k+1)＝w_j(k)-ηΔw_j(k)＝w_j(k)+ηe_m(k)f_j(u(k))(1-y(k))y(k) (6)

其中，Δw_j(k)為第k次資源請求時第j個隱含層神經元和輸出層神經元連接權值的修正量，w_j(k)為第k次資源請求時第j個隱含層神經元與輸出層神經元的連接權值，w_j(k+1)為第k+1次資源請求時第j個隱含層神經元與輸出層神經元的連接權值，μ_j(k+1)表示第k+1次資源請求時隱含層第j個神經元中心值，σ_j(k+1)表示第k+1次資源請求時隱含層第j個神經元的中心寬度；η為學習率，η∈(0,1]；

④判斷當前所需內存大小除以所需CPU核數個數目標函數的大小，如果J_m(k)＝0.01,則重復步驟③；如果J_m(k)0.01，則轉到步驟①計算預測模型RBF神經網絡的輸出y_m(k)；

(2)設計用于控制的RBF神經網絡控制器；x(k)＝[x₁(k),x₂(k)]^T為RBF神經網絡控制器的輸入，x₁(k)為第k次資源請求所需內存大小除以所需CPU核數個數設定值與實際值的誤差，x₂(k)為第k次資源請求所需內存大小除以所需CPU核數個數設定值與實際值誤差的變化率；

①初始化RBF神經網絡控制器：確定神經網絡2-M-1的連接方式，即輸入層神經元為2個，隱含層神經元為M個，M為大于2的正整數；輸出層神經元為1個；RBF神經網絡控制器輸入層到隱含層的連接權值為1，隱含層和輸出層間的連接權值在[0,1]范圍內進行隨機賦值；神經網絡的輸出表示如下：

其中，g(k)為第k次資源請求時RBF神經網絡控制器的輸出，w_i^c(k)為RBF神經網絡控制器隱含層第i個神經元和輸出層的連接權值，i＝1,2,…,M；f_i是RBF神經網絡隱含層第i個神經元的輸出，其計算公式為：

其中，μ_i^c(k)表示第k次資源請求時RBF神經網絡控制器隱含層第i個神經元中心值，σ_i^c(k)表示第k次資源請求時RBF神經網絡控制器隱含層第i個神經元的中心寬度；

②定義當前所需內存大小除以所需CPU核數個數目標函數2為J_c(k)

e(k)＝r(k)-y(k) (12)

其中，e(k)為第k次資源請求時的所需內存大小除以所需CPU核數個數誤差，r(k)為第k次資源請求時的所需內存大小除以所需CPU核數個數設定值,y(k)為第k次資源請求時實際測量的所需內存大小除以所需CPU核數個數；

③對RBF神經網絡控制器的參數進行更新

其中，Δw_i^c(k)為第k次資源請求時RBF神經網絡控制器隱含層第i個神經元與輸出層神經元連接權值的修正量，w_i^c(k+1)為第k+1次資源請求時的RBF神經網絡控制器隱含層第i神經元與輸出層神經元的連接權值；μ_i^c(k+1)表示第k+1次資源請求時RBF神經網絡控制器隱含層第i個神經元中心值，σ_i^c(k+1)表示第k+1次資源請求時的RBF神經網絡控制器隱含層第i個神經元的中心寬度；η₁為學習率，η₁∈(0,1]；

④判斷當前所需內存大小除以所需CPU核數個數目標函數的大小，如果J_c(k)＝0.01,則重復步驟③；如果J_c(k)0.01，則轉到步驟①計算RBF神經網絡控制器的輸出g(k)；

(3)利用求解出的g(k)對云服務資源進行控制，控制系統的輸出為實際所需內存大小除以所需CPU核數個數值。