[发明专利]基于蚁群优化算法的云环境下SBS资源配置方法

说明书

技术领域

本发明属于基于服务的软件系统(SBS)领域，具体涉及基于蚁群优化算法的云环境下SBS资源配置方法。

背景技术

随着云计算及“软件作为服务理念”的扩散，云环境下基于服务的软件系统(Service-Based Software systems，SBS)已经成为国内外研究热点。云计算的资源弹性分配特性，使得企业和组织在部署应用时能够根据实际业务需求分配虚拟化资源，从而减少资源的浪费。在业务需求中，不同的服务质量属性，如响应时间、可靠性和吞吐量等，通常是通过应用提供商和应用使用者之间的服务等级协议(SLA)进行描述。因此，在按需付费的云环境中部署应用时，如何在保证SLA的基础上优化分配资源，尽可能降低分配的资源使用成本，是应用提供商提高收益的关键途径。但目前的研究针对的应用通常为单层或多层逻辑组成结构，对于基于服务的软件系统SBS在云环境中部署时的资源优化配置问题缺少深入研究。在SBS中，各组件服务的QoS与所分配的资源数量往往具有不同的映射关系，组件服务性能与资源的使用率、请求负载之间并不存在线性关系，并且不同类型服务(CPU密集型、I/O密集型、交互型等)的性能受其占有资源多少的影响也不同(例如，计算密集型的服务受CPU占有量影响较大，而存储密集型的服务则受存储占有量影响较大)，这使得资源与组件服务性能之间的关系非常复杂。另外，由于每个组件服务往往存在大量的候选资源配置策略，这样由不同组件服务按照多种组合逻辑(如顺序结构、分支结构、并行结构和循环结构等)构成的SBS系统对应的组合资源配置策略更加庞大，因此，如何高效选取满足用户SLA约束的性能较优的组合资源配置策略变得尤为复杂。综上，云环境下基于服务的软件系统中如何实现有效的资源优化配置的研究具有现实意义。

云环境下SBS系统的部署与运行过程主要分为三个阶段：初始部署阶段、运行阶段和分析阶段。初始部署阶段主要是系统部署人员根据给定的SBS描述、应用的SLA约束、组件服务性能模型，以及获取到的初始资源使用状态等信息为每个组件服务确定其部署到的虚拟机以及分配的资源数量，包括CPU、内存、带宽和存储等；运行阶段的主要工作是处理用户的请求；分析阶段的主要工作是通过分析执行信息来支撑系统优化。初始部署是SBS系统稳定运行的前提，初始资源配置是初始部署阶段的主要任务，目前基本上是由系统部署人员手工配置的，而实际中往往存在大量的服务资源分配策略的组合，采用手工配置的方式很难从其中找到优化的部署策略，进而造成资源的浪费，减少服务提供商的收益。而少数自动配置方法如组件复制或迁移以及SLA分解的方法，都有其局限性。由于选择副本以及副本部署的复杂性，采用组件复制或迁移的方法比较适合动态环境中的资源实时调度问题，对于静态环境中有大量资源分配组合时仍有一定的局限性；而SLA分解方法仅限于多层线性逻辑组成结构的应用，对于由多个组件服务根据不同业务逻辑组成的SBS应用，在实际中很难根据应用的性能目标确定各组件服务的性能需求。可以看出，已有的初始资源部署的研究工作较少且存在一定局限性。

发明内容

针对现有技术的不足，本发明提出基于蚁群优化算法的云环境下SBS资源配置方法。本发明将资源配置问题转换成以用户SLA为全局约束、以资源成本为优化目标的组合优化问题，进而基于蚁群优化算法实现面向全局约束的SBS初始资源配置，使得应用的资源配置在满足SLA约束的条件下最小化资源使用成本，从而提高服务提供商的收益。

本发明技术方案如下：

基于蚁群优化算法的云环境下SBS资源配置方法，包括以下步骤：

步骤1：获取SBS中各组件服务的候选资源配置集；

步骤1.1：SBS资源配置应用I由n个组件服务{S₁，S₂，...，S_n}组成，初始化组件服务编号i为1；

步骤1.2：采用聚类算法对组件服务S_i在不同资源状态下的平均响应时间进行聚类，进而获得K个分类，即K个平均响应时间的区间；

步骤1.3：基于平均响应时间的K个分类，采用连续属性离散化方法将组件服务S_i的各资源属性类型分配的资源数量分别划分为多个区间；