[发明专利]一种基于QoS模型自校正的云软件服务资源分配方法

权利要求书

1.一种基于QoS模型自校正的云软件服务资源分配方法，其特征在于：包括以下步骤：

步骤S1：进行在线自学习，得到QoS预测模型；

步骤S2：收集某个工作负载下的运行时数据，通过自校正控制提高QoS预测模型在当前工作负载下的准确度；

步骤S3：结合服务质量QoS和云资源成本Cost构建适应度函数，并使用改进的粒子群优化算法来搜索目标资源分配方案；

步骤S4：将当前的资源分配情况与搜索到的目标资源分配方案进行比较，得到二者之间的差异，然后按一定的比例进行资源调整；

步骤S5：重复步骤S2至步骤S4，直到当前的资源分配情况和目标资源分配方案相同时，完成资源调整。

2.根据权利要求1所述的一种基于QoS模型自校正的云软件服务资源分配方法，其特征在于：步骤S1具体为：首先对响应时间建立服务质量映射函数，使其更能反映出服务质量的好坏；再通过机器学习，建立工作负载、已分配的资源和服务质量之间的关系模型，将得到的QoS预测模型初始化到下一个步骤S2中。

3.根据权利要求1所述的一种基于QoS模型自校正的云软件服务资源分配方法，其特征在于：步骤S1中，所述QoS预测模型以负载请求情况R、分配的虚拟机情况VM作为输入，以服务质量QoS作为输出，建立统一的非线性回归模型，公式如下：

其中，自变量X是包含负载请求R和虚拟机分配情况VM的集合；工作负载即R＝{x_c,1,x_c,2,...,x_c,n}，表示有n种类型的负载请求，其中的x_c,l表示第l种负载请求的数量；资源分配情况是VM＝{x_c,n+1,x_c,n+2,...,x_c,n+m}，表示有m种类型的虚拟机，其中的x_c,n+l表示第l种虚拟机的数量；指数变量Parameter＝{p₁,p₂,...,p_n+m}是自变量X的指数参数；当Parameter的值全部取1时，上式变为线性回归模型，式中的参数W＝{w₀,w₁,...,w_n+m}是所要求解和修正的参数。

4.根据权利要求1所述的一种基于QoS模型自校正的云软件服务资源分配方法，其特征在于：步骤S2包括参数递推估计和参数计算两个部分，其中参数递推估计是根据系统的输入输出信息，连续不断地估计QoS预测模型的参数；参数计算则将原QoS预测模型的参数和新的参数估计值进行计算和整定，并将最后计算结果更新到QoS预测模型中，使得QoS预测模型的预测性能达到最优或者接近最优状态。