[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

说明书

本发明涉及一种基于QoS模型自校正的云软件服务资源分配方法，包括：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。本发明能够在QoS预测模型不准确时实现资源的最优分配。

技术领域

本发明涉及云计算领域，特别是一种基于QoS模型自校正的云软件服务资源分配方法。

背景技术

自适应是为基于云的软件服务分配资源的有效方法。传统的自适应资源分配方法是规则驱动的，导致高管理成本和实现复杂性。机器学习技术和控制理论是降低人工成本的两种解决方案。然而，机器学习技术需要大量的历史数据来构建准确的QoS预测模型，容易导致资源分配错误；基于控制理论的方法需要大量的反馈迭代才能找到合适的资源分配计划，造成停止虚拟机的高开销。

发明内容

有鉴于此，本发明的目的是提出一种基于QoS模型自校正的云软件服务资源分配方法，能够在QoS预测模型不准确时实现资源的最优分配。

本发明采用以下方案实现：一种基于QoS模型自校正的云软件服务资源分配方法，具体包括以下步骤：

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；每当虚拟机资源重新调整后，就开始收集运行时数据，同样的，包括工作负载、已分配的资源和QoS值等信息；

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；目标资源分配方案实际上是基于适应度函数的全局最优解；

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；在此期间，虚拟机是逐一添加或删除的，每添加或删除一台虚拟机，都收集云软件服务的运行时数据；

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。

进一步地，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。

进一步地，步骤S1中，所述QoS预测模型以负载请求情况R(包括种类和数量)、分配的虚拟机情况VM(包括种类和数量)作为输入，以服务质量QoS(响应时间RT的映射值)作为输出，建立统一的非线性回归模型，公式如下：