[发明专利]一种基于异向强化学习的分布式数据中心选择方法

说明书

本发明涉及云计算资源调度领域，更具体地，涉及一种基于异向强化学习的分布式数据中心选择方法，该方法包括：获取数据中心信息和用户信息；所述数据中心信息包括：数据中心位置信息和数据中心计费信息；所述用户信息包括：用户位置信息和用户需求信息；收集训练样本，建立训练集；所述训练样本用于存储数据中心位置信息、数据中心计费信息和回报值；所述回报值为奖赏函数通过数据中心信息和用户位置信息计算获取的值；根据训练样本优化选择器；通过优化后的选择器选择数据中心。本发明能降低云服务成本。

技术领域

本发明涉及云计算资源调度领域，更具体地，涉及一种基于异向强化学习的分布式数据中心选择方法。

背景技术

“云计算”是近年来兴起的一种新的商业模式，它使用高速互联网将廉价的低性能的计算机连接起来，形成拥有强大计算能力的计算资源池，并借助虚拟化技术，将资源池中的物理机虚拟为多台虚拟机，为企业、组织或个人提供弹性计算、带宽等资源服务。在这种模式下，企业和个人用户不再需要购买昂贵的计算机硬件，只需通过互联网向云服务提供商购买或租用满足自身需求的计算资源即可，可以节省大量硬件购置和维护费用。而云服务提供商则根据用户的需求收取相应的资源租用费用。各大互联网企业敏锐地嗅到这个商机，纷纷加大对云计算的投入和建设，以争取更多的用户资源，从而占据云计算市场的主动性。云服务提供商的投入主要是用在构建计算资源池上，即数据中心(Data Center，DC)。只有建设具规模的数据中心才能为云用户提供源源不断的计算资源。目前建设数据中心的方式主要有集中式数据中心和分布式数据中心两种。分布式数据中心小而精，一般建设在距离用户较近的地方，终端用户的服务可以选择就近完成，减少长途带宽消耗和时延，提高服务可靠性。目前大多数云服务提供商都是采用了分布式方式进行组网并具有多个跨地域分布的数据中心，每个数据中心都以按需付费的方式配置计算、存储、带宽等资源。

这种分布式云计算基础设施能够提供就近服务，特别适合于跨地域分布的业务处理。在进行业务处理之前，首先要在合适的数据中心租用的虚拟机或虚拟机集群，因此要进行数据中心选择。选择数据中心的主要目标是极小化用户与数据中心之间的距离。这主要归因于以下三点：(1)经济考量。数据中心之间往往通过高速专用网相连接，长途链路流量非常昂贵；(2)可靠性考量。长途线路越多，可靠性可能会越低；(3)服务质量考量。传输线路越长，服务响应时间越长。因此，如何在多个可用的数据中心中选择最优是用户在租用虚拟机时要解决的首要问题。基于上述问题，目前亟需一种能降低云服务成本基于异向强化学习的分布式数据中心选择方法。

发明内容

为了解决上述问题，本发明提供一种基于异向强化学习的分布式数据中心选择方法，该方法与现有技术相比能降低云服务成本。

本发明采取的技术方案是：

一种基于异向强化学习的分布式数据中心选择方法，包括：

获取数据中心信息和用户信息；所述数据中心信息包括：数据中心位置信息和数据中心计费信息；所述用户信息包括：用户位置信息和用户需求信息；

收集训练样本，建立训练集；所述训练样本用于存储数据中心位置信息、数据中心计费信息和回报值；所述回报值为奖赏函数通过数据中心信息和用户位置信息计算获取的值；

根据训练样本优化选择器；

通过优化后的选择器选择数据中心。

具体地，首先获取数据中心信息和用户信息，数据中心信息包括：数据中心位置信息和数据中心计费信息。数据中心位置信息为所有可租用的数据中心在地图上的坐标，数据中心计费信息为各数据中心的收费标准。用户信息包括：用户位置信息和用户需求信息。用户位置信息为用户在地图上的坐标，用户需求信息为用户根据自身项目对应需要租用的设备。然后，通过训练样本将数据中心信息和用户信息进行存储，再用根据训练样本建立训练集。最后通过训练样本以及强化学习算法对选择器进行优化；所述选择器用于从所有可租用的数据中心中选出价格最低的数据中心。通过优化后的选择器选择数据中心。