[发明专利]基于深度确定性策略的云资源自适应配置方法及系统

说明书

本公开提供了一种基于深度确定性策略的云资源自适应配置方法及系统，包括以下步骤：基于云虚拟机集群中的场景信息，构建MAPE自主控制循环参考模型，对所构建的模型进行参数的初始化设置；通过监视器收集并记录云资源配置中的各项参数指标；利用ARIMA模型分析时间序列，进行下一时间间隔工作负载的预测；预测下一时间间隔虚拟机的负载情况，根据设定阈值提前调整虚拟机的数量以实现云计算的垂直缩放；基于DDPG算法进行云资源的分配，给用户分配匹配任务请求的虚拟机。基于自主计算、预测技术和深度强化学习进行云资源的自适应配置，对未来资源需求量进行预测，帮助SaaS供应商获得云应用程序执行过程中最大化利润并保证客户满意度。

技术领域

本公开属于计算机技术领域，具体涉及一种基于深度确定性策略的云资源自适应配置方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

云计算已成为当今计算机行业中最受欢迎的商业计算模式，可以根据需要为用户提供计算资源，例如处理能力、存储和带宽。按照服务的提供方式，云计算可分为三种服务类型：基础设施即服务(Infrastructure as a Service，IaaS)、平台即服务(Platform asa Service， PaaS)和软件即服务(Software as a Service，SaaS)。

在云计算的云资源配置一般涉及三个云环境：IaaS供应商、SaaS 供应商和用户。IaaS供应商为其客户提供了对各种计算资源的访问权限，如存储、服务器和网络；SaaS供应商从IaaS供应商那里租用虚拟机(Virtual Machine,VM)来构建他们的云服务，通过互联网提供按需软件付费应用程序，允许其用户连接到应用程序并通过全球互联网访问应用程序；用户则从SaaS供应商购买云服务，使用付费应用程序。

用户和SaaS供应商的目标之间存在固有的冲突。SaaS供应商是利润驱动的，旨在最大限度地减少运营成本以提高利润收入，并最大限度地提高运营效率，吸引尽可能多的客户。SaaS供应商的成本源于租用虚拟机的开销。当利用率过高时，虚拟机会损失一定的性能。因此，为提高SaaS供应商的利润率，可以通过弹性租用虚拟机以降低租用成本，或平衡所有活动虚拟机中的资源利用率。

云计算的弹性特性使SaaS供应商能够通过动态配置或重新分配资源来适应工作负载中的变化。理想情况下，可用的资源在每个时间点都尽可能接近当前的需求。但是，用户请求可能会出现不确定性。在执行期间为云应用程序预先配置合适的资源数量并非易事。一方面，如果SaaS供应商提供的资源数量大于用户请求的需求，就会造成资源的浪费和不必要的成本。另一方面，如果SaaS供应商提供的资源数量少于用户请求的数量，则配置不足的情况可能会导致潜在客户的缺失和利润的下降。

用户向SaaS供应商提交作业请求，每个作业包括一个或多个任务，并且任务可以是独立的或彼此依赖的，每个任务对各类计算资源的需求量大小不一。因此如何在多重约束下合理的把任务分配到虚拟服务器上是一个多目标优化问题。

因此，有必要进行云计算过程中资源配置的相关研究。

发明内容

为了解决现有技术的不足，本公开提出了一种基于深度确定性策略梯度(DeepDeterministic Policy Gradient，DDPG)的云资源自适应配置方法及系统，基于自主计算、预测技术和深度强化学习进行云资源的自适应配置，对未来资源需求量进行预测，以应对云服务的波动需求，以SaaS供应商的角度为出发点，旨在帮助SaaS供应商获得云应用程序执行过程中最大化利润并保证客户满意度。

为了实现上述目的，本公开采用了如下的技术方案：

本公开的第一方面提供了一种基于深度确定性策略的云资源自适应配置方法。

一种基于深度确定性策略的云资源自适应配置方法，包括以下步骤：