[发明专利]基于组件服务副本增删的云服务资源动态配置系统及方法

摘要

一种基于组件服务副本增删的云服务资源动态配置系统及方法，该系统包括注册模块、质量参数生成模块、监测模块、评价模块和控制模块。方法包括对SLA进行注册；提取SLA中的信息，生成约定质量参数；周期性采集云服务环境中的虚拟机资源状态、云服务性能状态数据并保存；得出各虚拟机资源信息、组件服务质量、组件服务重要性、组件服务资源需求量；确定适合删除最优组件服务副本的虚拟机和适合部署瓶颈组件服务副本的虚拟机，得出组件服务副本增删决策；进行组件服务增删。本发明通过对历史数据的学习，预测用户的并发请求量，通过判断瓶颈组件服务和最优组件服务得出组件服务副本增删策略，达到实现云服务的性能保证的效果。

主权项

一种基于组件服务副本增删的云服务资源动态配置系统，其特征在于：该系统在云服务的服务器中实现；该系统包括注册模块、质量参数生成模块、监测模块、评价模块和控制模块；注册模块用于对云服务提供者与云服务使用者协商后的SLA进行注册；质量参数生成模块用于提取SLA中的信息，生成约定质量参数，包括组件服务平均运行时延、虚拟机CPU资源利用率和虚拟机内存资源利用率；监控模块用于周期性采集云服务环境中的虚拟机资源状态、云服务性能状态数据并保存；评价模块用于分析虚拟机资源状态、云服务性能状态，得出各虚拟机资源信息、组件服务质量、组件服务重要性、组件服务资源需求量，并且结合云服务环境中虚拟机剩余资源信息得出组件服务副本增删决策；控制模块用于根据副本增删决策进行组件服务增删；所述评价模块分析云服务性能状态数据，得出组件服务重要性、组件服务质量、组件服务资源需求量，具体是通过如下过程进行的：组件服务性能指标数据，对组件服务质量进行评估；组件服务性能指标数据包括组件服务的平均数据量、组件服务及其副本拥有最大可用资源时的最小处理时间、组件服务所能承担的负载；具体包括：计算组件服务运行时延，即组件服务业务的执行时间和网络数据传输时间之和；利用组件服务的平均数据量DA(ci)、组件服务及其副本拥有最大可用资源时的最小处理时间MT(ci)、组件服务所能承担的负载ML(ci)和组件服务当前的负载CL(ci)，计算组件服务平均运行时延；其中，ni表示组件服务i拥有的副本数量，表示组件服务ci的第k个副本；将组件服务平均运行时延与约定质量参数中的组件服务平均运行时延进行比对，得到组件服务质量；通过组件服务调用关系及组件服务调用频率，对组件服务重要性进行评估；具体包括：通过一个周期内组件服务调用次数来确定组件服务调用频率，进而求得组件服务cj被ci调用的频率Fij；组件服务ci有ni个副本且cj有nj个副本时，组件服务cj被ci调用的频率则可以通过计算所有副本之间调用的频率之和得到其中，为组件服务ci的第k1个组件服务副本调用组件服务cj的第k2个组件服务副本的调用频率；根据组件服务调用关系和组件服务调用频率，分别计算每个组件服务相对其他所有组件服务的权值eij：其中，n表示组件服务个数；各个组件服务相对其他所有组件服务的权值构成组件服务权值矩阵E，其中每个组件服务相对其他所有组件的权值和为1；分别计算出每个组件服务的重要性值v(ci)：其中：N(ci)为各组件服务的下标集合，该集合中不包括组件服务ci；K是用来调整组件服务自身重要性和其他组件服务对其重要性的影响的常数；各组件服务的重要性值构成向量矩阵，利用该向量矩阵调整权值，直到各组件服务的重要性值都稳定，即权值变化稳定在误差范围内；v(c1)...v(cn)=(1-K)/n...(1-K)/n+K×ETv(c1)...v(cn);]]>根据各组件服务的重要性和各组件服务质量，确定瓶颈组件服务和最优组件服务；具体包括：计算组件服务的综合评估值CE(ci)，即组件服务的重要性值v(ci)与组件服务平均运行时延DT(ci)之积；比较所有组件服务的综合评估值CE(ci)，组件服务综合评估值最大的组件服务为瓶颈组件服务；比较所有组件服务的综合评估值CE(ci)，组件服务综合评估值最小的组件服务为最优组件服务；通过云服务性能状态数据、组件服务并发请求量和虚拟机资源状态数据，得出组件服务资源需求量；具体包括：建立组件服务并发请求量和CPU资源需求量/内存资源需求量之间的关系模型；y+y2+y3＝α0+α1x+α2x2，其中，y表示CPU资源需求量/内存资源需求量，x表示组件服务并发请求量，α0、α1、α2分别为x的0次方至2次方的系数；建立CPU资源需求量/内存资源需求量误差平方和SSE模型；其中，yi表示组件服务i的CPU资源需求量/内存资源需求量，xi表示组件服务i的组件服务并发请求量，样本估计值分别为α0、α1、α2的估计值；建立关系模型对应的最小二乘方程；∂SSE∂α^0=2Σi=1n[yi-(α^0+α^1xi+α^2xi2)](-1)=0]]>极小化SSE的样本估计值求∂SSE∂α^2=2Σi=1n[yi-(α^0+α^1xi+α^2xi2)](-xi2)=0]]>解最小二乘方程，得到关于样本估计值的线性方程，进而求得Σi=1nyi=nα^0+α^1Σi=1nxi+α^2Σi=1nxi2]]>将作为α0、α1、α2代入关系模型，确定Σi=1nxi2yi=α^0Σi=1nxi2+α^1Σi=1nxi3+α^2Σi=1nxi4]]>最终的关系模型；计算新增组件服务副本的组件服务并发请求量ρ：或者其中，组件服务副本的并发请求量为ρ(ρ1，ρ2，...，ρn)，ρ1，ρ2，...，ρn均相等；根据新增组件服务副本的组件服务并发请求量ρ，利用组件服务并发请求量和CPU资源需求量/内存资源需求量之间的关系模型，求出新增服务副本所需的CPU资源需求量SRCPU/内存资源需求量SRMEM；所述评价模块分析各虚拟机资源状态数据，得出各虚拟机剩余资源信息，包括CPU资源剩余量和内存资源剩余量；具体是通过如下过程进行的：分析虚拟机资源状态数据，得到虚拟机CPU资源总量RCPU、虚拟机内存资源总量RMEM、虚拟机CPU资源使用量URCPU、虚拟机内存资源使用量URMEM；根据虚拟机CPU资源总量、虚拟机CPU资源使用量，得到虚拟机CPU资源利用率UCPU；通过SLA和虚拟机CPU资源利用率，求得虚拟机的SLA违背率fSLA(VM)：其中，虚拟机q的CPU资源利用率，虚拟机CPU资源利用率不高于SLA约定的CPU利用率阈值m；根据虚拟机CPU资源总量、虚拟机CPU资源使用量，求得虚拟机CPU资源剩余量LRCPU＝RCPU‑URCPU；通过虚拟机内存资源总量、虚拟机内存资源使用量，求得虚拟机内存资源剩余量LRNEM＝RMEM‑URMEM；所述评价模块根据组件服务质量、组件服务重要性、组件服务资源需求量和云平台中虚拟机剩余资源信息确定适合删除最优组件服务副本的虚拟机和适合部署瓶颈组件服务副本的虚拟机，得出包括删除最优组件服务副本和部署瓶颈组件副本的组件服务副本增删决策；具体是通过如下过程进行的：根据最优组件服务和虚拟机剩余资源信息，确定适合删除最优组件服务副本的虚拟机VM0；具体包括：计算部署有最优组件服务的虚拟机集合VMs中各虚拟机资源体积V，即虚拟机CPU资源利用率UCPU与虚拟机内存资源利用率UMEM之积；V＝UCPU*UMEM；比较所有部署有最优组件服务的虚拟机的资源体积V，得出其中资源体积最大的虚拟机VMo，即为适合删除最优组件服务副本的虚拟机；根据瓶颈组件服务的资源需求量和虚拟机剩余资源信息，确定适合部署瓶颈组件服务副本的虚拟机VMx；具体包括：计算增量部署瓶颈组件服务副本后虚拟机的CPU资源利用率其中，根据增量部署瓶颈组件服务副本后虚拟机CPU资源利用率UqCPU计算SLA违背率fSLA(VMq)，即虚拟机q的SLA违背率：根据虚拟机资源剩余量、增量部署瓶颈组件服务所需的CPU资源需求量SRCPU和SLA违背率，求得虚拟机q的加权值，比较各虚拟机的加权值，加权值最大的虚拟机VMx即为适合部署瓶颈组件服务的虚拟机VMχ；VMχ=argmax((LRqCPU-SRCPU)×k1+(LRqMEM-SRMEM)×k2+(1-fSLA(VMq))×k3),]]>其中，k1、k2和k3是自定义的权重；根据适合删除最优组件服务副本的虚拟机VMo和适合部署瓶颈组件服务的虚拟机VMχ，确定组件服务副本增删决策，即在虚拟机VMo中删除最优组件服务副本和在VMx上部署瓶颈组件副本。