一種基于深度學(xué)習(xí)的云服務(wù)性能自適應(yīng)動(dòng)作類型選擇方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于云服務(wù)技術(shù)領(lǐng)域，具體設(shè)及一種基于深度學(xué)習(xí)的云服務(wù)性能自適應(yīng)動(dòng) 作類型選擇方法。
【背景技術(shù)】
[0002] 在大數(shù)據(jù)時(shí)代中，信息量指數(shù)型的增長(zhǎng)特性直接導(dǎo)致了諸多行業(yè)中的數(shù)據(jù)大爆 發(fā)，整個(gè)社會(huì)也因此在生活方式和生產(chǎn)方式上產(chǎn)生了巨大的變革，而支撐該種科技大變革 的技術(shù)基礎(chǔ)，則要?dú)w功于當(dāng)前運(yùn)供應(yīng)商和云服務(wù)商提供的各種各樣的"云"服務(wù)。云計(jì)算技 術(shù)（Cloud Computing)是利用高速互聯(lián)網(wǎng)的傳輸能力，將數(shù)據(jù)的處理過程從個(gè)人計(jì)算機(jī)或 服務(wù)器轉(zhuǎn)移到互聯(lián)網(wǎng)上的計(jì)算機(jī)集群中的技術(shù)。云計(jì)算是一種新興的商業(yè)計(jì)算模型，它將 計(jì)算任務(wù)分布在大量計(jì)算機(jī)構(gòu)成的資源池上，使各種應(yīng)用系統(tǒng)能夠根據(jù)需要獲取計(jì)算力、 存儲(chǔ)空間和各種軟件服務(wù)。"云"是一些可W自我維護(hù)和管理的虛擬計(jì)算資源，通常為一些 大型服務(wù)器集群，該使得應(yīng)用提供者無需為繁瑣的細(xì)節(jié)而煩惱，能夠更加專注于自己的業(yè) 務(wù)，有利于創(chuàng)新和降低成本。隨著分布式異構(gòu)計(jì)算機(jī)應(yīng)用項(xiàng)目的大量推廣，云計(jì)算憑借著 其創(chuàng)新的計(jì)算模式，近年來日益受到商業(yè)界和學(xué)術(shù)界的高度重視。根據(jù)云計(jì)算服務(wù)模式的 不同，可W將其分為S個(gè)服務(wù)層次，軟件即服務(wù)（software as a service, SaaS)、平臺(tái)即服 務(wù)（platform as a service, Paa巧和基礎(chǔ)設(shè)施即服務(wù)（infrastruc1:ure as a service， laaS)〇
[0003] 在常規(guī)云環(huán)境中，云硬件供應(yīng)商已經(jīng)在硬件服務(wù)基礎(chǔ)上做了大量基礎(chǔ)工作，通常 情況下云服務(wù)的供應(yīng)商只需要將自己的服務(wù)部署到相應(yīng)的硬件環(huán)境中，也就是云集群中 的虛擬機(jī)（virtual machine, VM)上即可對(duì)外提供服務(wù)。但是隨著服務(wù)的長(zhǎng)時(shí)間運(yùn)營，月良 務(wù)的自身組件會(huì)逐漸受到歷史數(shù)據(jù)的積累、即時(shí)大并發(fā)流量沖擊W及新增部署組件的干 擾等多因素的影響，致使其服務(wù)性能下降W至于違反先定服務(wù)等級(jí)協(xié)議（service level agreement, SLA)。SLA是關(guān)于網(wǎng)絡(luò)服務(wù)供應(yīng)商和客戶間的一份合同，其中定義了服務(wù)類型、 服務(wù)質(zhì)量等術(shù)語。SLA協(xié)議是云系統(tǒng)對(duì)客戶提供的服務(wù)基礎(chǔ)，在提供服務(wù)的全過程中，供應(yīng) 商必須嚴(yán)格遵守SLA。故此，云系統(tǒng)的主要任務(wù)之一就是保證系統(tǒng)持續(xù)穩(wěn)定的提供滿足SLA 的服務(wù)，進(jìn)而保證整個(gè)服務(wù)的服務(wù)質(zhì)量（quality of service, Qo巧。
[0004] 針對(duì)該種情況，服務(wù)環(huán)境需要一個(gè)高效準(zhǔn)確的云服務(wù)性能自適應(yīng)優(yōu)化方法，W助 各云服務(wù)在服務(wù)性能下架的場(chǎng)景下，可W自發(fā)的調(diào)節(jié)服務(wù)自身工作環(huán)境，從而為客戶提供 一個(gè)穩(wěn)定舒適的服務(wù)體驗(yàn)。
[0005] 服務(wù)性能自優(yōu)化的問題與人工智能、數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)=個(gè)學(xué)科有緊密聯(lián)系， 當(dāng)前許多學(xué)者分別從不同角度對(duì)服務(wù)自性能優(yōu)化展開了研究，歸結(jié)起來主要有如下幾個(gè)方 面。
[0006] 在服務(wù)系統(tǒng)的環(huán)境自適應(yīng)方面；有些研究者研究了 W保證服務(wù)質(zhì)量為目標(biāo)的環(huán)境 自適應(yīng)方法，Ste地en S.Y.等人提出了一種ASBS開發(fā)方法，當(dāng)監(jiān)測(cè)到QoS不滿足期望值 時(shí)，采用服務(wù)替換或服務(wù)重配置調(diào)整抽象服務(wù)綁定的具體服務(wù)，進(jìn)而使系統(tǒng)QoS滿足需求； C. Valeria等人提出了一種SBS運(yùn)行時(shí)自適應(yīng)框架MOSES,利用為每個(gè)抽象服務(wù)建立的最優(yōu) 自適應(yīng)策略模型選取動(dòng)作模式，從而達(dá)到最佳性能。Qian Z.等提出了一種云環(huán)境中的資源 動(dòng)態(tài)優(yōu)化配置框架，利用訓(xùn)練得到的資源模型改變資源分配，從而在滿足預(yù)算約束的基礎(chǔ) 上達(dá)到應(yīng)用QoS的最優(yōu)化；Kuo-化an H.等人提出了一種基于服務(wù)請(qǐng)求預(yù)估的動(dòng)態(tài)資源配 置機(jī)制，用于確定分配給各服務(wù)的資源量，在面對(duì)變化的并發(fā)訪問量時(shí)能夠改善云服務(wù)系 統(tǒng)的性能。也有研究者研究了 W代價(jià)最小化為目標(biāo)的自適應(yīng)方法，化ilipp L等人WSBS 為研究對(duì)象，通過優(yōu)化選取數(shù)據(jù)操作、服務(wù)重綁定和結(jié)構(gòu)適應(yīng)等自適應(yīng)動(dòng)作，使SLA違反代 價(jià)與自適應(yīng)動(dòng)作本身的代價(jià)之和達(dá)到最??；Lin W.W.等人提出了一種資源動(dòng)態(tài)分配模式， 根據(jù)負(fù)載變化為云應(yīng)用動(dòng)態(tài)配置虛擬資源，從而最小化資源成本；該些研究工作多單純從 QoS或代價(jià)優(yōu)化的角度研究服務(wù)系統(tǒng)的環(huán)境自適應(yīng)方法，且在云環(huán)境中多采取資源重新分 配實(shí)現(xiàn)資源調(diào)整，進(jìn)而提高性能或降低代價(jià)。
[0007] 在云服務(wù)和組件服務(wù)性能建模方面：有些研究者從在線的非線性關(guān)系建模方法方 面展開了研究；Sal址、化aled等人基于排隊(duì)論對(duì)云環(huán)境下的虛擬實(shí)例、負(fù)載和服務(wù)響應(yīng)時(shí) 間之間關(guān)系的建模，采用馬爾可夫分析模型來估算彈性云應(yīng)用響應(yīng)時(shí)間的方法;Wes Lloyd 等人提出了通過統(tǒng)計(jì)學(xué)習(xí)方法對(duì)系統(tǒng)資源使用情況進(jìn)行系統(tǒng)性能建模的方法，并采用多重 線性回歸方法、漸進(jìn)式多重線性回歸方法、多元自適應(yīng)樣條函數(shù)法和單隱層人工神經(jīng)網(wǎng)絡(luò) 方法對(duì)物理機(jī)資源和虛擬機(jī)資源使用數(shù)據(jù)集進(jìn)行訓(xùn)練；也有學(xué)者提出了呵生能概要"來體現(xiàn) 系統(tǒng)低層性能指標(biāo)集和相應(yīng)的高層系統(tǒng)狀態(tài)間的相互關(guān)系，通過機(jī)器學(xué)習(xí)的方法進(jìn)行系統(tǒng) "性能概要"的生成；Sajib Kumlu針對(duì)不同虛擬化架構(gòu)下影響應(yīng)用性能的關(guān)鍵資源因素，采 用基于人工神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行建模；George Kousiouris等人討論了影響應(yīng)用性能的一 些因素，使用人工神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)用性能進(jìn)行建模、量化及正確的預(yù)測(cè)。該些研究工作或者基 于性能和資源的對(duì)應(yīng)關(guān)系、采用數(shù)學(xué)/信息論方法進(jìn)行在線建模，或者采用統(tǒng)計(jì)學(xué)習(xí)或機(jī) 器學(xué)習(xí)方法分析實(shí)驗(yàn)數(shù)據(jù)或歷史日志并進(jìn)行離線建模，缺少對(duì)構(gòu)成服務(wù)系統(tǒng)的組件服務(wù)間 的資源競(jìng)爭(zhēng)、性能互擾等資源變化因素對(duì)服務(wù)性能影響研究，影響服務(wù)性能的資源變化標(biāo) 識(shí)特征抽取的不夠全面，性能模型中一些參數(shù)值的準(zhǔn)確性不夠。Liliana Rosa et al.等人 設(shè)計(jì)的自適應(yīng)決策機(jī)制包括離線和在線兩個(gè)階段，在離線階段生成一組自適應(yīng)的規(guī)則，在 在線階段根據(jù)當(dāng)前的系統(tǒng)狀態(tài)和策略中所定義的目標(biāo)對(duì)自適應(yīng)規(guī)則集合進(jìn)行匹配的方式 生成自適應(yīng)調(diào)整方案。
[000引現(xiàn)有技術(shù)對(duì)影響服務(wù)表現(xiàn)的因素考慮不夠全面，大多都是W單一資源屬性作為自 適應(yīng)方案決策的衡量指標(biāo)，諸如CPU利用率或內(nèi)存使用率等。另外，少有在服務(wù)性能自適應(yīng) 的過程中，考慮自適應(yīng)優(yōu)化事件觸發(fā)機(jī)制上的優(yōu)化。
[0009] 服務(wù)組件的服務(wù)性能自適應(yīng)領(lǐng)域的研究一直是軟件智能化服務(wù)的研究熱點(diǎn)。通過 對(duì)服務(wù)性能自適應(yīng)的研究，服務(wù)組件的穩(wěn)定性和容錯(cuò)性將大幅上升，對(duì)服務(wù)供應(yīng)商而言，其 對(duì)應(yīng)的維護(hù)服務(wù)的人力成本和維護(hù)周期將顯著降低，從客戶的角度出發(fā)，客戶的體驗(yàn)舒適 度也將明顯提高。
[0010] 現(xiàn)有的服務(wù)性能自優(yōu)化方法通常可W分為資源調(diào)整、服務(wù)遷移和副本部署=大 類，在資源調(diào)整層面上，WLin W.W.等人為代表的學(xué)者們提出了一種資源動(dòng)態(tài)分配模式，根 據(jù)負(fù)載變化為云應(yīng)用動(dòng)態(tài)配置虛擬資源，從而最小化資源成本，該些研究工作多單純從QoS 或代價(jià)優(yōu)化的角度研究服務(wù)系統(tǒng)的環(huán)境自適應(yīng)方法，且在云環(huán)境中多采取資源重新分配實(shí) 現(xiàn)資源調(diào)整，進(jìn)而提高性能或降低代價(jià)。在服務(wù)遷移層面上，WSte地en S.Y.等人為代表的 學(xué)者提出了一種ASBS開發(fā)方法，當(dāng)監(jiān)測(cè)到QoS不滿足期望值時(shí)，采用服務(wù)替換或服務(wù)重配 置調(diào)整抽象服務(wù)綁定的具體服務(wù)，進(jìn)而使系統(tǒng)QoS滿足需求，W C. Valeria等人為代表的學(xué) 者們提出了一種SBS運(yùn)行時(shí)自適應(yīng)框架M0SES，利用為每個(gè)抽象服務(wù)建立的最優(yōu)自適應(yīng)策 略模型選取動(dòng)作模式，從而達(dá)到最佳性能。另一方面，W Sal址，化aled等人為代表的學(xué)者 們，基于排隊(duì)論對(duì)云環(huán)境下的虛擬實(shí)例、負(fù)載和服務(wù)響應(yīng)時(shí)間之間關(guān)系的建模，采用馬爾可 夫分析模型來估算彈性云應(yīng)用響應(yīng)時(shí)間的方法；W Wes Lloyd為代表的學(xué)者們提出了通過 統(tǒng)計(jì)學(xué)習(xí)方法對(duì)系統(tǒng)資源使用情況進(jìn)行系統(tǒng)性能建模的方法，并采用多重線性回歸方法、 漸進(jìn)式多重線性回歸方法、多元自適應(yīng)樣條函數(shù)法和單隱層人工神經(jīng)網(wǎng)絡(luò)方法對(duì)物理機(jī)資 源和虛擬機(jī)資源使用數(shù)據(jù)集進(jìn)行訓(xùn)練。
[0011] 但是，基于單一優(yōu)化技術(shù)而生成的解決方案難W滿足現(xiàn)有云服務(wù)組件所面對(duì)的服 務(wù)環(huán)境的多樣化和服務(wù)壓力的多元化的問題。該些研究工作或者基于性能和資源的對(duì)應(yīng) 關(guān)系、采用數(shù)學(xué)和信息論方法進(jìn)行在線建模，或者采用統(tǒng)計(jì)學(xué)習(xí)或機(jī)器學(xué)習(xí)方法分析實(shí)驗(yàn) 數(shù)據(jù)或歷史日志并進(jìn)行離線建模，缺少對(duì)構(gòu)成服務(wù)系統(tǒng)的組件服務(wù)間的資源競(jìng)爭(zhēng)、性能互 擾等資源變化因素對(duì)服務(wù)性能影響研究，影響服務(wù)性能的資源變化標(biāo)識(shí)特征抽取的不夠全 面，性能模型中一些參數(shù)值的準(zhǔn)確性不夠。雖然有的學(xué)者也采用了神經(jīng)網(wǎng)絡(luò)技術(shù)，來處理云 服務(wù)非線性多元化的問題，但是傳統(tǒng)的方法效率在多維數(shù)深層據(jù)結(jié)構(gòu)的表現(xiàn)并不理想。
[0012] 深度學(xué)習(xí)技術(shù)在是當(dāng)前機(jī)器學(xué)習(xí)領(lǐng)域中學(xué)習(xí)效率最高的學(xué)習(xí)技術(shù)之一，但是該算 法目前多用于圖像識(shí)別與音頻處理該些多