云環(huán)境下的資源需求態(tài)勢(shì)感知研究

李 正，王俊社，張紅斌

(河北科技大學(xué)研究生學(xué)院，河北 石家莊 050000)

云環(huán)境下的資源需求態(tài)勢(shì)感知研究

李 正，王俊社，張紅斌

(河北科技大學(xué)研究生學(xué)院，河北 石家莊 050000)

針對(duì)當(dāng)前云計(jì)算內(nèi)部資源管理模式的缺陷，導(dǎo)致資源的利用率低下。為提高資源的利用率，研究提出一種適合云環(huán)境的資源需求態(tài)勢(shì)感知方法，通過(guò)采用AHP（層次分析法）對(duì)云環(huán)境下當(dāng)前時(shí)刻資源的使用情況進(jìn)行態(tài)勢(shì)評(píng)估，同時(shí)使用改進(jìn)的BP算法對(duì)下一時(shí)刻資源的需求情況進(jìn)行態(tài)勢(shì)預(yù)測(cè)，為資源合理分配提供依據(jù)，提高資源利用率，實(shí)現(xiàn)資源的高效利用。

云計(jì)算；資源需求；態(tài)勢(shì)感知；態(tài)勢(shì)評(píng)估；態(tài)勢(shì)預(yù)測(cè)

0 引言

云計(jì)算是在分布式計(jì)算、網(wǎng)格計(jì)算、虛擬化技術(shù)、數(shù)據(jù)存儲(chǔ)等技術(shù)基礎(chǔ)上發(fā)展起來(lái)的，通過(guò)可配置的共享計(jì)算資源池，為用戶提供包括網(wǎng)絡(luò)、存儲(chǔ)、等各種服務(wù)資源。但隨著云計(jì)算的發(fā)展，資源使用量的增加，資源存儲(chǔ)和任務(wù)調(diào)度也在實(shí)時(shí)增加，為滿足云計(jì)算系統(tǒng)的正常運(yùn)行，離不開(kāi)對(duì)其資源的合理管理[1-4]。

云環(huán)境下資源管理是根據(jù)用戶需要將資源合理的分配給用戶使用，是保證云計(jì)算系統(tǒng)正常運(yùn)行的關(guān)鍵。資源管理不當(dāng)將導(dǎo)致資源得不到合理分配，進(jìn)而導(dǎo)致網(wǎng)絡(luò)擁塞、中斷等一系列問(wèn)題，影響云計(jì)算系統(tǒng)的資源利用率和服務(wù)質(zhì)量。為避免上述問(wèn)題的發(fā)生，對(duì)該領(lǐng)域的研究提出了新的挑戰(zhàn)[5]。

1 相關(guān)研究

當(dāng)前云計(jì)算環(huán)境下資源分配方式大都采用最大峰值的分配，這種分配方式所帶來(lái)的直接后果是：雖然在初期能夠確保云中用戶的服務(wù)質(zhì)量，但在虛擬機(jī)的整個(gè)生命周期內(nèi)不會(huì)隨云中應(yīng)用對(duì)資源的動(dòng)態(tài)消耗而動(dòng)態(tài)分配，導(dǎo)致云中部分資源閑置，資源利用率低，同時(shí)這種分配方式減少了物理服務(wù)器中虛擬機(jī)的個(gè)數(shù)，為滿足用戶的需要，不得不增添新的物理服務(wù)器，從而加劇系統(tǒng)的開(kāi)銷和能源的消耗，不符合當(dāng)前形勢(shì)下建設(shè)綠色云系統(tǒng)的目標(biāo)[6-7]。文獻(xiàn)[8]采用ES（指數(shù)平滑法）模型對(duì)云環(huán)境下服務(wù)器負(fù)載進(jìn)行預(yù)測(cè)，通過(guò)該預(yù)測(cè)值來(lái)指導(dǎo)下一時(shí)刻云環(huán)境下資源的分配。該模型利用過(guò)去時(shí)間序列負(fù)載值的加權(quán)平均數(shù)作為下一時(shí)刻的預(yù)測(cè)負(fù)載值，同時(shí)關(guān)閉處于低載狀態(tài)下的服務(wù)器，并對(duì)其上的虛擬機(jī)任務(wù)進(jìn)行遷移，而對(duì)處于重載的服務(wù)器采取部署新服務(wù)器的措施，實(shí)現(xiàn)負(fù)載的均衡。該模型原理簡(jiǎn)單，系統(tǒng)的占用負(fù)擔(dān)小，但是該模型預(yù)測(cè)誤差具有累加性，預(yù)測(cè)精度低，平滑因子難以估計(jì)。文獻(xiàn)[9]和文獻(xiàn)[10]分別采用ARMA模型對(duì)云環(huán)境中某單項(xiàng)資源的需求進(jìn)行了預(yù)測(cè)，并通過(guò)預(yù)測(cè)值與觀測(cè)值的誤差進(jìn)行了一定的補(bǔ)償糾正，提高預(yù)測(cè)模型的精度，但是該模型參數(shù)比較固定，一旦確定難以修改，無(wú)法滿足當(dāng)前云環(huán)境下多變的需求特征，同時(shí)誤差補(bǔ)償值的大小難以確定，何時(shí)進(jìn)行補(bǔ)償糾正也沒(méi)有系統(tǒng)性的闡述，適應(yīng)性不高。

針對(duì)這些問(wèn)題，本文提出一種適用于云環(huán)境的資源需求態(tài)勢(shì)感知方法，通過(guò)對(duì)云環(huán)境下資源的使用情況進(jìn)行態(tài)勢(shì)評(píng)估，同時(shí)對(duì)未來(lái)時(shí)刻資源的需求進(jìn)行態(tài)勢(shì)預(yù)測(cè)，并以該預(yù)測(cè)結(jié)果為依據(jù)實(shí)現(xiàn)資源的動(dòng)態(tài)分配，提高資源的利用率。

2 整體方案設(shè)計(jì)

本文將態(tài)勢(shì)感知技術(shù)[11-12]加入到云環(huán)境的資源管理當(dāng)中，通過(guò)實(shí)時(shí)感知云環(huán)境下資源的需求情況為指導(dǎo)云環(huán)境下資源的動(dòng)態(tài)分配提供依據(jù)，整體方案如圖1所示。

整個(gè)設(shè)計(jì)思路主要包括三個(gè)方面：

首先是云環(huán)境下資源數(shù)據(jù)的采集和優(yōu)化，資源態(tài)勢(shì)本身是動(dòng)態(tài)的，對(duì)其因子的選取應(yīng)該著重考慮具有動(dòng)態(tài)性變換的對(duì)象。并且資源種類繁多，表示單位不一，不利于數(shù)據(jù)的集成和使用，因此數(shù)據(jù)優(yōu)化能夠提高數(shù)據(jù)的集成度，使評(píng)估階段權(quán)重的計(jì)算更加簡(jiǎn)便。其次是云環(huán)境下各資源權(quán)重特征的獲取，不同時(shí)段同一節(jié)點(diǎn)以及同一時(shí)段不同節(jié)點(diǎn)下云用戶對(duì)資源的需求情況各不相同，資源權(quán)重的確定能夠體現(xiàn)出用戶對(duì)各資源需求的重要程度，同時(shí)權(quán)重的合理與否將直接影響到評(píng)估結(jié)果，進(jìn)而為資源預(yù)測(cè)做好準(zhǔn)備；最后態(tài)勢(shì)預(yù)測(cè)技術(shù)為云環(huán)境下資源分配提供決策信息，預(yù)測(cè)精度要滿足新環(huán)境的要求，傳統(tǒng)預(yù)測(cè)方法，雖然原理簡(jiǎn)單，可實(shí)現(xiàn)性強(qiáng)，但未考慮云環(huán)境下資源增減的變化，擬合精度不高，因此為了更加靈活、快速、精確地指導(dǎo)云環(huán)境下資源分配，在資源評(píng)估基礎(chǔ)之上研究一種適合云環(huán)境下負(fù)載的新型預(yù)測(cè)模型。

2.1 資源態(tài)勢(shì)評(píng)估

2.1.1 評(píng)估指標(biāo)的種類

當(dāng)前云環(huán)境下資源主要是由虛擬機(jī)資源構(gòu)成的，同時(shí)由于底層資源的饋乏會(huì)通過(guò)各種非線性映射的方式間接影響上層應(yīng)用的正常使用。因此對(duì)于虛擬機(jī)資源的管理也主要是對(duì)底層各類基礎(chǔ)性資源的管理，主要包括CPU資源、內(nèi)存資源、硬盤(pán)資源和網(wǎng)絡(luò)帶寬資源[13]。

本文將云計(jì)算環(huán)境下資源的態(tài)勢(shì)分為一級(jí)指標(biāo)態(tài)勢(shì)和二級(jí)指標(biāo)態(tài)勢(shì)兩大類，其中：將TRU（Total resource utilization）總體資源的利用率作為一級(jí)態(tài)勢(shì)指標(biāo)；二級(jí)態(tài)勢(shì)指標(biāo)定義為：CRU（Computing resource utilization）計(jì)算資源利用率、MRU（Memory resource utilization）內(nèi)存資源利用率、DRU（Disk resource utilization）硬盤(pán)資源利用率和BRU（Bandwidth resource utilization）帶寬資源利用率。2.1.2 評(píng)估權(quán)重的確定

本文采用層次分析法[14]（Analytic Hierarchy Process，AHP)對(duì)云環(huán)境下各二級(jí)資源（CPU、內(nèi)存、存儲(chǔ)、帶寬)權(quán)重進(jìn)行了詳細(xì)的判斷與計(jì)算。該方法結(jié)合定性與定量的因素，進(jìn)而對(duì)多目標(biāo)進(jìn)行優(yōu)化決策。通過(guò)該方法能夠得出云環(huán)境下每一階段系統(tǒng)適合的資源權(quán)重，使得最終的態(tài)勢(shì)評(píng)估更加準(zhǔn)確，更加符合實(shí)際。

具體步驟：

第一步：構(gòu)造判斷矩陣A。通過(guò)云環(huán)境下各二級(jí)資源指標(biāo)的相對(duì)影響程度構(gòu)造判斷矩陣。

其中c、m、d、b分別代表CPU資源、內(nèi)存資源、硬盤(pán)資源、網(wǎng)絡(luò)帶寬資源，而a中取值依據(jù)表1提供的九分位比例標(biāo)尺，且ija為資源i相對(duì)于資源j的影響程度，同時(shí)該判斷矩陣需滿足aij=1/aji,aij/akj=aik,aij＞0。

表1 九分位比例標(biāo)尺Tab.1 Nine point ratio

第二步：計(jì)算權(quán)重向量。運(yùn)用根法（幾何平均法）對(duì)判斷矩陣的行向量進(jìn)行幾何平均得到一個(gè)新矩陣B，然后進(jìn)行優(yōu)化處理，得到新矩陣C，權(quán)重向量iω的值即為新矩陣C中的向量。其中根法是將判斷矩陣A的各行元素的乘積進(jìn)行開(kāi)n次方根處理（在這里n為4）。

第三步：一致性檢驗(yàn)。計(jì)算檢驗(yàn)系數(shù)CR的值并判斷，如果CR＜0.1，則認(rèn)為該判斷矩陣通過(guò)一致性檢驗(yàn)，否則就不滿足一致性，需重新構(gòu)造。其，而表2為隨機(jī)一致性指標(biāo)RI的取值范圍。

表2 隨機(jī)一致性指標(biāo)RITab.2 Random consistency index

2.1.3 評(píng)估規(guī)則

在每一次評(píng)估階段中，首先計(jì)算資源的各二級(jí)指標(biāo)態(tài)勢(shì)值，并結(jié)合每種資源所分配的權(quán)值，求其一級(jí)指標(biāo)態(tài)勢(shì)值，通過(guò)該屬性值來(lái)間接反映云環(huán)境下資源的使用情況。如公式1所示：

其中CRU為平均計(jì)算資源利用率；MRU為平均內(nèi)存資源利用率；DRU為平均硬盤(pán)資源利用率；BRU為平均帶寬資源利用率；ωi為每種資源在總資源中所占用的比重。

為了對(duì)云環(huán)境下資源的使用情況進(jìn)行合理的評(píng)估，根據(jù)實(shí)際運(yùn)行經(jīng)驗(yàn)本文對(duì)負(fù)載閾值進(jìn)行了劃分，最終通過(guò)評(píng)估模型來(lái)確定資源的態(tài)勢(shì)等級(jí)[15]：當(dāng)資源的一級(jí)態(tài)勢(shì)值超過(guò)80%時(shí)，認(rèn)定當(dāng)前節(jié)點(diǎn)資源的使用處于重度負(fù)載狀態(tài)，為保證用戶的服務(wù)質(zhì)量，需開(kāi)啟新的節(jié)點(diǎn)，同時(shí)對(duì)開(kāi)啟的新節(jié)點(diǎn)采用態(tài)勢(shì)預(yù)測(cè)模型來(lái)預(yù)測(cè)下一時(shí)刻用戶對(duì)資源的需求量，通過(guò)該預(yù)測(cè)值來(lái)指導(dǎo)資源的部署，避免再次出現(xiàn)資源不足的情況；當(dāng)?shù)陀?0%時(shí)，認(rèn)定當(dāng)前節(jié)點(diǎn)資源的使用處于低度負(fù)載狀態(tài)，虛擬機(jī)資源的閑置情況突出，為提高資源的利用率，首先對(duì)下一階段資源需求量進(jìn)行態(tài)勢(shì)預(yù)測(cè)，根據(jù)預(yù)測(cè)的結(jié)果判斷用戶對(duì)資源的需求是否有所變化，進(jìn)而再適當(dāng)將某些節(jié)點(diǎn)置于關(guān)閉或待機(jī)狀態(tài)，以此來(lái)達(dá)到資源的高效使用，降低能耗。通過(guò)將預(yù)測(cè)技術(shù)引入其中，不至于在沒(méi)有了解下一階段用戶需求的情況下，盲目采取措施而導(dǎo)致資源緊張，違反SLA協(xié)議的規(guī)定；對(duì)處于20%-80%之間的，認(rèn)定資源的使用情況處于中度負(fù)載區(qū)，可適當(dāng)不采取任何措施。

2.2 資源態(tài)勢(shì)預(yù)測(cè)

本文結(jié)合云環(huán)境的特點(diǎn)采用改進(jìn)的BP（Back Propagation）模型對(duì)云環(huán)境下負(fù)載進(jìn)行態(tài)勢(shì)預(yù)測(cè)。BP算法是一種基于后向傳播且不斷調(diào)整權(quán)值的多層神經(jīng)網(wǎng)絡(luò)算法。并且由定理可知：三層BP神經(jīng)網(wǎng)絡(luò)能以任意精度逼近任意函數(shù)[16]。但該算法也存在一定不足，例如：初始權(quán)值和閾值的隨機(jī)選取、固定的學(xué)習(xí)率、模型收斂速度慢、易進(jìn)入局部極小狀態(tài)而無(wú)法得到最優(yōu)解等[17]。本文采用狼群算法（Wolf Pack Algorithm—WPA)對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行了優(yōu)化，通過(guò)狼群算法全局搜索的尋優(yōu)能力，確定一組最佳的BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，同時(shí)在模型的訓(xùn)練過(guò)程中采用自適應(yīng)學(xué)習(xí)率法及自適應(yīng)增加動(dòng)量法相結(jié)合的方法（Adaptive Learning Rate and Adaptive Momentum Oscillator—ALRAMO）對(duì)模型的參數(shù)進(jìn)行了調(diào)整，通過(guò)改進(jìn)方法靈活有效的解決云環(huán)境下數(shù)據(jù)繁多，數(shù)據(jù)變化快導(dǎo)致模型預(yù)測(cè)低的問(wèn)題，降低模型陷入局部極小值的可能性。其改進(jìn)的核心思想是：使初始的權(quán)重確定及之后權(quán)重的調(diào)整最大限度的適應(yīng)誤差變化的需求，加快模型收斂，減小模型的訓(xùn)練時(shí)間，避免陷入局部最優(yōu)，減小模型預(yù)測(cè)誤差，使最終的預(yù)測(cè)結(jié)果更滿足實(shí)際的需要。其中誤差定義為模型預(yù)測(cè)值與實(shí)際值之間的差值。

2.2.1 狼群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值及閾值

近幾年來(lái)研究學(xué)者根據(jù)狼群捕食行為及其獵物分配方式，在粒子群優(yōu)化算法（Particle Swarm Optimization—PSO）、遺傳算法（Genetic Algorithm—GA）、蟻群算法（Ant Colony Optimization—ACO）等基礎(chǔ)上提出了一種新的群體智能算法—狼群算法（Wolf Pack Algorithm—WPA)。狼群算法將狼群分為頭狼、探狼與猛狼，并設(shè)計(jì)出游走、召喚、奔襲與圍攻等智能行為與“勝者為王”的頭狼產(chǎn)生規(guī)則和“強(qiáng)者生存”的狼群替代機(jī)制。與其他算法相比，該算法具有較好的全局尋優(yōu)能力，求解精度更高，收斂速度更快，控制參數(shù)更少的特點(diǎn)，能夠快速準(zhǔn)確的收斂于問(wèn)題的全局最優(yōu)解[18-19]。狼群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的基本思想是用人工狼的狀態(tài)代表BP神經(jīng)網(wǎng)絡(luò)的所有權(quán)值和閾值，通過(guò)個(gè)體狼的迭代尋優(yōu)，將最優(yōu)適應(yīng)度值對(duì)應(yīng)的頭狼狀態(tài)作為BP神經(jīng)網(wǎng)絡(luò)參數(shù)初始值，然后通過(guò)BP神經(jīng)網(wǎng)絡(luò)不斷學(xué)習(xí)，使用學(xué)習(xí)后的最優(yōu)模型進(jìn)行預(yù)測(cè)。狼群算法尋優(yōu)BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值及閾值的過(guò)程如下[20-21]：

步驟1 根據(jù)BP模型的結(jié)構(gòu)特點(diǎn)初始化狼群中人工狼狀態(tài)Xi,群體規(guī)模N，最大迭代次數(shù)T，探狼比例因子α，最大游走次數(shù)SPMAX，距離判斷因子ω，步長(zhǎng)因子S，更新比例因子β。同時(shí)Xi=(xi1, xi2,…,xid,…xiD),1≤i≤N,1≤d≤D，且Xi的狀態(tài)主要通過(guò)如下公式2確定：

步驟2 選取適應(yīng)度值最優(yōu)的人工狼為頭狼，除頭狼外同時(shí)選取最佳的n匹人工狼為探狼并執(zhí)行游走行為，即探狼分別朝m個(gè)方向分別前進(jìn)一步（稱為探狼游走步長(zhǎng)，記為SPa），則向第p(p=1,2,…,m)個(gè)方向前進(jìn)后，探狼i在第d(d=1,2,…,D)維空間中所處的位置如公式3所示：

步驟3 頭狼發(fā)起召喚行為，周圍猛狼收到命令迅速向獵物奔襲。此時(shí)猛狼i第k+1次迭代時(shí)，在第d(d=1,2,…,D)維變量空間中所處的位置如式4所示：

若在奔襲過(guò)程中猛狼i感知的獵物氣味濃度Yi＞YMAX，則YMAX=Yi，替代頭狼并重新發(fā)起召喚行為；若Yi＜YMAX，則人工猛狼繼續(xù)奔襲直到dim≤dnear，轉(zhuǎn)向步驟4。在這里dim為猛狼i與頭狼m之間的距離，判斷距離

步驟4 將頭狼的位置看作獵物移動(dòng)位置，對(duì)于第k代狼群，假定獵物在第d(d=1,2,…,D)維空間中的位置為，則按式5對(duì)參與圍攻行為的人工狼的位置進(jìn)行更新，執(zhí)行圍攻行為，同時(shí)按“勝者為王”的頭狼產(chǎn)生規(guī)則將更新后狼群中適應(yīng)度最優(yōu)的人工狼選為頭狼。

其中λ∈［-1,1］均勻分布的隨機(jī)數(shù)；SPc為人工狼i執(zhí)行圍攻行為時(shí)的攻擊步長(zhǎng)。

步驟5 按照“強(qiáng)者生存”的狼群更新機(jī)制去除目標(biāo)函數(shù)值最差的R匹人工狼，同時(shí)在待尋優(yōu)空間內(nèi)隨機(jī)生成R匹人工狼完成群體更新。R的取值均勻分布的隨機(jī)數(shù)，β為狼群更新比例因子。

步驟6 判斷是否達(dá)到預(yù)設(shè)精度要求或最大迭代次數(shù)T，若達(dá)到則輸出頭狼的位置，即BP模型初始權(quán)值及閾值的最優(yōu)解，否則轉(zhuǎn)向步驟2。

為了更形象的理解上述尋優(yōu)過(guò)程，WPA算法優(yōu)化BP模型的流程圖如下圖2所示：

圖2 WPA算法優(yōu)化BP模型的流程圖Fig.2 BP model optimized through WPA algorithm

2.2.2 預(yù)測(cè)模型參數(shù)的自適應(yīng)調(diào)整方法—ALRAMO

圖3為自適應(yīng)調(diào)整模型參數(shù)流程圖。

圖3 ALRAMO方法調(diào)整模型參數(shù)流程圖Fig.3 Adaptive adjustment model-ALRAMO

具體公式如下：

其中a∈［1,2］，λ∈［0.001,0.001］，η(k)為當(dāng)前時(shí)刻的學(xué)習(xí)率，η(k-1)為前一時(shí)刻的學(xué)習(xí)率，為E( k)當(dāng)前時(shí)刻的誤差值，E( k-1)為前一時(shí)刻的誤差值，ω(t+1)為下一次權(quán)值，ω(t)為本次權(quán)值，Δω(t+1)為權(quán)值的增量，α為動(dòng)量因子且α∈［0,1］。

當(dāng)E( k)≤E( k-1)時(shí)，說(shuō)明誤差減小，權(quán)值的調(diào)整減小，可適當(dāng)加大Δω(t+1)。由公式 ω(t+1)=ω(t)+得：當(dāng)增大η 時(shí)，(1)tωΔ+也會(huì)增大，這樣不僅調(diào)整了權(quán)值的修改量，適應(yīng)了數(shù)據(jù)的變化趨勢(shì)，還加快了收斂速度，減小了學(xué)習(xí)時(shí)間。同時(shí)在公式6中，當(dāng)E( k)≤E( k-1)，η(k)=a.η(k-1)確實(shí)符合增大的需求，但隨著模型的學(xué)習(xí)，Δω(t+1)有可能進(jìn)入誤差曲面底部的“平臺(tái)”區(qū)域，即使η再大，也會(huì)變得很小，這時(shí)為了提高模型收斂精度給其添加一個(gè)較大的動(dòng)量值，由公式7得Δω(t+1)=αΔ ω(t )，而不是近似于零，有助于模型擺脫局部極小值的狀態(tài)。而當(dāng)E( k)＞E( k-1)時(shí)，說(shuō)明誤差在增大，權(quán)值的調(diào)整增大，應(yīng)適當(dāng)減小Δω(t+1)，故由公式ω(t+1)=ω(t)+得：可適當(dāng)減小學(xué)習(xí)率η。而當(dāng)E( k)＞E( k-1)，上述公式中η(k)=e-λη(k-1)也符合學(xué)習(xí)率減小的需求，同時(shí)若在參數(shù)調(diào)整中有動(dòng)量項(xiàng)則應(yīng)適當(dāng)減小動(dòng)量項(xiàng)對(duì)權(quán)值調(diào)整的干擾，在模型訓(xùn)練誤差較大的情況下，避免權(quán)值的調(diào)節(jié)量Δω(t +1)過(guò)大，導(dǎo)致模型在訓(xùn)練過(guò)程中出現(xiàn)震蕩，無(wú)法收斂。

由于收斂速度和收斂精度兩者互為反函數(shù)關(guān)系，收斂精度的提高必然會(huì)引起另一方的下降，在模型逆向傳播過(guò)程中，通過(guò)模型在不同學(xué)習(xí)期的不同需求，不斷調(diào)整學(xué)習(xí)率及動(dòng)量值的大小來(lái)提高模型的收斂速度和收斂精度，使模型沿著負(fù)梯度方向變化的同時(shí)，有效避免陷入局部極小值狀態(tài)，加快模型收斂。

在云環(huán)境下采用改進(jìn)的BP模型進(jìn)行預(yù)測(cè)不僅為模型的訓(xùn)練過(guò)程提供數(shù)據(jù)支持，同時(shí)改進(jìn)的BP模型非線性擬合能力高，參數(shù)的靈活性正好適應(yīng)了負(fù)載數(shù)據(jù)的變化，通過(guò)在訓(xùn)練過(guò)程中及時(shí)的調(diào)整參數(shù)，更好地實(shí)現(xiàn)預(yù)測(cè)，預(yù)測(cè)模型的流程如圖4所示。

圖4 預(yù)測(cè)模型流程圖Fig.4 The flow chart of the prediction model

（1）確定BP預(yù)測(cè)模型結(jié)構(gòu)，輸入節(jié)點(diǎn)，隱層節(jié)點(diǎn)，輸出結(jié)點(diǎn)的個(gè)數(shù)，通過(guò)狼群算法的全局搜索能力來(lái)對(duì)模型的權(quán)值、閾值、學(xué)習(xí)率等參數(shù)進(jìn)行初始化，設(shè)定誤差函數(shù)E，給定其誤差精度ε，及學(xué)習(xí)次數(shù)N；

（2）輸入訓(xùn)練樣本，依次輸入訓(xùn)練集中的樣本數(shù)據(jù)X=X1,X2,X3…Xm，每一次的訓(xùn)練樣本設(shè)為Xk=(k=1,2,...n)；

（3）正向傳播：根據(jù)模型計(jì)算隱含層及輸出層的值，并與給定的期望值進(jìn)行比較計(jì)算誤差，若誤差值滿足精度要求或已達(dá)到最大訓(xùn)練次數(shù)，則轉(zhuǎn)向5，否則將通過(guò)模型誤差值的變化，來(lái)調(diào)整模型的學(xué)習(xí)速率，使之更加符合負(fù)載數(shù)據(jù)的變化趨勢(shì)，同時(shí)轉(zhuǎn)向4；

（4）逆向傳播：結(jié)合誤差值的變化來(lái)調(diào)整動(dòng)量的大小，并通過(guò)增加動(dòng)量的方法將上一次權(quán)值變化的影響傳遞到下次權(quán)值調(diào)整量上，進(jìn)而來(lái)逆向調(diào)整模型的權(quán)值ω，閾值θ等參數(shù)，并轉(zhuǎn)向3；

（5）訓(xùn)練結(jié)束，開(kāi)始預(yù)測(cè)。

3 仿真實(shí)驗(yàn)及結(jié)果分析

3.1 仿真實(shí)驗(yàn)

對(duì)于本文提出的云環(huán)境下基于態(tài)勢(shì)感知的資源需求方法采用Yahoo云平臺(tái)提供的Sherpa數(shù)據(jù)集作為此次試驗(yàn)的測(cè)試數(shù)據(jù)。該數(shù)據(jù)集記錄了各服務(wù)器中CPU，內(nèi)存，硬盤(pán)，網(wǎng)絡(luò)流量等一系列指標(biāo)的系統(tǒng)工作負(fù)載情況。同時(shí)該數(shù)據(jù)可以用來(lái)分析和模擬實(shí)際云系統(tǒng)所經(jīng)歷的工作負(fù)載。在MyEclipse開(kāi)發(fā)環(huán)境下使用JAVA語(yǔ)言進(jìn)行編寫(xiě)，構(gòu)建基于AHP確定權(quán)重的態(tài)勢(shì)評(píng)估模型及基于BP算法優(yōu)化的態(tài)勢(shì)預(yù)測(cè)模型，數(shù)據(jù)庫(kù)采用MySQL。同時(shí)對(duì)采集來(lái)的數(shù)據(jù)采用公式9進(jìn)行歸一化處理。

其中a∈［-1,1］,b∈［-1,1］,a＜b。

在評(píng)估階段，根據(jù)采集來(lái)的數(shù)據(jù)計(jì)算各階段權(quán)值，且經(jīng)過(guò)一致性檢驗(yàn)都滿足要求，如表3。

在預(yù)測(cè)階段，設(shè)定模型的輸入節(jié)點(diǎn)為6、隱層節(jié)點(diǎn)為4、輸出結(jié)點(diǎn)為1，初始學(xué)習(xí)率為0.5，激勵(lì)其中p為訓(xùn)練樣本的數(shù)目，y′為期望輸出，y為實(shí)際輸出，給定其誤差精度0.01ε=，及學(xué)習(xí)次數(shù)N=1000。

通過(guò)對(duì)評(píng)估及預(yù)測(cè)的結(jié)果進(jìn)行分析并與傳統(tǒng)的評(píng)估方法及預(yù)測(cè)方法進(jìn)行比較，驗(yàn)證了本文算法的有效性。仿真的結(jié)果如下圖5、圖6、圖7、表4所示。

表3 各階段權(quán)值Tab.3 Weights of each stage

圖5 評(píng)估結(jié)果圖Fig.5 Evaluation results

表4 預(yù)測(cè)算法比較Tab.4 Comparison of prediction algorithms

3.2 結(jié)果分析

由圖5可知，相比于基于固定權(quán)重的評(píng)估方法和基于單一資源的評(píng)估方法而言，在評(píng)估初期基于單一資源的評(píng)估方法得出的資源利用率相對(duì)較高，但這僅僅顯示出云環(huán)境網(wǎng)絡(luò)中用戶對(duì)于某單一資源的需求較強(qiáng)，不能代表整體資源的使用情況，存在較強(qiáng)的片面性，因此不能憑借某單一資源的需求高低去增加資源的供給，并且單純的增加某單項(xiàng)資源，也無(wú)法提高整體資源的使用率及系統(tǒng)的性能，這樣不僅增加了成本開(kāi)銷，還間接增加系統(tǒng)的負(fù)擔(dān)。

而基于固定權(quán)重的評(píng)估方法，雖然考慮到了不同屬性的資源，但是由于用戶在不同時(shí)期對(duì)各屬性資源的需求情況也不一樣，固定權(quán)重的評(píng)估方法只會(huì)加重其誤判的可能，降低系統(tǒng)的服務(wù)質(zhì)量，因此對(duì)其權(quán)重的分配也應(yīng)該考慮到其動(dòng)態(tài)性。從上圖可以看出，本文通過(guò)層次分析法來(lái)判斷各屬性資源的影響值，通過(guò)各資源在同一時(shí)期不同的使用情況，進(jìn)而得出各屬性資源的影響權(quán)重，再通過(guò)各屬性資源的加權(quán)和來(lái)得到系統(tǒng)整體的資源使用情況，評(píng)估方法較前兩者更加合理。

并且由圖6、圖7及表4可知：標(biāo)準(zhǔn)BP算法與傳統(tǒng)ES算法得到的結(jié)果較本文相比與實(shí)際偏差都比較大，訓(xùn)練時(shí)間內(nèi)得到的誤差曲線與本文算法相比都偏高，且當(dāng)實(shí)際數(shù)據(jù)發(fā)生劇烈變動(dòng)時(shí)，前兩者收斂速度較慢，得出的誤差也比較大無(wú)法滿足實(shí)際的需求，而本文算法能夠在一定的訓(xùn)練次數(shù)后使誤差達(dá)到較小值，訓(xùn)練次數(shù)少，誤差小，收斂速度快，更接近于實(shí)際值，預(yù)測(cè)結(jié)果也更加精確。

圖6 態(tài)勢(shì)預(yù)測(cè)圖Fig.6 Situation prediction

圖7 MSE曲線圖Fig.7 The MSE curve of each prediction model

4 結(jié)論

本文針對(duì)傳統(tǒng)云環(huán)境下資源管理的情況，提出了基于態(tài)勢(shì)感知技術(shù)的云資源管理方法。該方法不僅能夠?qū)崿F(xiàn)對(duì)云環(huán)境下當(dāng)前資源的負(fù)載情況進(jìn)行合理地評(píng)估，使管理員能夠更加詳細(xì)的了解當(dāng)前系統(tǒng)的使用情況，同時(shí)也能夠更加精確地預(yù)測(cè)出下一階段資源負(fù)載的需求情況，為實(shí)現(xiàn)資源的合理分配提供依據(jù)。故下一階段的研究任務(wù)是在不違背SLA協(xié)議的同時(shí)，如何以該研究方法為依據(jù)實(shí)現(xiàn)資源的合理分配，使云計(jì)算平臺(tái)下資源的利用率及服務(wù)質(zhì)量得到提高。

參考文獻(xiàn)

[1] 李華清. 云計(jì)算技術(shù)及應(yīng)用服務(wù)模式探討[J]. 軟件, 2014(2): 127-128. LI H Q. Cloud Computing Technology and Application Service Model to Explore[J]. Software, 2014(2): 127-128.

[2] 王倩, 曹彥. 云計(jì)算研究[J]. 軟件, 2013, 34(5): 116-118. WANG Q, CAO Y. Study on Cloud Computing[J]. Software, 2013, 34 (5): 116-118.

[3] 丁養(yǎng)志. 淺析虛擬化技術(shù)在云計(jì)算中的運(yùn)用[J]. 軟件, 2014, 35(3): 176-177. DING Y Z. Analysis of Virtualization Technology in the Cloud[J]. Software, 2014, 35(3): 176-177.

[4] 王曉艷. 基于云計(jì)算的數(shù)據(jù)中心建設(shè)探討[J]. 軟件, 2014, 35(2): 129-130. WANG X Y. Discussion on Cloud Computing Data Center Construction[J]. Software, 2014, 35(2): 129-130.

[5] 武凱, 勾學(xué)榮, 朱永剛. 云計(jì)算資源管理淺析[J]. 軟件, 2015(2): 97-101. WU K, GOU X J, ZHU Y G. Cloud Computing Resource Management Analysis[J]. Software, 2015(2): 97-101.

[6] LIN W Y, LIN G Y, WEI H Y. Dynamic Auction Mechanism for Cloud Resource Allocation[C]. 10th IEEE/ACM International Conference on Cluster, Cloud and Grid Computing (CCGrid), 2010: 591-592.

[7] YOUNGE A J, LASZEWSKI G V, WANG L Z, et al. Efficient resource management for cloud computing environments[C]. In: International Conference on Green Computing, Chicago, USA, 2010: 357-364.

[8] CAMINERO A C, ROS S, HERRENDEZ R, et al. Load Forecasting Mechanism for e-Learning Infrastructures Using Exponential Smoothing[C]. IEEE International Conference on Advanced Learning Technologies, Athens, GA, 2011: 364-365.

[9] ROY N, DUBEY A, GOKHALE A. Efficient Autoscaling in the Cloud using Predictive Models for Workload Forecasting[C]. In: IEEE 4th International Conference on Cloud Computing, IEEE, 2011: 500-507.

[10] ARDAGNA D, CASOLARI S, PANICUCCI B. Flexible Distributed Capacity Allocation and Load Redirect Algorithms for Cloud Systems[C]. In: Proc. of the 4th International Conference on Cloud Computing, IEEE Cloud 2011, Washington DC, USA, 2011: 163-170.

[11] ENDSLEY M R. Situation Awareness Misconceptions and Misunderstandings[J]. Journal of Cognitive Engineering and Decision Making, 2014, 9(1): 44-50.

[12] BASS T. Cyberspace Situational Awareness Demands Mimic Traditional Command Requirements[J]. Signal, 2000(6): 83-84.

[13] 郭芬. 面向虛擬機(jī)的云平臺(tái)資源部署與調(diào)度研究[D]. 廣州: 華南理工大學(xué), 2015. GUO F. Research on Deploying and Scheduling for Cloud Resources based on Virtual Machines[D]. Guangzhou: South China University of Technology, 2015.

[14] AMANDEEP, MOHAMMAD F, YADAV V. Automatic Decision Making for Multi-Criteria Load Balancing in Cloud Environment using AHP[C]. International Conference on Computing, 2015: 569-576.

[15] 張遠(yuǎn). 基于開(kāi)源平臺(tái)的云資源管理系統(tǒng)的研究與應(yīng)用[D].成都: 電子科技大學(xué), 2014. ZHANG Y. Research and Application of Cloud Computing Resource Management System Based on The Open Source Platform[D]. Chengdu: University of Electronic Science and Technology of China, 2014.

[16] 喻寶祿, 段迅, 吳云. BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)預(yù)測(cè)模型的建立及應(yīng)用[J]. 計(jì)算機(jī)與數(shù)字工程, 2016, 44(3): 482-486. YU B L, DUAN X, WU Y. Establishment and Application of Data Prediction Model Based on BP Neural Network [J]. Computer and Digital Engineering, 2016, 44(3): 482-486.

[17] WANG F, NIU L. An Improved BP Neural Network in Internet of Things Data Classification Application Research[C]. IEEE Information Technology, Networking, Electronic and Automation Control Conference, 2016: 805-808.

[18] XIAN G L, ZHANG Y, LIU L G, et al. A Novel Intelligent System Based on WPA-SVMs for Fault Signals Recognition[C]. International Conference on Wireless Communications, Networking and Mobile Computing, 2005(1): 591-594.

[19] 吳虎勝, 張鳳鳴, 吳廬山. 一種新的群體智能算法—狼群算法[J]. 系統(tǒng)工程與電子技術(shù), 2013, 35(11): 2430-2438. WU H S, ZHANG F M, WU L S. New Swarm Intelligence Algorithm-Wolf Pack Algorithm[J]. Systems Engineering and Electronics, 2013, 35(11): 2430-2438.

[20] 李國(guó)亮. 狼群算法的研究與應(yīng)用[D]. 南昌: 東華理工大學(xué), 2016. LI G L. Research and Application of Wolf Colony Algorithm[D]. Nanchang: East China University of Technology, 2016.

[21] 李常洪, 趙偉棟. 基于狼群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)[J]. 科技創(chuàng)新與生產(chǎn)力, 2016(1): 56-58. LI C H, ZHAO W D. BP Neural Network Based on Optimization of Wolf Colony Algorithm[J]. Sci-tech Innovation and Productivity, 2016(1): 56-58.

[22] 張敏, 徐啟華. 基于改進(jìn)BP的神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制[J]. 軟件, 2015(7): 118-123. ZHANG M, XU Q H. The Improved BP Neural Network Model Reference Adaptive Control[J]. Software, 2015(7): 118-123.

[23] ZHANG B C, LIN J Q, CHANG Z C, et al. The application of multi sensor data fusion based on the improved BP neural network algorithm[C]. Chinese Control & Decision Conference, 2016: 3842-3846.

Situation Awareness Based Resource Requirement in Cloud Computing Environment

LI Zheng, WANG Jun-she, ZHANG Hong-bin
(School of Information Science and Engineering, Hebei University of Science and Technology, Shijiazhuang, 050000, China)

In view of the defects of the current cloud computing resource management, which resulting in low utilization of resources. In order to improve the utilization of resources and achieve its efficient use, this paper proposes a new method of resource requirement for cloud computing environment which is based on situation awareness. By using AHP (Analytic Hierarchy Process) to assess the current situation of the use of resources. At the same time, the improved BP (Back Propagation) algorithm is used to forecast the resource requirement of the next time which can provide the basis for rational allocation.

Cloud computing; Resource requirement; Situation awareness; Situation assessment; Situation prediction

TP3-05

A

10.3969/j.issn.1003-6970.2017.05.017

李正(1991-），男，碩士，通信網(wǎng)絡(luò)管理。

王俊社，教授，主要研究方向?yàn)榫W(wǎng)絡(luò)管理、云計(jì)算。

本文著錄格式：李正，王俊社，張紅斌. 云環(huán)境下的資源需求態(tài)勢(shì)感知研究[J]. 軟件，2017，38（5）：75-82