基于倒向随机微分方程的云计算系统资源配置逆向推理系统及配置方法

摘要

本发明属于云计算系统资源配置领域，具体涉及基于倒向随机微分方程的云计算系统资源配置逆向推理系统及配置方法。基于倒向随机微分方程的云计算资源配置系统，由用户处理请求模块、历史数据处理模块、逆向推理模块和用户交互模块组成，用户请求处理模块首先按照指定格式接收用户对云计算服务器的访问请求，以及对资源配置的约束条件，并根据云计算系统计算节点的配置和网络条件，将前述访问请求和约束条件解析为中央处理器需求、带宽需求、内存需求的参数。能够根据未来确定时刻的计算资源需求情况，确定当前需要的计算资源，并保证当前准备的计算资源是“最节省的”；能够积极应对未来资源配置的随机波动性，提高云计算系统的稳定性和可用性。

说明书

技术领域

本发明属于云计算系统资源配置领域，具体涉及基于倒向随机微分方程的云计算系统资源配置逆向推理系统及配置方法。

背景技术

云计算是把大量计算资源(包括狭义计算资源、存储资源和网络资源等)虚拟化为一个共享资源池，用户通过租用方式获得所需服务。云计算的最大特点是按需使用，即客户可根据需要随时申请云资源或者扩充/缩减资源，而运营商根据客户需求完成相关资源配置。服务运营商提供的可分配资源越多，用户的服务体验和可用性就越高，应对突发任务请求的能力越强。但是可分配的云计算资源越多，投入也越多，开销也越大。如何平衡这两者面临着巨大的挑战。

当前，云计算系统的资源配置面临着两方面的挑战。一方面，云计算系统的重要特性是随机性，无论是服务请求发起还是资源配置部署，处处充满着不确定性和随机现象，未来的资源配置往往具有随机波动性。因而必须在资源配置过程中考虑这种随机性与波动性。另一方面，现有的云计算系统仅仅根据当前的计算资源来预测未来时间点能否满足用户的需求，而云计算系统随时可能产生突发任务和用户激增的问题，并不能确保用户与服务提供商签订的服务等级协议SLA(Serice Level Agreement)一定恰好满足，不产生资源浪费。因而，需要一种逆向的推理方法，根据未来时刻的资源需求量来确定当前时刻最少的资源配置量。现有的关于云计算系统资源配置的方法都还未考虑这个方面的问题。

“倒向随机微分方程”理论就是根据未来时刻的目标，通过策略的制定逐步把随机波动引入的不确定性抵消，从而把风险规避掉的一种方法。它搭起了“随机”与“确定”之间的桥梁，使人们可以用确定的策略、方法去解决随机的不确定的问题，或把随机的不确定的东西进行最优化处理。目前倒向随机微分方程”理论主要用于解决金融学、经济学和工程学等领域的实际问题，没有运用到本领域。

发明内容

本发明的目的在于提供一种充分考虑了云计算资源配置的随机性特点和逆向推理的需求，资源配置方案更为合理；有利于减少云计算系统资源配置的浪费，提升资源配置效率，节省成本的基于倒向随机微分方程的云计算系统资源配置逆向推理系统。本发明的目的还在于提供一种基于倒向随机微分方程的云计算系统资源配置逆向推理方法。

本发明的目的是这样实现的：

基于倒向随机微分方程的云计算资源配置系统，由用户处理请求模块、历史数据处理模块、逆向推理模块和用户交互模块组成，用户请求处理模块首先按照指定格式接收用户对云计算服务器的访问请求，以及对资源配置的约束条件，并根据云计算系统计算节点的配置和网络条件，将前述访问请求和约束条件解析为中央处理器需求、带宽需求、内存需求的参数，形式为一个三元组ζ＝(CPU(T),MEM(T),BW(T))，其中T为用户与云服务提供商在服务等级协议SLA中约定的未来确定时刻，CPU(T)为T时刻的中央处理器需求，MEM(T)为T时刻的带宽需求，BW(T)为T时刻的内存需求，把三元组ζ传递给逆向推理模块；历史数据处理模块一方面收集云计算系统运行的资源配置历史数据；另一方面历史数据处理模块收集的云计算系统运行的资源配置历史数据，确定倒向随机微分方程的生成函数G(*)；历史数据处理模块具有两个布尔值型标志位：G(*)预设置标志位PRECONFIG_G和更新标志位UPDATE_FLAG，根据倒向随机微分方程的生成函数设定方法，确定G(*)解析式；将生成函数G(*)传递给逆向推理模块；逆向推理模块接收来自于用户请求处理模块的参数ζ，以及来自于历史数据处理模块的生成函数G(*)；将ζ作为终端条件，采用生成函数G(*)建立基于倒向随机微分方程的资源配置模型；根据前述基于倒向随机微分方程的资源配置模型，由倒向随机微分方程的数值解法得出一组唯一确定的(Y(0),Z(0))，进而得出云计算系统初始资源配置；把初始时刻的资源配置条件(Y(0),Z(0))发送给用户交互模块；其中Y(0)、Z(0)分别为初始时刻的正常资源配置和应对由于受到环境影响而产生资源随机波动的预防风险资源配置；用户交互模块接收来自于逆向推理模块的初始时刻的资源配置条件，并把资源配置方案反馈给用户。

基于倒向随机微分方程的云计算资源配置方法，包括如下步骤：

(1)用户请求处理模块首先按照指定格式接收用户对云计算服务器的访问请求，以及对资源配置的约束条件；并根据云计算系统计算节点的配置和网络条件，将前述访问请求和约束条件解析为中央处理器需求、带宽需求、内存需求的参数，形式为一个三元组ζ＝(CPU(T),MEM(T),BW(T))，其中T为用户与云服务提供商在服务等级协议SLA中约定的未来确定时刻，CPU(T)为T时刻的中央处理器需求，MEM(T)为T时刻的带宽需求，BW(T)为T时刻的内存需求；并把ζ传递给逆向推理模块；

(2)历史数据处理模块一方面收集云计算系统运行的资源配置历史数据；另一方面历史数据处理模块根据行业经验值或者收集的云计算系统运行的资源配置历史数据，确定倒向随机微分方程的生成函数G(*)；历史数据处理模块具有两个布尔值型标志位：G(*)预设置标志位PRECONFIG_G和更新标志位UPDATE_FLAG，根据倒向随机微分方程的生成函数设定方法，确定G(*)解析式；并将生成函数G(*)传递给逆向推理模块；

前述的倒向随机微分方程的生成函数设定方法具体还包括：

(2.1)历史数据处理模块首先检查G(*)预设置标志位PRECONFIG_G，若为1则生成函数G(*)已由行业经验值设定，转(2.7)，否则转(2.2)；

(2.2)检查更新标志位UPDATE_FLAG是否为0，若UPDATE_FLAG为0，转(2.3)，否则转(2.4)；

(2.3)历史数据处理模块根据收集的云计算系统运行的资源配置历史数据，利用一个预设的函数集合拟合倒向随机微分方程的生成函数G(*)，并把UPDATE_FLAG设置为1，同时记录此时的时间Lasttime，转(2.7)；

(2.4)此时UPDATE_FLAG为1，读取当前时刻系统时间Nowtime,若Nowtime-Lasttime>＝Interval，其中Interval>0为预设更新周期常数，转(2.5)，否则转(2.6)；

(2.5)此时重新对生成函数G(*)进行拟合，完成G(*)的更新；同时记录此时的时间Lasttime，转(2.7)；

(2.6)此时，Nowtime-Lasttime<Interval,记录此时的时间Lasttime，转(2.7)；

(2.7)历史数据处理模块把生成函数G(*)传递给逆向推理模块；

(3)逆向推理模块接收来自于用户请求处理模块的参数ζ，以及来自于历史数据处理模块的生成函数G(*)；并将ζ作为终端条件，采用生成函数G(*)建立基于倒向随机微分方程的资源配置模型；并根据前述基于倒向随机微分方程的资源配置模型，由倒向随机微分方程的数值解法得出一组唯一确定的(Y(0),Z(0))，进而得出云计算系统初始资源配置；并把初始时刻的资源配置条件(Y(0),Z(0))发送给用户交互模块；其中Y(0)、Z(0)分别为初始时刻的正常资源配置和应对由于受到环境影响而产生资源随机波动的预防风险资源配置；

前述的基于倒向随机微分方程的资源配置模型具有如下特征：

(3.1)建立的基于倒向随机微分方程的资源配置模型满足如下方程

$\left(\begin{array}{c}-dY\left(t\right)=G\left(Y\right(t),Z(t),t)dt-Z\left(t\right)dW\left(t\right),\\ Y\left(T\right)=\zeta \end{array}\right)$

其中，t∈[0,T]，t为时间，T为未来确定的时刻，W是d维的布朗运动；

(3.2)在[0,T]时间段内资源配置量可以表示为中央处理器的处理容量CPU(t)、内存的容量MEM(t)、带宽的容量BW(t)；

(3.3)Y(t)为t时刻资源配置，即Y(t)＝(CPU(t),MEM(t),BW(t))；

(3.4)Z(t)设为应对由于受到环境影响而产生资源随机波动的预防风险的资源配置(以下简称预防风险的资源配置)，且Z(t)＝(CPU(t)’,MEM(t)’,BW(t)’)其中环境影响主要是指突发任务请求、计算节点的温度激增、主板供电不足等因素；Z(t)可以应对资源随机扰动，为资源配置提供冗余；

(3.5)生成函数G(*)为Y(t)、Z(t)、t的关系函数，根据云计算系统各节点的资源配置历史数据处理结果或行业经验值设定，可以由历史数据处理模块提供；

(3.6)ζ为倒向随机微分方程的终端条件，为一组可测的随机变量，ζ由用户请求处理模块给出；

(4)用户交互模块接收来自于逆向推理模块的初始时刻的资源配置条件，并把资源配置方案反馈给用户。

本发明的有益效果在于：(1)能够根据未来确定时刻的计算资源需求情况，确定当前需要的计算资源，并保证当前准备的计算资源是“最节省的”；(2)能够积极应对未来资源配置的随机波动性，提高云计算系统的稳定性和可用性。

附图说明

图1为基于倒向随机微分方程的云计算系统资源配置逆向推理系统的模块图；

图2是本发明实施提供的倒向随机微分方程的生成函数设定方法流程图。

具体实施方式

下面结合附图对本发明做进一步描述。

现有关于云计算系统资源配置的方法只能根据当前资源配置计算将来的可能状态，而不能根据将来的随机波动倒向地计算现在的资源部署需求，这使得在分析、计算和处理云计算资源配置问题时，无法保证当前准备的计算资源是恰好满足的。本发明公开的基于倒向随机微分方程的云计算系统资源配置逆向推理系统及方法，依据未来资源配置目标和随机波动，通过逆向推理计算出当前的资源配置方案，有利于减少云计算系统资源配置的浪费，提升资源配置效率，节省成本。

本发明所述的基于倒向随机微分方程的云计算资源配置系统包括用户处理请求模块、历史数据处理模块、逆向推理模块和用户交互模块等4个模块组成。

1、用户请求处理模块首先按照指定格式接收用户对云计算服务器的访问请求，以及对资源配置的约束条件。并根据云计算系统计算节点的配置和网络条件，将前述访问请求和约束条件解析为中央处理器需求、带宽需求、内存需求的参数，形式为一个三元组ζ＝(CPU(T),MEM(T),BW(T))，其中T为用户与云服务提供商在服务等级协议SLA中约定的未来确定时刻，CPU(T)为T时刻的中央处理器需求，MEM(T)为T时刻的带宽需求，BW(T)为T时刻的内存需求。并把ζ传递给逆向推理模块。

2、历史数据处理模块一方面收集云计算系统运行的资源配置历史数据；另一方面历史数据处理模块根据行业经验值或者收集的云计算系统运行的资源配置历史数据，确定倒向随机微分方程的生成函数G(*)。历史数据处理模块具有两个布尔值型标志位：G(*)预设置标志位PRECONFIG_G和更新标志位UPDATE_FLAG，根据倒向随机微分方程的生成函数设定方法，确定G(*)解析式。并将生成函数G(*)传递给逆向推理模块。

前述的倒向随机微分方程的生成函数设定方法具体还包括：

(1)历史数据处理模块首先检查G(*)预设置标志位PRECONFIG_G，若为1则生成函数G(*)已由行业经验值设定，转(7)，否则转(2)。

(2)检查更新标志位UPDATE_FLAG是否为0，若UPDATE_FLAG为0，转(3)，否则转(4)；

(3)历史数据处理模块根据收集的云计算系统运行的资源配置历史数据，利用一个预设的函数集合拟合倒向随机微分方程的生成函数G(*)，并把UPDATE_FLAG设置为1，同时记录此时的时间Lasttime，转(7)。

(4)此时UPDATE_FLAG为1，读取当前时刻系统时间Nowtime,若Nowtime-Lasttime>＝Interval，其中Interval>0为预设更新周期常数，转(5)，否则转(6)。

(5)此时重新对生成函数G(*)进行拟合，完成G(*)的更新。同时记录此时的时间Lasttime，转(7)。

(6)此时，Nowtime-Lasttime<Interval,记录此时的时间Lasttime，转(7)。

(7)历史数据处理模块把生成函数G(*)传递给逆向推理模块。

3、逆向推理模块接收来自于用户请求处理模块的参数ζ，以及来自于历史数据处理模块的生成函数G(*)。并将ζ作为终端条件，采用生成函数G(*)建立基于倒向随机微分方程的资源配置模型。并根据前述基于倒向随机微分方程的资源配置模型，由倒向随机微分方程的数值解法得出一组唯一确定的(Y(0),Z(0))，进而得出云计算系统初始资源配置。并把初始时刻的资源配置条件(Y(0),Z(0))发送给用户交互模块。其中Y(0)、Z(0)分别为初始时刻的正常资源配置和应对由于受到环境影响而产生资源随机波动的预防风险资源配置。

前述的基于倒向随机微分方程的资源配置模型具有如下特征：

(1)建立的基于倒向随机微分方程的资源配置模型满足如下方程

$\left(\begin{array}{c}-dY\left(t\right)=G\left(Y\right(t),Z(t),t)dt-Z\left(t\right)dW\left(t\right),\\ Y\left(T\right)=\zeta \end{array}\right)$

其中，t∈[0,T]，t为时间，T为未来确定的时刻，W是d维的布朗运动(本发明设定为3)。

(2)在[0,T]时间段内资源配置量可以表示为中央处理器的处理容量CPU(t)、内存的容量MEM(t)、带宽的容量BW(t)。

(3)Y(t)为t时刻资源配置，即Y(t)＝(CPU(t),MEM(t),BW(t))。

(4)Z(t)设为应对由于受到环境影响而产生资源随机波动的预防风险的资源配置(以下简称预防风险的资源配置)，且Z(t)＝(CPU(t)’,MEM(t)’,BW(t)’)其中环境影响主要是指突发任务请求、计算节点的温度激增、主板供电不足等因素。Z(t)可以应对资源随机扰动，为资源配置提供冗余。

(5)生成函数G(*)为Y(t)、Z(t)、t的关系函数，根据云计算系统各节点的资源配置历史数据处理结果或行业经验值设定，可以由历史数据处理模块提供。

(6)ζ为倒向随机微分方程的终端条件，为一组可测的随机变量，ζ由用户请求处理模块给出。

4、用户交互模块接收来自于逆向推理模块的初始时刻的资源配置条件，并把资源配置方案反馈给用户。

本方法的实例为一个简单的云计算服务器系统，服务可以占用资源有CPU、带宽、内存。

本发明所述的基于倒向随机微分方程的云计算资源配置系统包括用户处理请求模块、历史数据处理模块、逆向推理模块和用户交互模块等4个模块组成。

1、用户请求处理模块首先按照指定格式接收用户对云计算服务器的访问请求，以及对资源配置的约束条件。并根据云计算系统计算节点的配置和网络条件，将前述访问请求和约束条件解析为中央处理器需求、带宽需求、内存需求的参数，形式为一个三元组ζ＝(CPU(T),MEM(T),BW(T))，其中T为用户与云服务提供商在服务等级协议SLA中约定的未来确定时刻，CPU(T)为T时刻的中央处理器需求，MEM(T)为T时刻的带宽需求，BW(T)为T时刻的内存需求。并把ζ传递给逆向推理模块。

2、历史数据处理模块一方面收集云计算系统运行的资源配置历史数据；另一方面历史数据处理模块根据行业经验值或者收集的云计算系统运行的资源配置历史数据，确定倒向随机微分方程的生成函数G(*)。历史数据处理模块具有两个布尔值型标志位：G(*)预设置标志位PRECONFIG_G和更新标志位UPDATE_FLAG，根据倒向随机微分方程的生成函数设定方法，确定G(*)解析式。并将生成函数G(*)传递给逆向推理模块。

前述的倒向随机微分方程的生成函数设定方法具体还包括：

(1)历史数据处理模块首先检查G(*)预设置标志位PRECONFIG_G，若为1则生成函数G(*)已由行业经验值设定，转(7)，否则转(2)。

(2)检查更新标志位UPDATE_FLAG是否为0，若UPDATE_FLAG为0，转(3)，否则转(4)；

(3)历史数据处理模块根据收集的云计算系统运行的资源配置历史数据，利用一个预设的函数集合拟合倒向随机微分方程的生成函数G(*)，并把UPDATE_FLAG设置为1，同时记录此时的时间Lasttime，转(7)。

(4)此时UPDATE_FLAG为1，读取当前时刻系统时间Nowtime,若Nowtime-Lasttime>＝Interval，其中Interval>0为预设更新周期常数，转(5)，否则转(6)。

(5)此时重新对生成函数G(*)进行拟合，完成G(*)的更新。同时记录此时的时间Lasttime，转(7)。

(6)此时，Nowtime-Lasttime<Interval,记录此时的时间Lasttime，转(7)。

(7)历史数据处理模块把生成函数G(*)传递给逆向推理模块。

3、逆向推理模块接收来自于用户请求处理模块的参数ζ，以及来自于历史数据处理模块的生成函数G(*)。并将ζ作为终端条件，采用生成函数G(*)建立基于倒向随机微分方程的资源配置模型。并根据前述基于倒向随机微分方程的资源配置模型，由倒向随机微分方程的数值解法得出一组唯一确定的(Y(0),Z(0))，进而得出云计算系统初始资源配置。并把初始时刻的资源配置条件(Y(0),Z(0))发送给用户交互模块。其中Y(0)、Z(0)分别为初始时刻的正常资源配置和应对由于受到环境影响而产生资源随机波动的预防风险资源配置。

前述的基于倒向随机微分方程的资源配置模型具有如下特征：

(1)建立的基于倒向随机微分方程的资源配置模型满足如下方程

$\left(\begin{array}{c}-dY\left(t\right)=G\left(Y\right(t),Z(t),t)dt-Z\left(t\right)dW\left(t\right),\\ Y\left(T\right)=\zeta \end{array}\right)$

其中，t∈[0,T]，t为时间，T为未来确定的时刻，W是3维的布朗运动。

(2)在[0,T]时间段内资源配置量可以表示为中央处理器的处理容量CPU(t)、内存的容量MEM(t)、带宽的容量BW(t)。

(3)Y(t)为t时刻资源配置，即Y(t)＝(CPU(t),MEM(t),BW(t))。

(4)Z(t)设为应对由于受到环境影响而产生资源随机波动的预防风险的资源配置(以下简称预防风险的资源配置)，且Z(t)＝(CPU(t)’,MEM(t)’,BW(t)’)其中环境影响主要是指突发任务请求、计算节点的温度激增、主板供电不足等因素。Z(t)可以应对资源随机扰动，为资源配置提供冗余。

(5)生成函数G(*)为Y(t)、Z(t)、t的关系函数，根据云计算系统各节点的资源配置历史数据处理结果或行业经验值设定，可以由历史数据处理模块提供。

(6)ζ为倒向随机微分方程的终端条件，为一组可测的随机变量，ζ由用户请求处理模块给出。

4、用户交互模块接收来自于逆向推理模块的初始时刻的资源配置条件，并把资源配置方案反馈给用户。

本实例能够覆盖本发明。通过对本实例的描述可以发现，只需输入未来某一确定时间所要达到的云计算系统资源配置需求，即可反向推出初始时刻的云计算系统资源配置。本发明提供的有益效果体现在：(1)能够根据未来确定时刻的计算资源需求情况，确定当前需要的计算资源，并保证当前准备的计算资源是“最节省的”；(2)能够积极应对未来资源配置的随机波动性，提高云计算系统的稳定性和可用性。