SaaS模式下面向多租户不确定性需求的资源配置研究

摘要

SaaS（软件即服务）模式降低了信息服务供需双方的成本，并且实现了向海量SaaS租户提供个性化服务。中小型企业通过购买SaaS服务能经济、有效的提高信息化水平，SaaS是推进企业信息化的一种重要途径。随着SaaS的产业化发展，进一步降低服务成本和能耗已经变得十分必要。传统的SaaS资源配置方法是租户需求确定为前提，很少探讨在云环境下面向海量不确定需求的有效资源优化配置方法。这种方式容易造成的供需双方的需求偏差，单个租户的细微偏差经过海量放大造成巨大的服务成本支出。因此，如何准确的预测租户的真实需求，并制定对应的资源优化配置方案是本文重点研究的问题。
　　为了预测租户的不确定需求，本文基于SLA构建了SaaS租户模型，其中包含了服务的需求描述、匹配及请求方式。在现有SaaS模式中，SLA一旦签订在合约期内无法改变。但是，租户内部拥有多个内部用户，这决定了租户的需求处于动态变化过程中。基于不变SLA的SaaS服务过程中包含着大量的并不被租户真实使用的服务成本。因此，本文通过运用BP神经网络学习服务过程数据来模拟租户真实的不确定需求，并构建SLA可变的SaaS服务请求模式，从真正意义上实现了“即付即用”的目标。
　　最终目标实现实时求解适应租户变化需求的资源配置方案，本文构建了一个双目标SaaS服务资源优化配置模型。该模型通过将租户的需求转化为资源量，再通过寻找所需资源在虚拟机资源池上的最优分布完成资源优化配置的任务。考虑该问题的求解难度，提出一种基于群智能的资源配置优化算法，以成本和违约率为适应度值搜索最优的资源配置方案。对比其它算法，这种算法的高性能和低复杂度更适应于求解该问题。考虑到云计算环境中的租户海量、需求动态特性，本文对提出的算法进一步改进，通过任务维度分解和交互变异，使得资源优化配置算法能够利用虚拟机的空闲资源并行运行，提高算法的求解质量及速度。仿真试验对算法和模型的有效性进行了验证，结果表明本文构建的资源优化配置模型及对应的求解算法能够高效的求解出最优资源配置方案。
　　本文提出的不确定需求识别方法实现对SaaS租户的需求预测，从而降低了服务匹配过程的误差。对应的建立了SLA可变的服务请求模型，使得SaaS服务的实用性更强。同时，构建面向租户不确定需求的资源优化配置模型，保障了服务质量的同时降低了服务成本。另外，探索了解决云环境下的SaaS资源配置问题的资源优化配置算法。本文的研究为实现SaaS资源的有效配置提供必要支撑。

目录

声明

摘要

第1章 引言

1．1 课题来源

1．2 研究背景

1．3 研究意义和方法路径

1．3．1 研究意义

1．3．2 研究方法

1．3．3 研究路径

第2章 文献综述

2．1 云计算下的SaaS服务及组合

2．1．1 SaaS定义及应用模式

2．1．2 多租户特性

2．1．3 SaaS服务组合

2．1．4 资源虚拟化

2．2 SaaS产业发展现状

2．3 SaaS服务资源配置研究现状

2．3．1 SaaS服务资源配置问题

2．3．2 SaaS服务资源配置基本方法

2．3．3 SaaS服务需求不确定性

2．4 群智能研究

2．4．1 蚁群算法

2．4．2 粒子群算法

2．5 文献述评

第3章 面向多租户不确定需求的SaaS资源配置机制

3．1 不确定需求下SaaS资源配置流程分析

3．1．1 SaaS服务匹配

3．1．2 SaaS服务部署

3．1．3 不确定需求分析

3．1．4 不确定需求下的资源优化配置

3．2 SaaS资源配置目标

3．2．1 多租户目标

3．2．2 服务供应商目标

3．3 SaaS服务租户模型

3．3．1 SaaS租户需求模型

3．3．2 SaaS服务匹配模型

3．3．3 SaaS服务请求模型

第4章 基于神经网络识别的SaaS资源优化配置模型

4．1 问题描述

4．2 神经网络识别需求模型

4．2．1 神经网络模拟不确定需求

4．2．2 构建神经网络识别需求模型

4．2．3 反向确定租户真实需求

4．3 SaaS资源优化配置模型

4．3．1 虚拟资源量定义

4．3．2 资源量转换函数

4．3．3 成本函数

第5章 基于群智能的SaaS资源优化配置算法

5．1 基于粒子群的资源优化配置(PSO-RA)算法

5．1．1 算法空间求解结构

5．1．2 初始化

5．1．3 方案集纠偏

5．1．4 方案变异

5．1．5 更新

5．2 适用于海量资源配置并行优化(PPSO-RA)算法

5．2．1 中心计算模块

5．2．2 搜索模块

5．2．3 修正模块

第6章 面向不确定需求SaaS资源配置测试

6．1 实验环境

6．2 实验分析

6．2．1 优化结果分析

6．2．2 优化速度分析

6．2．3 算法迭代过程分析

结语

参考文献

攻读学位期间科研成果

致谢