面向云服务性能自适应优化的组件副本动态增加方法研究

摘要

随着软件系统的复杂化及其运行环境的开放化、动态化和难控化，软件系统的自优化和自适应能力的重要性日益凸显。云计算模式的效用计算特征和按需付费模式，要求云环境下的服务系统不仅能够实现保持资源代价最小的情况下满足应用所需的动态资源配置，还能够在其偏离预期行为时进行自适应地动态资源调整，从而持续提供符合用户预期的服务。传统服务系统自适应优化方法存在着很多不足:(1)仅从服务实例个体层面关注如何防止SLA违反情形的发生;(2)忽略了不同用户请求的运行实例之间竞争共享资源引发的性能互扰;(3)自适应资源调整时未平衡用户需求与资源成本这一个整体代价/收益问题。 云服务系统是由多个组件协同工作来实现的，以组件为基本单元部署在云环境虚拟机资源池中。组件的自适应实现了服务实例的自适应，组件副本可以有效的分担应用用户并发量，保证云服务系统提供持续、稳定、有效的服务，提升工作性能。本文从整体性能优化的角度，利用组件副本动态增加的方法，提升云服务系统承担负载的能力，达到自适应优化云服务性能的目标。采用理论研究、技术研究、实验验证相结合的研究方法，主要研究三个重点:预测应用用户并发量、待增组件选择和组件副本定位。首先通过分析应用用户并发量的自相关系数，研究面向不同并发量特征的应用用户并发量预测方法;然后利用AOE网分解应用用户并发量，基于改进的多目标粒子群算法选择待增组件;在此基础上，通过分析历史组件并发量和资源需求量数据，建立组件并发量与资源需求量间的关系模型，根据组件资源使用量和需求量建立组件互扰模型，利用组件资源需求、互扰因子等因素建立代价川复益模型选择日标虚拟机，定位组件副本;最后通过实验验证本文提出自适应优化方法的有效性和正确性。 实验结果表明，面向云服务性能自适应优化的组件副本动态增加方法可以准确地预测应用用户并发量，自适应决策出有效的优化方法。在降低云服务系统响应时间，提高服务系统工作性能的同时，确保服务系统各类资源使用率满足用户SLA约束，保障系统提供可持续、稳定的服务。

目录

声明

摘要

第1章绪论

1．1研究背景

1．2研究现状

1．3论文主要工作

1．4本文组织方式

第2章研究基础

2．1云环境下的组件副本管理策略

2．2时间序列分析方法

2．2．1相关系数

2．2．2时间序列分析方法

2．3粒子群优化算法

2．3．1多目标优化算法

2．3．2多目标粒子群优化算法

2．4多元回归分析

2．5格贴近度

2．6本章小结

第3章面向云服务性能自适应优化的组件副本动态增加方法过程

3．1问题的提出

3．2面向云服务性能自适应优化的组件副本动态增加的实现过程

3．3关键技术的基本处理过程

3．4本章小结

第4章面向不同并发特征的应用用户并发量预测方法

4．1面向不同并发特征的应用用户并发量预测过程

4．2基于自相关系数的应用用户并发量特征判定方法

4．3基于TopK算法应用用户并发量数据预处理算法

4．3．1平稳型应用用户并发量数据预处理算法

4．3．2非平稳型应用用户并发量数据预处理算法

4．4基于时间序列算法的应用用户并发量预测方法

4．4．1平稳型应用用户并发量预测方法

4．4．2非平稳型应用用户并发量预测方法

4．5本章小结

第5章基于改进多目标粒子群优化算法的待增组件选择方法

5．1基于改进多目标粒子群优化算法的待增组件选择过程

5．2基于组件调用关系和调用频率的组件关系模型

5．3基于AOE网的应用用户并发量分解算法

5．4待增组件副本选择方法

5．4．1改进多目标粒子群优化算法中的关键算法

5．4．2基于改进多目标粒子群算法的待增组件选择方法的实现过程

5．4本章小结

第6章基于代价／收益模型的组件副本定位算法

6．1基于代价／收益模型的组件副本定位过程

6．2面向云服务系统SLA的CC-RR关系模型

6．3基于改进格贴近度分析的组件互扰模型

6．4组件副本定位算法

6．4．1基于组件资源和组件间互扰因子的代价函数

6．4．2基于组件并发量的收益函数

6．4．3基于代价／收益模型的组件副本定位算法的实现过程

6．5本章小结

第7章实验及结果分析

7．1实验环境

7．2实验场景设计

7．3预测应用用户并发量的实验

7．4选择待增组件副本的实验

7．5定位待增组件副本的实验

7．6对比实验及结果分析

7．6．1组件副本选择和定位方法的对比实验及结果分析

7．6．2预测应用用户并发量对比实验及结果分析

7．7本章小结

8．1工作总结

8．2展望

参考文献

致谢

攻读硕士期间论文发表情况