云服务系统性能自优化的自适应行为预判方法研究

摘要

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在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，目前，云环境下服务系统的服务性能自适应问题已经成为服务计算和云应用领域的重要研究方向之一。但在当前基于“感知-决策-执行”的云服务性能自优化研究框架中，触发事件主要来源于SLA约束下的人工设计，这种缺乏自我演进能力的SLA约束事件难以应对当前复杂的云环境;另一方面，在决策过程中传统做法需要计算出资源调整、服务迁移、副本部署三种自适应动作类型下的动作序列后，再通过代价收益评估选择出其中的一种用于执行，这增加了自优化过程的能耗，不利于自优化过程的工作效率。 针对传统研究的不足，本文在传统研究的基础上对服务性能自优化研究框架做了改进，新增了“预判”过程，提出了基于“感知-预判-决策-执行”的云服务性能自优化研究框架，并在“预判”过程中就传统研究中触发事件的设计问题与自适应动作类型选择问题中的不足展开研究。针对现有触发事件设计的不足之处，本文在传统基于SLA约束的触发事件的基础上，提出了预警事件的概念，并在组件历史运营数据的基础上完成了预警事件的生成算法设计，以此解决了事件判定中触发事件的自我演进问题;针对决策过程中服务性能自优化动作类型选择问题，本文提出了利用深度学习技术对组件的历史优化轨迹信息进行学习，并据此建立自适应动作类型选择模型的方法，该模型可以达到先选择出最佳的动作类型，随后直接生成执行序列的目的，这种改进可以降低自优化过程的资源消耗，同时也提高了自优化过程的效率。在本文末尾通过实验对本文提出的预警事件生成算法和自适应动作类型选择模型训练算法进行了实验验证。 实验结果表明，本文提出的预警事件可以随着服务环境的改变自我演进，能在服务性能下降之前提前启动自适应优化过程;本文提出的自适应动作类型选择模型，可以根据实时环境信息在动作序列生成前准确选择出当前环境下最佳的自适应动作类型，实验结果验证了本文提出的方法的准确性和有效性。

目录

声明

摘要

1．1研究背景

1．2服务性能自优化问题研究现状

1．3本文主要研究内容

1．4论文组织结构

第2章研究基础

2．1 BP神经网络理论

2．2深度学习算法

2．3受限玻尔兹曼机和深度置信网络

2．3．1受限玻尔兹曼机

2．3．2深度置信网络

2．4服务性能自适应优化动作综述

2．4．1资源调整自适应

2．4．2副本部署自适应

2．4．3服务迁移自适应

2．5本章小结

第3章服务性能自优化行为预判处理过程

3．1服务性能自适应行为预判问题的提出

3．2服务性能自适应行为预判过程的处理方法

3．2．1基于“预判”的云服务性能自适应优化过程

3．2．2基于离线学习的预判过程处理方法

3．3本章小结

第4章预警事件生成方法

4．1基于SLA约束事件的预警事件

4．1．1服务质量与服务等级协议

4．1．2 SLA约束事件

4．1．3预警事件

4．2预警事件的触发与更新

4．3预警事件生成过程与算法

4．3．1预警事件的生成过程

4．3．2预警事件生成算法

4．4本章小结

第5章基于深度学习的服务性能自适应动作类型选择模型的生成方法

5．1基于DBN的服务性能自适应动作类型选择模型的设计

5．2服务性能自适应动作类型选择模型的训练方法

5．2．1学习数据提取

5．2．2学习数据预处理

5．2．3学习数据样本化

5．2．4学习数据标签化

5．2．5基于深度学习的自适应动作类型选择模型训练算法

5．3本章小结

第6章实验结果与分析

6．1实验环境

6．2基准测试

6．3预警事件生成算法的实验过程与结果分析

6．4自适应动作类型选择模型实验过程与结果分析

6．5本章小结

第7章总结与展望

参考文献

致谢

攻读硕士期间论文发表情况