基于BP神经网络的云服务响应时间预测方法研究

摘要

对云环境下虚拟资源的分配和管理是云服务提供商需要解决的关键问题，服务提供商可以根据与用户签定的SLA来优化使用基础设施以达到在满足SLA的前提下最大化资源利用率的目标。响应时间是SLA中的一项重要指标，实时监测服务响应时间是否超出SLA阈值来动态调整资源具有滞后性，且可能会造成频繁的资源调整。而基于响应时间预测的资源动态分配方案在预测的多个响应时间值超出SLA阈值时进行资源调整，可以有效克服基于实时监测的动态资源调整的不足，因此预测服务的响应时间对于资源调整时机的选择具有一定的参考价值。传统的基于时间序列方法的服务响应时间预测不考虑动态伸缩的资源环境，不适用于云环境下服务响应时间的预测。因此，本文对云服务响应时间的预测方法进行了研究。
　　文中首先介绍了研究场景并对部署在虚拟机上的组件特征进行了分析，针对这些特征以及已有服务响应时间预测方法的不足，提出了云服务响应时间的预测方法。考虑到虚拟机扩展的特殊性，本文对有虚拟机增加的情况进行了重点研究。首先，用灰色马尔可夫模型对虚拟机上各组件总的并发请求数进行了预测，并根据虚拟机性能权重计算出了各虚拟机上分配的并发请求数。接着，用相似度计算模型找到与新增虚拟机配置最相近的已有虚拟机，并将其上各组件的并发请求数、响应时间历史序列作为新增虚拟机的历史数据，为每台虚拟机建立遗传BP网络模型并对其上各组件响应时间进行了预测。然后，根据各虚拟机上每个组件的响应时间计算得到服务的响应时间。最后，通过实验对总并发请求数预测算法、响应时间预测算法以及云服务响应时间预测方法的可行性和有效性进行了验证。
　　实验结果表明并发请求数预测算法、响应时间预测算法具有较高的准确度，并且本文提出的云服务响应时间的预测方法相比与传统预测方法更加准确和有效，可以作为后续资源调整时机选择的参考。

目录

声明

摘要

第1章 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．3 主要研究内容

1．4 本文组织结构

第2章 研究基础

2．1 服务响应时间预测方法概述

2．1．1 基于时间序列的服务响应时间预测

2．1．2 基于协同过滤的服务响应时间预测

2．1．3 基于排队论的服务响应时间预测

2．2 相似度理论

2．3 灰色马尔可夫理论

2．4 GA-BP神经网络理论

2．5 本章小结

第3章 基于BP神经网络的云服务响应时间预测方法

3．1 云服务的部署及服务组件特征分析

3．2 云服务响应时间预测问题的提出

3．3 基于BP神经网络的云服务响应时间预测过程

3．4 本章小结

第4章 组件总并发请求数预测算法

4．1 组件总并发请求数预测研究思路

4．2 基于GM(1，1)的并发请求数预测

4．3 基于马尔可夫模型的并发请求数预测值修正

4．3．1 基于标准正态分布等概率原则的并发请求数残差序列状态划分

4．3．2 并发请求数残差状态转移矩阵的构建

4．3．3 并发请求数预测值修正

4．3．4 基于灰色马尔可夫模型的组件总并发请求数预测算法描述

4．4 虚拟机上组件并发请求数计算方法

4．5 本章小结

第5章 虚拟机上组件响应时间预测算法

5．1 虚拟机上组件响应时间预测研究思路

5．2 虚拟机配置相似度计算模型

5．2．1 虚拟机相似度计算中属性值选取

5．2．2 虚拟机相似度计算

5．3 基于GA-BP神经网络的虚拟机上组件响应时间的预测

5．3．1 用于虚拟机上组件响应时间预测的BP神经网络的构建

5．3．2 基于BP网络的虚拟机上组件响应时间预测过程

5．3．3 优化BP网络权值的遗传算法参数设置

5．3．4 基于GA-BP神经网络的虚拟机上组件响应时间预测算法描述

5．4 云服务响应时间计算

5．5 本章小结

第6章 实验结果及分析

6．1 实验环境

6．2 组件总并发请求数预测实验及分析

6．3 虚拟机上各组件晌应时间预测结果及分析

6．4 本文服务响应时间预测与时间序列预测结果比较

6．5 本章小结

第7章 总结与展望

参考文献

致谢