云服务的防违反用户需求装置、防违反用户需求方法及程序与流程

1.本发明涉及云服务的防违反用户需求装置、防违反用户需求方法及程序。


背景技术：

2.关于在云计算的方面进行执行各种信息处理的服务的云服务、虚拟网络功能vnf(virtual network function)，要求根据用户需求、特别是处理负荷(workload)、性能需求等而能够自动地进行资源设计的技术(例如非专利文献1)。
3.非专利文献1：“wu chao and shingo horiuchi,“intent-based cloud service management”,icin 2018,paris,france,february 2018.”

技术实现要素：

4.在提供云服务时，在根据用户需求而自动地设计云资源的情况下，即使违反了用户需求的情况下的惩罚不同，也无法调整资源的设计结果。即，无法调整针对违反用户需求的风险，特别是在违反用户需求的惩罚较大的情况下，也产生无法降低违反的风险而导致收益损失等的可能性。
5.本发明就是鉴于上述实际情形而提出的，其目的在于提供云服务的防违反用户需求装置、防违反用户需求方法及程序，即使在因违反用户需求而产生较大惩罚的可能性较高的情况下，也能够调整资源设计的结果而降低容易导致违反用户需求的预测的比率。
6.关于本发明的一个方式，具有：需求指定功能部，其指定针对对象服务的用户需求；以及资源设计部，其通过机器学习而预测执行对象服务时的、针对多种资源设定能够达成的性能，基于该预测结果而选择满足由所述需求指定功能部指定的用户需求的资源设定，作为用于性能的预测的模型，所述资源设计部生成使用针对第1模型而加上了在实际性能比预测性能差的情况下成为有限值的函数得到的第2损失函数的第2模型，该第1模型使用已有的第1损失函数。
7.发明的效果
8.根据本发明的一个方式，即使在因违反用户需求而产生较大的惩罚的可能性较高的情况下，也能够对资源设计的结果进行调整而降低容易导致违反用户需求的预测的比率。
附图说明
9.图1是表示本发明的一个实施方式所涉及的资源设计装置的概略功能结构的框图。
10.图2是表示与该实施方式所涉及的模型生成部的n模型和p模型的生成相关的处理内容的流程图。
11.图3是表示该实施方式所涉及的预测部的性能预测的处理内容的流程图。
12.图4是并列表示该实施方式所涉及的p模型和n模型的违反sla风险vr的图。
percentage error)、mae(mean absolute error)等无预测偏差调整效果的函数。换言之，表示实际性能比预测性能好的概率、和实际性能比预测性能差的概率相同。例如在使用mape的情况下，该损失函数l可以由下式表示。
30.【数学式1】
[0031][0032]
式中，n表示用于生成模型的训练数据的数量，“pfm
i”表示第i个训练数据中的实际性能，对“pfm”部分标注了伞状记号的“pfm”表示针对第i个训练数据的预测性能。
[0033]
即，求出由实际性能除从实际性能减去预测性能后的差的绝对值所得的商作为训练数据的误差率，求出从该训练数据的误差率的第1位至第n位的总和，在此基础上，由训练数据的数量n除上述总和而求出平均值，将其结果设为损失函数l。
[0034]
另外，p模型中使用的p模型损失函数l
p
可以由下式表示。
[0035]
【数学式2】
[0036][0037]
在该p模型损失函数l
p
中，针对前述的n模型损失函数l而求出如下结果，即，针对对各第i位的误差率加上违反用户需求的惩罚“w
×
p”所得的结果，求出训练数据的误差率的第1位至第n位的总和，在此基础上，由训练数据的数量n除该结果而求出平均值。
[0038]
这样，对n模式损失函数l加上违反用户需求的惩罚“w
×
p”，从而在模型生成部14生成模型时，使得预测误差以及违反用户需求的惩罚向最小的方向收敛。因此，违反用户需求的惩罚“w
×
p”作为相对于n模型损失函数l的有限值的函数而起作用。
[0039]
违反用户需求的惩罚“w
×
p”是在用户利用需求指定功能部11指定p模式时一并作为定义惩罚的内容而输入、指定的，“w”设为多种常量，“p”能够如后述那样通过多种函数而设定。
[0040]
下面，作为p而举出2个例子p1、p2。
[0041]
【数学式3】
[0042][0043][0044]
式中的p1在实际性能比预测性能差的情况下将其百分值的差值(误差率)作为惩罚而给出，另一方面，在并非如此的情况下是无惩罚的例子。
[0045]
式中的p2在实际性能比预测性能差的情况下将常量1作为惩罚而给出，另一方面，在并非如此的情况下是无惩罚的例子。
[0046]
图2是表示与利用模型生成部14的n模型和p模型的生成相关的处理内容的流程图。
[0047]
首先，模型生成部14从日志数据收集部13读出训练数据(步骤s01)。
[0048]
模型生成部14利用读出的训练数据，执行利用前述的n模式损失函数l的n模型的生成处理(步骤s02)。而且，对生成的n模型进行保存，并且向预测部12输出(步骤s03)。
[0049]
模型生成部14与上述步骤s02、s03的处理并行地，通过读出的训练数据执行利用前述的p模式损失函数l
p
的p模型的生成处理(步骤s04)。而且，对生成的p模型进行保存，并且向预测部12输出(步骤s05)。
[0050]
在结束步骤s03以及步骤s05这两者的处理的时刻，模型生成部14暂时结束模型生成的处理。
[0051]
图3是表示在利用预测部12指定了仅选择性地执行n模型和p模型的性能预测中的一者的情况下，预测部12执行的处理内容的流程图。
[0052]
预测部12首先根据用户或者系统管理者所指定的性能预测的模式是否为n模式而判断是否指定了n模式和p中的任一者(步骤s11)。
[0053]
在判断为所指定的是n模式的性能预测的情况下(步骤s11的yes)，在预测部12中读出n模型(步骤s12)，利用读出的n模型而执行性能预测的处理(步骤s13)。
[0054]
预测部12将获取的n模型的性能预测结果向判定部15输出(步骤s16)，如上，暂时结束性能预测的处理。
[0055]
另外，在步骤s11中，在判断为所指定的不是n模式，而是包含违反用户需求的惩罚“w
×
p”在内的p模型的性能预测的情况下(步骤s11的no)，在预测部12中读出p模型(步骤s14)，利用读出的p模型而执行性能预测的处理(步骤s15)。
[0056]
预测部12将获取的p模型的性能预测结果向判定部15输出(步骤s16)，如上，暂时结束性能预测的处理。
[0057]
此外，在图3的处理中，对预测部12选择性地指定了n模型和p模型的性能预测中的一者的情况下的动作进行说明，在指定了n模型和p模型的各性能预测这两者的情况下，并行地执行步骤s12、s13的处理和步骤s14、s15的处理，在步骤s16中整理n模型和p模型的各性能预测的预测结果并向判定部15输出。
[0058]
判定部15为了评价违反用户需求的防止效果而使用下面所示的违反用户需求风险指标vr(violation risk)。
[0059]
【数学式4】
[0060][0061][0062]
违反用户需求风险指标vr表示在进行m次的性能预测时容易导致违反用户需求的预测次数的比率，vr的值越大，越容易产生违反用户需求。
[0063]
下面，对通过n模型和p模型的性能预测而进行违反用户需求的风险评价的情况下的安装例进行说明。
[0064]
这里，通过使用资源设计装置10的机器学习服务mlaas(machine learning as a service)使用23,046组的日志数据，调整分别对n模型和p模型进行训练的结果。
[0065]
在本实施方式中，利用5折交叉验证(5-fold cross-validation)(训练数据80％/验证数据20％)对p模式以及n模式的执行时间预测误差以及防违反用户需求风险进行评价。
[0066]
图4是并列表示安装了多种w、p(w＝1，10，100、p＝p1，p2(参照数学式3))的p模型和n模型的、违反sla风险vr的图。
[0067]
这里，设为w＝100、p＝p2的p模型的违反sla风险vr为最小的值。如图所示，可知p模型与n模型相比能够降低违反用户需求风险vr。进而，可知，在p模型中设定为不同的w、p而用户能够任意地调整违反用户需求风险vr。
[0068]
图5是并列表示相同地安装了多种w、p(w＝1，10，100、p＝p1，p2(参照数学式3))的p模型和n模型的、性能预测精度mape的图。
[0069]
这里，设为w＝1、p＝p2的p模型的性能预测精度为最大的值。如图所示，与n模型相比，p模型能够降低违反用户需求风险，但性能预测精度有可能略微改变。
[0070]
图6是整理图4以及图5的结果而由数值表示的图。
[0071]
在实际运用中，根据违反用户需求的惩罚的程度，考虑违反风险以及预测精度的平衡而选择n模式或者p模型，并且在选择了p模型的情况下适当地设定w、p。
[0072]
如以上详细所述，根据本实施方式，即使在因违反用户需求而产生较大的惩罚的可能性较高的情况下，也能够对资源设计的结果进行调整而降低容易导致违反用户需求的预测的比率。
[0073]
另外，在本实施方式中，用户能够任意地进行用于定义在p模型的机器学习性能预测中使用的p模式损失函数中的惩罚“w
×
p”的指定，因此能够选定为尽量避免违反用户需求。
[0074]
并且，在本实施方式中，用户或者系统管理者能够选择指定n模式以及p模式的性能预测模型中的至少一者，因此能够适当地选定利用与状况相应的损失函数的性能预测模型。
[0075]
本发明的装置还能够由计算机和程序实现，能够通过网络提供将程序记录于记录介质的方案。
[0076]
除此以外，本技术发明并不限定于所述实施方式，在实施阶段能够在不脱离其主旨的范围内进行各种变形。另外，所述实施方式中包含各种阶段的发明，能够通过公开的多个技术特征的适当的组合而提炼出各种发明。例如，即使从实施方式所示的所有技术特征删除几个技术特征，也能够解决本发明要解决的问题一栏叙述的问题，在能够获得在发明的效果一栏叙述的效果的情况下，将删除了该技术特征的结构提炼为发明。
[0077]
标号的说明
[0078]
10
…
资源设计装置
[0079]
11
…
需求指定功能部
[0080]
12
…
预测部
[0081]
13
…
日志数据收集部
[0082]
14
…
模型生成部
[0083]
15
…
判定部。