一种云际环境下基于多标准决策的跨域资源推荐方法

本发明属于云际计算，涉及一种云际环境下基于多标准决策的跨域资源推荐方法。

背景技术：

1、自2006年云计算概念被提出以来，云计算的发展逐渐形成了以数据为中心的三层服务模式：基础设施即服务(iaas)、平台即服务(paas)和软件即服务(saas)，云计算市场已构建并快速发展。为了满足云计算的需求并适应将来的发展，提出了云际计算的概念。云际计算是以云服务提供商(cloud service provider,csp)之间开放协作作为基础，通过多方云资源深度融合，方便开发者通过“软件定义”方式定制云服务，创造云价值，实现“服务无边界、云间有协作、资源易共享、价值可交换”的新一代云计算模式。云际环境提供了支持不同csp之间公平交易和互联互通的基础环境。当云需求商向云际环境发送多粒度的资源需求时，云际环境下单个的云提供商的可用资源就能满足，所以资源推荐问题可以看成是为云需求商选择最合适的云提供商的问题。然而，云际环境下功能相似、质量不同的云服务提供商很多，如何找到最佳云服务提供商是一项艰巨的任务。

2、常见的云商选择算法包括：基于机器学习的云商选择算法，该算法通过分析云提供商的历史服务数据、用户行为和系统性能进行云商的选择；基于协同过滤的云商选择算法，该算法主要分成两种：基于用户的协同过滤以及基于内容项的协同过滤。基于用户的协同过滤方法的核心思想是寻找和目标用户行为相似的其他用户，然后根据这些相似用户的行为来推荐云商。而基于内容项的协同过滤方法与基于用户的协同过滤的区别主要在于，它是通过计算内容项之间的相似性，而非计算用户间的相似性来得到指定用户的推荐列表。

3、上述云提供商推荐方法大多面向的传统的云计算环境，并没有考虑云际环境的复杂性；可能面临sla参数难以确定以及不能充分全面的问题，另外对于所有sla参数的透明度进行简单的求和然后取平均值作为云提供商的总体能力，这个想法也有一定的缺陷；我们需要考虑sla参数之间可能不是简单的线性关系，可能存在着复杂的非线性关系，这些可变的相互作用可能会影响云提供商的能力水平。因素强度的微小变化可能会导致结果的巨大差异；并没有考虑到云需求商的偏好。

技术实现思路

1、本发明的目的是提供一种云际环境下基于多标准决策的跨域资源推荐方法，本发明方法可根据云需求商多样化资源需要以及偏好，对云提供商进行评估和排名，在云际平台中选择最合适的云提供商为其提供资源。

2、本发明提供一种云际环境下基于多标准决策的跨域资源推荐方法，包括：

3、步骤1：利用dbscan聚类算法对云际环境中的云提供商进行聚类，形成k个集群；

4、步骤2：分别计算k个集群中心到云需求商的距离，选择距离最小的集群中的云提供商作为候选云提供商；

5、步骤3：从云提供商的非功能属性中选取评价指标，利用极差最大法对评价指标的标准权重赋值，得到每个评价指标的规范化的最终权重；

6、步骤4：利用基于后悔理论的todim决策方法对候选云提供商进行排名。

7、进一步的，步骤1具体为：

8、步骤1.1：确定云际环境下的云提供商csp＝{csp1,csp2,...cspn}，其中每个云提供商由m个非功能属性组成的向量表示cspi＝{xi1,xi2,…xim},i＝1…n；

9、步骤1.2：输入领域参数ε和minpts，其中ε为邻域半径，minpts为邻域密度的阈值；

10、步骤1.3：初始化核心对象集合初始化聚类簇数k＝0，初始化未访问样本集合γ＝csp，簇划分

11、步骤1.4：对于所有的云提供商cspi,i＝1…n按照下面步骤找到核心对象；

12、根据欧式距离计算样本cspi的ε邻域样本子集nε(cspi)，初始时nε(cspi)为空集，根据下式分别计算样本cspi和其他样本cspj的欧式距离dij，如果cspi和cspj的距离小于ε，即dij＜ε，则将cspj加入ε邻域样本子集nε(cspi)中；

13、

14、其中，xim和xjm分别为样本cspi和其他样本cspj的第m个非功能属性组成的数值；

15、步骤1.5：如果ε邻域样本子集nε(cspi)的样本个数|nε(cspi)|满足下式，则将样本cspi加入核心对象样本集合ω中：

16、|nε(cspi)|≥minpts                  (2)步骤1.6：如果核心对象集合为空，则结束，否则转步骤1.7；

17、步骤1.7：在核心对象集合ω中，随机选择一个核心对象样本cspi，初始化类别序号k为之前的类别序号加1，初始化当前簇样本集合ck＝{cspi}，找出所有从核心对象cspi密度可达的其他cspj，将所有密度可达的cspj加入到当前簇样本集合中，当前簇生成完毕；

18、步骤1.8：更新簇样本集合ck中的所有云提供商的访问状态为已访问，并将核心对象cspi从核心对象集合ω中删除；

19、步骤1.9：继续随机选择核心对象集合ω中其他未被访问的核心对象，重复步骤1.7和步骤1.8，直到核心对象集合ω中不存在未被访问的核心对象，聚类算法结束，共形成了k个簇，即k个集群。

20、进一步的，步骤2具体为：

21、步骤2.1：根据步骤1的聚类结果，计算各个集群的中心center＝{cet1,cet2,...,cetk},k∈k，cetk为第k集群的中心，cetk＝{ck1,ck2,…ckm}，ckm表示第k个集群的中心的第m个非功能属性的数值；

22、步骤2.2：将云需求商采用向量表示为csd＝{d1,d2,…dm}，dm表示云需求商的第m个非功能属性的数值；

23、步骤2.3：计算云需求商到每个集群中心的欧式距离：

24、

25、步骤2.4：选择云需求商距离集群中心最小的集群作为候选集群，候选集群中的云提供商则作为候选云提供商。

26、进一步的，步骤2.1具体根据下式计算各个集群中心cetk的m个非功能属性的数值：

27、

28、其中，xym表示集群中第y个云提供商的第m个非功能属性的数值，z为第k集群中云提供商的数量。

29、进一步的，步骤3具体为：

30、步骤3.1：从m个非功能属性中选取q个非功能属性作为评价指标，根据p个候选云提供商的q个非功能属性组成指标评价矩阵：v＝[vab]p×q,a＝1,2,...p；b＝1,2,...q；其中vab表示第a个候选云提供商的第b个非功能属性的数值；

31、步骤3.2：利用层次分析法计算得到的指标权重其中为利用层次分析法计算得到的第q个评价指标的权重；

32、步骤3.3：利用最优劣法计算得到的指标权重其中为利用最优劣法计算得到的第q个评价指标的权重；

33、步骤3.4：利用实验室法计算得到的指标权重其中为利用实验室法计算得到的第q个评价指标的权重；

34、步骤3.5：采用最大偏差法计算每个评价指标的最终权重wb，计算公式如下：

35、

36、其中，ξ为拉格朗日乘子，a＝1,2,...p；

37、步骤3.6：对(5)式求偏导，得到以下式子：

38、

39、

40、简化(6)式得：

41、

42、进而得到：

43、

44、将(9)式中带入(8)式，得到：

45、

46、令：

47、

48、得到：

49、

50、步骤3.7：对wb进行规范处理，得到规范化的最终权重。

51、进一步的，步骤3.7根据下式对wb进行规范化处理：

52、

53、其中，wb*为第b个非功能属性的规范化的最终权重。

54、进一步的，步骤4具体为：

55、步骤4.1：根据最大偏差法得到最终的属性权重的结果，计算每个评价指标相对于参照指标的相对权重wbr：

56、

57、wr＝max{wb∣b＝1,2,...,q}            (15)

58、其中，wr参照指标的权重；

59、步骤4.2：根据下式计算云提供商cspa相对其他云提供商cspc关于评价指标cb的优势度φb(cspa,cspc)：

60、

61、其中，θ为损衰退系数，设为1；

62、步骤4.3：根据下式计算云提供商cspa相对其他云提供商cspc关于所有评价指标的总体优势度φ(cspa,cspc)：

63、

64、步骤4.4：确定云提供商cspa相较于其他所有云提供商的综合优势度φ(cspa)，其中φ(cspa)+为最大综合优势度，φ(cspa)-为最下综合优势度；

65、

66、

67、

68、步骤4.5：计算每个云提供商的欣喜值r(cspa)、后悔值g(cspa)和欣喜-后悔值z(cspa)：

69、

70、

71、z(cspa)＝r(cspa)+g(cspa)                           (23)

72、步骤4.6：根据欣喜-后悔值从大到小对云提供商进行排序，返回最优的云服务提供商。

73、本发明的一种云际环境下基于多标准决策的跨域资源推荐方法可根据云需求商多样化资源需要以及偏好，对云提供商进行评估和排名，在云际平台中选择最合适的云提供商为其提供资源。通过对对云际环境中的云提供商进行聚类并根据欧式距离选取候选云提供商大大的减少了需要筛选的云提供商的数量；另外利用极差最大法确认标准权重，既弥补了单一赋值带来的不足，也避免了传统的组合赋权法简单加权求和的缺陷；最后将云需求商的规避风险的心理与经典的决策方法进行融合也更加贴合现实场景。与现有的技术相比，本发明方法能够高效地完成云际平台中云提供商的评估和推荐，保证云际平台运行的效率和实时性。