一种基于深度学习的云服务性能自适应动作类型选择方法
【技术领域】
[0001] 本发明属于云服务技术领域，具体设及一种基于深度学习的云服务性能自适应动 作类型选择方法。
【背景技术】
[0002] 在大数据时代中，信息量指数型的增长特性直接导致了诸多行业中的数据大爆 发，整个社会也因此在生活方式和生产方式上产生了巨大的变革，而支撑该种科技大变革 的技术基础，则要归功于当前运供应商和云服务商提供的各种各样的"云"服务。云计算技 术（Cloud Computing)是利用高速互联网的传输能力，将数据的处理过程从个人计算机或 服务器转移到互联网上的计算机集群中的技术。云计算是一种新兴的商业计算模型，它将 计算任务分布在大量计算机构成的资源池上，使各种应用系统能够根据需要获取计算力、 存储空间和各种软件服务。"云"是一些可W自我维护和管理的虚拟计算资源，通常为一些 大型服务器集群，该使得应用提供者无需为繁琐的细节而烦恼，能够更加专注于自己的业 务，有利于创新和降低成本。随着分布式异构计算机应用项目的大量推广，云计算凭借着 其创新的计算模式，近年来日益受到商业界和学术界的高度重视。根据云计算服务模式的 不同，可W将其分为S个服务层次，软件即服务（software as a service, SaaS)、平台即服 务（platform as a service, Paa巧和基础设施即服务（infrastruc1:ure as a service， laaS)〇
[0003] 在常规云环境中，云硬件供应商已经在硬件服务基础上做了大量基础工作，通常 情况下云服务的供应商只需要将自己的服务部署到相应的硬件环境中，也就是云集群中 的虚拟机（virtual machine, VM)上即可对外提供服务。但是随着服务的长时间运营，月良 务的自身组件会逐渐受到历史数据的积累、即时大并发流量冲击W及新增部署组件的干 扰等多因素的影响，致使其服务性能下降W至于违反先定服务等级协议（service level agreement, SLA)。SLA是关于网络服务供应商和客户间的一份合同，其中定义了服务类型、 服务质量等术语。SLA协议是云系统对客户提供的服务基础，在提供服务的全过程中，供应 商必须严格遵守SLA。故此，云系统的主要任务之一就是保证系统持续稳定的提供满足SLA 的服务，进而保证整个服务的服务质量（quality of service, Qo巧。
[0004] 针对该种情况，服务环境需要一个高效准确的云服务性能自适应优化方法，W助 各云服务在服务性能下架的场景下，可W自发的调节服务自身工作环境，从而为客户提供 一个稳定舒适的服务体验。
[0005] 服务性能自优化的问题与人工智能、数据挖掘和机器学习=个学科有紧密联系， 当前许多学者分别从不同角度对服务自性能优化展开了研究，归结起来主要有如下几个方 面。
[0006] 在服务系统的环境自适应方面；有些研究者研究了 W保证服务质量为目标的环境 自适应方法，Ste地en S.Y.等人提出了一种ASBS开发方法，当监测到QoS不满足期望值 时，采用服务替换或服务重配置调整抽象服务绑定的具体服务，进而使系统QoS满足需求； C. Valeria等人提出了一种SBS运行时自适应框架MOSES,利用为每个抽象服务建立的最优 自适应策略模型选取动作模式，从而达到最佳性能。Qian Z.等提出了一种云环境中的资源 动态优化配置框架，利用训练得到的资源模型改变资源分配，从而在满足预算约束的基础 上达到应用QoS的最优化；Kuo-化an H.等人提出了一种基于服务请求预估的动态资源配 置机制，用于确定分配给各服务的资源量，在面对变化的并发访问量时能够改善云服务系 统的性能。也有研究者研究了 W代价最小化为目标的自适应方法，化ilipp L等人WSBS 为研究对象，通过优化选取数据操作、服务重绑定和结构适应等自适应动作，使SLA违反代 价与自适应动作本身的代价之和达到最小；Lin W.W.等人提出了一种资源动态分配模式， 根据负载变化为云应用动态配置虚拟资源，从而最小化资源成本；该些研究工作多单纯从 QoS或代价优化的角度研究服务系统的环境自适应方法，且在云环境中多采取资源重新分 配实现资源调整，进而提高性能或降低代价。
[0007] 在云服务和组件服务性能建模方面：有些研究者从在线的非线性关系建模方法方 面展开了研究；Sal址、化aled等人基于排队论对云环境下的虚拟实例、负载和服务响应时 间之间关系的建模，采用马尔可夫分析模型来估算弹性云应用响应时间的方法;Wes Lloyd 等人提出了通过统计学习方法对系统资源使用情况进行系统性能建模的方法，并采用多重 线性回归方法、渐进式多重线性回归方法、多元自适应样条函数法和单隐层人工神经网络 方法对物理机资源和虚拟机资源使用数据集进行训练；也有学者提出了呵生能概要"来体现 系统低层性能指标集和相应的高层系统状态间的相互关系，通过机器学习的方法进行系统 "性能概要"的生成；Sajib Kumlu针对不同虚拟化架构下影响应用性能的关键资源因素，采 用基于人工神经网络的方法进行建模；George Kousiouris等人讨论了影响应用性能的一 些因素，使用人工神经网络对应用性能进行建模、量化及正确的预测。该些研究工作或者基 于性能和资源的对应关系、采用数学/信息论方法进行在线建模，或者采用统计学习或机 器学习方法分析实验数据或历史日志并进行离线建模，缺少对构成服务系统的组件服务间 的资源竞争、性能互扰等资源变化因素对服务性能影响研究，影响服务性能的资源变化标 识特征抽取的不够全面，性能模型中一些参数值的准确性不够。Liliana Rosa et al.等人 设计的自适应决策机制包括离线和在线两个阶段，在离线阶段生成一组自适应的规则，在 在线阶段根据当前的系统状态和策略中所定义的目标对自适应规则集合进行匹配的方式 生成自适应调整方案。
[000引现有技术对影响服务表现的因素考虑不够全面，大多都是W单一资源属性作为自 适应方案决策的衡量指标，诸如CPU利用率或内存使用率等。另外，少有在服务性能自适应 的过程中，考虑自适应优化事件触发机制上的优化。
[0009] 服务组件的服务性能自适应领域的研究一直是软件智能化服务的研究热点。通过 对服务性能自适应的研究，服务组件的稳定性和容错性将大幅上升，对服务供应商而言，其 对应的维护服务的人力成本和维护周期将显著降低，从客户的角度出发，客户的体验舒适 度也将明显提高。
[0010] 现有的服务性能自优化方法通常可W分为资源调整、服务迁移和副本部署=大 类，在资源调整层面上，WLin W.W.等人为代表的学者们提出了一种资源动态分配模式，根 据负载变化为云应用动态配置虚拟资源，从而最小化资源成本，该些研究工作多单纯从QoS 或代价优化的角度研究服务系统的环境自适应方法，且在云环境中多采取资源重新分配实 现资源调整，进而提高性能或降低代价。在服务迁移层面上，WSte地en S.Y.等人为代表的 学者提出了一种ASBS开发方法，当监测到QoS不满足期望值时，采用服务替换或服务重配 置调整抽象服务绑定的具体服务，进而使系统QoS满足需求，W C. Valeria等人为代表的学 者们提出了一种SBS运行时自适应框架M0SES，利用为每个抽象服务建立的最优自适应策 略模型选取动作模式，从而达到最佳性能。另一方面，W Sal址，化aled等人为代表的学者 们，基于排队论对云环境下的虚拟实例、负载和服务响应时间之间关系的建模，采用马尔可 夫分析模型来估算弹性云应用响应时间的方法；W Wes Lloyd为代表的学者们提出了通过 统计学习方法对系统资源使用情况进行系统性能建模的方法，并采用多重线性回归方法、 渐进式多重线性回归方法、多元自适应样条函数法和单隐层人工神经网络方法对物理机资 源和虚拟机资源使用数据集进行训练。
[0011] 但是，基于单一优化技术而生成的解决方案难W满足现有云服务组件所面对的服 务环境的多样化和服务压力的多元化的问题。该些研究工作或者基于性能和资源的对应 关系、采用数学和信息论方法进行在线建模，或者采用统计学习或机器学习方法分析实验 数据或历史日志并进行离线建模，缺少对构成服务系统的组件服务间的资源竞争、性能互 扰等资源变化因素对服务性能影响研究，影响服务性能的资源变化标识特征抽取的不够全 面，性能模型中一些参数值的准确性不够。虽然有的学者也采用了神经网络技术，来处理云 服务非线性多元化的问题，但是传统的方法效率在多维数深层据结构的表现并不理想。
[0012] 深度学习技术在是当前机器学习领域中学习效率最高的学习技术之一，但是该算 法目前多用于图像识别与音频处理该些多