本发明属于云存储资源管理领域，具体涉及一种节能控制的云资源优化分配方法。
背景技术：
云计算的可伸缩性、弹性和定制性改变了信息资源应用、运营和计算模式，从真正意义上实现了按需计算(On-demand Computing)。其中，云资源管理和云资源能耗控制是云计算重要组成部分，也是近来研究、应用热点和重点。云资源管理的结果是提高计算性能、增强资源利用率、提升信息资源交互能力以及降低资源运营成本，以实现云资源优化分配、迁移和回收；云资源能耗控制是实施节约能耗的重要手段,特别在低碳低能耗的要求下，降低云资源管理或数据中心的能耗已迫在眉睫。
信息资源管理经历了进程粒度(CPU)、服务器粒度以及当下虚拟机(VMs)粒度的云资源管理三个发展过程。VMs相比进程粒度和服务器粒度资源管理，既有较好的隔离性，又具有不错的资源利用率，还有灵活的动态分配特性；但增加了云资源的性能开销：①从外在角度主要表现在不同需求方抢占VMs所产生的资源冲突、动态迁移不确定性、性能隔离安全性等；②内部主要表现在内存虚拟化、I/O虚拟化所带来开销。这些性能开销也给云资源配置带来复杂性和难预测性，使满足服务提供与服务消费间SLA目标和QoS期望的难度大大增加，而且云服务供应商需要满足服务消费者的SLAs(Service-Level Agreements)，也要满足服务消费者应用期望的QoS(Quality of Service)，因此这个多项式关系就构成了一个难以解决的NP-hard问题。
数据中心云资源能耗控制经历了DVS/DVFS模式(CPU级)、开/关机模式(单机级)、资源池闲置控制(集群级)模式，这三种操作方式虽然小范围内实现了不同程度节能，但对整个数据中心的能源管理仍难以满足性能要求以及性能开销所带来的能源消耗。近年来，云计算下的虚拟化资源普及与应用，给能耗控制带来新的挑战和方法，但作为云资源运营的数据中心巨大电能消耗，促使了对节能管理和控制更多的关注和研究，其目的就是通过有效云资源管理来降低能耗、减少排放量，使数据中心收益最大化。
在云计算环境下，云资源不仅包括虚拟计算资源还包括网络支撑资源。云资源管理即要使能耗满足云资源利用率最大化，还要达到云服务用户对能耗的需要，主要表现在怎样在网络资源中合理进行资源动态优化分配，以来提高云资源利用率、增加云服务提供方与需求方的收益、降低资源利用成本、实现节能减排，并最终以节能的方式来控制云资源优化分配、利用以及获得收益最优化。但就目前文献来看，这方面的研究结果还比较分散；通过节能控制模型来实现数据中心与需求方间收益平衡也处于发展中。在节能控制下，满足云服务提供方与需求方收益平衡的云资源优化分配方法，满足SLA要求和QoS期望的云资源优化分配方法还处于初期探索阶段。
技术实现要素：
本发明的目的就是针对现有技术的不足，提供云资源分配在满足QoS期望及SLAs要求的情况下能够有效降低能耗的一种节能控制的云资源优化分配方法。
为实现上述目的，本发明提供一种节能控制的云资源优化分配方法，以云资源提供方与需求方最优化收益纳什平衡的收益结果作为参数通过收益反馈函数反馈到节能控制系统中，并通过云服务组合反馈函数将结果返回到收益博弈所需的云服务组合中，以SLAs保障的QoS参数为要求找到最能满足纳什均衡的云服务优化组合，当到达最优化收益平衡时，资源分配器分配资源；所述方法由节能控制系统、反馈器和资源分配器组成的时变时滞的分数阶神经网络控制系统开展资源分配，所述反馈器即收益反馈函数和云服务组合反馈函数。
具体的，所述时变时滞的分数阶神经网络控制系统如下：
CDαx(t)＝-Dx(t)+Ag(x(τ(t)))+Bf(x(t-τ(t)))+u,t∈[t0,t0+T]
其中，CDαx(t)为x(t)的Caputo型分数阶导数，表示云资源优化分配操作；x(τ(t))＝[x1(τ1(t)),x2(τ2(t)),…,xn(τn(t))]T表示在不同时变时神经元状态向量，t0为初始时刻，T为正实数，K为神经元的响应时间；τ为神经元的时滞，τ(t)是满足0≤τ(t)≤d，τ(t)≤u的时变连续函数，d和u是常量；A＝(aij)n×n，B＝(bij)n×n；aij,bij分别表示双方最优博弈收益平衡反馈权重和云服务优化组合时滞反馈权重；
D＝diag(d1,d2,…,di,…,dn)是对角矩阵，di>0,i＝1,2,…,n；
g(x(τ(t)))＝[g1(x1(τ1(t))),g2(x2(τ2(t))),…,gi(xi(τi(t))),…,gn(xn(τn(t)))]T表示在τi(t)时双方收益反馈激活函数；
f(x(t-τ(t)))＝[f1(x1(t-τ1(t))),f2(x2(t-τ2(t))),…,fn(xn(t-τn(t)))]T表示满足双方最优收益平衡的云服务组合反馈激活函数；
u＝(u1,u2,…,un)T∈Rn×n是用户需求的常输入向量。
具体的，所述以云资源提供方与需求方最优化收益纳什平衡，具体是通过以SLAs保障QoS为对象建立云资源提供方与需求方效用函数x1、x2，所述x1、x2以动态分层的激励兼容定价变量p为基础，QoS值来自对SLAs的量化，所述x1(p)表示提供方的效用，x2(p)表示需求方效用；然后在云资源提供方与需求方建立收益函数g1、g2，所述效用函数x1(p)、x2(p)分别与收益函数g1、g2是泛函关系，双方收益函数建立纳什均衡g1(x1(p))与g2(x2(p))，然后找到一组策略满足云资源提供方与需求方的最优收益平衡。
更进一步的，根据双方收益函数建立的纳什均衡g1(x1(p))与g2(x2(p))，定义弹性公式dE(p)/dτ(t)和代价数df(p)/dτ(t)来缩小均衡点搜索空间，并用仿生智能优化算法找到优化纳什均衡点，即云资源提供方与需求方的收益最优平衡。优选的，所述仿生智能优化算法为如粒子群算法。
具体的，所述以SLAs保障的QoS参数为要求找到最能满足纳什均衡的云服务优化组合，其中将所述的SLAs指标转换为QoS参数，包括但不限于可用性、吞吐率、性能、时间、成本；可用性表示云资源利用率，吞吐率指在单位带宽每秒处理业务能力，性能表示节能控制的稳定性和反馈单位迭代次数，时间由τ(t)来描述，成本由总成本减去提供方与需求方最优收益平衡时成本来描述；用QoS参数来感知云服务优化组合，采用智能启发算法确定最优的云服务组合。
本发明提供的一种节能控制的云资源优化分配方法的有益效果是：(1)本发明提出一种基于时变时滞分数阶神经网络的节能控制系统，降低闲置节点能源消耗；迁移、回收或合并长时间不被使用的资源，提高资源(如CPU、内存)利用率；(2)通过建立满足QoS期望和SLAs要求的效用函数，让需求方在激励定价下自动选择到收益最优化的云资源，且满足数据中心收益最优化；(3)该系统将满足云资源分配的SLA指标量化成QoS参数去建立云服务组合优化模型，实现了节能控制下SLA为保障来满足QoS期望的云服务组合。总体上，本发明所述方法是以云资源优化分配为重心，实现云资源提供方与需求方间的最优化收益平衡的同时满足QoS期望及SLAs要求，从而来降低能耗，有效实现节能减排、可伸缩性和弹性。
说明书附图
图1为本发明节能控制的云资源优化分配方法流程图。
具体实施方式
下面结合实施例，对本发明的实施作进一步的描述。
实施例
为更进一步阐述本发明为达成预定发明目的所采取方法,以下结合实施例,对依据本发明提出的用户原创内容的方法详细说明如下。
如图1所示，节能控制的云资源优化分配方法，其中虚线为控制流，实线为服务流，以云资源提供方与需求方最优化收益纳什平衡的收益结果作为参数通过收益反馈函数反馈到节能控制系统中，并通过云服务组合反馈函数将结果返回到收益博弈所需的云服务组合中，以SLAs保障的QoS参数为要求找到最能满足纳什均衡的云服务优化组合，当到达最优化收益平衡时，资源分配器分配资源；所述方法由节能控制系统、反馈器和资源分配器组成的时变时滞的分数阶神经网络控制系统开展资源分配，所述反馈器即收益反馈函数和云服务组合反馈函数。云资源分配时的迁移、回收和合并VMs易增加了整个环境性能开销，可能不但没有节能，反而使消耗能源增加，资源利用率下降的风险；同时也会使时延增加，出现时滞、时变现象；因此，本项目在云资源分配时，以性能开销出现的时变连续，建立一种用时变延迟的时滞系统来控制资源分配，并通过反馈控制回路将结果返回给资源分配器，来实现节能控制，降低闲置节点能源消耗。
具体的，所述时变时滞的分数阶神经网络控制系统如下：
CDαx(t)＝-Dx(t)+Ag(x(τ(t)))+Bf(x(t-τ(t)))+u,t∈[t0,t0+T]
其中，CDαx(t)为x(t)的Caputo型分数阶导数，表示云资源优化分配操作；x(τ(t))＝[x1(τ1(t)),x2(τ2(t)),…,xn(τn(t))]T表示在不同时变时神经元状态向量，t0为初始时刻，T为正实数，K为神经元的响应时间；τ为神经元的时滞，τ(t)是满足0≤τ(t)≤d，τ(t)≤u的时变连续函数，d和u是常量；A＝(aij)n×n，B＝(bij)n×n；aij,bij分别表示双方最优博弈收益平衡反馈权重和云服务优化组合时滞反馈权重；
D＝diag(d1,d2,…,di,…,dn)是对角矩阵，di>0,i＝1,2,…,n；
g(x(τ(t)))＝[g1(x1(τ1(t))),g2(x2(τ2(t))),…,gi(xi(τi(t))),…,gn(xn(τn(t)))]T表示在τi(t)时双方收益反馈激活函数；
f(x(t-τ(t)))＝[f1(x1(t-τ1(t))),f2(x2(t-τ2(t))),…,fn(xn(t-τn(t)))]T表示满足双方最优收益平衡的云服务组合反馈激活函数；
u＝(u1,u2,…,un)T∈Rn×n是用户需求的常输入向量。
数据中心云资源提供方在向需求方提供资源时，其目的是获得最大化收益，降低数据中心能耗；而需求方通过云计算模式向数据中心获取按需资源的目是有效完成自己的业务需求，并使其花费最小，以来获得最大化收益，这就构成一种典型的博弈：资源提供方与需求方都想获得最大化收益；在不同时间内，制定什么定价既能满足提供方的收益，又能满足需求方的收益和满意度成为本项目研究主要内容之一。因此，本发明根据用户偏好和双边市场机制，通过以SLAs保障QoS为标准建立云资源提供方与需求方最优化收益纳什平衡。具体的，所述以云资源提供方与需求方最优化收益纳什平衡，具体是通过以SLAs保障QoS为对象建立云资源提供方与需求方效用函数x1、x2，所述x1、x2以动态分层的激励兼容定价变量p为基础，QoS值来自对SLAs的量化，所述x1(p)表示提供方的效用，x2(p)表示需求方效用；然后在云资源提供方与需求方建立收益函数g1、g2，所述效用函数x1(p)、x2(p)分别与收益函数g1、g2是泛函关系，双方收益函数建立纳什均衡g1(x1(p))与g2(x2(p))，然后找到一组策略满足云资源提供方与需求方的最优收益平衡。
更进一步的，根据双方收益函数建立的纳什均衡g1(x1(p))与g2(x2(p))，定义弹性公式dE(p)/dτ(t)和代价数df(p)/dτ(t)来缩小均衡点搜索空间，并用仿生智能优化算法找到优化纳什均衡点，即云资源提供方与需求方的收益最优平衡。优选的，所述仿生智能优化算法为如粒子群算法。该所述的优化纳什均衡点，称为τ(t)中的不动点，当均衡点满足云资源优化分配时，则该均衡点具有唯一性，并将迭代的均衡点参数(双方收益)通过反馈函数传递到节能控制系统中操控的云服务组合，用唯一性均衡点实现云资源分配。
以上方法中，以SLAs保障的QoS参数为要求找到最能满足纳什均衡的云服务优化组合，其中将所述的SLAs指标转换为QoS参数，包括但不限于可用性、吞吐率、性能、时间、成本；可用性表示云资源利用率，吞吐率指在单位带宽每秒处理业务能力，性能表示节能控制的稳定性和反馈单位迭代次数，时间由τ(t)来描述，成本由总成本减去提供方与需求方最优收益平衡时成本来描述；用QoS参数来感知云服务优化组合，采用智能启发算法确定最优的云服务组合。
将SLAs指标转换为QoS参数，是由于云服务QoS是通过SLAs来实现的，主要集中面向云资源提供方、云服务(云计算服务)提供方、用户/租户(云资源需求方、云服务需求方)三个层次来研究SLAs保障QoS期望。即在节能控制下实现云服务组合，并在短响应时间完成按需的云资源整合，通过SLAs保障的QoS量化来实现最优化的云资源分配，且使每个用户QoS期望都能得到SLA保障。因此，设置满足云资源分配的SLA指标，并将这些指标量化成QoS参数去建立云服务组合优化模型，然后将迭代结果传递到节能控制系统中，节能控制器将反馈结果参数又传回给收益博弈所需的云服务组合中，直到找到最能满足纳什均衡的云服务为止。
本发明所建立的在节能控制下的云资源优化分配策略，通过构建时变时滞分数阶神经网络节能控制系统，在SLAs保障QoS下达到资源提供方与需求方最优博弈收益模型，并满足QoS感知最优收益的云服务优化组合模型，不仅满足了云资源提供方与需求方的最优化收益平衡，还能进一步提高了云资源利用率，实现最优化的节能减排，降低能源消耗。
以上结合对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。