一种基于服务感知的移动云网络资源分配方法与流程

本发明涉及移动云网络技术领域，具体涉及一种基于服务感知的移动云网络资源分配方法。

背景技术

在当下互联网高速发展的时代，网络的移动性成为网络发展的一个重要方面。其中，如何合理的应用有限的移动云网络资源成为研究的重点。目前，国内外许多研究团体与个人将研究的中心放在提高资源利用率，减少服务时延这两个相互影响的方面。然而，如何同时达到这两个方面的应用是研究者的最终目标。

近年来，国外以b.yang以及j.jiang为首的研究团体等设计出了多种调度算法以及应用框架来实现提高资源利用率以及减少时延的目的。但是，各种算法以及框架的应用都没有很好的权衡这两个目标间的关系，以至于资源的合理化应用仍然没有一个较好的解决方案。从单独的这两个方面来讲，资源利用率的提高需要多个作业共同利用资源；这样的方式就需要作业的挑选以及配合的过程，不可避免的就会造成时间的延迟。因此，这两个目标从理论上来讲是相对且相互影响的两个方面。

因此，研究出一种新型的资源分配方案实现提高资源利用率以及减少时延的联合应用是加速移动云网络发展的一个重要内容。

技术实现要素：

本发明的目的是针对上述存在的问题，提供一种基于服务感知的移动云网络资源分配方法。

本发明的技术方案是：一种基于服务感知的移动云网络资源分配方法，分配方案的主要内容是通过一种基于服务感知的资源分配框架来实现，所述分配框架包括用户层、请求管理层和资源提供层，所述用户层用来模拟服务请求方，所述请求管理层用来进行请求的优化管理，请求管理层包括自学习分类策略和资源共享策略，所述资源提供层用来进行基础资源的管理与分配。

进一步优化，所述自学习分类策略是通过一个具有自学习能力的分类算法来进行操作的，主要是通过位置加权和特征加权两种加权分类算法来实现最终作业的分类，根据两种加权方式的组合来最终确定其所属类型，其中作业类型包括视频类请求、文件类请求和普通请求。

进一步优化，所述自学习分类策略的具体计算步骤为：

s1、假如一个请求的url，将它分割成n段，然后组成一个一维数组l＝{l1,l2,...,ln}，随后应用公式αi＝(n-nloc)/n来计算第i个元素li的位置权重，其中，nloc为元素i所在数组l中的位置，即第i个元素，随后采用特征加权来进行元素i的二次加权，在分类之前需要根据元素类型的不同来进行映射库的扩充，用gv,gf来分别代表视频映射元素集合文件映射元素集，这两个集合共同组成了映射库元素集g＝{gv,gf}，其中，具体内容集合如下

gv＝{＜tv,video＞,＜dvd,video＞,...,＜avi,video＞}，gf＝{＜doc,file＞,＜wps,file＞,...,＜ppt,file＞}gv,gf；

s2、假设在l中具有m个元素属于gv，如fea＝{ki∈l|i＝1,2,k,m,m≤n}且用来对应表示fea中每个元素的特征权重；

s3、根据公式将位置权重以及特征权重结合起来进行最终的视频类权重βv计算；

s4、根据公式以及特征权重结合起来进行最终的文件类权重归属βf计算；

s4、根据公式β＝max{βv,βf}来进行最后作业类型归属β的计算并将作业放入对应的归属队列。

进一步优化，所述资源共享策略的主要内容是共享模式的使用，所述共享模式是一种共享资源作业处理方式，此策略承接上面的自学习分类策略并且需要不同类型的虚拟机的配合，将视频类作业与文件类作业相结合依据共享模式分配给具有高处理能力的虚拟机，将普通作业分配给具有普通处理能力的虚拟机，根据不同类型的作业来实行不同的处理方式，具体处理方式为：当视频类作业多于文件类作业的时候，虚拟机只处理一个视频类作业并且等待文件类作业，反之，虚拟机可以处理两个文件类作业；普通作业则是按照空间共享的方式交给普通类型的虚拟机进行处理。

进一步优化，根据以下两个公式来量化单个虚拟机的资源需求：

其中s∈{1,2,...,tj}，q＝(cpu,bw)，tj为虚拟机vmj的整体执行时间，cpu代表cpu资源，bw代表带宽资源，代表第s个时间间隔δt关于vmj的cpu以及带宽的利用率，是在vmj运行的情况下关于q集合资源的普通花费，是创建一个普通的vm所需要的关于q集合资源的花费，δ^q是q集合资源经过一个时间间隔δt所耗的花费。

进一步优化，根据以下公式来计算物理机hostk上所有vm在各自执行过程中的花费：

进一步优化，根据公式

来对资源分配方案进行优化，其中，是用户租用所有的vms的花费，是资源提供商所提供的所有的资源花费，从最小化tj以及提高关于cpu以及带宽来实现减少时延，提高资源利用率的目的。

进一步优化，所述请求管理层包括元素库模块、分类器模块、监督更新器模块、组合调度器模块、历史信息库模块和监视器模块，所述分类器模块用于根据元素库的信息进行综合加权分类，所述监督更新器模块用于根据历史信息库的信息来筛选更新各类元素的映射到元素库，所述组合调度器模块用于根据共享策略来进行整体的虚拟机分配与管理，所述历史信息库模块用于存储各类历史信息，以便于后续的信息分类与更新，所述监视器模块用于实时监视各类资源的使用情况以便于后续的资源调整。

本发明的有益效果为：

一、资源分配框架包含三层，其中，用户层用来模拟服务请求方，请求管理层用来进行请求的优化管理，资源提供层用来进行基础资源的管理与分配，此外，还包含两个核心策略，一为自学习分类策略，二为资源共享策略，整体框架是为了实现提高资源利用率以及减少时延并举的综合目标；

二、自学习分类策略是根据位置加权和特征加权两种加权方式的组合来最终确定其所属类型，其中位置加权法，根据人类的行为习惯，总是喜欢将比较重要的东西放在靠前的位置，因此通过位置加权的方式，可以提高分类的准确性；

三、资源共享策略的主要内容是共享模式的使用，共享模式是一种共享资源作业处理方式，此策略承接上面的自学习分类策略并且需要不同类型的虚拟机的配合，将视频类作业与文件类作业相结合依据共享模式分配给具有高处理能力的虚拟机。将普通作业分配给具有普通处理能力的虚拟机，根据不同类型的作业来实行不同的处理方式，将具有高资源需求的视频类作业与低资源需求的文件类作业相结合，共同使用高处理能力的虚拟机资源，从而提高资源的共享比例并且减少单个作业排队处理所产生的时延；

综上所述，本发明通过一个整体框架的设计来实现资源的分配，其中具体内容包含了云基础资源的共享，分配以及动态资源扩展，实现提高资源利用率以及减少时延的联合应用，加速移动云网络的发展。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的以及有益效果易于明白了解，下面结合具体实施方式，进一步阐述本发明。

一种基于服务感知的移动云网络资源分配方法，其具体实施方式为：分配方案的主要内容是通过一种基于服务感知的资源分配框架来实现，所述分配框架包括用户层、请求管理层和资源提供层，所述用户层用来模拟服务请求方，所述请求管理层用来进行请求的优化管理，所述资源提供层用来进行基础资源的管理与分配，请求管理层包括自学习分类策略和资源共享策略，所述自学习分类策略是通过一个具有自学习能力的分类算法来进行操作的，主要是通过两种加权分类算法来实现最终作业的分类，根据两种加权方式的组合来最终确定其所属类型，其中作业类型包括视频类请求、文件类请求和普通请求。

其中自学习分类策略是通过一个具有自学习能力的分类算法来进行操作的，自学习分类策略主要是通过位置加权和特征加权两种加权分类算法来实现最终作业的分类，作业类型主要分为三类，视频类请求，文件类请求和普通请求。首先根据两种加权方式的组合来最终确定其所属类型，其中，位置加权法，根据人类的行为习惯，总是喜欢将比较重要的东西放在靠前的位置，因此，通过位置加权的方式，可以提高分类的准确性；假如一个请求的url，可将它分割成n段，然后组成一个一维数组l＝{l1,l2,...,ln}，随后应用公式(1)来计算第i个元素li的位置权重，

αi＝(n-nloc)/n(1)

其中，nloc为元素i所在数组l中的位置，即第i个元素，随后，应用第二种加权方法，特征加权来进行元素i的二次加权。在分类之前需要根据元素类型的不同来进行映射库的扩充，若用gv,gf来分别代表视频映射元素集合文件映射元素集，这两个集合共同组成了映射库元素集g＝{gv,gf}，具体内容集合如下

gv＝{＜tv,video＞,＜dvd,video＞,...,＜avi,video＞}，gf＝{＜doc,file＞,＜wps,file＞,...,＜ppt,file＞}，从元素的内容来看，l中出现的tv这样的元素所代表的权重必定高于其他视频类型的元素，因此，对于l中所出现的元素的不同，要给予不同的权重；随后，根据一类权重的综合来最终判断此作业的归属，假设在l中具有m个元素属于gv，如fea＝{ki∈l|i＝1,2,k,m,m≤n}且用来对应表示fea中每个元素的特征权重，最后根据公式将位置权重以及特征权重结合起来进行最终的视频类权重计算；相应的根据上述的方法我们可以对应得到最终的文件类权重计算公式最后根据公式β＝max{βv,βf}来进行最后作业类型归属的计算，选出最大的来对应确定最后的归属，然而，当βv,βf都是0的时候，将作业归于普通请求类。

所述资源共享策略的主要内容是共享模式的使用，所述共享模式是一种共享资源作业处理方式，此策略承接上面的自学习分类策略并且需要不同类型的虚拟机的配合，将视频类作业与文件类作业相结合依据共享模式分配给具有高处理能力的虚拟机，将普通作业分配给具有普通处理能力的虚拟机，根据不同类型的作业来实行不同的处理方式，具体处理方式为：当视频类作业多于文件类作业的时候，虚拟机只处理一个视频类作业并且等待文件类作业，反之，虚拟机可以处理两个文件类作业；普通作业则是按照空间共享的方式交给普通类型的虚拟机进行处理，具体计算方法为：

用公式和来量化单个虚拟机的资源需求，其中，s∈{1,2,...,tj}，tj为虚拟机vmj的整体执行时间；q＝(cpu,bw)，其中cpu代表cpu资源，bw代表带宽资源。代表第s个时间间隔δt关于vmj的cpu以及带宽的利用率，比如，代表第s个时间间隔δt关于vmj的cpu的利用率，代表第s个时间间隔δt关于vmj的带宽的利用率，是在vmj运行的情况下关于q集合资源的普通花费，是创建一个普通的vm所需要的关于q集合资源的花费，δ^q是q集合资源经过一个时间间隔δt所耗的花费，随后，利用公式来计算物理机hostk上所有vm在各自执行过程中的花费。

从以上的分析可以看出，我们所要研究的目标可以用公式来进行优化，其中，是用户租用所有的vms的花费，是资源提供商所提供的所有的资源花费，可以从最小化tj以及提高关于cpu以及带宽来实现减少时延，提高资源利用率的目的。

进一步优化，所述请求管理层包括元素库模块、分类器模块、监督更新器模块、组合调度器模块、历史信息库模块和监视器模块，所述分类器模块用于根据元素库的信息进行综合加权分类，所述监督更新器模块用于根据历史信息库的信息来筛选更新各类元素的映射到元素库，所述组合调度器模块用于根据共享策略来进行整体的虚拟机分配与管理，所述历史信息库模块用于存储各类历史信息，以便于后续的信息分类与更新，所述监视器模块用于实时监视各类资源的使用情况以便于后续的资源调整。

以上显示和描述了本发明的主要特征、使用方法、基本原理以及本发明的优点。本行业技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会根据实际情况有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。