务的请求分配方法中，本发明算法 与其他算法在不同指标上的对比图；
[0036] 图9为根据本发明实施例的一种面向云视频服务的请求分配方法中，本发明算法 与静态资源提供策略的对比图。 图10为根据本发明实施例的一种面向云视频服务的请求分配方法中，本发明算法1的 算法流程图。
【具体实施方式】
[0037] 为使本发明的目的、技术方案和优点更加清楚明白，下面将结合本发明实施例中 的附图，对本发明实施例中的技术方案进一步进行清楚、完整、详细地描述。显然，所描述的 实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域 普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
[0038] 互联网视频内容分发主要平台包括大型的内容分发网络（Content Delivery Network，⑶N)，利用⑶N通常需要与⑶N服务商协商并付出相对较高的部署代价。P2P (Peer to Peer)系统需要最小的基础设施，但是会因不稳定环境下大量视频数据请求导致视频启 动延迟问题。云数据中心提供了一种专门的基础设施，以及一种便利的即付即用模型来提 供视频服务，使得其在视频内容分发领域越来越受欢迎。除内容分发能力之外，云数据中心 还为视频处理提供了计算资源。
[0039]云中的请求调度和资源分配问题可以分为基于云提供商和云用户两个方面。目 前，已经有一些关从云提供商方面考虑调度策略的工作。对于单个数据中心来说，提供资源 利用率与公平性常常是学者关注的问题；对于多数据中心来说，也有学者提出通过调度策 略平衡各地理分布的数据中心用电来最小化运行代价。而从用户角度考虑，调度策略主要 考虑如何减小资源租用花费以及满足用户的性能要求。现有技术通常采用基于队列的数据 结构将用户请求调度至服务器中，用户请求通过随机或轮询，并以最短队列、最大利润为目 的方式分配至服务器维护的队列中。这些调度策略通常假设固定的服务器数量以及固定的 服务能力。当VSP利用云来提供服务时，服务器的数量以及每个服务器的能力可以按需伸 缩。有文献考虑了基于虚拟化技术的服务器弹性计算能力，提出了自适应的请求分配和服 务能力伸缩机制以应对请求闪聚问题。我们的工作更进一步考虑了用户具有不同的时间 响应需求的场景。一些文献在进行调度决策时考虑了虚拟机租用代价与存储代价。然而，这 些工作通常假设未来请求服从某种分布或需要特定的算法来预测负载，导致实用性不强。 另外，在研宄时通常将请求分配与资源提供这两方面分开考虑，不利于获得最优决策。
[0040] 对于VSP来说，地理分布的多数据中心形成了内容分发网络。有文献考虑了此情 况下的请求调度问题，这些调度策略考虑了不同数据中心的不同价格以及服务这些请求的 可容忍延迟。Wang等人研宄一种以较细粒度的方式动态调整资源租用数量的方法，以适应 请求的变化；He等人研宄了不同类型VM数量的最优化以满足动态用户需求的问题。然而， 这些系统没有考虑不同的服务类型以及不同服务所需要的不同QoE水平。
[0041]由于李雅普诺夫优化技术不需要对未来状态进行预测，在动态系统研宄方面被广 泛应用。Urgaonkar等人将其引入以解决请求准入以及资源分配问题；Yao等人将李雅普 诺夫传统模型由单时间尺度扩展至双时间尺度，以减小地理分布数据中心的能耗；mi等人 也将此框架用于多媒体服务的资源管理。然而，这些工作从云服务提供商的角度考虑问题， 并在物理服务器粒度上进行资源分配。我们应用此技术并从VSP视角解决用户请求动态问 题。而且，我们利用李雅普诺夫方法研宄了多服务、异构QoE需求的场景。
[0042] 我们的工作不同于现有的工作主要集中在以下几个方面：首先，我们从VSP视角 解决请求分配问题同时考虑资源供给问题。其次，由于采用了李雅普诺夫技术，我们的方 法不依赖于对未来用户需求的预测也不需要假设负载服从某种已知的分布。另外，就多数 据中心、多服务、以及异构QoE来讲，我们设计了一个比现有方法更通用的模型来处理此问 题。
[0043] 根据本发明的实施例，提供了一种面向云视频服务的请求分配方法。
[0044] 如图1所示，根据本发明的实施例提供的面向云视频服务的请求分配方法包括：
[0045] 步骤S101，从云视频服务系统中获取系统参数；
[0046] 步骤S103,根据系统参数获得最小花费函数与优化约束；
[0047] 步骤S105,使用李雅普诺夫优化框架获得最小花费函数的位移-惩罚函数及其上 界；
[0048] 步骤S107,从位移-惩罚函数中的上界中提取出与请求分配有关的部分并计算出 请求分配方案。
[0049] 其中，根据系统参数获得最小花费函数与优化约束，为使用系统参数描述租用花 费与体验质量水平，并根据租用花费与体验质量水平描述最小花费函数与优化约束。
[0050] 并且，从云视频服务系统中获取系统参数包括数据中心集合、服务类型集合、虚拟 机类型集合、某时刻某数据中心为某服务租用某类虚拟机的数量数组、以及某时刻某数据 中心中某类虚拟机的价格数组；使用系统参数描述租用花费，为使用该两数组之积对数据 中心集合、服务类型集合与虚拟机类型集合分别求和描述租用花费。
[0051] 同时，从云视频服务系统中获取系统参数包括用户对某服务的可容忍延迟、以及 用户从该服务可获得的最大体验质量水平；使用系统参数描述体验质量水平，为根据用户 对某服务的可容忍延迟、某时刻某数据中心中某服务实际延迟、以及用户从该服务可获得 的最大体验质量水平使用一个有门限阈值的线性测量方法来描述体验质量水平。
[0052] 并且，从云视频服务系统中获取系统参数包括数据中心集合、服务类型集合、虚拟 机类型集合、用户区域集合、某时刻分配至某数据中心的某类服务请求集合、某用户到某数 据中心的距离、某时刻某用户的某服务请求分配至某数据中心的个数、某时刻某数据中心 某类未完成服务请求集合；某时刻某数据中心中某服务实际延迟，为该时刻该用户的该服 务请求分配至该数据中心的个数与该用户到该数据中心的网络延迟之积在用户区域集合 上求和的值，加上该时刻该数据中心的队列延迟在该时刻分配至该数据中心的该类服务请 求集合上求和的值；其中，该用户到该数据中心的网络延迟与该用户到该数据中心的距离 成正相关性，该时刻该数据中心的队列延迟与该时刻该数据中心该类未完成服务请求集合 大小成正相关性。
[0053] 同时，根据租用花费与体验质量水平描述优化约束，为根据租用花费与体验质量 水平确保某时刻分配给所有数据中心的服务请求与系统中产生的请求相等、确保被分配的 虚拟机数量不超过数据中心所能提供的数量、确保所有用户服务请求至少应达到最小体验 质量水平，并根据上述3个确保条件描述优化约束。
[0054] 另外，从云视频服务系统中获取系统参数，包括某时刻某数据中心某类未完成服 务请求集合，使用李雅普诺夫优化框架获得最小花费函数的位移-惩罚函数及其上界，具 体包括：
[0055] 根据最小花费函数与优化约束、与某时刻某数据中心某类未完成服务请求集合， 描述某时刻某数据中心某类未完成服务请求的实际队列；
[0056] 根据最小花费函数与优化约束，为某数据中心某服务构建一虚拟队列，描述某时 刻某数据中心用户体验质量水平的变化情况；
[0057] 根据实际队列与虚拟队列使用李雅普诺夫优化框架构建李雅普诺夫函数；
[0058] 根据李雅普诺夫函数计算获得m时隙李雅普诺夫位移与位移-惩罚函数；
[0059] 计算位移-惩罚函数的最小上界。
[0060] 并且，从位移-惩罚函数中的上界中提取出与请求分配有关的部分并计算出请求 分配方案，为从位移-惩罚函数中提取出请求分配有关的部分并计算最小权重问题获得某 时刻某用户的某类服务请求分配至某数据中心的数量数组，某时刻某用户的某类服务请求 分配至某数据中心的数量数组即为请求分配方案。
[0061] 下面根据具体实施例进一步阐述本发明的技术方案。
[0062] 我们首先描述并形式化系统模型。图2示出的是在本发明的一个系统模型实施例 中，多个用户群、VSP、多个数据中心与多个虚拟机的从属与连接关系图。在如图2所示的应 用场景中，属于多个云服务提供商的数据中心分布在不同的地理位置，并运行不同类型的 视频服务；来自不同区域的用户可以在任何时间从VSP获取不同类型服务，诸如视频流、转 码等。这些VSP没有自己的数据中心而是租用来自于云服务提供商的虚拟机资源。一旦视 频服务提供商接收到用户请求，则会根据QoE要求以及执行代价将其动态地调度至最优的 数据中心，并考虑不同地区、不同数据中心的不同价格。
[0063] 我们将模型形式化中出现的数学符号归纳如下表所示：
[0066] 设D为地理分布的数据中心集合，大小为D = |D|，索引为d(l〈d〈D);每个数据中 心提供C类服务，记之为C(即C= |C|)，索引为c(l〈c〈