【摘要】：自適應(yīng)的調(diào)整云應(yīng)用所占用的資源是一種有效的保障云應(yīng)用性能的方法,但傳統(tǒng)的決策方法面向基于服務(wù)的系統(tǒng)(Service-Based System,SBS)時會存在一些問題,例如基于應(yīng)用系統(tǒng)性能模型的決策方法不能很好適應(yīng)云環(huán)境下SBS的動態(tài)變化,基于智能優(yōu)化算法的決策方法效率較低.該文提出了一種基于強化學(xué)習(xí)的SBS云應(yīng)用自適應(yīng)性能優(yōu)化方法.在該方法中,該文建立了自適應(yīng)基本要素之間相互關(guān)系的特征描述框架,利用高層次的系統(tǒng)行為指標(biāo)(如響應(yīng)時間、用戶并發(fā)量、資源量等)來描述系統(tǒng)性能的優(yōu)化目標(biāo)等.為了應(yīng)對云環(huán)境以及SBS的動態(tài)變化,該文的方法采用了無模型(model-free)的在線學(xué)習(xí)算法,當(dāng)用戶并發(fā)量發(fā)生變化導(dǎo)致系統(tǒng)的預(yù)期行為發(fā)生偏差時,該方法通過不斷重復(fù)"執(zhí)行-積累-學(xué)習(xí)-決策"的過程,可以不斷的積累經(jīng)驗數(shù)據(jù)并優(yōu)化決策結(jié)果.為了保證自適應(yīng)優(yōu)化的高效性,該文提出了一種引導(dǎo)算子,可以有效的縮小候選自適應(yīng)動作的范圍,提高算法的學(xué)習(xí)效率.該文實現(xiàn)了以一個SBS為例的原型框架,使用該框架的實驗結(jié)果證明了該文提出方法的有效性.
[Abstract]:Adaptive adjustment of the resources consumed by cloud applications is an effective way to ensure the performance of cloud applications, but there are some problems when traditional decision methods are oriented to Service-Based system. For example, the decision method based on the application system performance model can not adapt to the dynamic change of SBS in the cloud environment, and the efficiency of the decision method based on intelligent optimization algorithm is low. This paper presents an adaptive performance optimization method for SBS cloud applications based on reinforcement learning. In this method, a feature description framework of the relationship between adaptive basic elements is established, and high-level system behavior indicators (such as response time, user output, resource, etc.) are used to describe the optimization objectives of system performance. In order to cope with the dynamic changes of cloud environment and SBS, this paper adopts an online learning algorithm without model (model-free). When the user and output changes cause the expected behavior of the system to deviate. By repeating the process of "execution-cumulation-learning-decision", the method can continuously accumulate empirical data and optimize the decision results. In order to ensure the high efficiency of adaptive optimization, this paper proposes a guidance operator, which can effectively reduce the range of candidate adaptive actions and improve the learning efficiency of the algorithm. A prototype framework based on SBS is implemented in this paper. The experimental results show that the proposed method is effective.
【作者單位】： 東北大學(xué)計算機科學(xué)與工程學(xué)院;
【基金】：國家自然科學(xué)基金(61572117,61300019,61370155) 省科技項目攻關(guān)項目(2015302002) 中央高校東北大學(xué)基本科研專項基金(N140406002,N150404008)資助~~
【分類號】：TP393.09

【參考文獻】

相關(guān)期刊論文 前3條

1 趙秀濤;張斌;張長勝;;一種基于服務(wù)選取的SBS云資源優(yōu)化分配方法[J];軟件學(xué)報;2015年04期

2 丁博;王懷民;史殿習(xí);;構(gòu)造具備自適應(yīng)能力的軟件[J];軟件學(xué)報;2013年09期

3 孫大為;常桂然;陳東;王興偉;;云計算環(huán)境中綠色服務(wù)級目標(biāo)的分析、量化、建模及評價[J];計算機學(xué)報;2013年07期

【共引文獻】

相關(guān)期刊論文 前10條

1 葛承壟;朱元昌;邸彥強;胡志偉;孟憲國;;裝備精確維修平行仿真系統(tǒng)及關(guān)鍵技術(shù)研究[J];現(xiàn)代防御技術(shù);2016年06期

2 郭軍;閆永明;馬安香;張斌;;云環(huán)境下基于冷點虛擬機遷移的熱點消除方法[J];清華大學(xué)學(xué)報(自然科學(xué)版);2016年11期

3 陸超澤;曾國蓀;;網(wǎng)絡(luò)化軟件自適應(yīng)動態(tài)演化技術(shù)的趨勢分析[J];同濟大學(xué)學(xué)報(自然科學(xué)版);2016年10期

4 張照勝;陳平;李澤X;李蜀瑜;;移動云環(huán)境下的應(yīng)用分流系統(tǒng)[J];華中科技大學(xué)學(xué)報(自然科學(xué)版);2016年S1期

5 任偉建;朱珊;霍鳳財;;基于Petri網(wǎng)和定制技術(shù)的油田檔案管理系統(tǒng)設(shè)計[J];吉林大學(xué)學(xué)報(信息科學(xué)版);2016年05期

6 李迎娟;呂艷華;郭文秀;;基于綠色計算的醫(yī)院信息化建設(shè)生態(tài)系統(tǒng)構(gòu)建[J];醫(yī)學(xué)信息學(xué)雜志;2016年08期

7 林一;劉越;王涌天;賀長宇;;一種增強現(xiàn)實分場景推送情景感知服務(wù)的方法[J];軟件學(xué)報;2016年08期

8 韓珂;蔡小波;容會;向麗萍;;云計算環(huán)境中能效評估方法[J];計算機系統(tǒng)應(yīng)用;2016年07期

9 王常君;;不完全信息下云會計服務(wù)定價策略研究[J];現(xiàn)代商業(yè);2016年16期

10 徐小平;;基于混合優(yōu)化算法的云計算資源分配問題探討[J];信息與電腦(理論版);2016年07期

【二級參考文獻】

相關(guān)期刊論文 前10條

1 師雪霖清華大學(xué)計算機科學(xué)與技術(shù)系 清華信息科學(xué)與技術(shù)國家實驗室(籌);徐恪;;云虛擬機資源分配的效用最大化模型[J];計算機學(xué)報;2013年02期

2 程芳權(quán);彭智勇;宋偉;王書林;崔一輝;;云環(huán)境下一種隱私保護的高效密文排序查詢方法[J];計算機學(xué)報;2012年11期

3 李偉;虎嵩林;劉冬梅;李錦濤;;云計算環(huán)境下基于社區(qū)聚集的綠色消息系統(tǒng)[J];計算機學(xué)報;2012年06期

4 李強;郝沁汾;肖利民;李舟軍;;云計算中虛擬機放置的自適應(yīng)管理與多目標(biāo)優(yōu)化[J];計算機學(xué)報;2011年12期

5 王珊;王會舉;覃雄派;周p，

本文編號：2194517