多云环境下云资源自动化运维的方法与流程

1.本发明涉及云资源运维技术领域，尤其涉及多云环境下云资源自动化运维的方法。


背景技术：

2.随着云技术被不断地应用于商业领域，有关云资源的管理问题正成为学术界和工业界关注的重点，并涌现出了一系列的云资源管理技术。而这些资源管理技术主要关注如何在满足用户需求的前提下，实现云资源最大利用问题。
3.云及其环境是动态变化的，为云的管理带来一系列的问题，在实际的管理过程中，主流的方法是基于云的弹性资源管理能力向用户提供运维。当前大量的研究人员从不同的角度来解决这一问题，其中主流的趋势是借助运维质量实现云资源动态的分配，因此qos的管理成为云管理中的重要组成部分，它是云实现弹性管理、负载平衡管理、资源优化提供决策的相关标准尺度。
4.针对动态的多云运维和用户需求，多云运维管理的核心问题为如何根据变化的运维有效地汇聚和组织多云运维，并根据运维的变化和用户需求自主透明地提供运维，保证应用持续稳定运行。多云运维的管理方法应该具有自主(感知变化并决策自身的行为)、灵活(适应运维及需求变化)、效用优化(快速准确地提供运维)等特点。


技术实现要素：

5.本发明提出了多云环境下云资源自动化运维的方法，包括如下步骤：步骤1，根据多云环境下云资源的各运维场中所有运维qos属性值构成初始数据矩阵，并对其进行无量纲化得到归一化矩阵码mc：；其中，所述归一化矩阵码mc的每一行则代表一个运维场中的n个运维qos属性值；步骤2，基于归一化矩阵码mc，计算多运维场集合c的运维中心po和极界pe，获取所有运维场的最大运维距离d
max
和最小运维距离d
min
，计算多运维场能级间的距离差
△
r；步骤3，基于单一运维归类算法确定每一个运维过程实际划分到的运维场，估算每一个运维过程所在运维场的索引值if；步骤4，根据多运维场集合c中的每一个运维场的势能值，形成按照势能值排序的运维场集合s={s1,s2,
…
，sj,
…
}；步骤5，计算两个运维场的总迁移延迟比；步骤6，采用自回归预测模型预测运维场迁移期间的行为模式。
6.进一步地，所述步骤2中，所述运维中心po表示为：po=(min[p1],min[p2],
…
，min[pk])；其中，[p1]则代表第一个运维场的n个运维qos属性值构成的一维矩阵，[pk]则代表第k个运维场的n个运维qos属性值构成的一维矩阵；所述极界pe表示为；pe=(max[p1],max[p2],
…
，max[pk])；计算多运维场集合c中所有的运维距离向量ds：；其中是运维场s的第i个qos属性值；是运维场中心的第i个qos属性值；n表示一个运维场的n个qos属性值。
[0007]
进一步地，所述单一运维归类算法，包括如下步骤：步骤3.1，基于运维场s的运维距离ds计算运维势能e
ps
；；其中，为势能参数；计算运维势能差：，计算第if个运维场的收缩及扩张势能值和，；；其中，为第if个运维场的运维半径；步骤3.2，将云资源s的势能e
ps
与第个运维场的平均势、高能级值和低能级作比较，确定云资源s将被划分到运维场的索引值，步骤3.2，将运维场s的势能e
ps
与第if个运维场的平均势、高能级值和低能级作比较，确定运维场s的索引值；步骤3.3，更新确定索引值的运维场s的平均势能。
[0008]
进一步地，所述步骤5中，将实时运维场迁移的收敛系数定义为两个运维场的总迁移延迟比：；
其中，t1和t2分别为两个运维场的迁移持续时间，v1和v2分别为两个运维场单位时间内传输的数据量。
[0009]
进一步地，所述步骤6中，通过时间p内的一组运维场访问次数m1,m2,
…
，m
p
和时间t白噪声的线性组合，得出周期t的运维场访问次数的预测值m
t
：；其中，为线性最小二乘估计值，为估计参数；根据线性模型的最小二乘估计方法，将上述线性方程组转换为以下三个向量：；将预测值m
t
等式改写为。
[0010]
进一步地，使用长度为n的样本数据来拟合回归模型，假设m0是一维回归模型的残差平方和，m1是一维回归模型的平方余数，回归模型分布f如下： ；长度为n的样本数据遵循f分布。
附图说明
[0011]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0012]
附图1为本发明的多云环境下云资源自动化运维的方法的流程示意图；附图2为本发明的单一运维归类算法的流程示意图；附图3为本发明的运维场迁移结构示意图；附图4为本发明的根据回归模型预测的运维场迁移与迁出次数分布图。
具体实施方式
[0013]
为了使本技术领域的人员更好地理解本技术实施例方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。
[0014]
在本发明的具体实施例附图中，为了更好、更清楚的描述系统中的各元件的工作原理，表现所述装置中各部分的连接关系，只是明显区分了各元件之间的相对位置关系，并不能构成对元件或结构内的信号传输方向、连接顺序及各部分结构大小、尺寸、形状的限定。
[0015]
如图1所示，为本发明的多云环境下云资源自动化运维的方法的流程示意图，包括如下步骤：
步骤1，抽取多云环境下云资源的多运维场集合c中的运维qos信息，获取所述运维qos信息的归一化矩阵码mc。
[0016]
其中，qos(qualityofservice，服务质量)是指一个云资源能够利用各种基础技术，为指定的网络通信提供更好的服务能力,是云资源的一种安全机制，是用来解决云资源延迟和阻塞等问题的一种技术。
[0017]
在正常情况下，如果云资源只用于特定的无时间限制的应用系统，并不需要qos，比如web应用，或e-mail设置等。但是对关键应用和多媒体应用就十分必要。当云资源过载或拥塞时，qos能确保重要业务量不受延迟或丢弃，同时保证云资源的高效运行。往往不同的云资源所提供的服务功能是不同的，即使提供相似的服务功能的云资源之间，也会由于各种原因(如，技术方式、分布地点的不同)导致他们的qos不同。
[0018]
根据多云环境下云资源的各运维场的因素真实值构成初始数据矩阵，并对其进行无量纲化得到归一化矩阵码mc，该归一化矩阵码mc中包含各运维场中所有运维qos属性值。
[0019]
；其中，归一化矩阵码mc的每一行则代表一个运维场中的n个运维qos属性值，上式的归一化矩阵码mc共有k个运维场。
[0020]
步骤2，基于归一化矩阵码mc，计算多运维场集合c的运维中心po：po=(min[p1],min[p2],
…
，min[pk])(1)；其中，[p1]则代表第一个运维场的n个运维qos属性值构成的一维矩阵，即归一化矩阵码mc的第一行，[pk]则代表第k个运维场的n个运维qos属性值构成的一维矩阵，即归一化矩阵码mc的第k行。
[0021]
运维中心po指多运维场集合c的中心点，所有多云环境下云资源的运维场都是围绕它而创建,它被表示为k元组向量，其中每一个元素代表着运维场中所有运维qos属性值的最小值。
[0022]
计算多运维场集合c的极界pe；pe=(max[p1],max[p2],
…
，max[pk])(2)；多运维场集合c的极界pe指多云环境下云资源的运维场最外层的边界，它代表着最后一级运维能级。它同样被表示为一个k元组向量，其中每一个元素代表着运维场中所有运维的qos属性值的最大值。
[0023]
计算多运维场集合c中所有的运维距离向量ds：(3)；运维距离向量ds是运维场s的qos向量ps和运维中心p0的距离。它是确定运维能级的重要指标，其中是运维场s的第i个qos属性值；是运维场中心的第i个qos属性值；n表示一个运维场的n个qos属性值。
[0024]
同时获取运维场中所有运维场的最大运维距离d
max
和最小运维距离d
min
；计算运维能级距离差
△
r：；运维能级距离差是运维场的宽度值,它描述了两个相邻运维能级的距离变化值，其中是运维场的数量。
[0025]
步骤3，确定所有运维过程所在的运维场。基于单一运维归类算法确定每一个运维过程实际划分到的运维场，估算每一个运维过程所在运维场的索引值if。
[0026]
单一运维归类算法将各运维过程划分到多云环境的相关运维场内，将运维过程的势能与某一运维场能级的值做比较，确定该运维过程所应在的运维场，如图2所示，具体包括如下步骤：步骤3.1，基于运维场s的运维距离ds计算运维势能e
ps
；（5）；其中，为势能参数。
[0027]
运维势能是运维场运维状态的指示值，它描述了运维场能级的实际计算方法，同时将运维状态转化为一个运维场可计算的数值。
[0028]
计算运维势能差：；运维势能差代表着第if个运维场的两个能级间的最大差值；计算第if个运维场的收缩及扩张势能值和，它们分别代表着第if个运维场的高能级和低能级：；；其中，为第if个运维场的运维半径。
[0029]
步骤3.2，将运维场s的势能e
ps
与第if个运维场的平均势、高能级值和低能级作比较，然后确定运维场s的索引值。
[0030]
步骤3.3，更新确定索引值的运维场s的平均势能。
[0031]
步骤4，根据多运维场集合c中的每一个运维场的势能值，形成按照势能值排序的运维场集合s={s1,s2,
…
，sj,
…
}。
[0032]
服务中断极有可能会触发位于故障的运维场的迁移，本实施例中采用了多云环境下运维场自动迁移决策步骤，实现了多云环境下云资源运维自动化的高性能和良好的负载
平衡。
[0033]
对于给定的多云环境下运维场的布置，为了维持运维场在相对稳定的环境中运行且避免高的故障率的出现，运维场的资源具有自己的稳定性阈值，这是多云环境下运维利用的上限。如果一旦超过了已建立的阈值，则必须执行一些适当的运维场迁移调度，并选择迁移时间相对较短的运维场进行迁移。
[0034]
步骤5，结合迁移时间成本模型，将实时运维场迁移的收敛系数定义为两个运维场的总迁移延迟比：；其中，t1和t2分别为两个运维场的迁移持续时间，v1和v2分别为两个运维场单位时间内传输的数据量。
[0035]
对于给定的运维场，每个运维场的迁移持续时间大小和单位时间内传输的数据量是固定的。因此，如果收敛系数较小，则运维场迁移的收敛得更快。具有较小的运维场迁移的收敛系数的运维场将有助于减少运维场迁移时的多云环境下的开销时间。
[0036]
在多云环境中，为了维持运维场在相对稳定的多云环境中运行且避免高的故障率的出现，运维场的资源具有自己的稳定性阈值，这是云资源稳定利用的上限。
[0037]
如图3所示，以三个运维场s1、s2、s3迁移结构为例，三个运维场s1、s2、s3的稳定性阈值依次增大，当运维场s1的稳定性达到阈值时，实现运维场的迁移，即运维场s1迁移到运维场s2。
[0038]
步骤6，引入了自回归预测模型，以预测运维场迁移期间的行为模式，即运维场使用情况和访问次数。
[0039]
如果在特定时间段内t内的运维场使用率和访问次数很高，则该两指标在下一个周期内保持不变或增加的概率很高。在一定程度上，我们可以通过前一周期中的运维场使用情况和用户对运维场访问次数的变化来预测在某一个t期间的运维场使用率和访问次数。
[0040]
通过收集到的一组离散的运维场访问次数，并使用这些数据来匹配自回归模型。通过时间p内的一组运维场访问次数m1,m2,
…
，m
p
和时间t白噪声的线性组合，可以得出周期t的运维场访问次数的预测值m
t
如下：；其中，为线性最小二乘估计值，为估计参数。
[0041]
假设时间序列参数是确定的，并考虑估计参数。根据线性模型的最小二乘估计方法，将上述线性方程组转换为以下三个向量：；因此，可以将上面的等式改写为。
[0042]
在多云环境中，由于运维场内存利用率的样本较多，本实施例中，使用长度为n的样本数据来拟合回归模型，假设m0是一维回归模型的残差平方和。m1是一维回归模型的平方余数，回归模型分布f如下： ；长度为n的样本数据遵循f分布。如图4所示，为根据回归模型预测的运维场迁移与迁出次数分布图。
[0043]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的运维器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如，固态硬盘(solid state disk，ssd))等。
[0044]
以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。

技术特征：
1.多云环境下云资源自动化运维的方法，其特征在于，包括如下步骤：步骤1，根据多云环境下云资源的各运维场中所有运维qos属性值构成初始数据矩阵，并对其进行无量纲化得到归一化矩阵码mc：；其中，所述归一化矩阵码mc的每一行则代表一个运维场中的n个运维qos属性值；步骤2，基于归一化矩阵码mc，计算多运维场集合c的运维中心p
o
和极界p
e
，获取所有运维场的最大运维距离d
max
和最小运维距离d
min
，计算多运维场能级间的距离差
△
r；步骤3，基于单一运维归类算法确定每一个运维过程实际划分到的运维场，估算每一个运维过程所在运维场的索引值i
f
；步骤4，根据多运维场集合c中的每一个运维场的势能值，形成按照势能值排序的运维场集合s={s1,s2,
…
，s
j
,
…
}；步骤5，计算两个运维场的总迁移延迟比；步骤6，采用自回归预测模型预测运维场迁移期间的行为模式。2.根据权利要求1所述的多云环境下云资源自动化运维的方法，其特征在于，所述步骤2中，所述运维中心p
o
表示为：p
o
=(min[p1], min[p2],
…
，min[p
k
])；其中，[p1]则代表第一个运维场的n个运维qos属性值构成的一维矩阵， [p
k
]则代表第k个运维场的n个运维qos属性值构成的一维矩阵；所述极界p
e
表示为；p
e
=(max[p1], max[p2],
…
，max[p
k
])；计算多运维场集合c中所有的运维距离向量d
s
：；其中是运维场s的第i个qos属性值；是运维场中心的第i个qos属性值；n表示一个运维场的n个qos属性值。3.根据权利要求2所述的多云环境下云资源自动化运维的方法，其特征在于，所述单一运维归类算法，包括如下步骤：步骤3.1，基于运维场s的运维距离d
s
计算运维势能e
ps ； ；其中，为势能参数；计算运维势能差：
，计算第i
f
个运维场的收缩及扩张势能值和，；；其中，为第i
f
个运维场的运维半径；步骤3.2，将运维场s的势能e
ps
与第i
f
个运维场的平均势、高能级值和低能级作比较，确定运维场s的索引值；步骤3.3，更新确定索引值的运维场s的平均势能。4.根据权利要求1所述的多云环境下云资源自动化运维的方法，其特征在于，所述步骤5中，将实时运维场迁移的收敛系数定义为两个运维场的总迁移延迟比：；其中，t1和t2分别为两个运维场的迁移持续时间，v1和v2分别为两个运维场单位时间内传输的数据量。5.根据权利要求4所述的多云环境下云资源自动化运维的方法，其特征在于，所述步骤6中，通过时间p内的一组运维场访问次数m1,m2,
…
，m
p
和时间t白噪声的线性组合，得出周期t的运维场访问次数的预测值m
t
：；其中，为线性最小二乘估计值，为估计参数；根据线性模型的最小二乘估计方法，将上述线性方程组转换为以下三个向量：；将预测值m
t
等式改写为。6.根据权利要求5所述的多云环境下云资源自动化运维的方法，其特征在于，使用长度为n的样本数据来拟合回归模型，假设m0是一维回归模型的残差平方和，m1是一维回归模型的平方余数，回归模型分布f如下：；长度为n的样本数据遵循f分布。

技术总结
本发明提出了多云环境下云资源自动化运维的方法，根据多云环境下云资源的各运维场中所有运维QoS属性值构成初始数据矩阵，并对其进行无量纲化得到归一化矩阵码Mc：基于归一化矩阵码Mc，计算多运维场集合C的运维中心P


技术研发人员：沈力 朱义元
受保护的技术使用者：北京华创方舟科技集团有限公司
技术研发日：2022.04.24
技术公布日：2022/5/25