关注用户服务评价反馈的云资源再分配的几个手

摘要：针对以往关于云资源管理分配的研究中多从云运营商的角度出发，未充分利用用户评价来改善资源决策能力的问题，提出了一种关注用户服务评价反馈的资源再分配方法。首先，通过分析云中心资源分配的过程，抽取出影响资源决策的要素，提出关注用户服务评价的自适应云资源分配框架；其次，阐明用户服务评价参与云资源管理的基本原理，建议一种用户服务满意度的量化度量；最后，基于相似性理论，预测用户对新任务的期望满意度，合并用户任务参数以及当前环境参数，作为BP神经网络的输入，进行资源分配方案的决策。在和无用户评价参与的资源分配方案比较的仿真实验中，其平均用户满意度提高了7.4%，保持在0.8以上，总体呈稳定上升趋势；与MinMax算法、云任务与云资源满意婚配（CTRSM）算法比较，平均用户满意度分别提高了16.7%和4.6%。实验结果表明关注用户服务评价反馈的资源再分配方法是能够自我完善的，能够提高云资源自适应管理的能力。
　　关键词：云计算；资源再分配；用户评价；自适应；神经网络
　　中图分类号： TP338； TP391 文献标志码：A
　　Abstract： Concerning the problem that previous studies mostly consider from the resource providers perspective， and users evaluations have not been fully utilized to improve the resource decision making ability， this paper proposed a resource reallocation method focusing on the users evaluation feedback. First， through analyzing the process of cloud resource allocation， several factors influencing decisionmaking were defined， and an adaptive cloud resource management framework with users involvement was proposed. Next， the main idea of method of resource reallocation with users involvement was elaborated， and a formula was designed to guide users evaluation. Finally， based on similarity theory， the users expected satisfaction of a new cloud task was predicted. Together with the cloud task parameters and environment parameters， it was used to be the input of BP （Back Propagation） neural network to make the resource allocation decision. In the comparison experiments with the allocation scheme without users involvement， the average users satisfactory of the proposed scheme increased by 7.4%， maintained at more than 0.8， showed a steady upward trend. In the comparison experiments with MinMax algorithm and Cloud TasksResources Satisfactory Matching （CTRSM） algorithm， its average users satisfactory increased by 16.7% and 4.6% respectively. The theoretical analysis and simulation results show that the cloud resource reallocation method focusing on users evaluation is selfimproved， and it can improve the adaptive ability of cloud resource management.
　　Key words： cloud computing； resource reallocation； user evaluation； selfadaptive； neural network
　　0 引言
　　云计算通过互联网以服务的方式向用户提供动态可伸缩的IT资源，通常包括基础设施即服务（Infrastructure as a Service， IaaS）、平台即服务（Platform as a Service， PaaS）和软件即服务（Software as a Service， SaaS）。但在这些研究中，用户评价多被用于从众多可用服务中选择高可信高可用的服务，影响不到既定的资源分配策略。
　　尽管云计算后期较成熟的云资源管理更多关注了资源分配的总效用和更多的SLA参数[9-10]，但一般是一些离线的解决方案。目前，常见的动态资源管理往往通过反馈控制来实现，但这些都是在已知的多个任务间进行的一种资源分配控制，无法应对云中心任务到达的随机性。林军等[11]采用神经网络PID控制的自适应资源分配，以求解任务间公平服务质量为目标，在线调整资源分配，但针对的是有限资源开放式系统，本质上仍然是多个任务间资源的调配调配问题。杨文军等[12]提出了领域自适应的Web服务评价模型，通过动态定制不同领域的服务评价因子以及权重来提高服务评价的精确性，但没有对服务评价结果进行进一步的使用。目前几乎没有研究将用户服务评价与自适应资源分配策略的制定相结合。
　　综合以上，本文提出一种关注用户服务评价反馈的云资源再分配方法，充分利用宝贵的用户意见，合理确定新任务到达时的用户评价预期，通过反馈神经网络来来自适应地持续保持改善云资源分配决策能力，持续改善云平台资源分 配方案。
　　1 用户服务评价反馈的资源分配框架
　　1.1 云资源自适应再分配框架
　　云资源的服务过程包括：用户将任务提交给云中心，约定服务水平协议SLA，云中心为任务分配合适的计算资源，执行任务，提交结果给用户，对比用户任务需求和约定的SLA，用户反馈对服务的意见和建议。本文充分关注用户服务评价反馈意见，将前期用户评价融入到后续任务的资源分配策略的制定过程中，其资源管理框架如图1。
　　该模型框架主要包括用户、云中心资源和云资源决策调度中心。用户，通过提交任务请求以及约定的SLA体现其对资源服务的期望，通过服务评价发挥其对改善资源管理的宝贵建设作用。云中心资源状态一直处于动态变化中，具体某个资源性能的发挥受整个云资源环境影响。云资源决策调度中心，负责接收分析用户的任务请求参数，给出可以获取高用户评价的资源分配方案，完成用户任务。其中运行监控模块和资源状态收集模块记录云环境中物理资源和总体资源环境的状态信息；用户评价处理模块通过分析已有资源分配方案的用户评价，确定出合理的资源分配要达到的用户评价期望值；自适应资源再分配模块决策出资源分配方案参数；资源选择模块匹配出最适合任务执行的资源，调度模块调度执行任务；最后将运行结果提供给用户，用户通过对比任务请求、SLA承诺和服务结果，给出一个综合使用体验，向云中心真实反馈服务评价，为后续的用户任务进行资源决策提供参考，进而构成一个自适应的、持续完善的资源分配机制。
　　1.2 云资源分配决策要素
　　1.2.1 用户任务请求
　　根据目前云计算、云服务的情况，用户请求一般是独立任务，颗粒度较大的任务。而颗粒度大的任务总是可以变成独立任务。为此，本文研究的用户任务请求是云平台中的独立任务，其形式化定义如下。
　　定义1 云任务T。指来自用户的，请求云平台提供计算、存储、带宽等资源完成任务、具有QoS（Quality of Service）质量参数要求的用户应用，可用一个五元组T表示，T=（λ，w，d，τ，c）。
　　其中：λ是指任务的计算类型，影响着多种资源之间的分配比例；w是云任务的计算负载量；d是云任务执行完成的精度要求；τ是用户要求的任务完成时间；c是任务完成的预算费用。
　　1.2.2 云计算环境
　　本文用云资源节点来描述单个物理计算节点的资源情况，用云资源环境来描述云中心整体资源情况。虚拟化技术使得一个云资源分配方案的制定在根本上取决于云中心整体资源的可用情况，而单个资源节点则是虚拟机的载体。为了描述方便，仅选取资源CPU、内存、带宽作为资源的性能参数，外部存储等其他资源，可以作类似的处理。
　　定义2 云资源节点P。指参与计算处理的服务器、计算机以及在此上面建立的虚拟机，对外提供CPU、内存、带宽等多种计算资源，又称为计算节点，本文用一个五元组表示，P=（λ，v，m，b，c）。
　　其中：λ是资源节点类型；v是指可用CPU的处理能力，单位为GFLOPS；m指可用存储能力，单位为Mb/s；b指可用网络带宽，单位为Mb/s；c为云资源节点价格。
　　定义3 云资源环境E。指某个时刻影响到资源决策的整个云中心可供分配的资源总量，用向量E表示，E=（n，vsum，msum，bsum），其中：n为系统中总的可用资源总资源个数，vsum、msum、bsum分别表示目前系统中总的可用计算能力、存储能力、网络带宽等。
　　1.2.3 用户服务评价
　　用户任务请求通过云平台执行完成之后，接收云服务结果，对比SLA约定，用户对本次云服务质量和好坏有一种主观的感受，本文建议一种量化的度量。
　　定义4 用户服务满意度r。根据用户请求，参照SLA约定，对一次云计算服务结果进行理性评价，用r表示云服务的综合满意度，r∈[0，1]，r=1表示非常满意，r=0表示不满意，r取不同值，表示不同的满意程度。　用户服务评价无论满意还是不满意都是对云资源分配和管理持续改进的宝贵建议。接下来将讨论如何利用用户评价，如何学习先前的资源分配策略中的经验和不足，以及如何让其在后到达任务的资源分配方案制定发挥作用，作到持续改善云资源分配决策能力，提高资源决策的自适应性。
　　2 用户服务评价参与的自适应持续改善的资源分配思想
　　2.1 用户服务评价参与资源分配的主要思想
　　2.1.1 研究动机
　　用户服务评价体现出用户个性化的服务追求，及其对具体云资源环境下资源分配效果的理性判断，用户服务评价的好坏直接关系着一个云平台的发展。而云计算环境下一个显著特点是用户需求多样化、资源环境动态变化，同样的资源分配方案不同的用户会给出不同的评价，即便是同一个用户，在不同的云资源环境下对同一资源分配方案也会有不同的使用感受。把握用户使用体验，不断学习把握已有的资源分配方案与用户服务评价反馈之间的关系，根据资源环境和具体用户任务需求进行用户服务评价预期，将使得云系统的资源决策能力不断提高完善，最终自适应地进行资源分配决策。为此，有必要增加用户评价作为一个重要因素，使用户参与到资源分配方案的制定过程。对于云平台而言，每一次任务资源分配，都体现出云平台的资源管理策略。每次任务和资源分配的结果都是确定的、已知的，并且可以记录和保持，可供今后参考和使用，因此用户的服务体验是可以把握的。
　　假定云平台的第i次的资源分配决策fi，可以吸取此前的资源分配决策f1， f2，…， fi-1此处的下标“i-k”，是否应该  本文由WwW. 提供，第一 论 文 网专业写作教育教学论文和毕业论文以及发表论文服务，欢迎光临为“i-1”？以便与式（1）中的表达相一致，请明确。的经验，随着i值的增大，通过逐次的迭代学习， fi变得逐渐完善，从而在有任务Tnew进入云系统时，根据用户的任务需求和可用资源环境Enew，以及云平台期待获得的用户评价re，自适应地决策出最适合任务执行的资源分配方案Snew，过程形式化如式（1）：
　　用户服务质量满意度是用户感觉状态的一种水平，来源于用户对服务结果与自己期望所进行的对比，不仅仅是用户对服务质量、价格等方面的直观满意，更深层次是服务与用户期望、要求等相吻合的程度，因而产生了用户对服务的不同满意程度。
　　2.1.2 云服务满 意度的量化评价
　　通常来说，用户任务完成得又好、又快、收费又便宜是用户最高的期待。所谓好，是指任务执行完成的精度越高越好；所谓快，是指在用户指定的任务截止期限内越快越好；所谓便宜，是指在满足完成精度和响应时间的前提下，收费越合理越好。服务结果好是最基本的要求，在此基础上才能追求快速度和低成本。处理速度和收费之间则存在一定的正向依赖关系，而单纯的价格便宜但服务结果不好或者速度达不到要求，都可能带来不好的用户体验，因此用户服务满意度是对三方面综合体验给出的一个评价，接下来建议一种用户满意度评价量化度量，以期评价更理性客观。
　　假设针对云任务T=（λ，w，d，τ，c），云平台对该任务进行计算，反馈给用户的服务结果为G=（d′，τ′，c′），其中：d′为运算结果实际精确度，τ′为云系统实际完成任务截止时间，c′是系统收费。用户服务满意度评价如式（2），主要思想是任务完成精度越高，评价越高，任务完成时间越短越好，评价越高，评价值均在[0，1]区间；系统收费与用户预算完全符合时评价最高，取值为1，本文假定任务低于预算的任务完成效果的可信度较低，并不提高其用户满意度，评价值在[0，1]区间。
　　2.1.3 用户服务评价对资源决策的影响分析
　　用户评价ri是在按照资源分配方案Si服务完成后给出的。但从另一个角度考虑，可以认为是资源分配方案Si在特定的用户请求Ti，资源环境Ei下，为了追求用户评价ri而给出的资源分配策略fi。遗憾的是，由于用户任务请求和资源环境参数的千变万化，根本无法用一个固定的函数关系表达Ti，ri，Ei与Si之间的复杂关联关系，因此，如何将用户评价融入到资源分配中来，就存在以下问题：1）如何寻求一种方法无限逼近这样的一种关联关系；2）如何参考已有用户评价的资源分配方案；3）尽管希望评价越高越好，但由于受制于资源和用户请求多方面因素的影响和约束，需要确定一个合适的预期用户评价值。为解决以上问题，本文提出基于神经网络的自适应持续改善资源分配机制。
　　2.2 自适应持续改善的神经网络资源分配模型
　　由于用户任务请求和资源环境参数的千变万化，根本无法用一个固定的函数关系表达Ti、ri、Ei与Si之间的复杂关联关系。而神经网络恰恰针对这一类问题提出了很好的解决方法，具有良好的输入输出映像特性，能够充分逼近任意复杂的非线性函数关系。为此，本文利用BP（Back Propagation）神经网络来进行云资源再分配，如图2所示。
　　当第一个云任务T1到达时，由于没有可以参考的用户评价，本文设定用户评价期望值re=0.5，即寄希望于之后的资源分配都会在此基础上有所改善。任务完成以后，用户会给出服务评价r1。这样，〈T1，r1，E1，S1〉就构成了神经网络一个新的学习样本数据。尽管在神经网络的建立初期，可能资源分配不尽如人意，但随着学习实例的增多，不断有新任务Ti到达，每一次决策都会参照此前完成的资源分配的用户评价确定决策用的用户评价期望值re，在任务执行之后，〈Ti，ri，Ei，Si〉也成为学习样本数据，可再次参与到此后的资源分配决策中去。神经网络不断地学习已有资源分配方案的经验和教训，从而使资源决策越来越完善。
　　对于反馈神经网络而言，隐含层神经元的个数是影响神经网络性能的重要因素，将隐含层的神经元个数设定为2n+1，其中n表示输入层神经元的个数，是T、r、E中影响资源分配的因素的个数和。输出层神经元的个数由要得到的输出个数决定，输出向量S描述了资源分配方案中的参数。神经网络的输出可以通过式（3）[13]来计算：　　其中：xi表示第i个输入层神经元的输入，i=1，2，…，n；uj表示第j个隐含层神经元的输出， j=1  本文由WwW. 提供，第一 论 文 网专业写作教育教学论文和毕业论文以及发表论文服务，欢迎光临，2，…，2n+1；yk表示第k个输出层神经元的输出，k=1，2，…，m；ωij此处的ωij？是w，还是ω？请明确。、θj和f分别表示隐含层到输出层输入层到隐含层此处是否应该是“输出层到隐含层”？请明确。的权值、阈值和激活函数；ωjk此处的ωij？是w，还是ω？另外，其下标是ij，还是jk？以便与式（3）中的第2个表达式相一致，请明确。、θk和g分别表示隐含层到输出层的权值、阈值和激活函数。
　　接下来讨论神经网络的参数设定、训练和使用。
　　3 基于神经网络用户评价参与的资源再分配方法
　　资源分配的神经网络是不断自适应学习和完善的，学习训练的数据来源于已完成的任务、资源分配结果和用户评价。训练样本可以表示为训练对（Xi，Yi）（i=1，2，…），其中：Xi为训练输入向量，Yi为训练输出向量。
　　3.1 神经网络学习阶段样本数据
　　3.1.1 训练样本输入数据的获取
　　用户向系统提交任务时，对任务的描述和期待在通过与云提供商签订SLA协议的时候得到专业的解释和确定；之后按照一定的资源分配策略进行资源分配，分配资源的数据都记录在云平台的资源管理模块中，其后调度模块运行任务，系统监控执行过程中的资源状态和任务执行情况，监控数据可以从各个管理模块提取。在服务完成后，云平台提供用户评价接口，收集并保存用户评价反馈信息。
　　神经网络输入的3个方面参数量化计算如下。
　　1）云任务T=（λ，w，d，τ，c）参数的量化计算。
　　x1表示任务计算类型λ，用数字1，2，…表示不同的任务类型。
　　x2表示任务工作量w，用应用程序的负载作为任务的工作量，应用程序本身占用的资源包括在资源分配用量中。
　　x3表示任务完成的精度要求d，由用户输入，是一个百分比数。
　　x4表示任务完成时间τ，由用户输入，根据处理的数据量和对系统处理速度的期望确定。
　　x5表示任务完成的预算费用c，由用户输入，用户多是将传统任务迁移到云中心，可参考传统计算资源的使用等情况确定预算。
　　2）云资源环境E=（n，vsum，msum，bsum）参数的量化计算。
　　x6表示目前可用的云资源个数n，通过统计系统当前可用的资源节点确定。
　　x7表示目前系统中总的可用CPU能力vsum，通过统计系统当前每个资源 节点可用CPU确定。
　　x8表示目前系统中总的可用内存msum，通过统计系统当前每个资源节点可用内存确定。
　　x9表示目前系统中总的可用带宽bsum，通过统计系统当前每个资源节点可用带宽确定。
　　3）云服务满意度的量化计算。
　　x10表示用户综合评价r的量化计算，参照2.1.2节。
　　综合以上，神经网络的输入向量记为X，X=〈x1，x2，x3，x4，x5，x6，x7，x8，x9，x10〉。
　　3.1.2 训练样本输出数据的确定
　　首先通过监控运行模块监控任务执行过程，可以获取CPU峰值速度、内存大小以及通信带宽，分别为：
　　y1表示CPU主频值v，取任务执行时的CPU峰值速度。
　　y2表示内存大小m，取任务执行时的最大内存占用量。
　　y3表示网络带宽b，取任务执行时的最大网络速度。
　　综合以上，神经网络的输入向量记为Y，Y=〈y1，y2，y3〉。
　　3.2 新任务请求到达后资源分配决策预测
　　接下来回答2.1.3节中问题2）和问题3）即：如何参考已有用户评价的资源分配方案？如何需要确定一个合适的预期用  本文由WwW. 提供，第一 论 文 网专业写作教育教学论文和毕业论文以及发表论文服务，欢迎光临户评价值re。
　　3.2.1 神经网络输入参数re的确定
　　由于本次用户任务还不曾被调度执行，所有没有服务的满意度评价值，考虑到与新任务请求Tnew越接近的已处理过的任务的用户评价越具有参考价值，与此同时分配环境越相似的用户评价也越具有参考价值，本文采用最相似用户任务请求和资源分配环境方法来确定合适的用户服务评价期望。
　　1）确定可参考的资源分配方案集合。
　　任务类型相似度可由系统定义，同类型任务相似度为1，在没有相同类型的任务时，选择与他最相近类型任务的用户评价作为参考，集合M请确认M是集合，还是矢量、向量或矩阵？需明确。另外，“集合”与“矢量、向量或矩阵”是两个完全不同的概念（书写格式也不同），不要标识错误，请确认原来矢量、向量的标识是正确的吗？回复：已请作者确认M是集合了。是从任务类型上看可作为参考的资源分配的集合，M1={i|Ti.λ符合用户评价选择的标准}。
　　2）计算新用户任务资源分配与第i（i∈M1）次资源分配在任务请求方面的相似度simti与资源环境方面的相似度simei。
　　为了将不同尺度统一到一个可比较的尺度上，对向量Ti和向量Ei进行归一化处理得到向量Ti′和向量Ei′，采用余弦相似度函数来求解两个向量的相似度，如式（4）：
　　4 实验分析
　　4.1 神经网络的训练
　　4.1.1 云任务样本数据
　　由于云环境处理若干种任务类型，包括计算密集型、数据密集型、通信密集型、I/O密集型、混合型等，本文选用的云任务样本如表1。
　　4.1.2 云计算环境
　　本文搭建的云平台包括廉价420PC、Dell服务器、联想笔记本电脑、IBM P570小型机等，具体参数如表2。
　　4.1.3 训练样本数据
　　通过若干次实验，收集每个样本应用在不同的资源上的执行情况，得到一组训练样本数据。根据应用程序不同  本文由WwW. 提供，第一 论 文 网专业写作教育教学论文和毕业论文以及发表论文服务，欢迎光临，其工作负载单位不同，例如：3DsMax是图片的大小，WinRAR是处理的图片数据量，PPTV是访问量，AntiSpyware指的扫描的软件大小，Gcc为要编译程序的大小，Nbody是粒子数量，数据库备份软件是数据量的大小，Flashget是处理的任务数量等。训练样本数据如表3。　4.2 神经网络资源分配和验证
　　基于以上训练样本数据，可以建立起一个用户评价参与的资源再分配神经网络。本文采用Matlab 7.0提供的神经网络工具箱建立资源分配的BP神经网络，网络各层的权值初始化为（-1，1）区间的随机数，训练精度β=0.001，最大训练次数为5000，学习率设为0.05，采用sigmoid函数作为激活函数。
　　实验1 对比有用户评价参与与无用户评价参与的BP神经网络资源分配方案的效果。本文选择WinRAR作为实验测试用云任务，通过改变任务负载量，进行多次实验。其中，无用户评价参与的神经网络在进行训练时，评价输入项设定为0.5。实验结果如图3：有用户评价参与的神经网络资源决策方案获得的用户平均满意度保持在0.8以上，较后者提高了7.4%，且总体呈现稳定上升趋势；而无用户评价参与的神经网络资源决策方案获得的用户满意度不稳定，低的不到0.6，高的可达1，没有规律可循，评价较低的资源分配方案不时出现。可见有用户评价参与的神经网络具有自学习能力，使得资源分配方案越来越完善。
　　实验2 对比不同类型任务利用本文神经网络和利用经典MinMax算法、文献[4]提出的云任务与云资源满意婚配（Cloud TasksResources Satisfactory Matching， CTRSM）算法进行分配的效果。对每一种类型的云任务进行不同负载下的资源决策，取多次用户评价的平均值作为该种类型任务的评价值。实验结果如图4，与MinMax算法、CTRSM算法比较，用户平均满意度分别提高了16.7%和4.6%。已经考虑了用户偏好因素的CTRSM算法平均用户满意度高于MinMax算法11.5%。这一点表明，考虑用户因素的云资源管理策略更合理。而有用户评价参与的BP神经网络利用用户评价，通过充分吸取历史上优秀的资源分配经验，取得比CTRSM算法更高的资源满意度，表明这种云资源管理方法对不同类型的任务具有了自适应分配能力。
　　综合以上，本文提出的用户评价参与的神经网络资源再分配方法能够给出可以获得较高用户评价的资源分配方案  本文由WwW. 提供，第一 论 文 网专业写作教育教学论文和毕业论文以及发表论文服务，欢迎光临，并且随着样本数据的增多，决策会进一步完善，从而使云资源决策具有了自适应和不断完善的能力。
　　5 结语
　　作为一切皆服务的云中心资源管理，为了提高云平台的竞争能力，对云资源管理分配的研究开始关注用户，提出了融合用户因素的一些资源管理方法。参考已完成的资源分配方案，从用户评价中获得经验和教训，对于改善后续到达任务的资源分配具有重要的现实意义。本文提出的关注用户服务评价反馈的云资源再分配方法，给出了影响资源分配决策的多个要素，建议了一种用户评价量化度量，使用户评价更合理更具有参考价值。基 于任务和环境两方面的相似度确定了新到达任务需采用的用户期望满意度值。利用BP神经网络能够逼近模拟复杂函数依赖的特性，寻找分配要素和分配方案之间的依赖关系，使云资源决策具有了自适应和不断完善的能力。最后的对比实验表明了应用本文所提出方法，用户满意度保持在一个较高水平，并随着训练样本的增多，不断提高。对于不同类型的任务，也能够给出较好的资源分配方案，具有很好的自适应性。本文的研究丰富了云资源管理分配的内容，为融合用户因素到资源管理提供了理论依据。本文强调突出将用户服务评价参与云资源管理的思想，只对独立任务的资源分配进行了实验模拟验证，
　　今后将就用户评价对一般云任务，用无回路有向图（Directed Acyclic Graph， DAG）表示的用户任务在云环境中的资源分配进行进一步的研究实验。
　　今后将就用户评价对一般云任务、DAG请补充DAG的中文名称和英文全称。任务在云环境中的资源分配进行进一步研究实验。
　　参考文献：
　　[1]FOSTER I， ZHAO Y， RAICU I， et al. Cloud computing and grid computing 360degree compared [C]// GCE2008： Proceedings of the 2008 IEEE Grid Computing Environments Workshop. Piscataway： IEEE， 2008： 1-10.
　　.中国计算机学会通讯，2011，7（7）：26-31.）
　　. IEEE Transactions on Parallel and Distributed systems， 2013， 24（6）： 1066-1076.
　　.电子学报，2014，42（8）：1582-1586.）
　　[5]GAO Y， SHEN B， KONG H. Trust model for cloud computing based on SLA and user ratings [J]. Computing Engineering， 2012， 38（7）： 28-30.（高云路，沈备军，孔华锋.基于SLA与用户评价的云计算信任模型[J].计算机工程，2012，38（7）：28-30.）