CN105357043A - 云计算环境下自动反馈调节的sla***框架及调节方法 - Google Patents

Abstract

本发明公开一种云计算环境下自动反馈调节的SLA***框架及调节方法，其中***包括：资源层；执行层，对云服务消费者与云服务响应代理之间通过协商生成的SLA进行管理；判断层，实时度量所述资源层的SLA参数，同预期的SLA阈值进行比较，将案例发送给CBR检索分析层；CBR检索分析层，根据云服务历史SLA中的相关服务的QoS参数值以及可能出现的SLA违例案例和人工蜂群修改器，找出相似的案例并按照相似度排序，选择或修改相似度最大的案例交给执行层。本发明能自动的进行SLA预防违例自适应调节，并达到云服务消费者预期的服务质量要求，云服务提供商也能避免SLA违例，维护其信誉和免受经济损失。

Description

云计算环境下自动反馈调节的SLA***框架及调节方法

技术领域

本发明涉及云计算资源管理技术领域，尤其涉及云计算环境下自动反馈调节的SLA(ServiceLevelAgreements，服务等级协议)***框架及调节方法。

背景技术

近年来，互联网规模不断扩大，互联网业务量也随之快速增长。如何处理海量的数据与服务，有效地为用户提供实时服务，已成为当前面临的一个重要问题。在这种背景下云计算的迅速发展，为以上问题的解决提供了一个有效地途径。云计算将会对信息产业带来巨大的影响，更多的用户也将受益于云计算服务。

当前越来越多的用户将他们的业务部署到云环境中，云服务提供商根据用户的请求分配满足QoS需求的资源给云服务消费者，如计算资源、存储资源、网络带宽等。然而云服务提供商是否能够一定满足SLA，在服务运行期间却是未知。由于云计算环境的复杂性和动态性，所以在SLA的执行过程中云服务提供商必须根据双方签订的服务等级协议(SLA)，采取动态分配资源的方式等保证服务质量，因此已往的SLA研究将不再适用于云计算，需要一个全新SLA管理机制来保证SLA的执行中能够避免违例。

现有技术中可信度不高的资源可能也符合客户的要求，这样造成了资源的浪费以及提高了云服务商的成本。

发明内容

为了克服上述缺点，一方面，本发明提供一种云计算环境下自动反馈调节的SLA***框架，其包括：

资源层，存储在云平台的各种资源；

执行层，对云服务消费者与云服务响应代理之间通过协商生成的SLA进行管理；

判断层，实时度量所述资源层的SLA参数，同预期的SLA阈值进行比较，如果没有超出阈值则继续度量SLA参数值，否则对SLA进行封装，发送给CBR检索分析层；

CBR检索分析层，接收来自所述判断层的参数超出阈值的SLA，根据云服务历史SLA中的相关服务的QoS参数值以及可能出现的SLA违例案例，找出相似的案例并按照相似度排序，选择相似度最大的案例交给执行层，判断层判断是否超过阈值，如果仍然超过阈值，则启动辅助人工蜂群修改器来修改案例。

所述执行层包括SLA执行器和服务资源部署器，所述SLA执行器接收来自CBR检索分析层的案例，所述服务资源部署器连接资源层。

所述判断层包括SLA参数感知器和比较器。

所述CBR检索分析层包括QoS知识库和修改器。

另一方面，本发明提供一种云计算环境下自动反馈调节的SLA***框架的调节方法，包括：

步骤1、判断层中的SLA参数感知器每隔时间t获取一次SLA参数值，再将每隔时间t获取的SLA参数值和阈值进行比较；

步骤2、如果当前SLA参数值接近阈值，那么判断层判定在未来某个时间里将会出现SLA违例，并将SLA参数值、与SLA有关的服务信息以及服务使用的资源信息封装成案例发送给CBR的检索分析层；如果没有接近阈值则继续进行SLA参数感知；

步骤3、CBR检索分析层接收到案例后在Qos知识库查找与当前案例类似的案例，如果找到的案例不止一个，则人工蜂群修改器采用相似性度量方法，将这些案例按相似度从大到小进行排序，得到相似案例列表；

步骤4、CBR检索分析层从相似案例列表中选择相似度最大的案例，交给执行层的SLA执行器执行后，负责监控的判断层返回结果；如果没超过阈值则判断层继续监控，如果过阈值，则人工蜂群修改器选择出的组合方案的解；

步骤5、如果人工蜂群修改器选择出的组合方案解获得成功，则将该案例的数据写入QoS知识库；否则重复步骤1到步骤4。

步骤1中获取SLA参数值具体为：首先对资源度量，再映射到SLA参数。

步骤4中用人工蜂群修改器选择最佳组合方案的解具体过程为：

步骤401、初始化种群，设种群大小为SN，种群中每个蜜蜂代表一个用户在云平台中所需服务资源组合的可行解根据每个选择出对应的服务资源映射的SLA参数，计算出f即适应度QoE，食物资源的初始化位置公式如下，

$x_i^j=x_{\min }^j+rand(0,1)(x_{\max }^j-x_{\min }^j)---\left(1\right)$

其中，i∈(1,…,SN)、j∈(1,…,D)、D表示所需服务组合的数量，表示每种服务所对应的服务资源数量最小值，表示每种服务所对应服务资源数量最大值；

步骤402、引领蜂按照式(2)更新产生新解v_ij,R_ij是(-1,1)的随机数，计算其f值，与初始的种群f进行贪婪选择，

v_ij＝x_ij+R_ij(x_ij-x_kj)(2)

其中，x_kj表示第k个资源组合可行解；

步骤403、跟随蜂根据式(3)产生的概率P_i大小选择优质的引领蜂进行跟随，之后按照式(2)产生新解进行贪婪选择，

$P_i=\frac{f_i}{{\mathrm{\Σ}}_{n=1}^{SN}{f}_n}---\left(3\right)$

其中f_i表示适应度值，f_n表示种群中第n个体的适应度值；

步骤404、若经过多次迭代后某的f值得不到改善，则侦查蜂根据式(2)产生新解替代；

步骤405、重复步骤402到步骤404得到最好的解交给执行层。

本发明能自动的进行SLA预防违例自适应调节，并达到云服务消费者预期的服务质量要求，云服务提供商也能避免SLA违例，维护其信誉和免受经济损失。

附图说明

图1为本发明云计算环境下自动反馈调节的SLA***框架示意图；

图2为本发明云计算环境下自动反馈调节的SLA***框架的调节方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，云计算环境下自动反馈调节的SLA***框架分为四层，从下往上依次为：

资源层，在云平台中存储的各种大量客户需要的资源；

执行层，对云服务消费者与云服务响应代理之间通过协商生成的SLA进行管理，包括SLA执行器和服务资源部署器，SLA执行器接收来自CBR检索分析层的案例，服务资源部署器对资源进行管理调度；

CBR检索分析层，包括QoS知识库和修改器，QoS知识库存储历史案例，修改器基于人工蜂群算法，用于生成相似案例列表和选择出组合方案的解；

判断层，通过SLA参数感知器实时的测量资源层的SLA参数，与预期的SLA阈值进行比较，如果没有超出阈值则继续测量SLA的参数值，如果超出了阈值则对测量好的SLA进行封装发给CBR检索分析层。

如图2所示，云计算环境下自动反馈调节的SLA***框架的调节方法具体过程为：

判断层中的SLA参数感知器每隔时间t获取一次SLA参数值，再将每隔时间t获取的SLA参数值和阈值进行比较。

如果当前SLA参数值接近阈值，那么判断层判定在未来某个时间里将会出现SLA违例，并将SLA参数值、与SLA有关的服务信息发送给CBR的检索分析层；如果没有接近阈值则继续进行SLA参数感知。

CBR检索分析层接收到案例后在Qos知识库查找与当前案例类似的案例，如果找到的案例不止一个，则人工蜂群修改器采用相似性度量方法，将这些案例按相似度从大到小进行排序，得到相似案例列表。CBR检索分析层从相似案例列表中选择相似度最大的案例，交给执行层的SLA执行器执行后，负责监控的判断层返回结果，如果没超过阈值则判断层继续监控，如果过阈值，则人工蜂群修改器选择出的组合方案的解。

如果人工蜂群修改器选择出的组合方案解获得成功，则将该案例的数据写入QoS知识库；否则SLA参数感知器继续获取SLA参数进行感知。

其中人工蜂群修改器选择最佳组合方案的解具体过程为：

S1、初始化种群，设种群大小为SN，种群中每个蜜蜂代表一个用户在云平台中所需服务资源组合的可行解根据每个选择出对应的服务资源映射的SLA参数，计算出f即适应度QoE，食物资源的初始化位置公式如下，

$x_i^j=x_{\min }^j+rand(0,1)(x_{\max }^j-x_{\min }^j)---\left(1\right)$

其中，i∈(1,…,SN)、j∈(1,…,D)、D表示所需服务组合的数量，表示每种服务所对应的服务资源数量最小值，表示每种服务所对应服务资源数量最大值；

S2、引领蜂按照式(2)更新产生新解v_ij，R_ij是(-1,1)的随机数，计算其f值，与初始的种群f进行贪婪选择，

v_ij＝x_ij+R_ij(x_ij-x_kj)(2)

其中，x_kj表示第k个资源组合可行解；

S3、跟随蜂根据式(3)产生的概率P_i大小选择优质的引领蜂进行跟随，之后按照式(2)产生新解进行贪婪选择，

$P_i=\frac{f_i}{{\mathrm{\Σ}}_{n=1}^{SN}{f}_n}---\left(3\right)$

其中f_i表示适应度值，f_n表示种群中第n个体的适应度值；

S4、若经过多次迭代后某的f值得不到改善，则侦查蜂根据式(2)产生新解替代；

S5、重复步骤402到步骤404得到最好的解交给执行层。

本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。

Claims (7)

1.一种云计算环境下自动反馈调节的SLA***框架，其特征在于，包括

资源层，存储在云平台的各种资源；

执行层，对云服务消费者与云服务响应代理之间通过协商生成的SLA进行管理；

判断层，实时度量所述资源层的SLA参数，同预期的SLA阈值进行比较，如果没有超出阈值则继续度量SLA参数值，否则对SLA进行封装，发送给CBR检索分析层；

CBR检索分析层，接收来自所述判断层的参数超出阈值的SLA，根据云服务历史SLA中的相关服务的QoS参数值以及可能出现的SLA违例案例，找出相似的案例并按照相似度排序，选择相似度最大的案例交给执行层，判断层判断是否超过阈值，如果仍然超过阈值，则启动辅助人工蜂群修改器来修改案例。

2.根据权利要求1所述的云计算环境下自动反馈调节的SLA***框架，其特征在于，所述执行层包括SLA执行器和服务资源部署器，所述SLA执行器接收来自CBR检索分析层的案例，所述服务资源部署器连接资源层。

3.根据权利要求1所述的云计算环境下自动反馈调节的SLA***框架，其特征在于，所述判断层包括SLA参数感知器和比较器。

4.根据权利要求1所述的云计算环境下自动反馈调节的SLA***框架，其特征在于，所述CBR检索分析层包括QoS知识库和修改器。

5.一种云计算环境下SLA的自动反馈调节方法，其特征在于，包括

步骤1、判断层中的SLA参数感知器每隔时间t获取一次SLA参数值，再将每隔时间t获取的SLA参数值和阈值进行比较；

步骤2、如果当前SLA参数值接近阈值，那么判断层判定在未来某个时间里将会出现SLA违例，并将SLA参数值、与SLA有关的服务信息以及服务使用的资源信息封装成案例发送给CBR的检索分析层；如果没有接近阈值则继续进行SLA参数感知；

步骤3、CBR检索分析层接收到案例后在QoS知识库查找与当前案例类似的案例，如果找到的案例不止一个，则人工蜂群修改器采用相似性度量方法，将这些案例按相似度从大到小进行排序，得到相似案例列表；

步骤4、CBR检索分析层从相似案例列表中选择相似度最大的案例，交给执行层的SLA执行器执行后，负责监控的判断层返回结果；如果没超过阈值则判断层继续监控，如果超过阈值，则人工蜂群修改器选择出组合方案解；

步骤5、如果人工蜂群修改器选择出的组合方案解获得成功，则将该案例的数据写入QoS知识库；否则重复步骤1到步骤4。

6.根据权利要求5所述的云计算环境下SLA的自动反馈调节方法，其特征在于，步骤1中获取SLA参数值具体为：首先对资源度量，再映射到SLA参数。

7.根据权利要求5所述的云计算环境下SLA的自动反馈调节方法，其特征在于，步骤4中用人工蜂群修改器选择最佳组合方案的解具体过程为：

步骤401、初始化种群，设种群大小为SN，种群中每个蜜蜂代表一个用户在云平台中所需服务资源组合的可行解根据每个选择出对应的服务资源映射的SLA参数，计算出f即适应度QoE，食物资源的初始化位置公式如下，

$x_i^j=x_{\min }^j+rand(0,1)(x_{\max }^j-x_{\min }^j)---\left(1\right)$

其中，i∈(1,...,SN)、j∈(1,...,D)、D表示所需服务组合的数量，表示每种服务所对应的服务资源数量最小值，表示每种服务所对应服务资源数量最大值；

步骤402、引领蜂按照式(2)更新产生新解v_ij，R_ij是(-1,1)的随机数，计算其f值，与初始的种群f进行贪婪选择，

v_ij＝x_ij+Rij(x_ij-x_kj)(2)

其中，x_kj表示第k个资源组合可行解；

步骤403、跟随蜂根据式(3)产生的概率P_i大小选择优质的引领蜂进行跟随，之后按照式(2)产生新解进行贪婪选择，

$P_i=\frac{f_i}{{\mathrm{\Σ}}_{n=1}^{SN}{f}_n}---\left(3\right)$

其中f_i表示适应度值，f_n表示种群中第n个体的适应度值；

步骤404、若经过多次迭代后某的f值得不到改善，则侦查蜂根据式(2)产生新解替代；

步骤405、重复步骤402到步骤404得到最好的解交给执行层。