一种云平台下组合服务优选方法技术

本发明专利技术属于云服务组合管理控制方法技术领域，尤其涉及一种云平台下组合服务优选方法。包括如下步骤：初始数据获取，建立多指标优选模型，转换为多目标遗传优化，基于前述指标模型控制量，得到优化目标种群；多目标遗传算法求解，确定最终的云服务组合方案。本发明专利技术的云平台下组合服务优选方法基于改进的多目标优选模型来建立了大量候选服务下优选服务组合方案的优选模型，并借助遗传算法思想，将连续性候选服务之间的关联特性转变为遗传特性，并利用遗传迭代搜索方法实现大量数据的快速优选和定位，该方案在云平台服务器资源分配有限的情况下在较短时间内确定最佳组合方案。限的情况下在较短时间内确定最佳组合方案。限的情况下在较短时间内确定最佳组合方案。

【技术实现步骤摘要】
一种云平台下组合服务优选方法


[0001]本专利技术属于云服务组合管理控制方法
，尤其涉及一种云平台下组合服务优选方法。

技术介绍

[0002]基于在线式云服务的项目和产品，能够借助高效的云服务供应商的软硬件设备为移动端等算力和资源不足的用户提供远程高端技术服务，有效降低用户使用成本，实现更多功能目的的可能，随着无线数据传输的飞速发展，基于云平台的在线服务在人工智能、在线识别以及数据处理等方面不断应用，技术不断成熟，为了解决某一技术问题所可以采用的云服务方案和具体执行方式变得多样化，对于较为复杂的问题，涉及倒大量子项目和分服务的规划处理，传统方案往往是以某个固定或简单的标准进行快速选择，虽然方案形成的速度很快，但方案整体的效率和成本难以保证是最优，特别是随着云服务的不断发展，用于解决连续性问题的多个子服务之间相互关联影响，在进行自由组合和筛选时，这种关联影响已经不可忽视。

技术实现思路

[0003]本专利技术的目的在于，提供一种能够在大量候选服务中，能够高效快速的确定一种或者多种最佳组合方案供云服务供应商或者客户选择，以实现提高效率，降低资源消耗的云平台下组合服务优选方法。
[0004]为实现上述目的，本专利技术采用如下技术方案。
[0005]一种云平台下组合服务优选方法，包括如下步骤：
[0006]步骤一、初始数据获取
[0007]具体是指，获取客户端任务需求T，根据任务复杂程度，将任务需求分解为多个具有关联属性的子项目Δ
i
，i＝1、2、...n；其中n为总的子项目数量；针对子项目T
i
的功能需求，在云平台服务中为各子项目Δ
i
生成相应的候选云服务组其中m为子项目Δ
i
的候选云服务总数；根据各子项目T
i
之间的关联属性，从每个子项目Δ
i
的候选云服务组中选择一个云服务进行组合，形成任务需求的若干候选的总云服务组R＝{RS1、RS2、....RS
n
}；
[0008]步骤二、建立多指标优选模型
[0009]若任务需求T的总云服务组只有唯一的服务组合，则以该总云服务组确定为最佳服务组合；若任务需求T的总云服务组存在多种服务组合，则对于每种服务组合，建立其相应的多指标优选模型：
[0010]Minimize F＝{f
t
、f
c
、f
e
、f
s
、f
cr
}
[0011][0012]其中，f
t
(x)是云服务时间成本指标；f
c
(x)是云服务支付成本指标；f
e
(x)是云服务质量指标；f
s
(x)是云服务可行性指标；f
cr
是云服务可信度指标；x是决策向量，T
D
是指各子项目从数据发送直至接收完成的总的预期延迟时间；T
M
是指各子项目总的服务执行性时间；C
M
是指总服务成本，C
V
是指硬件支付成本；R
i
是指历史数据中服务RS
i
的执行成功次数，A
i
是指历史数据中任务RS
i
的执行总次数；M
i
是指在历史数据中服务RS
i
出现异常情况下任务需求T完成的总次数，F
i
是指指在历史数据中服务RS
i
出现异常的总次数；P
i
是指服务RS
i
的可信度指标，0≤P
i
≤1；
[0013]步骤三、多指标优选模型优化转换为多目标遗传优化
[0014]子项目和云服务之间的关联性，使前述云服务时间成本指标f
t
(x)、云服务支付成本指标f
c
(x)、云服务质量指标f
e
(x)、云服务可行性指标f
s
(x)、云服务可信度指标f
cr
之间具有遗传特性；利用NGSA
‑Ⅲ
遗传算法进行优化选择，基于前述指标模型控制量，得到优化目标种群：Q
t
＝T
D
+T
M
、Q
c
＝C
M
+C
v
、
[0015]步骤四、多目标遗传算法求解，包括：
[0016]对每一个子项目对应的所有的候选服务采用实数进行编码，得到各子项目对应的所有候选服务的唯一编码序；基于候选服务的约束条件进行筛选和随机采样程序，以云服务组R＝{RS1、RS2、....RS
L
}中云服务RS
l
对应的具体子项目，采样得到在对应的编码向量X
RSl
＝{X1、X2、..X
l
..X
L
}；以编码向量X
RSl
＝{X1、X2、....X
L
}为个体构建种群数量为N的初始化种群PX；其中是X
l
指第l个子项目选取的候选服务在编码序列中的位置；对于任意待繁殖个体，在初始化种群PX中选择k
·
N(k≤1)数目的个体形成该待繁殖个体的交配个体候选集，在交配个体候选集中确定与待繁殖个体欧式距离最小的待交配个体；以待繁殖个体和待交配个体为基础生成子代个体，并基于环境选择机制选择最佳的子代个体进行迭代，直至生成最终的子代个体，基于该最终子代个体对应的编码向量确定最终的云服务组合方案。
[0017]对前述云平台下组合服务优选方法的进一步改进或者优选实施方案，所述个多目标遗传算法求解步骤中还包括，对于第t代的当代个体种群，基于预设搜索概率γ选取若干当代个体分别进行替换搜索，替换搜索过程如下：对于任意当代个体，随机选取该当代个体对应的编码向量中的一个或者多个编码，并将选取的编码替换为其他随机当代个体对应位置的编码，生成第t+1代的变异个体；还包括，按照正常流程生成第t+1代，基于预设搜索概率γ选取若干第t+1代的子代个体，分别比较变异个体和被选取的子代个体与被选取的当
代个体的适应度，如果变异个体与当代个体的适应度优于子代个体与当代个体的适应度，则使用变异个体替换子代个体，否则继续迭代。
[0018]对前述云平台下组合服务优选方法的进一步改进或者优选实施方案，以待繁殖个体和待交配个体的产生子代个体具体是指：在待繁殖个体和待交配个体上设置两个交叉点，利用两个个体位于交叉点内的编码进行互换处理，得到两个子代个体。
[0019]其有益效果在于：
[0020]本专利技术的云平台下组合服务优选方法基于改进的多目标优选模型来建立了大量候选服务下优选服务组合方案的优选模型，并借助遗传算法思想，将连续性候选服务之间的关联特性转变为遗传特性，并利用遗传迭代搜索方法，基于进化机制，使用一种算力本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种云平台下组合服务优选方法，其特征在于，包括如下步骤：步骤一、初始数据获取具体是指，获取客户端任务需求T，根据任务复杂程度，将任务需求分解为多个具有关联属性的子项目Δ
i
，i＝1、2、...n；其中n为总的子项目数量；针对子项目T
i
的功能需求，在云平台服务中为各子项目Δ
i
生成相应的候选云服务组其中m为子项目Δ
i
的候选云服务总数；根据各子项目T
i
之间的关联属性，从每个子项目Δ
i
的候选云服务组中选择一个云服务进行组合，形成任务需求的若干候选的总云服务组R＝{RS1、RS2、....RS
n
}；步骤二、建立多指标优选模型若任务需求T的总云服务组只有唯一的服务组合，则以该总云服务组确定为最佳服务组合；若任务需求T的总云服务组存在多种服务组合，则对于每种服务组合，建立其相应的多指标优选模型：Minimize F＝{f
t
、f
c
、f
e
、f
s
、f
cr
}其中，f
t
(x)是云服务时间成本指标；f
c
(x)是云服务支付成本指标；f
e
(x)是云服务质量指标；f
s
(x)是云服务可行性指标；f
cr
是云服务可信度指标；x是决策向量，T
D
是指各子项目从数据发送直至接收完成的总的预期延迟时间；T
M
是指各子项目总的服务执行性时间；C
M
是指总服务成本，C
V
是指硬件支付成本；R
i
是指历史数据中服务RS
i
的执行成功次数，A
i
是指历史数据中任务RS
i
的执行总次数；M
i
是指在历史数据中服务RS
i
出现异常情况下任务需求T完成的总次数，F
i
是指指在历史数据中服务RS
i
出现异常的总次数；P
i
是指服务RS
i
的可信度指标，0≤P
i
≤1；步骤三、多指标优选模型优化转换为多目标遗传优化子项目和云服务之间的关联性，使前述云服务时间成本指标f
t
(x)、云服务支付成本指标f
c
(x)...

【专利技术属性】
技术研发人员：钟收成，
申请(专利权)人：武汉长江鲲鹏生态创新科技有限公司，
类型：发明
国别省市：