[发明专利]一种基于RBF神经网络的云服务资源精确控制方法

权利要求书

1.一种基于RBF神经网络的云服务资源精确控制方法，其特征在于，

包括以下步骤：

(1)设计基于RBF神经网络的云服务资源预测模型，预测模型RBF神经网络分为三层：输入层、隐含层和输出层；预测模型RBF神经网络输入为u(k)＝[u₁(k),u₂(k),u₃(k),u₄(k),u₅(k)]^T，u₁(k)为第k次资源请求时所需线程个数，u₂(k)为第k次资源请求时请求所需进程个数，u₃(k)为第k次资源请求时所处理的数据量大小，u₄(k)为第k次资源请求时当前云服务资源空闲CPU核个数，u₅(k)为第k次资源请求时当前云服务资源空闲内存大小，T为矩阵的转置；预测模型RBF神经网络输出为所需内存大小除以所需CPU核数个数的预测值；其计算方式如下：

①初始化预测模型RBF神经网络：确定神经网络5-P-1的连接方式，即输入层神经元为5个，隐含层神经元为P个，P为大于2的正整数；输出层神经元为1个；预测模型RBF神经网络输入层到隐含层的连接权值为1，隐含层和输出层间的连接权值在[0,1]范围内进行随机赋值；神经网络的输出表示如下：

其中，y_m(k)为第k次云资源请求时预测模型RBF神经网络的输出，即为第k次云资源请求时所需内存大小除以所需CPU核数个数的预测值；w_j(k)为隐含层第j个神经元和输出层的连接权值，j＝1,2,…,P；f_j是预测模型RBF神经网络隐含层第j个神经元的输出，其计算公式为：

其中，μ_j(k)表示第k次资源请求时隐含层第j个神经元中心值，σ_j(k)表示第k次资源请求时隐含层第j个神经元的中心宽度；

②定义当前所需内存大小除以所需CPU核数个数目标函数1为J_m(k)

e_m(k)＝y(k)-y_m(k) (4)

其中，y(k)为第k次云资源请求时实际所需内存大小除以实际所需CPU核数个数，e_m(k)第k次云资源请求时所需内存大小除以所需CPU核数个数的误差；

③对预测模型RBF神经网络的参数进行更新

w_j(k+1)＝w_j(k)-ηΔw_j(k)＝w_j(k)+ηe_m(k)f_j(u(k))(1-y(k))y(k) (6)

其中，Δw_j(k)为第k次资源请求时第j个隐含层神经元和输出层神经元连接权值的修正量，w_j(k)为第k次资源请求时第j个隐含层神经元与输出层神经元的连接权值，w_j(k+1)为第k+1次资源请求时第j个隐含层神经元与输出层神经元的连接权值，μ_j(k+1)表示第k+1次资源请求时隐含层第j个神经元中心值，σ_j(k+1)表示第k+1次资源请求时隐含层第j个神经元的中心宽度；η为学习率，η∈(0,1]；

④判断当前所需内存大小除以所需CPU核数个数目标函数的大小，如果J_m(k)＝0.01,则重复步骤③；如果J_m(k)0.01，则转到步骤①计算预测模型RBF神经网络的输出y_m(k)；

(2)设计用于控制的RBF神经网络控制器；x(k)＝[x₁(k),x₂(k)]^T为RBF神经网络控制器的输入，x₁(k)为第k次资源请求所需内存大小除以所需CPU核数个数设定值与实际值的误差，x₂(k)为第k次资源请求所需内存大小除以所需CPU核数个数设定值与实际值误差的变化率；

①初始化RBF神经网络控制器：确定神经网络2-M-1的连接方式，即输入层神经元为2个，隐含层神经元为M个，M为大于2的正整数；输出层神经元为1个；RBF神经网络控制器输入层到隐含层的连接权值为1，隐含层和输出层间的连接权值在[0,1]范围内进行随机赋值；神经网络的输出表示如下：

其中，g(k)为第k次资源请求时RBF神经网络控制器的输出，w_i^c(k)为RBF神经网络控制器隐含层第i个神经元和输出层的连接权值，i＝1,2,…,M；f_i是RBF神经网络隐含层第i个神经元的输出，其计算公式为：

其中，μ_i^c(k)表示第k次资源请求时RBF神经网络控制器隐含层第i个神经元中心值，σ_i^c(k)表示第k次资源请求时RBF神经网络控制器隐含层第i个神经元的中心宽度；

②定义当前所需内存大小除以所需CPU核数个数目标函数2为J_c(k)

e(k)＝r(k)-y(k) (12)

其中，e(k)为第k次资源请求时的所需内存大小除以所需CPU核数个数误差，r(k)为第k次资源请求时的所需内存大小除以所需CPU核数个数设定值,y(k)为第k次资源请求时实际测量的所需内存大小除以所需CPU核数个数；

③对RBF神经网络控制器的参数进行更新

其中，Δw_i^c(k)为第k次资源请求时RBF神经网络控制器隐含层第i个神经元与输出层神经元连接权值的修正量，w_i^c(k+1)为第k+1次资源请求时的RBF神经网络控制器隐含层第i神经元与输出层神经元的连接权值；μ_i^c(k+1)表示第k+1次资源请求时RBF神经网络控制器隐含层第i个神经元中心值，σ_i^c(k+1)表示第k+1次资源请求时的RBF神经网络控制器隐含层第i个神经元的中心宽度；η₁为学习率，η₁∈(0,1]；

④判断当前所需内存大小除以所需CPU核数个数目标函数的大小，如果J_c(k)＝0.01,则重复步骤③；如果J_c(k)0.01，则转到步骤①计算RBF神经网络控制器的输出g(k)；

(3)利用求解出的g(k)对云服务资源进行控制，控制系统的输出为实际所需内存大小除以所需CPU核数个数值。