[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

摘要

一种基于RBF神经网络的云服务资源精确控制方法属于云服务运维和智能控制的交叉领域。本发明利用基于RBF神经网络建立云服务资源系统预测模型和设计RBF神经网络控制器，实现对云服务资源的合理分配使用，云服务资源的合理分配使用直接关系到云服务的运行效率和用户体验等一系列问题。将基于RBF神经网络的云服务资源精确控制方法应用于云服务资源管理系统，对云服务资源进行精确控制，不仅可以降低云服务的运行压力，而且还可以降低运营的成本和提高用户的体验。

主权项

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，ym(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；wj(k)为隐含层第j个神经元和输出层的连接权值，j＝1,2,…,P；fj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，μj(k)表示第k次资源请求时隐含层第j个神经元中心值，σj(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定义预测模型RBF神经网络的性能指标Jm(k)em(k)＝y(k)‑ym(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，em(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wj(k+1)＝wj(k)‑ηΔwj(k)＝wj(k)+ηem(k)fj(u(k))(1‑y(k))y(k)    (6)其中，Δwj(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，wj(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，wj(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，μj(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，σj(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Jm(k)>＝0.01,则重复步骤③；如果Jm(k)<0.01，则转到步骤①计算预测模型RBF神经网络的输出ym(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次资源请求是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次资源请求是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5‑M‑1的连接方式，即输入层神经元为5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，wic(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；fi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，μic(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，σic(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RBF神经网络控制器的指标Jc(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，Δwic(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，wic(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；μic(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，σic(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Jc(k)>＝0.01,则重复步骤③；如果Jc(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。