[发明专利]一种基于深度学习的云服务性能自适应动作类型选择方法

摘要

本发明提供一种基于深度学习的云服务性能自适应动作类型选择方法，包括监测物理机群数据、虚拟机数据、服务组件数据；结合SLA中约定的约束事件和实时监测的数据，判定当前服务性能是否需要优化若当前数据触发约束事件，则根据自适应方法库决策自适应动作类型，否则继续监测；根据决策的自适应动作类型进行云服务性能自优化；反馈学习，更新自适应方法库，返回继续监测。云环境自身具有高可伸缩、动态重构的特性，致使云服务的服务性能在实际运行环境中受到多因素的制约，本发明方法在服务组件进行服务性能自优化时，根据不同场景的实际情况从自适应动作集中选择出最佳的自适应动作。

主权项

一种基于深度学习的云服务性能自适应动作类型选择方法，包括如下步骤：步骤1：监测物理机群数据、虚拟机数据、服务组件数据；步骤2：结合SLA中约定的约束事件和实时监测的数据，判定当前服务性能是否需要优化：若当前数据触发约束事件，则执行步骤3，否则返回步骤1；步骤3：根据自适应方法库决策自适应动作类型；步骤4：根据决策的自适应动作类型进行云服务性能自优化；步骤5：反馈学习，更新自适应方法库，返回步骤1；其特征在于，所述自适应方法库按如下步骤建立：步骤3‑1：数据提取，包括：物理机群数据、虚拟机数据、服务组件数据；步骤3‑2：数据预处理：对数据进行去噪、清洗；步骤3‑3：数据样本化：将数据转换成0~1之间的小数；步骤3‑4：数据标签化：将样本化后的数据分别利用资源调整方案决策模型、服务迁移方案决策模型、副本部署方案决策模型对训练数据进行训练，将代价收益评估最高的20%训练数据标签化，针对有标签的数据，执行步骤3‑6；针对无标签的数据，执行步骤3‑5；步骤3‑5：基于DBN训练的自适应服务性能动作类型选择模型；步骤3‑6：生成自适应方法库。