基于性能感知預測的云服務推薦模型①

汪佳禎,遲煥醒,王木涵,史雙田

(中國石油大學(華東)計算機與通信工程學院,青島 266000)

基于性能感知預測的云服務推薦模型①

汪佳禎,遲煥醒,王木涵,史雙田

(中國石油大學(華東)計算機與通信工程學院,青島 266000)

互聯網上出現越來越多的云服務,面對種類繁多的云服務,如何準確地在眾多云服務中把符合用戶需求并且性能好價格低的服務推薦給用戶成為云服務推薦的研究熱點.現有的服務推薦方法往往只是根據當前云服務的歷史性能記錄為用戶進行推薦,并沒有充分考慮云服務的性能趨勢.針對上述問題,本文提出了一種基于性能預測的服務推薦模型,該模型利用共軛梯度改進人工神經網絡對云服務的性能進行預測,使用層次分析法對性能,價格等因素進行綜合比較計算,最終為用戶推薦最為合適的云服務.實驗結果表明,使用改進神經網絡對服務性能進行預測能夠獲得較高的準確度,層次分析法可以綜合考慮服務的性能與價格,為用戶推薦最為合適的云服務.

云服務;性能感知;神經網絡;層次分析法

1 引言

目前,云服務以其“按需使用”的方式降低信息處理和存儲投資為廣大中小型企業所歡迎,這意味著計算能力也可以作為一種商品通過互聯網進行流通[1].隨著云服務的發展,越來越多的用戶也開始使用云服務.用戶在使用云服務時,不僅關注服務的功能,同時也關注服務的性能及價格等問題.例如在IaaS基礎設施即服務(Infrastructure as a Service)中,服務提供商會根據用戶提出的不同服務性能需求進行收費.在進行云服務推薦時,主要根據云服務的性能進行推薦,同時也適當考慮價格因素對推薦結果的影響.

已有的云服務推薦方法在處理服務性能時,會根據服務注冊中心的數據進行推薦[2],并沒有考慮到服務性能的動態變化.例如云服務A性能比較高,服務推薦系統會推薦用戶使用該云服務,那么隨著用戶的增多,該服務的性能會顯著下降;如果繼續向該服務推薦用戶則會造成后續用戶的使用體檢降低.現有的云服務推薦系統并沒有考慮到云服務的性能由于使用該服務的用戶數量變化而引起服務性能的變化.針對該問題本文提出了基于性能預測的服務推薦模型,該模型首先利用改進神經網絡對服務性能進行預測,其次通過層次分析法計算出性價比最高的服務推薦給用戶.

本文安排如下:第二節提出基于性能預測的云服務推薦模型,對模型中的各個部分進行說明,介紹了每一部分在服務推薦計算中的作用及步驟;第三節針對模型中的關鍵部分及關鍵算法進行相關實驗;第四節分析實驗結果,驗證本文提出的方法的有效性.第五節對本文推薦方法進行總結;第六節總結本文工作并對后續工作進行了展望.

2 基于性能預測的服務推薦模型

2.1 用戶及服務數據收集

對用戶及服務數據進行收集是性能預測的前提[3].對用戶數據的收集包括用戶端的監測數據:響應時間,花費等;對服務的數據主要包括服務端CPU、內存、硬盤、網絡吞吐量的的運行情況及用戶數量等信息.通過獲取這些數據,可以分析出服務使用數量與服務性能之間的關系,從而為服務推薦提供參考.

2.2 基于性能感知的服務推薦模型

云服務性能指的是一個云服務響應處理用戶請求的能力[4].在基于性能感知的服務推薦模型中,用戶根據自身需求提出服務申請,服務資源計算模塊計算所需服務資源;服務資源列表中存儲各個服務的實時資源狀態用于性能預測;性能預測模塊預測服務性能并將結果交予層次分析系統;層次分析系統給出服務推薦序列,同時更新服務資源列表.圖1為基于性能感知的云服務推薦模型的結構圖.

圖1 基于性能感知的云服務推薦模型

該模型主要包括三個部分:

1)服務資源列表.以4元組的形式存儲存儲服務資源使用剩余情況,格式為:分別表示CPU使用率(%)、網絡帶寬(Mb/s)、內存大小(GB)及硬盤(GB).需要進行性能預測計算時,從服務資源列表中獲取服務資源信息,計算推薦完畢后根據服務推薦情況更新列表.

2)性能預測:根據歷史記錄訓練改進BP神經網絡,根據服務資源剩余進行性能預測并將預測結果交予服務計算推薦模塊.

3)服務推薦計算:利用層次分析法,通過性能構造比較矩陣并計算權重,得到服務推薦優先級列表并為用戶推薦.

2.3 改進神經網絡算法

服務的性能主要與服務資源有關(CPU,內存,帶寬等),由于性能與資源之間的關系是非線性的[5],難以建立一個確定的映射關系,而神經網絡的優點在于能夠利用已有的歷史數據不斷訓練調整,可以滿足預測要求,預測結果夠最大程度接近實際情況.除上述優點外,神經網絡也有自身缺點:可能陷入局部最小、訓練時間長、網絡冗余大.為了減少訓練時間,提高訓練精度,本文采用共軛梯度法來優化神經網絡.模型拓撲結構包括輸入層(input),隱層(hide layer)和輸出層(output layer),如圖2所示.

圖2 神經網絡結構圖

在輸入層,輸入參數分別為CPU使用率(%),網絡帶寬(Mb),內存大小(GB)以及硬盤大小(GB),輸出為響應時間(S),服務調用成功率(%),傳輸速率(Kb/s),隱含層數為3層.

使用共軛梯度法改進后的神經網絡搜索方向為上一次搜索方向與負梯度方向共軛方向.

設g0為梯度方向,p0為它的負方向,有:

選取共軛方向作為新的搜索方向,在當前梯度的負方向上增加一次搜索方向:

對于修正系數的選取步驟如下:

2)令k循環自增,有

3)對尺度做調整

4)計算評價參數

2.4 服務推薦計算

層次分析法把研究對象作為一個系統,按照分解,比較判斷,綜合的思維方式進行決策,是系統分析的重要工具,非常適合解決多目標決策問題[6],因此本文選定該方法解決服務推薦問題.

2.4.1 層次分析法在服務推薦計算中的步驟

1)建立層次模型結構:目標層為最優服務;準則層為服務性能指標:響應時間,傳輸速率,服務調用成功率,價格;方案層為備選服務,構造層次模型如圖3.

2)構造比較矩陣:若服務性能指標數為i,那么備選服務對應服務性能指標的比較矩陣有i個,分別每個比較矩陣大小為j(j是備選服務數).對應的是服務性能指標r,那么Ar的最大特征值對應的歸一化特征向量就是全體備選服務相對于服務性能指標 r的權重向量,那么權重矩陣就是全體備選服務在全體服務指標下的權重向量集合.

圖3 層次模型圖

3)計算單排序權向量并做一致性檢驗; 4)計算總排序權向量并做一致性檢驗;

5)根據服務性能指標的權重向量Wj和備選服務的權重矩陣WAll,得到備選服務的綜合值最終推薦值最大的服務Maxwj

2.4.2 服務推薦實例

服務1:調用成功率94%;平均響應時間4.141秒;傳輸速率0.985Mbps,收費0.33元/時

服務2:調用成功率99.2%;平均響應時間11.043秒;傳輸速率0.209Mbps,收費0.51元/時

服務3:調用成功率99.2%;平均響應時間2.9秒;傳輸速率0.02Mbps,收費0.4元/時構造比較矩陣:通過計算我們求 得 這 個 矩 陣 的 最 大 特 征 值查閱數據可知該四階矩陣對應RI=0.90.判斷矩陣一致性通過檢驗 ,對 應 歸 一 化 權 重向 量 為 WT={-0.1515, 0.0983,0.4366,-0.3136}(考慮到響應時間,費用越小越好)

3 實驗

3.1 實驗準備

為了檢驗本文中改進神經網絡算法對服務性能預測的準確性,本實驗通過在亞馬遜彈性計算云(Amazon elastic computer cloud,Amazon EC2)上運行SEPCWeb2009軟件,監測EC2運行的CUP使用率等服務性能變化情況.SEPCWeb2009是由標準性能評估公 司 (Standard Performance Evaluation Corpiration, SPEC)開發的軟件基準測試軟件,用于測試Web服務器的靜態和動態頁面響應能力.本文選擇激活函數為purelin函數,訓練函數trainlm函數,訓練目標誤差0.000001,最大迭代次數5000,學習率0.1.

3.2 BP神經網絡訓練與驗證

一共進行1000組測試,選取前900組對神經網絡進行訓練,取最后100組作對照試驗.試驗結果如圖4-圖6所示.

圖4 服務調用成功率預測對比圖

圖5 傳輸速率預測對比圖

圖5 是傳輸速率的預測結果,左圖是實際預測傳輸速率和期望預測傳輸速率的對比圖,右圖為預測誤差.

圖6 響應時間預測對比圖

圖6 是響應時間的預測結果,左圖是實際預測響應時間和期望預測響應時間的對比圖,右圖為預測誤差.

3.3 層次分析法效果驗證

本文在4臺電腦上各自部署一個服務,同一個用戶申請8次相同服務,對服務性能進行預測后利用層次分析法計算推薦優先級隊列,情況如下:

服務1共推薦3次,服務2推薦2次,服務3推薦2次,服務4推薦1次,服務推薦隊列變化情況的發生是由于服務性能隨著用戶的使用而不斷變化,實驗證明該方法可以根據服務資源變化而導致服務性能波動的情況為用戶推薦出當前狀態下最優的服務,從而避免因為推薦用戶過多而導致服務性能下降,用戶使用體驗降低情況的發生,有效提高使用體驗;同時,層次分析法還將性能與價格結合在一起計算,符合云服務推薦的要求.

4 實驗結果及分析

通過上述實驗我們可以發現,使用改進神經網絡對服務性能進行預測,誤差波動范圍比較小,在實際應用中增加訓練樣本的數量還可以進一步提高預測精度,該實驗結果證明該方法可以用來對服務性能進行預測.

層次分析法在模擬服務推薦時,當有新的用戶被推薦至某服務,服務推薦隊列隨之發生變化,證明該方法可以在服務推薦計算時有效考慮服務性能的波動,動態向用戶推薦服務,從而避免服務性能下降而導致用戶使用體驗降低情況的發生.

綜上,本文提出的基于性能預測的云服務推薦模型可以對云服務性能進行準確預測,并根據預測結果為用戶進行云服務推薦.

5 相關工作

目前,針對云服務推薦問題國內外學者展開了深入研究,并取得了一定成果.文獻[7]針對服務推薦過程中性能預測不準確的問題,通過使用排隊論的方法建立服務性能預測模型以此來預測性能,提出一種優化的性能預測模型.但是該模型主要考慮CPU與性能的關系而忽略網絡、帶寬以及硬盤等對于服務性能的影響.

文獻[8]使用相似度計算來計算各服務的性能,根據結果為用戶進行服務推薦.該方法使用相似度系數用于描述數據性能之間的線性相關關系,在實際并不能很好地解釋客觀性能數據之間的相似性.

文獻[9]提出云服務選擇框架,該框架根據候選服務的服務質量及虛擬機的模擬參數做為參考為用戶進行云服務推薦.該方法只是根據服務注冊信息進行模擬計算推薦,并沒有考慮到性能的動態變化情況.文獻[10]提出一種基于信任的云服務推薦系統,該系統分別計算云服務的直接和推薦信任度,根據信任度的計算結果為用戶推薦最可信的服務.

上述研究在進行云服務推薦時都根據性能預測結果為用戶進行服務推薦[11],但是并沒有考慮到服務性能變化的動態性,使用上述推薦系統會出現由于用戶增加而導致的服務性能嚴重下降情況的發生(服務調用丟失率高,響應時間長,傳輸速率慢等).針對現有推薦模型的不足,本文使用通過共軛梯度法改進后的神經網絡來動態預測服務性能;在進行服務推薦時,綜合考慮多種因素,使用權重向量來代表每一個具體影響因素,向量的不同值代表不同因素對于推薦的影響程度[12].

6 總結

本文針對服務性能動態變化的問題,提出一種基于性能感知預測的云服務推薦模型,該模型使用改進人工神經網絡對服務性能進行預測,采用層次分析法計算推薦優先級.通過試驗證明人工神經網絡預測法對于不同資源環境下的服務性能有較高的預測準確率,層次分析法可以根據服務性能變化而改變服務推薦優先級.本文主要不足是在層次分析法中構建權重矩陣時,各因素的權重向量值的確定方法相對固定,沒有根據每個用戶的實際偏好量身定制,這是后面工作應解決的問題.

1 Gmbh ICE.Cloud-Managed Wi-Fi Market to Reach$2.5 Billion by 2018,IDC Says.Wifi Wlan,2014.

2 Garcia DF,Garcia J,Entrialgo J,et al.A QoS control mechanism to provide service differentiation and overload protection to Internet scalable servers.IEEE Trans.on Services Computing,2009,2(1):3–16.

3 Tsesmetzis D,Roussaki I,Sykas E.QoS-aware service evaluation and selection.European Journal of Operational Research,2008,191(3):1101–1112.

4 Jiang D,Pierre G,Chi CH.Autonomous resource provisioning for multi-service web applications.International Conference on World Wide Web,WWW 2010.Raleigh,North Carolina, USA.April,2010.471–480.

5 Lorenzi L,Mercier G,Melgani F.Support vector regression with kernel combination for missing data reconstruction. IEEE Geoscience&Remote Sensing Letters,2013,10(2): 367–371.

6 Shao L,Zhang J,Wei Y,et al.Personalized QoS prediction for Web services via collaborative filtering.IEEE International Conference on Web Services.2007.439–446.

7 Han SM,Hassan M,Yoon CW,et al.Efficient service recommendation system forcloud computing market. International Conference on Interaction Sciences: Information Technology,Culture and Human.ACM.2009. 839–845.

8 Zeng L,Benatallah B,Dumas M,et al.Quality driven web services composition.Proc.ofthe 12th International Conference on World Wide Web.ACM.2003.411–421.

9 K?ksalan M,Zionts S.Multiple criteria decision making in thenew millennium.LectureNotesinEconomics& Mathematical Systems,2001,31(5):358.

10 Yao X,Liu Y.A new evolutionary system for evolving artificial neural networks.IEEE Trans.on Neural Networks, 1997,8(3):694–713.

11 Kong D,Zhai Y.Trust based recommendation system in service-oriented cloud computing.International Conference on Cloud and Service Computing.2012.176–179.

12 Kant K,Won Y.Server capacity planning for web traffic workload.IEEE Trans.on Knowledge&Data Engineering, 1999,11(5):731–747.

Cloud Service Recommendation Model Based on Performance Prediction

WANG Jia-Zhen,CHI Huan-Xing,WANG Mu-Han,SHI Shuang-Tian

(School of Computer&Communication Engineering,China University of Petroleum,Qingdao 266580,China)

Agrowing number of cloud services have emerged on the Internet.In the face of a wide variety of cloud services, how to recommend high quality and low price service meeting the users’requirements to the user accurately has become a focus in cloud service recommendation field.Currently,many services recommendation methods are often just based on the current service status without taking into account the performance trend of cloud service.For this reason,this paper proposes a services recommendation model based on performance prediction.The model uses improved artificial neural network based on conjugate gradient to predict the performance of cloud services.Factors such as performance and prices can be compared and calculated by using AHP(Analytic Hierarchy Process),and then the most suitable cloud service would be recommended to the users.The experimental results show that the prediction accuracy would be higher by using improved neural network predicting service performance method,and AHP can recommend the most suitable service to the user according to comprehensively considering the performance and price of services.

cloud service;performance aware perception;neural network;analytic hierarchy process

2016-09-01;收到修改稿時間:2016-10-10

10.15888/j.cnki.csa.005755