云環境下的資源需求態勢感知研究

李 正，王俊社，張紅斌

(河北科技大學研究生學院，河北 石家莊 050000)

云環境下的資源需求態勢感知研究

李 正，王俊社，張紅斌

(河北科技大學研究生學院，河北 石家莊 050000)

針對當前云計算內部資源管理模式的缺陷，導致資源的利用率低下。為提高資源的利用率，研究提出一種適合云環境的資源需求態勢感知方法，通過采用AHP（層次分析法）對云環境下當前時刻資源的使用情況進行態勢評估，同時使用改進的BP算法對下一時刻資源的需求情況進行態勢預測，為資源合理分配提供依據，提高資源利用率，實現資源的高效利用。

云計算；資源需求；態勢感知；態勢評估；態勢預測

0 引言

云計算是在分布式計算、網格計算、虛擬化技術、數據存儲等技術基礎上發展起來的，通過可配置的共享計算資源池，為用戶提供包括網絡、存儲、等各種服務資源。但隨著云計算的發展，資源使用量的增加，資源存儲和任務調度也在實時增加，為滿足云計算系統的正常運行，離不開對其資源的合理管理[1-4]。

云環境下資源管理是根據用戶需要將資源合理的分配給用戶使用，是保證云計算系統正常運行的關鍵。資源管理不當將導致資源得不到合理分配，進而導致網絡擁塞、中斷等一系列問題，影響云計算系統的資源利用率和服務質量。為避免上述問題的發生，對該領域的研究提出了新的挑戰[5]。

1 相關研究

當前云計算環境下資源分配方式大都采用最大峰值的分配，這種分配方式所帶來的直接后果是：雖然在初期能夠確保云中用戶的服務質量，但在虛擬機的整個生命周期內不會隨云中應用對資源的動態消耗而動態分配，導致云中部分資源閑置，資源利用率低，同時這種分配方式減少了物理服務器中虛擬機的個數，為滿足用戶的需要，不得不增添新的物理服務器，從而加劇系統的開銷和能源的消耗，不符合當前形勢下建設綠色云系統的目標[6-7]。文獻[8]采用ES（指數平滑法）模型對云環境下服務器負載進行預測，通過該預測值來指導下一時刻云環境下資源的分配。該模型利用過去時間序列負載值的加權平均數作為下一時刻的預測負載值，同時關閉處于低載狀態下的服務器，并對其上的虛擬機任務進行遷移，而對處于重載的服務器采取部署新服務器的措施，實現負載的均衡。該模型原理簡單，系統的占用負擔小，但是該模型預測誤差具有累加性，預測精度低，平滑因子難以估計。文獻[9]和文獻[10]分別采用ARMA模型對云環境中某單項資源的需求進行了預測，并通過預測值與觀測值的誤差進行了一定的補償糾正，提高預測模型的精度，但是該模型參數比較固定，一旦確定難以修改，無法滿足當前云環境下多變的需求特征，同時誤差補償值的大小難以確定，何時進行補償糾正也沒有系統性的闡述，適應性不高。

針對這些問題，本文提出一種適用于云環境的資源需求態勢感知方法，通過對云環境下資源的使用情況進行態勢評估，同時對未來時刻資源的需求進行態勢預測，并以該預測結果為依據實現資源的動態分配，提高資源的利用率。

2 整體方案設計

本文將態勢感知技術[11-12]加入到云環境的資源管理當中，通過實時感知云環境下資源的需求情況為指導云環境下資源的動態分配提供依據，整體方案如圖1所示。

整個設計思路主要包括三個方面：

首先是云環境下資源數據的采集和優化，資源態勢本身是動態的，對其因子的選取應該著重考慮具有動態性變換的對象。并且資源種類繁多，表示單位不一，不利于數據的集成和使用，因此數據優化能夠提高數據的集成度，使評估階段權重的計算更加簡便。其次是云環境下各資源權重特征的獲取，不同時段同一節點以及同一時段不同節點下云用戶對資源的需求情況各不相同，資源權重的確定能夠體現出用戶對各資源需求的重要程度，同時權重的合理與否將直接影響到評估結果，進而為資源預測做好準備；最后態勢預測技術為云環境下資源分配提供決策信息，預測精度要滿足新環境的要求，傳統預測方法，雖然原理簡單，可實現性強，但未考慮云環境下資源增減的變化，擬合精度不高，因此為了更加靈活、快速、精確地指導云環境下資源分配，在資源評估基礎之上研究一種適合云環境下負載的新型預測模型。

2.1 資源態勢評估

2.1.1 評估指標的種類

當前云環境下資源主要是由虛擬機資源構成的，同時由于底層資源的饋乏會通過各種非線性映射的方式間接影響上層應用的正常使用。因此對于虛擬機資源的管理也主要是對底層各類基礎性資源的管理，主要包括CPU資源、內存資源、硬盤資源和網絡帶寬資源[13]。

本文將云計算環境下資源的態勢分為一級指標態勢和二級指標態勢兩大類，其中：將TRU（Total resource utilization）總體資源的利用率作為一級態勢指標；二級態勢指標定義為：CRU（Computing resource utilization）計算資源利用率、MRU（Memory resource utilization）內存資源利用率、DRU（Disk resource utilization）硬盤資源利用率和BRU（Bandwidth resource utilization）帶寬資源利用率。2.1.2 評估權重的確定

本文采用層次分析法[14]（Analytic Hierarchy Process，AHP)對云環境下各二級資源（CPU、內存、存儲、帶寬)權重進行了詳細的判斷與計算。該方法結合定性與定量的因素，進而對多目標進行優化決策。通過該方法能夠得出云環境下每一階段系統適合的資源權重，使得最終的態勢評估更加準確，更加符合實際。

具體步驟：

第一步：構造判斷矩陣A。通過云環境下各二級資源指標的相對影響程度構造判斷矩陣。

其中c、m、d、b分別代表CPU資源、內存資源、硬盤資源、網絡帶寬資源，而a中取值依據表1提供的九分位比例標尺，且ija為資源i相對于資源j的影響程度，同時該判斷矩陣需滿足aij=1/aji,aij/akj=aik,aij＞0。

表1 九分位比例標尺Tab.1 Nine point ratio

第二步：計算權重向量。運用根法（幾何平均法）對判斷矩陣的行向量進行幾何平均得到一個新矩陣B，然后進行優化處理，得到新矩陣C，權重向量iω的值即為新矩陣C中的向量。其中根法是將判斷矩陣A的各行元素的乘積進行開n次方根處理（在這里n為4）。

第三步：一致性檢驗。計算檢驗系數CR的值并判斷，如果CR＜0.1，則認為該判斷矩陣通過一致性檢驗，否則就不滿足一致性，需重新構造。其，而表2為隨機一致性指標RI的取值范圍。

表2 隨機一致性指標RITab.2 Random consistency index

2.1.3 評估規則

在每一次評估階段中，首先計算資源的各二級指標態勢值，并結合每種資源所分配的權值，求其一級指標態勢值，通過該屬性值來間接反映云環境下資源的使用情況。如公式1所示：

其中CRU為平均計算資源利用率；MRU為平均內存資源利用率；DRU為平均硬盤資源利用率；BRU為平均帶寬資源利用率；ωi為每種資源在總資源中所占用的比重。

為了對云環境下資源的使用情況進行合理的評估，根據實際運行經驗本文對負載閾值進行了劃分，最終通過評估模型來確定資源的態勢等級[15]：當資源的一級態勢值超過80%時，認定當前節點資源的使用處于重度負載狀態，為保證用戶的服務質量，需開啟新的節點，同時對開啟的新節點采用態勢預測模型來預測下一時刻用戶對資源的需求量，通過該預測值來指導資源的部署，避免再次出現資源不足的情況；當低于20%時，認定當前節點資源的使用處于低度負載狀態，虛擬機資源的閑置情況突出，為提高資源的利用率，首先對下一階段資源需求量進行態勢預測，根據預測的結果判斷用戶對資源的需求是否有所變化，進而再適當將某些節點置于關閉或待機狀態，以此來達到資源的高效使用，降低能耗。通過將預測技術引入其中，不至于在沒有了解下一階段用戶需求的情況下，盲目采取措施而導致資源緊張，違反SLA協議的規定；對處于20%-80%之間的，認定資源的使用情況處于中度負載區，可適當不采取任何措施。

2.2 資源態勢預測

本文結合云環境的特點采用改進的BP（Back Propagation）模型對云環境下負載進行態勢預測。BP算法是一種基于后向傳播且不斷調整權值的多層神經網絡算法。并且由定理可知：三層BP神經網絡能以任意精度逼近任意函數[16]。但該算法也存在一定不足，例如：初始權值和閾值的隨機選取、固定的學習率、模型收斂速度慢、易進入局部極小狀態而無法得到最優解等[17]。本文采用狼群算法（Wolf Pack Algorithm—WPA)對BP神經網絡的初始權值和閾值進行了優化，通過狼群算法全局搜索的尋優能力，確定一組最佳的BP神經網絡的初始權值和閾值，同時在模型的訓練過程中采用自適應學習率法及自適應增加動量法相結合的方法（Adaptive Learning Rate and Adaptive Momentum Oscillator—ALRAMO）對模型的參數進行了調整，通過改進方法靈活有效的解決云環境下數據繁多，數據變化快導致模型預測低的問題，降低模型陷入局部極小值的可能性。其改進的核心思想是：使初始的權重確定及之后權重的調整最大限度的適應誤差變化的需求，加快模型收斂，減小模型的訓練時間，避免陷入局部最優，減小模型預測誤差，使最終的預測結果更滿足實際的需要。其中誤差定義為模型預測值與實際值之間的差值。

2.2.1 狼群算法優化BP神經網絡的初始權值及閾值

近幾年來研究學者根據狼群捕食行為及其獵物分配方式，在粒子群優化算法（Particle Swarm Optimization—PSO）、遺傳算法（Genetic Algorithm—GA）、蟻群算法（Ant Colony Optimization—ACO）等基礎上提出了一種新的群體智能算法—狼群算法（Wolf Pack Algorithm—WPA)。狼群算法將狼群分為頭狼、探狼與猛狼，并設計出游走、召喚、奔襲與圍攻等智能行為與“勝者為王”的頭狼產生規則和“強者生存”的狼群替代機制。與其他算法相比，該算法具有較好的全局尋優能力，求解精度更高，收斂速度更快，控制參數更少的特點，能夠快速準確的收斂于問題的全局最優解[18-19]。狼群算法優化BP神經網絡的基本思想是用人工狼的狀態代表BP神經網絡的所有權值和閾值，通過個體狼的迭代尋優，將最優適應度值對應的頭狼狀態作為BP神經網絡參數初始值，然后通過BP神經網絡不斷學習，使用學習后的最優模型進行預測。狼群算法尋優BP神經網絡初始權值及閾值的過程如下[20-21]：

步驟1 根據BP模型的結構特點初始化狼群中人工狼狀態Xi,群體規模N，最大迭代次數T，探狼比例因子α，最大游走次數SPMAX，距離判斷因子ω，步長因子S，更新比例因子β。同時Xi=(xi1, xi2,…,xid,…xiD),1≤i≤N,1≤d≤D，且Xi的狀態主要通過如下公式2確定：

步驟2 選取適應度值最優的人工狼為頭狼，除頭狼外同時選取最佳的n匹人工狼為探狼并執行游走行為，即探狼分別朝m個方向分別前進一步（稱為探狼游走步長，記為SPa），則向第p(p=1,2,…,m)個方向前進后，探狼i在第d(d=1,2,…,D)維空間中所處的位置如公式3所示：

步驟3 頭狼發起召喚行為，周圍猛狼收到命令迅速向獵物奔襲。此時猛狼i第k+1次迭代時，在第d(d=1,2,…,D)維變量空間中所處的位置如式4所示：

若在奔襲過程中猛狼i感知的獵物氣味濃度Yi＞YMAX，則YMAX=Yi，替代頭狼并重新發起召喚行為；若Yi＜YMAX，則人工猛狼繼續奔襲直到dim≤dnear，轉向步驟4。在這里dim為猛狼i與頭狼m之間的距離，判斷距離

步驟4 將頭狼的位置看作獵物移動位置，對于第k代狼群，假定獵物在第d(d=1,2,…,D)維空間中的位置為，則按式5對參與圍攻行為的人工狼的位置進行更新，執行圍攻行為，同時按“勝者為王”的頭狼產生規則將更新后狼群中適應度最優的人工狼選為頭狼。

其中λ∈［-1,1］均勻分布的隨機數；SPc為人工狼i執行圍攻行為時的攻擊步長。

步驟5 按照“強者生存”的狼群更新機制去除目標函數值最差的R匹人工狼，同時在待尋優空間內隨機生成R匹人工狼完成群體更新。R的取值均勻分布的隨機數，β為狼群更新比例因子。

步驟6 判斷是否達到預設精度要求或最大迭代次數T，若達到則輸出頭狼的位置，即BP模型初始權值及閾值的最優解，否則轉向步驟2。

為了更形象的理解上述尋優過程，WPA算法優化BP模型的流程圖如下圖2所示：

圖2 WPA算法優化BP模型的流程圖Fig.2 BP model optimized through WPA algorithm

2.2.2 預測模型參數的自適應調整方法—ALRAMO

圖3為自適應調整模型參數流程圖。

圖3 ALRAMO方法調整模型參數流程圖Fig.3 Adaptive adjustment model-ALRAMO

具體公式如下：

其中a∈［1,2］，λ∈［0.001,0.001］，η(k)為當前時刻的學習率，η(k-1)為前一時刻的學習率，為E( k)當前時刻的誤差值，E( k-1)為前一時刻的誤差值，ω(t+1)為下一次權值，ω(t)為本次權值，Δω(t+1)為權值的增量，α為動量因子且α∈［0,1］。

當E( k)≤E( k-1)時，說明誤差減小，權值的調整減小，可適當加大Δω(t+1)。由公式 ω(t+1)=ω(t)+得：當增大η 時，(1)tωΔ+也會增大，這樣不僅調整了權值的修改量，適應了數據的變化趨勢，還加快了收斂速度，減小了學習時間。同時在公式6中，當E( k)≤E( k-1)，η(k)=a.η(k-1)確實符合增大的需求，但隨著模型的學習，Δω(t+1)有可能進入誤差曲面底部的“平臺”區域，即使η再大，也會變得很小，這時為了提高模型收斂精度給其添加一個較大的動量值，由公式7得Δω(t+1)=αΔ ω(t )，而不是近似于零，有助于模型擺脫局部極小值的狀態。而當E( k)＞E( k-1)時，說明誤差在增大，權值的調整增大，應適當減小Δω(t+1)，故由公式ω(t+1)=ω(t)+得：可適當減小學習率η。而當E( k)＞E( k-1)，上述公式中η(k)=e-λη(k-1)也符合學習率減小的需求，同時若在參數調整中有動量項則應適當減小動量項對權值調整的干擾，在模型訓練誤差較大的情況下，避免權值的調節量Δω(t +1)過大，導致模型在訓練過程中出現震蕩，無法收斂。

由于收斂速度和收斂精度兩者互為反函數關系，收斂精度的提高必然會引起另一方的下降，在模型逆向傳播過程中，通過模型在不同學習期的不同需求，不斷調整學習率及動量值的大小來提高模型的收斂速度和收斂精度，使模型沿著負梯度方向變化的同時，有效避免陷入局部極小值狀態，加快模型收斂。

在云環境下采用改進的BP模型進行預測不僅為模型的訓練過程提供數據支持，同時改進的BP模型非線性擬合能力高，參數的靈活性正好適應了負載數據的變化，通過在訓練過程中及時的調整參數，更好地實現預測，預測模型的流程如圖4所示。

圖4 預測模型流程圖Fig.4 The flow chart of the prediction model

（1）確定BP預測模型結構，輸入節點，隱層節點，輸出結點的個數，通過狼群算法的全局搜索能力來對模型的權值、閾值、學習率等參數進行初始化，設定誤差函數E，給定其誤差精度ε，及學習次數N；

（2）輸入訓練樣本，依次輸入訓練集中的樣本數據X=X1,X2,X3…Xm，每一次的訓練樣本設為Xk=(k=1,2,...n)；

（3）正向傳播：根據模型計算隱含層及輸出層的值，并與給定的期望值進行比較計算誤差，若誤差值滿足精度要求或已達到最大訓練次數，則轉向5，否則將通過模型誤差值的變化，來調整模型的學習速率，使之更加符合負載數據的變化趨勢，同時轉向4；

（4）逆向傳播：結合誤差值的變化來調整動量的大小，并通過增加動量的方法將上一次權值變化的影響傳遞到下次權值調整量上，進而來逆向調整模型的權值ω，閾值θ等參數，并轉向3；

（5）訓練結束，開始預測。

3 仿真實驗及結果分析

3.1 仿真實驗

對于本文提出的云環境下基于態勢感知的資源需求方法采用Yahoo云平臺提供的Sherpa數據集作為此次試驗的測試數據。該數據集記錄了各服務器中CPU，內存，硬盤，網絡流量等一系列指標的系統工作負載情況。同時該數據可以用來分析和模擬實際云系統所經歷的工作負載。在MyEclipse開發環境下使用JAVA語言進行編寫，構建基于AHP確定權重的態勢評估模型及基于BP算法優化的態勢預測模型，數據庫采用MySQL。同時對采集來的數據采用公式9進行歸一化處理。

其中a∈［-1,1］,b∈［-1,1］,a＜b。

在評估階段，根據采集來的數據計算各階段權值，且經過一致性檢驗都滿足要求，如表3。

在預測階段，設定模型的輸入節點為6、隱層節點為4、輸出結點為1，初始學習率為0.5，激勵其中p為訓練樣本的數目，y′為期望輸出，y為實際輸出，給定其誤差精度0.01ε=，及學習次數N=1000。

通過對評估及預測的結果進行分析并與傳統的評估方法及預測方法進行比較，驗證了本文算法的有效性。仿真的結果如下圖5、圖6、圖7、表4所示。

表3 各階段權值Tab.3 Weights of each stage

圖5 評估結果圖Fig.5 Evaluation results

表4 預測算法比較Tab.4 Comparison of prediction algorithms

3.2 結果分析

由圖5可知，相比于基于固定權重的評估方法和基于單一資源的評估方法而言，在評估初期基于單一資源的評估方法得出的資源利用率相對較高，但這僅僅顯示出云環境網絡中用戶對于某單一資源的需求較強，不能代表整體資源的使用情況，存在較強的片面性，因此不能憑借某單一資源的需求高低去增加資源的供給，并且單純的增加某單項資源，也無法提高整體資源的使用率及系統的性能，這樣不僅增加了成本開銷，還間接增加系統的負擔。

而基于固定權重的評估方法，雖然考慮到了不同屬性的資源，但是由于用戶在不同時期對各屬性資源的需求情況也不一樣，固定權重的評估方法只會加重其誤判的可能，降低系統的服務質量，因此對其權重的分配也應該考慮到其動態性。從上圖可以看出，本文通過層次分析法來判斷各屬性資源的影響值，通過各資源在同一時期不同的使用情況，進而得出各屬性資源的影響權重，再通過各屬性資源的加權和來得到系統整體的資源使用情況，評估方法較前兩者更加合理。

并且由圖6、圖7及表4可知：標準BP算法與傳統ES算法得到的結果較本文相比與實際偏差都比較大，訓練時間內得到的誤差曲線與本文算法相比都偏高，且當實際數據發生劇烈變動時，前兩者收斂速度較慢，得出的誤差也比較大無法滿足實際的需求，而本文算法能夠在一定的訓練次數后使誤差達到較小值，訓練次數少，誤差小，收斂速度快，更接近于實際值，預測結果也更加精確。

圖6 態勢預測圖Fig.6 Situation prediction

圖7 MSE曲線圖Fig.7 The MSE curve of each prediction model

4 結論

本文針對傳統云環境下資源管理的情況，提出了基于態勢感知技術的云資源管理方法。該方法不僅能夠實現對云環境下當前資源的負載情況進行合理地評估，使管理員能夠更加詳細的了解當前系統的使用情況，同時也能夠更加精確地預測出下一階段資源負載的需求情況，為實現資源的合理分配提供依據。故下一階段的研究任務是在不違背SLA協議的同時，如何以該研究方法為依據實現資源的合理分配，使云計算平臺下資源的利用率及服務質量得到提高。

參考文獻

[1] 李華清. 云計算技術及應用服務模式探討[J]. 軟件, 2014(2): 127-128. LI H Q. Cloud Computing Technology and Application Service Model to Explore[J]. Software, 2014(2): 127-128.

[2] 王倩, 曹彥. 云計算研究[J]. 軟件, 2013, 34(5): 116-118. WANG Q, CAO Y. Study on Cloud Computing[J]. Software, 2013, 34 (5): 116-118.

[3] 丁養志. 淺析虛擬化技術在云計算中的運用[J]. 軟件, 2014, 35(3): 176-177. DING Y Z. Analysis of Virtualization Technology in the Cloud[J]. Software, 2014, 35(3): 176-177.

[4] 王曉艷. 基于云計算的數據中心建設探討[J]. 軟件, 2014, 35(2): 129-130. WANG X Y. Discussion on Cloud Computing Data Center Construction[J]. Software, 2014, 35(2): 129-130.

[5] 武凱, 勾學榮, 朱永剛. 云計算資源管理淺析[J]. 軟件, 2015(2): 97-101. WU K, GOU X J, ZHU Y G. Cloud Computing Resource Management Analysis[J]. Software, 2015(2): 97-101.

[6] LIN W Y, LIN G Y, WEI H Y. Dynamic Auction Mechanism for Cloud Resource Allocation[C]. 10th IEEE/ACM International Conference on Cluster, Cloud and Grid Computing (CCGrid), 2010: 591-592.

[7] YOUNGE A J, LASZEWSKI G V, WANG L Z, et al. Efficient resource management for cloud computing environments[C]. In: International Conference on Green Computing, Chicago, USA, 2010: 357-364.

[8] CAMINERO A C, ROS S, HERRENDEZ R, et al. Load Forecasting Mechanism for e-Learning Infrastructures Using Exponential Smoothing[C]. IEEE International Conference on Advanced Learning Technologies, Athens, GA, 2011: 364-365.

[9] ROY N, DUBEY A, GOKHALE A. Efficient Autoscaling in the Cloud using Predictive Models for Workload Forecasting[C]. In: IEEE 4th International Conference on Cloud Computing, IEEE, 2011: 500-507.

[10] ARDAGNA D, CASOLARI S, PANICUCCI B. Flexible Distributed Capacity Allocation and Load Redirect Algorithms for Cloud Systems[C]. In: Proc. of the 4th International Conference on Cloud Computing, IEEE Cloud 2011, Washington DC, USA, 2011: 163-170.

[11] ENDSLEY M R. Situation Awareness Misconceptions and Misunderstandings[J]. Journal of Cognitive Engineering and Decision Making, 2014, 9(1): 44-50.

[12] BASS T. Cyberspace Situational Awareness Demands Mimic Traditional Command Requirements[J]. Signal, 2000(6): 83-84.

[13] 郭芬. 面向虛擬機的云平臺資源部署與調度研究[D]. 廣州: 華南理工大學, 2015. GUO F. Research on Deploying and Scheduling for Cloud Resources based on Virtual Machines[D]. Guangzhou: South China University of Technology, 2015.

[14] AMANDEEP, MOHAMMAD F, YADAV V. Automatic Decision Making for Multi-Criteria Load Balancing in Cloud Environment using AHP[C]. International Conference on Computing, 2015: 569-576.

[15] 張遠. 基于開源平臺的云資源管理系統的研究與應用[D].成都: 電子科技大學, 2014. ZHANG Y. Research and Application of Cloud Computing Resource Management System Based on The Open Source Platform[D]. Chengdu: University of Electronic Science and Technology of China, 2014.

[16] 喻寶祿, 段迅, 吳云. BP神經網絡數據預測模型的建立及應用[J]. 計算機與數字工程, 2016, 44(3): 482-486. YU B L, DUAN X, WU Y. Establishment and Application of Data Prediction Model Based on BP Neural Network [J]. Computer and Digital Engineering, 2016, 44(3): 482-486.

[17] WANG F, NIU L. An Improved BP Neural Network in Internet of Things Data Classification Application Research[C]. IEEE Information Technology, Networking, Electronic and Automation Control Conference, 2016: 805-808.

[18] XIAN G L, ZHANG Y, LIU L G, et al. A Novel Intelligent System Based on WPA-SVMs for Fault Signals Recognition[C]. International Conference on Wireless Communications, Networking and Mobile Computing, 2005(1): 591-594.

[19] 吳虎勝, 張鳳鳴, 吳廬山. 一種新的群體智能算法—狼群算法[J]. 系統工程與電子技術, 2013, 35(11): 2430-2438. WU H S, ZHANG F M, WU L S. New Swarm Intelligence Algorithm-Wolf Pack Algorithm[J]. Systems Engineering and Electronics, 2013, 35(11): 2430-2438.

[20] 李國亮. 狼群算法的研究與應用[D]. 南昌: 東華理工大學, 2016. LI G L. Research and Application of Wolf Colony Algorithm[D]. Nanchang: East China University of Technology, 2016.

[21] 李常洪, 趙偉棟. 基于狼群算法優化的BP神經網絡[J]. 科技創新與生產力, 2016(1): 56-58. LI C H, ZHAO W D. BP Neural Network Based on Optimization of Wolf Colony Algorithm[J]. Sci-tech Innovation and Productivity, 2016(1): 56-58.

[22] 張敏, 徐啟華. 基于改進BP的神經網絡模型參考自適應控制[J]. 軟件, 2015(7): 118-123. ZHANG M, XU Q H. The Improved BP Neural Network Model Reference Adaptive Control[J]. Software, 2015(7): 118-123.

[23] ZHANG B C, LIN J Q, CHANG Z C, et al. The application of multi sensor data fusion based on the improved BP neural network algorithm[C]. Chinese Control & Decision Conference, 2016: 3842-3846.

Situation Awareness Based Resource Requirement in Cloud Computing Environment

LI Zheng, WANG Jun-she, ZHANG Hong-bin
(School of Information Science and Engineering, Hebei University of Science and Technology, Shijiazhuang, 050000, China)

In view of the defects of the current cloud computing resource management, which resulting in low utilization of resources. In order to improve the utilization of resources and achieve its efficient use, this paper proposes a new method of resource requirement for cloud computing environment which is based on situation awareness. By using AHP (Analytic Hierarchy Process) to assess the current situation of the use of resources. At the same time, the improved BP (Back Propagation) algorithm is used to forecast the resource requirement of the next time which can provide the basis for rational allocation.

Cloud computing; Resource requirement; Situation awareness; Situation assessment; Situation prediction

TP3-05

A

10.3969/j.issn.1003-6970.2017.05.017

李正(1991-），男，碩士，通信網絡管理。

王俊社，教授，主要研究方向為網絡管理、云計算。

本文著錄格式：李正，王俊社，張紅斌. 云環境下的資源需求態勢感知研究[J]. 軟件，2017，38（5）：75-82