基于VDM-ISSA-LSSVM的云資源短期負(fù)載預(yù)測(cè)模型

楊哲興， 謝曉蘭，b， 李水旺，b

（桂林理工大學(xué)a.信息科學(xué)與工程學(xué)院；b.廣西嵌入式技術(shù)與智能系統(tǒng)重點(diǎn)實(shí)驗(yàn)室，廣西 桂林 541004）

0 引言

容器作為一種新型虛擬化技術(shù)，憑借其啟動(dòng)速度快、資源利用率高、可伸縮強(qiáng)等優(yōu)點(diǎn)，極大地緩解了云計(jì)算中數(shù)據(jù)處理和運(yùn)算壓力，已經(jīng)成為云計(jì)算應(yīng)用和服務(wù)軟件開(kāi)發(fā)的輕量級(jí)解決方案。隨著云計(jì)算平臺(tái)的不斷擴(kuò)展，大量的請(qǐng)求被同步提交給云平臺(tái)，資源需求量的增加會(huì)導(dǎo)致容器容易面臨突發(fā)負(fù)載的壓力［2］，使得云平臺(tái)變得不穩(wěn)定。通過(guò)容器云資源負(fù)載的有效預(yù)測(cè)可促進(jìn)應(yīng)用的主動(dòng)調(diào)度或容器負(fù)載平衡決策，對(duì)確保服務(wù)質(zhì)量（QoS）與用戶的服務(wù)水平協(xié)議（sla）至關(guān)重要。

短期云資源負(fù)載數(shù)據(jù)具有明顯的非線性、隨機(jī)性和不穩(wěn)定性［2］，有效地捕捉云資源負(fù)載的線性和非線性相關(guān)性，并準(zhǔn)確預(yù)測(cè)未來(lái)的云資源負(fù)載變化，是一個(gè)極具挑戰(zhàn)性的研究難題。

目前，關(guān)于云資源負(fù)載預(yù)測(cè)的研究還較少，在以往傳統(tǒng)研究中常采用時(shí)間序列預(yù)測(cè)模型，如自回歸、移動(dòng)平均、自回歸移動(dòng)平均。考慮到短期云資源負(fù)載數(shù)據(jù)明顯的非線性和非平穩(wěn)特性，時(shí)間序列模型相對(duì)不具有較好的適用性。文獻(xiàn)［3］中指出，機(jī)器學(xué)習(xí)模型比時(shí)間序列預(yù)測(cè)模型具有更好的泛化能力和映射能力，能更高效地處理非線性負(fù)載數(shù)據(jù)。文獻(xiàn)［4］中針對(duì)傳統(tǒng)時(shí)間序列預(yù)測(cè)模型在面對(duì)小樣本、非線性云資源負(fù)載數(shù)據(jù)時(shí)預(yù)測(cè)精度不高，建立支持向量機(jī)（Support Vector Machine，SVM）的負(fù)載預(yù)測(cè)模型，驗(yàn)證SVM 預(yù)測(cè)模型在負(fù)載預(yù)測(cè)中的精度比傳統(tǒng)時(shí)間序列方法高、均方誤差更小等優(yōu)點(diǎn)。但SVM 求解復(fù)雜且計(jì)算較為耗時(shí)。針對(duì)SVM的弱點(diǎn)，文獻(xiàn)［5］中提出一種基于最小二乘支持向量機(jī)（Least Squares Support Vector Machine，LSSVM）的預(yù)測(cè)模型，通過(guò)二次規(guī)劃法實(shí)現(xiàn)不等式約束與等式約束的轉(zhuǎn)化，降低模型計(jì)算難度，有效提高預(yù)測(cè)的準(zhǔn)確率。LSSVM 因其優(yōu)越性，近年來(lái)已被廣泛應(yīng)于多個(gè)預(yù)測(cè)領(lǐng)域［6］。

機(jī)器學(xué)習(xí)模型參數(shù)對(duì)云資源負(fù)載的預(yù)測(cè)效果有很大影響。如何選擇最優(yōu)參數(shù)是機(jī)器學(xué)習(xí)模型的核心。文獻(xiàn)［9］中采用灰狼優(yōu)化算法（Grey Wolf Optimizer，GWO）對(duì)SVM參數(shù)進(jìn)行尋優(yōu)，針對(duì)標(biāo)準(zhǔn)GWO 算法易陷入局部最優(yōu)解，引入種群動(dòng)態(tài)進(jìn)化算子增強(qiáng)其獲得全局最優(yōu)解的概率，提高了云資源短期負(fù)載預(yù)測(cè)的精確性。文獻(xiàn)［10］中采用鯨魚(yú)算法（Whale Optimization Algorithm，WOA）來(lái)優(yōu)化LSSVM 參數(shù)，提出一種WOA-LSSVM負(fù)荷預(yù)測(cè)模型，提升模型收斂速度和預(yù)測(cè)精度。

上述學(xué)者的研究雖然都在提高預(yù)測(cè)精度取得了成果，但都沒(méi)考慮原始云資源負(fù)載數(shù)據(jù)非線性、非平穩(wěn)性等特點(diǎn)。就此，文獻(xiàn)［11］中采用經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）將負(fù)載數(shù)據(jù)分解為互不耦合的IMF分量，降低負(fù)載數(shù)據(jù)的非線性程度。文獻(xiàn)［12］中采用小波變換把時(shí)間序列分解為不同時(shí)間頻率的子序列，來(lái)降低原始云負(fù)載數(shù)據(jù)的復(fù)雜性。但EMD容易出現(xiàn)模態(tài)分量混疊［13］和小波變換存在分解層數(shù)難以確定等缺點(diǎn)，這些都會(huì)導(dǎo)致預(yù)測(cè)精度的下降。針對(duì)上述問(wèn)題，文獻(xiàn)［14］中采用變分模態(tài)分解（Variational Mode Decomposition，VDM），來(lái)替代EMD或小波變換等方法來(lái)處理原始數(shù)據(jù)，它克服了EMD方法中模態(tài)分量混疊，分解效果更優(yōu)。

標(biāo)準(zhǔn)麻雀搜索算法（Sparrow Search Algorithm，SSA）新穎，性能較好，但存在迭代后期種群多樣性降低、容易陷入局部最優(yōu)等［15］。在上述背景基礎(chǔ)上，本文提出一種基于VMD 算法與改進(jìn)麻雀搜索算法（Improved Sparrow Search Algorithm，ISSA）優(yōu)化的LSSVM云資源短期負(fù)載預(yù)測(cè)模型。該模型使用VMD算法將原始云資源負(fù)載數(shù)據(jù)分解成多個(gè)不同的模態(tài)分量，增強(qiáng)數(shù)據(jù)序列的平穩(wěn)性；采用ISSA對(duì)LSSVM進(jìn)行參數(shù)尋優(yōu)；建立VMD-ISSA-LSSVM模型分別預(yù)測(cè)各模態(tài)分量，疊加得到最終的預(yù)測(cè)值并和其他5 個(gè)模型比較，驗(yàn)證該模型對(duì)云資源短期負(fù)載預(yù)測(cè)的準(zhǔn)確性。

1 變分模態(tài)分解

VMD為一種自適應(yīng)非遞歸時(shí)頻信號(hào)分解算法，主要由變分問(wèn)題的構(gòu)造和求解兩步組成。

1.1 變分問(wèn)題的構(gòu)造

設(shè)原始云資源負(fù)載序列為f（t），經(jīng)過(guò)分解后得到K個(gè)模態(tài)分量

式中：φk（t）為非遞減的相位函數(shù)；Ak（t）為包絡(luò)函數(shù)，k＝1，2，…，n。

步驟1采用希爾伯特變換獲得各模態(tài)分量的單邊頻譜，同時(shí)設(shè)模態(tài)中心頻率為ωk，加入指數(shù)項(xiàng)e-jωkt，將各模態(tài)的頻譜轉(zhuǎn)換到基帶，得到移頻后的頻譜

步驟2利用高斯平滑度對(duì)寬度進(jìn)行估算，并引入約束條件，求解各模態(tài)估計(jì)寬度之和的最小值，約束變分模型

1.2 變分問(wèn)題求解

步驟1引入增廣拉格朗日函數(shù)，將式（3）重構(gòu)為非約束性變分問(wèn)題，即：

式中：α為二次懲罰因子，可使信號(hào)重構(gòu)時(shí)有較高精確度；λ為拉格朗日乘法算子。

步驟2用交替方向乘子方法，交替更新uk、ωk和λ，對(duì)式（4）中的鞍點(diǎn)進(jìn)行求解，得模態(tài)分量uk和中心頻率ωk的迭代求解公式：

2 最小二乘支持向量機(jī)

LSSVM模型的求解原理

式中：η為權(quán)重向量；φ（x）為非線性變換的映射函數(shù)；b為偏移量。

（2）利用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理求解η、b。把函數(shù)擬合問(wèn)題轉(zhuǎn)化為優(yōu)化

式中：ξi為誤差變量；c為懲罰因子。

（3）建立拉格朗日方程對(duì)該優(yōu)化問(wèn)題進(jìn)行求解

式中，αi為L(zhǎng)agrange乘子。

（4）根據(jù)KKT 條件和Mercer 條件，消去ω 和ξi后，可得LSSVM最終預(yù)測(cè)模型

式中，k（x，xi）為核函數(shù)，本文采用徑向基函數(shù)作為核函數(shù)

式中，σ為核參數(shù)。

3 麻雀搜索算法及其改進(jìn)

3.1 標(biāo)準(zhǔn)SSA算法

SSA算法是通過(guò)麻雀覓食行為提出的一種新的啟發(fā)式種群優(yōu)化算法，有較好的尋優(yōu)性能。在尋優(yōu)過(guò)程中，作為發(fā)現(xiàn)者的麻雀為種群提供搜索方向和區(qū)域，加入者麻雀根據(jù)發(fā)現(xiàn)者的指引進(jìn)行搜索，偵查者麻雀則依靠反捕食策略避免種群陷入局部最優(yōu)。

發(fā)現(xiàn)者的位置更新

式中：t、itermax分別為當(dāng)前和最大迭代數(shù)；α∈Random（0，1］；Q為在［0，1］正態(tài)分布的隨機(jī)數(shù)；L為維度1 ×d的矩陣；R2為警戒值；ST為安全閾值。

加入者的位置更新

式中：Xp、XworstX分別為當(dāng)前最優(yōu)解和最差解；A為維度1 ×d的矩陣，且滿足A+＝AT（AAT）-1。

偵察者的位置更新

3.2 改進(jìn)的SSA算法

3.2.1 Iterative映射初始化

傳統(tǒng)SSA 算法，種群多樣性較差。引入Iterative混沌映射初始化種群，降低隨機(jī)化的初始種群對(duì)算法收斂的影響

式中：υ為控制參數(shù)，υ∈（0，1），本文設(shè)定υ ＝0.7；xn為第n次迭代后x的值。

取n＝200 對(duì)Iterative 映射進(jìn)行仿真，由圖1 可知，經(jīng)Iterative映射得到的種群分布相對(duì)均勻。

圖1 Iterative分布

3.2.2 自適應(yīng)權(quán)重因子

在標(biāo)準(zhǔn)SSA算法中，發(fā)現(xiàn)者會(huì)逐漸向全局最優(yōu)解移動(dòng)，易陷入局部最優(yōu)解。權(quán)重因子對(duì)保持算法搜索能力的穩(wěn)定起到重要作用。引入自適應(yīng)權(quán)重因子

改進(jìn)后的發(fā)現(xiàn)者位置更新

3.2.3 加入者位置改進(jìn)策略

在迭代過(guò)程中，由式（14）可知，加入者和探索者會(huì)逐漸同化靠近最優(yōu)解，使得種群的多樣性快速下降，算法容易陷入局部最優(yōu)。采用柯西分布對(duì)種群個(gè)體進(jìn)行擾動(dòng)，使算法能更好地脫離局部最優(yōu)解。柯西分布概率密度

改進(jìn)后加入者位置更新

3.2.4 偵查者非線性遞減策略

偵查者的存在能夠增強(qiáng)算法的尋優(yōu)能力，其比例因子SD值會(huì)影響算法的尋優(yōu)策略。SD 值越大越有利于算法前期的全局搜索，不利于算法后期的局部搜索。受文獻(xiàn)［16］的啟發(fā)，引入非線性遞減策略來(lái)動(dòng)態(tài)調(diào)整比例因子SD，使得SD 隨著迭代次數(shù)動(dòng)態(tài)下降。同時(shí)為保證算法的有效性，應(yīng)避免出現(xiàn)SD為0。具體調(diào)整

式中：SDmax為最大比例因子；SDmin為最小比例因子。

3.3 ISSA算法性能分析

本文選取6 個(gè)基準(zhǔn)測(cè)試函數(shù)來(lái)檢驗(yàn)ISSA 算法的性能，測(cè)試函數(shù)的具體介紹見(jiàn)表1。

表1 基準(zhǔn)測(cè)試函數(shù)具體介紹

在對(duì)比測(cè)試時(shí)，將本文所提ISSA 算法與SSA、WOA、GWO 3 種算法進(jìn)行對(duì)比，為使測(cè)試結(jié)果更加客觀，統(tǒng)一使用測(cè)試軟件Matlab 2020b，4 種算法共有參數(shù)統(tǒng)一設(shè)置，種群數(shù)量設(shè)為30，最大迭代次數(shù)設(shè)為200。每個(gè)算法獨(dú)立運(yùn)行30 次，統(tǒng)計(jì)其最優(yōu)值、平均值以及方差作為算法評(píng)價(jià)指標(biāo)。各優(yōu)化算法性能對(duì)比見(jiàn)表2。

分析表2 可知，對(duì)于高維單峰函數(shù)F1～F3，本文所提ISSA在尋優(yōu)結(jié)果上明顯優(yōu)于其他3 種算法，雖然SSA在面對(duì)函數(shù)F1～F2也找到了最優(yōu)值，但其平均值和方差均遠(yuǎn)低于ISSA。對(duì)于高維多峰函數(shù)F4～F6，SSA和ISSA都能穩(wěn)定地尋找到最優(yōu)值，并且性能都比GWO和WOA要出色。

為更直觀對(duì)比算法的收斂精度和速度，圖2（a）～（f）為各優(yōu)化算法的收斂曲線對(duì)比。觀察函數(shù)收斂曲線可知，ISSA 在收斂速度上均優(yōu)于SSA、GWO 以及WOA。對(duì)于高維多峰函數(shù)F4～F6，ISSA 和SSA 均找到了全局最優(yōu)解，但I(xiàn)SSA 的迭代速度遠(yuǎn)少于SSA 且曲線更光滑，說(shuō)明ISSA 跳出局部最優(yōu)解的能力更強(qiáng)，收斂速度更快。

圖2 各優(yōu)化算法收斂曲線

4 VMD-ISSA-LSSVM預(yù)測(cè)模型

使用VMD 算法對(duì)云資源負(fù)載數(shù)據(jù)進(jìn)行分解處理。采用ISSA算法對(duì)LSSVM的核函數(shù)寬度σ和懲罰因子c進(jìn)行優(yōu)化，提高預(yù)測(cè)精度。疊加各模態(tài)分量的預(yù)測(cè)值，獲得云資源負(fù)載預(yù)測(cè)結(jié)果。建模流程如圖3所示，具體步驟

圖3 VMD-ISSA-LSSVM建模流程圖

步驟1對(duì)原始云資源負(fù)載數(shù)據(jù)線性化歸算至［0，1］之間，歸一化

步驟2利用VMD分解原始云資源負(fù)載數(shù)據(jù)。

步驟3對(duì)原始數(shù)據(jù)分解得到的每個(gè)分量，分別輸入ISSA-LSSVM模型，采用改進(jìn)麻雀搜索算法優(yōu)化σ和c這兩個(gè)重要參數(shù)，然后進(jìn)行預(yù)測(cè)。

步驟4疊加各模態(tài)分量的預(yù)測(cè)結(jié)果，形成最終云資源負(fù)載預(yù)測(cè)結(jié)果。

ISSA算法優(yōu)化LSSVM步驟如下：

步驟1對(duì)ISSA和LSSVM的參數(shù)進(jìn)行初始化。

步驟2引入Iterative 混沌映射，利用式17 初始化種群，提高初始位置分布的均勻性。

步驟3計(jì)算麻雀適應(yīng)度值，找出最優(yōu)和最差適應(yīng)度值，同時(shí)根據(jù)式（17）更新發(fā)現(xiàn)者位置。

步驟4根據(jù)式（19）對(duì)加入者的位置進(jìn)行更新。

步驟5根據(jù)式（20）自適應(yīng)更新偵察者比例因子SD，利用式（14）對(duì)偵察者位置進(jìn)行更新。

步驟6重新計(jì)算各麻雀的適應(yīng)度，判斷新位置是否優(yōu)于當(dāng)前更新位置。

步驟7若新位置更優(yōu)，則更新位置，反之重復(fù)步驟2。

步驟8判斷迭代終止條件是否滿足，若是，則確定最佳參數(shù)，將獲得的最優(yōu)參數(shù)輸入到LSSVM中構(gòu)建最優(yōu)模型進(jìn)行負(fù)載預(yù)測(cè)，反之重復(fù)步驟2。

5 實(shí)驗(yàn)與分析

5.1 數(shù)據(jù)來(lái)源

本文選取的數(shù)據(jù)集來(lái)自某網(wǎng)站2015-6-1 ～2015-6-30 每日24 h云計(jì)算資源負(fù)載數(shù)據(jù)［18］，數(shù)據(jù)采樣時(shí)間間隔為1 h，共720 個(gè)數(shù)據(jù)，云資源原始負(fù)載數(shù)據(jù)如圖4 所示，選取前29 d 的數(shù)據(jù)為訓(xùn)練集，預(yù)測(cè)第30 d 的云資源負(fù)載數(shù)據(jù)。

圖4 云資源原始負(fù)載數(shù)據(jù)圖

5.2 評(píng)價(jià)指標(biāo)

本文設(shè)置均方根誤差（Root Mean Squared Error，RMSE）、平均絕對(duì)誤差（Mean Absolute Error，MAE）以及平均絕對(duì)百分比誤差（Mean Absolute Percentage Error，MAPE）作為客觀評(píng)價(jià)預(yù)測(cè)精度的標(biāo)準(zhǔn)，三者的值越小，模型預(yù)測(cè)精度則越高

式中：n為預(yù)測(cè)樣本容量；yi為云資源負(fù)載的實(shí)際值；y'i為云資源負(fù)載的預(yù)測(cè)值。

5.3 結(jié)果分析

由圖4 可知，云資源負(fù)載數(shù)據(jù)有較強(qiáng)的非線性和非平穩(wěn)性。首先對(duì)原始數(shù)據(jù)進(jìn)行VMD分解，模態(tài)數(shù)K值的選取會(huì)對(duì)VMD 分解產(chǎn)生重要影響，當(dāng)模態(tài)數(shù)K值過(guò)小或過(guò)大時(shí)，原始信號(hào)會(huì)出現(xiàn)模態(tài)異構(gòu)或由于相鄰模態(tài)分量的中心頻率過(guò)于接近，導(dǎo)致模態(tài)重復(fù)，影響預(yù)測(cè)效果，需通過(guò)分析不同模態(tài)數(shù)下中心頻率來(lái)選擇合適的K值。各K值對(duì)應(yīng)的中心頻率見(jiàn)表3。

表3 K值對(duì)應(yīng)的中心頻率

分析表3 數(shù)據(jù)可得，隨著分解模態(tài)個(gè)數(shù)的增加各模態(tài)分量的中心頻率差值逐漸變小，當(dāng)K＞7 時(shí)相鄰模態(tài)分量間的差值過(guò)于偏小，開(kāi)始出現(xiàn)模態(tài)重疊現(xiàn)象，本文將K設(shè)為7；懲罰參數(shù)α ＝2000；噪聲容忍t＝0；初始中心頻率init ＝1；收斂容差tol ＝10-7。VMD分解效果如圖5 所示。

圖5 VMD分解結(jié)果

將VMD 分解后獲得的7 個(gè)模態(tài)分量分別輸入ISSA-LSSVM預(yù)測(cè)模型，設(shè)定LSSVM 核函數(shù)寬度σ 和懲罰因子c的尋優(yōu)范圍為［0.1，1000］，ISSA參數(shù)設(shè)置為：種群數(shù)量P＝30，最大迭代次數(shù)M＝50，預(yù)警值R2＝0.8，發(fā)現(xiàn)者比例因子PD ＝0.2，跟隨者比例因子SD為［0.2，0.1］非線性遞減。采用ISSA算法優(yōu)化LSSVM的核函數(shù)寬度σ 和懲罰因子c，優(yōu)化后的參數(shù)為σ ＝2.2921，c＝1.1604。

為進(jìn)一步分析本文所提模型，選取2 種獨(dú)立模型SVM、LSSVM 和3 種組合模型EMD-LSSVM、VMDLSSVM、ISSA-LSSVM進(jìn)行對(duì)比實(shí)驗(yàn)。各模型可視化預(yù)測(cè)結(jié)果如圖6 所示，各模型評(píng)價(jià)結(jié)果標(biāo)準(zhǔn)見(jiàn)表4。

表4 6 月各模型的評(píng)價(jià)結(jié)果

圖6 6月各模型的可視化預(yù)測(cè)結(jié)果圖

分析表4 數(shù)據(jù)可知，在單一模型中，SVM 和LSSVM均能大致預(yù)測(cè)云資源負(fù)載數(shù)據(jù)的變化趨勢(shì)，且LSSVM的表現(xiàn)略優(yōu)于SVM。與單一模型比，各組合模型的預(yù)測(cè)精度都得到了不同程度的提高。相較于EMD-LSSVM型、VMD-LSSVM模型的MAE、RMSE值和MAPE 值分別降低了57.64%、51.55%、59.89%，說(shuō)明用VMD分解得到的云資源負(fù)載子序列更為平穩(wěn)能更好地提高預(yù)測(cè)精度。對(duì)比LSSVM和ISSA-LSSVM模型，發(fā)現(xiàn)經(jīng)過(guò)對(duì)模型關(guān)鍵參數(shù)進(jìn)行尋優(yōu)后，模型的MAE、RMSE 和MAPE 的值分別降低了43.97%、32.464%和48.51%，預(yù)測(cè)精度更高。在此基礎(chǔ)上對(duì)原始數(shù)據(jù)進(jìn)行VMD 分解后再分別輸入ISSA-LSSVM模型進(jìn)行預(yù)測(cè)，使預(yù)測(cè)精度得到了進(jìn)一步的提升，其MAE、RMSE和MAPE的值均優(yōu)于以上各個(gè)模型，預(yù)測(cè)效果表現(xiàn)最好。由以上分析可得，本文所提VMDISSA-LSSVM預(yù)測(cè)模型精度更高。

為檢驗(yàn)本文所提模型的泛化性和穩(wěn)定性，本文還選取了同年7 月云資源負(fù)載數(shù)據(jù)進(jìn)行預(yù)測(cè)實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖7、表5 所示。

表5 7 月各模型的評(píng)價(jià)結(jié)果

圖7 7月各模型的可視化預(yù)測(cè)結(jié)果

分析表5 可知，VMD-ISSA-LSSVM 模型在MAE、RMSE以及MAPE 的值上均優(yōu)于其他模型，預(yù)測(cè)精度最高。說(shuō)明VMD-ISSA-LSSVM 模型針對(duì)非線性的云資源負(fù)載數(shù)據(jù)預(yù)測(cè)精度和穩(wěn)定性較強(qiáng)。

6 結(jié)語(yǔ)

（1）針對(duì)云資源負(fù)載數(shù)據(jù)的非線性和非平穩(wěn)性特點(diǎn)，提出VMD分解方法，將原始數(shù)據(jù)分解為平穩(wěn)的模態(tài)分類，有效提高了預(yù)測(cè)精度。

（2）針對(duì)SSA種群多樣性不足，容易陷入局部最優(yōu)等缺陷，引入Iterative 映射初始化和自適應(yīng)權(quán)重因子，并對(duì)加入者和偵查者的更新策略進(jìn)行改進(jìn)，進(jìn)一步提高算法的收斂能力。通過(guò)仿真得出，ISSA能夠減少迭代次數(shù)，加快算法收斂速度。采用ISSA 對(duì)LSSVM的關(guān)鍵參數(shù)進(jìn)行優(yōu)化后，模型的預(yù)測(cè)精度優(yōu)于原始LSSVM模型。

（3）相對(duì)于參比模型，本文所提VMD-ISSALSSVM云資源負(fù)載預(yù)測(cè)模型在面對(duì)非線性和非平穩(wěn)性云資源負(fù)載數(shù)據(jù)預(yù)測(cè)中精確度更高，對(duì)于提高云資源的優(yōu)化效率，保障云服務(wù)質(zhì)量有著積極意義。