基于分层随机建模的云服务质量研究.pdf

文档介绍：该【基于分层随机建模的云服务质量研究 】是由【十二贾氏】上传分享，文档一共【4】页，该文档可以免费在线阅读，需要了解更多关于【基于分层随机建模的云服务质量研究 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。
舰船电子工程总第期
94ShipElectronicEngineering20213246
总第年第期
基于分层随机建模的云服务质量研究∗
周游
100036
(海军研究院北京)
摘要近年来,随着云服务系统应用领域的不断拓展,服务质量越来越成为了人们关注的焦点。面对服务质量问题,
目前主要采取了定性的分析方法,但较难满足对服务质量要求较高的应用领域。并且,由于云服务系统的复杂、动态等特
性,较难精确地对服务质量进行建模分析。因此,论文基于分层的思路,通过对影响服务质量的关键要素进行随机建模。具
体基于分层随机建模对云服务质量进行研究,提供一种分而治之的思路,利用云服务系统的排队特性,基于随机建模理论实
现对服务质量的研究。
关键词云服务系统;服务质量;随机建模;排队模型;分层
.1672-
中图分类号DOI:
ResearchonCloudServiceQualityBasedonHierarchicalStochastic
Modeling
ZHOUYou
NavalAcademyBeijing100036
(,)
Inrecentyearswiththecontinuousexpansionoftheapplicationfieldofcloudservicesystemsservicequalityhas
Abstract,,

,
⁃
,,

,,

,,
oncloudservicequalityisbasedonhierarchicalstochasticmodelingprovidingadivide-and-conquerideausingthequeuingchar⁃
,,
acteristicsofthecloudservicesystemandrealizingtheresearchonservicequalitybasedonstochasticmodelingtheory.
,
cloudservicesystemservicequalitystochasticmodelingqueuingmodelstratification
KeyWords,,,,

ClassNumber
1引言2相关工作
1
云服务相关技术的不断发展与成熟,其应用领文献[]利用了离散的随机变量,用以定义系
2
域不断拓展,随之而来的便是人们对云服务质量的统服务质量相关特性。文献[]则直接将系统服务
关注。目前云服务提供商主要利用定性的模型对质量定义为随机变量。以上文献无论定义的是服
服务质量进行研究,或者利用事后分析方法试图优务质量本身还是其属性,都未根据系统输入建立系
3
化服务质量。然而,这两种方法越来越不适应高质统输出的模型。文献[]基于系统异常和失效服务
量的服务需求。因此,本文利用排队模型对云服务率,利用概率模型对云服务质量进行评价。文献
4
质量进行建模,从数学模型的角度分析系统在一定[]从功能适应度、人性化、可信等角度,构建云计
连续时间范围内的服务质量,为系统服务质量提供算平台的评测体系,即纳入主观因素对模型的影
5~7
建模层面的支撑。响,建立云服务质量模型。文献[]通过对物理
2020**********
∗收稿日期:年月日,修回日期:年月日
作者简介:周游,男,硕士研究生,工程师,研究方向:计算机应用。
2021695
年第期舰船电子工程
2
资源、网络资源、系统架构等分析,构建了多目标优)失效概率
化模型,探讨了影响云服务质量的关键要素。文献在时刻(t+Dt)后软件单位时间里发生失效的
8petri
[]采用随机网建立系统性能模型,一定程度概率,即失效概率λ(t),计算公式如下所示。其中,
上对服务质量进行了评价。随着人工智能相关支ξ表示发生失效的时间。
撑技术的发展,基于智能算法的模型分析方法也逐P{t+Dt³ξ>t|ξ>t}
λ(t)=lim
9Dt®0Dt
步出现。文献[]基于随机森林方法实现了云计算3
10)平均失效前时间和平均失效间隔时间
资源性能的建模,并且效果很理想。文献[]提出
平均失效前时间表示系统从正常状态到失效
了一种指标优劣水平为度量的分析方法,用于云服=1-=
11状态的平均值。假设用R(t)F(t)P(ξ>t)表
务质量评估。文献[]基于神经网络对无人机的=
12示软件的可靠度函数,其中F(t)P(ξ£t)表示
云服务质量进行了评价和调优控制。文献[]基0
软件在[,t]时间内的累计概率密度函数,则平均
于时间序列预测模型对云服务的响应时间和吞吐
¥MTBF
量进行预测。但是,以上文献主要侧重于分析系统失效前时间MTTF=R(t)dt;表示软件在邻
关键要素对服务质量的影响,并未详细建立各关键0
近两次失效时间间隔的平均值。假设用ξ表示邻
要素对服务质量的定量关系模型。因此,本文将复=1-=>
RtFtPt
杂的服务质量建模采用分层建立随机模型,最后基近两次失效时间间隔,()()(ξ)表示
其可用度函数。
于灰色关联度模型建立云服务质量的预测模型,
到服务质量评价的目的。云输出带宽损失模型
用户的请求模型一般符合泊松分布。假设:X
3本文方案表示具有瓶颈限制的链路带宽。为了简化,我们假
Y
本文具体将从影响系统服务质量的关键指标、设所有用户对带宽的需求为,分配给云系统有效
=
HX
构建基于排队论的多层随机模型以及基于多层随的输出带宽容量为ëYû。此时,系统可视为经
Erlang
机建模理论构建服务质量模型。典的话务量模型(厄兰损失模型)。因此,云

本文将基于分而治之的思路将云系统涉及服示:
务质量的关键要素进行建模,其分层随机模型示意(λ/μ)H/H!
1B=π(b)=
图如图所示。HH
å((λ/μ)i/i!)
i=0B
为了实际使用方便,现已有爱尔兰表。即只
要知道三个参数中的任意两个,就可以查出第三个
参数。

云响应时间模型
假定整个云服务系统的服务速率为v,则我们
可以视整个云为M/M/m/K排队系统,其中m表示可
提供算力服务的节点的数量,K表示实际提供服务
的计算节点数量,则b=K-m代表等待服务的节点
1
图分层随机模型示意图数量(有时候也可视为缓冲服务容量)。由此,求解

云可用性模型得到云响应时间T的平稳分布概率如下公式所
Ar
云可用性定义:云服务的可用性反映了服务示:
的可靠程度。可用性的评价指标如下。ìk
1ρkmπ(c)k=0...m-1
)云可靠度ï0
π(c)=k!
kím
随机变量ξ表示系统从启动到失效的历时。ïρkmπ(c)k=m...K
îm!0
ξ的概率密度函数表示为F(t)。则可靠度R(t)表
ξξ
其中的ρ=λ'。因此,云系统中所有可使用的
示为:R(t)=P{ξ>t}=1-F(t),云服务水平协议(mv)
ξξ=
节点服从分布Cπ(c)。并且,云服务系统的排队模
中会对该数值给出阈值范围。K
96324
周游:基于分层随机建模的云服务质量研究总第期
型M/M/m/K的累积分布函数可以由如下公式描述(1)
dX=AX(1)+B
F(R)(t)=m-1π(c)(1-exp(-vt))+Kπ(c)dt
åiåi
i1i=m1(1)(1)(1)(1)
11其中,X=(x(j)x(j)...x(j))。
i-m-i+112n
mi-m+11i=mm123AB
{()1(1-exp(-vt))-å1()}0
i()为了分析和,根据{x(j)}i=(12...n)
m-1m2=0m-1i
其响应时间的数学期望如下式所示:j=(12...m),有如下公式:
n
ρπ1(0)(1)(1)
E=k+x(j)=åa[θx(j)+(1-θ)x(j-1)]+b
2μiikkki
(1-ρ)k=1

云延迟模型()根据最小二乘法求得:
云延迟时间T是云服务水平协议中提供的重x(1)(j)=eλ(j-1)(x1(1)+A-1B)-A-1B
dii
要指标,其数学模型跟云响应时间模型一致。云计4实验分析
算服务定义延迟阈值Tth作为允许用户从云数据中
1
心等待服务的最长时间,其概率分布服从分布如下本文的实验环境如表所示。
1
所示。表实验环境汇总
(R)(c)(c)CPUGPU
F(T)=åm-1π(1-exp(-vT))+åKπ节点内存
thiithi=mi
111112(IntelXeon)4*Tesla16GB
i-m-i+1
mi-m+11i=mm12
{()1(1-exp(-vT))-å1()}22(IntelXeon)2*Tesla32GB
m-1thmim-1
2=031(IntelCorei7)1(GeForceGTXTitanZ)12GB

41(IntelCorei7)1(GeForceGTXTitanZ)12GB
对云服务质量进行建模可以对系统的服务质
量进行早期的预测和评估,以帮助云服务提供商事为了准确计算本文服务质量相关要素预测值
先进行系统规划及配置至关重要,具体流程如下。与实测值之间的误差,本节采取平均绝对误差评估
1
)服务质量与各因素指标的相关性分析误差大小。其计算公式如下所示。
1
()设云服务质量序列X和相关因素序列XX=1ån|X(i)−X(i)|
1kMAEnn=1testpredict
X=(x(1)x(2)...x(m))
1111其中,X(i)、X(i)为影响服务质量关键要素
X=(x(1)x(2)...x(m))(k=23...9)testpredict
2kkkk的实测值和预测值。误差越小,代表该服务质量预
()序列无量纲化处理,公式如下:
测模型越接近真实值,说明分层随机模型的预测效
Y=X/x(1)=(y(1)y(2)...y(m))k=(12...9)2
k3kkkkk果好。表展示了误差评价指标的计算结果。
()计算云服务质量序列与各相关因素序列之2
间的相关系数,公式如下:表服务质量关键要素的评价指标误差
minmin|y(j)-y(j)|+εmaxmax|y(j)-y(j)|
1k1k
ξ(j)=kjkj误差平均绝对误差X
k|y(j)-y(j)|+εmaxmax|y(j)-y(j)|MAE
1kkj1k关键要素

()关联度计算如下:云可靠度

m失效率和失效强度
γ=1åξ(j)

j=1平均失效前时间

因此可以根据关联度的值大小,找出与服务质输出带宽

量影响较大的相关因素。响应时间

)服务质量建模延迟
2
假设系统服务质量受n个要素的影响,则建模从表中可以看出,对于本文设计的基于分层
过程如下。随机建模的服务质量模型,所预测的结果的误差评
1
()经过如下公式处理,得到一组新的数据序价指标较小,这就证明了本文提出的服务质量模型
列:{x1(j)}i=(12...n)j=(12...m)。具有较小的误差和应用普适性。
i
k
x1(j)=x0(j)
iåi5结语
j=1
2MGM1
()利用多变量(,n)模型对累加后的数设计基于分层随机建模的服务质量模型,将复
据建立n元一阶微分方程组为杂的云服务系统分层考虑,降低了建模的难度,提
2021697
年第期舰船电子工程
⁃
高了实际应用的可能性。实验结果表明,本文提出[],,
mentBasedonMulti-ObjectiveOptimizationwithTraf⁃
的服务质量模型在误差方面较小,具有一定的普适
fic-⁃
性。[]
cess201823043-23052.
,:
7.
参考文献[]刘超,吴澄,施晓东计算机网络系统运行可靠性综合
-
评价方法[]指挥信息系统与技术,,():
1San-.
[],,,
ApproachtoModelingandEstimatingtheQosofWeb-ser⁃⁃
[],,,
vice-⁃
[],,
235458-&Simula⁃
():[]

[],,,
softcontractsfortransaction-basedwebservicesorchestra⁃2014331-336.
:
.
[],[]张彬彬,王娟,岳昆基于随机森林的虚拟机性能预测
-92.
,():与配置优化[]计算机科学,,():
.
[]贺可太,朱道云云制造服务质量评价[]计算机集[]彭定洪,陈文妮,曾洪鑫多源信息云服务质量的犹
2018153-.
成制造系统,():豫模糊优劣评价方法[]计算机工程与科学,
-165.
[]周平云服务可用性和可靠性测评与优化方法[]北,,():
.
京:北京邮电大学,[]高昂,段渭军,李立欣基于神经网络的无人机云服
⁃
[],,务质量控制方法研究[]兵工学报,():
mentBasedonMulti-ObjectiveOptimizationwithTraf⁃1762-1771.
fic-⁃12.
[][]陈伟,陈继明基于贝叶斯模型的云服务服务质量预
cess201823043--917.
,:测[]计算机应用,,():
􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍
776KowalskiM,NaruniecJ,
(上接第页)[]
Network:AConvolutionalNeuralNetworkforRobustFace
法、电磁法测量飞行员头位数据,具有设备简单测
-70.
量范围大、抗干扰强的优势,但相比于最新的深度[],():
7HuangL,YangY,DengY,:Unifying
[]
学****的方法,仍需要手动标记人脸特征,人脸检测LandmarkLocalizationwithEndtoEndObjectDetection
耗时长,准确度和实时性仍有待于提升,,2015799-105.
[]():
研究中,将进行有针对性的改进。⁃
[],,,

[],,():
参考文献113-115.
⁃
[],[],,
⁃mationwithrandomregressionforestsC//IEEEConfer⁃
[][]
nition200520-&
,:,
⁃20119334-337.
[][]():
⁃
,():[],,

88-92.[],
,,,⁃11221-224.
[]():
:
[],(,)[],,,,
2497-
⁃⁃
[],,,[]
destrianDetectionAnEvaluationoftheStateoftheArtysis201954207-219.
:,,:
-GuidedPhotorealistic
[][],,,
Intelligence201381132-//2018IEEE/CVFConferenceonCom⁃
,():[]

[],(),
--749.
[],():():