技术领域
[0001] 本
发明涉及云计算技术领域，尤其涉及一种云服务合成方法、云服务器和云服务合成系统。
背景技术
[0002] 云计算作为一种分布式计算模型，是通过虚拟化技术对计算、存储和网络资源进行有效地整合和抽象，屏蔽底层软
硬件资源的异构性，构建庞大的虚拟化资源池，对外以统一的方式提供服务。云租户通过互联网，以“按需付费”的方式使用云服务。云计算平台采用将计算、存储、网络和
软件等各类资源统一整合的方式，使云平台中的各
基础设施更加高效地运行，并根据云租户对资源的需求动态调整服务，提供易扩展、低成本和高可靠的云服务。
[0003] 然而随着信息技术的不断发展和云计算的普及，新型云服务不断涌现，大量云租户对云服务的需求也呈现出个性化和多样性的特点，如存储密集型云服务通常需要云计算平台处理大量的磁盘读写
请求；计算密集型云服务场景下通常需要云平台中处理器资源和内存资源使用率较高，
电子商务云服务场景则需要处理海量的时序碎片化网络服务等。但面对云租户不同类型的云服务需求及其服务
质量等级需求时，承载大量服务的传统的云计算平台通常难以有效地
感知云服务质量等级需求，导致难以低成本地满足大量租户对云服务个性化的需求。为了满足大量云租户个性化的云服务及其服务质量等级需求，云服务提供商通常购置大量软硬件资源的方式来应付，导致云服务提供商的运行成本高昂、资源浪费严重等问题。
[0004] 所以，如何低成本的满足云租户个性化的需求，成为本领域亟待解决的技术问题。
发明内容
[0005] 针对
现有技术中的技术问题，本发明提供一种云服务合成方法、云服务器和云服务合成系统。
[0006] 一种云服务合成方法，包括，
[0007] 以云租户的服务质量需求作为输入、以云服务组成样本作为输出建立并训练神经网络模型；
[0008] 按照服务质量需求将云服务分解为若干个服务组件；
[0009] 接收云租户上传的服务请求；
[0010] 将服务请求输入神经网络模型中得出云服务组成方案；
[0011] 根据云服务组成方案对服务组件进行整合与封装；
[0012] 为云租户提供云服务。
[0013] 进一步的，还包括，
[0014] 接收云租户上传的服务评价；
[0015] 根据服务评价优化神经网络模型。
[0016] 进一步的，服务质量需求与服务请求由若干个云服务属性组成，云服务属性包括服务响应时间、服务安全性、服务可靠性、数据存储性能、内存性能、CPU性能。
[0017] 进一步的，神经网络模型包括
输入层、隐层以及
输出层，
[0018] 输入层中的神经元与云服务属性一一对应；
[0019] 输出层中的神经元与云服务组成样本以及云服务组成方案的功能一一对应。
[0020] 进一步的，训练神经网络模型采用Levenberg-Marquardt
算法，或贝叶斯正则化算法，或量化共轭梯度法进行。
[0021] 进一步的，还包括，
[0022] 将服务请求和云服务组成方案作为服务记录进行存储。
[0023] 进一步的，神经网络模型定义为〈X,H,Y,XH,HY〉，其中：X为输入层神经元的集合，H为隐层神经元的集合，Y为输出层神经元的集合，XH为输入层各神经元与隐层各神经元之间的权值集合，HY为隐层各神经元与输出层各神经元之间的权值集合；
[0024] 输入层的神经元定义为〈Xid,IXid〉，其中：Xid(Xid∈X)为该神经元的唯一标识，与云服务属性一一对应，IXid为Xid的输入；
[0025] 隐层的神经元定义为〈Hid,IHid,OHid,f〉，其中：Hid(Hid∈H)为该神经元的唯一标识，IHid为Hid的输入，OHid为Hid的输出，f为神经元激活函数，且
[0026] 输出层的神经元定义为〈Yid,IYid,OYid,f〉,其中：Yid(Yid∈Y)为该神经元的唯一标识，与云服务组件一一对应，IYid为Yid的输入，OYid为Yid的输出，Yid的值为对应的云服务组件被选择的概率。
[0027] 进一步的，训练神经网络模型包括：
[0028] 将神经网络模型表达为y＝f(x；θ)，其中，x为神经网络模型的输入，θ为神经网络模型需要学习的参数，y为根据云服务组成方案组成的云服务；则
[0029] 训练样本的均方误差损失函数为：
[0030] 在OY和Z之间的均方误差中加入正则项，描述为 其中，λ(λ∈(0,1))为正则系数，u为进行
迭代训练的次数；
[0031] 采用误差逆向传播方式，从负梯度方向对神经网络模型中的权值进行调整。
[0032] 一种云服务器，包括
存储器和处理器，其中；
[0033] 存储器，存储有计算机指令；
[0034] 处理器，配置为执行计算机指令以实现
权利要求1至8任一项的云服务合成方法。
[0035] 一种云服务合成系统，云服务合成系统包括上述云服务器，还包括若干个云租户终端，云租户终端与云服务器通讯连接。
[0036] 本发明
实施例的云服务合成方法、云服务器和云服务合成系统，通过建立的神经网络模型，以及对服务组件的分解，得出与服务请求最相匹配的云服务组成方案，为云租户带来更优的服务体验，满足云租户多样化和个性化的需求，另一方面，在满足云租户需求的基础上，对云空间进行合理的划分与利用，为云服务提供商带来更高的效益。
附图说明
[0037] 为了更清楚的说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0038] 图1为本发明实施例的一种云服务合成方法的步骤
流程图；
[0039] 图2为本发明实施例的云服务属性组成示意图；
[0040] 图3为本发明实施例的神经网络模型结构示意图；
[0041] 图4为本发明实施例的一种云服务器的模
块组成图；
[0042] 图5为本发明实施例的云服务合成系统运用场景图。
具体实施方式
[0043] 下面将结合本发明中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通的技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本发明的保护范围。
[0044] 第一方面，如图1所示，为本发明实施例的一种云服务合成方法，其特征在于，包括以下步骤：
[0045] 步骤S101：以云租户的服务质量需求作为输入、以云服务组成样本作为输出建立并训练神经网络模型。
[0046] 云租户具有多样化的服务质量需求(例如服务响应时间、服务安全性、服务可靠性、数据存储性能、内存性能、CPU性能等中的一个或者多个)，云服务的提供商为了满足众多云租户各种需求，提高云租户的服务体验，应当向云租户提供不低于预期的服务质量，才能够与云租户所付
费用相匹配，进而达成良好合作。
[0047] 所以本发明中云服务器依据累计的云租户提出的服务质量需求，或者获取所有可以影响云租户服务体验的需求进行集合，作为神经网络模型的输入，再以与服务质量需求相对应的云服务组成样本作为神经网络模型的输出，共同建立神经网络模型，同时将服务质量需求和云服务组成样本作为神经网络模型的训练样本，对神经网络模型进行训练，得出一个合适的神经网络模型，以输出符合要求的云服务组成方案。
[0048] 步骤S102：按照服务质量需求将云服务分解为若干个服务组件。
[0049] 服务质量需求包括有服务响应时间、服务安全性、服务可靠性、数据存储性能、内存性能、CPU性能等，同时可获取所有可能会影响云租户服务体验的需求，从多维度、多粒度、易合成等
角度，将云服务器分解成一系列的服务组件，服务组件作为云服务的基本组成单位，相互协作实现了不同的云服务功能，云服务以服务组件为基本功能单位部署在云服务器的虚拟化资源池中。
[0050] 本发明实施例中的云服务属性类型，可以根据云租户不同的应用领域或者应用场景，结合对应技术领域的相关知识对服务组件实现更加层次化、细粒度的划分或调整。
[0051] 步骤S103：接收云租户上传的服务请求。
[0052] 当云租户上传了服务请求后，云服务器通过对服务请求进行分析，获取到服务请求中所包含有哪些需求，本发明实施例中的服务请求与服务质量需求均由若干个云服务属性组成。如图2所示，云服务属性可包括任务调度策略、服务响应时间、服务安全性、服务可靠性、数据存储性能、内存性能、CPU性能等，其中任务调度策略可分为先来先服务算法、算作业优先算法、时间片轮转算法、优先级算法等，可靠性可分为故障恢复、数据恢复、容灾备份等，安全性可分为加密、差错控制、
访问控制等，数据存储性能可分为SSD固态
硬盘、HDD机械硬盘等，内存性能可分为高主频内存、中主频内存、低主频内存等，CPU性能可分为高主频CPU、中主频CPU、地主频CPU等，以上云服务属性中的单个或多个类型与服务组件相对应。
[0053] 步骤S104：将服务请求输入神经网络模型中得出云服务组成方案。
[0054] 云租户对云服务的需求往往很难简单地直接由该云服务属性对应的服务组件独立满足，通常需要其他分类的服务组件以组合或协同的方式共同实现。特别是当云租户的服务请求中包含多项云服务属性时，如同时要求云服务的服务响应时间和数据可靠性，所以在得知服务请求中所包含的云服务属性后，将这些云服务属性输入到神经网络模型中，神经网络模型通过运算得出与该服务请求最相匹配的云服务组成方案。
[0055] 步骤S105：根据云服务组成方案对服务组件进行整合与封装。
[0056] 根据云服务组成方案将服务组件整合封装成满足云租户需求的的云服务。
[0057] 步骤S106：为云租户提供云服务。
[0058] 本发明实施例的云服务合成方法，通过建立神经网络模型，以及对服务组件的分解，得出与服务请求最相匹配的云服务组成方案，为云租户带来更优的服务体验，满足云租户多样化和个性化的需求，另一方面，在满足云租户需求的基础上，对云空间进行合理的划分与利用，为云服务提供商带来更高的效益。
[0059] 本发明还提供一种实施例，在上一实施例的基础上还包括以下步骤：
[0060] 步骤S201：接收云租户上传的服务评价；
[0061] 步骤S202：根据服务评价优化神经网络模型。
[0062] 神经网络模型是以云租户的服务质量需求作为输入、以云服务组成样本作为输出训练而成的，为了能够提供更加符合云租户需求的云服务，需要对本实施例中的神经网络模型进行优化。云租户在体验云服务后，可对云服务进行评价，生成服务评价并上传，以云租户上传的服务评价作为参考指标，来调整神经网络模型中的各个参数，以实现对神经网络模型的优化。在云计算开放式的环境下，面对大量新型用户的新型云服务请求，通过这种可持续学习的能
力，使得本发明的云服务合成方法具备自适应持续地学习和优化的能力。
[0063] 具体的，本发明实施例的云服务合成方法，还包括以下步骤：
[0064] 步骤S301：将服务请求和云服务组成方案作为服务记录进行存储。
[0065] 本发明实施例中，将云租户上传的服务请求以及获得的云服务组成方案进行记录并存储，可用作后期对模型的评价或者对模型的的优化等。
[0066] 具体的，如图3所示，本发明实施例中的神经网络模型包括输入层、隐层以及输出层，其中神经网络模型的输入层中的神经元与云服务属性一一对应；输出层中的神经元与云服务组成样本以及云服务组成方案的功能一一对应。
[0067] 将云租户的服务请求描述为SLA，其是一系列对云服务质量的预期，鉴于服务器是在开放的环境下使用，所以对云服务的需求通常是云租户对云服务质量的描述。神经网络模型的输入是云租户对云服务的服务质量的期望，用X描述。
[0068] 将神经网络模型定义为〈X,H,Y,XH,HY〉，其中：X为输入层神经元的集合，H为隐层神经元的集合，Y为输出层神经元的集合，XH为输入层各神经元与隐层各神经元之间的权值集合，HY为隐层各神经元与输出层各神经元之间的权值集合；
[0069] 将输入层的神经元定义为〈Xid,IXid〉，其中：Xid(Xid∈X)为该神经元的唯一标识，与云服务属性一一对应，IXid为Xid的输入；
[0070] 将隐层的神经元定义为〈Hid,IHid,OHid,f〉，其中：Hid(Hid∈H)为该神经元的唯一标识，IHid为Hid的输入，OHid为Hid的输出，f为神经元激活函数，且
[0071] 将输出层的神经元定义为〈Yid,IYid,OYid,f〉,其中：Yid(Yid∈Y)为该神经元的唯一标识，与云服务组件一一对应，IYid为Yid的输入，OYid为Yid的输出，Yid的值为对应的云服务组件被选择的概率。
[0072] 本发明实施例中的神经网络模型，具有
自学习的能力及复杂非线性函数的逼近能力，可将云租户对云服务的需求通过权值网络进行关联，并采用目标输出和实际输出的误差作为权值调整
信号，基于误差反向传播的
梯度下降法来迭代更新网络权值，使得网络的输出误差平方达到最小，从而获得较为理想的网络模型。
[0073] 具体的，本发明实施例中，为获得更为理想的神经网络模型，对神经网络模型进行训练时可采用Levenberg-Marquardt算法，或贝叶斯正则化算法，或量化共轭梯度法进行。
[0074] 根据服务质量需求和云服务组成样本的功能定义训练样本为〈A,Z〉，其中：A∈Rn为训练样本的输入示例，A＝{A1,…,Ai,…,An}，Ai对应于IXi，是Xi的输入，即，A对X中n个云服务属性的需求情况进行描述；Z∈Rn为训练样本的输出示例，Z＝{Z1,…,Zl,…,Zm}，输出m个被选择的服务组件，若某服务组件被选择，则Z中相应元素值为1，否则为0。
[0075] 以训练样本〈A,Z〉的输入示例A作为神经网络模型输入层中各神经元的输入，IXi＝Ai作为Xi的输入，则
[0076] 具体的，本发明实施例的步骤S101中，训练神经网络模型具体包括：
[0077] 步骤S1011：将神经网络模型表达为y＝f(x；θ)，其中，x为神经网络模型的输入，θ为神经网络模型需要学习的参数，y为根据云服务组成方案组成的云服务；则训练样本的均方误差损失函数为：
[0078] 租户通常不具备专业知识从技术上分析云服务所达到的技术指标，如计算能力、网络丢包率、服务
稳定性等等，往往只能从云服务的外部主观感受对所合成的云服务进行评价和反馈。将云租户对云服务的主观满意度集合记作：
[0079] SAT＝{SAT1,SAT2,...,SATv}，
[0080] 那么云租户对云服务的整体满意度表示为：
[0081] AllSAT＝∑ωiSATi，
[0082] 其中ωi表示云租户对各主观感受的重视程度(即权重)，使用相对比较法获得各权重，同时还满足0≤ωi≤1且∑ωi＝1。
[0083] 对于神经网络来说，根据SAT优化神经网络模型中的各权值参数，因此训练样本的均方误差损失函数为：
[0084] 步骤S1012：在OY和Z之间的均方误差中加入正则项，描述为其中，λ(λ∈(0,1))为正则系数，u为进行迭代训练的次数。
[0085] 考虑到训练样本中可能存在偏差导致的过拟合现象，本发明实施例引入正则化的方法优化神经网络的训练过程，在OY和Z之间的均方误差中加入正则项。
[0086] 步骤S1013：采用误差逆向传播方式，从负梯度方向对神经网络模型中的权值进行调整。
[0087] 隐层与输出层之间权值HY的学习及调整方式如下：
[0088] HYjl←HYjl+△HYjl
[0089]
[0090] 输入层中，Xi与隐层Hj之间权值XHij的学习及调整如下：
[0091] XHij←XHij+△XHij
[0092]
[0093] 其中，β(β∈(0,1))为学习率。
[0094] 神经网络模型的主要参数由正向输出和误差的反向传播组成，以训练样本作为网络的输入，并使用网络的输出与期望值做均方误差，若均方误差在所要求的训练
精度，则均方误差反向传播并更新网络权值，以此循环，直至误差在合理范围内。
[0095] 具体的，对神经网络模型的训练算法可通过以下方式进行：
[0096] 输入：训练集合D＝{sla,satis}，云租户对云服务组成方案的主观满意度集合SAT，学习率β的
阈值等；
[0097] 输出：神经网络模型。
[0098] 步骤：
[0099]
[0100] 本发明实施例的神经网络模型中，隐层的层数确定方式可通过来计算，其中，nlay表示隐层的层数，|X|和|Y|分别表示输入层神经元和输出层神经元的个数，α为[1,10]之间的常数。
[0101] 第二方面，本发明实施例还提供一种云服务器10，如图4所示，包括存储器101和处理器102，其中；存储器101，存储有计算机指令；处理器102，配置为执行计算机指令以实现上述实施例中的云服务合成方法。
[0102] 第三方面，如图5所示，本发明实施例还提供一种云服务合成系统，云服务合成系统包括上述实施例的云服务器，还包括若干个云租户终端，云租户终端与云服务器相互通讯。
[0103] 神经网络模型部署在云服务器上，云服务器接收云租户终端发送的服务请求，云服务器根据服务请求生成云服务组成方案并向云租户终端提供云服务，云租户终端体验云服务并生成服务评价，云服务器根据服务评价优化神经网络模型。
[0104] 以上借助具体实施例对本发明做了进一步描述，但是应该理解的是，这里具体的描述，不应理解为对本发明的实质和范围的限定，本领域内的普通技术人员在阅读本
说明书后对上述实施例做出的各种
修改，都属于本发明所保护的范围。
