云环境下的资源需求态势感知研究

李 正，王俊社，张红斌

(河北科技大学研究生学院，河北 石家庄 050000)

云环境下的资源需求态势感知研究

李 正，王俊社，张红斌

(河北科技大学研究生学院，河北 石家庄 050000)

针对当前云计算内部资源管理模式的缺陷，导致资源的利用率低下。为提高资源的利用率，研究提出一种适合云环境的资源需求态势感知方法，通过采用AHP（层次分析法）对云环境下当前时刻资源的使用情况进行态势评估，同时使用改进的BP算法对下一时刻资源的需求情况进行态势预测，为资源合理分配提供依据，提高资源利用率，实现资源的高效利用。

云计算；资源需求；态势感知；态势评估；态势预测

0 引言

云计算是在分布式计算、网格计算、虚拟化技术、数据存储等技术基础上发展起来的，通过可配置的共享计算资源池，为用户提供包括网络、存储、等各种服务资源。但随着云计算的发展，资源使用量的增加，资源存储和任务调度也在实时增加，为满足云计算系统的正常运行，离不开对其资源的合理管理[1-4]。

云环境下资源管理是根据用户需要将资源合理的分配给用户使用，是保证云计算系统正常运行的关键。资源管理不当将导致资源得不到合理分配，进而导致网络拥塞、中断等一系列问题，影响云计算系统的资源利用率和服务质量。为避免上述问题的发生，对该领域的研究提出了新的挑战[5]。

1 相关研究

当前云计算环境下资源分配方式大都采用最大峰值的分配，这种分配方式所带来的直接后果是：虽然在初期能够确保云中用户的服务质量，但在虚拟机的整个生命周期内不会随云中应用对资源的动态消耗而动态分配，导致云中部分资源闲置，资源利用率低，同时这种分配方式减少了物理服务器中虚拟机的个数，为满足用户的需要，不得不增添新的物理服务器，从而加剧系统的开销和能源的消耗，不符合当前形势下建设绿色云系统的目标[6-7]。文献[8]采用ES（指数平滑法）模型对云环境下服务器负载进行预测，通过该预测值来指导下一时刻云环境下资源的分配。该模型利用过去时间序列负载值的加权平均数作为下一时刻的预测负载值，同时关闭处于低载状态下的服务器，并对其上的虚拟机任务进行迁移，而对处于重载的服务器采取部署新服务器的措施，实现负载的均衡。该模型原理简单，系统的占用负担小，但是该模型预测误差具有累加性，预测精度低，平滑因子难以估计。文献[9]和文献[10]分别采用ARMA模型对云环境中某单项资源的需求进行了预测，并通过预测值与观测值的误差进行了一定的补偿纠正，提高预测模型的精度，但是该模型参数比较固定，一旦确定难以修改，无法满足当前云环境下多变的需求特征，同时误差补偿值的大小难以确定，何时进行补偿纠正也没有系统性的阐述，适应性不高。

针对这些问题，本文提出一种适用于云环境的资源需求态势感知方法，通过对云环境下资源的使用情况进行态势评估，同时对未来时刻资源的需求进行态势预测，并以该预测结果为依据实现资源的动态分配，提高资源的利用率。

2 整体方案设计

本文将态势感知技术[11-12]加入到云环境的资源管理当中，通过实时感知云环境下资源的需求情况为指导云环境下资源的动态分配提供依据，整体方案如图1所示。

整个设计思路主要包括三个方面：

首先是云环境下资源数据的采集和优化，资源态势本身是动态的，对其因子的选取应该着重考虑具有动态性变换的对象。并且资源种类繁多，表示单位不一，不利于数据的集成和使用，因此数据优化能够提高数据的集成度，使评估阶段权重的计算更加简便。其次是云环境下各资源权重特征的获取，不同时段同一节点以及同一时段不同节点下云用户对资源的需求情况各不相同，资源权重的确定能够体现出用户对各资源需求的重要程度，同时权重的合理与否将直接影响到评估结果，进而为资源预测做好准备；最后态势预测技术为云环境下资源分配提供决策信息，预测精度要满足新环境的要求，传统预测方法，虽然原理简单，可实现性强，但未考虑云环境下资源增减的变化，拟合精度不高，因此为了更加灵活、快速、精确地指导云环境下资源分配，在资源评估基础之上研究一种适合云环境下负载的新型预测模型。

2.1 资源态势评估

2.1.1 评估指标的种类

当前云环境下资源主要是由虚拟机资源构成的，同时由于底层资源的馈乏会通过各种非线性映射的方式间接影响上层应用的正常使用。因此对于虚拟机资源的管理也主要是对底层各类基础性资源的管理，主要包括CPU资源、内存资源、硬盘资源和网络带宽资源[13]。

本文将云计算环境下资源的态势分为一级指标态势和二级指标态势两大类，其中：将TRU（Total resource utilization）总体资源的利用率作为一级态势指标；二级态势指标定义为：CRU（Computing resource utilization）计算资源利用率、MRU（Memory resource utilization）内存资源利用率、DRU（Disk resource utilization）硬盘资源利用率和BRU（Bandwidth resource utilization）带宽资源利用率。2.1.2 评估权重的确定

本文采用层次分析法[14]（Analytic Hierarchy Process，AHP)对云环境下各二级资源（CPU、内存、存储、带宽)权重进行了详细的判断与计算。该方法结合定性与定量的因素，进而对多目标进行优化决策。通过该方法能够得出云环境下每一阶段系统适合的资源权重，使得最终的态势评估更加准确，更加符合实际。

具体步骤：

第一步：构造判断矩阵A。通过云环境下各二级资源指标的相对影响程度构造判断矩阵。

其中c、m、d、b分别代表CPU资源、内存资源、硬盘资源、网络带宽资源，而a中取值依据表1提供的九分位比例标尺，且ija为资源i相对于资源j的影响程度，同时该判断矩阵需满足aij=1/aji,aij/akj=aik,aij＞0。

表1 九分位比例标尺Tab.1 Nine point ratio

第二步：计算权重向量。运用根法（几何平均法）对判断矩阵的行向量进行几何平均得到一个新矩阵B，然后进行优化处理，得到新矩阵C，权重向量iω的值即为新矩阵C中的向量。其中根法是将判断矩阵A的各行元素的乘积进行开n次方根处理（在这里n为4）。

第三步：一致性检验。计算检验系数CR的值并判断，如果CR＜0.1，则认为该判断矩阵通过一致性检验，否则就不满足一致性，需重新构造。其，而表2为随机一致性指标RI的取值范围。

表2 随机一致性指标RITab.2 Random consistency index

2.1.3 评估规则

在每一次评估阶段中，首先计算资源的各二级指标态势值，并结合每种资源所分配的权值，求其一级指标态势值，通过该属性值来间接反映云环境下资源的使用情况。如公式1所示：

其中CRU为平均计算资源利用率；MRU为平均内存资源利用率；DRU为平均硬盘资源利用率；BRU为平均带宽资源利用率；ωi为每种资源在总资源中所占用的比重。

为了对云环境下资源的使用情况进行合理的评估，根据实际运行经验本文对负载阈值进行了划分，最终通过评估模型来确定资源的态势等级[15]：当资源的一级态势值超过80%时，认定当前节点资源的使用处于重度负载状态，为保证用户的服务质量，需开启新的节点，同时对开启的新节点采用态势预测模型来预测下一时刻用户对资源的需求量，通过该预测值来指导资源的部署，避免再次出现资源不足的情况；当低于20%时，认定当前节点资源的使用处于低度负载状态，虚拟机资源的闲置情况突出，为提高资源的利用率，首先对下一阶段资源需求量进行态势预测，根据预测的结果判断用户对资源的需求是否有所变化，进而再适当将某些节点置于关闭或待机状态，以此来达到资源的高效使用，降低能耗。通过将预测技术引入其中，不至于在没有了解下一阶段用户需求的情况下，盲目采取措施而导致资源紧张，违反SLA协议的规定；对处于20%-80%之间的，认定资源的使用情况处于中度负载区，可适当不采取任何措施。

2.2 资源态势预测

本文结合云环境的特点采用改进的BP（Back Propagation）模型对云环境下负载进行态势预测。BP算法是一种基于后向传播且不断调整权值的多层神经网络算法。并且由定理可知：三层BP神经网络能以任意精度逼近任意函数[16]。但该算法也存在一定不足，例如：初始权值和阈值的随机选取、固定的学习率、模型收敛速度慢、易进入局部极小状态而无法得到最优解等[17]。本文采用狼群算法（Wolf Pack Algorithm—WPA)对BP神经网络的初始权值和阈值进行了优化，通过狼群算法全局搜索的寻优能力，确定一组最佳的BP神经网络的初始权值和阈值，同时在模型的训练过程中采用自适应学习率法及自适应增加动量法相结合的方法（Adaptive Learning Rate and Adaptive Momentum Oscillator—ALRAMO）对模型的参数进行了调整，通过改进方法灵活有效的解决云环境下数据繁多，数据变化快导致模型预测低的问题，降低模型陷入局部极小值的可能性。其改进的核心思想是：使初始的权重确定及之后权重的调整最大限度的适应误差变化的需求，加快模型收敛，减小模型的训练时间，避免陷入局部最优，减小模型预测误差，使最终的预测结果更满足实际的需要。其中误差定义为模型预测值与实际值之间的差值。

2.2.1 狼群算法优化BP神经网络的初始权值及阈值

近几年来研究学者根据狼群捕食行为及其猎物分配方式，在粒子群优化算法（Particle Swarm Optimization—PSO）、遗传算法（Genetic Algorithm—GA）、蚁群算法（Ant Colony Optimization—ACO）等基础上提出了一种新的群体智能算法—狼群算法（Wolf Pack Algorithm—WPA)。狼群算法将狼群分为头狼、探狼与猛狼，并设计出游走、召唤、奔袭与围攻等智能行为与“胜者为王”的头狼产生规则和“强者生存”的狼群替代机制。与其他算法相比，该算法具有较好的全局寻优能力，求解精度更高，收敛速度更快，控制参数更少的特点，能够快速准确的收敛于问题的全局最优解[18-19]。狼群算法优化BP神经网络的基本思想是用人工狼的状态代表BP神经网络的所有权值和阈值，通过个体狼的迭代寻优，将最优适应度值对应的头狼状态作为BP神经网络参数初始值，然后通过BP神经网络不断学习，使用学习后的最优模型进行预测。狼群算法寻优BP神经网络初始权值及阈值的过程如下[20-21]：

步骤1 根据BP模型的结构特点初始化狼群中人工狼状态Xi,群体规模N，最大迭代次数T，探狼比例因子α，最大游走次数SPMAX，距离判断因子ω，步长因子S，更新比例因子β。同时Xi=(xi1, xi2,…,xid,…xiD),1≤i≤N,1≤d≤D，且Xi的状态主要通过如下公式2确定：

步骤2 选取适应度值最优的人工狼为头狼，除头狼外同时选取最佳的n匹人工狼为探狼并执行游走行为，即探狼分别朝m个方向分别前进一步（称为探狼游走步长，记为SPa），则向第p(p=1,2,…,m)个方向前进后，探狼i在第d(d=1,2,…,D)维空间中所处的位置如公式3所示：

步骤3 头狼发起召唤行为，周围猛狼收到命令迅速向猎物奔袭。此时猛狼i第k+1次迭代时，在第d(d=1,2,…,D)维变量空间中所处的位置如式4所示：

若在奔袭过程中猛狼i感知的猎物气味浓度Yi＞YMAX，则YMAX=Yi，替代头狼并重新发起召唤行为；若Yi＜YMAX，则人工猛狼继续奔袭直到dim≤dnear，转向步骤4。在这里dim为猛狼i与头狼m之间的距离，判断距离

步骤4 将头狼的位置看作猎物移动位置，对于第k代狼群，假定猎物在第d(d=1,2,…,D)维空间中的位置为，则按式5对参与围攻行为的人工狼的位置进行更新，执行围攻行为，同时按“胜者为王”的头狼产生规则将更新后狼群中适应度最优的人工狼选为头狼。

其中λ∈［-1,1］均匀分布的随机数；SPc为人工狼i执行围攻行为时的攻击步长。

步骤5 按照“强者生存”的狼群更新机制去除目标函数值最差的R匹人工狼，同时在待寻优空间内随机生成R匹人工狼完成群体更新。R的取值均匀分布的随机数，β为狼群更新比例因子。

步骤6 判断是否达到预设精度要求或最大迭代次数T，若达到则输出头狼的位置，即BP模型初始权值及阈值的最优解，否则转向步骤2。

为了更形象的理解上述寻优过程，WPA算法优化BP模型的流程图如下图2所示：

图2 WPA算法优化BP模型的流程图Fig.2 BP model optimized through WPA algorithm

2.2.2 预测模型参数的自适应调整方法—ALRAMO

图3为自适应调整模型参数流程图。

图3 ALRAMO方法调整模型参数流程图Fig.3 Adaptive adjustment model-ALRAMO

具体公式如下：

其中a∈［1,2］，λ∈［0.001,0.001］，η(k)为当前时刻的学习率，η(k-1)为前一时刻的学习率，为E( k)当前时刻的误差值，E( k-1)为前一时刻的误差值，ω(t+1)为下一次权值，ω(t)为本次权值，Δω(t+1)为权值的增量，α为动量因子且α∈［0,1］。

当E( k)≤E( k-1)时，说明误差减小，权值的调整减小，可适当加大Δω(t+1)。由公式 ω(t+1)=ω(t)+得：当增大η 时，(1)tωΔ+也会增大，这样不仅调整了权值的修改量，适应了数据的变化趋势，还加快了收敛速度，减小了学习时间。同时在公式6中，当E( k)≤E( k-1)，η(k)=a.η(k-1)确实符合增大的需求，但随着模型的学习，Δω(t+1)有可能进入误差曲面底部的“平台”区域，即使η再大，也会变得很小，这时为了提高模型收敛精度给其添加一个较大的动量值，由公式7得Δω(t+1)=αΔ ω(t )，而不是近似于零，有助于模型摆脱局部极小值的状态。而当E( k)＞E( k-1)时，说明误差在增大，权值的调整增大，应适当减小Δω(t+1)，故由公式ω(t+1)=ω(t)+得：可适当减小学习率η。而当E( k)＞E( k-1)，上述公式中η(k)=e-λη(k-1)也符合学习率减小的需求，同时若在参数调整中有动量项则应适当减小动量项对权值调整的干扰，在模型训练误差较大的情况下，避免权值的调节量Δω(t +1)过大，导致模型在训练过程中出现震荡，无法收敛。

由于收敛速度和收敛精度两者互为反函数关系，收敛精度的提高必然会引起另一方的下降，在模型逆向传播过程中，通过模型在不同学习期的不同需求，不断调整学习率及动量值的大小来提高模型的收敛速度和收敛精度，使模型沿着负梯度方向变化的同时，有效避免陷入局部极小值状态，加快模型收敛。

在云环境下采用改进的BP模型进行预测不仅为模型的训练过程提供数据支持，同时改进的BP模型非线性拟合能力高，参数的灵活性正好适应了负载数据的变化，通过在训练过程中及时的调整参数，更好地实现预测，预测模型的流程如图4所示。

图4 预测模型流程图Fig.4 The flow chart of the prediction model

（1）确定BP预测模型结构，输入节点，隐层节点，输出结点的个数，通过狼群算法的全局搜索能力来对模型的权值、阈值、学习率等参数进行初始化，设定误差函数E，给定其误差精度ε，及学习次数N；

（2）输入训练样本，依次输入训练集中的样本数据X=X1,X2,X3…Xm，每一次的训练样本设为Xk=(k=1,2,...n)；

（3）正向传播：根据模型计算隐含层及输出层的值，并与给定的期望值进行比较计算误差，若误差值满足精度要求或已达到最大训练次数，则转向5，否则将通过模型误差值的变化，来调整模型的学习速率，使之更加符合负载数据的变化趋势，同时转向4；

（4）逆向传播：结合误差值的变化来调整动量的大小，并通过增加动量的方法将上一次权值变化的影响传递到下次权值调整量上，进而来逆向调整模型的权值ω，阈值θ等参数，并转向3；

（5）训练结束，开始预测。

3 仿真实验及结果分析

3.1 仿真实验

对于本文提出的云环境下基于态势感知的资源需求方法采用Yahoo云平台提供的Sherpa数据集作为此次试验的测试数据。该数据集记录了各服务器中CPU，内存，硬盘，网络流量等一系列指标的系统工作负载情况。同时该数据可以用来分析和模拟实际云系统所经历的工作负载。在MyEclipse开发环境下使用JAVA语言进行编写，构建基于AHP确定权重的态势评估模型及基于BP算法优化的态势预测模型，数据库采用MySQL。同时对采集来的数据采用公式9进行归一化处理。

其中a∈［-1,1］,b∈［-1,1］,a＜b。

在评估阶段，根据采集来的数据计算各阶段权值，且经过一致性检验都满足要求，如表3。

在预测阶段，设定模型的输入节点为6、隐层节点为4、输出结点为1，初始学习率为0.5，激励其中p为训练样本的数目，y′为期望输出，y为实际输出，给定其误差精度0.01ε=，及学习次数N=1000。

通过对评估及预测的结果进行分析并与传统的评估方法及预测方法进行比较，验证了本文算法的有效性。仿真的结果如下图5、图6、图7、表4所示。

表3 各阶段权值Tab.3 Weights of each stage

图5 评估结果图Fig.5 Evaluation results

表4 预测算法比较Tab.4 Comparison of prediction algorithms

3.2 结果分析

由图5可知，相比于基于固定权重的评估方法和基于单一资源的评估方法而言，在评估初期基于单一资源的评估方法得出的资源利用率相对较高，但这仅仅显示出云环境网络中用户对于某单一资源的需求较强，不能代表整体资源的使用情况，存在较强的片面性，因此不能凭借某单一资源的需求高低去增加资源的供给，并且单纯的增加某单项资源，也无法提高整体资源的使用率及系统的性能，这样不仅增加了成本开销，还间接增加系统的负担。

而基于固定权重的评估方法，虽然考虑到了不同属性的资源，但是由于用户在不同时期对各属性资源的需求情况也不一样，固定权重的评估方法只会加重其误判的可能，降低系统的服务质量，因此对其权重的分配也应该考虑到其动态性。从上图可以看出，本文通过层次分析法来判断各属性资源的影响值，通过各资源在同一时期不同的使用情况，进而得出各属性资源的影响权重，再通过各属性资源的加权和来得到系统整体的资源使用情况，评估方法较前两者更加合理。

并且由图6、图7及表4可知：标准BP算法与传统ES算法得到的结果较本文相比与实际偏差都比较大，训练时间内得到的误差曲线与本文算法相比都偏高，且当实际数据发生剧烈变动时，前两者收敛速度较慢，得出的误差也比较大无法满足实际的需求，而本文算法能够在一定的训练次数后使误差达到较小值，训练次数少，误差小，收敛速度快，更接近于实际值，预测结果也更加精确。

图6 态势预测图Fig.6 Situation prediction

图7 MSE曲线图Fig.7 The MSE curve of each prediction model

4 结论

本文针对传统云环境下资源管理的情况，提出了基于态势感知技术的云资源管理方法。该方法不仅能够实现对云环境下当前资源的负载情况进行合理地评估，使管理员能够更加详细的了解当前系统的使用情况，同时也能够更加精确地预测出下一阶段资源负载的需求情况，为实现资源的合理分配提供依据。故下一阶段的研究任务是在不违背SLA协议的同时，如何以该研究方法为依据实现资源的合理分配，使云计算平台下资源的利用率及服务质量得到提高。

参考文献

[1] 李华清. 云计算技术及应用服务模式探讨[J]. 软件, 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, 曹彦. 云计算研究[J]. 软件, 2013, 34(5): 116-118. WANG Q, CAO Y. Study on Cloud Computing[J]. Software, 2013, 34 (5): 116-118.

[3] 丁养志. 浅析虚拟化技术在云计算中的运用[J]. 软件, 2014, 35(3): 176-177. DING Y Z. Analysis of Virtualization Technology in the Cloud[J]. Software, 2014, 35(3): 176-177.

[4] 王晓艳. 基于云计算的数据中心建设探讨[J]. 软件, 2014, 35(2): 129-130. WANG X Y. Discussion on Cloud Computing Data Center Construction[J]. Software, 2014, 35(2): 129-130.

[5] 武凯, 勾学荣, 朱永刚. 云计算资源管理浅析[J]. 软件, 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. 面向虚拟机的云平台资源部署与调度研究[D]. 广州: 华南理工大学, 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] 张远. 基于开源平台的云资源管理系统的研究与应用[D].成都: 电子科技大学, 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] 喻宝禄, 段迅, 吴云. BP神经网络数据预测模型的建立及应用[J]. 计算机与数字工程, 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] 吴虎胜, 张凤鸣, 吴庐山. 一种新的群体智能算法—狼群算法[J]. 系统工程与电子技术, 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] 李国亮. 狼群算法的研究与应用[D]. 南昌: 东华理工大学, 2016. LI G L. Research and Application of Wolf Colony Algorithm[D]. Nanchang: East China University of Technology, 2016.

[21] 李常洪, 赵伟栋. 基于狼群算法优化的BP神经网络[J]. 科技创新与生产力, 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] 张敏, 徐启华. 基于改进BP的神经网络模型参考自适应控制[J]. 软件, 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，硕士，通信网络管理。

王俊社，教授，主要研究方向为网络管理、云计算。

本文著录格式：李正，王俊社，张红斌. 云环境下的资源需求态势感知研究[J]. 软件，2017，38（5）：75-82