CN102857548A - 一种移动云计算资源优化配置方法 - Google Patents

Abstract

本发明提供一种移动云计算资源优化配置方法，将云计算不同服务域之间的转移实现方法构建为移动云计算系统的云计算资源配置模型，并将移动终端和移动云计算服务域作为一个整体，在考虑云计算服务在不同移动云计算服务域之间转移的情况下，来分析某一个移动云计算服务域的系统长期收益，从而获得在不同的移动云计算服务域之间最佳的云计算资源分配方案，最终决定本地云计算服务域接收、转移或拒绝移动终端的服务请求。本发明在既考虑云计算服务域的利益又考虑移动云计算用户的利益的基础上，提高了云计算网络的系统收益和移动云计算用户的客户满意度(或称为用户体验质量-QoE)。

Description

一种移动云计算资源优化配置方法

技术领域

本发明属于云计算技术领域，涉及移动云计算的资源优化方法，尤其涉及移动云计算中基于地理位置的不同服务域之间的资源统一优化配置方法。

背景技术

移动云计算网络目前已经成为一种允许移动终端充分利用云计算网络资源的服务模式，并且不需要移动终端额外增加复杂的硬件和软件(B.Chun and P.Maniatis，“Augmented Smartphone Applications Through Clone Cloud Execution，”inProceedings of USENIX HotOS XII，2009.)，(D.Huang，X.Zhang，M.Kang，and J.Luo，“Mobicloud：Building secure cloud framework for mobile computing andcommunication，”in 2010 Fifth IEEE International Symposium on Service OrientedSystem Engineering.IEEE，2010，pp.27-34.)，(E.Cuervo，A.Balasubramanian，D.-k.Cho，A.Wolman，S.Saroiu，R.Chandra，and P.Bahl，“MAUI：Making smartphoneslast longer with code offload，”in Proc.of ACM MobiSys，2010.)和(M.Satyanarayanan，P.Bahl，R.Caceres，and N.Davies，“The case for vm-based cloudletsin mobile computing，”IEEE Pervasive Computing，2009.)。通过将以固定用户为导向的服务模式变换为以动态移动用户为导向的服务模式，以及将本地集中配置转换到地理上不同地域之间分布配置的新的云计算服务架构模式最近吸引了越来越多的研究关注(D.Huang，“Mobile cloud computing，”E-Letter of MultimediaCommunications Technical Committee(MMTC)，IEEE Communications Society(invited paper)，2011.)。

在移动云计算系统里，移动设备可以将计算密集的操作，例如搜索、数据挖掘、多媒体处理等上传到云端来计算处理。由于移动终端的移动性，移动云计算系统通常根据其地理位置被划分为多个移动云计算服务域，并由地理位置服务模型来决定移动终端正在连接的移动云计算服务域(以下简称为“本地云计算服务域”)(S.Wang，J.Min，and K.Yi，“Location based services for mobiles：Technologiesand standards，”available athttp://toswang.blogspot.com/2008/06/location-basedservices-for-mobiles.html，ICCTutorial，2008.)，在移动终端连接到移动云计算网络后，系统会分配1个或多个虚拟机VM给每一个移动终端。移动云计算网络必须提供基于位置的(或地理)的云计算网络资源配置，例如CPU，内存和存储系统等来减少终端到终端的通信延迟。

虽然移动云计算网络资源与移动终端相比，其资源(例如计算资源，存储资源等)被可以认为是“无限”的，但是对于某一个具体的移动云计算服务域来说，其域中的可用资源通常又是有限的。而由于移动设备的移动性，这样可能会导致某一个特定地理位置的移动云计算域的负荷太重，超负荷运行，从而使得该域的云计算资源被完全占用，并且新的云计算服务请求被拒绝的情况发生。当某一个移动云计算域超负荷运行时，如何能提供持续的移动云计算服务就成为了一个重要的研究课题。避免移动云计算服务被拒绝的一个方法是将其转移到地理位置上临近的另外一个网络资源相对空闲的移动云计算服务域来运行，这对于提高移动云计算系统整体的网络资源利用率和移动终端用户的体验质量(QoE)(R.Jain，“Quality of experience，”Multimedia，IEEE，vol.11，no.1，pp.96-95，2004)(例如，减少响应时间)有着至关重要的作用。

而目前对云计算的最新研究主要集中在能将终端业务上传到云计算端来运行的移动设备上，通过该方式，资源有限的移动终端能将计算/通信/存储外包等需要大量资源的业务上传到云计算端来运行。Zhang等人(X.Zhang，J.Schiffman，S.Gibbs，A.Kunjithapatham，and S.Jeong，“Securing elastic applications on mobiledevices for cloud computing，”in Proceedings of the 2009 ACM workshop on Cloudcomputing security，2009，pp.127-134.)对云计算移动终端的弹性应用进行了研究。Oberheide等人(J.Oberheide，K.Veeraraghavan，E.Cooke，J.Flinn，and F.Jahanian，“Virtualized in-cloud security services for mobile devices，”in Proceedingsof the First Workshop on Virtualization in Mobile Computing，2008，pp.31-35.)提出了将反病毒服务上传到云端运行的框架。Wang等人在(Q.Wang，C.Wang，J.Li，K.Ren，and W.Lou，“Enabling public verifiability and data dynamics for storagesecurity in cloud computing，”in European Symposium on Research in ComputerSecurity(ESORICS)2009，Saint Malo，France，Sep 2009.)和(C.Wang，K.Ren，W.Lou，and J.Li，“Towards Publicly Auditably Secure Data Storage Services，”IEEENetwork Magazine，vol.24，no.4，pp.19-24，July/August 2010.)中对云计算网络中如何保证数据存储的完整性做了研究。Liang等人(H.Liang，D.Huang，and D.Peng，“On Economic Mobile Cloud Computing Model，”in in Proceedings of theInternational Workshop on Mobile Computing and Clouds(MobiCloud in conjunctionwith MobiCASE)，2010.)提出了一种经济型的移动云计算模型，该模型能在给定云计算网络配置的条件下，通过决定云计算任务或者在移动终端或者在云端运行来配置云计算任务。

上述这些研究，大都集中在个人移动终端设备的能力增强上，为提高系统的高可用性而增加特殊的硬件设备，不仅其花费非常昂贵，同时也会要求对应用做相应的修改调整(HP，“Integrity non-stop computing，”http://h20223.www2.hp.com/nonstopcomputing/cache/76385-0-0-0-121.html，Last visit 2011.)。在物理硬件配置不能达到系统高可用性的要求时，基于软件配置的解决方案可以通过为应用提供虚拟运行环境(虚拟机)和快速恢复机制从而满足系统对高可用性的要求(Citrix，“Xen server high availability，”http://support.citrix.com/servlet/KbServlet/download/21018-102-479340/HA-deep- 2.pdf，Last visit 2011.)和(VMWare Inc.，“Vmware high availability，”http://www.vmware.com/products/high-availability/overview.html，Last visit2011.)。Wei等人(G.Wei，A.V.Vasilakos，Y.Zheng，and N.Xiong，“A game-theoreticmethod of fair resource allocation for cloud computing services，”2009.)提出了一个基于博弈论的云计算资源分配模型，该模型能根据用户的服务质量需求(QoS)来分配云计算资源，但没有考虑在不同地理位置的移动云计算服务域之间来提供实时和动态的云计算网络资源配置。

另外，国内目前对云计算资源管理配置的研究也提出了一些相关专利。在“一种云计算资源管理系统及方法”中(专利号为201110138021.6)，季昕华，聂颂，杜海和马强提出了一种云计算资源管理系统及优化方法；在“一种基于动态重配置虚拟资源的云计算资源调度方法”中(专利号为201010268105.7)，林伟伟和齐德昱提出了一种基于动态重配置虚拟资源的云计算资源调度方法；在“基于云计算的通信资源管理系统及其实现方法”中(专利号为201010560970.9)，张凯穗，蒋康明，林斌，张正峰和邓纬提出了一种基于云计算的通信资源管理系统；在“一种云计算环境下数据中心基于统计模型的资源管理方法”中(专利号为201010543864.X)，祝明发，王海燕，张振中，肖利民和阮利提出了一种云计算环境下数据中心基于统计的资源管理方法；在“用于在云计算环境中自动管理虚拟资源的系统和方法”中(专利号为201080005003.4)，S·M·尤姆伯豪克提出了一种用于在云计算环境中管理虚拟资源的系统及优化方法；在“一种基于虚拟化资源的云计算管理系统”(专利号为201110222073.1)中，沈凌云，阮敏慧和周永丰提出了一种基于虚拟化资源的云计算管理系统(C2MS)。目前国内这些关于云计算资源配置的专利大都只考虑了一个云计算服务域云计算资源(CPU，内存，硬盘以及网络通信设备等)的高可用性，这样就导致了在移动云计算服务从本域转移到其他邻居域时，现有的云计算资源配置方法对移动云计算系统和移动云计算用户的利益缺乏相应的必要考虑，例如对云计算用户的服务质量(QoS)，将云计算从本域转移到其他邻居域来运算的成本，为移动云计算用户提供移动云计算服务的收入以及移动云计算用户的感知和体验等都未在现有的云计算资源配置方法中得到考虑。

发明内容

针对移动云计算不同服务域之间的云计算资源统一优化分配的问题，本发明提供一种移动云计算资源优化配置方法，将云计算不同域之间的转移实现方法构建为移动云计算系统的云计算资源配置模型。本发明的研究主要集中在如何建立一个综合全面的基于云计算服务转移的移动云计算资源配置模型，使其能在既考虑云计算端的利益又考虑移动云计算用户的利益的基础上，提高云计算网络的系统收益和移动云计算用户的客户满意度(或称为用户体验质量-QoE)。本发明方法的主要内容为：

移动终端用户首先向在地理位置上离该用户最近的一个本地云计算服务域发出一个云计算服务请求，本地云计算服务域在收到该云计算服务请求后，本地云计算服务域的网络资源配置控制器会根据本地云计算服务域可用的系统资源来决定是否应接受该服务请求，或者转移到其他临近的移动云计算服务域去运行；如果该移动云计算服务的请求被接收了，那么一个或者多个虚拟机VM会被分配给发出该服务请求的移动终端来运行云计算的相关业务；如果本云计算服务域的可用网络资源不足，那么本云计算服务域会将该云计算服务请求转移到其他相邻的云计算服务域去运行；如果其他相邻的云计算服务域可用的网络资源也不足，则拒绝接受该服务请求。

为了对地理位置分散的移动云计算系统构建一个全面的移动云计算的资源分配模型，本发明针对移动云计算的系统收益模型提出了一种移动云计算资源配置模型，根据半马氏决策过程的定义(SMDP)，本发明首先提出了基于半马氏决策过程的移动云计算资源配置模型，该模型在考虑云计算服务在不同移动云计算服务域之间转移的情况下，来分析某一个移动云计算服务域的系统收益，从而获得在不同的移动云计算服务域之间最佳的资源分配方案。

在本发明所提出的移动云计算资源配置模型中，无论是到达移动云计算网络的应用服务请求还是移动云计算服务的完成都是随机的，并且导致移动云计算网络资源的状态变化，因此，两个状态之间的时间也是随机的。

与现有技术相比，本发明的有益效果在于：

本发明所提出的移动云计算资源配置模型，不仅可以提高移动云计算系统的资源利用率与系统收益，同时也能提高移动用户的体验质量(QoE)。为了验证本发明所提出的移动云计算资源配置模型的性能，我们通过实验将其与传统贪婪算法(Greedy Algorithm)的性能进行了比较(贪婪算法总是给移动用户的服务请求分配尽可能多的资源)。

实验结果表明，应用本发明提出的将云计算服务在不同移动云计算服务域之间进行转移的资源配置模型方案，其系统的整体收益与贪婪算法相比提高了20％以上，而其云计算服务请求被拒绝的概率与贪婪算法相比则减少了20％以上，尤其是与没有使用对所有移动云计算服务域的的云计算资源统一优化配置的方案相比，其云计算服务请求被拒绝的概率更是降低了90％以上，具备很好的实际价值。

附图说明

图1是具有多个移动云计算服务域移动云计算网络的结构图；

图2是动态选择最优相邻移动云计算服务域的算法流程图；

图3是状态转移图(C＝2)；

图4是本发明的模型和贪婪算法模型基于均值速率对转移云计算服务请求拒绝的概率；

图5是本发明的模型和贪婪算法模型基于资源总数对转移云计算服务请求拒绝的概率；

图6是采用本发明、贪婪算法模型以及无资源管理方法时对云计算服务请求拒绝的概率；

图7是本发明和贪婪算法模型基于均值速率的移动云计算服务的收益；

图8是本发明和贪婪算法模型基于资源总数的移动云计算服务的收益。

具体实施方式

以下结合附图对本发明进行进一步详细描述。

1.云计算资源优化配置方法描述：

如图1所示，本发明主要针对由多个云计算服务域构成的移动云计算系统。本发明设在一个云计算服务域中可用的云计算资源共有K个VM，并且每一个移动云计算服务所占用的云计算资源为c个VM，其中c∈{1，2，...C}，C≤K。在云计算服务域中，共有两种类型的云计算服务请求，一种是由本地的移动终端发起的云计算服务请求(以下简称为“新服务请求”)，另一种是由本地云计算服务域转移给其他云计算服务域或者是由其他云计算服务域转移给本地云计算服务域的云计算服务请求，即服务域间的转移服务请求(以下简称为“转移服务请求”)。假设新服务请求和转移服务请求到达云计算服务域的均值速率均服从泊松分布，他们的均值分别为λ_n和λ_t。并且云计算服务域接受服务的时间均服从指数分布，其均值随云计算服务被分配云计算资源的不同而不同。本发明用μ来表示当给一个云计算服务分配一个VM时，移动云计算服务域的运算速率。当一个云计算服务请求被接收时，移动云计算服务域会给该云计算服务分配c个VM，因此，该云计算服务占用该云计算服务域资源的时间就为1/cμ。

具有多个云计算服务域的移动云计算系统对移动服务请求的决策流程如图2所示。当一个新的移动云计算服务请求到达移动云计算网络时，本地移动云计算服务域会评估接收该云计算服务所带来的期望收入和可能的系统开销(包括在云计算服务运行期间占用的该移动云计算服务域的云计算资源，在本地移动云计算服务域与移动终端之间的通信开销，移动终端的电能的消耗等)。该移动云计算服务域根据这些因素来决定接收或拒绝该云计算服务请求，或者是将该服务请求转移相邻的移动云计算服务域去运行。如果本地移动云计算服务域的可用资源不足以接收该云计算服务请求，那么本地移动云计算服务域则需要考虑该云计算服务请求能否顺利转移到其他移动云计算服务域来运行。因此，本地移动云计算服务域会给周围相邻的移动云计算服务域发一个转移服务请求，随后，收到转移服务请求的相邻移动云计算服务域会向本地移动云计算服务域返回该云计算服务域对转移服务请求的决策，该决策会考虑该云计算服务域系统资源的占用，在移动终端和该移动云计算服务域之间额外的通信费用，以及将云计算服务从本地云计算服务域转移到该相邻云计算服务域的费用(如果有的话)等。如果本地云计算服务域最后得到的反馈是周围没有云计算服务域愿意接收该转移服务请求，那么本地云计算服务域只能拒绝该移动云计算服务请求。这样，该移动服务只能在移动终端上来运行，而移动终端无论是电量还是计算资源和存储资源都非常有限，从而导致该移动服务的服务质量(QoS)非常低。从另一方面来讲，如果有多个相邻云计算服务域愿意接收该移动云计算服务，那么本地云计算服务域就需要根据这些云计算服务域的反馈来决定应该将该移动云计算服务转移给哪一个相邻的云计算服务域来运行。

本发明中，本地云计算服务域选择能为该转移服务请求分配最大数目VM的相邻云计算服务域，并将该移动云计算服务转移至此相邻云计算服务域上去运行，用公式表示如下，

$i=\underset{i}{\mathrm{aug}\max \left\{c_i\right\}.}$

其中，i表示第i个相邻云计算服务域，

表示被本地云计算服务域选中的最优的相邻云计算服务域，c_i表示第i个相邻云计算服务域能分配给从本地云计算服务域发送过来的转移服务请求的VM数量。

2.建立移动云计算服务域之间的云计算资源配置模型的步骤如下：

1)设置云计算服务域的系统状态

本节中，本发明用s_c来表示在移动云计算网络中正在运行的，并且占用c个VM系统资源的云计算服务的个数。因此，在移动云计算网络中，被所有云计算服务所占用的VM总数(即总的被占用的系统资源)为

其中C为云计算系统能分配给一个云计算服务的最大的VM数，一个云计算系统是指移动终端和某一个移动云计算服务域构成的整体，每个云计算服务域都有自己对应的系统状态。用A_n和A_t分别表示新服务请求和转移服务请求到达某个移动云计算服务域。本发明用“离开”来表示云计算服务完成在云计算服务域中的运行并释放所占用的云计算资源这个过程。当一个云计算服务离开云计算服务域时，这就意味着该云计算服务所占用的云计算资源会被释放出来，因此，云计算服务域中可用的VM数量必须要做相应地更新。本发明用F_c来表示占用c个VM系统资源的云计算服务离开移动云计算服务域，其中1≤c≤C。从而在移动云计算系统中的发生的一个事件及其集合可以表示为e∈{A_n，A_t，F₁，...，F_C}。

由此，移动云计算网络的系统状态S可以由当前系统中正在运行的占用不同VM数目的云计算服务的数量和云计算当前所发生的事件(既可以是新服务请求或者是转移服务请求到达云计算服务域，也可以是完成运行的云计算服务离开云计算服务域)构成，用公式表示为，

$S=\left\{s\right|s=(s_1,s_2,...,\mathrm{sC},e)=<\stackrel{\&OverBar;}{s},e>\},$

其中， $\stackrel{\&OverBar;}{S}=<S_1,S_2,...,S_C>,$ 同时 $\underset{c=1}{\overset{C}{\mathrm{\&Sigma;}}}(s_c*c)\&le;K.$

2)设置行动集合

在接收到一个云计算服务请求以后，移动云计算服务域可以从行动集合里面选取三种行动，分别是，接收该云计算服务请求并分配c个VM云计算资源给该云计算服务，拒绝该云计算服务请求，或者是转移该云计算服务请求到其他相邻云计算服务域去运行，分别可以表示为a(s)＝c，c∈{1，2，...C}，a(s)＝0和a(s)＝1。当一个云计算服务结束在移动云计算服务域的运行时，会释放其所占用的资源，这时的系统行动为更新该移动云计算服务域的可用网络资源(即更新可用的VM数量)，可以表示为a(s)＝c。因此，本发明所提出的移动云计算资源配置模型的行动空间为Act_s＝-2，-1，0，1，2，...，C。由此行动集合a(s)可由下式表示为，

$a\left(s\right)=\left\{\begin{array}{cc}\{-\mathrm{1,0,1},...C\},& e\&Element;\{A_n,A_t\},\\ -2,& e\&Element;\{F_1,F_2,...,F_C\},\end{array}\right.$

3)设置收益算法

基于移动云计算资源配置模型的系统状态和对应的行动，某一移动云计算服务域对应的云计算系统收益r(s，a)可以用下式表示为，

r(s，a)＝w(s，a)-g(s，a)，

其中，

e∈{A_n，A_t，F₁，...，F_C}，w(s，a)是移动云计算网络在系统状态为s时，在一个事件e到来，并做出相应的决策a以后所获得的系统收入。而g(s，a)为移动云计算网络的预期系统开销。下面将会对w(s，a)和g(s，a)做详细的说明。

移动云计算网络的系统收入w(s，a)可以由下式计算为，

$w(s,a)=\left\{\begin{array}{cc}0,& a\left(s\right)=-2,\\ & e\&Element;\{F_1,F_2,...,F_c\},\\ E_d-E_t-{\mathrm{\&delta;}}_s\mathrm{\&beta;}-{\mathrm{\&beta;}}_d\mathrm{\&beta;},& a\left(s\right)=-1,e=A_n,\\ {-\mathrm{\&delta;}}_s\mathrm{\&beta;}-{\mathrm{\&delta;}}_d\mathrm{\&beta;},& a\left(s\right)=-1,e=A_t,\\ -U_d-{\mathrm{\&theta;}}_d\mathrm{\&beta;},& a\left(s\right)=0,e=A_n,\\ 0,& a\left(s\right)=0,e=A_t,\\ E_d-{\mathrm{\&delta;}}_d\mathrm{\&beta;}-\frac{\mathrm{\&beta;}}{\mathrm{c\&mu;}},& a\left(s\right)=c,e=A_n,\\ E_t-\frac{\mathrm{\&beta;}}{\mathrm{c\&mu;}},& a\left(s\right)=c,e=A_t,\end{array}\right.$

当一个云计算服务完成运行，离开云计算网络时，系统将不会获得任何收入，可以表示为w(s，a)＝0，a(s)＝-2，e∈{A_n，A_t，F₁，...，F_C}。

当移动云计算服务域收到并接收一个新服务请求时，会得到该云计算服务域的收入E_d，并会给同意接入的该移动云计算服务分配c个VM的系统资源，与此同时，也会付出δ_dβ的传输开销和

的占用云计算资源的开销。这里，传输开销指的是移动终端将计算任务上传到本地云计算服务域的时间成本，而占用云计算资源的开销则是指云计算服务在移动云计算网络运行期间占用云计算资源(VM)的费用，其中δ_d表示移动终端将新服务请求通过无线通信网络上传到云计算网络所消耗的时间，而β则表示单位时间的价格，它和云计算网络获得的收入具有相同的度量单位，μ表示当给一个云计算服务分配一个VM时，移动云计算服务域的运算速率。

对于一个转移服务请求来说，本云计算服务域需要向接收该转移服务请求的相邻云计算服务域支付E_t的费用(即接收转移服务请求的该相邻云计算服务域的收入)，因此，该相邻云计算服务域的期望收益为E_t减去该转移服务占用该相邻云计算服务域c个VM资源的成本，即在事件为e＝A_t，该相邻云计算服务域对此转移服务请求的决策为a(s)＝c时，该相邻云计算服务域所获得的期望收益为 $E_t-\frac{\mathrm{\&beta;}}{\mathrm{c\&mu;}}.$

如果新服务请求被本云计算服务域拒绝，那么移动终端只能在本机上运行该计算任务，这样会导致移动终端的电量消耗U_d和在本机上运行的时间消耗θ_dβ，其中θ_d为移动终端运行该任务所花费的时间，由于移动终端的处理能力远远低于云计算网络，因此在本机处理的该任务所花费的时间要远高于在云计算网络运行所花费的时间，即θ_d＞＞1/μ。

如果相邻云计算服务域拒绝了转移服务请求，则该相邻云计算服务域对此转移服务请求的收益为0。

如果相邻云计算服务域接收了转移服务请求，则本云计算服务域会将此云计算服务转移到相邻云计算服务域，本云计算服务域在获得收入E_d的同时，也会付给相邻云计算服务域Et的费用。同理，将计算任务从移动终端转移到本云计算服务域同样也有一个传输开销δ_dβ，除此以外，本云计算服务域将该计算任务转移到相邻云计算服务域也会有一个额外的通信开销，用δ_sβ来表示，其中δ_s表示在不同云计算服务域之间转移云计算服务所消耗的时间。因此，当本云计算服务域将新服务请求转移到相邻云计算服务域时(即当e＝A_n时，a(s)＝-1)，本地云计算服务域所获得的收益为w(s，a)＝E_d-E_t-δ_sβ-δ_dβ。

还有另外一种情况是，本云计算服务域收到相邻云计算服务域的一个转移服务请求，随后本云计算服务域又将该转移服务请求转移到另外一个相邻云计算服务域去进行处理，这种情况和以上所有情况都不相同，因此，其收益算法也有所不同。在这种情况下，本云计算服务域从将云计算服务请求转移过来的相邻云计算服务域里获得E_t的收入，但是又必须向将该云计算服务请求继续转移到其他相邻的云计算服务域支付E_t的费用，因此，本云计算服务域的收入为0。虽然收入为0，但是由于在不同相邻云计算服务域间转移了云计算服务，因而本云计算服务域的开销和转移新服务请求的开销一样为δ_sβ和δ_dβ。因此，对于本云计算服务域将收到的转移服务请求再次转移到其他云计算服务域的情况(即当e＝A_t时，a(s)＝-1)，本地云计算服务域所获得的收益为w(s，a)＝-δ_sβ-δ_dβ。

移动云计算资源配置模型的预期系统支出可由下式表示为，

g(s，a)＝r(s，a)o(s，a)，a(s)∈Acts，

其中，τ(s，a)表示移动云计算网络在当前系统状态为s，并且选择的决策为a时，系统转移到下一个状态的期望时间；o(s，a)表示所有在本云计算服务域中正在运行的云计算服务所占用的云计算资源(以VM的个数来表示)以单位时间来计算所需要付出的费用，它和本云计算服务域所获得的收入具有相同的度量单位。可以由下式表示为，

$o(s,a)=\underset{c=1}{\overset{C}{\mathrm{\&Sigma;}}}(s_c*c).$

4)解出状态转移概率

在移动云计算网络当前系统状态为s时，如果系统采取的决策为a，用τ(s，a)来表示从当前决策点到下一个决策点所经历的时间。因此，当系统状态和在该状态下选取的决策确定时，移动云计算网络的任一事件发生的平均速率(用γ(s，a)表示)是移动云计算网络中所有事件发生的均值速率之和(因为移动云计算网络的所有事件的发生都服从泊松分布)，可以用下式表示为

$\mathrm{\&gamma;}(s,a)=\mathrm{\&tau;}{(s,a)}^{-1}$

$=\left\{\begin{array}{cc}{\mathrm{\&lambda;}}_n+{\mathrm{\&lambda;}}_t+\underset{c=1}{\overset{C}{\mathrm{\&Sigma;}}}{s}_c\mathrm{c\&mu;},& e\&SubsetEqual;\{F_1,F_2,...,F_C\},\\ & e\&SubsetEqual;\{A_n,A_t\},a=-1,\\ & e\&SubsetEqual;\{A_n,A_t\},a=0,\\ {\mathrm{\&lambda;}}_n+{\mathrm{\&lambda;}}_t+\underset{c=1}{\overset{C}{\mathrm{\&Sigma;}}}{s}_c\mathrm{c\&mu;}+\mathrm{c\&mu;},& e\&SubsetEqual;\{A_n,A_t\},a=c,\end{array}\right.$

其中，λ_n和λ_t分别为新服务请求和转移服务请求到达移动云计算网络的均值速率。当一个已经完成运行的云计算服务离开移动云计算网络，或者一个云计算服务请求被本地云计算服务域拒绝或者转移到其他移动云计算服务域时，本地云计算服务域的正在运行的云计算服务的总数为

从而在本地云计算服务域中正在运行的云计算服务离开本地云计算服务域的均值速率为

而当一个云计算服务请求被本移动云计算域接受时，则本云计算服务域正在运行的云计算服务总数增加为

因而他们离开本地云计算服务域的均值速率也相应增加为

$\underset{c=1}{\overset{C}{\mathrm{\&Sigma;}}}{s}_c\mathrm{c\&mu;}+\mathrm{c\&mu;}.$

本发明所提出的移动云计算资源配置模型在时间τ(s，a)的期望折扣收益(用r(s，a)来表示)由下式表示为，

$r(s,a)=w(s,a)-o(s,a)E_s^a\left\{{\&Integral;}_0^{\mathrm{\&tau;}}{e}^{-\mathrm{at}}\mathrm{dt}\right\},$

$=w(s,a)-o(s,a)E_s^a\left\{\frac{[1-e^{-\mathrm{a\&tau;}}}{\mathrm{\&alpha;}}\right\},$

$=w(s,a)-\frac{o(s,a)}{\mathrm{\&alpha;}+\mathrm{\&gamma;}(s,a)},$

其中，α是连续时间的折扣因子。

本发明用q(j|s，a)来表示当移动云计算网络在当前系统状态为s时，如果系统选取的决策为a，那么系统转移到下一个状态j的状态转移概率。本发明以图3为例推导出移动云计算资源配置模型的状态转移表。

当系统状态为s＝<s₁，s₂，...s_c，...，s_C，A_n>时，可以得到q(j|s，a)为，

其中c∈{1，2，...，C}，m∈{1，2，...，C}，m≠c。

当系统状态为s＝<s₁，s₂，...s_c，...，s_C，A_t>时，状态转移概率q(j|s，a)为，

其中，c∈{1，2，...，C}，m∈{1，2，...，C}，m≠c。

当系统状态为s＝<s₁，s₂，...s_c，...，s_C，F_c>时，一个完成运行的云计算服务离开移动云计算网络，这时系统的决策为a＝-2，其对应的状态转移概率q(j|s，a)为，

$q\left(j\right|s,a)=\left\{\begin{array}{c}\frac{{\mathrm{\&lambda;}}_n}{\mathrm{\&gamma;}(s,a)},j={<s}_1,s_2,...,s_C,A_n>\\ \frac{{\mathrm{\&lambda;}}_t}{\mathrm{\&gamma;}(s,a)},j<s_1,s_2,...,s_C,A_t>,\\ \frac{s_c\mathrm{c\&mu;}}{\mathrm{\&gamma;}(s,a)},j=<s_1,s_2,...,s_c-1,.,s_C,F_c>,s_c\&GreaterEqual;1,\end{array}\right.$

其中c∈{1，2，...，C}，j为移动云计算服务域的下一个系统状态。

5)解出最大化的系统整体长期收益

基于以上推导出来的移动云计算网络的状态转移概率，本发明运用马尔可夫折扣收益公式，可以得到移动云计算资源配置模型的最大长期折扣收益，

$v\left(s\right)=\underset{a\&Element;{\mathrm{Act}}_n}{\max }\{r(s,a)+\mathrm{\&lambda;}\underset{j\&Element;S}{\mathrm{\&Sigma;}}q\left(j\right|s,a)v\left(j\right)\},$

其中Acts表示行动空间，也就是该云计算系统的所有可能行动的集合。

6)找到最优化的决策

根据5)所得到的最大系统收益，我们可以很容易的找到与该最大收益相对应的系统决策，该决策即为对当前移动云计算系统下最优化的决策，而由所有移动云计算系统状态的最优化决策所组成的策略即为对移动云计算系统所有服务域的云计算资源统一分配配置模型的最优化策略。

3.与其他模型方法的收益比较

如图4所示，是在同一云计算服务请求均值速率λ_n时，本发明模型和贪婪算法模型在转移云计算服务请求时被拒绝的概率图。随着均值速率λ_n的增加，贪婪算法模型的被拒绝率明显上升，而本发明模型与其相比，呈现的线条要平缓得多。从图中可以看到，当均值速率λ_n＝2时，贪婪算法模型的被拒绝率为0.06，而本发明模型的被拒绝率为0.02，减少了67％；而当均值速率λ_n＝8时，贪婪算法模型的被拒绝率为0.27，而本发明模型的被拒绝率仅为0.08，减少了70％。

如图5所示，是在系统具备相同云计算资源VMs总数K时，本发明模型和贪婪算法模型在转移云计算服务请求时被拒绝的概率图。从图中可以清楚看到，在云计算资源较少的情况下，本发明模型要优于贪婪算法。

综合图4、图5可知，在相同的系统条件下，本发明模型的转移云计算服务请求被拒绝的概率与贪婪算法相比减少了20％以上。结合图6，本发明模型相比于无云计算资源管理方法，其被拒绝率更是降低了90％以上。

如图7所示，是在同一云计算服务请求均值速率λ_n时，本发明模型和贪婪算法模型的移动云计算服务的收益图。从图中可以看到，随着均值速率λ_n的增加，贪婪算法模型的收益急剧下降，而本发明模型的线型要平稳得多。

如图8所述，是在系统具备相同云计算资源VMs总数K时，本发明模型和贪婪算法模型的移动云计算服务的收益图。在资源数较少时，本发明模型更优。

综合图7、图8可知，应用本发明提出的将云计算服务在不同移动云计算服务域之间进行转移的方案，其系统的整体收益与贪婪算法相比提高了20％以上，具备很好的实际价值。

Claims (9)

1.一种移动云计算资源优化配置方法，其特征在于，包括以下步骤：

a)发出一个云计算服务请求；

b)本地移动云计算服务域根据该云计算系统整体收益决定接受/拒绝该服务请求，或转移到其他移动云计算服务域中的最优移动云计算服务域；所述最优移动云计算服务域是能使移动云计算网络获得最大长期整体收益的云计算服务域；

c)当云计算服务域接受服务请求后，一个或者多个VM被分配给发出该服务请求的移动终端来运行云计算的相关业务。

2.如权利要求1所述的配置方法，其特征在于，所述云计算服务请求包括由本地的移动终端发起的云计算服务请求，和服务域间的转移服务请求。

3.如权利要求1和2所述的配置方法，其特征在于，所述云计算服务请求到达云计算服务域的均值速率服从泊松分布。

4.如权利要求1所述的配置方法，其特征在于，所述系统资源包括接收该云计算服务所带来的期望收入和可能的系统开销。

5.如权利要求1所述的配置方法，其特征在于，当所述本地移动云计算服务域决定转移云计算服务请求时，本地移动云计算服务域给相邻的云计算服务域发送转移服务请求，然后相邻的云计算服务域给本地移动云计算服务域返回决策。

6.如权利要求5所述的配置方法，其特征在于，所述决策的评价标准包括该云计算服务域系统资源的占用，在移动终端和该移动云计算服务域之间额外的通信费用，以及将云计算服务从本地云计算服务域转移到该相邻云计算服务域的费用。

7.如权利要求1所述的配置方法，其特征在于，所述配置方法包括建立一种移动云计算资源配置模型，将能为移动云计算网络带来最大长期整体收益的云计算服务域确定为最优移动云计算服务域；

其中长期收益 $v\left(s\right)=\underset{\mathrm{\&alpha;}\&Element;{\mathrm{Act}}_s}{\max }\{r(s,a)+\mathrm{\&lambda;}\underset{j\&Element;S}{\mathrm{\&Sigma;}}q\left(j\right|s,a)v\left(j\right)\},$

Act_s表示行动空间，r(s，a)＝w(s，a)-g(s，a)；s为当前云计算服务域的整体状态，a为决策；

γ(s，a)表示移动云计算网络的任一事件发生的平均速率，α是连续时间的折扣因子；

q(j|s，a)为状态转移概率，j为移动云计算服务域的下一个系统状态。

8.如权利要求7所述的配置方法，其特征在于，所述状态，包括当前系统中正在运行的占用各个VM数目的云计算服务的数量和云计算当前所发生的事件。

9.如权利要求7所述的配置方法，其特征在于，所述配置模型，无论是到达移动云计算网络的应用服务请求还是移动云计算服务的完成都是随机的。

Images