CN103544066A - 云操作系统中资源等级自动分类方法和装置 - Google Patents

Abstract

本发明提供一种云操作系统中资源等级自动分类方法和装置，采集云操作系统中的资源特征数据，人为确定所述资源特征数据的等级，将确定等级的资源特征数据作为样本输入支持向量机分类器，训练该支持向量分类器的参数，采集新添加入所述云操作系统的资源的特征数据，输入所述支持向量机分类器，基于训练的所述参数确定新添加入所述云操作系统的资源特征数据的等级。提出的方案能够对云操作系统中资源等级自动执行分类，保证资源分类等级的客观性和准确性。

Description

云操作系统中资源等级自动分类方法和装置

技术领域

本发明涉及云计算领域，具体涉及一种云操作系统中的资源等级自动分类方法和装置。

背景技术

当前，云计算逐渐被行业认可，云数据中心操作系统逐渐实现并付诸于实践。在云数据中心操作系统中，通常会就资源等级进行分类，根据用户不同需求和付费，提供差异化质量的服务。

支持向量机是一种泛化能力很强的分类器，它在解决小样本问题方面表现出了许多特有的优势，已成为国际上模式识别领域的研究热点。

目前，大多同类系统采用人工确定资源等级的方式，增加了工作量的同时，也无法保证资源等级的客观性和准确性，因此，亟待提出一种云操作系统中资源等级自动分类方法，以保证资源分类等级的客观性和准确性。

发明内容

为了解决上述技术问题，本发明提出了一种云操作系统中资源等级自动分类方法，包括：

S1:采集云操作系统中的资源特征数据，人为确定所述资源特征数据的等级；

S2:将确定等级的资源特征数据作为训练样本输入支持向量机分类器，训练该支持向量分类器的参数；

S3:采集新添加入所述云操作系统的资源特征数据，输入所述支持向量机分类器，基于训练的所述参数确定新添加入所述云操作系统的资源特征数据的等级。

一种云操作系统中资源等级自动分类装置，包括：

训练样本输入模块、支持向量机分类器和新添加资源特征数据输入模块，所述支持向量机分类器分别与训练样本输入模块和新添加资源特征数据输入模块连接；

训练样本输入模块，用于采集云操作系统中的资源特征数据，人为确定所述资源特征数据的等级，将确定等级的所述资源特征数据作为训练样本输入支持向量机分类器，训练该支持向量分类器的参数；

支持向量机分类器，接收训练样本输入模块输入的所述训练样本，对参数进行训练，接收新添加资源特征数据，基于训练的所述参数确定所述新添加资源特征数据的等级；

新添加资源特征数据输入模块，用于采集新添加入所述云操作系统的资源特征数据，并输入所述支持向量机分类器。。

本发明的有益效果是，能够对云操作系统中资源等级自动执行分类，保证资源分类等级的客观性和准确性。

附图说明

图1为本发明提出的云操作系统中的资源等级自动分类方法流程图。

图2为本发明提出的支持向量机分类器。

图3为本发明提出的云操作系统中的资源等级自动分类装置。

具体实施方式

下面参照附图1至3，对本发明的内容以一个具体实例来描述本发明提供的所述方法。

本发明的体系结构主要包括：

支持向量机分类器设计（1）；资源等级自动分类机制（2）；其中

支持向量机分类器设计（1）是该机制的算法部分，通过设计”one-one”支持向量机级联模型来实现多分类模式分类，同时确定最优的核函数，即径向基核函数，大大提高了分类精度，同时减小训练次数和计算复杂度。

支持向量机（SVM,Support Vector Machine）是最优线性分类和核函数方法混合应用的产物。通过核映射，支持向量机首先将输入样本空间非线性变换到另一个高维数的空间（特征空间），然后在这个新的空间中求取样本的最优线性分类面，而这种非线性变换是通过定义适当的内积函数（核函数）实现的。

特征空间最优线性分类面函数可用式描述：

$g\left(x\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}K(x,x_i)+b$

其中，(x_i,y_i)是样本空间中的两类可分样本集，i1,2,…,n，

x_i∈R^d，y_i∈{+1,-1}是特征空间的类标记，b是分类阈值，K(x,x_i)是通过满足Mercer条件而引入的代替特征空间内积的非线性核函数。

通过求取下列函数Q(α)的最优化解α_i(i＝1,2,…,n)来确定最优分类面函数。

$\underset{\mathrm{\α}}{\mathrm{Max}}Q\left(\mathrm{\α}\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i-0.5\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_{j}K(x_i,x_j)$

α的取值满足式（4-12）

$\left\{\begin{array}{c}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i=0\\ 0\≤{\mathrm{\α}}_i\end{array}\right.,i=\mathrm{1,2},...n$

式（4-11）是不等式约束下的二次函数极值求解，由核函数K(x,x_i)的正定性决定了Q(α)是凸函数，由于其局部最优解也是全局最优解，因此解是唯一的。最优化过程实际上就是使分类间隔最大的过程。

支持向量机的最优分类函数为

$f\left(x\right)=\mathrm{sgn}\left(g\left(x\right)\right)=\mathrm{sgn}\{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}K(x,x_i)+b\}=\mathrm{sgn}\{\underset{i=1}{\overset{s}{\mathrm{\Σ}}}{{\mathrm{\α}}_i}^{\mathrm{svm}}{y_i}^{\mathrm{svm}}K(x,{x_i}^{\mathrm{svm}})+b\}$

核函数

常用核函数的形式如下：

（1）线性核函数：K(x,x_i)＝x·x_i，此时得到的支持向量机是一个线性分类器。

（2）多项式核函数：K(x,x_i)＝[(x·x_i)+1]^q，得到的支持向量机是一个q阶多项式分类器。

（3）径向基核函数：

$K(x,x_i)=\exp \{-\frac{{|x-x_i|}^2}{{\mathrm{\σ}}^2}\}$

此时得到的支持向量机是一个径向基函数分类器。它与传统径向基函数（RBF）方法的基本区别是，这里每一个基函数的中心对应于一个支持向量，它们以及输出权值都是由算法自动确定。

参见附图2，假设共有K类样本，前K-1类的每一类分别与第K类构造一个两分类分类器,及总共需构造K-1个两分类分类器，每个两分类分类器执行前述支持向量机算法，确定最优的核函数，即径向基核函数。

这种分类器的优点是所需的支持向量数较少，而且一旦加入一个新类时，只需在最前端添加一个经过训练的两分类支持向量机即可，而不必更改或者重新训练原有的支持向量机群组，因此有效减少了计算量。同时，通过对资源数据分析和大量实验，确定支持向量机的核函数为径向基核函数，它的优点是：每一个基函数的中心对应于一个支持向量，它们以及输出权值都是由算法自动确定。

资源等级自动分类机制（2）是该机制的架构，首先采集系统内资源等级特征数据，如计算资源：CPU、内存、网络；存储资源：容量、速度等，人为对上述资源确定等级，将确定的分类等级数据输入支持向量机分类器训练该支持向量机分类器参数；然后对新添加进系统的资源，使用该支持向量机分类器自动确定出新添加资源的等级，例如优、中、差等。

再参见附图1，提出的一种云操作系统中资源等级自动分类方法，包括：

S1:采集云操作系统中的资源特征数据，人为确定所述资源特征数据的等级；

S2:将确定等级的所述资源特征数据作为训练样本输入支持向量机分类器，训练该支持向量分类器的参数；

S3:采集新添加入所述云操作系统的资源的特征数据，输入所述支持向量机分类器，基于训练的所述参数确定新添加入所述云操作系统的资源的等级。

参见附图3，提出的一种云操作系统中资源等级自动分类装置，包括：

训练样本输入模块、支持向量机分类器和新添加资源特征数据输入模块，所述支持向量机分类器分别与训练样本输入模块和新添加资源特征数据输入模块连接；

训练样本输入模块，用于采集云操作系统中的资源特征数据，人为确定所述资源的等级，将确定等级的所述资源特征数据作为训练样本输入支持向量机分类器，训练该支持向量分类器的参数；

支持向量机分类器，接收训练样本输入模块输入的训练样本，对参数进行训练，接收新添加资源的特征数据，基于训练的所述参数确定所述新添加资源的等级；

新添加资源特征数据输入模块，用于采集新添加入所述云操作系统的资源的特征数据，并输入所述支持向量机分类器。

当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明的权利要求的保护范围。

Claims (6)

1.一种云操作系统中资源等级自动分类方法，其特征在于包括：

S1:采集云操作系统中的资源特征数据，人为确定所述资源特征数据的等级；

S2:将确定等级的资源特征数据作为训练样本输入支持向量机分类器，训练该支持向量分类器的参数；

S3:采集新添加入所述云操作系统的资源特征数据，输入所述支持向量机分类器，基于训练的所述参数确定新添加入所述云操作系统的资源特征数据的等级。

2.如权利要求1所述的方法，其特征在于：所述支持向量机分类器由K-1个两分类向量机分类器级联构成，其中K为输入的样本种类个数。

3.如权利要求1或2所述的方法，其特征在于：所述资源包括计算机处理器资源、内存、外部存储器。

4.一种云操作系统中资源等级自动分类装置，包括：

训练样本输入模块、支持向量机分类器和新添加资源特征数据输入模块，所述支持向量机分类器分别与训练样本输入模块和新添加资源特征数据输入模块连接；

训练样本输入模块，用于采集云操作系统中的资源特征数据，人为确定所述资源特征数据的等级，将确定等级的所述资源特征数据作为训练样本输入支持向量机分类器，训练该支持向量分类器的参数；

支持向量机分类器，接收训练样本输入模块输入的所述训练样本，对参数进行训练，接收新添加资源特征数据，基于训练的所述参数确定所述新添加资源特征数据的等级；

新添加资源特征数据输入模块，用于采集新添加入所述云操作系统的资源特征数据，并输入所述支持向量机分类器。

5.如权利要求4所述的方法，其特征在于：所述支持向量机分类器由K-1个两分类向量机分类器级联构成，其中K为输入的样本种类个数。

6.如权利要求4或5所述的方法，其特征在于：所述资源包括计算机处理器资源、内存、外部存储器。

Images