CN103780688B - 迁移方法和装置 - Google Patents
迁移方法和装置 Download PDFInfo
- Publication number
- CN103780688B CN103780688B CN201410021274.9A CN201410021274A CN103780688B CN 103780688 B CN103780688 B CN 103780688B CN 201410021274 A CN201410021274 A CN 201410021274A CN 103780688 B CN103780688 B CN 103780688B
- Authority
- CN
- China
- Prior art keywords
- migration
- node
- rule
- sub
- risk
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013508 migration Methods 0.000 claims abstract description 401
- 230000005012 migration Effects 0.000 claims abstract description 401
- 239000011159 matrix material Substances 0.000 claims description 122
- 230000008901 benefit Effects 0.000 claims description 91
- 239000013598 vector Substances 0.000 claims description 42
- 230000008520 organization Effects 0.000 claims description 38
- 230000004044 response Effects 0.000 claims description 31
- 238000012216 screening Methods 0.000 claims description 31
- 238000012423 maintenance Methods 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 239000002699 waste material Substances 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims 1
- 239000010410 layer Substances 0.000 description 108
- 238000010586 diagram Methods 0.000 description 15
- 238000001914 filtration Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000002955 isolation Methods 0.000 description 6
- 238000011084 recovery Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种迁移方法和装置，该方法包括：获取迁移对象；获取迁移对象的m个候选迁移方案；根据迁移对象的收益约束条件、响应延迟约束条件、网络流量约束条件和开销约束条件对m个候选迁移方案进行筛选以获取n个第一迁移方案；根据预设规则对n个第一迁移方案进行筛选以获取第二迁移方案；根据第二迁移方案对迁移对象进行迁移。本发明实施例的迁移方法，通过根据迁移对象的收益约束条件、响应延迟约束条件、网络流量约束条件和开销约束条件对候选迁移方案进行筛选，然后根据预设规则构建递归树以对候选迁移方案进行再次筛选以得到迁移方案，根据迁移方案对迁移对象进行迁移，提高了迁移方案的精确度和针对性，从而提升了迁移的准确度。
Description
技术领域
本发明涉及计算机技术领域，特别涉及一种迁移方法和装置。
背景技术
得益于技术进步、服务创新、价格竞争和市场认可度提升，云计算技术近年来得到了快速的增长。适当的进行企业管理系统云部署能够帮助企业降低成本、改进企业敏捷性。对于大型企业，已有企业管理系统已经较为成熟，使用混合云迁移策略，根据应用的安全和性能要求，将一部分模块迁移到云上，剩余的模块保留在原有系统中，如此，能够节省云迁移的资金和消耗，同时降低风险。其中，制定迁移方法需要在一系列约束下确定哪些模块可以被迁移，并选择合适的云服务，以及计算迁移开销。
但是，在相关技术中，对备选方案的过滤不精确，同时，相关技术中认为各类约束的重要性相同，而在实际中，例如在企业系统中，各类约束对于企业决策的重要性是不一样的，因此，最终得到的云迁移方案不准确。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的第一个目的在于提出一种迁移方法。该方法通过根据迁移对象的收益约束条件、响应延迟约束条件、网络流量约束条件和开销约束条件对候选迁移方案进行筛选，然后根据预设规则构建递归树以对候选迁移方案进行再次筛选，从而得到迁移方案，根据迁移方案对迁移对象进行迁移，提高了迁移方案的精确度和针对性，从而提升了迁移的准确度。
本发明的第二个目的在于提出一种迁移装置。
为了实现上述目的，本发明第一方面实施例的迁移方法，包括：获取迁移对象；获取所述迁移对象的m个候选迁移方案，其中，m为正整数；根据所述迁移对象的收益约束条件、响应延迟约束条件、网络流量约束条件和开销约束条件对所述m个候选迁移方案进行筛选以获取n个第一迁移方案，其中，n为正整数，且n小于或等于m；根据预设规则对所述n个第一迁移方案进行筛选以获取第二迁移方案；以及根据所述第二迁移方案对所述迁移对象进行迁移。
根据本发明实施例的迁移方法，首先根据迁移对象的收益约束条件、响应延迟约束条件、网络流量约束条件和开销约束条件对候选迁移方案进行筛选，然后根据预设规则构建递归树以对候选迁移方案进行再次筛选，从而得到迁移方案，根据迁移方案对迁移对象进行迁移，提高了迁移方案的精确度和针对性，从而提升了迁移的准确度。
为了实现上述目的，本发明第二方面实施例的迁移装置，包括：迁移对象获取模块，用于获取迁移对象；迁移方案获取模块，用于获取所述迁移对象的m个候选迁移方案，其中，m为正整数；第一筛选模块，用于根据所述迁移对象的收益约束条件、响应延迟约束条件、网络流量约束条件和开销约束条件对所述m个候选迁移方案进行筛选以获取n个第一迁移方案，其中，n为正整数，且n小于或等于m；第二筛选模块，用于根据预设规则对所述n个第一迁移方案进行筛选以获取第二迁移方案；以及迁移模块，用于根据所述第二迁移方案对所述迁移对象进行迁移。
根据本发明实施例的迁移装置，根据迁移对象的收益约束条件、响应延迟约束条件、网络流量约束条件和开销约束条件对候选迁移方案进行筛选，然后根据预设规则构建递归树以对候选迁移方案进行再次筛选，从而得到迁移方案，根据迁移方案对迁移对象进行迁移，提高了迁移方案的精确度和针对性，从而提升了迁移的准确度。
附图说明
图1是根据本发明一个实施例的迁移方法的流程图；
图2是根据本发明一个实施例的根据预设规则对n个第一迁移方案进行筛选以获取第二迁移方案的流程图；
图3是根据本发明一个实施例的递归树的示意图；
图4是根据本发明一个实施例的根据递归树对n个第一迁移方案进行筛选以获取第二迁移方案的流程图；
图5是根据本发明一个实施例的根据特征值对判断矩阵进行一致性检验的流程图；
图6是根据本发明一个实施例的迁移装置的结构示意图；
图7是根据本发明一个实施例的第二筛选模块的结构示意图；
图8是根据本发明一个实施例的筛选单元的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的迁移方法和装置。
图1是根据本发明一个实施例的迁移方法的流程图。
如图1所示，本发明实施例的迁移方法包括：
S101，获取迁移对象。
具体地，例如，对于大型企业，已有的企业管理系统较为成熟，根据应用的安全和性能要求，可将一部分模块迁移到云上，剩余的模块保留在原有系统中，比起将整个企业管理系统迁移到云上，这样做能够节省云迁移的资金和消耗，同时降低风险。在获取迁移对象之前，首先需要明确迁移场景，包括描述现有系统、企业IT环境、业务战略、待迁移模块和粒度、迁移目标和需求等。对现有系统的描述包括系统技术框架、功能框架、业务流程和逻辑、事务、应用和数据流、内部用户、外部用户。迁移对象和迁移粒度(即迁移对象的大小)的选择，对迁移方案的制定有重要的影响作用，迁移对象可以是企业数据层、某个业务功能模块、前台桌面。例如，如果迁移对象为企业数据层，迁移方案中需要着重考虑的是数据一致性、数据隔离和数据安全问题；如果迁移对象为业务流程，迁移方案中需要着重考虑的是迁移对象与其它对象之间的依赖性、信息交互、事务一致性、相关功能的用户体验等问题。
S102，获取迁移对象的m个候选迁移方案，其中，m为正整数。
具体地，获取根据迁移对象制定的m个候选迁移方案。
S103，根据迁移对象的收益约束条件、响应延迟约束条件、网络流量约束条件和开销约束条件对m个候选迁移方案进行筛选以获取n个第一迁移方案，其中，n为正整数，且n小于或等于m。
具体地，企业将迁移对象S迁移到云上的迁移需求和迁移目标通常是使企业获得最大化收益Profit(S)。收益Profit(S)是迁移对象S未被迁移之前的开销与迁移之后开销的差。在不同场景下，收益Profit(S)的定义不同。
例如，场景1：迁移对象S被迁移到云上之后，企业可以选择租用计算硬件、存储资源、网络带宽等资源来代替购买硬件构建本地数据中心，该部分收益用{Fee(Buy)–Fee(Rent)}来计算。由于不同的云服务提供商的计费标准不同，Fee(Rent)的计算通常较为复杂。
又如，场景2：迁移对象S被迁移到云上之后，可以省去对迁移对象S的日常维护费用和运营费用，该部分收益用{Fee(maintenance)+Fee(operation)}来计算。
再如，场景3：由于业务的动态变化，系统对资源的需求也是动态变化，企业往往需要购买能够承受业务忙时峰值的资源，但是在业务闲时形成了大量的空闲资源，造成资源的浪费。而云环境可以为企业提供弹性资源，从而满足系统对资源的动态变化，该收益用Fee(elasticity)表示。Fee(elasticity)的计算非常复杂，通常需要建立应用负载预测模型，来预测资源的使用量，从而动态租用云资源。
基于上述3种场景，通过建模，可以计算出企业系统云迁移的收益。
在本发明的实施例中，收益约束条件根据下述公式(1)表示：
Profit(S)＝A×{Fee(Buy)-Fee(Rent)}+B×{Fee(maintenance)+Fee(operation)}
+C×{Fee(elasticity)}， (1)
其中，S表示迁移对象，Profit(S)表示迁移对象S迁移后的收益，Fee(Buy)表示如果不对迁移对象S进行迁移企业购买硬件构建本地数据中心所需费用，Fee(Rent)表示迁移对象S迁移后租用计算硬件、存储资源、网络带宽等资源所需费用，Fee(maintenance)表示如果不对迁移对象S进行迁移所需要的维护迁移对象S的费用，Fee(operation)表示如果不对迁移对象S进行迁移所需要的运营迁移对象S的费用，Fee(elasticity)表示如果不对迁移对象S进行迁移，在业务闲时对系统资源造成浪费所对应的费用，A、B、C为常数，且取值为0或1。
具体地，如果企业将迁移对象S迁移到云上之后，企业系统中的迁移对象与其它未迁移对象因为地理分布差异产生通信开销、响应时间也会相应延长，那么选择迁移方案时应保证迁移后的响应时间应该不明显多于迁移前。假设同一个云内部的消息传输延迟与本地间消息的传输延迟相同，均为Delaycloud(tranc)，本地与云之间通信延迟为Delaylocal(tranc)，则响应延迟约束条件根据下述公式(2)表示：
T(Req)＝∑Delaycloud(tranc)+∑Delaylocal(tranc)≤t， (2)
其中，T(Req)表示迁移对象S迁移后的响应延迟，Delaycloud(tranc)表示迁移对象S迁移后在迁移地的内部传输延迟，Delaylocal(tranc)表示迁移对象S迁移后，迁移对象S迁移之前所在地与迁移地之间的通信延迟，t表示迁移对象S迁移之前的响应延迟。
具体地，企业将迁移对象S迁移到云上之后，因将迁移对象S迁移到云上所造成的系统外部流量Traf(S)要控制在预设流量阈值f内，即网络流量约束条件由下述公式(3)表示：
Traf(S)≤f， (3)
其中，Traf(S)为迁移对象S被迁移后的网络流量，f为预设流量阈值。
此外，在本发明的一个实施例中，对多个候选迁移方案进行筛选时，还需考虑迁移的各个阶段的开销，使开销最小，例如，企业在对迁移对象S进行迁移之前，需要完成一系列准备操作，如调研、设计、切割上线、运维和运营等，这些活动需要花费一定的时间和金钱。企业需要先预计和确定时间和金钱方面的花销是否超出企业的承受范围。对迁移对象S进行迁移的各阶段的费用和时间开销如表1所示：
表1
根据上述迁移对象的收益约束条件、响应延迟约束条件、网络流量约束条件和开销约束条件对m个候选迁移方案进行筛选后，获取n个第一迁移方案。
S104，根据预设规则对n个第一迁移方案进行筛选以获取第二迁移方案。
具体地，利用预设规则对n个第一迁移方案进行筛选，可以建模为决策支持问题。而AHP(Analytic Hierarchy Process,层次分析法)方法是解决决策支持问题的有效工具，它能够将不可量化的约束条件转化成数值的重要性指标，通过重要性和权值计算，对n个第一迁移方案进行筛选以得到最佳解决方案。AHP方法首先对预设规则进行分析，构造递归化的层次结构，即构建递归树；然后通过将递归树中的每层节点按照重要性两两比较，为每层递归树构造判断矩阵；最后计算各个预设规则的重要性，并得到n个第一迁移方案对应的权值，权值最高的第一迁移方案即为最佳解决方案。其中，递归树的构建、判断矩阵的构造以及n个第一迁移方案对应的权值的计算在后面的实施例中作具体介绍。
S105，根据第二迁移方案对迁移对象进行迁移。
具体地，在获取第二迁移方案之后，根据第二迁移方案将迁移对象迁移到云上。
根据本发明实施例的迁移方法，首先根据迁移对象的收益约束条件、响应延迟约束条件、网络流量约束条件和开销约束条件对候选迁移方案进行筛选，然后根据预设规则构建递归树以对候选迁移方案进行再次筛选，从而得到迁移方案，根据迁移方案对迁移对象进行迁移，提高了迁移方案的精确度和针对性，从而提升了迁移的准确度。
下面对S104进行详细介绍。图2是根据本发明一个实施例的根据预设规则对n个第一迁移方案进行筛选以获取第二迁移方案的流程图。
在本发明的实施例中，如图2所示，S104包括：
S1041，根据预设规则和n个第一迁移方案构建递归树。
具体地，预设规则包括优势规则和风险规则；优势规则包括技术优势子规则、经济优势子规则和组织优势子规则中的一种或多种，技术优势子规则、经济优势子规则和组织优势子规则分别包括多个对应的元规则；风险规则包括组织风险子规则、政策风险子规则、安全风险子规则、技术风险子规则和经济风险子规则中的一种或多种，组织风险子规则、政策风险子规则、安全风险子规则、技术风险子规则和经济风险子规则分别包括多个对应的元规则。
例如，图3所示为递归树的示意图，如图3所示，技术优势子规则包括的元规则为快速获行业内最先最优秀的技术、快速获取额外的计算资源、提高新应用新系统上线速度、弹性扩展、随时随地任意设备的快速接入和快速灾备恢复从而保证业务连续性；经济优势子规则包括的元规则为降低研发成本和降低额外运营和维护开销；组织优势子规则包括的元规则为能够更加关注企业核心价值和增值活动和有更多精力开发吸引客户的新产品新服务；组织风险子规则包括的元规则为对于云化资源，特别是租用的共有云资源控制力变弱、使用云服务可能会影响原有的应用、对云化资源的管理需要额外的精力、降低某些员工的创造力、云迁移活动可能与企业某些政策冲突和企业当前的灾备过程可能与云服务提供的灾备服务流程不一致；政策风险子规则包括的元规则为法律法规问题和各国各地政策壁垒；安全风险子规则包括的元规则为由于云提供商的问题导致资源暂时不可用、事务信息和数据被监听和一致性规约、数据鉴权、数据隔离、流程隔离等问题；技术风险子规则包括的元规则为服务中断、性能低于预期和多云之间互通性问题；经济风险子规则包括的元规则为实际开销可能高于预期和由于集成过于复杂导致开销增加。
更具体地，例如，如图3所示，根据预设规则和n个第一迁移方案构建递归树包括：根据收益约束条件创建递归树的第一层节点，其中第一层节点为递归树的根节点，递归树的第一层为迁移的目标，即最大化企业效益；创建优势规则的节点和风险规则的节点，优势规则的节点和风险规则的节点为递归树的第二层节点，其中优势规则的节点和风险规则的节点分别与第一层节点关联；创建技术优势子规则的节点、经济优势子规则的节点、组织优势子规则的节点、组织风险子规则的节点、政策风险子规则的节点、安全风险子规则的节点、技术风险子规则的节点和经济风险子规则的节点，技术优势子规则的节点、经济优势子规则的节点、组织优势子规则的节点、组织风险子规则的节点、政策风险子规则的节点、安全风险子规则的节点、技术风险子规则的节点和经济风险子规则的节点为递归树的第三层节点，其中技术优势子规则的节点、经济优势子规则的节点和组织优势子规则的节点分别与优势规则的节点关联，组织风险子规则的节点、政策风险子规则的节点、安全风险子规则的节点、技术风险子规则的节点和经济风险子规则的节点分别与风险规则的节点关联；根据多个元规则创建递归树的第四层节点；以及根据n个第一迁移方案创建递归树的第五层节点，即递归树的叶子节点，其中，第五层的每个节点都与第四层的每个节点关联。
需要理解的是，图3中所示的递归树只是用来举例，根据实际情况以及具体需要，递归树中的节点可以根据需求进行添加。
S1042，根据递归树对n个第一迁移方案进行筛选以获取第二迁移方案。
图4是根据本发明一个实施例的根据递归树对n个第一迁移方案进行筛选以获取第二迁移方案的流程图。
在本发明的实施例中，如图4所示，根据递归树对n个第一迁移方案进行筛选以得到第二迁移方案包括：
S201，分别获取递归树中的第一层节点、第二层节点、第三层节点和第四层节点中的每个节点对应的判断矩阵。
具体地，首先分别获取递归树中的第一层节点、第二层节点、第三层节点和第四层节点中的每个节点对应的判断矩阵。更具体地，在递归树的同一层中，将具有相同父节点的节点之间进行两两比较，他们相对于父节点重要性的重要性比值作为判断矩阵响应位置的元素值rij。
例如，对于递归树的第三层节点中的技术优势子规则的节点、经济优势子规则的节点、组织优势子规则的节点来说，这三个节点具有相同的父节点(优势规则的节点)，那么将这三个节点进行两两比较，并用每两个节点相对于优势规则的节点的重要性比值构建优势规则的节点的判断矩阵。通过构建判断矩阵，可以将无法用数值求解的预设规则转化成一组以数值表示的判断矩阵，递归树中的每个非叶子节点都有一个判断矩阵。
更具体地，例如，递归树中的节点p的判断矩阵的示例如下：
其中，MJ为节点p对应的判断矩阵，且MJ为q阶矩阵，q为节点p所包含的子节点的数目，i，j分别表示节点p的子节点i和子节点j，，i、j均为从1到q的正整数，rij表示子节点i、子节点j相对于节点p的重要度。其中，rij的取值范围如表2所示。
表2
S202，分别根据判断矩阵获取每个节点的权向量和特征值，并根据特征值对判断矩阵进行一致性检验。
具体地，例如，对于节点p的判断矩阵MJ，其权向量和所述特征值由下述公式获得:
求解方程(4)可得到特征向量和特征值λmax，那么，特征向量即为节点p的权向量，特征值λmax即为节点p的特征值。其中，若用Wi k表示权向量的元素值，则Wi k的含义为节点p的第i个子节点对应的权重，k表示节点p的子节点所在的层，则节点p所在的层为第k-1层。
图5是根据本发明一个实施例的根据特征值对判断矩阵进行一致性检验的流程图。
具体地，如图5所示，根据特征值λmax对判断矩阵进行一致性检验，包括：
S2021，根据特征值获取判断矩阵的一致性指标。
具体地，判断矩阵的一致性指标由下述公式获得:
CI＝(λmax-q)/(q-1)，(5)其中，CI为判断矩阵的一致性指标，λmax为特征值，q为判断矩阵的阶数。
S2022，根据判断矩阵的阶数获取判断矩阵的随机一致性指标。
具体地，判断矩阵的随机一致性指标RI通过查表3获取。下表所示为随机一致性指标表。
表3
| q | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 |
| RI | 0 | 0 | 0.52 | 0.89 | 1.12 | 1.26 | 1.36 | 1.41 | 1.46 | 1.49 | 1.52 | 1.54 | 1.56 | 1.58 |
S2023，根据一致性指标和随机一致性指标获取判断矩阵的一致性比率。
具体地，判断矩阵的一致性比率由下述公式获得:
CR＝CI/RI，(6)其中，其中，CR为判断矩阵的一致性比率，CI为判断矩阵的一致性指标，RI为判断矩阵的随机一致性指标。
S2024，判断一致性比率是否在预设比率范围内。
具体地，预设比率范围为CR小于0.1。
S2025，如果在预设比率范围内，则判断矩阵通过一致性检验。
具体地，当判断矩阵的一致性比率CR<0.1时，判断矩阵具有一致性。
此外，如果判断矩阵没有通过一致性检验，则对判断矩阵进行调整，即重新设计判断矩阵的元素值。
S203，如果判断矩阵通过一致性检验，则根据第一层节点的权向量获取第二层节点相对于第一层节点的第一权重，根据第一权重和第二层节点中的每个节点的权向量获取第三层节点相对于第一层节点的第二权重，根据第二权重和第三层节点中的每个节点的权向量获取第四层节点相对于第一层节点的第三权重，以及根据第三权重和第四层节点中的每个节点的权向量获取第五层节点相对于第一层节点的第四权重。
例如，对于递归树的第一层来说，由于第一层的根节点有两个子节点，即第二层的优势节点和风险节点，那么，根节点的判断矩阵为2阶矩阵，根据该判断矩阵可以求得特征向量(即权向量)，若用Wi k表示权向量的元素值，则W1 k表示优势节点对应的权重，也即优势节点相对于第一层节点的第一权重，优势节点表示风险节点对应的权重，也即风险节点相对于第一层节点的第一权重。
具体地，在AHP方法中，获得递归树中每个非叶子节点的判断矩阵，以及每个判断矩阵的权向量之后，需要按照递归树从上至下的顺序构造层次总排序，其中，第k层的层次总排序由下述公式获得：
(7)其中，表示第k层的节点i的层次总排序值，表示第k-1层的节点j的层次总排序值，Wi k表示第k层的节点i对应的权重。
更具体地，由于第二层的层次总排序(即第二层节点相对于第一层节点的第一权重)是已知的，即第二层的节点对应的权重，又因为根据判断矩阵求得了每个节点对应的权重，那么根据公式(7)按照递归树从上至下的顺序可以求得每一层的层次总排序。其中，第五层的层次总排序，即为第五层节点相对于第一层节点的第四权重。
此外，在本发明的实施例中，在AHP方法中，按照递归树从上至下的顺序构造层次总排序之后，还需要对层次总排序进行一致性检验，即需要逐层计算递归树中每一层中的每个节点对应的层次总排序的一致性比率。
具体地，假设递归树的第k-1层有节点p个，第k层有节点q个，第k层的节点i的对应于上一层节点j的单层一致性指标第k层节点i的对应于上一层节点j的单层随机一致性指标为则第k层节点i的层次总排序的一致性比率由下述公式获得：
若小于0.1，则层次总排序通过一致性检验，否则对判断矩阵进行调整，即重新设计判断矩阵的元素值。
S204，对第四权重进行排序，其中，第四权重中的最大值所对应的方案为第二迁移方案。
具体地，当层次总排序通过一致性检验之后，对第四权重进行排序。由于第四权重的意义为第五层的q个节点相对于递归树的根节点的权重，也就是第五层的层次总排序，第五层的q个节点分别对应着n个第一迁移方案，那么选择第四权重中的最大值对应的节点所对应的迁移方案，即为第二迁移方案。之后根据第二迁移方案将迁移对象迁移至云上。
为了实现上述实施例，本发明还提出一种迁移装置。
图6是根据本发明一个实施例的迁移装置的结构示意图。
如图6所示，本发明实施例的迁移装置包括：迁移对象获取模块100、迁移方案获取模块200、第一筛选模块300、第二筛选模块400和迁移模块500。
其中，迁移对象获取模块100用于获取迁移对象。
具体地，例如，对于大型企业，已有的企业管理系统较为成熟，根据应用的安全和性能要求，可将一部分模块迁移到云上，剩余的模块保留在原有系统中，比起将整个企业管理系统迁移到云上，这样做能够节省云迁移的资金和消耗，同时降低风险。在获取迁移对象之前，首先需要明确迁移场景，包括描述现有系统、企业IT环境、业务战略、待迁移模块和粒度、迁移目标和需求等。对现有系统的描述包括系统技术框架、功能框架、业务流程和逻辑、事务、应用和数据流、内部用户、外部用户。迁移对象和迁移粒度(即迁移对象的大小)的选择，对迁移方案的制定有重要的影响作用，迁移对象可以是企业数据层、某个业务功能模块、前台桌面。例如，如果迁移对象为企业数据层，迁移方案中需要着重考虑的是数据一致性、数据隔离和数据安全问题；如果迁移对象为业务流程，迁移方案中需要着重考虑的是迁移对象与其它对象之间的依赖性、信息交互、事务一致性、相关功能的用户体验等问题。
迁移方案获取模块200用于获取迁移对象的m个候选迁移方案，其中，m为正整数。
具体地，迁移方案获取模块200用于获取根据迁移对象制定的m个候选迁移方案。
第一筛选模块300用于根据迁移对象的收益约束条件、响应延迟约束条件、网络流量约束条件和开销约束条件对m个候选迁移方案进行筛选以获取n个第一迁移方案，其中，n为正整数，且n小于或等于m。
具体地，企业将迁移对象S迁移到云上的迁移需求和迁移目标通常是使企业获得最大化收益Profit(S)。收益Profit(S)是迁移对象S未被迁移之前的开销与迁移之后开销的差。在不同场景下，收益Profit(S)的定义不同。
例如，场景1：迁移对象S被迁移到云上之后，企业可以选择租用计算硬件、存储资源、网络带宽等资源来代替购买硬件构建本地数据中心，该部分收益用{Fee(Buy)–Fee(Rent)}来计算。由于不同的云服务提供商的计费标准不同，Fee(Rent)的计算通常较为复杂。
又如，场景2：迁移对象S被迁移到云上之后，可以省去对迁移对象S的日常维护费用和运营费用，该部分收益用{Fee(maintenance)+Fee(operation)}来计算。
再如，场景3：由于业务的动态变化，系统对资源的需求也是动态变化，企业往往需要购买能够承受业务忙时峰值的资源，但是在业务闲时形成了大量的空闲资源，造成资源的浪费。而云环境可以为企业提供弹性资源，从而满足系统对资源的动态变化，该收益用Fee(elasticity)表示。Fee(elasticity)的计算非常复杂，通常需要建立应用负载预测模型，来预测资源的使用量，从而动态租用云资源。
基于上述3种场景，通过建模，可以估算出企业系统云迁移的收益。
在本发明的实施例中，收益约束条件根据下述公式(1)表示：
Profit(S)＝A×{Fee(Buy)-Fee(Rent)}+B×{Fee(maintenance)+Fee(operation)}
+C×{Fee(elasticity)}， (1)
其中，S表示迁移对象，Profit(S)表示迁移对象S迁移后的收益，Fee(Buy)表示如果不对迁移对象S进行迁移企业购买硬件构建本地数据中心所需费用，Fee(Rent)表示迁移对象S迁移后租用计算硬件、存储资源、网络带宽等资源所需费用，Fee(maintenance)表示如果不对迁移对象S进行迁移所需要的维护迁移对象S的费用，Fee(operation)表示如果不对迁移对象S进行迁移所需要的运营迁移对象S的费用，Fee(elasticity)表示如果不对迁移对象S进行迁移，在业务闲时对系统资源造成浪费所对应的费用，A、B、C为常数，且取值为0或1。
具体地，如果企业将迁移对象S迁移到云上之后，企业系统中的迁移对象与其它未迁移对象因为地理分布差异产生通信开销、响应时间也会相应延长，那么选择迁移方案时应保证迁移后的响应时间应该不明显多于迁移前。假设同一个云内部的消息传输延迟与本地间消息的传输延迟相同，均为Delaycloud(tranc)，本地与云之间通信延迟为Delaylocal(tranc)，则响应延迟约束条件根据下述公式(2)表示：
T(Req)＝∑Delaycloud(tranc)+∑Delaylocal(tranc)≤t， (2)
其中，T(Req)表示迁移对象S迁移后的响应延迟，Delaycloud(tranc)表示迁移对象S迁移后在迁移地的内部传输延迟，Delaylocal(tranc)表示迁移对象S迁移后，迁移对象S迁移之前所在地与迁移地之间的通信延迟，t表示迁移对象S迁移之前的响应延迟。
具体地，企业将迁移对象S迁移到云上之后，因将迁移对象S迁移到云上所造成的系统外部流量Traf(S)要控制在预设流量阈值f内，即网络流量约束条件由下述公式(3)表示：
Traf(S)≤f， (3)
其中，Traf(S)为迁移对象S被迁移后的网络流量，f为预设流量阈值。
此外，在本发明的一个实施例中，对多个候选迁移方案进行筛选时，还需考虑迁移的各个阶段的开销，使开销最小，例如，企业在对迁移对象S进行迁移之前，需要完成一系列准备操作，如调研、设计、切割上线、运维和运营等，这些活动需要花费一定的时间和金钱。企业需要先预计和确定时间和金钱方面的花销是否超出企业的承受范围。对迁移对象S进行迁移的各阶段的费用和时间开销如表1所示：
表1
根据上述迁移对象的收益约束条件、响应延迟约束条件、网络流量约束条件和开销约束条件对m个候选迁移方案进行筛选后，获取n个第一迁移方案。
第二筛选模块400用于根据预设规则对n个第一迁移方案进行筛选以获取第二迁移方案。
具体地，利用预设规则对n个第一迁移方案进行筛选，可以建模为决策支持问题。而AHP方法是解决决策支持问题的有效工具，它能够将不可量化的约束条件转化成数值的重要性指标，通过重要性和权值计算，对n个第一迁移方案进行筛选以得到最佳解决方案。AHP方法首先对预设规则进行分析，构造递归化的层次结构，即构建递归树；然后通过将递归树中的每层节点按照重要性两两比较，为每层递归树构造判断矩阵；最后计算各个预设规则的重要性，并得到n个第一迁移方案对应的权值，权值最高的第一迁移方案即为最佳解决方案。其中，递归树的构建、判断矩阵的构造以及n个第一迁移方案对应的权值的计算在后面的实施例中作具体介绍。
迁移模块500用于根据第二迁移方案对迁移对象进行迁移。
具体地，在获取第二迁移方案之后，迁移模块500用于根据第二迁移方案将迁移对象迁移到云上。
本发明实施例的迁移装置，首先根据迁移对象的收益约束条件、响应延迟约束条件、网络流量约束条件和开销约束条件对候选迁移方案进行筛选，然后根据预设规则构建递归树以对候选迁移方案进行再次筛选，从而得到迁移方案，根据迁移方案对迁移对象进行迁移，提高了迁移方案的精确度和针对性，从而提升了迁移的准确度。
下面详细介绍本发明实施例的第二筛选模块400。
图7是根据本发明一个实施例的第二筛选模块的结构示意图。
如图7所示，第二筛选模块400包括：递归树构建单元410和筛选单元420。
其中，递归树构建单元410用于根据预设规则和n个第一迁移方案构建递归树。
具体地，预设规则包括优势规则和风险规则；优势规则包括技术优势子规则、经济优势子规则和组织优势子规则中的一种或多种，技术优势子规则、经济优势子规则和组织优势子规则分别包括多个对应的元规则；风险规则包括组织风险子规则、政策风险子规则、安全风险子规则、技术风险子规则和经济风险子规则中的一种或多种，组织风险子规则、政策风险子规则、安全风险子规则、技术风险子规则和经济风险子规则分别包括多个对应的元规则。
例如，图3所示为递归树的示意图，如图3所示，技术优势子规则包括的元规则为快速获行业内最先最优秀的技术、快速获取额外的计算资源、提高新应用新系统上线速度、弹性扩展、随时随地任意设备的快速接入和快速灾备恢复从而保证业务连续性；经济优势子规则包括的元规则为降低研发成本和降低额外运营和维护开销；组织优势子规则包括的元规则为能够更加关注企业核心价值和增值活动和有更多精力开发吸引客户的新产品新服务；组织风险子规则包括的元规则为对于云化资源，特别是租用的共有云资源控制力变弱、使用云服务可能会影响原有的应用、对云化资源的管理需要额外的精力、降低某些员工的创造力、云迁移活动可能与企业某些政策冲突和企业当前的灾备过程可能与云服务提供的灾备服务流程不一致；政策风险子规则包括的元规则为法律法规问题和各国各地政策壁垒；安全风险子规则包括的元规则为由于云提供商的问题导致资源暂时不可用、事务信息和数据被监听和一致性规约、数据鉴权、数据隔离、流程隔离等问题；技术风险子规则包括的元规则为服务中断、性能低于预期和多云之间互通性问题；经济风险子规则包括的元规则为实际开销可能高于预期和由于集成过于复杂导致开销增加。
更具体地，例如，如图3所示，递归树构建单元410具体用于：收益约束条件创建递归树的第一层节点，其中第一层节点为递归树的根节点，递归树的第一层为迁移的目标，即最大化企业效益；创建优势规则的节点和风险规则的节点，优势规则的节点和风险规则的节点为递归树的第二层节点，其中优势规则的节点和风险规则的节点分别与第一层节点关联；创建技术优势子规则的节点、经济优势子规则的节点、组织优势子规则的节点、组织风险子规则的节点、政策风险子规则的节点、安全风险子规则的节点、技术风险子规则的节点和经济风险子规则的节点，技术优势子规则的节点、经济优势子规则的节点、组织优势子规则的节点、组织风险子规则的节点、政策风险子规则的节点、安全风险子规则的节点、技术风险子规则的节点和经济风险子规则的节点为递归树的第三层节点，其中技术优势子规则的节点、经济优势子规则的节点和组织优势子规则的节点分别与优势规则的节点关联，组织风险子规则的节点、政策风险子规则的节点、安全风险子规则的节点、技术风险子规则的节点和经济风险子规则的节点分别与风险规则的节点关联；根据多个元规则创建递归树的第四层节点；以及根据n个第一迁移方案创建递归树的第五层节点，即递归树的叶子节点，其中，第五层的每个节点都与第四层的每个节点关联。
需要理解的是，图3中所示的递归树只是用来举例，根据实际情况以及具体需要，递归树中的节点可以根据需求进行添加。
筛选单元420用于根据递归树对n个第一迁移方案进行筛选以获取第二迁移方案。
具体地，图8是根据本发明一个实施例的筛选单元的结构示意图。如图8所示，筛选单元420包括：判断矩阵获取子单元421、权向量获取子单元422、相对权重获取子单元423和方案获取子单元424。
其中，判断矩阵获取子单元421用于分别获取递归树中的第一层节点、第二层节点、第三层节点和第四层节点中的每个节点对应的判断矩阵。
具体地，首先分别获取递归树中的第一层节点、第二层节点、第三层节点和第四层节点中的每个节点对应的判断矩阵。更具体地，在递归树的同一层中，将具有相同父节点的节点之间进行两两比较，他们相对于父节点重要性的重要性比值作为判断矩阵响应位置的元素值rij。
例如，对于递归树的第三层节点中的技术优势子规则的节点、经济优势子规则的节点、组织优势子规则的节点来说，这三个节点具有相同的父节点(优势规则的节点)，那么将这三个节点进行两两比较，并用每两个节点相对于优势规则的节点的重要性比值构建优势规则的节点的判断矩阵。通过构建判断矩阵，可以将无法用数值求解的预设规则转化成一组以数值表示的判断矩阵，递归树中的每个非叶子节点都有一个判断矩阵。
更具体地，例如，递归树中的节点p的判断矩阵的示例如下：
其中，MJ为节点p对应的判断矩阵，且MJ为q阶矩阵，q为节点p所包含的子节点的数目，i，j分别表示节点p的子节点i和子节点j，，i、j均为从1到q的正整数，rij表示子节点i、子节点j相对于节点p的重要度。其中，rij的取值范围如表2所示。
表2
权向量获取子单元422用于分别根据判断矩阵获取每个节点的权向量和特征值，并根据特征值对判断矩阵进行一致性检验。
具体地，例如，对于节点p的判断矩阵MJ，其权向量和所述特征值由下述公式获得:
求解方程(4)可得到特征向量和特征值λmax，那么，特征向量即为节点p的权向量，特征值λmax即为节点p的特征值。其中，若用Wi k表示权向量的元素值，则Wi k的含义为节点p的第i个子节点对应的权重，k表示节点p的子节点所在的层，则节点p所在的层为第k-1层。
在本发明的实施例中，权向量获取子单元422用于：根据特征值获取判断矩阵的一致性指标；根据判断矩阵的阶数获取判断矩阵的随机一致性指标；根据一致性指标和随机一致性指标获取判断矩阵的一致性比率；以及判断一致性比率是否在预设比例范围内；如果在预设比率范围内，则判断矩阵通过一致性检验。
具体地，判断矩阵的一致性指标由下述公式获得:
CI＝(λmax-q)/(q-1)，(5)其中，CI为判断矩阵的一致性指标，λmax为特征值，q为判断矩阵的阶数。
具体地，判断矩阵的随机一致性指标RI通过查表3获取。下表所示为随机一致性指标表。
表3
| q | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 |
| RI | 0 | 0 | 0.52 | 0.89 | 1.12 | 1.26 | 1.36 | 1.41 | 1.46 | 1.49 | 1.52 | 1.54 | 1.56 | 1.58 |
具体地，判断矩阵的一致性比率由下述公式获得:
CR＝CI/RI， (6)
其中，CR为判断矩阵的一致性比率，CI为判断矩阵的一致性指标，RI为判断矩阵的随机一致性指标。
更具体地，当判断矩阵的一致性比率CR<0.1时，判断矩阵具有一致性。此外，如果判断矩阵没有通过一致性检验，则对判断矩阵进行调整，即重新设计判断矩阵的元素值。
相对权重获取子单元423用于如果判断矩阵通过一致性检验，则根据第一层节点的权向量获取第二层节点相对于第一层节点的第一权重，根据第一权重和第二层节点中的每个节点的权向量获取第三层节点相对于第一层节点的第二权重，根据第二权重和第三层节点中的每个节点的权向量获取第四层节点相对于第一层节点的第三权重，以及根据第三权重和第四层节点中的每个节点的权向量获取第五层节点相对于第一层节点的第四权重。
例如，对于递归树的第一层来说，由于第一层的根节点有两个子节点，即第二层的优势节点和风险节点，那么，根节点的判断矩阵为2阶矩阵，根据该判断矩阵可以求得特征向量(即权向量)，若用Wi k表示权向量的元素值，则W1 k表示优势节点对应的权重，也即优势节点相对于第一层节点的第一权重，优势节点表示风险节点对应的权重，也即风险节点相对于第一层节点的第一权重。
具体地，在AHP方法中，获得递归树中每个非叶子节点的判断矩阵，以及每个判断矩阵的权向量之后，需要按照递归树从上至下的顺序构造层次总排序，其中，第k层的层次总排序由下述公式获得：
(7)其中，表示第k层的节点i的层次总排序值，表示第k-1层的节点j的层次总排序值，Wi k表示第k层的节点i对应的权重。
更具体地，由于第二层的层次总排序(即第二层节点相对于第一层节点的第一权重)是已知的，即第二层的节点对应的权重，又因为根据判断矩阵求得了每个节点对应的权重，那么根据公式(7)按照递归树从上至下的顺序可以求得每一层的层次总排序。其中，第五层的层次总排序，即为第五层节点相对于第一层节点的第四权重。
此外，在本发明的实施例中，在AHP方法中，按照递归树从上至下的顺序构造层次总排序之后，还需要对层次总排序进行一致性检验，即需要逐层计算递归树中每一层中的每个节点对应的层次总排序的一致性比率。
具体地，假设递归树的第k-1层有节点p个，第k层有节点q个，第k层的节点i的对应于上一层节点j的单层一致性指标第k层节点i的对应于上一层节点j的单层随机一致性指标为则第k层节点i的层次总排序的一致性比率由下述公式获得：
若小于0.1，则层次总排序通过一致性检验，否则对判断矩阵进行调整，即重新设计判断矩阵的元素值。
方案获取子单元424用于对第四权重进行排序，其中，第四权重中的最大值所对应的方案为第二迁移方案。
具体地，当层次总排序通过一致性检验之后，对第四权重进行排序。由于第四权重的意义为第五层的q个节点相对于递归树的根节点的权重，也就是第五层的层次总排序，第五层的q个节点分别对应着n个第一迁移方案，那么选择第四权重中的最大值对应的节点所对应的迁移方案，即为第二迁移方案。之后根据第二迁移方案将迁移对象迁移至云上。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种迁移方法，其特征在于，包括：
S1、获取迁移对象；
S2、获取所述迁移对象的m个候选迁移方案，其中，m为正整数；
S3、根据所述迁移对象的收益约束条件、响应延迟约束条件、网络流量约束条件和开销约束条件对所述m个候选迁移方案进行筛选以获取n个第一迁移方案，其中，n为正整数，且n小于或等于m；
S4、根据预设规则对所述n个第一迁移方案进行筛选以获取第二迁移方案，其中，S4包括：
根据所述预设规则和所述n个第一迁移方案构建递归树；
根据所述递归树对所述n个第一迁移方案进行筛选以获取所述第二迁移方案；
其中，所述预设规则包括优势规则和风险规则；
所述优势规则包括技术优势子规则、经济优势子规则和组织优势子规则中的一种或多种，所述技术优势子规则、所述经济优势子规则和所述组织优势子规则分别包括多个对应的元规则；
所述风险规则包括组织风险子规则、政策风险子规则、安全风险子规则、技术风险子规则和经济风险子规则中的一种或多种，所述组织风险子规则、所述政策风险子规则、所述安全风险子规则、所述技术风险子规则和所述经济风险子规则分别包括多个对应的元规则；
所述根据所述预设规则和所述n个第一迁移方案构建递归树包括：
根据收益约束条件创建所述递归树的第一层节点，其中所述第一层节点为所述递归树的根节点；
创建所述优势规则的节点和所述风险规则的节点，所述优势规则的节点和所述风险规则的节点为所述递归树的第二层节点，其中所述优势规则的节点和所述风险规则的节点分别与所述第一层节点关联；
创建所述技术优势子规则的节点、经济优势子规则的节点、组织优势子规则的节点、组织风险子规则的节点、政策风险子规则的节点、安全风险子规则的节点、技术风险子规则的节点和经济风险子规则的节点，所述技术优势子规则的节点、经济优势子规则的节点、组织优势子规则的节点、组织风险子规则的节点、政策风险子规则的节点、安全风险子规则的节点、技术风险子规则的节点和经济风险子规则的节点为所述递归树的第三层节点，其中所述技术优势子规则的节点、经济优势子规则的节点和组织优势子规则的节点分别与所述优势规则的节点关联，所述组织风险子规则的节点、政策风险子规则的节点、安全风险子规则的节点、技术风险子规则的节点和经济风险子规则的节点分别与所述风险规则的节点关联；
根据所述多个元规则创建所述递归树的第四层节点；以及
根据所述n个第一迁移方案创建所述递归树的第五层节点；
S5、根据所述第二迁移方案对所述迁移对象进行迁移，其中，
所述收益约束条件根据下述公式(1)表示：
Profit(S)＝A×{Fee(Buy)-Fee(Rent)}+B×{Fee(maintenance)+Fee(operation)}
+C×{Fee(elasticity)}， (1)
其中，S表示所述迁移对象，Profit(S)表示所述迁移对象S迁移后的收益，Fee(Buy)表示如果不对所述迁移对象S进行迁移企业购买硬件构建本地数据中心所需费用，Fee(Rent)表示所述迁移对象S迁移后租用计算硬件、存储资源、网络带宽等资源所需费用，Fee(maintenance)表示如果不对所述迁移对象S进行迁移所需要的维护所述迁移对象S的费用，Fee(operation)表示如果不对所述迁移对象S进行迁移所需要的运营所述迁移对象S的费用，Fee(elasticity)表示如果不对所述迁移对象S进行迁移，在业务闲时对系统资源造成浪费所对应的费用，A、B、C为常数，且取值为0或1；
所述响应延迟约束条件根据下述公式(2)表示：
T(Req)＝∑Delaycloud(tranc)+∑Delaylocal(tranc)≤t， (2)
其中，T(Req)表示所述迁移对象S迁移后的响应延迟，Delaycloud(tranc)表示所述迁移对象S迁移后在迁移地的内部传输延迟，Delaylocal(tranc)表示所述迁移对象S迁移后，所述迁移对象S迁移之前所在地与所述迁移地之间的通信延迟，t表示所述迁移对象S迁移之前的响应延迟；
所述网络流量约束条件由下述公式(3)表示：
Traf(S)≤f， (3)
其中，Traf(S)为所述迁移对象S被迁移后的网络流量，f为预设流量阈值。
2.根据权利要求1所述的迁移方法，其特征在于，所述根据所述递归树对所述n个第一迁移方案进行筛选以得到第二迁移方案包括：
分别获取所述递归树中的所述第一层节点、所述第二层节点、所述第三层节点和所述第四层节点中的每个节点对应的判断矩阵；
分别根据所述判断矩阵获取所述每个节点的权向量和特征值，并根据所述特征值对所述判断矩阵进行一致性检验；
如果所述判断矩阵通过所述一致性检验，则根据所述第一层节点的权向量获取所述第二层节点相对于第一层节点的第一权重，根据所述第一权重和所述第二层节点中的每个节点的权向量获取所述第三层节点相对于第一层节点的第二权重，根据所述第二权重和所述第三层节点中的每个节点的权向量获取所述第四层节点相对于第一层节点的第三权重，以及根据所述第三权重和所述第四层节点中的每个节点的权向量获取所述第五层节点相对于第一层节点的第四权重；
对所述第四权重进行排序，其中，所述第四权重中的最大值所对应的方案为所述第二迁移方案。
3.根据权利要求2所述的迁移方法，其特征在于，所述判断矩阵为：
其中，MJ为节点p对应的所述判断矩阵，且MJ为q阶矩阵，q为所述节点p所包含的子节点的数目，i，j分别表示所述节点p的子节点i和子节点j，所述i、所述j均为从1到q的正整数，rij表示所述子节点i、所述子节点j相对于所述节点p的重要度。
4.根据权利要求3所述的迁移方法，其特征在于，所述根据所述特征值对所述判断矩阵进行一致性检验，包括：
根据所述特征值获取所述判断矩阵的一致性指标；
根据所述判断矩阵的阶数获取所述判断矩阵的随机一致性指标；
根据所述一致性指标和所述随机一致性指标获取所述判断矩阵的一致性比率；以及
判断所述一致性比率是否在预设比率范围内；
如果在所述预设比率范围内，则所述判断矩阵通过所述一致性检验。
5.根据权利要求4所述的迁移方法，其特征在于，所述一致性比例由下述公式(4)获得：
<mrow>
<mi>C</mi>
<mi>R</mi>
<mo>=</mo>
<mi>C</mi>
<mi>I</mi>
<mo>/</mo>
<mi>R</mi>
<mi>I</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>q</mi>
<mo>)</mo>
<mo>/</mo>
<mo>(</mo>
<mi>q</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mrow>
<mi>R</mi>
<mi>I</mi>
</mrow>
</mfrac>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，CR为所述判断矩阵的一致性比率，CI为所述判断矩阵的一致性指标，λmax为所述判断矩阵的特征值，q为所述判断矩阵的阶数，RI为所述判断矩阵的随机一致性指标。
6.一种迁移装置，其特征在于，包括：
迁移对象获取模块，用于获取迁移对象；
迁移方案获取模块，用于获取所述迁移对象的m个候选迁移方案，其中，m为正整数；
第一筛选模块，用于根据所述迁移对象的收益约束条件、响应延迟约束条件、网络流量约束条件和开销约束条件对所述m个候选迁移方案进行筛选以获取n个第一迁移方案，其中，n为正整数，且n小于或等于m；
第二筛选模块，用于根据预设规则对所述n个第一迁移方案进行筛选以获取第二迁移方案，其中，所述第二筛选模块包括：递归树构建单元，用于根据所述预设规则和所述n个第一迁移方案构建递归树；其中，所述预设规则包括优势规则和风险规则；
所述优势规则包括技术优势子规则、经济优势子规则和组织优势子规则中的一种或多种，所述技术优势子规则、所述经济优势子规则和所述组织优势子规则分别包括多个对应的元规则；
所述风险规则包括组织风险子规则、政策风险子规则、安全风险子规则、技术风险子规则和经济风险子规则中的一种或多种，所述组织风险子规则、所述政策风险子规则、所述安全风险子规则、所述技术风险子规则和所述经济风险子规则分别包括多个对应的元规则；
所述递归树构建单元用于：
根据收益约束条件创建所述递归树的第一层节点，其中所述第一层节点为所述递归树的根节点；
创建所述优势规则的节点和所述风险规则的节点，所述优势规则的节点和所述风险规则的节点为所述递归树的第二层节点，其中所述优势规则的节点和所述风险规则的节点分别与所述第一层节点关联；
创建所述技术优势子规则的节点、经济优势子规则的节点、组织优势子规则的节点、组织风险子规则的节点、政策风险子规则的节点、安全风险子规则的节点、技术风险子规则的节点和经济风险子规则的节点，所述技术优势子规则的节点、经济优势子规则的节点、组织优势子规则的节点、组织风险子规则的节点、政策风险子规则的节点、安全风险子规则的节点、技术风险子规则的节点和经济风险子规则的节点为所述递归树的第三层节点，其中所述技术优势子规则的节点、经济优势子规则的节点和组织优势子规则的节点分别与所述优势规则的节点关联，所述组织风险子规则的节点、政策风险子规则的节点、安全风险子规则的节点、技术风险子规则的节点和经济风险子规则的节点分别与所述风险规则的节点关联；
根据所述多个元规则创建所述递归树的第四层节点；以及
根据所述n个第一迁移方案创建所述递归树的第五层节点；
筛选单元，用于根据所述递归树对所述n个第一迁移方案进行筛选以获取所述第二迁移方案；
迁移模块，用于根据所述第二迁移方案对所述迁移对象进行迁移，其中，
所述收益约束条件根据下述公式(1)表示：
Profit(S)＝A×{Fee(Buy)-Fee(Rent)}+B×{Fee(maintenance)+Fee(operation)}
+C×{Fee(elasticity)}， (1)
其中，S表示所述迁移对象，Profit(S)表示所述迁移对象S迁移后的收益，Fee(Buy)表示如果不对所述迁移对象S进行迁移企业购买硬件构建本地数据中心所需费用，Fee(Rent)表示所述迁移对象S迁移后租用计算硬件、存储资源、网络带宽等资源所需费用，Fee(maintenance)表示如果不对所述迁移对象S进行迁移所需要的维护所述迁移对象S的费用，Fee(operation)表示如果不对所述迁移对象S进行迁移所需要的运营所述迁移对象S的费用，Fee(elasticity)表示如果不对所述迁移对象S进行迁移，在业务闲时对系统资源造成浪费所对应的费用，A、B、C为常数，且取值为0或1；
所述响应延迟约束条件根据下述公式(2)表示：
T(Req)＝∑Delaycloud(tranc)+∑Delaylocal(tranc)≤t， (2)
其中，T(Req)表示所述迁移对象S迁移后的响应延迟，Delaycloud(tranc)表示所述迁移对象S迁移后在迁移地的内部传输延迟，Delaylocal(tranc)表示所述迁移对象S迁移后，所述迁移对象S迁移之前所在地与所述迁移地之间的通信延迟，t表示所述迁移对象S迁移之前的响应延迟；
所述网络流量约束条件由下述公式(3)表示：
Traf(S)≤f， (3)
其中，Traf(S)为所述迁移对象S被迁移后的网络流量，f为预设流量阈值。
7.根据权利要求6所述的迁移装置，其特征在于，所述筛选单元包括：
判断矩阵获取子单元，用于分别获取所述递归树中的所述第一层节点、所述第二层节点、所述第三层节点和所述第四层节点中的每个节点对应的判断矩阵；
权向量获取子单元，用于分别根据所述判断矩阵获取所述每个节点的权向量和特征值，并根据所述特征值对所述判断矩阵进行一致性检验；
相对权重获取子单元，用于如果所述判断矩阵通过所述一致性检验，则根据所述第一层节点的权向量获取所述第二层节点相对于第一层节点的第一权重，根据所述第一权重和所述第二层节点中的每个节点的权向量获取所述第三层节点相对于第一层节点的第二权重，根据所述第二权重和所述第三层节点中的每个节点的权向量获取所述第四层节点相对于第一层节点的第三权重，以及根据所述第三权重和所述第四层节点中的每个节点的权向量获取所述第五层节点相对于第一层节点的第四权重；
方案获取子单元，用于对所述第四权重进行排序，其中，所述第四权重中的最大值所对应的方案为所述第二迁移方案。
8.根据权利要求7所述的迁移装置，其特征在于，所述判断矩阵为：
其中，MJ为节点p对应的所述判断矩阵，且MJ为q阶矩阵，q为所述节点p所包含的子节点的数目，i，j分别表示所述节点p的子节点i和子节点j，所述i、所述j均为从1到q的正整数，rij表示所述子节点i、所述子节点j相对于所述节点p的重要度。
9.根据权利要求8所述的迁移装置，其特征在于，所述权向量获取子单元用于：
根据所述特征值获取所述判断矩阵的一致性指标；
根据所述判断矩阵的阶数获取所述判断矩阵的随机一致性指标；
根据所述一致性指标和所述随机一致性指标获取所述判断矩阵的一致性比率；以及
判断所述一致性比率是否在预设比例范围内；
如果在所述预设比率范围内，则所述判断矩阵通过所述一致性检验。
10.根据权利要求9所述的迁移装置，其特征在于，所述一致性比率由下述公式(4)获得：
<mrow>
<mi>C</mi>
<mi>R</mi>
<mo>=</mo>
<mi>C</mi>
<mi>I</mi>
<mo>/</mo>
<mi>R</mi>
<mi>I</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>q</mi>
<mo>)</mo>
<mo>/</mo>
<mo>(</mo>
<mi>q</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mrow>
<mi>R</mi>
<mi>I</mi>
</mrow>
</mfrac>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，CR为所述判断矩阵的一致性比率，CI为所述判断矩阵的一致性指标，λmax为所述判断矩阵的特征值，q为所述判断矩阵的阶数，RI为所述判断矩阵的随机一致性指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410021274.9A CN103780688B (zh) | 2014-01-16 | 2014-01-16 | 迁移方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410021274.9A CN103780688B (zh) | 2014-01-16 | 2014-01-16 | 迁移方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103780688A CN103780688A (zh) | 2014-05-07 |
| CN103780688B true CN103780688B (zh) | 2018-02-09 |
Family
ID=50572503
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410021274.9A Active CN103780688B (zh) | 2014-01-16 | 2014-01-16 | 迁移方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103780688B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105282242A (zh) * | 2015-09-29 | 2016-01-27 | 杭州天宽科技有限公司 | 一种基于多属性信息的数据中心间的数据传输调度方法 |
| US9798583B2 (en) * | 2015-12-04 | 2017-10-24 | Microsoft Technology Licensing, Llc | Onboarding of a service based on automated supervision of task completion |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100583900C (zh) * | 2006-11-16 | 2010-01-20 | 南京邮电大学 | 基于智能代理的无线传感器网络数据聚合路径规划方法 |
| CN102262567A (zh) * | 2010-05-24 | 2011-11-30 | 中兴通讯股份有限公司 | 虚拟机调度决策的系统、平台及方法 |
| CN102591443A (zh) * | 2011-12-29 | 2012-07-18 | 华为技术有限公司 | 一种虚拟化集群整合方法、装置及系统 |
| US9218196B2 (en) * | 2012-05-17 | 2015-12-22 | International Business Machines Corporation | Performing pre-stage replication of data associated with virtual machines prior to migration of virtual machines based on resource usage |
-
2014
- 2014-01-16 CN CN201410021274.9A patent/CN103780688B/zh active Active
Non-Patent Citations (1)
| Title |
|---|
| "A Generic Method of Migrating Enterprise Components Partially to the Cloud";Haiou Jiang，Haihong E，etc;《Joint Pervasive Computing and Networked World Conference》;20131207;正文第1页－第9页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103780688A (zh) | 2014-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Robustness of supply chain networks against underload cascading failures | |
| CN111695830A (zh) | 一种电力资源分配方法、系统以及设备 | |
| Neeraj et al. | A comparative analysis of prominently used MCDM methods in cloud environment | |
| CN113348651A (zh) | 切片的虚拟网络功能的动态云间放置 | |
| CN105809280A (zh) | 一种机场容量需求预测方法 | |
| CN112764920A (zh) | 一种边缘应用部署方法、装置、设备和存储介质 | |
| CN104320353A (zh) | 一种用户地址管理的方法和装置 | |
| Souza et al. | Proactive vs reactive failure recovery assessment in combined Fog-to-Cloud (F2C) systems | |
| CN104601486A (zh) | 一种网络流量的分流方法和装置 | |
| CN104866922A (zh) | 一种用户离网的预测方法及装置 | |
| Alamanos et al. | Urban water demand assessment for sustainable water resources management, under climate change and socioeconomic changes | |
| CN102821149A (zh) | 服务提供实体选择方法及装置 | |
| CN103780688B (zh) | 迁移方法和装置 | |
| Choi et al. | Quality evaluation and best service choice for cloud computing based on user preference and weights of attributes using the analytic network process | |
| Tiwary et al. | CPS: a dynamic and distributed pricing policy in cyber foraging systems for fixed state cloudlets | |
| CN111242425A (zh) | 电力数据处理方法和装置 | |
| CN114661463A (zh) | 基于bp神经网络的系统资源预测方法及系统 | |
| CN113850669A (zh) | 用户分群方法、装置、计算机设备及计算机可读存储介质 | |
| He et al. | (Re) Configuring bike station network via crowdsourced information fusion and joint optimization | |
| Banez et al. | Network virtualization resource allocation and economics based on prey–predator food chain model | |
| CN107155215B (zh) | 一种应用归属服务集群的分配方法和装置 | |
| CN116541128A (zh) | 一种负载调节方法、装置、计算设备、及存储介质 | |
| CN113486933B (zh) | 模型训练方法、用户身份信息预测方法及装置 | |
| CN112257977B (zh) | 模糊工时下资源受限的物流项目工期优化方法及系统 | |
| CN111092755B (zh) | 一种基于资源占用的边缘服务迁移仿真方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |