CN104601585A - 基于用户体验的多媒体云数据中心高能效资源分配方法 - Google Patents

Abstract

本发明涉及一种基于用户体验的多媒体云数据中心高能效资源分配方法，包括用户向多媒体云数据中心发起应用请求；时隙t开始时，数据中心将用户请求排队，初始化实际队列，计算虚拟队列；用户根据自身设备及网络条件确定相应的应用期望响应时间；数据中心通过观察用户请求队列，请求到达率，计算实际队列与用户体验的最大化函数；数据中心根据用户体验的度量，调整相应的参数，使得队列与系统能耗函数最小化，从而确定系统需要的资源提供数量；更新实际队列与虚拟队列，进入下一时隙。本发明方法将用户体验引入云计算资源分配策略当中，在满足用户体验的前提下，最小化云资源的使用，降低多媒体云数据中心的系统能耗。

Description

基于用户体验的多媒体云数据中心高能效资源分配方法

技术领域

本发明涉及多媒体云资源的分配方法，具体地指一种基于用户体验的多媒体云数据中心高能效资源分配方法。

背景技术

随着Web 2.0和Web 3.0的发展，互联网上的多媒体信息日益以服务的形式，提供给大众用户，多媒体计算已经成为一项引人瞩目的技术。多媒体业务的计算密集特征使其需要大量的计算资源。同时，很多多媒体业务如流媒体分发都对实时性有着较高的要求，更需要后端的计算资源能够强力并高效地进行大规模计算。

云计算是一种通过网络提供虚拟服务的计算模式，该模式为动态的、可扩展的，能够高效地满足多媒体处理的密集资源需求。由于同时服务数百万互联网和移动用户，多媒体业务需要大量的计算资源、存储资源与网络资源，对能量的需求增长迅猛。根据有关部门的统计，目前服务器的能耗已比10年前翻了10倍。在云数据中心，服务器的管理维护以及能耗的开销已经超过了服务器设备的费用。因此，迫切需要在云数据中心采用节能技术减少系统能耗。

为了能在激烈的竞争中胜出，多媒体云服务提供商必须确保自己提供的服务得到用户的认可。目前，QoS(服务质量)是最广泛采用的服务度量标准。QoS评价指标主要包括网络的吞吐率、时延、丢包率等。但是这些指标仅仅反映了服务技术层面的性能，忽略用户主观因素，不能直接反映用户对服务的认可程度。UE(用户体验)是一种以用户认可程度为标准的服务的评价方法，它综合了服务层面、用户层面、环境层面的影响因素，直接反映了用户对服务的认可程度。现有的云计算资源分配模型和算法研究，大多侧重于业务本身的QoS保障，而没有从用户的角度出发，以保障用户体验质量为目标。其次，大多数算法都将资源作为约束条件，在满足资源约束的前提下寻求QoS指标的最优，但在达到用户期望的体验水平后，继续提升用户体验指标并无太大意义，而更重要的是在资源利用率的最小化基础上，实现用户体验和资源分配的均衡优化。

发明内容

本发明目的在于克服上述现有技术的不足而提供一种基于用户体验的多媒体云数据中心高能效资源分配方法，本方法在保证用户体验的前提下有效地提高云计算系统的效用比，以用户体验与系统能耗均衡为目标，实现多媒体云数据中心资源的优化分配。

实现本发明目的采用的技术方案是一种基于用户体验的多媒体云数据中心高能效资源分配方法，该方法包括：

用户向多媒体云数据中心发起应用请求；

时隙t开始时，数据中心将用户请求排队，初始化实际队列，计算虚拟队列；

用户根据自身设备及网络条件确定相应的应用期望响应时间；

数据中心通过观察用户请求队列，请求到达率，计算实际队列与用户体验的最大化函数；

数据中心根据用户体验的度量，调整相应的参数，使得队列与系统能耗函数最小化，从而确定系统需要的资源提供数量；

更新实际队列与虚拟队列，进入下一时隙。

在上述技术方案中，所述队列与用户体验最大化函数为：

Z_il(t)d_il(t)+VUED_il(t)+Q_i(t)R_i(t)

式中，Z_il(t)为用户U_il的响应时间赤字队列；d_il为应用A_i对用户U_il的实际响应时间，d_il≤D_i；UED_il(t)为用户U_il的用户体验度；Q_i(t)为n_i(t)个服务器的队列积压；R_i(t)为应用A_i的请求总数，R_il为每个用户的请求，i∈A,l∈UQ_i。

在上述技术方案中，所述系统队列与能耗最小化函数为：

Q_i(t)n_i(t)-Vβe(n_i(t))

式中，Q_i(t)为n_i(t)个服务器的队列积压；e(n_i(t))表示n_i(t)个服务器的处理器功耗。

本发明具有以下优点：

1)将用户体验引入云计算资源分配策略当中，在满足用户体验的前提下，最小化云资源的使用，降低多媒体云数据中心的系统能耗。

2)综合考虑系统能耗、用户体验与系统性能之间的均衡，提高云数据中心的资源使用效能。

附图说明

图1为本发明基于用户体验的多媒体云数据中心高能效资源分配方法的流程图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的详细说明。

本发明基于用户体验的多媒体云数据中心高能效资源分配方法涉及到的参数如下：

(1)用户体验(User Experience，简称UX或UE)是一种纯主观的在云用户使用云服务的过程中建立起来的心理感受，是用户对所获得云服务的主观体验。

(2)用户体验度，用户体验度(UED)是用户体验的一个定量值，它反映了所提供服务满足用户需求的能力，其为大于等于0的实数，值越大，说明用户对该应用越满意。

(3)系统整体用户体验度，其为所有用户对整个系统服务能力的满意程度，由用户体验度的和表示。

本发明方法首先建立系统模型

(1)多媒体云数据中心

多媒体云数据中心拥有N套同构的服务器S＝{1,2,...,N}，分成M个集群服务M类多媒体云应用A＝{1,2,...,M}，每种应用具有不同的访问请求到达率和计算请求。本发明考虑分时不定的时隙系统，服务数以万计的用户。设时隙索引为t＝0,1,…，n_i(t)为时隙t服务应用A_i的服务器数量，为支撑应用i的最小服务器数量。在每一时隙t，云运营商向用户提供稳定的服务，满足用户的体验质量要求。

(2)用户体验模型

终端用户通常连接到云获取数据，运行服务或应用。响应时间为关键的用户感知指标，本发明主要采用响应时间作为用户体验。响应时间定义为从请求到达多媒体云数据中心与服务结果从数据中心离开的持续时间。由于来自不同用户的到达请求连续不断，在非重叠的时间间隔内产生的请求数量为独立的随机变量。多媒体云数据中心拥有大量的用户。假设对于应用A_i，有UQ_i个用户，每个用户的请求用R_il,i∈A,l∈UQ_i表示。应用A_i的请求总数为R_i，即

系统假设：每个用户拥有独立的信道条件，服从一定的独立同分布(但不知道)。对不同的应用，用户期望的响应时间不相同。

令D_i为用户对应用A_i的最大期望响应时间，d_il为应用A_i对用户U_il的实际响应时间，d_il≤D_i。定义用户U_il的用户体验度为：

${\mathrm{UED}}_{\mathrm{il}}=\left\{\begin{array}{cc}{c}_2-c_1\ln \left(\frac{d_{\mathrm{il}}}{D_i}\right)& d_{\mathrm{il}}<D_i\\ 1& d_{\mathrm{il}}=D_i\\ 0& d_{\mathrm{il}}>D_i\end{array}\right.---\left(1\right)$

其值介于0与5之间。参数c2、c1取决于应用程序类型、内容与用户背景及期望。

应用A_i所有用户的用户体验度为：

${\mathrm{UED}}_i\left(t\right)={\mathrm{\&Sigma;}}_{l=1}^{{\mathrm{UQ}}_i}{\mathrm{UED}}_{\mathrm{il}}\left(t\right)={\mathrm{\&Sigma;}}_{l=1}^{{\mathrm{UQ}}_i}(c_2-c_1\ln \left(\frac{d_{\mathrm{il}}\left(t\right)}{D_i\left(t\right)}\right))---\left(2\right)$

定义其时间平均的用户体验度UED_i为：

${\mathrm{UED}}_i=\underset{t\&RightArrow;\&infin;}{\lim }\frac{1}{t}{\mathrm{\&Sigma;}}_{\mathrm{\&tau;}=0}^{t-1}E\left\{{\mathrm{UED}}_i\left(t\right)\right\}---\left(3\right)$

(3)队列动态性

定义Q_i为n_i(t)个服务器的队列积压，即时隙t开始队列中等待的所有请求尺寸大小。时隙t系统相应的服务率为n_i(t)，每个用户U_il作业队列的到达率为R_il(t)。则队列动态演化为：

$Q_i(t+1)=\max [Q_i\left(t\right)-n_i\left(t\right),0]+{\mathrm{\&Sigma;}}_{l=1}^{{\mathrm{UQ}}_i}{R}_{\mathrm{il}}---\left(4\right)$

(4)系统能耗

处理多媒体服务时，云运营商产生各种各样的运营代价(如处理器和网络)。特别是，响应用户请求所需的资源随着响应时间的降低而增加。但到一定程度，即使计算资源增加，用户响应时间不再降低，用户体验保持不变。本专利关注处理器能耗，其为多媒体云数据中心中主要的代价因素，可近似由所需的计算资源的递增凸代价函数表示。用e(n_i(t))表示n_i(t)个服务器的处理器功耗。从数学分析的角度出发，定义e(0)＝0，且e(n_i(t))为n_i(t)可微的、递增的凸函数。则多媒体云数据中心的总功耗为：

P(t)＝Σ_i∈Ae(n_i(t))   (5)

控制决策，即云运营商的计算资源分配与用户期望的响应时间，在每一时隙的开始确定。尤其是，用户根据网络条件独立选择有利于自身的决策，云运营商根据队列的长度分配资源。

分别定义 ${\stackrel{\&OverBar;}{R}}_i=\underset{t\&RightArrow;\&infin;}{\lim }\frac{1}{t}{\mathrm{\&Sigma;}}_{\mathrm{\&tau;}=0}^{t-1}E\left[R_i\left(t\right)\right],{\stackrel{\&OverBar;}{n}}_i=\underset{t\&RightArrow;\&infin;}{\lim }\frac{1}{t}{\mathrm{\&Sigma;}}_{\mathrm{\&tau;}=0}^{t-1}E[n_i\left(t\right),{\stackrel{\&OverBar;}{d}}_{\mathrm{il}}=\underset{t\&RightArrow;\&infin;}{\lim }\frac{1}{t}{\mathrm{\&Sigma;}}_{\mathrm{\&tau;}=0}^{t-1}E[d_{\mathrm{il}}\left(t\right)],$ 为时间平均的R_i,n_i,d_il。

由式(3)可得，所有用户的体验度应最大化。由式(5)，所有服务器的总功耗应最小化。则系统目标可以定义为以下的受限随机优化问题。

$\max g=\underset{i\&Element;A}{\mathrm{\&Sigma;}}\mathrm{UED}\left(i\right)-\mathrm{\&beta;}\underset{i\&Element;A}{\mathrm{\&Sigma;}}e\left(n_i\left(t\right)\right)---\left(6\right)$

$s.t.{\stackrel{\&OverBar;}{d}}_{\mathrm{il}}\&le;D_i,\&ForAll;i\&Element;A,l\&Element;U{Q}_i---\left(7\right)$

${\stackrel{\&OverBar;}{R}}_i\&le;{\stackrel{\&OverBar;}{n}}_i---\left(8\right)$

$\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{n}_i\left(t\right)\&le;N---\left(9\right)$

$n_i\left(t\right)\&GreaterEqual;K_{\min }^i---\left(10\right)$

限制(7)为用户的平均响应时间约束，(8)保证平均率的队列稳定性，β为用户体验度UED和系统能耗P之间均衡的调整参数。(9)保证运行的服务器数量不超过服务器的总数。(10)强制云运营商在所有时间内开启至少个服务器容纳每个应用的瞬时高峰请求。

由Caratheodory理论可知，存在平稳、随机的离线控制策略可解决该问题，但这需要信道统计的全面知识，难度极大。因此，本发明采用符合实际的在线算法解决此问题。

对于队列平稳性限制(8)，使用实际队列长度，其服从式(4)，指导云运营商的资源分配策略。对于式(7)的平均响应时间限制，定义虚拟队列，采用虚拟队列长度指导用户的决策。定义用户U_il的响应时间赤字队列为Z_il(t)，Z_il(0)＝0，依式(11)进行演化：

Z_il(t+1)＝max[Z_il(t)+d_il(t)-D_i(t),0]   (11)

其中d_il为用户U_il在时隙t获得的实际响应时间，D_i为其时隙t的期望响应时间。虚拟队列用于保证用户的平均响应时间限制。然后，将多媒体云数据中心的实际作业队列与虚拟队列结合起来。令Q(t)＝(Q_i(t))，H(t)＝(Z_il(t))，分别表示实际与虚拟队列的矩阵。使用向量表达式Θ(t)＝[Q(t),H(t)]表示所有实际队列与虚拟队列的联合矩阵。定义李亚普诺夫函数L(Θ(t))：

$L\left(\mathrm{\&Theta;}\left(t\right)\right)=\frac{1}{2}[\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{l=1}{\overset{{\mathrm{UQ}}_i}{\mathrm{\&Sigma;}}}{Z}_{\mathrm{il}}^2\left(t\right)+\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{Q}_i\left(t\right)]---\left(12\right)$

其中常数附加用于数学推导的方便。式(12)的李亚普诺夫函数本质上是实际作业长度与虚拟响应时间队列长度的标量表示。接下来，定义单时隙的条件李亚普若夫偏移如下：

采用max[q-b,0]²≤(q-b)²的事实，则有

$\mathrm{\&Delta;}\left(\mathrm{\&Theta;}\left(t\right)\right)\&le;B+\underset{i\&Element;A}{\mathrm{\&Sigma;}}\underset{l\&Element;\mathrm{UQ}}{\mathrm{\&Sigma;}}{Z}_{\mathrm{il}}\left(t\right)E\{d_{\mathrm{il}}\left(t\right)-D_i|\mathrm{\&Theta;}\left(t\right)\}+\underset{i\&Element;A}{\mathrm{\&Sigma;}}{Q}_i\left(t\right)E\{R_i\left(t\right)-n_i\left(t\right)\left|\mathrm{\&Theta;t}\right\}---\left(14\right)$

其中B为有限常量，满足

$\begin{array}{c}B\&GreaterEqual;\frac{1}{2}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{l=1}{\overset{U_{\mathrm{Qi}}}{\mathrm{\&Sigma;}}}E\{{\left(d_{\mathrm{il}}\right)}^2+{D_i}^2|\mathrm{\&Theta;}\left(t\right)\}\\ +\frac{1}{2}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}E\{{\left(n_i\left(t\right)\right)}^2+{R_i}^2\left(t\right)|\mathrm{\&Theta;}\left(t\right)\}\end{array}---\left(15\right)$

对任意的t＝0,1,...。

选择参数V>0作为指示器说明由在线算法得到的平均收益，如何接近优化的离线算法。在式(14)两边加上VE[g(t)|Θ(t)]，得到以下的不等式：

$\begin{array}{c}\mathrm{\&Delta;}\left(\mathrm{\&Theta;}\left(t\right)\right)+\mathrm{VE}\left[g\left(t\right)\right|\mathrm{\&Theta;}\left(t\right)]\&le;B+\mathrm{VE}[g\left(t\right)\left|\mathrm{\&Theta;}\left(t\right)\right]+\underset{i\&Element;A}{\mathrm{\&Sigma;}}\underset{l\&Element;\mathrm{UQ}}{\mathrm{\&Sigma;}}{Z}_{\mathrm{il}}\left(t\right)E\{d_{\mathrm{il}}\left(t\right)-D_i|\mathrm{\&Theta;}\left(t\right)\}\\ +\underset{i\&Element;A}{\mathrm{\&Sigma;}}{Q}_i\left(t\right)E\{R_i\left(t\right)-n_i\left(t\right)|\mathrm{\&Theta;}\left(t\right)\}\end{array}---\left(16\right)$

展开合并后得到：

$\begin{array}{c}\mathrm{\&Delta;}\left(\mathrm{\&Theta;}\left(t\right)\right)+\mathrm{VE}\left[g\left(t\right)\right|\mathrm{\&Theta;}\left(t\right)]\&le;B+\underset{i\&Element;A}{\mathrm{\&Sigma;}}\underset{l\&Element;\mathrm{UQ}}{\mathrm{\&Sigma;}}E\{Z_{\mathrm{il}}\left(t\right)d_{\mathrm{il}}\left(t\right)+\mathrm{VUE}{D}_{\mathrm{il}}\left(t\right)|\&Theta;\left(t\right)\}\\ +\underset{i\&Element;A}{\mathrm{\&Sigma;}}E\{Q_i\left(t\right)n_i\left(t\right)-\mathrm{V\&beta;P}\left(t\right)|\mathrm{\&Theta;}\left(t\right)\}\\ +\underset{i\&Element;A}{\mathrm{\&Sigma;}}E\{Q_i\left(t\right)R_i\left(t\right)-\underset{l\&Element;\mathrm{UQ}}{\mathrm{\&Sigma;}}{Z}_{\mathrm{il}}\left(t\right)D_i|\mathrm{\&Theta;}\left(t\right)\}\end{array}---\left(17\right)$

其中不等式的左边为单时隙偏移加上用户体验与能量代价的优化值。直接优化偏移加上代价需要信道统计的全面知识，本发明最小化不等式右边的上限。

基于以上分析，如图1所示，本发明基于用户体验的多媒体云数据中心高能效资源分配方法包括以下步骤：

S100、用户向多媒体云数据中心发起应用请求。

S200、时隙t开始时，云数据中心计算应用A_i的队列长度Q_i和当前用户的虚拟队列长度Z_il。

S300、每个用户U_il根据自身设备与网络条件，确定相应的应用期望响应时间D_i(t)。

S400、数据中心通过观察用户请求队列，请求到达率，计算实际队列与用户体验的最大化函数：

Z_il(t)d_il(t)+VUED_il(t)+Q_i(t)R_i(t)   (18)

实现用户体验的最大化。

式中，Z_il(t)为用户U_il的响应时间赤字队列；d_il为应用A_i对用户U_il的实际响应时间，d_il≤D_i；UED_il(t)为用户U_il的用户体验度；Q_i(t)为n_i(t)个服务器的队列积压；R_i(t)为应用A_i的请求总数，R_il为每个用户的请求，i∈A,l∈UQ_i。

S500、云运营商选择根据观察到的系统队列长度，按照相应的节能策略，确定开启服务器的数量n_i(t)。

S600、根据最小化系统队列与能耗函数

Q_i(t)n_i(t)-Vβe(n_i(t))   (19)

使得系统能耗最小化。

式中，Q_i(t)为n_i(t)个服务器的队列积压；e(n_i(t))表示n_i(t)个服务器的处理器功耗。

通过V,β值的调整，系统实现用户体验与系统能耗的均衡。

S700、根据式(4)和式(11)更新作业长度Q_i(t)和虚拟队列Z_il(t)。重复上述步骤。

Claims (3)

1.一种基于用户体验的多媒体云数据中心高能效资源分配方法，其特征在于，包括：

用户向多媒体云数据中心发起应用请求；

时隙t开始时，数据中心将用户请求排队，初始化实际队列，计算虚拟队列；

用户根据自身设备及网络条件确定相应的应用期望响应时间；

数据中心通过观察用户请求队列，请求到达率，计算实际队列与用户体验的最大化函数；

数据中心根据用户体验的度量，调整相应的参数，使得队列与系统能耗函数最小化，从而确定系统需要的资源提供数量；

更新实际队列与虚拟队列，进入下一时隙。

2.根据权利要求1所述基于用户体验的多媒体云数据中心高能效资源分配方法，其特征在于所述队列与用户体验最大化函数为：

Z_il(t)d_il(t)+VUED_il(t)+Q_i(t)R_i(t)

式中，Z_il(t)为用户U_il的响应时间赤字队列；d_il为应用A_i对用户U_il的实际响应时间，d_il≤D_i；UED_il(t)为用户U_il的用户体验度；Q_i(t)为n_i(t)个服务器的队列积压；R_i(t)为应用A_i的请求总数，R_il为每个用户的请求，i∈A,l∈UQ_i。

3.根据权利要求1所述基于用户体验的多媒体云数据中心高能效资源分配方法，其特征在于所述系统队列与能耗最小化函数为：

Q_i(t)n_i(t)-Vβe(n_i(t))

式中，Q_i(t)为n_i(t)个服务器的队列积压；e(n_i(t))表示n_i(t)个服务器的处理器功耗。