CN106446959B - 一种云计算资源动态匹配方法及装置 - Google Patents

一种云计算资源动态匹配方法及装置 Download PDF

Info

Publication number
CN106446959B
CN106446959B CN201610882315.2A CN201610882315A CN106446959B CN 106446959 B CN106446959 B CN 106446959B CN 201610882315 A CN201610882315 A CN 201610882315A CN 106446959 B CN106446959 B CN 106446959B
Authority
CN
China
Prior art keywords
cloud computing
computing resources
clustering
resource
resources
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
Application number
CN201610882315.2A
Other languages
English (en)
Other versions
CN106446959A (zh
Inventor
李小勇
吴洪强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201610882315.2A priority Critical patent/CN106446959B/zh
Publication of CN106446959A publication Critical patent/CN106446959A/zh
Application granted granted Critical
Publication of CN106446959B publication Critical patent/CN106446959B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种云计算资源动态匹配方法及装置，其中方法包括：获取并聚类云计算资源，确定具有云计算资源的多个第一类及多个第一类中的每个第一类的聚类中心；在判断一个第一类的聚类中心的偏移量、超过预设偏移量时，确定第一类的云计算资源发生变化；在第一类的云计算资源发生变化时，重新获取并聚类云计算资源，得到具有云计算资源的多个第二类；获取用户请求分配云计算资源的请求；将请求中对应的云计算资源与多个第二类内的云计算资源进行匹配，得到匹配结果，将匹配结果给用户，以使用户使用匹配结果中的云计算资源。应用本发明实施例能够在资源聚类完成后实时监测资源变化，在资源变化时重新获取并聚类资源，实现动态资源匹配。

Description

一种云计算资源动态匹配方法及装置
技术领域
本发明涉及云计算领域，尤其涉及一种云计算资源动态匹配方法及装置。
背景技术
近年来，随着基于分布式计算特别是网络技术的发展，产生了一种新型服务计算模型：云计算。云计算是一种能够通过网络以便利的、按需的方式访问一个可配置的计算资源共享池(包括网络、服务器、存储、应用和服务等)的模式，这个计算资源共享池能以最少的管理开销及与供应商最少的交互量，迅速配置、提供或释放资源；云计算的核心问题是资源管理，云计算的资源管理中关于云计算的资源匹配方法已成为一个研究热点。
模糊聚类算法是根据客观事物间的特征、亲疏程度、相似性，通过建立模糊相似关系对客观事物进行聚类的分析方法。将模糊聚类算法引入云计算领域，能够在资源匹配过程中建立资源的不同聚类。
目前的基于模糊聚类算法的云计算资源匹配方法主要是：由云服务器中的调度器获取云计算资源和用户请求，根据云计算资源的属性对云计算资源进行模糊聚类，得到具有云计算资源的类，并在用户请求对应的类中，寻求和用户请求匹配的云计算资源作为匹配结果。目前已经有针对云计算资源匹配的监测技术，但现有的监测方式不够灵活，无法提高匹配效率及准确率。
发明内容
本发明实施例的目的在于提供一种云计算资源动态匹配方法及装置，通过自动识别资源变化，动态进行云计算资源匹配，提高匹配效率及准确率。具体技术方案如下：
为达到上述目的，本发明实施例公开了一种云计算资源动态匹配方法，应用于云计算资源匹配，包括：
获取并聚类云计算资源，确定具有云计算资源的多个第一类及所述多个第一类中的每个第一类的聚类中心；
在判断所述多个第一类中的一个第一类的聚类中心的偏移量、超过预设偏移量时，确定所述第一类的云计算资源发生变化；
在所述第一类的云计算资源发生变化时，重新获取并聚类所述云计算资源，得到具有云计算资源的多个第二类；
获取用户请求分配云计算资源的请求；
将所述请求中对应的云计算资源与所述多个第二类内的云计算资源进行匹配，得到匹配结果，将所述匹配结果给所述用户，以使所述用户使用所述匹配结果中的云计算资源。
本发明还公开了一种云计算资源动态匹配装置，包括：
第一类获取模块，用于获取并聚类云计算资源，确定具有云计算资源的多个第一类及所述多个第一类中的每个第一类的聚类中心；
资源变化确定模块，用于在判断所述多个第一类中的一个第一类的聚类中心的偏移量、超过预设偏移量时，确定所述第一类的云计算资源发生变化；
第二类获取模块，用于在所述第一类的云计算资源发生变化时，重新获取并聚类所述云计算资源，得到具有云计算资源的多个第二类；
用户请求获取模块，用于获取用户请求分配云计算资源的请求；
匹配结果获取模块，用于将所述请求中对应的云计算资源与所述多个第二类内的云计算资源进行匹配，得到匹配结果，将所述匹配结果给所述用户，以使所述用户使用所述匹配结果中的云计算资源。
由上述的技术方案可见，本发明实施例提供的一种云计算资源动态匹配方法及装置，获取并聚类云计算资源，获得多个第一类及每个第一类的聚类中心，在资源聚类完成后，实时监测多个第一类的聚类中心的偏移量，当有一个第一类的聚类中心的偏移量大于预设偏移量时，确定资源发生变化，重新获取、聚类云计算资源，得到多个第二类，并重新获取用户请求分配云计算资源的请求，将请求中对应的云计算资源与多个第二类内的云计算资源进行匹配，得到匹配结果，并将匹配结果给用户，使用户能够使用匹配结果中的云计算资源。由此可见本发明能够自动识别资源变化，并在资源变化时重新获取并聚类资源，完成与用户请求对应的资源的匹配，且本发明不需要停止之前的匹配过程就能完成新的匹配过程，能够实现动态资源匹配，能够提高匹配效率及准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例的云计算资源动态匹配方法的模型图；
图2为本发明实施例的云计算资源动态匹配方法的流程图；
图3为本发明实施例的改进的FCM(Fuzzy C-means，模糊C-均值聚类算法)算法与最小网格MIN-MIN算法效率对比图；
图4为本发明实施例的改进的FCM算法的数据变迁时的迭代效率与传统FCM算法的数据变迁时的迭代效率的对比图；
图5为本发明实施例的改进的FCM算法与MIN-MIN算法平均用户满意度对比图；
图6为本发明实施例的云计算资源动态匹配装置的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明实施例公开了一种云计算资源动态匹配方法，以下分别进行详细说明。
下面首先对本发明实施例提供的一种云计算资源动态匹配方法进行介绍。
在移动云计算资源匹配中，模糊聚类的作用是能够减小匹配过程中的资源数据规模，通过分类筛选资源，能够使第一次匹配时用户的满意度得到提高。但是，现有的模糊聚类算法在云计算资源匹配中实现的是资源静态聚类，针对资源变化没有好的识别方法和处理方法，只能停止匹配过程，笼统对资源进行重新聚类，导致云计算资源匹配系统的匹配效率及匹配准确度下降。本发明提出的改进的FCM算法在传统的GA(Genetic algorithm,遗传算法)算法与传统FCM算法的基础上进行改进，对云计算资源聚类并完成用户的请求的云计算资源的匹配。
图1为本发明实施例的云计算资源动态匹配方法的模型图，参见图1，本发明方法具体为：
第一步，调度器获取云计算资源及用户的请求。
网络系统的云服务器中存在调度器，调度器获取到网络系统中的云计算资源的资源数据列表，资源数据列表为，系统中所有的云计算资源信息的汇总表，资源数据列表中至少包括：云计算资源的序号、云计算资源的属性、云计算资源的属性对应的、由调度器评价的属性的分数值。
云计算资源的序号表示云计算资源的名称，或者云计算资源的具体位置。
云计算资源的属性为云计算资源的特性，至少包括：存储容量、占用带宽、CPU(Central Processing Unit，中央处理器)计算能力和\或GPU(Graphic Processing Unit，图形处理器)计算能力。
云计算资源的属性对应的、由调度器评价的属性的分数值为，由调度器根据所有云计算资源的属性的平均值对云计算资源的属性进行评价，得到的属性的分数值，如序号为1的云计算资源的存储容量属性，在分数值范围为10分的评价系统下，获得调度器评价的分数值为9分，表示序号为1的云计算资源的存储容量，在所有云计算资源的存储容量中，属于存储容量高的等级。其中，调度器可以根据系统或者用户需求设置不同的分数值范围，如满分10分或者100分。
调度器同时获取到达云服务器的用户的请求队列，该用户的请求队列是按照到达云服务器时间的先后顺序进行排序的FIFO(First Input First Output，先入先出)队列，调度器对FIFO队列中用户的请求依次匹配对应的云计算资源。
用户的请求至少包括：用户序号、用户请求分配的云计算资源的属性、用户请求分配的云计算资源的属性对应的需求分数值。
用户序号表示用户的名称或者用户的地理位置。
用户请求分配的云计算资源的属性为，用户需求的云计算资源的属性。用户请求分配的云计算资源的属性与调度器获取并聚类的云计算资源的属性一一对应，属性至少包括：存储容量、占用带宽、CPU计算能力和\或GPU计算能力。
用户请求分配的云计算资源的属性对应的需求分数值为，用户对请求的云计算资源的属性需要达到的分数值，表示用户期望所分配的云计算资源的属性能够达到的程度，用户请求分配的云计算资源的属性对应的需求分数值，和云计算资源的属性对应的、由调度器评价的属性的分数值是对应的，并采用同一分数值范围。
以分数值表示云计算资源的属性及用户请求分配的云计算资源的属性，能够以量化的数值体现云计算资源之间的属性差异程度，且以分数值运算，能够简化计算，提高计算效率。
第二步，调度器应用本发明算法，对云计算资源聚类，在聚类完成后，对用户的请求，选择与请求的云计算资源匹配度高的TOP-N个候选云计算资源。
调度器依据预设聚类算法进行资源聚类，其中，预设聚类算法至少包括FCM(FuzzyC-means，模糊C均值)算法。
第三步，调度器实时判断候选云计算资源的资源属性，与请求的云计算资源的资源属性是否匹配。
第四步，获取一个与请求的云计算资源匹配度最高的候选云计算资源作为匹配结果给用户。
本发明还可以获得针对匹配结果的打分值，继而能够得到利用打分值形成的权重修正的匹配结果对应的云计算资源，以使得在下一次资源动态匹配中，使用修正的云计算资源。
同时，第二步的聚类完成后，在调度器中应用本发明算法实现动态监控及资源重新聚类、匹配，具体是，增加对资源变化指标的监控，当监控到一个类的聚类中心的偏移量超过预设偏移量时，判定云计算资源发生变化，之后进行云计算资源重新聚类，并在云计算资源重新聚类过程中，通过提供经验值聚类中心，使得重新聚类的目标函数的收敛速度大大加快，提高重新聚类的效率。重新聚类后，针对重新获取的用户的请求完成云计算资源匹配，获得匹配结果。
本发明只需要设置第一次的聚类参数，之后的重新聚类能够根据之前的聚类自动获取聚类参数，同时，重新聚类过程中，前一次的资源匹配过程并不停止，且在具体部署的过程中，选用分布式系统基础架构Hadoop集群，通过构建中心型服务网络，任命网络调度器，通过编程模型MapReduce程序进行快速匹配，能够较好地利用分布式计算的特性，最后的匹配结果也能够通过网页Web界面进行展示，使用户得到良好的使用体验。应用本方案能够实现资源动态匹配，能够提高匹配速度、匹配准确度及用户满意度。
参见图2，图2为本发明实施例的云计算资源动态匹配方法的流程图，应用于云计算领域，包括如下步骤：
步骤101，获取并聚类云计算资源，确定具有云计算资源的多个第一类及多个第一类中的每个第一类的聚类中心。
上述云计算资源为网络系统中的一个设备，设备至少包括：计算机、手机、摄像机和\或打印机。
调度器依据预设聚类算法进行资源聚类，将属性近似度高的云计算资源归为一类，获得含有云计算资源的多个第一类，并获得每个第一类的聚类中心。
其中，属性近似度高可以理解为，云计算资源的各属性的加权平均分数值接近度高，第一类为云计算资源聚类获得的、含有云计算资源的类，聚类中心为每个第一类的中心值，不同聚类中心体现不同第一类的属性差异。
需要说明的是，在步骤101后，本发明的方法还包括，获取用户请求分配云计算资源的请求，将请求中对应的云计算资源与多个第一类内的云计算资源进行匹配，得到匹配结果，将匹配结果给用户，以使用户使用匹配结果中的云计算资源。
通过云计算资源的聚类，将相近属性的云计算资源归为一类，可以减少云计算资源匹配过程中的云计算资源的数据规模，使得之后的用户的请求能够更加迅速地得到满足需求的云计算资源，提高云计算资源的匹配速度，同时，通过云计算资源的分类筛选，也能够提高第一次云计算资源匹配时用户的满意度。
步骤102，在判断多个第一类中的一个第一类的聚类中心的偏移量、超过预设偏移量时，确定第一类的云计算资源发生变化。
第一类的聚类中心的偏移量为：一个第一类在聚类完成后一个时刻的、当前的聚类中心，与聚类完成时该第一类的聚类中心的变化量，第一类的聚类中心的偏移量体现第一类中云计算资源的变化程度。
第一类的聚类中心与该第一类中的云计算资源有关，在云计算资源聚类完成后，对聚类产生的多个第一类的聚类中心进行监测，当有一个第一类的聚类中心的偏移量、超过预设偏移量时，说明该第一类的云计算资源发生变化。其中，预设偏移量是根据工业需求或者人工设定的。
将第一类的聚类中心的偏移量作为监测指标，能够在云计算资源发生变化时及时识别发生变化的第一类，且以第一类的聚类中心的偏移量作为监测指标较简单直观，有利于降低监测的复杂度。
步骤103，在第一类的云计算资源发生变化时，重新获取并聚类云计算资源，得到具有云计算资源的多个第二类。
第二类是针对云计算资源变化后的、重新获取的云计算资源聚类获得的类。针对变化后的云计算资源，重新得到第二类，能够及时针对资源变化更新聚类结果，资源聚类能够减少云计算资源匹配过程中的云计算资源的数据规模，且使用更新的聚类结果能够提高之后的云计算资源的匹配速度、匹配准确度及用户满意度。
步骤104，获取用户请求分配云计算资源的请求。
在云计算资源变化并且重新聚类后，重新获取用户请求分配云计算资源的请求，以使得之后的云计算资源匹配是针对重新获取的用户的请求进行的，能够提高之后的云计算资源的匹配准确度，能够提高用户的满意度。
步骤105，将请求中对应的云计算资源与多个第二类内的云计算资源进行匹配，得到匹配结果，将匹配结果给用户，以使用户使用匹配结果中的云计算资源。
匹配为满足用户的请求，分配请求对应的云计算资源的过程，具体为，将用户请求的云计算资源的属性与多个第二类内的云计算资源的属性进行比较，获取与用户的请求的云计算资源的属性相似度最高的第二类，并在相似度最高的第二类的云计算资源中，获取到一个与用户的请求的云计算资源的属性匹配度最高的云计算资源，作为匹配结果给用户，以使用户使用匹配结果中的云计算资源进行多种操作，多种操作至少包括：计算、显示数据和\或通信。
通过在多个云计算资源中，获取与用户的请求的云计算资源的属性匹配度最高的匹配结果，能够满足用户对云计算资源的属性需求，提高匹配准确度及用户的满意度。
可见，本发明实施例提供的一种云计算资源动态匹配方法，主要包括：获取并聚类云计算资源，获得多个第一类及每个第一类的聚类中心，在资源聚类完成后，实时监测多个第一类的聚类中心的偏移量，当有一个第一类的聚类中心的偏移量大于预设偏移量时，确定云计算资源发生变化，重新获取、聚类云计算资源，得到多个第二类，并获取用户请求分配云计算资源的请求，将请求中对应的云计算资源与多个第二类内的云计算资源进行匹配，得到匹配结果，将匹配结果给用户，使用户能够使用匹配结果中的云计算资源。由此可见本发明能够自动识别资源变化，并在资源变化时重新获取并聚类资源，完成与用户的请求对应的资源的匹配，且本发明不需要停止之前的匹配过程就能够完成新的匹配过程，能够实现动态资源匹配，能够提高云计算资源匹配或者移动云计算资源匹配的匹配效率及匹配准确率，并提高用户的满意度。
在图2基础上，作为优选的实施例，以下详细介绍本发明实施例的具体方法。
作为优选的实施例，步骤101，获取并聚类云计算资源，确定具有云计算资源的多个第一类及多个第一类中的每个第一类的聚类中心。具体包括：
第一步，获取云计算资源。
云服务器中的调度器获取到云计算资源的资源数据列表，并以向量形式表示每个云计算资源，向量中的元素为各属性对应的、由调度器评价的属性的分数值。例如，序号为1的云计算资源表示为向量(属性1分数值，属性2分数值，...，属性K分数值),其中，K为云计算资源的属性数目,K为大于0的自然数。
将云计算资源以向量形式表示，能够简化云计算资源的数据量，便于计算机进行数据处理。
第二步，对云计算资源的属性归一化处理。
在移动云计算中，云计算资源的属性可以分为计算型、存储型、通信型三大类，其中各大类属性又可以分为多个小类属性，为了减少资源聚类中的维度，本方案采用模糊处理的方法对云计算资源的属性进行归一化处理。例如在计算属性中，CPU计算能力与GPU计算能力分别为不同的属性，但可以通过加权平均的方法将两者归一为计算能力，如属性归一化的公式所示，将相近属性归一化处理，能够大大减少云计算资源匹配中数据处理的维度。
其中，属性归一化的公式如下：
其中，为云计算资源的归一化后的属性，proi为云计算资源的第i个属性，Mi为proi的属性权值，k为云计算资源的属性数目。
属性归一化后，将获取到的所有的云计算资源构成云计算资源矩阵，云计算资源矩阵中每个行对应一个云计算资源的向量。云计算资源矩阵如下所示：
其中，L为属性归一化后的云计算资源的属性数目，N为云计算资源的数目，L,N为大于0的自然数。
以云计算资源矩阵为输入数据进行计算，有利于简化计算机数据处理，能够提高之后的聚类算法的计算效率。
第三步，针对获取的云计算资源，通过遗传算法，确定多个第一类中的每个第一类的初始聚类中心。
遗传算法是一种借鉴生物界自然选择和进化机制发展起来的具有自适应性和自组织能力的搜索算法,被广泛应用于求解复杂的优化问题。遗传算法近年来在模式识别、机器学习、图像处理、智能控制等方面获得了成功的应用。尤其在聚类分析领域，遗传算法不仅可以单独实现聚类，还能够与多种聚类算法结合，提高聚类算法的聚类速度。
本方案采用遗传算法进行快速全局搜索，生成多个第一类中的每个第一类的初始聚类中心，能够提高之后FCM算法的聚类速度。
第四步，根据初始聚类中心，通过预设聚类参数及FCM算法，对云计算资源进行聚类，得到多个第一类及多个第一类中的每个第一类的聚类中心。
本方案采用的改进的FCM算法，先采用遗传算法进行快速全局搜索，生成多个第一类中的每个第一类的初始聚类中心，再根据初始聚类中心，利用FCM算法进行聚类，能够使聚类函数快速收敛，提高聚类速度。
先对FCM算法进行概要介绍，传统的聚类分析是把每个元素严格的划分到一个类中，属于硬划分。模糊聚类分析将聚类生成的每个类均看做模糊集合，通过隶属度来确定聚类关系，是一种柔性划分，得到元素属于各个类的不确定性程度，使得聚类结果更加准确灵活。
FCM算法是将N个L维向量分为C个模糊组，通过迭代不断更新隶属度以及聚类中心，最小化目标函数对数据进行聚类。
其中，目标函数为：
约束条件为：
根据隶属度的非负性，有：
uic≥0并且
求含有约束条件的目标函数的极值，得到隶属度计算公式为：
聚类中心的计算公式为：
根据隶属度计算公式及聚类中心的计算公式，不断迭代求出满足约束条件的隶属度以及聚类中心。FCM算法具体步骤如下：
第1步，给定一个由N个L维向量组成的数据集X，自定义隶属度矩阵：
第2步，设定分类总数C、加权系数m，及停止阈值ε。
在第一次聚类中，获取并使用预设聚类参数，其中，预设聚类参数至少包括：云计算资源的分类总数C、FCM算法的停止阈值ε及FCM算法的加权系数m。
云计算资源的分类总数C为，云计算资源需要分类的类的总数，在第一次进行聚类时，由人工设定分类总数C，且在设定分类总数C过程中，应考虑云计算资源聚类的目的是降低资源数目规模，因此设定的分类总数C的值应尽量满足实际需求，例如理想情况下对100个资源进行聚类，分成4类，每类平均数目为25，这个分类的数据规模是比较适中且便于计算的。
人工设定第一次聚类的分类数C以及停止阈值ε，加权系数m，是因为无监督型FCM虽然可以自动生成以上参数，但是聚类结果往往不尽如人意，而本发明是结合人工设定的半监督型FCM，聚类结果更好。
第3步，在满足约束条件下，初始化隶属度矩阵。
第4步，根据聚类中心计算公式计算聚类中心。
第5步，根据隶属度计算公式更新隶属度矩阵。
第6步，根据矩阵范数比较迭代的隶属度矩阵，当||U(t)-U(t-1)||<ε时，迭代停止，否则返回FCM算法的第4步。
其中，J(U,V)为目标函数，N为云计算资源的数目，C为云计算资源的分类总数，xi为第i个云计算资源，uic为隶属度矩阵中的元素，为第i个云计算资源隶属于第c个类的隶属度，且uic的值∈[0,1]，m为加权系数，m的值大于1，d(xi,vc)为第i个云计算资源与第c个聚类中心的欧式距离，vc为对应每个类的聚类中心，U(t)为迭代至第t次时的隶属度矩阵，U(t-1)为迭代至第t-1次时的隶属度矩阵。
经过第四步，完成第一次的云计算资源的聚类，获得多个第一类及每个第一类的聚类中心。
通过云计算资源聚类，将相近属性的云计算资源归为一类，能够减少云计算资源匹配过程中的云计算资源的数据规模，使得之后的用户的请求能够更加迅速地得到满足需求的云计算资源，提高云计算资源的匹配速度，同时，通过云计算资源的分类筛选，也能够提高第一次云计算资源匹配时用户的满意度。
经过步骤101对云计算资源聚类后，本方法还包括：获取用户的请求，并在聚类后的第一类的云计算资源中，完成请求对应的云计算资源的匹配。
作为优选的实施例，步骤102，在判断多个第一类中的一个第一类的聚类中心的偏移量、超过预设偏移量时，确定第一类的云计算资源发生变化。
根据FCM聚类算法的原理，一个类中的资源发生变化时，资源相对于该类的隶属度会发生改变，由隶属度与聚类中心的关系可以得知，隶属度的改变会引发该类的聚类中心发生改变，因此以一个类的聚类中心的变化来检测该类的资源的变化是简单有效的检测手段。
具体包括：
第一步，实时计算多个第一类中的云计算资源的隶属度。
参照FCM算法的隶属度计算公式，实时计算多个第一类中的云计算资源的隶属度。
第二步，根据隶属度的偏移量，确定多个第一类中的每个第一类的聚类中心的偏移量。
根据实时计算的多个第一类中的云计算资源的隶属度，计算第一类中的云计算资源在该类中的偏移隶属度，偏移隶属度为，变化后的第一类的云计算资源对比变化前的第一类的云计算资源产生的隶属度的偏移量。
其中，偏移隶属度计算公式为：
根据偏移隶属度，得到第一类的偏移中心偏移中心为变化后的第一类的聚类中心。
其中，偏移中心计算公式为：
根据变化后的第一类的聚类中心及变化前的第一类的聚类中心Vc，得到第一类的聚类中心的偏移量为：
第三步，在判断多个第一类中的一个第一类的聚类中心的偏移量、超过预设偏移量时，确定第一类的云计算资源发生变化。
当检测到有一个第一类的聚类中心的偏移量时，表示该第一类的聚类中心发生较大偏移，说明该第一类中的云计算资源发生变化。
其中，u'i为第一类的云计算资源的偏移隶属度，uic为第一类的云计算资源的隶属度，xi为变化前的第一类的云计算资源，xi'为变化后的第一类的云计算资源，Vc为变化前的第一类的聚类中心，为变化后的第一类的聚类中心，m为加权系数，d(xi,vc)为第i个云计算资源与第c个聚类中心的欧式距离，ω为预设偏移量。
第三步还包括，在判断多个第一类中的一个第一类的聚类中心的偏移量、超过预设偏移量时，判断第一类的云计算资源中的资源数目是否发生变化，包括两种变化情况：
情况一，在判断第一类的云计算资源中的资源数目不变时，确定第一类的云计算资源中的资源属性发生变化，资源属性变化至少包括属性对应的分数值变化，其中，资源属性至少包括：云计算资源的存储容量、云计算资源的占用带宽、CPU计算能力、GPU计算能力。
情况二，在第一类的云计算资源中的资源数目发生变化时，确定第一类的云计算资源的资源数目发生变化。
以第一类的聚类中心的偏移量作为监测指标，能够清晰直观的监测出一个第一类中的云计算资源的变化情况，且聚类中心的偏移量作为监测指标较简单，有利于简化监测流程，降低监测复杂度。
作为优选的实施例，步骤103，在第一类的云计算资源发生变化时，重新获取并聚类云计算资源，得到具有云计算资源的多个第二类，具体包括：
在步骤102中，第一类的云计算资源发生变化时，将云计算资源变化情况具体确定为两种情况：情况一：资源数目不变，资源属性发生改变，情况二，资源数目发生变化，针对两种情况的资源变化，调度器采取不同的聚类策略，重新获取并聚类云计算资源，得到具有云计算资源的多个第二类，以下详细说明：
针对情况一，在第一类的云计算资源中的资源属性发生变化时，根据预设聚类参数及多个第一类中的每个第一类的聚类中心，重新获取并聚类云计算资源，得到具有云计算资源的多个第二类。
在资源数目不变，资源属性发生改变的情况下，由于资源数目不变，云计算资源的分类总数不必改变，将第一次聚类的分类总数作为本次聚类的分类总数，使用第一次聚类的停止阈值及加权系数，并将第一次的聚类中心作为本次聚类的聚类中心的初始值。
根据第一次聚类的预设聚类参数及第一类的聚类中心，重新获取系统中的云计算资源，根据FCM算法对重新获取的云计算资源进行聚类，得到多个含有云计算资源的类为第二类。
根据本发明的方法，第一次聚类之后每次的资源数目不变，资源属性发生改变的情况下的重新聚类，均利用前一次的聚类参数及聚类中心作为重新聚类的聚类参数及聚类中心的初始值，再重新获取系统中的云计算资源，根据FCM算法对重新获取的云计算资源进行聚类，得到多个含有云计算资源的类。
针对情况二，在第一类的云计算资源的资源数目发生变化时，判断变化的资源数目是否超过预设变化范围，并根据变化的资源数目是否超过预设变化范围的两种情况，根据预设聚类参数及多个第一类中的每个第一类的聚类中心，重新获取并聚类云计算资源，得到具有云计算资源的多个第二类。
其中，预设变化范围为，根据资源数目及聚类算法设置的资源数目变化的阈值范围，如50％。
变化的资源数目是否超过预设变化范围的两种情况为：
情况1，资源数目小规模变化：当变化的资源数目没有超过预设变化范围时，可以理解为资源数目小规模变化，或者理解为通常意义的资源数目基本不变。
情况2，资源数目大规模变化：当变化的资源数目超过预设变化范围时，理解为资源数目大规模变化。
以下对变化的资源数目是否超过预设变化范围的两种情况，重新获取并聚类云计算资源，得到具有云计算资源的多个第二类，进行详细说明：
针对情况1，资源数目小规模变化：在变化的资源数目没有超过预设变化范围时，根据预设聚类参数及多个第一类中的每个第一类的聚类中心，重新获取并聚类云计算资源，得到具有云计算资源的多个第二类。包括：
当监测到第一类的云计算资源数目发生变化，且变化的资源数目没有超过预设变化范围时，资源数目的变化范围对整体资源数目而言可以忽略不计，资源数目可视为不变，云计算资源的分类总数可不必改变，将第一次聚类的分类总数作为本次聚类的分类总数，使用第一次聚类的停止阈值及加权系数，并将第一次的聚类中心作为本次聚类的聚类中心的初始值，也就是，根据第一次聚类的预设聚类参数及第一类的聚类中心，再重新获取云服务器上的云计算资源，根据FCM算法对重新获取的云计算资源进行聚类，得到多个云计算资源的类为第二类。需要说明的是，将第一次聚类的分类总数作为本次聚类的分类总数进行聚类，获得的第二类中的云计算资源的数目会相应变化，根据资源数目增加或者减少的情况，第二类中的云计算资源的数目会相应增加或者减少，但对于第二类整体资源数目而言，第二类中云计算资源的数目变化范围是聚类计算可接受的变化范围。
在实际计算中，常见的情况是，监测到多个第一类中一个第一类的云计算资源数目发生变化，且变化的资源数目没有超过预设变化范围，聚类算法仅对该变化的第一类中的云计算资源重新获取，更新该第一类中云计算资源的隶属度及聚类中心，并不对全部云计算资源重新获取并聚类，这样能够减少聚类算法的计算量，提高聚类效率。
针对情况2，资源数目大规模变化：
首先，在变化的资源数目超过预设变化范围时，获取当前云计算资源数目、变化前云计算资源数目、变化前的云计算资源的分类总数、变化前的第一类的聚类中心及变化后的第一类的聚类中心。
其次，根据当前云计算资源数目与变化前云计算资源数目的比值，及变化前的云计算资源的分类总数，确定当前云计算资源数目对应的云计算资源的分类总数，并根据当前云计算资源数目对应的云计算资源的分类总数、变化前的第一类的聚类中心及变化后的第一类的聚类中心，确定当前云计算资源的聚类中心。具体包括：
第1步，获取当前云计算资源数目与变化前云计算资源数目的比值，与变化前的云计算资源的分类总数之积，获得当前云计算资源数目对应的云计算资源的分类总数。
第2步，根据当前云计算资源数目对应的云计算资源的分类总数、变化前的第一类的聚类中心及变化后的第一类的聚类中心，确定当前云计算资源的聚类中心。第2步具体包括：
当云计算资源数目变化为减少时，在变化前的第一类的聚类中心中，选择与当前云计算资源数目对应的云计算资源的分类总数、对应的多个聚类中心，作为当前云计算资源的聚类中心。
如原有的云计算资源总数目为100，分类总数为5，聚类后每一个第一类中的云计算资源的数目为20，在当前云计算资源数目减少到80时，通过计算获得当前云计算资源数目对应的云计算资源的分类总数为4，在变化前的5个第一类的聚类中心中，选取4个作为当前云计算资源的聚类中心。
优选的是，对比变化前与变化后的第一类的聚类中心，选择未变化的第一类的聚类中心作为当前云计算资源的聚类中心，可以减少计算复杂度。具体可以理解为，变化前的5个第一类，在监测中发现仅有1个第一类发生变化，则将变化前的5个第一类的聚类中心中，未发生变化的4个第一类的聚类中心作为当前云计算资源的聚类中心。
当云计算资源数目变化为增多时，获得当前云计算资源数目对应的云计算资源的分类总数与变化前的云计算资源的分类总数的差值，获得增多的分类总数，将变化前的第一类的聚类中心、与增多的分类总数对应的变化后的第一类的聚类中心，作为当前云计算资源的聚类中心。
如原有的云计算资源总数目为100，分类总数为5，聚类后每一个第一类中的云计算资源的数目为20，在云计算资源数目增多为200时，通过计算获得当前云计算资源数目对应的云计算资源的分类总数为10，增多的分类总数为5，变化前的5个第一类的聚类中心仍作为当前云计算资源的聚类中心，另外，选取与本次增多的分类总数5对应的，5个变化后的第一类的聚类中心，作为当前云计算资源的聚类中心。需要说明的是，当变化的第一类的数目不等于本次增多的分类总数时，可以将变化后的第一类的聚类中心任意组合，或者重复选取，获得与本次增多的分类总数对应的变化后的第一类的聚类中心，作为当前云计算资源的聚类中心。
最后，根据当前云计算资源数目对应的云计算资源的分类总数及当前云计算资源的聚类中心，重新获取并聚类云计算资源，得到具有云计算资源的多个第二类。
根据当前云计算资源数目对应的云计算资源的分类总数、当前云计算资源的聚类中心，重新获取并聚类云计算资源，得到具有云计算资源的多个第二类。其中，本发明用获得当前云计算资源数目对应的云计算资源的分类总数的方式，获得当前停止阈值及当前加权系数，当然，也可以使用其他预设的停止阈值及加权系数，或者使用第一次聚类的停止阈值及加权系数。
在重新聚类过程中，可以重新获得预设聚类参数，也可以重新利用遗传算法或者其他算法获得聚类中心，但本方案将上一次的聚类参数，上一次聚类的聚类中心作为经验值运用到新的聚类过程，能够提高聚类算法的目标函数的收敛速度，提高重新聚类的效率，是优选的方案。
在实际计算中，常见的情况有，监测到一个第一类的云计算资源数目增多，且增多的资源数目超过预设变化范围，可以仅针对该变化的第一类中的云计算资源进行重新聚类，举例说明如下：
如原有的云计算资源总数目为100，分类总数为5，聚类后每一个第一类中的云计算资源的数目为20，当仅有一个第一类的云计算资源的数目增多，且增多的资源数目超过预设变化范围，如50％，也就是该第一类中的云计算资源的数目增多量超过10，比如该第一类的云计算资源数目变为45，可以将该第一类中的云计算资源重新聚类，拆分为2个第二类。也就是将本次变化的第一类中45个资源分为2类，而其余未发生资源改变的第一类不变，和新拆分聚类得到的2个第二类共同作为最终的第二类。这样单独处理资源数目出现大规模增多的第一类，能够减少聚类算法的计算量，提高聚类效率。
根据本发明的方法，第一次聚类之后每次的资源数目发生变化的情况下的重新聚类，均参照以上过程，利用前一次的聚类参数及聚类中心，重新获取并聚类云计算资源，得到具有云计算资源的多个类。
作为优选的实施例，步骤104，获取用户请求分配云计算资源的请求。具体包括：
第一步，获取用户请求分配云计算资源的请求。
在云计算资源重新聚类得到多个第二类后，重新获取用户请求分配云计算资源的请求，以使得云计算资源匹配是针对变化的用户的请求，以使得及时进行资源匹配，满足用户需求。
在每次聚类完成后，重新获得用户的请求。获取的用户的请求是与云计算资源的向量对应的向量，例如序号为1的用户的请求表示为向量(属性1分数值，属性2分数值，...，属性K分数值),其中，K为云计算资源的属性的个数,K为大于0的自然数。
第二步，对请求的云计算资源的属性归一化处理。
参照对云计算资源的属性归一化处理的过程，对请求的云计算资源的属性归一化处理，其中，请求的云计算资源的属性与云计算资源的属性是一一对应的。
作为优选的实施例，步骤105，将请求中对应的云计算资源与多个第二类内的云计算资源进行匹配，得到匹配结果，将匹配结果给用户，以使用户使用匹配结果中的云计算资源。具体包括：
第一步，针对请求中的云计算资源，遍历比较多个第二类内的云计算资源，确定与请求中的云计算资源的属性相似度最高的第二类，作为请求对应的第二类。
其中，属性相似度的判断可以采用近似度打分方法，如：将请求的云计算资源的各属性进行简单加权匹配得分，每个第二类中的云计算资源的各属性也进行简单加权匹配得分，遍历比较请求的云计算资源的属性的加权后的分数、第二类中的云计算资源的属性的加权后的分数，确定与请求中的云计算资源的属性的加权后的分数，相似度最高的第二类中的云计算资源的属性的加权后的分数，从而确定请求对应的第二类。其中，能够进行属性相似度的判断以求得属性相似度最高的方法都可以作为本发明实施例的方法，在此不一一赘述。
第二步，在请求对应的第二类内的云计算资源中，依据预设算法获取第一预设数量个，与请求匹配的候选云计算资源，其中，第一预设数量为大于0的自然数。
其中，预设算法可以为多种利用打分规则的算法，进行属性相似度的判断，如简单加权匹配得分的方法，在请求对应的第二类的云计算资源中，进行简单加权匹配得分，获取分数由大至小的排序结果中，排序次序小于或等于N的云计算资源作为候选云计算资源，其中，第一预设数量为N，且每个请求对应的候选云计算资源的第一预设数量可以不同。
其中，简单加权匹配得分的方法可以参见以下公式：
其中，Score为加权匹配的得分，reqi为请求的云计算资源的第i个属性值，proi为云计算资源的第i个属性值，mi为第i个属性对应的权值。其中，能够进行属性相似度的判断以求得相似度高的候选云计算资源的方法都可以作为本发明实施例的方法，在此不一一赘述。
第三步，实时判断候选云计算资源的资源属性与请求的云计算资源的资源属性是否匹配，得到一与请求匹配的云计算资源作为匹配结果。
由第二步可以得到基本满足用户需求的候选云计算资源，但在移动云计算中由于云计算资源是处于动态变动的状态，因此需要对候选云计算资源与请求的云计算资源的资源属性进行实时判断，实时判断可以以分布式的形式分发到资源服务器上进行独立并行判断，返回最快且最符合请求的云计算资源作为最终的匹配结果，实时判断至少包括以下方法：实时判断候选云计算资源及请求的云计算资源的资源属性的相似度，选择相似度由大至小的排序结果中，排序次序第一的云计算资源作为匹配结果。
第四步，将匹配结果给用户，以使用户使用匹配结果中的云计算资源。
用户使用匹配结果中的云计算资源，能够进行多种操作，至少包括：计算、显示数据和\或通信。由于用户对云计算资源的使用，可能导致该云计算资源发生变化，这是云计算资源变化的原因之一。
将匹配结果给用户之后，还包括：
第五步，获取用户及调度器针对匹配结果返回的打分值。
针对请求的云计算资源，与用户获得的匹配结果中的云计算资源的匹配程度，获得用户及调度器针对匹配结果返回的打分值，其中，衡量用户满意的公式为：
其中，为调度器的打分值，l(trequest)为请求的云计算资源的属性值，rcsourece为云计算资源的属性值。
举例说明，打分值的获取过程可以为：针对云计算资源1匹配给用户A，获取用户及调度器针对匹配结果返回的打分值，两个打分值进行加权平均，获得针对云计算资源1匹配给用户A的第一打分值为A1。其中，能够获得打分值的方法都可以作为本发明实施例的方法，在此不一一赘述。
第六步，根据打分值获取一针对匹配结果的修正权重，并将修正权重与匹配结果之积，作为匹配结果对应的云计算资源的修正资源，以使得在下一次的云计算资源动态匹配中使用修正资源。
举例说明，当云计算资源1匹配给多个用户，将获取到的针对云计算资源1的多个第一打分值进行加权平均，权值可以采用和用户相关的预设权值，多个第一打分值加权平均后最终获得云计算资源1的打分值a，将a作为云计算资源1的修正权重，将该修正权重与云计算资源1的各属性分别求乘积，获得修正的云计算资源1'，以使得在下一次的云计算资源动态匹配中，使用修正的云计算资源1'代替云计算资源1。其中，能够获得修正权重的方法都可以作为本发明实施例的方法，在此不一一赘述。其中，调度器可以获取预设时间段内的，多次匹配的打分值修正云计算资源，也可以获取每一次匹配的打分值修正云计算资源，优选的是，使用预设时间段内的，多次匹配的打分值修正云计算资源，能够减少计算量。
需要说明的是，在资源重新聚类时，获取当前云计算资源后，如果获取不到预设时间段内的打分值，则利用预设算法对当前云计算资源聚类，优选的是，如果能够获取到预设时间段内的打分值，则将获取到的当前云计算资源中，上一次匹配结果对应的云计算资源，使用预设时间段内的打分值获得对应的修正资源，使用对应的修正资源，替换当前云计算资源中，上一次匹配结果对应的云计算资源，然后进行重新聚类。
利用打分值对匹配结果进行修正，并将修正资源用于下一次的云计算资源匹配，能够提高云计算资源匹配的匹配准确率及用户满意度。
以下对应用本发明方法的实验结果进行说明，实验利用Matlab(MATrixLABoratory，矩阵实验室)软件，对本发明的改进的FCM算法在移动云计算资源匹配过程进行仿真。实验中采用的云计算资源属性分为三大类，为CPU计算能力、存储容量、占用带宽。实验如下：
实验1，改进的FCM算法与MIN-MIN算法的比较实验。
为了验证模糊聚类算法在资源匹配中的有效性，本文首先将本发明的改进的FCM算法与MIN-MIN算法进行对比验证，实验结果如下图3所示，图3为本发明实施例的改进的FCM算法与MIN-MIN算法效率对比图。
图3中显示了当有50、100、200、400、600个请求时，运用本发明的改进的FCM算法与MIN-MIN算法求解时的平均响应时间。由于资源样本规模为400个，共分为5大类。图3实验结果表明改进的FCM算法的平均响应时间较短，在资源匹配过程中匹配效率较高。
实验2，半监督型的改进算法实验
为了解决需求变动造成的分类变动问题，本发明提出半监督型的改进的FCM算法，通过对少量数据点进行变动的结果以及对大量数据点进行变动的结果进行分析，具有良好的适应性和操作性。参见附图4，图4为本发明实施例的改进的FCM算法的数据变迁时的迭代效率与传统FCM算法的数据变迁时的迭代效率的对比图。
由图4的实验结果的迭代次数可知，当资源发生变动需要重新聚类时，改进的FCM算法迭代次数较少，能够加快迭代的速度。同时，第一次聚类中，改进的FCM算法与传统FCM算法对比也具有较快的迭代速度，这是因为遗传算法能够快速进行全局搜索，找出近似的聚类中心，从而避免传统FCM算法求解时可能形成局部最优解导致效率降低情况的出现。
图5为本发明实施例的改进的FCM算法与MIN-MIN算法平均用户满意度对比图。由图5可以看出，在不同请求数情况下，改进的FCM算法相较MIN-MIN算法的平均用户满意度较高。
可见，本发明实施例提供的云计算资源动态匹配方法，获取云计算资源并完成聚类，获得多个第一类及每个第一类的聚类中心，并获取用户的请求，完成请求对应的云计算资源匹配，同时，聚类完成后，在判断多个第一类中的一个第一类的聚类中心的偏移量、超过预设偏移量时，确定第一类的云计算资源发生变化，重新获取并聚类云计算资源，得到具有云计算资源的多个第二类，并再次获取用户的请求，完成请求对应的云计算资源的匹配。本发明可以应用于云计算资源匹配或者移动云计算资源匹配，相比现有的云计算资源匹配方法，本发明增加对于资源变动指标的监控，能够识别资源变化，在资源变化时针对不同变化情况，采用不同聚类策略，对资源重新聚类，同时在资源重新聚类过程中，利用之前的聚类参数和聚类中心，使重新聚类的目标函数收敛速度加快，提高重新聚类的效率，且在重新聚类过程中，之前的资源匹配依旧进行，不影响正常的资源匹配，等到重新聚类完成后，再更新匹配结果，本发明能够使聚类结果保持动态匹配更新，实现云计算资源动态匹配。
参见图6，图6为本发明实施例的云计算资源动态匹配装置的结构图，包括：
第一类获取模块，用于获取并聚类云计算资源，确定具有云计算资源的多个第一类及多个第一类中的每个第一类的聚类中心。
资源变化确定模块，用于在判断多个第一类中的一个第一类的聚类中心的偏移量、超过预设偏移量时，确定第一类的云计算资源发生变化。
第二类获取模块，用于在第一类的云计算资源发生变化时，重新获取并聚类云计算资源，得到具有云计算资源的多个第二类。
用户请求获取模块，用于获取用户请求分配云计算资源的请求。
匹配结果获取模块，用于将请求中对应的云计算资源与多个第二类内的云计算资源进行匹配，得到匹配结果，将匹配结果给用户，以使用户使用匹配结果中的云计算资源。
需要说明的是，本发明实施例的装置是应用上述云计算资源动态匹配方法的装置，则上述云计算资源动态匹配方法的所有实施例均适用于该装置，且均能达到相同或相似的有益效果。
可见，本发明实施例提供的一种云计算资源动态匹配装置，主要包括：获取并聚类云计算资源，获得多个第一类及每个第一类的聚类中心，在资源聚类完成后，实时监测多个第一类的聚类中心的偏移量，当有一个第一类的聚类中心的偏移量大于预设偏移量时，确定资源发生变化，重新获取、聚类云计算资源，得到多个第二类，并获取用户请求分配云计算资源的请求，将请求中对应的云计算资源与多个第二类内的云计算资源进行匹配，得到匹配结果，将匹配结果给用户，使用户能够使用匹配结果中的云计算资源。由此可见本发明能够自动识别资源变化，并在资源变化时重新获取资源，完成与请求对应的资源的匹配，且本发明不需要停止匹配过程就能够完成新的匹配过程，能够实现动态资源匹配，能够提高云计算资源匹配或者移动云计算资源匹配的匹配效率及匹配准确率，并提高用户的满意度。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种云计算资源动态匹配方法，其特征在于，包括：
获取并聚类云计算资源，确定具有云计算资源的多个第一类及所述多个第一类中的每个第一类的聚类中心；
在判断所述多个第一类中的一个第一类的聚类中心的偏移量、超过预设偏移量时，确定所述第一类的云计算资源发生变化；
在所述第一类的云计算资源发生变化时，重新获取并聚类所述云计算资源，得到具有云计算资源的多个第二类；
获取用户请求分配云计算资源的请求；
将所述请求中对应的云计算资源与所述多个第二类内的云计算资源进行匹配，得到匹配结果，将所述匹配结果给所述用户，以使所述用户使用所述匹配结果中的云计算资源。
2.如权利要求1所述的云计算资源动态匹配方法，其特征在于，
所述获取并聚类云计算资源，确定具有云计算资源的多个第一类及所述多个第一类中的每个第一类的聚类中心，包括：
获取所述云计算资源，通过遗传算法，确定多个第一类中的每个第一类的初始聚类中心；
根据所述初始聚类中心，通过预设聚类参数及模糊C-均值FCM算法，对所述云计算资源进行聚类，得到多个第一类及所述多个第一类中的每个第一类的聚类中心，其中，所述预设聚类参数至少包括：云计算资源的分类总数、所述FCM算法的停止阈值及所述FCM算法的加权系数。
3.如权利要求1所述的云计算资源动态匹配方法，其特征在于，
所述在判断所述多个第一类中的一个第一类的聚类中心的偏移量、超过预设偏移量时，确定所述第一类的云计算资源发生变化，之前，所述的云计算资源动态匹配方法还包括：
实时计算所述多个第一类中的云计算资源的隶属度；
根据所述隶属度的偏移量，确定所述多个第一类中的每个第一类的聚类中心的偏移量。
4.如权利要求2所述的云计算资源动态匹配方法，其特征在于，
所述在判断所述多个第一类中的一个第一类的聚类中心的偏移量、超过预设偏移量时，确定所述第一类的云计算资源发生变化，包括：
在判断所述多个第一类中的一个第一类的聚类中心的偏移量、超过预设偏移量时，判断所述第一类的云计算资源中的资源数目是否发生变化；
在判断所述第一类的云计算资源中的资源数目不变时，确定所述第一类的云计算资源中的资源属性发生变化，其中，所述资源属性至少包括：云计算资源的存储容量、云计算资源的占用带宽、CPU计算能力、GPU计算能力。
5.如权利要求4所述的云计算资源动态匹配方法，其特征在于，
所述在所述第一类的云计算资源发生变化时，重新获取并聚类所述云计算资源，得到具有云计算资源的多个第二类，包括：
在所述第一类的云计算资源中的资源属性发生变化时，根据所述预设聚类参数及所述多个第一类中的每个第一类的聚类中心，重新获取并聚类所述云计算资源，得到具有云计算资源的多个第二类。
6.如权利要求2所述的云计算资源动态匹配方法，其特征在于，
所述在判断所述多个第一类中的一个第一类的聚类中心的偏移量、超过预设偏移量时，确定所述第一类的云计算资源发生变化，包括：
在判断所述多个第一类中的一个第一类的聚类中心的偏移量、超过预设偏移量时，判断所述第一类的云计算资源中的资源数目是否发生变化；
在所述第一类的云计算资源中的资源数目发生变化时，确定所述第一类的云计算资源的资源数目发生变化。
7.如权利要求6所述的云计算资源动态匹配方法，其特征在于，
所述在所述第一类的云计算资源发生变化时，重新获取并聚类所述云计算资源，得到具有云计算资源的多个第二类，包括：
在所述第一类的云计算资源的资源数目发生变化时，判断变化的资源数目是否超过预设变化范围；
在所述变化的资源数目没有超过预设变化范围时，根据所述预设聚类参数及所述多个第一类中的每个第一类的聚类中心，重新获取并聚类所述云计算资源，得到具有云计算资源的多个第二类；
在所述变化的资源数目超过预设变化范围时，获取当前云计算资源数目、变化前云计算资源数目、变化前的云计算资源的分类总数、变化前的第一类的聚类中心及变化后的第一类的聚类中心；
根据当前云计算资源数目与变化前云计算资源数目的比值，及所述变化前的云计算资源的分类总数，确定当前云计算资源数目对应的云计算资源的分类总数，并根据所述当前云计算资源数目对应的云计算资源的分类总数、所述变化前的第一类的聚类中心及所述变化后的第一类的聚类中心，确定当前云计算资源的聚类中心；
根据所述当前云计算资源数目对应的云计算资源的分类总数及当前云计算资源的聚类中心，重新获取并聚类所述云计算资源，得到具有云计算资源的多个第二类。
8.如权利要求4所述的云计算资源动态匹配方法，其特征在于，
所述将所述请求中对应的云计算资源与所述多个第二类内的云计算资源进行匹配，得到匹配结果，包括：
针对所述请求中的云计算资源，遍历比较所述多个第二类内的云计算资源，确定与所述请求中的云计算资源的属性相似度最高的第二类，作为所述请求对应的第二类；
在所述请求对应的第二类内的云计算资源中，依据预设算法获取第一预设数量个，与所述请求匹配的候选云计算资源，其中，所述第一预设数量为大于0的自然数；
实时判断所述候选云计算资源的资源属性与所述请求的云计算资源的资源属性是否匹配，得到一与所述请求匹配的云计算资源作为匹配结果。
9.如权利要求1所述的云计算资源动态匹配方法，其特征在于，
所述将所述匹配结果给所述用户之后，所述的云计算资源动态匹配方法还包括：
获取用户及调度器针对所述匹配结果返回的打分值；
根据所述打分值获取一针对所述匹配结果的修正权重，并将所述修正权重与所述匹配结果之积，作为所述匹配结果对应的云计算资源的修正资源，以使得在下一次的云计算资源动态匹配中使用所述修正资源。
10.一种云计算资源动态匹配装置，其特征在于，包括：
第一类获取模块，用于获取并聚类云计算资源，确定具有云计算资源的多个第一类及所述多个第一类中的每个第一类的聚类中心；
资源变化确定模块，用于在判断所述多个第一类中的一个第一类的聚类中心的偏移量、超过预设偏移量时，确定所述第一类的云计算资源发生变化；
第二类获取模块，用于在所述第一类的云计算资源发生变化时，重新获取并聚类所述云计算资源，得到具有云计算资源的多个第二类；
用户请求获取模块，用于获取用户请求分配云计算资源的请求；
匹配结果获取模块，用于将所述请求中对应的云计算资源与所述多个第二类内的云计算资源进行匹配，得到匹配结果，将所述匹配结果给所述用户，以使所述用户使用所述匹配结果中的云计算资源。
CN201610882315.2A 2016-10-10 2016-10-10 一种云计算资源动态匹配方法及装置 Active CN106446959B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610882315.2A CN106446959B (zh) 2016-10-10 2016-10-10 一种云计算资源动态匹配方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610882315.2A CN106446959B (zh) 2016-10-10 2016-10-10 一种云计算资源动态匹配方法及装置

Publications (2)

Publication Number Publication Date
CN106446959A CN106446959A (zh) 2017-02-22
CN106446959B true CN106446959B (zh) 2019-06-07

Family

ID=58172067

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610882315.2A Active CN106446959B (zh) 2016-10-10 2016-10-10 一种云计算资源动态匹配方法及装置

Country Status (1)

Country Link
CN (1) CN106446959B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10686728B2 (en) 2017-07-06 2020-06-16 Huawei Technologies Co., Ltd. Systems and methods for allocating computing resources in distributed computing
CN109976901B (zh) * 2017-12-28 2021-04-16 航天信息股份有限公司 一种资源调度方法、装置、服务器及可读存储介质
CN108257077B (zh) * 2018-01-02 2022-03-22 深圳云天励飞技术有限公司 基于gpu的聚类数据的处理方法、系统及计算设备
US10831550B2 (en) * 2018-03-27 2020-11-10 Oracle Financial Services Software Limited Computerized control of execution pipelines
CN108833302B (zh) * 2018-06-27 2021-12-24 重庆邮电大学 云环境下基于模糊聚类及严格双边匹配的资源分配方法
CN110659126B (zh) * 2018-06-29 2023-04-14 中兴通讯股份有限公司 资源管理方法、设备以及计算机可读存储介质
US10877814B2 (en) 2018-11-26 2020-12-29 International Business Machines Corporation Profiling workloads in host systems allocated to a cluster to determine adjustments to allocation of host systems to the cluster
US10841369B2 (en) 2018-11-26 2020-11-17 International Business Machines Corporation Determining allocatable host system resources to remove from a cluster and return to a host service provider
US10956221B2 (en) 2018-11-26 2021-03-23 International Business Machines Corporation Estimating resource requests for workloads to offload to host systems in a computing environment
CN109688201B (zh) * 2018-12-03 2022-07-05 广州虎牙信息科技有限公司 更换资源数据获取对象的方法、装置、设备及存储介质
CN111464583B (zh) * 2019-01-22 2023-04-07 阿里巴巴集团控股有限公司 计算资源分配方法、装置、服务器及存储介质
CN110225055B (zh) * 2019-06-22 2020-10-09 福州大学 一种基于knn半监督学习模型的网络流量异常检测方法与系统
CN111582398B (zh) * 2020-05-14 2022-03-25 北京达佳互联信息技术有限公司 数据聚类方法、装置、系统、服务器以及存储介质
CN111831454B (zh) * 2020-09-17 2021-02-19 北京汇智恒安科技有限责任公司 云计算服务器集群资源调配控制系统及方法
CN115510331B (zh) * 2022-11-15 2023-03-14 山东紫菜云数字科技有限公司 一种基于闲置量聚合的共享资源匹配方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102857548A (zh) * 2012-04-25 2013-01-02 梁宏斌 一种移动云计算资源优化配置方法
CN103002053A (zh) * 2012-12-25 2013-03-27 深圳先进技术研究院 云计算的利润最大化调度方法和系统
CN104050043A (zh) * 2014-06-17 2014-09-17 华为技术有限公司 基于共享缓存感知的虚拟机调度方法和装置
CN104298539A (zh) * 2014-10-13 2015-01-21 南京大学 基于网络感知的虚拟机调度与再调度方法
CN104796493A (zh) * 2015-05-08 2015-07-22 成都博元科技有限公司 一种基于云计算的信息处理方法
CN104899103A (zh) * 2015-07-03 2015-09-09 中国人民解放军国防科学技术大学 一种移动云计算终端节能调度方法和装置
CN104899100A (zh) * 2015-05-28 2015-09-09 北京邮电大学 一种用于云系统的资源调度方法
CN105094989A (zh) * 2015-08-18 2015-11-25 南京邮电大学 基于模糊聚类的自适应QoS粒度划分方法
CN105657750A (zh) * 2015-12-29 2016-06-08 北京邮电大学 一种网络动态资源的计算方法及装置
CN105700948A (zh) * 2014-11-24 2016-06-22 阿里巴巴集团控股有限公司 一种用于在集群中调度计算任务的方法与设备

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102857548A (zh) * 2012-04-25 2013-01-02 梁宏斌 一种移动云计算资源优化配置方法
CN103002053A (zh) * 2012-12-25 2013-03-27 深圳先进技术研究院 云计算的利润最大化调度方法和系统
CN104050043A (zh) * 2014-06-17 2014-09-17 华为技术有限公司 基于共享缓存感知的虚拟机调度方法和装置
CN104298539A (zh) * 2014-10-13 2015-01-21 南京大学 基于网络感知的虚拟机调度与再调度方法
CN105700948A (zh) * 2014-11-24 2016-06-22 阿里巴巴集团控股有限公司 一种用于在集群中调度计算任务的方法与设备
CN104796493A (zh) * 2015-05-08 2015-07-22 成都博元科技有限公司 一种基于云计算的信息处理方法
CN104899100A (zh) * 2015-05-28 2015-09-09 北京邮电大学 一种用于云系统的资源调度方法
CN104899103A (zh) * 2015-07-03 2015-09-09 中国人民解放军国防科学技术大学 一种移动云计算终端节能调度方法和装置
CN105094989A (zh) * 2015-08-18 2015-11-25 南京邮电大学 基于模糊聚类的自适应QoS粒度划分方法
CN105657750A (zh) * 2015-12-29 2016-06-08 北京邮电大学 一种网络动态资源的计算方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A Context Sensitive Offloading Scheme for Mobile Cloud Computing Service;Bowen Zhou 等;《2015 IEEE 8th International Conference on Cloud Computing》;20150820;869-875
Cloud Based Task Scheduling Using Fuzzy C-Means and Linear Programming Approach;Mahesh S. Shinde 等;《International Journal of Science and Research》;20150731;第4卷(第7期);2081-2085
云计算中的集群资源模糊聚类划分模型;刘伯成,陈庆奎;《计算机科学》;20111015;第38卷(第10A1期);2529-2531
云计算环境下对资源聚类的工作流任务调度算法;郭凤羽 等;《计算机应用》;20130801;第33卷(第8期);2154-2157
基于云计算和模糊聚类的集群资源调度;邓文莲;《计算机测量与控制》;20130925;第21卷(第9期);157-160、168

Also Published As

Publication number Publication date
CN106446959A (zh) 2017-02-22

Similar Documents

Publication Publication Date Title
CN106446959B (zh) 一种云计算资源动态匹配方法及装置
CN108984301B (zh) 自适应云资源调配方法和装置
CN111368133B (zh) 一种视频库的索引表建立方法、装置、服务器及存储介质
CN111124689A (zh) 一种集群中容器资源动态分配方法
CN110990576A (zh) 基于主动学习的意图分类方法、计算机设备和存储介质
WO2018006631A1 (zh) 一种用户等级自动划分方法及系统
CN111241992A (zh) 人脸识别模型构建方法、识别方法、装置、设备及存储介质
CN112819054A (zh) 一种切片模板配置方法及装置
CN113537509A (zh) 协作式的模型训练方法及装置
CN116701979A (zh) 基于受限k-均值的社交网络数据分析方法及系统
CN118052301A (zh) 一种迭代凝聚式簇估计联邦学习方法
CN117056089B (zh) 一种服务动态分配系统及方法
CN109062683B (zh) 主机资源分配的方法、装置及计算机可读存储介质
CN114417095A (zh) 一种数据集划分方法及装置
CN112882805A (zh) 一种任务资源约束的利润优化调度方法
CN116709422A (zh) 基于知识图谱与匹配理论的mec任务卸载方法
CN116363416A (zh) 一种图像去重方法、装置、电子设备和存储介质
CN116578893A (zh) 一种自适应密度峰值的聚类集成系统及方法
CN117216309A (zh) 模型训练方法、图像检索方法、装置、设备和介质
CN109919219A (zh) 一种基于粒计算ML-kNN的Xgboost多视角画像构建方法
CN115221955A (zh) 基于样本差异分析的多深度神经网络参数融合系统及方法
CN108875455B (zh) 一种无监督的人脸智能精确识别方法及系统
CN115470927A (zh) 一种替代模型自动提取方法、终端及存储介质
CN113536085B (zh) 基于组合预测法的主题词搜索爬虫调度方法及其系统
CN114329026A (zh) 图像检索方法、装置、电子设备和计算机可读存储介质

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