CN113965575A - 用于云主机服务选择的云资源分发系统及方法 - Google Patents

Abstract

本公开提供了一种用于云主机服务选择的云资源分发系统，包括接口模块、处理模块以及执行模块，其中：接口模块，其用于接收外部的云主机服务请求及云服务的调用；处理模块，其用于基于集群智能算法及所述服务请求，选择最优的资源匹配实例；或基于预先构建的模型库，从所述模型库中选择最优的匹配实例；执行模块，其用于基于获得的资源匹配实例，进行云服务提供商的服务调用。

Description

用于云主机服务选择的云资源分发系统及方法

技术领域

本公开属于云服务技术领域，尤其涉及一种用于云主机服务选择的云资源分发系统及其实现方法。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

目前国内外能够提供公有云服务的厂家很多，包括AWS、阿里、腾讯、百度、微软，每家公有云厂家都有自己不同的数据中心分布和不同的服务能力，用户在不了解各个厂家的详细情况下很难选择出适合自己特定业务应用的云主机服务，并且不同用户的业务应用有自己的特点、对资源的需求和面向的客户区域等，当前急需一种能够智能的替用户进行人工筛选云主机服务的技术手段。

发明人发现，一方面，目前针对资源分发的方式为CDN系统，其是将网站的资源内容分发到边缘服务器，以提高就近用户的访问效率；但是，现有的CDN 系统分发的是网站的资源内容，例如图片、文件、音视频等等，所有的适用场景仅限于资源内容；且目前的CDN系统依赖于具体的特定一家厂商，具有局限性。

另一方面，目前的云计算资源分配方法是针对某一具体的云服务提供商环境下的内部资源调动和使用的方法，不适用于多云(即多个云服务提供商)环境；同时，目前的云计算资源分配方法是指云计算环境提供商自身对资源调度方面的实现，需要云计算环境提供商对环境进行相应的改造。

发明内容

本公开为了解决上述问题，提供了一种用于云主机服务选择的云资源分发系统及方法，所述方案能够智能化、自动化的选择不同云服务提供商中用于支撑用户业务的最优云主机资源，无需人工判断和选择，极大的提高了云主机使用方用户的运维效率。

根据本公开实施例的第一个方面，提供了一种用于云主机服务选择的云资源分发系统，包括接口模块、处理模块以及执行模块，其中：

接口模块，其用于接收外部的云主机服务请求及云服务的调用；

处理模块，其用于基于集群智能算法及所述服务请求，选择最优的资源匹配实例；或基于预先构建的模型库，从所述模型库中选择最优的匹配实例；

执行模块，其用于基于获得的资源匹配实例，进行云服务提供商的服务调用；

实现云服务资源的分发。

进一步的，所述基于集群智能算法及所述服务请求，选择最优的资源匹配实例，具体为：

基于获取的外部云主机服务请求，获得服务请求的资源需求特征；

获取不同云服务提供商的资源实例类型特征集；

基于所述资源需求特征及所述资源实例类型特征集，通过集群智能算法获取最优的资源匹配实例。

进一步的，所述基于预先构建的模型库，从所述模型库中选择最优的匹配实例，具体为：基于所述云主机服务请求的应用场景及资源需求特征，从预先构建的模型库中选择最优的资源匹配实例。

根据本公开实施例的第二个方面，提供了一种用于云主机服务选择的云资源分发方法，包括：

获取外部的云主机服务请求；

基于集群智能算法及所述服务请求，选择最优的资源匹配实例；或基于预先构建的模型库，从所述模型库中选择最优的匹配实例；

基于获得的资源匹配实例，进行云服务提供商的服务调用；

实现云服务资源的分发。

根据本公开实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现如下步骤：

获取外部的云主机服务请求；

基于集群智能算法及所述服务请求，选择最优的资源匹配实例；或基于预先构建的模型库，从所述模型库中选择最优的匹配实例；

基于获得的资源匹配实例，进行云服务提供商的服务调用；

实现云服务资源的分发。

根据本公开实施例的第四个方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如下步骤：

获取外部的云主机服务请求；

基于集群智能算法及所述服务请求，选择最优的资源匹配实例；或基于预先构建的模型库，从所述模型库中选择最优的匹配实例；

基于获得的资源匹配实例，进行云服务提供商的服务调用；

实现云服务资源的分发。

与现有技术相比，本公开的有益效果是：

(1)本公开提供了一种用于云主机服务选择的云资源分发系统及方法，所述方案基于集群智能算法及所述服务请求及预先构建的模型库，选择最优的资源匹配实例，智能化、自动化的选择不同云服务商的用于支撑用户业务的最佳云主机资源，无需人工判断和选择，极大的提高了云主机使用方用户的运维效率。

(2)所述方案利用灵活配置的干扰因子对资源需求进行特定限定，能够根据业务应用的需要选择合适的云主机资源，能够在多个不同云主机供应商之间进行比较，能够达到最佳的业务系统部署环境效果，提高业务系统最终用户的访问和使用体验。

(3)所述方案能够根据不同用户的业务系统部署情况通过算法进行学习形成模型库，能够不断自我学习和优化，为用户提供更优的决策支持，同时能够针对业务系统的部署架构设计进行优化反馈。

本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为本公开实施例一中所述的用于云主机服务选择的云资源分发系统结构图示意图；

图2为本公开实施例二中所述的用于云主机服务选择的云资源分发方法流程图。

具体实施方式

下面结合附图与实施例对本公开做进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

实施例一：

本实施例的目的是提供一种用于云主机服务选择的云资源分发系统。

基于目前的资源分发系统(如CDN系统)主要是将网站的资源内容分发到边缘服务器，以提高就近用户的访问效率；而CDN系统分发的是网站的资源内容，例如图片、文件、音视频等等，所有的适用场景仅限于资源内容，且目前的CDN系统依赖于具体的特定一家厂商，具有局限性；同时，基于用户在不了解各个厂家的详细情况下很难选择出适合自己特定业务应用的云主机服务，并且不同用户的业务应用有自己的特点、对资源的需求和面向的客户区域等，当前急需一种能够智能的替用户进行人工筛选云主机服务的技术手段。

基于上述问题，本公开提出一种用于云主机服务选择的云资源分发系统(即Cloud RDS：Cloud Resource Distribution System)，包括接口模块、处理模块以及执行模块，其中：

接口模块，其用于接收外部的云主机服务请求及云服务的调用；

处理模块，其用于基于集群智能算法及所述服务请求，选择最优的资源匹配实例；或基于预先构建的模型库，从所述模型库中选择最优的匹配实例；

执行模块，其用于基于获得的资源匹配实例，进行云服务提供商的服务调用；

实现云服务资源的分发。

进一步的，所述基于集群智能算法及所述服务请求，选择最优的资源匹配实例，具体为：

基于获取的外部云主机服务请求，获得服务请求的资源需求特征；

获取不同云服务提供商的资源实例类型特征集；

基于所述资源需求特征及所述资源实例类型特征集，通过集群智能算法获取最优的资源匹配实例。

进一步的，所述基于预先构建的模型库，从所述模型库中选择最优的匹配实例，具体为：基于所述云主机服务请求的应用场景及资源需求特征，从预先构建的模型库中选择最优的资源匹配实例。

进一步的，所述模型库包括若干根据应用场景分类的不同云服务的资源实例。

进一步的，所述处理模块还用于利用灵活配置的干扰因子对资源需求进行特定限定。

进一步的，所述干扰因子包括云服务提供商的品牌限定、云主机地理位置限定和成本限定。

进一步的，所述集群智能算法包括蚁群算法、粒子群算法、鱼群算法或鸟群算法。

具体的，为了便于理解以下结合附图对本公开所述方案进行详细说明：

如图1所示，一种用于云主机服务选择的云资源分发系统，包括接口模块、处理模块和执行模块组成；其中：

所述接口模块为对用户发布的可操作的接口，所述接口约定了用户使用 CloudRDS的方法，这里的接口包括两种形式：

(1)直接面向最终用户的UI(User Interface)接口，其中，所述UI接口可以是Web或客户端软件形态；

(2)面向开发者和系统集成方的API(Application Programming Interface) 接口，API接口可以是restful api或cmd方式。

进一步的，所述接口对资源的调用进行了抽象，用户并不需要关心和了解具体云厂家的资源使用方法。

所述处理模块从接口模块中获得资源请求的任务并执行基本的预处理操作，预处理后进行正式处理，所述正式处理的过程包括一个核心算法和模型库以及可动态配置的干扰因子。具体的，所述预处理操作为模拟执行，主要根据当前系统和外部云平台的状态情况进行执行的预判，确认可以正常执行后续处理步骤。

进一步的，所述核心算法是基于对业界主要云平台的资源分配情况以及集群智能算法(包括蚁群算法、粒子群算法、鱼群算法或鸟群算法，本实施例中采用蚁群算法)来实现，并能够根据历史使用情况不断优化调整，其中，所述优化调整包括在经过一定周期的运行后，根据使用情况会进行一些算法上的人工干预，包括调解参数，以获得更优值；以及随着模板样本的不断积累对算法进行优化。

具体的：

所述核心算法的具体实现步骤为：

(1)建立资源需求特征集，需求特征包括资源使用所面向的对象、支持的访问规模、单用户的延迟体验、典型性计算任务所达到的能力，CPU颗数要求、 CPU核数要求、CPU主频要求、CPU单线程能力要求、CPU多线程能力要求、内存大小要求、内存速率要求、磁盘大小要求、磁盘IOPS要求、网络接口要求、网络速率要求、图形计算能力要求、图形显示能力要求、业务应用的覆盖区域范围等；

(2)建立不同云厂商环境的资源实例类型特征集，包括区域位置、相对不同地理位置资源发起方的响应时延、实例可选类型、CPU可选配置、内存可选配置、磁盘可选配置、网络可选配置、GPU可选配置等；

(3)通过蚁群算法迭代获取最优的资源匹配实例类型。

用户的资源需求特征集作为资源任务模型：

T＝{Task₁,Task₂,…,Task_i}

不同云厂商的资源实例类型特征集作为目标实例模型：

vm＝{vm₁,vm₂,…,vm_j}

为第j个目标实例，表示为：

其中，

分别表示任务Task_i对应目标实例vm_j的成本、能力和响应时间。

建立匹配度模型，将成本因素、能力支持和响应时间纳入匹配度考虑范围，分别获得对应的影响因子：

并得到匹配度综合函数模型：

其中，M、N、O为所占权重，调整后形成的蚁群算法的信息素更新公式为：

其中，I_k为已经经过的路径，所述信息素公式中引入了匹配度综合函数模型。

进一步的，所述模型库中存放了一些通用场景的模型，通过使用模型库能够迅速的获得匹配的资源分配，模型库中模型可以增加、删除和更新。

具体的，模型库中的场景模型类似于模板，例如网站型业务模板、数据库型业务模板、存储型业务模板、人工智能型(GPU运算)业务模板等，每个场景类型中包含适用于此场景类型的不同规格的实例。用户通过Cloud RDS发起资源需求时，可以指定模板库中的场景类型，这样就可以从此场景类型中结合上述算法进行最优实例的选择。

进一步的，干扰因子是作为特殊情况下的一种动态配置策略，通过对干扰因子的配置，能够对特定的资源需求进行一些限制，例如考虑距离、限定地点、限定厂商、限定虚拟化类型等。具体的，所述干扰因子是指对资源需求的特定限定要求，例如对厂商品牌的限定、对地理位置的限定、对价格的限定等；通过对干扰因子的设置，能够较明显的影响算法对最优资源匹配实例类型的选取范围。

所述执行模块中包含了针对不同云厂商平台的适配器，适配器是指对云厂商资源调用的特定封装，一个适配器对应一个云厂商类型，本系统可根据接管的云厂商情况进行增加、删除和维护适配器。适配器能够有效屏蔽不同云厂商资源使用和操作的差异性。

本公开所述云资源分发系统的具体工作流程为：

用户通过接口模块发起资源需求，处理模块从接口模块获取到资源需求；经预处理后根据资源需求产生执行任务，并提交给执行模块；执行模块根据执行任务执行具体的资源分配工作。

实施例二：

本实施例的目的是一种用于云主机服务选择的云资源分发方法。

如图2所示，一种用于云主机服务选择的云资源分发方法，包括：

获取外部的云主机服务请求；

基于集群智能算法及所述服务请求，选择最优的资源匹配实例；或基于预先构建的模型库，从所述模型库中选择最优的匹配实例；

基于获得的资源匹配实例，进行云服务提供商的服务调用；

实现云服务资源的分发。

在更多实施例中，还提供：

一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例二中所述的方法。为了简洁，在此不再赘述。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列 FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例二中所述的方法。

实施例二中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

上述实施例提供的一种用于云主机服务选择的云资源分发系统及方法可以实现，具有广阔的应用前景。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种用于云主机服务选择的云资源分发系统，其特征在于，包括接口模块、处理模块以及执行模块，其中：

接口模块，其用于接收外部的云主机服务请求及云服务的调用；

处理模块，其用于基于集群智能算法及所述服务请求，选择最优的资源匹配实例；或基于预先构建的模型库，从所述模型库中选择最优的匹配实例；

执行模块，其用于基于获得的资源匹配实例，进行云服务提供商的服务调用；

实现云服务资源的分发。

2.如权利要求1所述的一种用于云主机服务选择的云资源分发系统，其特征在于，所述基于集群智能算法及所述服务请求，选择最优的资源匹配实例，具体为：

基于获取的外部云主机服务请求，获得服务请求的资源需求特征；

获取不同云服务提供商的资源实例类型特征集；

基于所述资源需求特征及所述资源实例类型特征集，通过集群智能算法获取最优的资源匹配实例。

3.如权利要求1所述的一种用于云主机服务选择的云资源分发系统，其特征在于，所述基于预先构建的模型库，从所述模型库中选择最优的匹配实例，具体为：基于所述云主机服务请求的应用场景及资源需求特征，从预先构建的模型库中选择最优的资源匹配实例。

4.如权利要求1所述的一种用于云主机服务选择的云资源分发系统，其特征在于，所述模型库包括若干根据应用场景分类的不同云服务的资源实例。

5.如权利要求1所述的一种用于云主机服务选择的云资源分发系统，其特征在于，所述处理模块还用于利用灵活配置的干扰因子对资源需求进行特定限定。

6.如权利要求1所述的一种用于云主机服务选择的云资源分发系统，其特征在于，所述干扰因子包括云服务提供商的品牌限定、云主机地理位置限定和成本限定。

7.如权利要求1所述的一种用于云主机服务选择的云资源分发系统，其特征在于，所述集群智能算法包括蚁群算法、粒子群算法、鱼群算法或鸟群算法。

8.一种用于云主机服务选择的云资源分发方法，其特征在于，包括：

获取外部的云主机服务请求；

基于集群智能算法及所述服务请求，选择最优的资源匹配实例；或基于预先构建的模型库，从所述模型库中选择最优的匹配实例；

基于获得的资源匹配实例，进行云服务提供商的服务调用；

实现云服务资源的分发。

9.一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如下步骤：

获取外部的云主机服务请求；

基于集群智能算法及所述服务请求，选择最优的资源匹配实例；或基于预先构建的模型库，从所述模型库中选择最优的匹配实例；

基于获得的资源匹配实例，进行云服务提供商的服务调用；

实现云服务资源的分发。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如下步骤：

获取外部的云主机服务请求；

基于集群智能算法及所述服务请求，选择最优的资源匹配实例；或基于预先构建的模型库，从所述模型库中选择最优的匹配实例；

基于获得的资源匹配实例，进行云服务提供商的服务调用；

实现云服务资源的分发。

Images