本發(fā)明涉及電通信，更具體地說，它涉及一種云服務(wù)器虛擬機管理方法及系統(tǒng)。

背景技術(shù)：

1、隨著云計算發(fā)展，云服務(wù)器虛擬機應(yīng)用廣泛，但當前管理存在問題：

2、靜態(tài)資源分配弊端：傳統(tǒng)采用靜態(tài)分配策略，按經(jīng)驗或預(yù)估為虛擬機預(yù)分固定資源。然而業(yè)務(wù)負載與用戶行為動態(tài)變化，如電商促銷時資源需求大增，靜態(tài)分配無法滿足，導(dǎo)致業(yè)務(wù)響應(yīng)慢甚至中斷。且不同業(yè)務(wù)類型對資源需求特性差異大，靜態(tài)分配易造成資源浪費或不足。

3、風(fēng)險評估預(yù)警不足：現(xiàn)有管理系統(tǒng)對資源分配引發(fā)的業(yè)務(wù)風(fēng)險，如資源過度或不足分配導(dǎo)致的系統(tǒng)崩潰、業(yè)務(wù)無法運行等風(fēng)險，缺乏有效預(yù)測與應(yīng)對機制，只能被動處理，給云服務(wù)提供商和用戶帶來損失。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種云服務(wù)器虛擬機管理方法及系統(tǒng)，解決相關(guān)技術(shù)傳統(tǒng)靜態(tài)分配的資源無法滿足這種突發(fā)的高需求，導(dǎo)致業(yè)務(wù)響應(yīng)緩慢，甚至出現(xiàn)服務(wù)中斷和資源浪費或資源不足的問題。

2、本發(fā)明提供了一種云服務(wù)器虛擬機管理方法，包括：

3、獲取歷史用戶行為數(shù)據(jù)，利用時序處理模型提取用戶行為模式特征向量；

4、獲取當前業(yè)務(wù)需求數(shù)據(jù)，利用特征提取模型提取業(yè)務(wù)需求特征向量；

5、獲取云服務(wù)器資源狀態(tài)數(shù)據(jù)，進行標準化處理得到資源狀態(tài)向量；

6、將用戶行為模式特征向量、業(yè)務(wù)需求特征向量和資源狀態(tài)向量輸入預(yù)測模型，預(yù)測出未來一段時間內(nèi)每個虛擬機所需的資源量；

7、根據(jù)預(yù)測的資源量和當前云服務(wù)器實際可分配資源，通過資源分配算法輸出資源分配方案。

8、進一步的，所述時序處理模型為長短期記憶網(wǎng)絡(luò)模型；所述特征提取模型為卷積神經(jīng)網(wǎng)絡(luò)模型；所述資源狀態(tài)向量是通過標準化函數(shù)對云服務(wù)器資源狀態(tài)數(shù)據(jù)進行處理得到；所述預(yù)測模型的構(gòu)建是將用戶行為模式特征向量、業(yè)務(wù)需求特征向量和資源狀態(tài)向量作為輸入，輸入到一個多層感知機預(yù)測模型中，預(yù)測出未來一段時間內(nèi)每個虛擬機所需的預(yù)測資源量。

9、進一步的，一種云服務(wù)器虛擬機管理方法，還包括：

10、獲取歷史資源分配失敗案例數(shù)據(jù)，利用決策樹算法提取風(fēng)險特征向量；

11、將所述風(fēng)險特征向量與用戶行為模式特征向量、業(yè)務(wù)需求特征向量和資源狀態(tài)向量一同輸入改進的預(yù)測模型，預(yù)測出未來一段時間內(nèi)每個虛擬機所需的基于歷史資源分配失敗案例數(shù)據(jù)的資源量以及風(fēng)險評估值；

12、設(shè)定風(fēng)險閾值，當風(fēng)險評估值大于風(fēng)險閾值時，發(fā)出風(fēng)險預(yù)警，并根據(jù)風(fēng)險類型對未經(jīng)過風(fēng)險評估的資源分配方案進行調(diào)整。

13、進一步的，一種云服務(wù)器虛擬機管理方法，還包括：

14、獲取云服務(wù)器各硬件組件的能耗數(shù)據(jù)，利用能耗模型預(yù)測不同資源分配方案下的能耗值；

15、以資源需求滿足業(yè)務(wù)需求且能耗最小為目標，構(gòu)建優(yōu)化函數(shù)，求解得到基于能耗模型的最優(yōu)資源分配量；

16、將基于能耗模型的最優(yōu)資源分配量代入資源分配算法，輸出最終的基于能耗模型的資源分配方案。

17、進一步的，一種云服務(wù)器虛擬機管理方法，還包括：

18、獲取歷史資源分配方案及其業(yè)務(wù)運行效果反饋數(shù)據(jù)，利用深度強化學(xué)習(xí)算法分析得到資源分配策略調(diào)整方向和幅度信息；

19、根據(jù)所述調(diào)整方向和幅度信息對改進后的預(yù)測模型的參數(shù)進行調(diào)整，得到調(diào)整后的預(yù)測模型；

20、將相關(guān)特征向量輸入調(diào)整后的預(yù)測模型，預(yù)測出未來一段時間內(nèi)每個虛擬機所需的基于歷史數(shù)據(jù)的資源量，并代入資源分配算法輸出最終的基于歷史數(shù)據(jù)的資源分配方案，然后將基于歷史數(shù)據(jù)的資源分配方案及對應(yīng)的業(yè)務(wù)運行效果反饋數(shù)據(jù)更新到反饋數(shù)據(jù)集合中，循環(huán)優(yōu)化。

21、進一步的，一種云服務(wù)器虛擬機管理方法，還包括：

22、獲取大數(shù)據(jù)分析任務(wù)的詳細信息，利用自定義特征提取算法提取大數(shù)據(jù)任務(wù)特征向量；

23、將所述大數(shù)據(jù)任務(wù)特征向量與用戶行為模式特征向量、業(yè)務(wù)需求特征向量和資源狀態(tài)向量進行融合，得到融合特征向量；

24、將融合特征向量輸入適配大數(shù)據(jù)場景的調(diào)整后的預(yù)測模型，預(yù)測出適合大數(shù)據(jù)分析任務(wù)的每個虛擬機所需的基于大數(shù)據(jù)場景的資源量，并代入資源分配算法輸出最終的基于大數(shù)據(jù)場景的資源分配方案。

25、進一步的，一種云服務(wù)器虛擬機管理方法，還包括：

26、獲取容器化應(yīng)用的相關(guān)信息，利用圖神經(jīng)網(wǎng)絡(luò)提取容器特征向量；

27、將所述容器特征向量與用戶行為模式特征向量、業(yè)務(wù)需求特征向量和資源狀態(tài)向量作為輸入，輸入到結(jié)合時間序列預(yù)測的調(diào)整后的預(yù)測模型，預(yù)測出不同時間點每個容器所需的資源量；

28、根據(jù)預(yù)測的不同時間點容器資源需求量以及容器間的依賴關(guān)系，采用改進的啟發(fā)式算法進行資源分配，輸出基于容器化應(yīng)用的資源分配方案。

29、進一步的，一種云服務(wù)器虛擬機管理方法，還包括：

30、獲取多租戶信息，利用深度自編碼器提取租戶特征向量；

31、將所述租戶特征向量與用戶行為模式特征向量、業(yè)務(wù)需求特征向量和資源狀態(tài)向量作為輸入，輸入到基于個性化的預(yù)測模型，預(yù)測出滿足每個租戶個性化需求的游戲所需資源量；

32、采用基于博弈論的資源分配協(xié)調(diào)算法，在保障每個租戶基本游戲體驗的前提下，公平地分配資源，輸出基于博弈論的資源分配方案。

33、本發(fā)明提供了一種云服務(wù)器虛擬機管理系統(tǒng)，包括：

34、數(shù)據(jù)獲取模塊，用于獲取歷史用戶行為數(shù)據(jù)、當前業(yè)務(wù)需求數(shù)據(jù)、云服務(wù)器資源狀態(tài)數(shù)據(jù)；

35、特征提取模塊，用于利用時序處理模型提取用戶行為模式特征向量，利用特征提取模型提取業(yè)務(wù)需求特征向量；

36、數(shù)據(jù)處理模塊，用于對云服務(wù)器資源狀態(tài)數(shù)據(jù)進行標準化處理得到資源狀態(tài)向量；

37、預(yù)測模塊，用于將所述用戶行為模式特征向量、業(yè)務(wù)需求特征向量和資源狀態(tài)向量輸入調(diào)整后的個性化的預(yù)測模型，預(yù)測出未來一段時間內(nèi)每個虛擬機所需的資源量；

38、資源分配模塊，用于根據(jù)預(yù)測的資源量和當前云服務(wù)器實際可分配資源，利用資源分配算法輸出資源分配方案。

39、進一步的，一種云服務(wù)器虛擬機管理系統(tǒng)，還包括：

40、風(fēng)險評估模塊，所述風(fēng)險評估模塊用于獲取歷史資源分配失敗案例數(shù)據(jù)，利用決策樹算法提取風(fēng)險特征向量，并將所述風(fēng)險特征向量與其他特征向量一同輸入改進的預(yù)測模型，預(yù)測出風(fēng)險評估值，當風(fēng)險評估值大于設(shè)定閾值時發(fā)出風(fēng)險預(yù)警并調(diào)整基于風(fēng)險評估的資源分配方案。

41、本發(fā)明的有益效果在于：

42、資源管理優(yōu)化：基于用戶行為和業(yè)務(wù)需求自適應(yīng)學(xué)習(xí)與預(yù)測，精準匹配資源，避免過度或不足分配。及時準確分配資源，避免因資源不足導(dǎo)致業(yè)務(wù)響應(yīng)緩慢，提升用戶體驗，保障業(yè)務(wù)高效運行。

43、風(fēng)險防控增強：引入風(fēng)險評估與預(yù)警機制，通過分析歷史失敗案例提取風(fēng)險特征向量，結(jié)合預(yù)測模型評估風(fēng)險，超閾值預(yù)警并調(diào)整方案，增強業(yè)務(wù)穩(wěn)定性。

44、綠色節(jié)能實現(xiàn)：資源分配考慮能耗因素，構(gòu)建能耗模型結(jié)合優(yōu)化算法，以能耗最小為目標分配資源，降低云服務(wù)器整體能耗。

45、系統(tǒng)自適應(yīng)提升：利用深度強化學(xué)習(xí)自動優(yōu)化調(diào)優(yōu)資源分配方案，隨業(yè)務(wù)和用戶行為演變自動適應(yīng)，提高系統(tǒng)適應(yīng)性和魯棒性。

46、特殊場景適配：針對大數(shù)據(jù)分析、容器化應(yīng)用部署、多租戶云游戲等特殊場景，分別提出針對性資源分配優(yōu)化方法，滿足特殊場景需求，提升服務(wù)競爭力。