-
公开(公告)号：CN110138612A
公开(公告)日：2019-08-16
申请号：CN201910403638.2
申请日：2019-05-15
Applicant: 福州大学
Abstract: 本发明涉及一种基于QoS模型自校正的云软件服务资源分配方法，包括：步骤S1：进行在线自学习，得到QoS预测模型；步骤S2：收集某个工作负载下的运行时数据，通过自校正控制提高QoS预测模型在当前工作负载下的准确度；步骤S3：结合服务质量QoS和云资源成本Cost构建适应度函数，并使用改进的粒子群优化算法来搜索目标资源分配方案；步骤S4：将当前的资源分配情况与搜索到的目标资源分配方案进行比较，得到二者之间的差异，然后按一定的比例进行资源调整；步骤S5：重复步骤S2至步骤S4，直到当前的资源分配情况和目标资源分配方案相同时，完成资源调整。本发明能够在QoS预测模型不准确时实现资源的最优分配。
-
公开(公告)号：CN111314120A
公开(公告)日：2020-06-19
申请号：CN202010076102.7
申请日：2020-01-23
Applicant: 福州大学
Abstract: 本发明提出基于迭代QoS模型的云软件服务资源自适应管理框架，包括数据收集方法、模型训练方法、运行决策方法和资源调整方法；数据收集方法采集虚拟机集群软件服务的工况数据，工况数据包括服务质量QoS值、分配虚拟机、虚拟机资源调整操作及资源调整后的服务质量调整结果值QoSt+1；模型训练方法以多种机器学习方法针对工况数据进行训练建模；所述运行决策方法从模型训练方法生成的模型中选择最优模型，并由最优模型获取最优的虚拟机资源管理方案，并据此生成针对当前虚拟机集群运行工况的决策方案；所述资源调整方法根据决策方案对虚拟机集群进行资源调整操作；本发明能通过提高QoS预测模型的准确度来提高云资源分配的有效性，从而提升云软件服务的性能。
-
公开(公告)号：CN108762749A
公开(公告)日：2018-11-06
申请号：CN201810510539.X
申请日：2018-05-24
Applicant: 福州大学
Abstract: 本发明提供一种基于代码分析的系统对象图自动生成方法，其特征在于：包括以下步骤：步骤S1：通过soot分析获取类名、方法名和语句集；步骤S2：处理对象创建语句并生成对象集，处理对象声明语句并生成属性‑值对应集，采用符号执行的思想获取方法调用语句和调用过程并生成对象调用关系集；步骤S3：运用plantuml语言规则将上述集合转化为对象图生成语句，从而得到了自动生成的uml对象图。本发明基于代码分析的系统对象图自动生成技术可以直观反映运行时软件体系结构的特点，用户不必查看繁琐的代码就能通过该技术获取对象信息（类属性、对象属性）以及对象关系（对象调用链），加强代码的可读性和可维护性。
-
公开(公告)号：CN112052071B
公开(公告)日：2023-07-04
申请号：CN202010932875.0
申请日：2020-09-08
Applicant: 福州大学
Abstract: 本发明涉及一种强化学习和机器学习相结合的云软件服务资源分配方法。建立面向变化负载的管理操作决策模型。首先，使用强化学习方法，针对历史数据计算每一管理操作在不同环境、状态下的Q值；其次，使用机器学习方法，基于Q值预测模型，输入环境和状态，就能预测每一管理操作的Q值；最后，根据Q值预测模型，在运行时进行管理操作决策，通过反馈控制，逐步推理合适的资源分配方案。本发明方法使用在实际应用RUBiS中，结果显示：本发明方法能够提高云应用资源分配的有效性，管理操作决策的正确性达到92.3%，相比传统机器学习方法，资源分配效果提高约6%。
-
Patent Agency Ranking
公开(公告)号：CN109165081B
公开(公告)日：2021-09-28
申请号：CN201810930969.7
申请日：2018-08-15
Applicant: 福州大学
Abstract: 本发明提供一种基于机器学习的Web应用自适应资源配置方法，其包括以下步骤：步骤S1：将物理机操作系统虚拟化，分为两个虚拟机，两个虚拟机分别运行各自的操作系统；步骤S2：针对上述两个虚拟机分别提出两个机器学习模型；利用基于机器学习的响应时间的预测模型去预测给定环境变化下的响应时间；步骤S3：利用基于遗传算法的在线决策机制，根据以上的模型制定响应的适应度函数来搜索具有最优响应时间的软硬件资源配置分配方案。本发明可以从历史数据中训练出预测模型并根据遗传算法自动地为Web应用服务分配软硬件资源。
-
公开(公告)号：CN109165081A
公开(公告)日：2019-01-08
申请号：CN201810930969.7
申请日：2018-08-15
Applicant: 福州大学
Abstract: 本发明提供一种基于机器学习的Web应用自适应资源配置方法，其包括以下步骤：步骤S1：将物理机操作系统虚拟化，分为两个虚拟机，两个虚拟机分别运行各自的操作系统；步骤S2：针对上述两个虚拟机分别提出两个机器学习模型；利用基于机器学习的响应时间的预测模型去预测给定环境变化下的响应时间；步骤S3：利用基于遗传算法的在线决策机制，根据以上的模型制定响应的适应度函数来搜索具有最优响应时间的软硬件资源配置分配方案。本发明可以从历史数据中训练出预测模型并根据遗传算法自动地为Web应用服务分配软硬件资源。
-
公开(公告)号：CN108762749B
公开(公告)日：2021-12-21
申请号：CN201810510539.X
申请日：2018-05-24
Applicant: 福州大学
Abstract: 本发明提供一种基于代码分析的系统对象图自动生成方法，其特征在于：包括以下步骤：步骤S1：通过soot分析获取类名、方法名和语句集；步骤S2：处理对象创建语句并生成对象集，处理对象声明语句并生成属性‑值对应集，采用符号执行的思想获取方法调用语句和调用过程并生成对象调用关系集；步骤S3：运用plantuml语言规则将上述集合转化为对象图生成语句，从而得到了自动生成的uml对象图。本发明基于代码分析的系统对象图自动生成技术可以直观反映运行时软件体系结构的特点，用户不必查看繁琐的代码就能通过该技术获取对象信息（类属性、对象属性）以及对象关系（对象调用链），加强代码的可读性和可维护性。
-
公开(公告)号：CN112052071A
公开(公告)日：2020-12-08
申请号：CN202010932875.0
申请日：2020-09-08
Applicant: 福州大学
Abstract: 本发明涉及一种强化学习和机器学习相结合的云软件服务资源分配方法。建立面向变化负载的管理操作决策模型。首先，使用强化学习方法，针对历史数据计算每一管理操作在不同环境、状态下的Q值；其次，使用机器学习方法，基于Q值预测模型，输入环境和状态，就能预测每一管理操作的Q值；最后，根据Q值预测模型，在运行时进行管理操作决策，通过反馈控制，逐步推理合适的资源分配方案。本发明方法使用在实际应用RUBiS中，结果显示：本发明方法能够提高云应用资源分配的有效性，管理操作决策的正确性达到92.3%，相比传统机器学习方法，资源分配效果提高约6%。
-
公开(公告)号：CN110138612B
公开(公告)日：2020-09-01
申请号：CN201910403638.2
申请日：2019-05-15
Applicant: 福州大学
Abstract: 本发明涉及一种基于QoS模型自校正的云软件服务资源分配方法，包括：步骤S1：进行在线自学习，得到QoS预测模型；步骤S2：收集某个工作负载下的运行时数据，通过自校正控制提高QoS预测模型在当前工作负载下的准确度；步骤S3：结合服务质量QoS和云资源成本Cost构建适应度函数，并使用改进的粒子群优化算法来搜索目标资源分配方案；步骤S4：将当前的资源分配情况与搜索到的目标资源分配方案进行比较，得到二者之间的差异，然后按一定的比例进行资源调整；步骤S5：重复步骤S2至步骤S4，直到当前的资源分配情况和目标资源分配方案相同时，完成资源调整。本发明能够在QoS预测模型不准确时实现资源的最优分配。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.013 seconds)
