面向动态资源需求的SaaS服务部署优化研究
发布时间：2022-01-13 14:03
SaaS（Soft as a Service）,是一种打破传统软件销售模式的商业模式。为了给SaaS服务的开发和运营提供稳定、有针对性的服务平台,SaaS服务提供商构建了SaaS平台以统一管理众多SaaS服务,负责软件的开发、部署、组合和维护,从他们的客户中获得稳定、持续的收入。然而,如何合理地将SaaS服务部署在相应的虚拟机上以最大化SaaS服务提供商的经济效益,是SaaS平台需要考虑的重要问题。随着SaaS平台上SaaS服务的用户访问量不断变化,SaaS服务的资源需求量也随之变化,此时,单一的服务部署方案并不能保证系统稳定,因此,在SaaS平台的运行过程中,需要不断地调整SaaS服务的部署方案。目前研究中,大多以最小化虚拟机的租用成本来最大化SaaS服务提供商的经济效益;SaaS服务初始部署阶段的求解算法易陷入局部最优,求解质量不高;在动态部署阶段,大多研究中提出的算法在调整服务部署时过于被动,容易造成服务质量下降;服务迁移策略缺乏对SaaS服务资源需求和虚拟机资源消耗之间的相关性、互补性以及SaaS服务之间交互的考虑。针对以上问题,本文将提出相应的解决方案。本文将最大化SaaS服...
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：87 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
缩略语对照表
第一章 绪论
1.1 选题背景
1.2 选题意义
1.2.1 理论研究意义
1.2.2 现实应用意义
1.3 国内外研究现状
1.3.1 服务初始部署相关研究
1.3.2 服务动态部署相关研究
1.4 本文的主要工作
1.5 本文的组织结构
第二章 SaaS服务部署优化
2.1 SaaS服务初始部署优化问题分析
2.2 SaaS服务动态部署优化问题分析
2.3 本章小结
第三章 基于混合模拟退火和粒子群的SaaS服务初始部署
3.1 SaaS服务部署优化问题模型
3.2 粒子群优化算法(PSO)
3.3 模拟退火算法(SA)
3.4 混合模拟退火和粒子群算法(SAPSO)
3.4.1 粒子的位置
3.4.2 粒子的速度
3.4.3 适应度函数
3.4.4 位置初始化
3.4.5 算法流程
3.5 实验与分析
3.5.1 参数设置
3.5.2 实验数据分析
3.6 本章小结
第四章 基于Prophet-LSTM的资源预测模型
4.1 Prophet模型
4.2 LSTM神经网络模型
4.3 Prophet-LSTM组合资源需求预测模型
4.3.1 参数设置
4.3.2 实验数据分析
4.4 本章小结
第五章 动态资源需求下的SaaS服务迁移策略
5.1 迁移时机判断
5.2 拟迁移服务筛选
5.3 目的虚拟机筛选
5.4 算法设计与流程
5.4.1 资源整合算法
5.4.2 资源负载均衡算法
5.5 实验与分析
5.5.1 参数设置
5.5.2 实验数据分析
5.6 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
参考文献
致谢
作者简介
【参考文献】：
期刊论文
[1]基于APMSSGA-LSTM的容器云资源预测[J]. 谢晓兰,张征征,郑强清,陈超泉. 大数据. 2019(06)
[2]基于云自适应粒子群优化算法和随机森林回归（CAPSO-RFR）的负载均衡预测[J]. 李雨泰,李伟良,尚智婕,王洋,董希杰. 微型电脑应用. 2019(10)
[3]Prophet-LSTM组合模型的销售量预测研究[J]. 葛娜,孙连英,石晓达,赵平. 计算机科学. 2019(S1)
[4]基于模拟退火的粒子群算法在函数优化中的应用[J]. 李淑香. 沈阳工业大学学报. 2019(06)
[5]基于模糊校正的深度时序信息安全评估算法[J]. 魏明桦,郑金贵. 河海大学学报(自然科学版). 2018(05)
[6]云环境中面向服务软件的演化部署优化方法[J]. 李琳,应时,董波,王蕊. 中国科学:信息科学. 2017(06)
[7]基于混合遗传模拟退火算法的SaaS构件优化放置[J]. 孟凡超,初佃辉,李克秋,周学权. 软件学报. 2016(04)
博士论文
[1]存储敏感的云服务优化重部署关键技术研究[D]. 闫慧宁.国防科学技术大学 2017
[2]云计算中数据安全及隐私保护关键技术研究[D]. 董鑫.上海交通大学 2015
[3]SaaS应用中多租户若干关键技术研究[D]. 顾平莉.北京邮电大学 2012
硕士论文
[1]面向动态资源需求的SaaS服务部署优化研究[D]. 向克进.西安电子科技大学 2019
[2]云环境下虚拟资源利用率预测研究[D]. 张超坤.华北电力大学 2019
[3]云计算虚拟机的负载预测与调度策略研究[D]. 高玉娇.燕山大学 2018
[4]基于ARIMA-BP组合模型的某餐饮O2O企业订单预测研究[D]. 施佳.北京交通大学 2018
[5]基于一种组合预测模型的自动伸缩Docker集群关键技术研究[D]. 王天泽.西安工程大学 2018
[6]SaaS多租户数据模型及实现技术研究[D]. 张伟.西北大学 2016
[7]可定制SaaS应用建模及其优化放置研究[D]. 商晓.哈尔滨工业大学 2015
[8]SaaS多租户数据存储技术研究与应用[D]. 王欢.华南理工大学 2014
[9]云计算中面向SaaS的QoS建模研究与分析[D]. 李杰.南京航空航天大学 2012
本文编号：3586564
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：87 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
缩略语对照表
第一章 绪论
1.1 选题背景
1.2 选题意义
1.2.1 理论研究意义
1.2.2 现实应用意义
1.3 国内外研究现状
1.3.1 服务初始部署相关研究
1.3.2 服务动态部署相关研究
1.4 本文的主要工作
1.5 本文的组织结构
第二章 SaaS服务部署优化
2.1 SaaS服务初始部署优化问题分析
2.2 SaaS服务动态部署优化问题分析
2.3 本章小结
第三章 基于混合模拟退火和粒子群的SaaS服务初始部署
3.1 SaaS服务部署优化问题模型
3.2 粒子群优化算法(PSO)
3.3 模拟退火算法(SA)
3.4 混合模拟退火和粒子群算法(SAPSO)
3.4.1 粒子的位置
3.4.2 粒子的速度
3.4.3 适应度函数
3.4.4 位置初始化
3.4.5 算法流程
3.5 实验与分析
3.5.1 参数设置
3.5.2 实验数据分析
3.6 本章小结
第四章 基于Prophet-LSTM的资源预测模型
4.1 Prophet模型
4.2 LSTM神经网络模型
4.3 Prophet-LSTM组合资源需求预测模型
4.3.1 参数设置
4.3.2 实验数据分析
4.4 本章小结
第五章 动态资源需求下的SaaS服务迁移策略
5.1 迁移时机判断
5.2 拟迁移服务筛选
5.3 目的虚拟机筛选
5.4 算法设计与流程
5.4.1 资源整合算法
5.4.2 资源负载均衡算法
5.5 实验与分析
5.5.1 参数设置
5.5.2 实验数据分析
5.6 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
参考文献
致谢
作者简介
【参考文献】：
期刊论文
[1]基于APMSSGA-LSTM的容器云资源预测[J]. 谢晓兰,张征征,郑强清,陈超泉. 大数据. 2019(06)
[2]基于云自适应粒子群优化算法和随机森林回归（CAPSO-RFR）的负载均衡预测[J]. 李雨泰,李伟良,尚智婕,王洋,董希杰. 微型电脑应用. 2019(10)
[3]Prophet-LSTM组合模型的销售量预测研究[J]. 葛娜,孙连英,石晓达,赵平. 计算机科学. 2019(S1)
[4]基于模拟退火的粒子群算法在函数优化中的应用[J]. 李淑香. 沈阳工业大学学报. 2019(06)
[5]基于模糊校正的深度时序信息安全评估算法[J]. 魏明桦,郑金贵. 河海大学学报(自然科学版). 2018(05)
[6]云环境中面向服务软件的演化部署优化方法[J]. 李琳,应时,董波,王蕊. 中国科学:信息科学. 2017(06)
[7]基于混合遗传模拟退火算法的SaaS构件优化放置[J]. 孟凡超,初佃辉,李克秋,周学权. 软件学报. 2016(04)
博士论文
[1]存储敏感的云服务优化重部署关键技术研究[D]. 闫慧宁.国防科学技术大学 2017
[2]云计算中数据安全及隐私保护关键技术研究[D]. 董鑫.上海交通大学 2015
[3]SaaS应用中多租户若干关键技术研究[D]. 顾平莉.北京邮电大学 2012
硕士论文
[1]面向动态资源需求的SaaS服务部署优化研究[D]. 向克进.西安电子科技大学 2019
[2]云环境下虚拟资源利用率预测研究[D]. 张超坤.华北电力大学 2019
[3]云计算虚拟机的负载预测与调度策略研究[D]. 高玉娇.燕山大学 2018
[4]基于ARIMA-BP组合模型的某餐饮O2O企业订单预测研究[D]. 施佳.北京交通大学 2018
[5]基于一种组合预测模型的自动伸缩Docker集群关键技术研究[D]. 王天泽.西安工程大学 2018
[6]SaaS多租户数据模型及实现技术研究[D]. 张伟.西北大学 2016
[7]可定制SaaS应用建模及其优化放置研究[D]. 商晓.哈尔滨工业大学 2015
[8]SaaS多租户数据存储技术研究与应用[D]. 王欢.华南理工大学 2014
[9]云计算中面向SaaS的QoS建模研究与分析[D]. 李杰.南京航空航天大学 2012
本文编号：3586564
本文链接：https://www.wllwen.com/kejilunwen/jisuanjikexuelunwen/3586564.html
