一种基于业务模型的云计算资源预测方法及系统

本发明涉及云计算领域，尤其涉及一种基于业务模型的云计算资源预测方法及一种基于业务模型的云计算资源预测系统。

云计算使用户能够像使用水、电一样，按需享受信息资源服务。在IAAS（InfrastructureasaService基于架构即服务）层，云计算资源在分配时，体现在CPU、内存、网络带宽、存储容量等资源的划分。

目前云计算资源的初次分配需要用户提出申请，管理人员审核并手工分配。初次分配完毕后，主流的云管理平台一般提供基于监控的资源重分配。例如VMware的DRS（DistributedResourceScheduler分布式资源调度），通过持续不断地监控资源池的利用率，根据需要在虚拟机自动分配适合的资源，通过这样动态分配和平衡资源，使虚拟机的资源分配与资源需求实现相对匹配。

但是，由于用户对自身所需要的信息资源数量缺乏准确的认识，往往申请远超实际需要的资源，管理员在缺少数据支撑的情况下，也难以给出有效的建议，只按申请数量分配。因此，初期失真的资源需求会使容量规划有较大偏差，造成浪费。

另外，分配后优化方式有两种，一种是管理员人工通过云平台监控用户业务的实际资源需求，调整用户资源分配；一种是通过云平台的基于监控的资源重分配功能，由系统自动调整用户资源分配。但是，由于虚拟化技术和操作系统的限制，大部分减少资源分配操作和一部分的增加资源分配操作是需要离线进行的，这会造成业务中断。

本发明所要解决的技术问题在于，提供一种基于业务模型的云计算资源预测方法及系统，可提高初次分配资源时的准确度，降低客户成本，提高业务连续性。

为了解决上述技术问题，本发明提供了一种基于业务模型的云计算资源预测方法，包括：获取用户所对应的目标业务系统的需求信息，所述需求信息包括用户申请的虚拟机所属业务系统的业务类型、用户申请的虚拟机在业务系统中的虚拟机用途、用户申请的虚拟机所属业务系统的业务规模及用户申请的虚拟机的申请时间；根据所述需求信息匹配资源需求模型库，获得目标业务系统应申请的资源数量。

作为上述方案的改进，所述资源需求模型库中存储有资源需求模型；所述资源需求模型中的元素信息包括业务类型、业务规模、虚拟机用途、CPU需求、内存需求、存储空间需求、存储IO需求、网络IO需求、峰值时间及峰值需求增长比例。

作为上述方案的改进，所述根据需求信息匹配资源需求模型库的步骤包括：在资源需求模型库上检索与目标业务系统具有相同业务类型的资源需求模型，获得第一次匹配结果；在第一次匹配结果中检索与目标业务系统具有相同虚拟机用途的资源需求模型，获得第二次匹配结果；在第二次匹配结果中检索与目标业务系统具有相同业务规模的资源需求模型，获得第三次匹配结果；对所述第三次匹配结果进行筛选，提取最优资源需求模型；根据所述最优资源需求模型所对应的元素信息，提取标准需求数量，所述标准需求数量包括CPU需求数量、内存需求数量、存储空间需求数量、存储IO需求数量及网络IO需求数量；判断目标业务系统的申请时间是否处于最优资源需求模型所对应的峰值时间内，判断为否时，所述标准需求数量即为应申请的资源数量，判断为是时，根据最优资源需求模型所对应峰值需求增长比例，计算出应申请的资源数量。

作为上述方案的改进，基于业务模型的云计算资源预测方法还包括：构建资源需求模型库；所述构建资源需求模型库的方法包括：采集初始业务系统的基础信息，所述基础信息包括业务类型、用户数量、虚拟机用途、CPU需求、内存需求、存储空间需求、存储IO需求、网络IO需求、峰值时间、峰值期间CPU需求、峰值期间内存需求、峰值期间存储空间需求、峰值期间存储IO需求及峰值期间网络IO需求；根据用户数量划分业务规模；根据所述基础信息计算峰值需求增长比例；根据所述基础信息、业务规模及峰值需求增长比例，提取元素信息；根据所述元素信息构建资源需求模型库。

相应地，本发明还提供了一种基于业务模型的云计算资源预测系统，包括云计算资源预测装置及资源需求模型库；所述云计算资源预测装置包括：获取单元，用于获取用户所对应的目标业务系统的需求信息，所述需求信息包括用户申请的虚拟机所属业务系统的业务类型、用户申请的虚拟机在业务系统中的虚拟机用途、用户申请的虚拟机所属业务系统的业务规模及用户申请的虚拟机的申请时间；匹配单元，用于根据所述需求信息匹配资源需求模型库，获得目标业务系统应申请的资源数量；

作为上述方案的改进，所述资源需求模型库中存储有资源需求模型；所述资源需求模型中的元素信息包括业务类型、业务规模、虚拟机用途、CPU需求、内存需求、存储空间需求、存储IO需求、网络IO需求、峰值时间及峰值需求增长比例。

作为上述方案的改进，所述匹配单元包括：第一匹配单元，用于在资源需求模型库上检索与目标业务系统具有相同业务类型的资源需求模型，获得第一次匹配结果；第二匹配单元，用于在第一次匹配结果中检索与目标业务系统具有相同虚拟机用途的资源需求模型，获得第二次匹配结果；第三匹配单元，用于在第二次匹配结果中检索与目标业务系统具有相同业务规模的资源需求模型，获得第三次匹配结果；筛选单元，用于对所述第三次匹配结果进行筛选，提取最优资源需求模型；提取单元，用于根据所述最优资源需求模型所对应的元素信息，提取标准需求数量，所述标准需求数量包括CPU需求数量、内存需求数量、存储空间需求数量、存储IO需求数量及网络IO需求数量；判断单元，用于判断目标业务系统的申请时间是否处于最优资源需求模型所对应的峰值时间内，判断为否时，所述标准需求数量即为应申请的资源数量，判断为是时，根据最优资源需求模型所对应峰值需求增长比例，计算出应申请的资源数量。

作为上述方案的改进，所述云计算资源预测装置还包括资源需求模型库构建单元；所述资源需求模型库构建单元包括：采集单元，用于采集初始业务系统的基础信息，所述基础信息包括业务类型、用户数量、虚拟机用途、CPU需求、内存需求、存储空间需求、存储IO需求、网络IO需求、峰值时间、峰值期间CPU需求、峰值期间内存需求、峰值期间存储空间需求、峰值期间存储IO需求及峰值期间网络IO需求；划分单元，用于根据用户数量划分业务规模；比例计算单元，用于根据所述基础信息计算峰值需求增长比例；元素提取单元，根据所述基础信息、业务规模及峰值需求增长比例，提取元素信息；构建单元，用于根据所述元素信息构建资源需求模型库。

实施本发明，具有如下有益效果：

本发明基于业务模型的云计算资源预测方法，用户在申请时，即根据资源需求模型进行合理的资源分配，提高了初次分配资源时的准确度，从而降低客户成本，提高业务连续性，避免了现有技术先分配再调整带来的资源浪费与影响业务连续性的缺点。

另外，本发明通过构建行业通用的资源需求模型，为云计算资源预测提供完善的匹配基础。

图1是本发明基于业务模型的云计算资源预测方法的第一实例流程图；

图2是本发明基于业务模型的云计算资源预测方法的第二实例流程图；

图3是本发明基于业务模型的云计算资源预测方法中构建资源需求模型库的流程图；

图4是本发明基于业务模型的云计算资源预测系统的结构示意图；

图5是图4中匹配单元的结构示意图；

图6是本发明基于业务模型的云计算资源预测系统的另一结构示意图；

图7是图6中资源需求模型库构建单元的结构示意图。

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。仅此声明，本发明在文中出现或即将出现的上、下、左、右、前、后、内、外等方位用词，仅以本发明的附图为基准，其并不是对本发明的具体限定。

图1是本发明基于业务模型的云计算资源预测方法的第一实例流程图，包括：

S101，获取用户所对应的目标业务系统的需求信息。

所述需求信息包括用户申请的虚拟机所属业务系统的业务类型、用户申请的虚拟机在业务系统中的虚拟机用途、用户申请的虚拟机所属业务系统的业务规模及用户申请的虚拟机的申请时间。

需要说明的是，用户为目标业务系统申请资源时，需上传申请的虚拟机所属于业务系统的业务类型、业务规模，虚拟机在业务系统中的虚拟机用途，以及申请时间。

S102，根据所述需求信息匹配资源需求模型库，获得目标业务系统应申请的资源数量。

所述资源需求模型库中存储有资源需求模型。所述资源需求模型中的元素信息包括业务类型、业务规模、虚拟机用途、CPU需求、内存需求、存储空间需求、存储IO需求、网络IO需求、峰值时间及峰值需求增长比例。其中，业务类型包括：校务管理类、教学科研类、招生就业类、综合服务类、财务管理、资产管理、人事管理、后勤管理、学生教育工作管理、学生体质健康数据管理、档案管理、党务管理、办公与事务处理、公文与信息交换、教学改革管理、学科、专业管理、教务教学管理、教学资源管理、教学质量评估与保障、科研项目管理、科研情报管理、国家统一招生管理、普通高校招生网上录取管理、学校自主招生管理、学生就业管理、门户网站、论坛、社区类网站、数字图书馆、、视频服务、安防监控、校园一卡通、内网门户与身份认证、公共数据库、运维管理等，但不以此为限制。虚拟机用途包括：HTTP服务器、应用服务器及数据库服务器，但不以此为限制。CPU需求是指用户在实际使用中要求的CPU能力，例如32线程，64线程等。业务规模是指用户数量的范围区间。

需要说明的是，需求模型库中的元素信息是根据长期的数据调研与持续监测获得，不同的业务类型，不同的虚拟机用途，不同业务规模，对应不同的资源需求，同时，每种业务类型都具有相应的业务峰值时间和峰值时资源需求增长比例。

现有技术是初次在资源分配完成后，通过监控资源的利用率、运行状况进行再次分配。与现有技术相比，本发明提前构建行业通用的资源需求模型，通过在申请时即根据资源需求模型进行合理的资源分配，无需再次分配，提高了初次分配资源时的准确度，从而降低客户成本，提高业务连续性，同时，避免了现有技术先分配再调整带来的资源浪费与影响业务连续性的缺点。

图2是本发明基于业务模型的云计算资源预测方法的第二实例流程图，包括：

S201，获取用户所对应的目标业务系统的需求信息。

所述需求信息包括用户申请的虚拟机所属业务系统的业务类型、用户申请的虚拟机在业务系统中的虚拟机用途、用户申请的虚拟机所属业务系统的业务规模及用户申请的虚拟机的申请时间。

S202，在资源需求模型库上检索与目标业务系统具有相同业务类型的资源需求模型，获得第一次匹配结果。

需要说明的是，所述资源需求模型库中存储有资源需求模型。所述资源需求模型中的元素信息包括业务类型、业务规模、虚拟机用途、CPU需求、内存需求、存储空间需求、存储IO需求、网络IO需求、峰值时间及峰值需求增长比例。

S203，在第一次匹配结果中检索与目标业务系统具有相同虚拟机用途的资源需求模型，获得第二次匹配结果。

S204，在第二次匹配结果中检索与目标业务系统具有相同业务规模的资源需求模型，获得第三次匹配结果。

S205，对所述第三次匹配结果进行筛选，提取最优资源需求模型。

需要说明的是，若经过步骤S202、步骤203及步骤204后，第三次匹配结果中包含多个资源需求模型时，则优先提取资源最为充足的资源需求模型，以保证得到唯一的最优资源需求模型。

S206，根据所述最优资源需求模型所对应的元素信息，提取标准需求数量。

当提取出最优资源需求模型时，可以该最优资源需求模型作为参考标准，从最优资源需求模型所对应的元素信息中，提取出标准需求数量。所述标准需求数量包括CPU需求数量、内存需求数量、存储空间需求数量、存储IO需求数量及网络IO需求数量。

S207，判断目标业务系统的申请时间是否处于最优资源需求模型所对应的峰值时间内。判断为否时，所述标准需求数量即为应申请的资源数量；判断为是时，根据最优资源需求模型所对应峰值需求增长比例，计算出应申请的资源数量。

将目标业务系统的申请时间与最优资源需求模型所对应的峰值时间进行比对，判断目标业务系统的申请时间是否处于最优资源需求模型所对应的峰值时间内。如果申请时间不处于在峰值时间内，则标准需求数量无需修正，标准需求数量即是应申请的资源数量；如果申请时间处在峰值时间，则需要根据最优资源需求模型所对应峰值需求增长比例，计算出应申请的资源数量，其中，应申请的资源数量=标准需求数量×（1+峰值需求增长比例）。

需要说明的是，峰值需求增长比例包括CPU需求增长比例、内存需求增长比例、存储空间需求增长比例、存储IO需求增长比例及网络IO需求增长比例。

下面将结合具体的实例对本发明作进一步地详细描述。

实例：用户需要申请一台用于部署“校园一卡通”的虚拟机。

A1、获取用户的需求信息，其中，业务类型为“校园一卡通”，虚拟机用途为“应用服务器”，业务规模为“5000~10000人”，申请时间为“8:00”。

A2，检索出业务类型为“校园一卡通”的资源需求模型，获得第一次匹配结果；

A3，在第一次匹配结果中检索出虚拟机用途为“应用服务器”的资源需求模型，获得第二次匹配结果；

A4，在第二次匹配结果中检索出业务规模为“5000~10000人”的资源需求模型，获得第三次匹配结果；

A5，对所述第三次匹配结果进行筛选，提取最优资源需求模型;

A6，根据所述最优资源需求模型所对应的元素信息，提取标准需求数量;

A7，将申请时间“8:00”与最优资源需求模型所对应的峰值时间进行比对，判断出申请时间不处于在峰值时间内，此时标准需求数量即为应申请的资源数量。

因此，本发明提前构建行业通用的资源需求模型，通过在申请时即根据资源需求模型进行合理的资源分配，无需再次分配，提高了初次分配资源时的准确度，从而降低客户成本，提高业务连续性，同时，避免了现有技术先分配再调整带来的资源浪费与影响业务连续性的缺点。

需要说明的是，步骤S201之前还需要预先构建资源需求模型库。

具体地，所述构建资源需求模型库的方法包括：

S301、采集初始业务系统的基础信息。

所述基础信息包括业务类型、用户数量、虚拟机用途、CPU需求、内存需求、存储空间需求、存储IO需求、网络IO需求、峰值时间、峰值期间CPU需求、峰值期间内存需求、峰值期间存储空间需求、峰值期间存储IO需求及峰值期间网络IO需求。

资源需求模型库中的基础信息来自于对每个行业业务系统的大量调研，不同的业务类型，不同的虚拟机用途，不同业务规模，对应不同的资源需求。

S302、根据用户数量划分业务规模。

业务规模是指用户数量的范围区间。优选的，每种业务类型可根据用户数量分成7种规模，从而确定业务规模，但不以此为限制。

S303、根据所述基础信息计算峰值需求增长比例。

需要说明的是，峰值需求增长比例可用于当系统进入高峰期的时，自动对虚拟机的各种资源进行自动调整，以满足高峰期的资源需求。其中，峰值需求增长比例包括CPU需求增长比例、内存需求增长比例、存储空间需求增长比例、存储IO需求增长比例及网络IO需求增长比例。

具体地，用峰值期间CPU需求减去CPU需求再除以CPU需求即可得到CPU需求增长比例；用峰值期间内存需求减去内存需求再除以内存需求即可得到内存需求增长比例；用峰值期间存储空间需求减去存储空间需求再除以存储空间需求即可得到存储空间需求增长比例；用峰值期间存储IO需求减去存储IO需求再除以存储IO需求即可得到存储IO需求增长比例；用峰值期间网络IO需求减去网络IO需求再除以网络IO需求即可得到网络IO需求增长比例。

S304、根据所述基础信息、业务规模及峰值需求增长比例，提取元素信息。

所述资源需求模型中的元素信息包括业务类型、业务规模、虚拟机用途、CPU需求、内存需求、存储空间需求、存储IO需求、网络IO需求、峰值时间及峰值需求增长比例。

S305、根据所述元素信息构建资源需求模型库。

因此，通过步骤S301~305即可构建多个独立的资源需求模型。其中，不同的业务类型，不同的虚拟机用途，不同业务规模分别对应不同的资源需求，同时，每种业务类型具有自己的业务峰值时间和峰值时资源需求增长比例。

将资源需求模型以数据库表形式存储即可形成资源需求模型库。

由上可知，本发明通过提前构建行业通用的资源需求模型，为云计算资源预测提供完善的匹配基础。同时，通过在申请时即根据资源需求模型进行合理的资源分配，提高了初次分配资源时的准确度，从而降低客户成本，提高业务连续性，避免了现有技术先分配再调整带来的资源浪费与影响业务连续性的缺点。

图4是本发明基于业务模型的云计算资源预测系统100的结构示意图，所述基于业务模型的云计算资源预测系统100包括：云计算资源预测装置1及资源需求模型库2。

其中：

所述资源需求模型库中存储有资源需求模型。所述资源需求模型中的元素信息包括业务类型、业务规模、虚拟机用途、CPU需求、内存需求、存储空间需求、存储IO需求、网络IO需求、峰值时间及峰值需求增长比例。需求模型库中的元素信息是根据长期的数据调研与持续监测获得，不同的业务类型，不同的虚拟机用途，不同业务规模，对应不同的资源需求，同时，每种业务类型都具有相应的业务峰值时间和峰值时资源需求增长比例。

所述云计算资源预测装置1包括：获取单元11及匹配单元12。

获取单元11，用于获取用户所对应的目标业务系统的需求信息。

所述需求信息包括用户申请的虚拟机所属业务系统的业务类型、用户申请的虚拟机在业务系统中的虚拟机用途、用户申请的虚拟机所属业务系统的业务规模及用户申请的虚拟机的申请时间。用户为目标业务系统申请资源时，需上传申请的虚拟机所属于业务系统的业务类型、业务规模，虚拟机在业务系统中的虚拟机用途，以及申请时间。

匹配单元12，用于根据所述需求信息匹配资源需求模型库，获得目标业务系统应申请的资源数量。

本发明中，通过匹配单元12对资源需求模型库内的资源需求模型进行匹配，从而合理地实现资源分配，无需再次分配，提高了初次分配资源时的准确度，从而降低客户成本，提高业务连续性，同时，避免了现有技术先分配再调整带来的资源浪费与影响业务连续性的缺点。

如图5所示，所述匹配单元12包括：

第一匹配单元121，用于在资源需求模型库上检索与目标业务系统具有相同业务类型的资源需求模型，获得第一次匹配结果。

第二匹配单元122，用于在第一次匹配结果中检索与目标业务系统具有相同虚拟机用途的资源需求模型，获得第二次匹配结果。

第三匹配单元123，用于在第二次匹配结果中检索与目标业务系统具有相同业务规模的资源需求模型，获得第三次匹配结果。

筛选单元124，用于对所述第三次匹配结果进行筛选，提取最优资源需求模型。

需要说明的是，依次经过第一匹配单元121、第二匹配单元122及第三匹配单元123的匹配后，若第三次匹配结果中包含多个资源需求模型时，则通过筛选单元124优先提取资源最为充足的资源需求模型，以保证得到唯一的最优资源需求模型。

提取单元125，用于根据所述最优资源需求模型所对应的元素信息，提取标准需求数量。

当提取出最优资源需求模型时，可以该最优资源需求模型作为参考标准，从最优资源需求模型所对应的元素信息中，提取出标准需求数量。所述标准需求数量包括CPU需求数量、内存需求数量、存储空间需求数量、存储IO需求数量及网络IO需求数量。

判断单元126，用于判断目标业务系统的申请时间是否处于最优资源需求模型所对应的峰值时间内，判断为否时，所述标准需求数量即为应申请的资源数量，判断为是时，根据最优资源需求模型所对应峰值需求增长比例，计算出应申请的资源数量，其中，应申请的资源数量=标准需求数量×（1+峰值需求增长比例）。

需要说明的是，峰值需求增长比例包括CPU需求增长比例、内存需求增长比例、存储空间需求增长比例、存储IO需求增长比例及网络IO需求增长比例。

图6是本发明基于业务模型的云计算资源预测系统100的另一结构示意图，与图4所示的基于业务模型的云计算资源预测系统100不同的是，所述云计算资源预测装置1还包括资源需求模型库构建单元13。

如图7所示，所述资源需求模型库构建单元13包括：

采集单元131，用于采集初始业务系统的基础信息。

资源需求模型库中的基础信息来自于对每个行业业务系统的大量调研，不同的业务类型，不同的虚拟机用途，不同业务规模，对应不同的资源需求。所述基础信息包括业务类型、用户数量、虚拟机用途、CPU需求、内存需求、存储空间需求、存储IO需求、网络IO需求、峰值时间、峰值期间CPU需求、峰值期间内存需求、峰值期间存储空间需求、峰值期间存储IO需求及峰值期间网络IO需求。

划分单元132，用于根据用户数量划分业务规模。

业务规模是指用户数量的范围区间。优选地，每种业务类型可根据用户数量分成7种规模，从而确定业务规模，但不以此为限制。

比例计算单元133，用于根据所述基础信息计算峰值需求增长比例。

其中，峰值需求增长比例包括CPU需求增长比例、内存需求增长比例、存储空间需求增长比例、存储IO需求增长比例及网络IO需求增长比例。

具体地，用峰值期间CPU需求减去CPU需求再除以CPU需求即可得到CPU需求增长比例；用峰值期间内存需求减去内存需求再除以内存需求即可得到内存需求增长比例；用峰值期间存储空间需求减去存储空间需求再除以存储空间需求即可得到存储空间需求增长比例；用峰值期间存储IO需求减去存储IO需求再除以存储IO需求即可得到存储IO需求增长比例；用峰值期间网络IO需求减去网络IO需求再除以网络IO需求即可得到网络IO需求增长比例。

元素提取单元134，根据所述基础信息、业务规模及峰值需求增长比例，提取元素信息。

所述资源需求模型中的元素信息包括业务类型、业务规模、虚拟机用途、CPU需求、内存需求、存储空间需求、存储IO需求、网络IO需求、峰值时间及峰值需求增长比例。

构建单元135，用于根据所述元素信息构建资源需求模型库。

依次通过采集单元131、划分单元132、比例计算单元133及元素提取单元134即可构建多个独立的资源需求模型。其中，不同的业务类型，不同的虚拟机用途，不同业务规模分别对应不同的资源需求，同时，每种业务类型具有自己的业务峰值时间和峰值时资源需求增长比例。构建单元135将资源需求模型以数据库表形式存储即可形成资源需求模型库。

由上可知，本发明通过资源需求模型库构建单元13提前构建行业通用的资源需求模型，为云计算资源预测提供完善的匹配基础。同时，通过匹配单元12在申请时即根据资源需求模型进行合理的资源分配，提高了初次分配资源时的准确度，从而降低客户成本，提高业务连续性，避免了现有技术先分配再调整带来的资源浪费与影响业务连续性的缺点。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。