基于强化学习的云资源混合式弹性伸缩算法

为解决强化学习(RL)应用于云资源弹性伸缩问题时算法空间随应用规模变化而呈指数级变化、可伸缩性受限、算法训练时间长、收敛慢及设置水平伸缩动作空间时难以兼顾系统性能与稳定性等问题,提出了一种基于强化学习的分组云资源混合式伸缩算法(BGRL)。将应用实例进行逻辑分组,使算法空间固定,解决了算法空间爆炸及可伸缩性受限问题;采用并行学习,加快了学习速度,解决了算法收敛慢的问题;通过汇集多组的学习结果决定水平伸缩动作,解决了现有算法难以同时保证应用稳定性和资源调整及时性的问题;采用水平和垂直两个方向上的混合式伸缩,在保证应用能力范围的同时,解决了局部性能问题。通过重放实际应用数据集而产生的工作负载模式进行云应用仿真,结果表明:BGRL的应用资源量最贴合负载变化,资源利用率最高,稳定在80%左右;在消耗的资源量和违反服务质量请求的百分比方面,比其他算法分别减少了15%～20%和0.1%～3.26%。

Blended Elastic Scaling Method for Cloud Resources Following Reinforcement Learning