本發(fā)明涉及云計算領(lǐng)域，尤其涉及一種云計算資源動態(tài)匹配方法及裝置。

背景技術(shù)：

近年來，隨著基于分布式計算特別是網(wǎng)絡(luò)技術(shù)的發(fā)展，產(chǎn)生了一種新型服務(wù)計算模型：云計算。云計算是一種能夠通過網(wǎng)絡(luò)以便利的、按需的方式訪問一個可配置的計算資源共享池(包括網(wǎng)絡(luò)、服務(wù)器、存儲、應(yīng)用和服務(wù)等)的模式，這個計算資源共享池能以最少的管理開銷及與供應(yīng)商最少的交互量，迅速配置、提供或釋放資源；云計算的核心問題是資源管理，云計算的資源管理中關(guān)于云計算的資源匹配方法已成為一個研究熱點。

模糊聚類算法是根據(jù)客觀事物間的特征、親疏程度、相似性，通過建立模糊相似關(guān)系對客觀事物進行聚類的分析方法。將模糊聚類算法引入云計算領(lǐng)域，能夠在資源匹配過程中建立資源的不同聚類。

目前的基于模糊聚類算法的云計算資源匹配方法主要是：由云服務(wù)器中的調(diào)度器獲取云計算資源和用戶請求，根據(jù)云計算資源的屬性對云計算資源進行模糊聚類，得到具有云計算資源的類，并在用戶請求對應(yīng)的類中，尋求和用戶請求匹配的云計算資源作為匹配結(jié)果。目前已經(jīng)有針對云計算資源匹配的監(jiān)測技術(shù)，但現(xiàn)有的監(jiān)測方式不夠靈活，無法提高匹配效率及準確率。

技術(shù)實現(xiàn)要素：

本發(fā)明實施例的目的在于提供一種云計算資源動態(tài)匹配方法及裝置，通過自動識別資源變化，動態(tài)進行云計算資源匹配，提高匹配效率及準確率。具體技術(shù)方案如下：

為達到上述目的，本發(fā)明實施例公開了一種云計算資源動態(tài)匹配方法，應(yīng)用于云計算資源匹配，包括：

獲取并聚類云計算資源，確定具有云計算資源的多個第一類及所述多個第一類中的每個第一類的聚類中心；

在判斷所述多個第一類中的一個第一類的聚類中心的偏移量、超過預(yù)設(shè)偏移量時，確定所述第一類的云計算資源發(fā)生變化；

在所述第一類的云計算資源發(fā)生變化時，重新獲取并聚類所述云計算資源，得到具有云計算資源的多個第二類；

獲取用戶請求分配云計算資源的請求；

將所述請求中對應(yīng)的云計算資源與所述多個第二類內(nèi)的云計算資源進行匹配，得到匹配結(jié)果，將所述匹配結(jié)果給所述用戶，以使所述用戶使用所述匹配結(jié)果中的云計算資源。

本發(fā)明還公開了一種云計算資源動態(tài)匹配裝置，包括：

第一類獲取模塊，用于獲取并聚類云計算資源，確定具有云計算資源的多個第一類及所述多個第一類中的每個第一類的聚類中心；

資源變化確定模塊，用于在判斷所述多個第一類中的一個第一類的聚類中心的偏移量、超過預(yù)設(shè)偏移量時，確定所述第一類的云計算資源發(fā)生變化；

第二類獲取模塊，用于在所述第一類的云計算資源發(fā)生變化時，重新獲取并聚類所述云計算資源，得到具有云計算資源的多個第二類；

用戶請求獲取模塊，用于獲取用戶請求分配云計算資源的請求；

匹配結(jié)果獲取模塊，用于將所述請求中對應(yīng)的云計算資源與所述多個第二類內(nèi)的云計算資源進行匹配，得到匹配結(jié)果，將所述匹配結(jié)果給所述用戶，以使所述用戶使用所述匹配結(jié)果中的云計算資源。

由上述的技術(shù)方案可見，本發(fā)明實施例提供的一種云計算資源動態(tài)匹配方法及裝置，獲取并聚類云計算資源，獲得多個第一類及每個第一類的聚類中心，在資源聚類完成后，實時監(jiān)測多個第一類的聚類中心的偏移量，當有一個第一類的聚類中心的偏移量大于預(yù)設(shè)偏移量時，確定資源發(fā)生變化，重新獲取、聚類云計算資源，得到多個第二類，并重新獲取用戶請求分配云計算資源的請求，將請求中對應(yīng)的云計算資源與多個第二類內(nèi)的云計算資源進行匹配，得到匹配結(jié)果，并將匹配結(jié)果給用戶，使用戶能夠使用匹配結(jié)果中的云計算資源。由此可見本發(fā)明能夠自動識別資源變化，并在資源變化時重新獲取并聚類資源，完成與用戶請求對應(yīng)的資源的匹配，且本發(fā)明不需要停止之前的匹配過程就能完成新的匹配過程，能夠?qū)崿F(xiàn)動態(tài)資源匹配，能夠提高匹配效率及準確率。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其它的附圖。

圖1為本發(fā)明實施例的云計算資源動態(tài)匹配方法的模型圖；

圖2為本發(fā)明實施例的云計算資源動態(tài)匹配方法的流程圖；

圖3為本發(fā)明實施例的改進的FCM(Fuzzy C-means，模糊C-均值聚類算法)算法與最小網(wǎng)格MIN-MIN算法效率對比圖；

圖4為本發(fā)明實施例的改進的FCM算法的數(shù)據(jù)變遷時的迭代效率與傳統(tǒng)FCM算法的數(shù)據(jù)變遷時的迭代效率的對比圖；

圖5為本發(fā)明實施例的改進的FCM算法與MIN-MIN算法平均用戶滿意度對比圖；

圖6為本發(fā)明實施例的云計算資源動態(tài)匹配裝置的結(jié)構(gòu)圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其它實施例，都屬于本發(fā)明保護的范圍。

本發(fā)明實施例公開了一種云計算資源動態(tài)匹配方法，以下分別進行詳細說明。

下面首先對本發(fā)明實施例提供的一種云計算資源動態(tài)匹配方法進行介紹。

在移動云計算資源匹配中，模糊聚類的作用是能夠減小匹配過程中的資源數(shù)據(jù)規(guī)模，通過分類篩選資源，能夠使第一次匹配時用戶的滿意度得到提高。但是，現(xiàn)有的模糊聚類算法在云計算資源匹配中實現(xiàn)的是資源靜態(tài)聚類，針對資源變化沒有好的識別方法和處理方法，只能停止匹配過程，籠統(tǒng)對資源進行重新聚類，導(dǎo)致云計算資源匹配系統(tǒng)的匹配效率及匹配準確度下降。本發(fā)明提出的改進的FCM算法在傳統(tǒng)的GA(Genetic algorithm,遺傳算法)算法與傳統(tǒng)FCM算法的基礎(chǔ)上進行改進，對云計算資源聚類并完成用戶的請求的云計算資源的匹配。

圖1為本發(fā)明實施例的云計算資源動態(tài)匹配方法的模型圖，參見圖1，本發(fā)明方法具體為：

第一步，調(diào)度器獲取云計算資源及用戶的請求。

網(wǎng)絡(luò)系統(tǒng)的云服務(wù)器中存在調(diào)度器，調(diào)度器獲取到網(wǎng)絡(luò)系統(tǒng)中的云計算資源的資源數(shù)據(jù)列表，資源數(shù)據(jù)列表為，系統(tǒng)中所有的云計算資源信息的匯總表，資源數(shù)據(jù)列表中至少包括：云計算資源的序號、云計算資源的屬性、云計算資源的屬性對應(yīng)的、由調(diào)度器評價的屬性的分數(shù)值。

云計算資源的序號表示云計算資源的名稱，或者云計算資源的具體位置。

云計算資源的屬性為云計算資源的特性，至少包括：存儲容量、占用帶寬、CPU(Central Processing Unit，中央處理器)計算能力和\或GPU(Graphic Processing Unit，圖形處理器)計算能力。

云計算資源的屬性對應(yīng)的、由調(diào)度器評價的屬性的分數(shù)值為，由調(diào)度器根據(jù)所有云計算資源的屬性的平均值對云計算資源的屬性進行評價，得到的屬性的分數(shù)值，如序號為1的云計算資源的存儲容量屬性，在分數(shù)值范圍為10分的評價系統(tǒng)下，獲得調(diào)度器評價的分數(shù)值為9分，表示序號為1的云計算資源的存儲容量，在所有云計算資源的存儲容量中，屬于存儲容量高的等級。其中，調(diào)度器可以根據(jù)系統(tǒng)或者用戶需求設(shè)置不同的分數(shù)值范圍，如滿分10分或者100分。

調(diào)度器同時獲取到達云服務(wù)器的用戶的請求隊列，該用戶的請求隊列是按照到達云服務(wù)器時間的先后順序進行排序的FIFO(First Input First Output，先入先出)隊列，調(diào)度器對FIFO隊列中用戶的請求依次匹配對應(yīng)的云計算資源。

用戶的請求至少包括：用戶序號、用戶請求分配的云計算資源的屬性、用戶請求分配的云計算資源的屬性對應(yīng)的需求分數(shù)值。

用戶序號表示用戶的名稱或者用戶的地理位置。

用戶請求分配的云計算資源的屬性為，用戶需求的云計算資源的屬性。用戶請求分配的云計算資源的屬性與調(diào)度器獲取并聚類的云計算資源的屬性一一對應(yīng)，屬性至少包括：存儲容量、占用帶寬、CPU計算能力和\或GPU計算能力。

用戶請求分配的云計算資源的屬性對應(yīng)的需求分數(shù)值為，用戶對請求的云計算資源的屬性需要達到的分數(shù)值，表示用戶期望所分配的云計算資源的屬性能夠達到的程度，用戶請求分配的云計算資源的屬性對應(yīng)的需求分數(shù)值，和云計算資源的屬性對應(yīng)的、由調(diào)度器評價的屬性的分數(shù)值是對應(yīng)的，并采用同一分數(shù)值范圍。

以分數(shù)值表示云計算資源的屬性及用戶請求分配的云計算資源的屬性，能夠以量化的數(shù)值體現(xiàn)云計算資源之間的屬性差異程度，且以分數(shù)值運算，能夠簡化計算，提高計算效率。

第二步，調(diào)度器應(yīng)用本發(fā)明算法，對云計算資源聚類，在聚類完成后，對用戶的請求，選擇與請求的云計算資源匹配度高的TOP-N個候選云計算資源。

調(diào)度器依據(jù)預(yù)設(shè)聚類算法進行資源聚類，其中，預(yù)設(shè)聚類算法至少包括FCM(Fuzzy C-means，模糊C均值)算法。

第三步，調(diào)度器實時判斷候選云計算資源的資源屬性，與請求的云計算資源的資源屬性是否匹配。

第四步，獲取一個與請求的云計算資源匹配度最高的候選云計算資源作為匹配結(jié)果給用戶。

本發(fā)明還可以獲得針對匹配結(jié)果的打分值，繼而能夠得到利用打分值形成的權(quán)重修正的匹配結(jié)果對應(yīng)的云計算資源，以使得在下一次資源動態(tài)匹配中，使用修正的云計算資源。

同時，第二步的聚類完成后，在調(diào)度器中應(yīng)用本發(fā)明算法實現(xiàn)動態(tài)監(jiān)控及資源重新聚類、匹配，具體是，增加對資源變化指標的監(jiān)控，當監(jiān)控到一個類的聚類中心的偏移量超過預(yù)設(shè)偏移量時，判定云計算資源發(fā)生變化，之后進行云計算資源重新聚類，并在云計算資源重新聚類過程中，通過提供經(jīng)驗值聚類中心，使得重新聚類的目標函數(shù)的收斂速度大大加快，提高重新聚類的效率。重新聚類后，針對重新獲取的用戶的請求完成云計算資源匹配，獲得匹配結(jié)果。

本發(fā)明只需要設(shè)置第一次的聚類參數(shù)，之后的重新聚類能夠根據(jù)之前的聚類自動獲取聚類參數(shù)，同時，重新聚類過程中，前一次的資源匹配過程并不停止，且在具體部署的過程中，選用分布式系統(tǒng)基礎(chǔ)架構(gòu)Hadoop集群，通過構(gòu)建中心型服務(wù)網(wǎng)絡(luò)，任命網(wǎng)絡(luò)調(diào)度器，通過編程模型MapReduce程序進行快速匹配，能夠較好地利用分布式計算的特性，最后的匹配結(jié)果也能夠通過網(wǎng)頁Web界面進行展示，使用戶得到良好的使用體驗。應(yīng)用本方案能夠?qū)崿F(xiàn)資源動態(tài)匹配，能夠提高匹配速度、匹配準確度及用戶滿意度。

參見圖2，圖2為本發(fā)明實施例的云計算資源動態(tài)匹配方法的流程圖，應(yīng)用于云計算領(lǐng)域，包括如下步驟：

步驟101，獲取并聚類云計算資源，確定具有云計算資源的多個第一類及多個第一類中的每個第一類的聚類中心。

上述云計算資源為網(wǎng)絡(luò)系統(tǒng)中的一個設(shè)備，設(shè)備至少包括：計算機、手機、攝像機和\或打印機。

調(diào)度器依據(jù)預(yù)設(shè)聚類算法進行資源聚類，將屬性近似度高的云計算資源歸為一類，獲得含有云計算資源的多個第一類，并獲得每個第一類的聚類中心。

其中，屬性近似度高可以理解為，云計算資源的各屬性的加權(quán)平均分數(shù)值接近度高，第一類為云計算資源聚類獲得的、含有云計算資源的類，聚類中心為每個第一類的中心值，不同聚類中心體現(xiàn)不同第一類的屬性差異。

需要說明的是，在步驟101后，本發(fā)明的方法還包括，獲取用戶請求分配云計算資源的請求，將請求中對應(yīng)的云計算資源與多個第一類內(nèi)的云計算資源進行匹配，得到匹配結(jié)果，將匹配結(jié)果給用戶，以使用戶使用匹配結(jié)果中的云計算資源。

通過云計算資源的聚類，將相近屬性的云計算資源歸為一類，可以減少云計算資源匹配過程中的云計算資源的數(shù)據(jù)規(guī)模，使得之后的用戶的請求能夠更加迅速地得到滿足需求的云計算資源，提高云計算資源的匹配速度，同時，通過云計算資源的分類篩選，也能夠提高第一次云計算資源匹配時用戶的滿意度。

步驟102，在判斷多個第一類中的一個第一類的聚類中心的偏移量、超過預(yù)設(shè)偏移量時，確定第一類的云計算資源發(fā)生變化。

第一類的聚類中心的偏移量為：一個第一類在聚類完成后一個時刻的、當前的聚類中心，與聚類完成時該第一類的聚類中心的變化量，第一類的聚類中心的偏移量體現(xiàn)第一類中云計算資源的變化程度。

第一類的聚類中心與該第一類中的云計算資源有關(guān)，在云計算資源聚類完成后，對聚類產(chǎn)生的多個第一類的聚類中心進行監(jiān)測，當有一個第一類的聚類中心的偏移量、超過預(yù)設(shè)偏移量時，說明該第一類的云計算資源發(fā)生變化。其中，預(yù)設(shè)偏移量是根據(jù)工業(yè)需求或者人工設(shè)定的。

將第一類的聚類中心的偏移量作為監(jiān)測指標，能夠在云計算資源發(fā)生變化時及時識別發(fā)生變化的第一類，且以第一類的聚類中心的偏移量作為監(jiān)測指標較簡單直觀，有利于降低監(jiān)測的復(fù)雜度。

步驟103，在第一類的云計算資源發(fā)生變化時，重新獲取并聚類云計算資源，得到具有云計算資源的多個第二類。

第二類是針對云計算資源變化后的、重新獲取的云計算資源聚類獲得的類。針對變化后的云計算資源，重新得到第二類，能夠及時針對資源變化更新聚類結(jié)果，資源聚類能夠減少云計算資源匹配過程中的云計算資源的數(shù)據(jù)規(guī)模，且使用更新的聚類結(jié)果能夠提高之后的云計算資源的匹配速度、匹配準確度及用戶滿意度。

步驟104，獲取用戶請求分配云計算資源的請求。

在云計算資源變化并且重新聚類后，重新獲取用戶請求分配云計算資源的請求，以使得之后的云計算資源匹配是針對重新獲取的用戶的請求進行的，能夠提高之后的云計算資源的匹配準確度，能夠提高用戶的滿意度。

步驟105，將請求中對應(yīng)的云計算資源與多個第二類內(nèi)的云計算資源進行匹配，得到匹配結(jié)果，將匹配結(jié)果給用戶，以使用戶使用匹配結(jié)果中的云計算資源。

匹配為滿足用戶的請求，分配請求對應(yīng)的云計算資源的過程，具體為，將用戶請求的云計算資源的屬性與多個第二類內(nèi)的云計算資源的屬性進行比較，獲取與用戶的請求的云計算資源的屬性相似度最高的第二類，并在相似度最高的第二類的云計算資源中，獲取到一個與用戶的請求的云計算資源的屬性匹配度最高的云計算資源，作為匹配結(jié)果給用戶，以使用戶使用匹配結(jié)果中的云計算資源進行多種操作，多種操作至少包括：計算、顯示數(shù)據(jù)和\或通信。

通過在多個云計算資源中，獲取與用戶的請求的云計算資源的屬性匹配度最高的匹配結(jié)果，能夠滿足用戶對云計算資源的屬性需求，提高匹配準確度及用戶的滿意度。

可見，本發(fā)明實施例提供的一種云計算資源動態(tài)匹配方法，主要包括：獲取并聚類云計算資源，獲得多個第一類及每個第一類的聚類中心，在資源聚類完成后，實時監(jiān)測多個第一類的聚類中心的偏移量，當有一個第一類的聚類中心的偏移量大于預(yù)設(shè)偏移量時，確定云計算資源發(fā)生變化，重新獲取、聚類云計算資源，得到多個第二類，并獲取用戶請求分配云計算資源的請求，將請求中對應(yīng)的云計算資源與多個第二類內(nèi)的云計算資源進行匹配，得到匹配結(jié)果，將匹配結(jié)果給用戶，使用戶能夠使用匹配結(jié)果中的云計算資源。由此可見本發(fā)明能夠自動識別資源變化，并在資源變化時重新獲取并聚類資源，完成與用戶的請求對應(yīng)的資源的匹配，且本發(fā)明不需要停止之前的匹配過程就能夠完成新的匹配過程，能夠?qū)崿F(xiàn)動態(tài)資源匹配，能夠提高云計算資源匹配或者移動云計算資源匹配的匹配效率及匹配準確率，并提高用戶的滿意度。

在圖2基礎(chǔ)上，作為優(yōu)選的實施例，以下詳細介紹本發(fā)明實施例的具體方法。

作為優(yōu)選的實施例，步驟101，獲取并聚類云計算資源，確定具有云計算資源的多個第一類及多個第一類中的每個第一類的聚類中心。具體包括：

第一步，獲取云計算資源。

云服務(wù)器中的調(diào)度器獲取到云計算資源的資源數(shù)據(jù)列表，并以向量形式表示每個云計算資源，向量中的元素為各屬性對應(yīng)的、由調(diào)度器評價的屬性的分數(shù)值。例如，序號為1的云計算資源表示為向量(屬性1分數(shù)值，屬性2分數(shù)值，...，屬性K分數(shù)值),其中，K為云計算資源的屬性數(shù)目,K為大于0的自然數(shù)。

將云計算資源以向量形式表示，能夠簡化云計算資源的數(shù)據(jù)量，便于計算機進行數(shù)據(jù)處理。

第二步，對云計算資源的屬性歸一化處理。

在移動云計算中，云計算資源的屬性可以分為計算型、存儲型、通信型三大類，其中各大類屬性又可以分為多個小類屬性，為了減少資源聚類中的維度，本方案采用模糊處理的方法對云計算資源的屬性進行歸一化處理。例如在計算屬性中，CPU計算能力與GPU計算能力分別為不同的屬性，但可以通過加權(quán)平均的方法將兩者歸一為計算能力，如屬性歸一化的公式所示，將相近屬性歸一化處理，能夠大大減少云計算資源匹配中數(shù)據(jù)處理的維度。

其中，屬性歸一化的公式如下：

其中，為云計算資源的歸一化后的屬性，pro_i為云計算資源的第i個屬性，M_i為pro_i的屬性權(quán)值，k為云計算資源的屬性數(shù)目。

屬性歸一化后，將獲取到的所有的云計算資源構(gòu)成云計算資源矩陣，云計算資源矩陣中每個行對應(yīng)一個云計算資源的向量。云計算資源矩陣如下所示：

其中，L為屬性歸一化后的云計算資源的屬性數(shù)目，N為云計算資源的數(shù)目，L,N為大于0的自然數(shù)。

以云計算資源矩陣為輸入數(shù)據(jù)進行計算，有利于簡化計算機數(shù)據(jù)處理，能夠提高之后的聚類算法的計算效率。

第三步，針對獲取的云計算資源，通過遺傳算法，確定多個第一類中的每個第一類的初始聚類中心。

遺傳算法是一種借鑒生物界自然選擇和進化機制發(fā)展起來的具有自適應(yīng)性和自組織能力的搜索算法,被廣泛應(yīng)用于求解復(fù)雜的優(yōu)化問題。遺傳算法近年來在模式識別、機器學(xué)習(xí)、圖像處理、智能控制等方面獲得了成功的應(yīng)用。尤其在聚類分析領(lǐng)域，遺傳算法不僅可以單獨實現(xiàn)聚類，還能夠與多種聚類算法結(jié)合，提高聚類算法的聚類速度。

本方案采用遺傳算法進行快速全局搜索，生成多個第一類中的每個第一類的初始聚類中心，能夠提高之后FCM算法的聚類速度。

第四步，根據(jù)初始聚類中心，通過預(yù)設(shè)聚類參數(shù)及FCM算法，對云計算資源進行聚類，得到多個第一類及多個第一類中的每個第一類的聚類中心。

本方案采用的改進的FCM算法，先采用遺傳算法進行快速全局搜索，生成多個第一類中的每個第一類的初始聚類中心，再根據(jù)初始聚類中心，利用FCM算法進行聚類，能夠使聚類函數(shù)快速收斂，提高聚類速度。

先對FCM算法進行概要介紹，傳統(tǒng)的聚類分析是把每個元素嚴格的劃分到一個類中，屬于硬劃分。模糊聚類分析將聚類生成的每個類均看做模糊集合，通過隸屬度來確定聚類關(guān)系，是一種柔性劃分，得到元素屬于各個類的不確定性程度，使得聚類結(jié)果更加準確靈活。

FCM算法是將N個L維向量分為C個模糊組，通過迭代不斷更新隸屬度以及聚類中心，最小化目標函數(shù)對數(shù)據(jù)進行聚類。

其中，目標函數(shù)為：

約束條件為：

根據(jù)隸屬度的非負性，有：

u_ic≥0并且

求含有約束條件的目標函數(shù)的極值，得到隸屬度計算公式為：

聚類中心的計算公式為：

根據(jù)隸屬度計算公式及聚類中心的計算公式，不斷迭代求出滿足約束條件的隸屬度以及聚類中心。FCM算法具體步驟如下：

第1步，給定一個由N個L維向量組成的數(shù)據(jù)集X，自定義隸屬度矩陣：

第2步，設(shè)定分類總數(shù)C、加權(quán)系數(shù)m，及停止閾值ε。

在第一次聚類中，獲取并使用預(yù)設(shè)聚類參數(shù)，其中，預(yù)設(shè)聚類參數(shù)至少包括：云計算資源的分類總數(shù)C、FCM算法的停止閾值ε及FCM算法的加權(quán)系數(shù)m。

云計算資源的分類總數(shù)C為，云計算資源需要分類的類的總數(shù)，在第一次進行聚類時，由人工設(shè)定分類總數(shù)C，且在設(shè)定分類總數(shù)C過程中，應(yīng)考慮云計算資源聚類的目的是降低資源數(shù)目規(guī)模，因此設(shè)定的分類總數(shù)C的值應(yīng)盡量滿足實際需求，例如理想情況下對100個資源進行聚類，分成4類，每類平均數(shù)目為25，這個分類的數(shù)據(jù)規(guī)模是比較適中且便于計算的。

人工設(shè)定第一次聚類的分類數(shù)C以及停止閾值ε，加權(quán)系數(shù)m，是因為無監(jiān)督型FCM雖然可以自動生成以上參數(shù)，但是聚類結(jié)果往往不盡如人意，而本發(fā)明是結(jié)合人工設(shè)定的半監(jiān)督型FCM，聚類結(jié)果更好。

第3步，在滿足約束條件下，初始化隸屬度矩陣。

第4步，根據(jù)聚類中心計算公式計算聚類中心。

第5步，根據(jù)隸屬度計算公式更新隸屬度矩陣。

第6步，根據(jù)矩陣范數(shù)比較迭代的隸屬度矩陣，當||U^(t)-U^(t-1)||<ε時，迭代停止，否則返回FCM算法的第4步。

其中，J(U,V)為目標函數(shù)，N為云計算資源的數(shù)目，C為云計算資源的分類總數(shù)，x_i為第i個云計算資源，u_ic為隸屬度矩陣中的元素，為第i個云計算資源隸屬于第c個類的隸屬度，且u_ic的值∈[0,1]，m為加權(quán)系數(shù)，m的值大于1，d(x_i,v_c)為第i個云計算資源與第c個聚類中心的歐式距離，v_c為對應(yīng)每個類的聚類中心，U^(t)為迭代至第t次時的隸屬度矩陣，U^(t-1)為迭代至第t-1次時的隸屬度矩陣。

經(jīng)過第四步，完成第一次的云計算資源的聚類，獲得多個第一類及每個第一類的聚類中心。

通過云計算資源聚類，將相近屬性的云計算資源歸為一類，能夠減少云計算資源匹配過程中的云計算資源的數(shù)據(jù)規(guī)模，使得之后的用戶的請求能夠更加迅速地得到滿足需求的云計算資源，提高云計算資源的匹配速度，同時，通過云計算資源的分類篩選，也能夠提高第一次云計算資源匹配時用戶的滿意度。

經(jīng)過步驟101對云計算資源聚類后，本方法還包括：獲取用戶的請求，并在聚類后的第一類的云計算資源中，完成請求對應(yīng)的云計算資源的匹配。

作為優(yōu)選的實施例，步驟102，在判斷多個第一類中的一個第一類的聚類中心的偏移量、超過預(yù)設(shè)偏移量時，確定第一類的云計算資源發(fā)生變化。

根據(jù)FCM聚類算法的原理，一個類中的資源發(fā)生變化時，資源相對于該類的隸屬度會發(fā)生改變，由隸屬度與聚類中心的關(guān)系可以得知，隸屬度的改變會引發(fā)該類的聚類中心發(fā)生改變，因此以一個類的聚類中心的變化來檢測該類的資源的變化是簡單有效的檢測手段。

具體包括：

第一步，實時計算多個第一類中的云計算資源的隸屬度。

參照FCM算法的隸屬度計算公式，實時計算多個第一類中的云計算資源的隸屬度。

第二步，根據(jù)隸屬度的偏移量，確定多個第一類中的每個第一類的聚類中心的偏移量。

根據(jù)實時計算的多個第一類中的云計算資源的隸屬度，計算第一類中的云計算資源在該類中的偏移隸屬度，偏移隸屬度為，變化后的第一類的云計算資源對比變化前的第一類的云計算資源產(chǎn)生的隸屬度的偏移量。

其中，偏移隸屬度計算公式為：

根據(jù)偏移隸屬度，得到第一類的偏移中心偏移中心為變化后的第一類的聚類中心。

其中，偏移中心計算公式為：

根據(jù)變化后的第一類的聚類中心及變化前的第一類的聚類中心V_c，得到第一類的聚類中心的偏移量為：

第三步，在判斷多個第一類中的一個第一類的聚類中心的偏移量、超過預(yù)設(shè)偏移量時，確定第一類的云計算資源發(fā)生變化。

當檢測到有一個第一類的聚類中心的偏移量時，表示該第一類的聚類中心發(fā)生較大偏移，說明該第一類中的云計算資源發(fā)生變化。

其中，u'_i為第一類的云計算資源的偏移隸屬度，u_ic為第一類的云計算資源的隸屬度，x_i為變化前的第一類的云計算資源，x_i'為變化后的第一類的云計算資源，V_c為變化前的第一類的聚類中心，為變化后的第一類的聚類中心，m為加權(quán)系數(shù)，d(x_i,v_c)為第i個云計算資源與第c個聚類中心的歐式距離，ω為預(yù)設(shè)偏移量。

第三步還包括，在判斷多個第一類中的一個第一類的聚類中心的偏移量、超過預(yù)設(shè)偏移量時，判斷第一類的云計算資源中的資源數(shù)目是否發(fā)生變化，包括兩種變化情況：

情況一，在判斷第一類的云計算資源中的資源數(shù)目不變時，確定第一類的云計算資源中的資源屬性發(fā)生變化，資源屬性變化至少包括屬性對應(yīng)的分數(shù)值變化，其中，資源屬性至少包括：云計算資源的存儲容量、云計算資源的占用帶寬、CPU計算能力、GPU計算能力。

情況二，在第一類的云計算資源中的資源數(shù)目發(fā)生變化時，確定第一類的云計算資源的資源數(shù)目發(fā)生變化。

以第一類的聚類中心的偏移量作為監(jiān)測指標，能夠清晰直觀的監(jiān)測出一個第一類中的云計算資源的變化情況，且聚類中心的偏移量作為監(jiān)測指標較簡單，有利于簡化監(jiān)測流程，降低監(jiān)測復(fù)雜度。

作為優(yōu)選的實施例，步驟103，在第一類的云計算資源發(fā)生變化時，重新獲取并聚類云計算資源，得到具有云計算資源的多個第二類，具體包括：

在步驟102中，第一類的云計算資源發(fā)生變化時，將云計算資源變化情況具體確定為兩種情況：情況一：資源數(shù)目不變，資源屬性發(fā)生改變，情況二，資源數(shù)目發(fā)生變化，針對兩種情況的資源變化，調(diào)度器采取不同的聚類策略，重新獲取并聚類云計算資源，得到具有云計算資源的多個第二類，以下詳細說明：

針對情況一，在第一類的云計算資源中的資源屬性發(fā)生變化時，根據(jù)預(yù)設(shè)聚類參數(shù)及多個第一類中的每個第一類的聚類中心，重新獲取并聚類云計算資源，得到具有云計算資源的多個第二類。

在資源數(shù)目不變，資源屬性發(fā)生改變的情況下，由于資源數(shù)目不變，云計算資源的分類總數(shù)不必改變，將第一次聚類的分類總數(shù)作為本次聚類的分類總數(shù)，使用第一次聚類的停止閾值及加權(quán)系數(shù)，并將第一次的聚類中心作為本次聚類的聚類中心的初始值。

根據(jù)第一次聚類的預(yù)設(shè)聚類參數(shù)及第一類的聚類中心，重新獲取系統(tǒng)中的云計算資源，根據(jù)FCM算法對重新獲取的云計算資源進行聚類，得到多個含有云計算資源的類為第二類。

根據(jù)本發(fā)明的方法，第一次聚類之后每次的資源數(shù)目不變，資源屬性發(fā)生改變的情況下的重新聚類，均利用前一次的聚類參數(shù)及聚類中心作為重新聚類的聚類參數(shù)及聚類中心的初始值，再重新獲取系統(tǒng)中的云計算資源，根據(jù)FCM算法對重新獲取的云計算資源進行聚類，得到多個含有云計算資源的類。

針對情況二，在第一類的云計算資源的資源數(shù)目發(fā)生變化時，判斷變化的資源數(shù)目是否超過預(yù)設(shè)變化范圍，并根據(jù)變化的資源數(shù)目是否超過預(yù)設(shè)變化范圍的兩種情況，根據(jù)預(yù)設(shè)聚類參數(shù)及多個第一類中的每個第一類的聚類中心，重新獲取并聚類云計算資源，得到具有云計算資源的多個第二類。

其中，預(yù)設(shè)變化范圍為，根據(jù)資源數(shù)目及聚類算法設(shè)置的資源數(shù)目變化的閾值范圍，如50％。

變化的資源數(shù)目是否超過預(yù)設(shè)變化范圍的兩種情況為：

情況1，資源數(shù)目小規(guī)模變化：當變化的資源數(shù)目沒有超過預(yù)設(shè)變化范圍時，可以理解為資源數(shù)目小規(guī)模變化，或者理解為通常意義的資源數(shù)目基本不變。

情況2，資源數(shù)目大規(guī)模變化：當變化的資源數(shù)目超過預(yù)設(shè)變化范圍時，理解為資源數(shù)目大規(guī)模變化。

以下對變化的資源數(shù)目是否超過預(yù)設(shè)變化范圍的兩種情況，重新獲取并聚類云計算資源，得到具有云計算資源的多個第二類，進行詳細說明：

針對情況1，資源數(shù)目小規(guī)模變化：在變化的資源數(shù)目沒有超過預(yù)設(shè)變化范圍時，根據(jù)預(yù)設(shè)聚類參數(shù)及多個第一類中的每個第一類的聚類中心，重新獲取并聚類云計算資源，得到具有云計算資源的多個第二類。包括：

當監(jiān)測到第一類的云計算資源數(shù)目發(fā)生變化，且變化的資源數(shù)目沒有超過預(yù)設(shè)變化范圍時，資源數(shù)目的變化范圍對整體資源數(shù)目而言可以忽略不計，資源數(shù)目可視為不變，云計算資源的分類總數(shù)可不必改變，將第一次聚類的分類總數(shù)作為本次聚類的分類總數(shù)，使用第一次聚類的停止閾值及加權(quán)系數(shù)，并將第一次的聚類中心作為本次聚類的聚類中心的初始值，也就是，根據(jù)第一次聚類的預(yù)設(shè)聚類參數(shù)及第一類的聚類中心，再重新獲取云服務(wù)器上的云計算資源，根據(jù)FCM算法對重新獲取的云計算資源進行聚類，得到多個云計算資源的類為第二類。需要說明的是，將第一次聚類的分類總數(shù)作為本次聚類的分類總數(shù)進行聚類，獲得的第二類中的云計算資源的數(shù)目會相應(yīng)變化，根據(jù)資源數(shù)目增加或者減少的情況，第二類中的云計算資源的數(shù)目會相應(yīng)增加或者減少，但對于第二類整體資源數(shù)目而言，第二類中云計算資源的數(shù)目變化范圍是聚類計算可接受的變化范圍。

在實際計算中，常見的情況是，監(jiān)測到多個第一類中一個第一類的云計算資源數(shù)目發(fā)生變化，且變化的資源數(shù)目沒有超過預(yù)設(shè)變化范圍，聚類算法僅對該變化的第一類中的云計算資源重新獲取，更新該第一類中云計算資源的隸屬度及聚類中心，并不對全部云計算資源重新獲取并聚類，這樣能夠減少聚類算法的計算量，提高聚類效率。

針對情況2，資源數(shù)目大規(guī)模變化：

首先，在變化的資源數(shù)目超過預(yù)設(shè)變化范圍時，獲取當前云計算資源數(shù)目、變化前云計算資源數(shù)目、變化前的云計算資源的分類總數(shù)、變化前的第一類的聚類中心及變化后的第一類的聚類中心。

其次，根據(jù)當前云計算資源數(shù)目與變化前云計算資源數(shù)目的比值，及變化前的云計算資源的分類總數(shù)，確定當前云計算資源數(shù)目對應(yīng)的云計算資源的分類總數(shù)，并根據(jù)當前云計算資源數(shù)目對應(yīng)的云計算資源的分類總數(shù)、變化前的第一類的聚類中心及變化后的第一類的聚類中心，確定當前云計算資源的聚類中心。具體包括：

第1步，獲取當前云計算資源數(shù)目與變化前云計算資源數(shù)目的比值，與變化前的云計算資源的分類總數(shù)之積，獲得當前云計算資源數(shù)目對應(yīng)的云計算資源的分類總數(shù)。

第2步，根據(jù)當前云計算資源數(shù)目對應(yīng)的云計算資源的分類總數(shù)、變化前的第一類的聚類中心及變化后的第一類的聚類中心，確定當前云計算資源的聚類中心。第2步具體包括：

當云計算資源數(shù)目變化為減少時，在變化前的第一類的聚類中心中，選擇與當前云計算資源數(shù)目對應(yīng)的云計算資源的分類總數(shù)、對應(yīng)的多個聚類中心，作為當前云計算資源的聚類中心。

如原有的云計算資源總數(shù)目為100，分類總數(shù)為5，聚類后每一個第一類中的云計算資源的數(shù)目為20，在當前云計算資源數(shù)目減少到80時，通過計算獲得當前云計算資源數(shù)目對應(yīng)的云計算資源的分類總數(shù)為4，在變化前的5個第一類的聚類中心中，選取4個作為當前云計算資源的聚類中心。

優(yōu)選的是，對比變化前與變化后的第一類的聚類中心，選擇未變化的第一類的聚類中心作為當前云計算資源的聚類中心，可以減少計算復(fù)雜度。具體可以理解為，變化前的5個第一類，在監(jiān)測中發(fā)現(xiàn)僅有1個第一類發(fā)生變化，則將變化前的5個第一類的聚類中心中，未發(fā)生變化的4個第一類的聚類中心作為當前云計算資源的聚類中心。

當云計算資源數(shù)目變化為增多時，獲得當前云計算資源數(shù)目對應(yīng)的云計算資源的分類總數(shù)與變化前的云計算資源的分類總數(shù)的差值，獲得增多的分類總數(shù)，將變化前的第一類的聚類中心、與增多的分類總數(shù)對應(yīng)的變化后的第一類的聚類中心，作為當前云計算資源的聚類中心。

如原有的云計算資源總數(shù)目為100，分類總數(shù)為5，聚類后每一個第一類中的云計算資源的數(shù)目為20，在云計算資源數(shù)目增多為200時，通過計算獲得當前云計算資源數(shù)目對應(yīng)的云計算資源的分類總數(shù)為10，增多的分類總數(shù)為5，變化前的5個第一類的聚類中心仍作為當前云計算資源的聚類中心，另外，選取與本次增多的分類總數(shù)5對應(yīng)的，5個變化后的第一類的聚類中心，作為當前云計算資源的聚類中心。需要說明的是，當變化的第一類的數(shù)目不等于本次增多的分類總數(shù)時，可以將變化后的第一類的聚類中心任意組合，或者重復(fù)選取，獲得與本次增多的分類總數(shù)對應(yīng)的變化后的第一類的聚類中心，作為當前云計算資源的聚類中心。

最后，根據(jù)當前云計算資源數(shù)目對應(yīng)的云計算資源的分類總數(shù)及當前云計算資源的聚類中心，重新獲取并聚類云計算資源，得到具有云計算資源的多個第二類。

根據(jù)當前云計算資源數(shù)目對應(yīng)的云計算資源的分類總數(shù)、當前云計算資源的聚類中心，重新獲取并聚類云計算資源，得到具有云計算資源的多個第二類。其中，本發(fā)明用獲得當前云計算資源數(shù)目對應(yīng)的云計算資源的分類總數(shù)的方式，獲得當前停止閾值及當前加權(quán)系數(shù)，當然，也可以使用其他預(yù)設(shè)的停止閾值及加權(quán)系數(shù)，或者使用第一次聚類的停止閾值及加權(quán)系數(shù)。

在重新聚類過程中，可以重新獲得預(yù)設(shè)聚類參數(shù)，也可以重新利用遺傳算法或者其他算法獲得聚類中心，但本方案將上一次的聚類參數(shù)，上一次聚類的聚類中心作為經(jīng)驗值運用到新的聚類過程，能夠提高聚類算法的目標函數(shù)的收斂速度，提高重新聚類的效率，是優(yōu)選的方案。

在實際計算中，常見的情況有，監(jiān)測到一個第一類的云計算資源數(shù)目增多，且增多的資源數(shù)目超過預(yù)設(shè)變化范圍，可以僅針對該變化的第一類中的云計算資源進行重新聚類，舉例說明如下：

如原有的云計算資源總數(shù)目為100，分類總數(shù)為5，聚類后每一個第一類中的云計算資源的數(shù)目為20，當僅有一個第一類的云計算資源的數(shù)目增多，且增多的資源數(shù)目超過預(yù)設(shè)變化范圍，如50％，也就是該第一類中的云計算資源的數(shù)目增多量超過10，比如該第一類的云計算資源數(shù)目變?yōu)?5，可以將該第一類中的云計算資源重新聚類，拆分為2個第二類。也就是將本次變化的第一類中45個資源分為2類，而其余未發(fā)生資源改變的第一類不變，和新拆分聚類得到的2個第二類共同作為最終的第二類。這樣單獨處理資源數(shù)目出現(xiàn)大規(guī)模增多的第一類，能夠減少聚類算法的計算量，提高聚類效率。

根據(jù)本發(fā)明的方法，第一次聚類之后每次的資源數(shù)目發(fā)生變化的情況下的重新聚類，均參照以上過程，利用前一次的聚類參數(shù)及聚類中心，重新獲取并聚類云計算資源，得到具有云計算資源的多個類。

作為優(yōu)選的實施例，步驟104，獲取用戶請求分配云計算資源的請求。具體包括：

第一步，獲取用戶請求分配云計算資源的請求。

在云計算資源重新聚類得到多個第二類后，重新獲取用戶請求分配云計算資源的請求，以使得云計算資源匹配是針對變化的用戶的請求，以使得及時進行資源匹配，滿足用戶需求。

在每次聚類完成后，重新獲得用戶的請求。獲取的用戶的請求是與云計算資源的向量對應(yīng)的向量，例如序號為1的用戶的請求表示為向量(屬性1分數(shù)值，屬性2分數(shù)值，...，屬性K分數(shù)值),其中，K為云計算資源的屬性的個數(shù),K為大于0的自然數(shù)。

第二步，對請求的云計算資源的屬性歸一化處理。

參照對云計算資源的屬性歸一化處理的過程，對請求的云計算資源的屬性歸一化處理，其中，請求的云計算資源的屬性與云計算資源的屬性是一一對應(yīng)的。

作為優(yōu)選的實施例，步驟105，將請求中對應(yīng)的云計算資源與多個第二類內(nèi)的云計算資源進行匹配，得到匹配結(jié)果，將匹配結(jié)果給用戶，以使用戶使用匹配結(jié)果中的云計算資源。具體包括：

第一步，針對請求中的云計算資源，遍歷比較多個第二類內(nèi)的云計算資源，確定與請求中的云計算資源的屬性相似度最高的第二類，作為請求對應(yīng)的第二類。

其中，屬性相似度的判斷可以采用近似度打分方法，如：將請求的云計算資源的各屬性進行簡單加權(quán)匹配得分，每個第二類中的云計算資源的各屬性也進行簡單加權(quán)匹配得分，遍歷比較請求的云計算資源的屬性的加權(quán)后的分數(shù)、第二類中的云計算資源的屬性的加權(quán)后的分數(shù)，確定與請求中的云計算資源的屬性的加權(quán)后的分數(shù)，相似度最高的第二類中的云計算資源的屬性的加權(quán)后的分數(shù)，從而確定請求對應(yīng)的第二類。其中，能夠進行屬性相似度的判斷以求得屬性相似度最高的方法都可以作為本發(fā)明實施例的方法，在此不一一贅述。

第二步，在請求對應(yīng)的第二類內(nèi)的云計算資源中，依據(jù)預(yù)設(shè)算法獲取第一預(yù)設(shè)數(shù)量個，與請求匹配的候選云計算資源，其中，第一預(yù)設(shè)數(shù)量為大于0的自然數(shù)。

其中，預(yù)設(shè)算法可以為多種利用打分規(guī)則的算法，進行屬性相似度的判斷，如簡單加權(quán)匹配得分的方法，在請求對應(yīng)的第二類的云計算資源中，進行簡單加權(quán)匹配得分，獲取分數(shù)由大至小的排序結(jié)果中，排序次序小于或等于N的云計算資源作為候選云計算資源，其中，第一預(yù)設(shè)數(shù)量為N，且每個請求對應(yīng)的候選云計算資源的第一預(yù)設(shè)數(shù)量可以不同。

其中，簡單加權(quán)匹配得分的方法可以參見以下公式：

其中，Score為加權(quán)匹配的得分，req_i為請求的云計算資源的第i個屬性值，pro_i為云計算資源的第i個屬性值，m_i為第i個屬性對應(yīng)的權(quán)值。其中，能夠進行屬性相似度的判斷以求得相似度高的候選云計算資源的方法都可以作為本發(fā)明實施例的方法，在此不一一贅述。

第三步，實時判斷候選云計算資源的資源屬性與請求的云計算資源的資源屬性是否匹配，得到一與請求匹配的云計算資源作為匹配結(jié)果。

由第二步可以得到基本滿足用戶需求的候選云計算資源，但在移動云計算中由于云計算資源是處于動態(tài)變動的狀態(tài)，因此需要對候選云計算資源與請求的云計算資源的資源屬性進行實時判斷，實時判斷可以以分布式的形式分發(fā)到資源服務(wù)器上進行獨立并行判斷，返回最快且最符合請求的云計算資源作為最終的匹配結(jié)果，實時判斷至少包括以下方法：實時判斷候選云計算資源及請求的云計算資源的資源屬性的相似度，選擇相似度由大至小的排序結(jié)果中，排序次序第一的云計算資源作為匹配結(jié)果。

第四步，將匹配結(jié)果給用戶，以使用戶使用匹配結(jié)果中的云計算資源。

用戶使用匹配結(jié)果中的云計算資源，能夠進行多種操作，至少包括：計算、顯示數(shù)據(jù)和\或通信。由于用戶對云計算資源的使用，可能導(dǎo)致該云計算資源發(fā)生變化，這是云計算資源變化的原因之一。

將匹配結(jié)果給用戶之后，還包括：

第五步，獲取用戶及調(diào)度器針對匹配結(jié)果返回的打分值。

針對請求的云計算資源，與用戶獲得的匹配結(jié)果中的云計算資源的匹配程度，獲得用戶及調(diào)度器針對匹配結(jié)果返回的打分值，其中，衡量用戶滿意的公式為：

其中，為調(diào)度器的打分值，l(t_request)為請求的云計算資源的屬性值，r_csourece為云計算資源的屬性值。

舉例說明，打分值的獲取過程可以為：針對云計算資源1匹配給用戶A，獲取用戶及調(diào)度器針對匹配結(jié)果返回的打分值，兩個打分值進行加權(quán)平均，獲得針對云計算資源1匹配給用戶A的第一打分值為A1。其中，能夠獲得打分值的方法都可以作為本發(fā)明實施例的方法，在此不一一贅述。

第六步，根據(jù)打分值獲取一針對匹配結(jié)果的修正權(quán)重，并將修正權(quán)重與匹配結(jié)果之積，作為匹配結(jié)果對應(yīng)的云計算資源的修正資源，以使得在下一次的云計算資源動態(tài)匹配中使用修正資源。

舉例說明，當云計算資源1匹配給多個用戶，將獲取到的針對云計算資源1的多個第一打分值進行加權(quán)平均，權(quán)值可以采用和用戶相關(guān)的預(yù)設(shè)權(quán)值，多個第一打分值加權(quán)平均后最終獲得云計算資源1的打分值a，將a作為云計算資源1的修正權(quán)重，將該修正權(quán)重與云計算資源1的各屬性分別求乘積，獲得修正的云計算資源1'，以使得在下一次的云計算資源動態(tài)匹配中，使用修正的云計算資源1'代替云計算資源1。其中，能夠獲得修正權(quán)重的方法都可以作為本發(fā)明實施例的方法，在此不一一贅述。其中，調(diào)度器可以獲取預(yù)設(shè)時間段內(nèi)的，多次匹配的打分值修正云計算資源，也可以獲取每一次匹配的打分值修正云計算資源，優(yōu)選的是，使用預(yù)設(shè)時間段內(nèi)的，多次匹配的打分值修正云計算資源，能夠減少計算量。

需要說明的是，在資源重新聚類時，獲取當前云計算資源后，如果獲取不到預(yù)設(shè)時間段內(nèi)的打分值，則利用預(yù)設(shè)算法對當前云計算資源聚類，優(yōu)選的是，如果能夠獲取到預(yù)設(shè)時間段內(nèi)的打分值，則將獲取到的當前云計算資源中，上一次匹配結(jié)果對應(yīng)的云計算資源，使用預(yù)設(shè)時間段內(nèi)的打分值獲得對應(yīng)的修正資源，使用對應(yīng)的修正資源，替換當前云計算資源中，上一次匹配結(jié)果對應(yīng)的云計算資源，然后進行重新聚類。

利用打分值對匹配結(jié)果進行修正，并將修正資源用于下一次的云計算資源匹配，能夠提高云計算資源匹配的匹配準確率及用戶滿意度。

以下對應(yīng)用本發(fā)明方法的實驗結(jié)果進行說明，實驗利用Matlab(MATrix LABoratory，矩陣實驗室)軟件，對本發(fā)明的改進的FCM算法在移動云計算資源匹配過程進行仿真。實驗中采用的云計算資源屬性分為三大類，為CPU計算能力、存儲容量、占用帶寬。實驗如下：

實驗1，改進的FCM算法與MIN-MIN算法的比較實驗。

為了驗證模糊聚類算法在資源匹配中的有效性，本文首先將本發(fā)明的改進的FCM算法與MIN-MIN算法進行對比驗證，實驗結(jié)果如下圖3所示，圖3為本發(fā)明實施例的改進的FCM算法與MIN-MIN算法效率對比圖。

圖3中顯示了當有50、100、200、400、600個請求時，運用本發(fā)明的改進的FCM算法與MIN-MIN算法求解時的平均響應(yīng)時間。由于資源樣本規(guī)模為400個，共分為5大類。圖3實驗結(jié)果表明改進的FCM算法的平均響應(yīng)時間較短，在資源匹配過程中匹配效率較高。

實驗2，半監(jiān)督型的改進算法實驗

為了解決需求變動造成的分類變動問題，本發(fā)明提出半監(jiān)督型的改進的FCM算法，通過對少量數(shù)據(jù)點進行變動的結(jié)果以及對大量數(shù)據(jù)點進行變動的結(jié)果進行分析，具有良好的適應(yīng)性和操作性。參見附圖4，圖4為本發(fā)明實施例的改進的FCM算法的數(shù)據(jù)變遷時的迭代效率與傳統(tǒng)FCM算法的數(shù)據(jù)變遷時的迭代效率的對比圖。

由圖4的實驗結(jié)果的迭代次數(shù)可知，當資源發(fā)生變動需要重新聚類時，改進的FCM算法迭代次數(shù)較少，能夠加快迭代的速度。同時，第一次聚類中，改進的FCM算法與傳統(tǒng)FCM算法對比也具有較快的迭代速度，這是因為遺傳算法能夠快速進行全局搜索，找出近似的聚類中心，從而避免傳統(tǒng)FCM算法求解時可能形成局部最優(yōu)解導(dǎo)致效率降低情況的出現(xiàn)。

圖5為本發(fā)明實施例的改進的FCM算法與MIN-MIN算法平均用戶滿意度對比圖。由圖5可以看出，在不同請求數(shù)情況下，改進的FCM算法相較MIN-MIN算法的平均用戶滿意度較高。

可見，本發(fā)明實施例提供的云計算資源動態(tài)匹配方法，獲取云計算資源并完成聚類，獲得多個第一類及每個第一類的聚類中心，并獲取用戶的請求，完成請求對應(yīng)的云計算資源匹配，同時，聚類完成后，在判斷多個第一類中的一個第一類的聚類中心的偏移量、超過預(yù)設(shè)偏移量時，確定第一類的云計算資源發(fā)生變化，重新獲取并聚類云計算資源，得到具有云計算資源的多個第二類，并再次獲取用戶的請求，完成請求對應(yīng)的云計算資源的匹配。本發(fā)明可以應(yīng)用于云計算資源匹配或者移動云計算資源匹配，相比現(xiàn)有的云計算資源匹配方法，本發(fā)明增加對于資源變動指標的監(jiān)控，能夠識別資源變化，在資源變化時針對不同變化情況，采用不同聚類策略，對資源重新聚類，同時在資源重新聚類過程中，利用之前的聚類參數(shù)和聚類中心，使重新聚類的目標函數(shù)收斂速度加快，提高重新聚類的效率，且在重新聚類過程中，之前的資源匹配依舊進行，不影響正常的資源匹配，等到重新聚類完成后，再更新匹配結(jié)果，本發(fā)明能夠使聚類結(jié)果保持動態(tài)匹配更新，實現(xiàn)云計算資源動態(tài)匹配。

參見圖6，圖6為本發(fā)明實施例的云計算資源動態(tài)匹配裝置的結(jié)構(gòu)圖，包括：

第一類獲取模塊，用于獲取并聚類云計算資源，確定具有云計算資源的多個第一類及多個第一類中的每個第一類的聚類中心。

資源變化確定模塊，用于在判斷多個第一類中的一個第一類的聚類中心的偏移量、超過預(yù)設(shè)偏移量時，確定第一類的云計算資源發(fā)生變化。

第二類獲取模塊，用于在第一類的云計算資源發(fā)生變化時，重新獲取并聚類云計算資源，得到具有云計算資源的多個第二類。

用戶請求獲取模塊，用于獲取用戶請求分配云計算資源的請求。

匹配結(jié)果獲取模塊，用于將請求中對應(yīng)的云計算資源與多個第二類內(nèi)的云計算資源進行匹配，得到匹配結(jié)果，將匹配結(jié)果給用戶，以使用戶使用匹配結(jié)果中的云計算資源。

需要說明的是，本發(fā)明實施例的裝置是應(yīng)用上述云計算資源動態(tài)匹配方法的裝置，則上述云計算資源動態(tài)匹配方法的所有實施例均適用于該裝置，且均能達到相同或相似的有益效果。

可見，本發(fā)明實施例提供的一種云計算資源動態(tài)匹配裝置，主要包括：獲取并聚類云計算資源，獲得多個第一類及每個第一類的聚類中心，在資源聚類完成后，實時監(jiān)測多個第一類的聚類中心的偏移量，當有一個第一類的聚類中心的偏移量大于預(yù)設(shè)偏移量時，確定資源發(fā)生變化，重新獲取、聚類云計算資源，得到多個第二類，并獲取用戶請求分配云計算資源的請求，將請求中對應(yīng)的云計算資源與多個第二類內(nèi)的云計算資源進行匹配，得到匹配結(jié)果，將匹配結(jié)果給用戶，使用戶能夠使用匹配結(jié)果中的云計算資源。由此可見本發(fā)明能夠自動識別資源變化，并在資源變化時重新獲取資源，完成與請求對應(yīng)的資源的匹配，且本發(fā)明不需要停止匹配過程就能夠完成新的匹配過程，能夠?qū)崿F(xiàn)動態(tài)資源匹配，能夠提高云計算資源匹配或者移動云計算資源匹配的匹配效率及匹配準確率，并提高用戶的滿意度。

需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。

本說明書中的各個實施例均采用相關(guān)的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對于系統(tǒng)實施例而言，由于其基本相似于方法實施例，所以描述的比較簡單，相關(guān)之處參見方法實施例的部分說明即可。

以上僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護范圍。凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換、改進等，均包含在本發(fā)明的保護范圍內(nèi)。