本申請(qǐng)涉及計(jì)算機(jī)領(lǐng)域,尤其涉及一種基于用戶行為的資源動(dòng)態(tài)調(diào)整方法及設(shè)備。
背景技術(shù):
:在云產(chǎn)業(yè)中,用戶通常根據(jù)自己和業(yè)務(wù)場景的需要購買所需要的資源規(guī)格,包括存儲(chǔ)空間、虛擬機(jī)、計(jì)算能力等。目前,在云產(chǎn)業(yè)市場中,云產(chǎn)品資源的規(guī)格購買是固定的。后期,用戶根據(jù)自己的需求增加、或者減縮資源規(guī)格,后臺(tái)技術(shù)人員再根據(jù)用戶提交的擴(kuò)容、縮容需求更新其云產(chǎn)品服務(wù)的資源規(guī)格。在絕大部分時(shí)間里,用戶對(duì)其云產(chǎn)品服務(wù)的資源使用是低于購買的資源規(guī)格的,只在特殊期間才能用盡其服務(wù)資源,甚至超出規(guī)格上限。此外,絕大部分用戶都不知曉自己的服務(wù)使用情況,只有當(dāng)服務(wù)資源用滿或者許久不用服務(wù)時(shí)才會(huì)提出擴(kuò)容或縮容需求?,F(xiàn)有技術(shù)中提出了一種在線動(dòng)態(tài)擴(kuò)容的方法,通過實(shí)時(shí)采集系統(tǒng)負(fù)載狀態(tài)和應(yīng)用運(yùn)行狀況,由人工神經(jīng)網(wǎng)絡(luò)作為判斷資源伸縮觸發(fā)的機(jī)制,在不中斷服務(wù)的情況下動(dòng)態(tài)擴(kuò)展虛擬機(jī)算資源。但是,該方案關(guān)注于資源本身的實(shí)時(shí)負(fù)載狀況,當(dāng)資源使用達(dá)到高峰時(shí),實(shí)時(shí)擴(kuò)容資源規(guī)格,不具有提前預(yù)測性。申請(qǐng)內(nèi)容本申請(qǐng)的一個(gè)目的是提供一種基于用戶行為的資源動(dòng)態(tài)調(diào)整方法及設(shè)備,用以解決現(xiàn)有技術(shù)中僅能根據(jù)實(shí)時(shí)負(fù)載的狀況進(jìn)行資源規(guī)格的調(diào)整,不具有提前預(yù)測性的問題。為實(shí)現(xiàn)上述目的,本申請(qǐng)?zhí)峁┝艘环N基于用戶行為的資源動(dòng)態(tài)調(diào)整方法,該方法包括:獲取用戶的特征行為指標(biāo)數(shù)據(jù);在觸發(fā)檢測時(shí)刻,檢測所述用戶在第一時(shí)間段的特征行為指標(biāo)數(shù)據(jù)與行為模式基線是否匹配,其中所述第一時(shí)間段為所述觸發(fā)檢測時(shí)刻之前的預(yù)設(shè)時(shí)長的時(shí)間段;若匹配,則根據(jù)與所述行為模式基線對(duì)應(yīng)的資源需求基線更變所述用戶的資源規(guī)格?;诒旧暾?qǐng)的另一方面,還提供了一種基于用戶行為的資源動(dòng)態(tài)調(diào)整設(shè)備,該設(shè)備包括:用戶行為監(jiān)控裝置,用于獲取用戶的特征行為指標(biāo)數(shù)據(jù);檢測裝置,用于在觸發(fā)檢測時(shí)刻,檢測所述用戶在第一時(shí)間段的特征行為指標(biāo)數(shù)據(jù)與行為模式基線是否匹配,其中所述第一時(shí)間段為所述觸發(fā)檢測時(shí)刻之前的預(yù)設(shè)時(shí)長的時(shí)間段;更變裝置,用于在匹配時(shí),根據(jù)與所述行為模式基線對(duì)應(yīng)的資源需求基線更變所述用戶的資源規(guī)格。此外,本申請(qǐng)還提供了一種基于用戶行為的資源動(dòng)態(tài)調(diào)整設(shè)備,該設(shè)備包括:處理器;以及被安排成存儲(chǔ)計(jì)算機(jī)可執(zhí)行指令的存儲(chǔ)器,所述可執(zhí)行指令在被執(zhí)行時(shí)使所述處理器:獲取用戶的特征行為指標(biāo)數(shù)據(jù);在觸發(fā)檢測時(shí)刻,檢測所述用戶在第一時(shí)間段的特征行為指標(biāo)數(shù)據(jù)與行為模式基線是否匹配,其中所述第一時(shí)間段為所述觸發(fā)檢測時(shí)刻之前的預(yù)設(shè)時(shí)長的時(shí)間段;以及在匹配時(shí),根據(jù)與所述行為模式基線對(duì)應(yīng)的資源需求基線更變所述用戶的資源規(guī)格。與現(xiàn)有技術(shù)相比,本申請(qǐng)的技術(shù)方案實(shí)時(shí)獲取用戶的特征行為指標(biāo)數(shù)據(jù),在觸發(fā)檢測時(shí)刻與離線演算獲得的行為模式基線進(jìn)行匹配,由此提前預(yù)測資源使用的高峰期或者低谷期,從而提前根據(jù)用戶的行為模式來對(duì)用戶所需要使用的資源規(guī)格進(jìn)行動(dòng)態(tài)調(diào)整,來達(dá)到滿足用戶使用資源的需求,避免用戶在高峰時(shí)資源不足或者在低谷時(shí)資源浪費(fèi),具有較好的提前預(yù)測性。附圖說明通過閱讀參照以下附圖所作的對(duì)非限制性實(shí)施例所作的詳細(xì)描述,本申請(qǐng)的其它特征、目的和優(yōu)點(diǎn)將會(huì)變得更明顯:圖1為本申請(qǐng)實(shí)施例提供的一種基于用戶行為的資源動(dòng)態(tài)調(diào)整方法的流程圖;圖2(a)為本申請(qǐng)實(shí)施例中某用戶的行為模式基線示意圖;圖2(b)為本申請(qǐng)實(shí)施例中某用戶在第一時(shí)間段內(nèi)的行為聚合值的分布示意圖;圖2(c)為本申請(qǐng)實(shí)施例中某用戶的行為模式基線所對(duì)應(yīng)的資源需求基線示意圖;圖3為本申請(qǐng)實(shí)施例中生成用戶的行為模式基線的方法的流程圖;圖4為本申請(qǐng)實(shí)施例中確定行為模式基線的處理流程圖;圖5為本申請(qǐng)實(shí)施例提供的一種基于用戶行為的資源動(dòng)態(tài)調(diào)整設(shè)備的結(jié)構(gòu)示意圖;圖6為本申請(qǐng)實(shí)施例提供的一種優(yōu)選的基于用戶行為的資源動(dòng)態(tài)調(diào)整設(shè)備的結(jié)構(gòu)示意圖;圖7為所述優(yōu)選的基于用戶行為的資源動(dòng)態(tài)調(diào)整設(shè)備中離線演算裝置的結(jié)構(gòu)示意圖;圖8為基于本申請(qǐng)技術(shù)方案實(shí)現(xiàn)的云產(chǎn)品彈性升降級(jí)系統(tǒng)的結(jié)構(gòu)示意圖;附圖中相同或相似的附圖標(biāo)記代表相同或相似的部件。具體實(shí)施方式下面結(jié)合附圖對(duì)本申請(qǐng)作進(jìn)一步詳細(xì)描述。在本申請(qǐng)一個(gè)典型的配置中,終端、服務(wù)網(wǎng)絡(luò)的設(shè)備和可信方均包括一個(gè)或多個(gè)處理器(cpu)、輸入/輸出接口、網(wǎng)絡(luò)接口和內(nèi)存。內(nèi)存可能包括計(jì)算機(jī)可讀介質(zhì)中的非永久性存儲(chǔ)器,隨機(jī)存取存儲(chǔ)器(ram)和/或非易失性內(nèi)存等形式,如只讀存儲(chǔ)器(rom)或閃存(flashram)。內(nèi)存是計(jì)算機(jī)可讀介質(zhì)的示例。計(jì)算機(jī)可讀介質(zhì)包括永久性和非永久性、可移動(dòng)和非可移動(dòng)媒體可以由任何方法或技術(shù)來實(shí)現(xiàn)信息存儲(chǔ)。信息可以是計(jì)算機(jī)可讀指令、數(shù)據(jù)結(jié)構(gòu)、程序的模塊或其他數(shù)據(jù)。計(jì)算機(jī)的存儲(chǔ)介質(zhì)的例子包括,但不限于相變內(nèi)存(pram)、靜態(tài)隨機(jī)存取存儲(chǔ)器(sram)、動(dòng)態(tài)隨機(jī)存取存儲(chǔ)器(dram)、其他類型的隨機(jī)存取存儲(chǔ)器(ram)、只讀存儲(chǔ)器(rom)、電可擦除可編程只讀存儲(chǔ)器(eeprom)、快閃記憶體或其他內(nèi)存技術(shù)、只讀光盤只讀存儲(chǔ)器(cd-rom)、數(shù)字多功能光盤(dvd)或其他光學(xué)存儲(chǔ)、磁盒式磁帶,磁帶磁盤存儲(chǔ)或其他磁性存儲(chǔ)設(shè)備或任何其他非傳輸介質(zhì),可用于存儲(chǔ)可以被計(jì)算設(shè)備訪問的信息。按照本文中的界定,計(jì)算機(jī)可讀介質(zhì)不包括非暫存電腦可讀媒體(transitorymedia),如調(diào)制的數(shù)據(jù)信號(hào)和載波。圖1示出了一種基于用戶行為的資源動(dòng)態(tài)調(diào)整方法的流程圖,具體包括以下步驟:步驟s101,獲取用戶的特征行為指標(biāo)數(shù)據(jù)。在此,所述特征行為指標(biāo)數(shù)據(jù)是指能夠有效表征用戶資源使用的行為數(shù)據(jù),例如以云產(chǎn)品服務(wù)的資源使用為例,可以將cpu使用率、內(nèi)存使用率、磁盤使用率、qps(querypersecond,每秒查詢次數(shù))、活躍連接數(shù)、訪問延遲等作為特性行為指標(biāo)數(shù)據(jù)。在獲取用戶的特征行為指標(biāo)數(shù)據(jù)時(shí),可以收集盡可能多的用戶行為數(shù)據(jù),然后抽取有效數(shù)據(jù)作為特征行為指標(biāo)數(shù)據(jù)。例如,可以通過實(shí)時(shí)監(jiān)控的方式,實(shí)時(shí)獲取用戶的所有行為數(shù)據(jù),然后再由用戶的所有線上行為數(shù)據(jù)中抽取其中的特征行為指標(biāo)數(shù)據(jù)進(jìn)行緩存,以用于后續(xù)的處理。在實(shí)際應(yīng)用中,特征行為指標(biāo)數(shù)據(jù)的類型在一段時(shí)間內(nèi)保持相對(duì)穩(wěn)定,但是可以隨時(shí)間發(fā)生一定變化,例如在第一季度,用戶的行為特征指標(biāo)可以包含訪問延遲,但是在第二季度時(shí),可能隨著網(wǎng)絡(luò)條件升級(jí)該數(shù)據(jù)已經(jīng)無法有效表征用戶資源使用的情況,可以取消將訪問延遲作為特征行為指標(biāo)數(shù)據(jù)。步驟s102,在觸發(fā)檢測時(shí)刻,檢測所述用戶在第一時(shí)間段的特征行為指標(biāo)數(shù)據(jù)與行為模式基線是否匹配。在此,所述觸發(fā)檢測時(shí)刻是指根據(jù)當(dāng)前的用戶特征行為指標(biāo)數(shù)據(jù)與行為模式基線進(jìn)行匹配的時(shí)刻,一般可以設(shè)置為在用戶行為發(fā)生顯著變化,并需要改變資源規(guī)格以適應(yīng)變化的用戶行為的時(shí)刻。例如每天的8:00左右為某個(gè)云產(chǎn)品的使用高峰,在此時(shí)cpu使用率、內(nèi)存使用率等特征行為指標(biāo)數(shù)據(jù)會(huì)明顯增加,有可能會(huì)使得現(xiàn)有的資源發(fā)生不足。因此,可以設(shè)置8:00為觸發(fā)檢測時(shí)刻。進(jìn)一步地,可以預(yù)定義一提前量,使得進(jìn)行檢測并變更規(guī)格的時(shí)間略早于實(shí)際的資源需求變化。仍以前述場景為例,可以設(shè)置10分鐘的提前量,將觸發(fā)檢測時(shí)刻設(shè)置為7:50。所述第一時(shí)間段為所述觸發(fā)檢測時(shí)刻之前的預(yù)設(shè)時(shí)長的時(shí)間段,在實(shí)際檢測時(shí)將該第一時(shí)間段內(nèi)的特征行為指標(biāo)數(shù)據(jù)作為匹配處理的樣本數(shù)據(jù)。第一時(shí)間段具體設(shè)置的時(shí)長可以根據(jù)實(shí)際需求確定,例如本實(shí)施例中可以設(shè)置為15分鐘,即將7:35-7:50之間的特征行為指標(biāo)數(shù)據(jù)作為與行為模式基線進(jìn)行匹配的樣本。所述行為模式基線可以以一段時(shí)間內(nèi)累積的特征行為指標(biāo)數(shù)據(jù)為樣本進(jìn)行離線演算獲得,用于表示用戶的某個(gè)周期內(nèi)對(duì)于云產(chǎn)品服務(wù)資源的使用趨勢。通過將實(shí)時(shí)獲得特征行為指標(biāo)數(shù)據(jù)與其進(jìn)行匹配,可以確定用戶的當(dāng)前行為是否符合預(yù)測的使用趨勢,從而實(shí)現(xiàn)對(duì)用戶的資源使用行為的預(yù)測。具體地,本實(shí)施例中,在檢測所述用戶在第一時(shí)間段的特征行為指標(biāo)數(shù)據(jù)與行為模式基線是否匹配時(shí),首先根據(jù)所述用戶在第一時(shí)間段的特征行為指標(biāo)數(shù)據(jù)及預(yù)設(shè)的權(quán)重,獲取所述用戶在第一時(shí)間段的行為聚合值,若所述用戶在第一時(shí)間段的行為聚合值處于所述行為模式基線的置信區(qū)間內(nèi),則確定所述用戶在第一時(shí)間段的特征行為指標(biāo)數(shù)據(jù)與行為模式基線匹配。對(duì)于各類特征行為指標(biāo)數(shù)據(jù),其權(quán)重的設(shè)置主要考慮到該類特征行為指標(biāo)數(shù)據(jù)對(duì)于用戶資源使用行為的影響程度,例如對(duì)于上例中提及的幾類特征行為指標(biāo)數(shù)據(jù),其對(duì)應(yīng)的權(quán)重可以設(shè)置為:cpu使用率(15%權(quán)重)、內(nèi)存使用率(20%權(quán)重)、磁盤使用率(10%權(quán)重)、qps(40%權(quán)重)、活躍連接數(shù)(10%權(quán)重)、訪問延遲(5%權(quán)重)。所述行為模式基線通過設(shè)置一定的置信區(qū)間,只要保證用戶在第一時(shí)間段的行為聚合值處于所述行為模式基線的置信區(qū)間內(nèi)即可判定為兩者匹配。圖2(a)示出了某用戶的行為模式基線示意圖,圖中2a所示的部分即為置信區(qū)間,若仍以上述場景為例,其第一時(shí)間段為15分鐘,假設(shè)將特征行為指標(biāo)數(shù)據(jù)的統(tǒng)計(jì)粒度設(shè)置為每分鐘,由此可以計(jì)算得到相應(yīng)的15個(gè)行為聚合值,其分布如圖2(b)所示,均處于行為模式基線的置信區(qū)間內(nèi)。為了提高匹配結(jié)果的合理性,可以預(yù)先定義顯著性水平α,只要所有行為聚合值中未處于行為模式基線的置信區(qū)間內(nèi)的比例低于α,仍可以判定用戶在第一時(shí)間段的特征行為指標(biāo)數(shù)據(jù)與行為模式基線匹配。步驟s103,若匹配,則根據(jù)與所述行為模式基線對(duì)應(yīng)的資源需求基線更變所述用戶的資源規(guī)格。所述資源需求基線用于表示用戶在特定的時(shí)刻需要分配的資源規(guī)格,例如高峰時(shí)需要分配較多的資源,而低估時(shí)則僅需要分配較少的資源,從而實(shí)現(xiàn)合理的資源分配,以某一云產(chǎn)品為例,其相應(yīng)的資源可能包括但不限于存儲(chǔ)空間、內(nèi)存、服務(wù)器實(shí)例數(shù)等等。對(duì)于每個(gè)用戶來說,其資源需求基線與其行為模式基線一一對(duì)應(yīng),在最優(yōu)情況下資源需求基線能夠保證用戶在符合行為模式基線時(shí)能夠在行為周期內(nèi)的任意時(shí)刻獲得最合理的資源規(guī)格。在實(shí)際應(yīng)用中,由于過于頻繁的變更資源規(guī)格可能會(huì)影響到的業(yè)務(wù)的正常處理,因此只要當(dāng)用戶的資源使用行為發(fā)生顯著改變時(shí)(一般為預(yù)設(shè)的觸發(fā)檢測時(shí)刻),才會(huì)對(duì)用戶的資源規(guī)格進(jìn)行變更。由此,資源需求基線一般呈折線的形式,如圖2(c)所示。以內(nèi)存資源為例,用戶在高峰期時(shí)需要1000mb的內(nèi)存,在高峰期之前僅需要600mb即可,若在該次高峰期對(duì)應(yīng)的觸發(fā)檢測時(shí)刻確定用戶的行為與行為模式基線匹配,則會(huì)將該用戶的資源規(guī)格變更為1000mb的內(nèi)存,以滿足用戶在該次高峰期的資源使用需求。此外,若匹配檢測的結(jié)果為:所述用戶在第一時(shí)間段的特征行為指標(biāo)數(shù)據(jù)與行為模式基線不匹配,則表示用戶當(dāng)前的資源使用行為不符合用戶在該周期內(nèi)用戶常規(guī)的行為趨勢,此時(shí),不進(jìn)行資源規(guī)格變更,等待一下的觸發(fā)檢測時(shí)刻重新進(jìn)行匹配檢測。本申請(qǐng)的技術(shù)方案實(shí)時(shí)獲取用戶的特征行為指標(biāo)數(shù)據(jù),在觸發(fā)檢測時(shí)刻與離線演算獲得的行為模式基線進(jìn)行匹配,由此提前預(yù)測資源使用的高峰期或者低谷期,從而提前根據(jù)用戶的行為模式來對(duì)用戶所需要使用的資源規(guī)格進(jìn)行動(dòng)態(tài)調(diào)整,來達(dá)到滿足用戶使用資源的需求,避免用戶在高峰時(shí)資源不足或者在低谷時(shí)資源浪費(fèi),具有較好的提前預(yù)測性。前述方法主要用于線上實(shí)時(shí)處理,以實(shí)現(xiàn)資源規(guī)格的動(dòng)態(tài)調(diào)整。為了保證前述線上實(shí)時(shí)處理的部分能夠準(zhǔn)確的執(zhí)行,該方法還包括了離線處理的部分,以獲得用于進(jìn)行匹配、變更的行為模式基線以及資源需求基線。因此,本申請(qǐng)實(shí)施例還提供了一種優(yōu)選的基于用戶行為的資源動(dòng)態(tài)調(diào)整方法,在前述方法的基礎(chǔ)上,進(jìn)一步包括:生成所述用戶的行為模式基線,并根據(jù)所述行為模式基線生成對(duì)應(yīng)的資源需求基線。其中,生成所述用戶的行為模式基線的具體方法,包括圖3所示的幾個(gè)步驟:步驟s301,獲取所述用戶在第二時(shí)間段內(nèi)行為特征指標(biāo)數(shù)據(jù)。其中,所述第二時(shí)間段為用于采集生成所述行為模式基線的行為特征指標(biāo)數(shù)據(jù)樣本的時(shí)間段。在實(shí)際應(yīng)用中,由于可以根據(jù)實(shí)際經(jīng)驗(yàn)對(duì)行為模式的周期類型進(jìn)行一個(gè)初步的判斷,將n個(gè)周期的時(shí)長作為第二時(shí)間段,例如某一用戶的行為模式以每日為周期,那么可以獲取所述用戶在最近十日內(nèi)的行為特征指標(biāo)數(shù)據(jù),作為生成行為模式基線的依據(jù)。當(dāng)然,對(duì)于無法根據(jù)實(shí)際經(jīng)驗(yàn)進(jìn)行初步判斷的情況,也可以設(shè)置一個(gè)較長的時(shí)間段作為第二時(shí)間段,以保證能夠獲得準(zhǔn)確的行為模式基線。與線上實(shí)時(shí)處理的部分類似,在獲取用戶的特征行為指標(biāo)數(shù)據(jù)時(shí),同樣可以收集盡可能多的用戶行為數(shù)據(jù),然后抽取有效數(shù)據(jù)作為特征行為指標(biāo)數(shù)據(jù)。步驟s302,根據(jù)所述行為特征指標(biāo)數(shù)據(jù)及預(yù)設(shè)的權(quán)重,獲取所述第二時(shí)間段內(nèi)每個(gè)時(shí)刻的行為聚合值。具體地,每個(gè)時(shí)刻的行為聚合值可以根據(jù)如下公式計(jì)算得到:其中,所述bt表示在時(shí)刻t的行為聚合值,ai表示在時(shí)刻t的行為特征指標(biāo)數(shù)據(jù),pi表示在ai對(duì)應(yīng)的權(quán)重。步驟s303,根據(jù)所述第二時(shí)間段內(nèi)每個(gè)時(shí)刻的行為聚合值確定所述用戶在第二時(shí)間段內(nèi)的行為聚合值是否有周期性。由于步驟s302中能夠得到第二時(shí)間段內(nèi)每個(gè)時(shí)刻的行為聚合值,由此可以獲得時(shí)間—行為聚合值的集合數(shù)據(jù),在進(jìn)行周期類型匹配時(shí),可以根據(jù)預(yù)設(shè)的幾個(gè)常用周期類型的集合,與該時(shí)間—行為聚合值的集合數(shù)據(jù)進(jìn)行匹配,由此確定是否有周期性以及具體的周期類型。本實(shí)施例中,為了獲取最精確的周期類型,會(huì)按照周期類型的時(shí)間粒度由小至大的順序,將所述用戶在第二時(shí)間段內(nèi)的行為聚合值與預(yù)設(shè)的周期類型進(jìn)行匹配,若與任一周期類型匹配,則確定有周期性。例如,按依次照每小時(shí)、每天、每周的順序進(jìn)行匹配,當(dāng)時(shí)間—行為聚合值的集合數(shù)據(jù)能夠匹配上每天的周期類型匹配時(shí),則無需繼續(xù)與每周的周期類型進(jìn)行匹配,可以確定用戶在第二時(shí)間段內(nèi)的行為聚合值具有周期性,且周期類型為每天。具體地,進(jìn)行周期類型匹配時(shí),首先將所述用戶在第二時(shí)間段內(nèi)的行為聚合值根據(jù)預(yù)設(shè)的某一周期類型劃分為多個(gè)周期,若所述多個(gè)周期內(nèi)的行為聚合值的擬合線的相關(guān)系數(shù)超過閾值,則確定所述用戶在第二時(shí)間段內(nèi)的行為聚合值與所述周期類型匹配。在本實(shí)施例中,假設(shè)第二時(shí)間段為最近的十日,若首先按照每小時(shí)的周期類型進(jìn)行匹配,則將該十日內(nèi)的行為聚合值按照每小時(shí)進(jìn)行劃分,若所述多個(gè)周期內(nèi)的行為聚合值的擬合線的相關(guān)系數(shù)較低,未超過預(yù)設(shè)的閾值,則確定所述用戶在第二時(shí)間段內(nèi)的行為聚合值與每小時(shí)的周期類型不匹配。然后,繼續(xù)按照每天的周期類型進(jìn)行匹配,則將該十日內(nèi)的行為聚合值按照每天進(jìn)行劃分,由此劃分為十組行為聚合值數(shù)據(jù),作為計(jì)算的樣本數(shù)據(jù)。若計(jì)算得到該十組行為聚合值數(shù)據(jù)的擬合線的相關(guān)系數(shù)超過了閾值,則可以確定所述用戶在第二時(shí)間段內(nèi)的行為聚合值與每小時(shí)的周期類型匹配。在實(shí)際應(yīng)用中,所述相關(guān)系數(shù)可以為pearson相關(guān)系數(shù),該相關(guān)系數(shù)是介于[-1,1]的數(shù)值,1表示比較的兩者成正相關(guān),-1表示兩者成負(fù)相關(guān),即當(dāng)相似系數(shù)的絕對(duì)值越接近于1,表示兩者相關(guān)性越大,反之,表示兩者相關(guān)性越小。本實(shí)施例中一般大于0.75以上,可以認(rèn)為兩者的相關(guān)性達(dá)到要求,具備相似性。對(duì)于十組樣本數(shù)據(jù),可以根據(jù)精度的需求選擇任意數(shù)量的組合進(jìn)行相關(guān)性的判定,例如抽取其中四組或者五組進(jìn)行兩兩計(jì)算,根據(jù)計(jì)算得到的多個(gè)相關(guān)系數(shù)與閾值比較的結(jié)果,確定是否該周期類型是否匹配。在對(duì)任意兩組樣本數(shù)據(jù)進(jìn)行相關(guān)性判定時(shí),可以先根據(jù)每組樣本數(shù)據(jù)生成擬合線,在計(jì)算擬合線之間的pearson相關(guān)系數(shù),由此進(jìn)行判定。此外,也可以根據(jù)每組樣本數(shù)據(jù)生成每個(gè)時(shí)刻的斜率,再根據(jù)對(duì)應(yīng)時(shí)刻的斜率計(jì)算兩者的相關(guān)性。此外,若遍歷所有預(yù)設(shè)的周期類型之后,與所述用戶在第二時(shí)間段內(nèi)的行為聚合值與任一周期類型均不匹配,則可以認(rèn)為不具有周期性。對(duì)于沒有周期性的情況,可以直接生產(chǎn)一個(gè)空的行為模式基線,并且不生成相應(yīng)的資源需求基線。步驟s304,若有周期性,則根據(jù)所述用戶在第二時(shí)間段內(nèi)的行為聚合值確定行為模式基線。具體地,確定行為模式基線的處理流程如圖4所示,包括以下步驟:步驟s3041,由所述第二時(shí)間段內(nèi)的行為聚合值中選取若干個(gè)周期的行為聚合值。在已經(jīng)確定周期類型的情況下,從第二時(shí)間段內(nèi)的所有周期中,選取幾個(gè)周期的行為聚合值數(shù)據(jù),用于后續(xù)的處理。在此過程中,具體選取的周期數(shù)量可以根據(jù)對(duì)計(jì)算精度的需求任意選取,例如本實(shí)施例中第二時(shí)間段內(nèi)一共包括十天(即10個(gè)周期),此時(shí)可以選取其中任意5天的行為聚合值,用于后續(xù)的處理。步驟s3042,根據(jù)所述若干個(gè)周期中每一時(shí)刻的遺忘滑動(dòng)窗口的行為聚合值,獲取所述若干個(gè)周期中每一時(shí)刻的行為校正值。其中,所述遺忘滑動(dòng)窗口可以根據(jù)周期類型、行為聚合值的統(tǒng)計(jì)粒度等因素設(shè)置為不同的窗口長度,例如本實(shí)施例中的周期類型為每天,對(duì)于行為聚合值的統(tǒng)計(jì)粒度為每分鐘,則可以設(shè)置所述遺忘滑動(dòng)窗口為10分鐘,即以8:00這一時(shí)刻為例,將根據(jù)7:55至8:05之間的所有行為聚合值計(jì)算8:00的行為校正值。在計(jì)算行為校正值時(shí),可以根據(jù)與基準(zhǔn)時(shí)刻(8:00)的遠(yuǎn)近,確定遺忘滑動(dòng)窗口其它時(shí)刻的行為聚合值的權(quán)重,例如與基準(zhǔn)時(shí)刻越接近,則其權(quán)重越大,本實(shí)施例中遺忘滑動(dòng)窗口中各個(gè)時(shí)刻的行為聚合值的權(quán)重如下表所示:時(shí)刻7:557:567:577:587:598:008:018:028:038:048:05權(quán)重3%5%7%10%15%40%15%10%7%5%3%由此,可以根據(jù)如下公式計(jì)算選取的所有周期內(nèi)某一時(shí)刻的行為校正值:所述ct表示在時(shí)刻t的行為校正值,bj表示在時(shí)刻t的遺忘滑動(dòng)窗口中各個(gè)時(shí)刻的行為聚合值,pj表示在bj對(duì)應(yīng)的權(quán)重。步驟s3043,獲取所述若干個(gè)周期中每一時(shí)刻的行為校正值的均值,作為所述用戶在周期內(nèi)的每個(gè)時(shí)刻的聚合校正值。在本實(shí)施例中,由于選取的周期數(shù)量為5個(gè),對(duì)于某一時(shí)刻,根據(jù)上述公式將會(huì)計(jì)算出5個(gè)分別對(duì)應(yīng)各個(gè)周期的行為校正值,取其算術(shù)平均數(shù)即為所述用戶在周期內(nèi)的該時(shí)刻的聚合校正值,遍歷周期內(nèi)的所有時(shí)刻,即可得到所述用戶在周期內(nèi)的每個(gè)時(shí)刻的聚合校正值。該聚合校正值所組成的曲線即為行為模式基準(zhǔn)線。步驟s3044,獲取周期內(nèi)的每個(gè)時(shí)刻的聚合校正值的置信區(qū)間,并根據(jù)所述置信區(qū)間確定所述用戶的行為模式基線。實(shí)際應(yīng)用中,其置信區(qū)間可以根據(jù)如下方式確定,獲取所述若干個(gè)周期中每個(gè)時(shí)刻的行為校正值的均值和方差d(x),將所述均值和方差的和作為置信區(qū)間的上限值,將所述均值和方差的差作為置信區(qū)間的下限值,即由此,可以得到如圖2(a)所示的行為模式基線。對(duì)于所述置信區(qū)間可以進(jìn)一步定義顯著性水平α,使得通過行為模式基線進(jìn)行用戶行為匹配時(shí),能夠得到更加合理的結(jié)果。在獲取到行為模式基線的之后,可以根據(jù)資源規(guī)格和行為模式之間的映射關(guān)系,獲得用戶隨時(shí)間變化的資源需求基線。由于過于頻繁的變更資源規(guī)格可能會(huì)影響到的業(yè)務(wù)的正常處理,因此只要當(dāng)用戶的資源使用行為發(fā)生顯著改變時(shí),才會(huì)對(duì)用戶的資源規(guī)格進(jìn)行變更。由此,資源需求基線一般呈折線的形式,如圖2(c)所示?;诒旧暾?qǐng)的另一方面,還提供了基于用戶行為的資源動(dòng)態(tài)調(diào)整設(shè)備,該設(shè)備的結(jié)構(gòu)如圖5所示,包括用戶行為監(jiān)控裝置510、檢測裝置520和更變裝置530。具體地,所述用戶行為監(jiān)控裝置510用于獲取用戶的特征行為指標(biāo)數(shù)據(jù)。在此,所述特征行為指標(biāo)數(shù)據(jù)是指能夠有效表征用戶資源使用的行為數(shù)據(jù),例如以云產(chǎn)品服務(wù)的資源使用為例,可以將cpu使用率、內(nèi)存使用率、磁盤使用率、qps、活躍連接數(shù)、訪問延遲等作為特性行為指標(biāo)數(shù)據(jù)。在獲取用戶的特征行為指標(biāo)數(shù)據(jù)時(shí),可以收集盡可能多的用戶行為數(shù)據(jù),然后抽取有效數(shù)據(jù)作為特征行為指標(biāo)數(shù)據(jù)。例如,可以通過實(shí)時(shí)監(jiān)控的方式,實(shí)時(shí)獲取用戶的所有行為數(shù)據(jù),然后再由用戶的所有線上行為數(shù)據(jù)中抽取其中的特征行為指標(biāo)數(shù)據(jù)進(jìn)行緩存,以用于后續(xù)的處理。在實(shí)際應(yīng)用中,特征行為指標(biāo)數(shù)據(jù)的類型在一段時(shí)間內(nèi)保持相對(duì)穩(wěn)定,但是可以隨時(shí)間發(fā)生一定變化,例如在第一季度,用戶的行為特征指標(biāo)可以包含訪問延遲,但是在第二季度時(shí),可能隨著網(wǎng)絡(luò)條件升級(jí)該數(shù)據(jù)已經(jīng)無法有效表征用戶資源使用的情況,可以取消將訪問延遲作為特征行為指標(biāo)數(shù)據(jù)。所述檢測裝置520用于在觸發(fā)檢測時(shí)刻檢測所述用戶在第一時(shí)間段的特征行為指標(biāo)數(shù)據(jù)與行為模式基線是否匹配,其中所述第一時(shí)間段為所述觸發(fā)檢測時(shí)刻之前的預(yù)設(shè)時(shí)長的時(shí)間段;在此,所述觸發(fā)檢測時(shí)刻是指根據(jù)當(dāng)前的用戶特征行為指標(biāo)數(shù)據(jù)與行為模式基線進(jìn)行匹配的時(shí)刻,一般可以設(shè)置為在用戶行為發(fā)生顯著變化,并需要改變資源規(guī)格以適應(yīng)變化的用戶行為的時(shí)刻。例如每天的8:00左右為某個(gè)云產(chǎn)品的使用高峰,在此時(shí)cpu使用率、內(nèi)存使用率等特征行為指標(biāo)數(shù)據(jù)會(huì)明顯增加,有可能會(huì)使得現(xiàn)有的資源發(fā)生不足。因此,可以設(shè)置8:00為觸發(fā)檢測時(shí)刻。進(jìn)一步地,可以預(yù)定義一提前量,使得進(jìn)行檢測并變更規(guī)格的時(shí)間略早于實(shí)際的資源需求變化。仍以前述場景為例,可以設(shè)置10分鐘的提前量,將觸發(fā)檢測時(shí)刻設(shè)置為7:50。所述第一時(shí)間段為所述觸發(fā)檢測時(shí)刻之前的預(yù)設(shè)時(shí)長的時(shí)間段,在實(shí)際檢測時(shí)將該第一時(shí)間段內(nèi)的特征行為指標(biāo)數(shù)據(jù)作為匹配處理的樣本數(shù)據(jù)。第一時(shí)間段具體設(shè)置的時(shí)長可以根據(jù)實(shí)際需求確定,例如本實(shí)施例中可以設(shè)置為15分鐘,即將7:35-7:50之間的特征行為指標(biāo)數(shù)據(jù)作為與行為模式基線進(jìn)行匹配的樣本。所述行為模式基線可以以一段時(shí)間內(nèi)累積的特征行為指標(biāo)數(shù)據(jù)為樣本進(jìn)行離線演算獲得,用于表示用戶的某個(gè)周期內(nèi)對(duì)于云產(chǎn)品服務(wù)資源的使用趨勢。通過將實(shí)時(shí)獲得特征行為指標(biāo)數(shù)據(jù)與其進(jìn)行匹配,可以確定用戶的當(dāng)前行為是否符合預(yù)測的使用趨勢,從而實(shí)現(xiàn)對(duì)用戶的資源使用行為的預(yù)測。具體地,本實(shí)施例中,所述檢測裝置520用于在觸發(fā)檢測時(shí)刻,根據(jù)所述用戶在第一時(shí)間段的特征行為指標(biāo)數(shù)據(jù)及預(yù)設(shè)的權(quán)重,獲取所述用戶在第一時(shí)間段的行為聚合值,以及在所述用戶在第一時(shí)間段的行為聚合值處于所述行為模式基線的置信區(qū)間內(nèi)時(shí),確定所述用戶在第一時(shí)間段的特征行為指標(biāo)數(shù)據(jù)與行為模式基線匹配。對(duì)于各類特征行為指標(biāo)數(shù)據(jù),其權(quán)重的設(shè)置主要考慮到該類特征行為指標(biāo)數(shù)據(jù)對(duì)于用戶資源使用行為的影響程度,例如對(duì)于上例中提及的幾類特征行為指標(biāo)數(shù)據(jù),其對(duì)應(yīng)的權(quán)重可以設(shè)置為:cpu使用率(15%權(quán)重)、內(nèi)存使用率(20%權(quán)重)、磁盤使用率(10%權(quán)重)、qps(40%權(quán)重)、活躍連接數(shù)(10%權(quán)重)、訪問延遲(5%權(quán)重)。所述行為模式基線通過設(shè)置一定的置信區(qū)間,只要保證用戶在第一時(shí)間段的行為聚合值處于所述行為模式基線的置信區(qū)間內(nèi)即可判定為兩者匹配。圖2(a)示出了某用戶的行為模式基線示意圖,圖中2a所示的部分即為置信區(qū)間,若仍以上述場景為例,其第一時(shí)間段為15分鐘,假設(shè)將特征行為指標(biāo)數(shù)據(jù)的統(tǒng)計(jì)粒度設(shè)置為每分鐘,由此可以計(jì)算得到相應(yīng)的15個(gè)行為聚合值,其分布如圖2(b)所示,均處于行為模式基線的置信區(qū)間內(nèi)。為了提高匹配結(jié)果的合理性,可以預(yù)先定義顯著性水平α,只要所有行為聚合值中未處于行為模式基線的置信區(qū)間內(nèi)的比例低于α,仍可以判定用戶在第一時(shí)間段的特征行為指標(biāo)數(shù)據(jù)與行為模式基線匹配。所述更變裝置530用于在匹配時(shí)根據(jù)與所述行為模式基線對(duì)應(yīng)的資源需求基線更變所述用戶的資源規(guī)格。所述資源需求基線用于表示用戶在特定的時(shí)刻需要分配的資源規(guī)格,例如高峰時(shí)需要分配較多的資源,而低估時(shí)則僅需要分配較少的資源,從而實(shí)現(xiàn)合理的資源分配,以某一云產(chǎn)品為例,其相應(yīng)的資源可能包括但不限于存儲(chǔ)空間、內(nèi)存、服務(wù)器實(shí)例數(shù)等等。對(duì)于每個(gè)用戶來說,其資源需求基線與其行為模式基線一一對(duì)應(yīng),在最優(yōu)情況下資源需求基線能夠保證用戶在符合行為模式基線時(shí)能夠在行為周期內(nèi)的任意時(shí)刻獲得最合理的資源規(guī)格。在實(shí)際應(yīng)用中,由于過于頻繁的變更資源規(guī)格可能會(huì)影響到的業(yè)務(wù)的正常處理,因此只要當(dāng)用戶的資源使用行為發(fā)生顯著改變時(shí)(一般為預(yù)設(shè)的觸發(fā)檢測時(shí)刻),才會(huì)對(duì)用戶的資源規(guī)格進(jìn)行變更。由此,資源需求基線一般呈折線的形式,如圖2(c)所示。以內(nèi)存資源為例,用戶在高峰期時(shí)需要1000mb的內(nèi)存,在高峰期之前僅需要600mb即可,若在該次高峰期對(duì)應(yīng)的觸發(fā)檢測時(shí)刻確定用戶的行為與行為模式基線匹配,則會(huì)將該用戶的資源規(guī)格變更為1000mb的內(nèi)存,以滿足用戶在該次高峰期的資源使用需求。此外,若匹配檢測的結(jié)果為:所述用戶在第一時(shí)間段的特征行為指標(biāo)數(shù)據(jù)與行為模式基線不匹配,則表示用戶當(dāng)前的資源使用行為不符合用戶在該周期內(nèi)用戶常規(guī)的行為趨勢,此時(shí),不進(jìn)行資源規(guī)格變更,等待一下的觸發(fā)檢測時(shí)刻重新進(jìn)行匹配檢測。本申請(qǐng)的技術(shù)方案實(shí)時(shí)獲取用戶的特征行為指標(biāo)數(shù)據(jù),在觸發(fā)檢測時(shí)刻與離線演算獲得的行為模式基線進(jìn)行匹配,由此提前預(yù)測資源使用的高峰期或者低谷期,從而提前根據(jù)用戶的行為模式來對(duì)用戶所需要使用的資源規(guī)格進(jìn)行動(dòng)態(tài)調(diào)整,來達(dá)到滿足用戶使用資源的需求,避免用戶在高峰時(shí)資源不足或者在低谷時(shí)資源浪費(fèi),具有較好的提前預(yù)測性。在此,,本領(lǐng)域技術(shù)人員應(yīng)當(dāng)理解,所述資源動(dòng)態(tài)調(diào)整設(shè)備可以包括但不限于用戶設(shè)備、網(wǎng)絡(luò)設(shè)備或用戶設(shè)備與網(wǎng)絡(luò)設(shè)備通過網(wǎng)絡(luò)相集成所構(gòu)成的設(shè)備。所述用戶設(shè)備包括但不限于個(gè)人計(jì)算機(jī)、觸控終端等實(shí)現(xiàn);所述網(wǎng)絡(luò)設(shè)備包括但不限于如網(wǎng)絡(luò)主機(jī)、單個(gè)網(wǎng)絡(luò)服務(wù)器、多個(gè)網(wǎng)絡(luò)服務(wù)器集或基于云計(jì)算的計(jì)算機(jī)集合等實(shí)現(xiàn)。在此,云由基于云計(jì)算(cloudcomputing)的大量主機(jī)或網(wǎng)絡(luò)服務(wù)器構(gòu)成,其中,云計(jì)算是分布式計(jì)算的一種,由一群松散耦合的計(jì)算機(jī)集組成的一個(gè)虛擬計(jì)算機(jī)。前述資源動(dòng)態(tài)調(diào)整設(shè)備主要用于線上實(shí)時(shí)處理,以實(shí)現(xiàn)資源規(guī)格的動(dòng)態(tài)調(diào)整。為了保證前述線上實(shí)時(shí)處理的部分能夠準(zhǔn)確的執(zhí)行,該資源動(dòng)態(tài)調(diào)整設(shè)備還包括了離線處理的部分,以獲得用于進(jìn)行匹配、變更的行為模式基線以及資源需求基線。因此,本申請(qǐng)實(shí)施例還提供了一種優(yōu)選的基于用戶行為的資源動(dòng)態(tài)調(diào)整設(shè)備,其結(jié)構(gòu)如圖6所示,除圖5所示的用戶行為監(jiān)控裝置510、檢測裝置520和更變裝置530之外,還包括離線演算裝置540。該離線演算裝置540用于生成所述用戶的行為模式基線,并根據(jù)所述行為模式基線生成對(duì)應(yīng)的資源需求基線。具體地,所述離線演算裝置540的具體結(jié)構(gòu)如圖7所示,包括離線采集模塊541、行為統(tǒng)計(jì)模塊542、周期匹配模塊543和行為模式分析模塊544。其中,離線采集模塊541用于獲取所述用戶在第二時(shí)間段內(nèi)行為特征指標(biāo)數(shù)據(jù)。所述第二時(shí)間段為用于采集生成所述行為模式基線的行為特征指標(biāo)數(shù)據(jù)樣本的時(shí)間段。在實(shí)際應(yīng)用中,由于可以根據(jù)實(shí)際經(jīng)驗(yàn)對(duì)行為模式的周期類型進(jìn)行一個(gè)初步的判斷,將n個(gè)周期的時(shí)長作為第二時(shí)間段,例如某一用戶的行為模式以每日為周期,那么可以獲取所述用戶在最近十日內(nèi)的行為特征指標(biāo)數(shù)據(jù),作為生成行為模式基線的依據(jù)。當(dāng)然,對(duì)于無法根據(jù)實(shí)際經(jīng)驗(yàn)進(jìn)行初步判斷的情況,也可以設(shè)置一個(gè)較長的時(shí)間段作為第二時(shí)間段,以保證能夠獲得準(zhǔn)確的行為模式基線。與線上實(shí)時(shí)處理的部分類似,在獲取用戶的特征行為指標(biāo)數(shù)據(jù)時(shí),同樣可以收集盡可能多的用戶行為數(shù)據(jù),然后抽取有效數(shù)據(jù)作為特征行為指標(biāo)數(shù)據(jù)。行為統(tǒng)計(jì)模塊542用于根據(jù)所述行為特征指標(biāo)數(shù)據(jù)及預(yù)設(shè)的權(quán)重,獲取所述第二時(shí)間段內(nèi)每個(gè)時(shí)刻的行為聚合值。具體地,每個(gè)時(shí)刻的行為聚合值可以根據(jù)如下公式計(jì)算得到:其中,所述bt表示在時(shí)刻t的行為聚合值,ai表示在時(shí)刻t的行為特征指標(biāo)數(shù)據(jù),pi表示在ai對(duì)應(yīng)的權(quán)重。周期匹配模塊543用于根據(jù)所述第二時(shí)間段內(nèi)每個(gè)時(shí)刻的行為聚合值確定所述用戶在第二時(shí)間段內(nèi)的行為聚合值是否有周期性。由于行為統(tǒng)計(jì)模塊542能夠得到第二時(shí)間段內(nèi)每個(gè)時(shí)刻的行為聚合值,由此可以獲得時(shí)間—行為聚合值的集合數(shù)據(jù),在進(jìn)行周期類型匹配時(shí),可以根據(jù)預(yù)設(shè)的幾個(gè)常用周期類型的集合,與該時(shí)間—行為聚合值的集合數(shù)據(jù)進(jìn)行匹配,由此確定是否有周期性以及具體的周期類型。本實(shí)施例中,為了獲取最精確的周期類型,會(huì)按照周期類型的時(shí)間粒度由小至大的順序,將所述用戶在第二時(shí)間段內(nèi)的行為聚合值與預(yù)設(shè)的周期類型進(jìn)行匹配,若與任一周期類型匹配,則確定有周期性。例如,按依次照每小時(shí)、每天、每周的順序進(jìn)行匹配,當(dāng)時(shí)間—行為聚合值的集合數(shù)據(jù)能夠匹配上每天的周期類型匹配時(shí),則無需繼續(xù)與每周的周期類型進(jìn)行匹配,可以確定用戶在第二時(shí)間段內(nèi)的行為聚合值具有周期性,且周期類型為每天。具體地,周期匹配模塊543在進(jìn)行周期類型匹配時(shí),首先將所述用戶在第二時(shí)間段內(nèi)的行為聚合值根據(jù)預(yù)設(shè)的某一周期類型劃分為多個(gè)周期,若所述多個(gè)周期內(nèi)的行為聚合值的擬合線的相關(guān)系數(shù)超過閾值,則確定所述用戶在第二時(shí)間段內(nèi)的行為聚合值與所述周期類型匹配。在本實(shí)施例中,假設(shè)第二時(shí)間段為最近的十日,若首先按照每小時(shí)的周期類型進(jìn)行匹配,則將該十日內(nèi)的行為聚合值按照每小時(shí)進(jìn)行劃分,若所述多個(gè)周期內(nèi)的行為聚合值的擬合線的相關(guān)系數(shù)較低,未超過預(yù)設(shè)的閾值,則確定所述用戶在第二時(shí)間段內(nèi)的行為聚合值與每小時(shí)的周期類型不匹配。然后,繼續(xù)按照每天的周期類型進(jìn)行匹配,則將該十日內(nèi)的行為聚合值按照每天進(jìn)行劃分,由此劃分為十組行為聚合值數(shù)據(jù),作為計(jì)算的樣本數(shù)據(jù)。若計(jì)算得到該十組行為聚合值數(shù)據(jù)的擬合線的相關(guān)系數(shù)超過了閾值,則可以確定所述用戶在第二時(shí)間段內(nèi)的行為聚合值與每小時(shí)的周期類型匹配。在實(shí)際應(yīng)用中,所述相關(guān)系數(shù)可以為pearson相關(guān)系數(shù),該相關(guān)系數(shù)是介于[-1,1]的數(shù)值,1表示比較的兩者成正相關(guān),-1表示兩者成負(fù)相關(guān),即當(dāng)相似系數(shù)的絕對(duì)值越接近于1,表示兩者相關(guān)性越大,反之,表示兩者相關(guān)性越小。本實(shí)施例中一般大于0.75以上,可以認(rèn)為兩者的相關(guān)性達(dá)到要求,具備相似性。對(duì)于十組樣本數(shù)據(jù),可以根據(jù)精度的需求選擇任意數(shù)量的組合進(jìn)行相關(guān)性的判定,例如抽取其中四組或者五組進(jìn)行兩兩計(jì)算,根據(jù)計(jì)算得到的多個(gè)相關(guān)系數(shù)與閾值比較的結(jié)果,確定是否該周期類型是否匹配。在對(duì)任意兩組樣本數(shù)據(jù)進(jìn)行相關(guān)性判定時(shí),可以先根據(jù)每組樣本數(shù)據(jù)生成擬合線,在計(jì)算擬合線之間的pearson相關(guān)系數(shù),由此進(jìn)行判定。此外,也可以根據(jù)每組樣本數(shù)據(jù)生成每個(gè)時(shí)刻的斜率,再根據(jù)對(duì)應(yīng)時(shí)刻的斜率計(jì)算兩者的相關(guān)性。此外,若遍歷所有預(yù)設(shè)的周期類型之后,與所述用戶在第二時(shí)間段內(nèi)的行為聚合值與任一周期類型均不匹配,則可以認(rèn)為不具有周期性。對(duì)于沒有周期性的情況,可以直接生產(chǎn)一個(gè)空的行為模式基線,并且不生成相應(yīng)的資源需求基線。行為模式分析模塊544用于在有周期性時(shí)根據(jù)所述用戶在第二時(shí)間段內(nèi)的行為聚合值確定行為模式基線。在具體處理過程中,行為模式分析模塊544所實(shí)現(xiàn)的功能包括:1、由所述第二時(shí)間段內(nèi)的行為聚合值中選取若干個(gè)周期的行為聚合值。在已經(jīng)確定周期類型的情況下,從第二時(shí)間段內(nèi)的所有周期中,選取幾個(gè)周期的行為聚合值數(shù)據(jù),用于后續(xù)的處理。在此過程中,具體選取的周期數(shù)量可以根據(jù)對(duì)計(jì)算精度的需求任意選取,例如本實(shí)施例中第二時(shí)間段內(nèi)一共包括十天(即10個(gè)周期),此時(shí)可以選取其中任意5天的行為聚合值,用于后續(xù)的處理。2、根據(jù)所述若干個(gè)周期中每一時(shí)刻的遺忘滑動(dòng)窗口的行為聚合值,獲取所述若干個(gè)周期中每一時(shí)刻的行為校正值。其中,所述遺忘滑動(dòng)窗口可以根據(jù)周期類型、行為聚合值的統(tǒng)計(jì)粒度等因素設(shè)置為不同的窗口長度,例如本實(shí)施例中的周期類型為每天,對(duì)于行為聚合值的統(tǒng)計(jì)粒度為每分鐘,則可以設(shè)置所述遺忘滑動(dòng)窗口為10分鐘,即以8:00這一時(shí)刻為例,將根據(jù)7:55至8:05之間的所有行為聚合值計(jì)算8:00的行為校正值。在計(jì)算行為校正值時(shí),可以根據(jù)與基準(zhǔn)時(shí)刻(8:00)的遠(yuǎn)近,確定遺忘滑動(dòng)窗口其它時(shí)刻的行為聚合值的權(quán)重,例如與基準(zhǔn)時(shí)刻越接近,則其權(quán)重越大,本實(shí)施例中遺忘滑動(dòng)窗口中各個(gè)時(shí)刻的行為聚合值的權(quán)重如下表所示:時(shí)刻7:557:567:577:587:598:008:018:028:038:048:05權(quán)重3%5%7%10%15%40%15%10%7%5%3%由此,可以根據(jù)如下公式計(jì)算選取的所有周期內(nèi)某一時(shí)刻的行為校正值:所述ct表示在時(shí)刻t的行為校正值,bj表示在時(shí)刻t的遺忘滑動(dòng)窗口中各個(gè)時(shí)刻的行為聚合值,pj表示在bj對(duì)應(yīng)的權(quán)重。3、獲取所述若干個(gè)周期中每一時(shí)刻的行為校正值的均值,作為所述用戶在周期內(nèi)的每個(gè)時(shí)刻的聚合校正值。在本實(shí)施例中,由于選取的周期數(shù)量為5個(gè),對(duì)于某一時(shí)刻,根據(jù)上述公式將會(huì)計(jì)算出5個(gè)分別對(duì)應(yīng)各個(gè)周期的行為校正值,取其算術(shù)平均數(shù)即為所述用戶在周期內(nèi)的該時(shí)刻的聚合校正值,遍歷周期內(nèi)的所有時(shí)刻,即可得到所述用戶在周期內(nèi)的每個(gè)時(shí)刻的聚合校正值。該聚合校正值所組成的曲線即為行為模式基準(zhǔn)線。4、獲取周期內(nèi)的每個(gè)時(shí)刻的聚合校正值的置信區(qū)間,并根據(jù)所述置信區(qū)間確定所述用戶的行為模式基線。實(shí)際應(yīng)用中,其置信區(qū)間可以根據(jù)如下方式確定,獲取所述若干個(gè)周期中每個(gè)時(shí)刻的行為校正值的均值和方差d(x),將所述均值和方差的和作為置信區(qū)間的上限值,將所述均值和方差的差作為置信區(qū)間的下限值,即由此,可以得到如圖2(a)所示的行為模式基線。對(duì)于所述置信區(qū)間可以進(jìn)一步定義顯著性水平α,使得通過行為模式基線進(jìn)行用戶行為匹配時(shí),能夠得到更加合理的結(jié)果。在獲取到行為模式基線的之后,可以根據(jù)資源規(guī)格和行為模式之間的映射關(guān)系,獲得用戶隨時(shí)間變化的資源需求基線。由于過于頻繁的變更資源規(guī)格可能會(huì)影響到的業(yè)務(wù)的正常處理,因此只要當(dāng)用戶的資源使用行為發(fā)生顯著改變時(shí),才會(huì)對(duì)用戶的資源規(guī)格進(jìn)行變更。由此,資源需求基線一般呈折線的形式,如圖2(c)所示。此外,本申請(qǐng)實(shí)施例還提供了一種基于用戶行為的資源動(dòng)態(tài)調(diào)整設(shè)備,該設(shè)備包括:處理器;以及被安排成存儲(chǔ)計(jì)算機(jī)可執(zhí)行指令的存儲(chǔ)器,所述可執(zhí)行指令在被執(zhí)行時(shí)使所述處理器:獲取用戶的特征行為指標(biāo)數(shù)據(jù);在觸發(fā)檢測時(shí)刻,檢測所述用戶在第一時(shí)間段的特征行為指標(biāo)數(shù)據(jù)與行為模式基線是否匹配,其中所述第一時(shí)間段為所述觸發(fā)檢測時(shí)刻之前的預(yù)設(shè)時(shí)長的時(shí)間段;以及在匹配時(shí),根據(jù)與所述行為模式基線對(duì)應(yīng)的資源需求基線更變所述用戶的資源規(guī)格。圖8示出了基于本申請(qǐng)技術(shù)方案實(shí)現(xiàn)的云產(chǎn)品彈性升降級(jí)系統(tǒng),該系統(tǒng)包括離線部分和實(shí)時(shí)部分,共計(jì)5個(gè)功能模塊、1個(gè)觸發(fā)器(定時(shí)觸發(fā)器)以及1個(gè)數(shù)據(jù)庫(模式庫)。其中,離線部分包括:1、用戶行為數(shù)據(jù)收集模塊810用于收集用戶基于云產(chǎn)品的時(shí)間—行為數(shù)據(jù),例如云產(chǎn)品的cpu使用、內(nèi)存使用、磁盤消耗、連接數(shù)消耗、數(shù)據(jù)庫訪問次數(shù)等。2、用戶行為模式分析模塊820根據(jù)時(shí)間—行為數(shù)據(jù),提取用戶的特征行為指標(biāo)數(shù)據(jù)并分析,得到用戶時(shí)間行為模式,即在一定周期內(nèi),對(duì)該云產(chǎn)品的使用趨勢(行為模式)。3、行為云產(chǎn)品規(guī)格適配模塊830根據(jù)用戶時(shí)間行為模式,聚合匹配出周期內(nèi)每個(gè)時(shí)間段所對(duì)應(yīng)的云產(chǎn)品規(guī)格(即資源規(guī)格)。4、定時(shí)觸發(fā)器840用于喚醒離線演算任務(wù)的運(yùn)行。將離線部分從休眠狀態(tài)喚醒至運(yùn)行狀態(tài),啟動(dòng)用戶行為數(shù)據(jù)收集模塊、用戶行為模式分析模塊以及行為云產(chǎn)品規(guī)格適配模塊進(jìn)行相應(yīng)的處理,得到用戶的行為模式以及相應(yīng)的資源規(guī)格。當(dāng)任務(wù)完成時(shí),離線部分進(jìn)入休眠狀態(tài)。實(shí)時(shí)部分包括:1、行為監(jiān)控模塊850實(shí)時(shí)監(jiān)控用戶在云產(chǎn)品上的操作行為,并與用戶行為模式進(jìn)行匹配,在當(dāng)前用戶操作行為符合行為模式,并且行為模式對(duì)應(yīng)的資源規(guī)格將變更時(shí),觸發(fā)云產(chǎn)品擴(kuò)容/縮容調(diào)度模塊。2、云產(chǎn)品擴(kuò)容/縮容調(diào)度模塊860根據(jù)即將變更的資源規(guī)格,對(duì)用戶的云產(chǎn)品進(jìn)行規(guī)格擴(kuò)容或者縮容。模式庫870用于存放離線部分計(jì)算出的用戶的行為模式,以及對(duì)應(yīng)匹配出的云產(chǎn)品規(guī)格,以供實(shí)時(shí)部分進(jìn)行監(jiān)控、效驗(yàn)。綜上所述,本申請(qǐng)的技術(shù)方案實(shí)時(shí)獲取用戶的特征行為指標(biāo)數(shù)據(jù),在觸發(fā)檢測時(shí)刻與離線演算獲得的行為模式基線進(jìn)行匹配,由此提前預(yù)測資源使用的高峰期或者低谷期,從而提前根據(jù)用戶的行為模式來對(duì)用戶所需要使用的資源規(guī)格進(jìn)行動(dòng)態(tài)調(diào)整,來達(dá)到滿足用戶使用資源的需求,避免用戶在高峰時(shí)資源不足或者在低谷時(shí)資源浪費(fèi),具有較好的提前預(yù)測性。需要注意的是,本申請(qǐng)可在軟件和/或軟件與硬件的組合體中被實(shí)施,例如,可采用專用集成電路(asic)、通用目的計(jì)算機(jī)或任何其他類似硬件設(shè)備來實(shí)現(xiàn)。在一個(gè)實(shí)施例中,本申請(qǐng)的軟件程序可以通過處理器執(zhí)行以實(shí)現(xiàn)上文所述步驟或功能。同樣地,本申請(qǐng)的軟件程序(包括相關(guān)的數(shù)據(jù)結(jié)構(gòu))可以被存儲(chǔ)到計(jì)算機(jī)可讀記錄介質(zhì)中,例如,ram存儲(chǔ)器,磁或光驅(qū)動(dòng)器或軟磁盤及類似設(shè)備。另外,本申請(qǐng)的一些步驟或功能可采用硬件來實(shí)現(xiàn),例如,作為與處理器配合從而執(zhí)行各個(gè)步驟或功能的電路。另外,本申請(qǐng)的一部分可被應(yīng)用為計(jì)算機(jī)程序產(chǎn)品,例如計(jì)算機(jī)程序指令,當(dāng)其被計(jì)算機(jī)執(zhí)行時(shí),通過該計(jì)算機(jī)的操作,可以調(diào)用或提供根據(jù)本申請(qǐng)的方法和/或技術(shù)方案。而調(diào)用本申請(qǐng)的方法的程序指令,可能被存儲(chǔ)在固定的或可移動(dòng)的記錄介質(zhì)中,和/或通過廣播或其他信號(hào)承載媒體中的數(shù)據(jù)流而被傳輸,和/或被存儲(chǔ)在根據(jù)所述程序指令運(yùn)行的計(jì)算機(jī)設(shè)備的工作存儲(chǔ)器中。在此,根據(jù)本申請(qǐng)的一個(gè)實(shí)施例包括一個(gè)裝置,該裝置包括用于存儲(chǔ)計(jì)算機(jī)程序指令的存儲(chǔ)器和用于執(zhí)行程序指令的處理器,其中,當(dāng)該計(jì)算機(jī)程序指令被該處理器執(zhí)行時(shí),觸發(fā)該裝置運(yùn)行基于前述根據(jù)本申請(qǐng)的多個(gè)實(shí)施例的方法和/或技術(shù)方案。對(duì)于本領(lǐng)域技術(shù)人員而言,顯然本申請(qǐng)不限于上述示范性實(shí)施例的細(xì)節(jié),而且在不背離本申請(qǐng)的精神或基本特征的情況下,能夠以其他的具體形式實(shí)現(xiàn)本申請(qǐng)。因此,無論從哪一點(diǎn)來看,均應(yīng)將實(shí)施例看作是示范性的,而且是非限制性的,本申請(qǐng)的范圍由所附權(quán)利要求而不是上述說明限定,因此旨在將落在權(quán)利要求的等同要件的含義和范圍內(nèi)的所有變化涵括在本申請(qǐng)內(nèi)。不應(yīng)將權(quán)利要求中的任何附圖標(biāo)記視為限制所涉及的權(quán)利要求。此外,顯然“包括”一詞不排除其他單元或步驟,單數(shù)不排除復(fù)數(shù)。裝置權(quán)利要求中陳述的多個(gè)單元或裝置也可以由一個(gè)單元或裝置通過軟件或者硬件來實(shí)現(xiàn)。第一,第二等詞語用來表示名稱,而并不表示任何特定的順序。當(dāng)前第1頁12