多云异构环境下基于服务偏好学习的云互联方法及系统

摘要

本发明公开了一种多云异构环境下基于服务偏好学习的云互联方法及系统。该云互联系统包括Web前端、Broker控制台和统一云接口平台。本发明针对云服务结构交流复杂和分布式的特点以及云服务市场需求庞大和不规范的现状，提出了基于云服务中介商的三层云服务架构。而传统云服务市场模型通常只考虑云服务调用者和服务提供者两个方面，这种模型交流次数频繁、效率低下。三层架构中加入的云服务中介商，让用服务的调用者和提供者通过中介商进行交流合作，将大多数决策交给服务中介商来处理，取代了原先落后的通信机制，简化了用户与云服务提供商的交流方式，既能满足云服务市场高并发分布式需求，又能提升服务沟通效率。

权利要求

1.多云异构环境下基于服务偏好学习的云互联方法，其特征在于：包括以下步骤：步骤1、接收用户提供的服务需求；

步骤2、根据用户的服务需求，提供最符合用户偏好的云服务商及其云服务套餐；

分别计算云服务提供商的回报指数 和云服务提供商提供的各个云服务套餐的回报指数建立云服务提供商的回报指数 的表达式如式(2‑1)所示；

其中，Rsale为云提供商的销售因素，Rreliability为云提供商的信誉度，Rsatisfactory为云服务提供商的平均服务满意度，α、β、γ为三个权重；

云服务套餐的回报指数 通过计算服务请求向量与服务供应向量的余弦相似度获得；

在根节点的基础上，构建以各云服务提供商作为第二层节点，以属于云服务商的各个备选云服务套餐作为第三层节点的蒙特卡洛树；

以对应的云服务提供商的回报指数 作为第二层节点初始的平均回报值；以对应的云服务套餐的回报指数 作为第三层节点的初始的平均回报值；

使用上置信区间策略UCB计算各节点的价值Vi如式(3‑1)所示；

其中， 表示被计算节点的平均回报值；ni表示节点的被访问次数；N表示访问总次数；C为预设参数；

根据求得的各节点的价值Vi，对蒙特卡洛树进行迭代，获取更新的平均回报值，直到迭代完成；以价值最大的第三层节点作为决策结果；

步骤3、基于步骤2的决策结果对应的云服务套餐进行服务合作；

根据选定的云服务套餐，向云互联平台发送云服务请求；云互联平台将云服务请求通过统一的API接口封装后发送给对应的云服务提供商；云服务提供商接收到相应请求之后，在云服务平台上部署相应服务，并将部署成功的信息反馈给云互联平台；云互联平台再将消息转发给用户；用户以云互联平台为中转，在仅使用与云互联平台交互的单一API接口的情况下，使用选定的云服务套餐。

2.根据权利要求1所述的多云异构环境下基于服务偏好学习的云互联方法，其特征在于：云提供商的销售因素Rsale的表达式如式(2‑2)所示；

其中，ranki为某个云服务中介商榜单中云提供商i的销售排名；Nprovider为该云服务中介商管理的云服务提供商的总数。

3.根据权利要求1所述的多云异构环境下基于服务偏好学习的云互联方法，其特征在于：用户使用选定的云服务套餐后，对该云服务提供商及云服务套餐进行评价；根据评价结果，更新云服务提供商的平均服务满意度Rsatisfactory。

4.根据权利要求1所述的多云异构环境下基于服务偏好学习的云互联方法，其特征在于：云互联平台在工作过程中对云服务进行遴选；遴选的方法是将不同云服务提供商提供云服务套餐的属性值代入决策树，通过决策结果进行判断，具体过程如下：(1)学习用户服务偏好

首先，收集服务样本数据，将服务样本分为正例集和反例集，并实施规范化处理；接着，使用正反例样本构建决策树；

(2)根据决策树模型，在云服务资源池中遴选新的云服务；

(3)根据决策树模型，淘汰不符合用户需求的云服务。

5.多云异构环境下基于服务偏好学习的云互联系统，其特征在于：用于执行权利要求

1‑4所述的云互联方法，包括Web前端、Broker控制台和统一云接口平台；

Web前端具有两个用户登录接口，分别为云用户接口和管理员接口；云用户接口用于为云用户使用云互联平台提供接口，实现用户注册、登录，以及向云互联系统提交服务需求、使用云服务和进行服务反馈/评价；管理员接口用于提供可视化管理界面；

Broker控制台用于根据服务交互历史数据分析和挖掘用户的隐式服务需求，学习用户服务偏好，实现符合用户需求的云服务商推荐、云服务选择，以及云服务资源池的动态调整；

统一云接口平台用于匹配不同云服务的API接口，并封装出统一云服务API接口；通过统一云服务API接口，来自Web前端的用户服务请求不需要分别调用不同云服务商的API接口，而能够直接获取相关服务信息。

说明书

多云异构环境下基于服务偏好学习的云互联方法及系统

技术领域

[0001] 本发明属于人工智能与云计算的技术领域，具体涉及一种在多云异构环境下通过服务偏好学习为用户遴选最佳性价比云计算服务的云互联系统及方法。

背景技术

[0002] 云计算是一种新型的IT基础设施的交付和使用模式。云服务具备传统服务提供方式无法企及的优点，比如按需服务和弹性定价制度，因而受到业界的广泛推崇。各大IT巨头，投入了大量的人力物力到云相关产业。IT巨头们，比如Google，Amazon，IBM及Microsoft等纷纷加入云计算产业，各种类型的云服务不断涌现，满足了用户不同层次的应用需求。

[0003] 云服务的丰富却给服务选择制造了难题。以存储服务为例，大量云服务商提供功能相似但服务质量和价格差异较大的服务。对于普通用户而言，很难从中选择最适合自己的服务。另一方面，云属于一种动态变化的系统执行环境，一个当前运行良好的云服务在下一时刻性能和状态可能会发生变化，需要不断切换服务依托对象以获得最佳体验。服务选择是提高云服务质量和服务体验的核心要素。为了解决服务选择困难的问题，研究者提出了一系列解决方案。其中，云本体技术提供了领域知识抽象方法进行服务规范化和服务匹配选择。多准则决策和多准则最优化技术试图解决服务排名和选择优化问题。然而目前服务选择和组合策略仍面临两大缺陷：

[0004] 1、现有策略无法准确学习到用户的服务偏好。绝大多数学习模型都基于“用户服务需求可以明确表达”这一假设。而事实上，用户往往存在隐式需求。其存在的原因是：1)由于专业知识的限制，导致用户无法清晰表达自身需求；2)出于安全和隐私的考虑，用户不愿意公开他们的喜好。

[0005] 2、云计算服务缺乏统一的互联互通标准，云服务提供商拥有独立的服务SLA、服务评价标准和服务应用接口，开发者和用户的应用很难实现跨平台处理，跨服务商的资源管理，应用，迁移等存在巨大障碍。

[0006] 综上，现有的服务供应模型和平台无法实现真正意义上的按需求、按偏好、跨平台服务。而另一方面，竞争激烈的云市场要求服务提供商们必须学习和理解用户的服务偏好，按需服务。

发明内容

[0007] 本发明提供了一种在多云异构环境下通过服务偏好学习为用户遴选最佳性价比服务的自动化方法和平台。

[0008] 第一方面，本发明提供一种多云异构环境下基于服务偏好学习的云互联方法，其包括以下步骤：

[0009] 步骤1、接收用户提供的服务需求，并将其转换为服务请求向量。

[0010] 步骤2、根据用户的服务需求，提供最符合用户偏好的云服务商及其云服务套餐。

[0011] 分别计算云服务提供商的回报指数 和云服务提供商提供的各个云服务套餐的回报指数

[0012] 建立云服务提供商的回报指数 的表达式如式(2‑1)所示。

[0013]

[0014] 其中，Rsale为云提供商的销售因素，Rreliability为云提供商的信誉度，Rsatisfactory为云服务提供商的平均服务满意度，α、β、γ为三个权重。

[0015] 云服务套餐的回报指数 通过计算服务请求向量与服务供应向量的余弦相似度获得。

[0016] 在根节点的基础上，构建以各云服务提供商作为第二层节点，以属于云服务商的各个备选云服务套餐作为第三层节点的蒙特卡洛树。

[0017] 以对应的云服务提供商的回报指数 作为第二层节点初始的平均回报值。以对应的云服务套餐的回报指数 作为第三层节点的初始的平均回报值。

[0018] 使用上置信区间策略UCB计算各节点的价值Vi如式(3‑1)所示。

[0019]

[0020] 其中， 表示被计算节点的平均回报值；ni表示节点的被访问次数；N表示访问总次数； C为预设参数。

[0021] 根据求得的各节点的价值Vi，对蒙特卡洛树进行迭代，获取更新的平均回报值，直到迭代完成；以价值最大的第三层节点作为决策结果。

[0022] 步骤3、基于步骤2的决策结果对应的云服务套餐进行服务合作。

[0023] 根据选定的云服务套餐，向云互联平台发送云服务请求；云互联平台将云服务请求通过统一的API接口封装后发送给对应的云服务提供商；云服务提供商接收到相应请求之后，在云服务平台上部署相应服务，并将部署成功的信息反馈给云互联平台。云互联平台再将消息转发给用户。用户以云互联平台为中转，在仅使用与云互联平台交互的单一API接口的情况下，使用选定的云服务套餐。

[0024] 作为优选，云提供商的销售因素Rsale的表达式如式(2‑2)所示。

[0025]

[0026] 其中，ranki为某个云服务中介商榜单中云提供商i的销售排名；Nprovider为该云服务中介商管理的云服务提供商的总数。

[0027] 作为优选，用户使用选定的云服务套餐后，对该云服务提供商及云服务套餐进行评价；根据评价结果，更新云服务提供商的平均服务满意度Rsatisfactory。

[0028] 作为优选，云互联平台在工作过程中对云服务进行遴选；遴选的方法是将不同云服务提供商提供云服务套餐的属性值代入决策树，通过决策结果进行判断，具体过程如下：

[0029] (1)学习用户服务偏好

[0030] 首先，收集服务样本数据，将服务样本分为正例集和反例集，并实施规范化处理。接着，使用正反例样本构建决策树。

[0031] (2)根据决策树模型，在云服务资源池中遴选新的云服务。

[0032] (3)根据决策树模型，淘汰不符合用户需求的云服务。

[0033] 第二方面，本发明提供一种多云异构环境下基于服务偏好学习的云互联系统，其用于执行前述的云互联方法。该云互联系统包括Web前端、Broker控制台和统一云接口平台。

[0034] Web前端具有两个用户登录接口，分别为云用户接口和管理员接口。云用户接口用于为云用户使用云互联平台提供接口，实现用户注册、登录，以及向云互联系统提交服务需求、使用云服务和进行服务反馈/评价。管理员接口用于提供可视化管理界面。

[0035] Broker控制台用于根据服务交互历史数据分析和挖掘用户的隐式服务需求，学习用户服务偏好，实现符合用户需求的云服务商推荐、云服务选择，以及云服务资源池的动态调整。

[0036] 统一云接口平台用于匹配不同云服务的API接口，并封装出统一云服务API接口。通过统一云服务API接口，来自Web前端的用户服务请求不需要分别调用不同云服务商的API接口，而能够直接获取相关服务信息。

[0037] 本发明具有的有益效果是：

[0038] 1.本发明针对云服务结构交流复杂和分布式的特点以及云服务市场需求庞大和不规范的现状，提出了基于云服务中介商的三层云服务架构。而传统云服务市场模型通常只考虑云服务调用者和服务提供者两个方面，这种模型交流次数频繁、效率低下。三层架构中加入的云服务中介商，让使用服务的调用者和提供者通过中介商进行交流合作，将大多数决策交给服务中介商来处理，取代了原先落后的通信机制，简化了用户与云服务提供商的交流方式，既能满足云服务市场高并发分布式需求，又能提升服务沟通效率，实现用户和服务商的双赢。

[0039] 2.本发明将云计算服务与传统商业市场交互模型进行了充分融合。借鉴了传统市场模型的思维方式，模拟仿真了用户的服务选择机制，中介商的服务推荐机制以及服务提供者的分类筛选机制。通过服务偏好学习和服务推荐实现了服务资源的优化配置，提高了云服务使用者和提供者的合作成功率以及云计算调用者的满意度。

[0040] 3.本发明将云服务资源池的日常动态维护与实时服务选择有机结合。通过服务交互历史数据的学习构建决策树，通过决策树实现对用户服务资源偏好范围的初步遴选；而在实际云服务售卖过程中，通过用户提交的服务需求与供应情况的动态对比，经过两层蒙特卡洛树搜索实现最优资源的精确匹配。决策树与蒙特卡洛算法的结合解决了蒙特卡洛搜索空间无限的问题，而两层限定蒙特卡洛树搜索使得选择时间和开销得到了有效缩减。

[0041] 4.本发明设计实现了跨云环境下的云互联平台。该平台提供了用户使用云服务的统一应用入口，由系统帮助用户选择最合适的云服务。由于云计算和云服务个体资源的局限性，云计算服务商相互连接合作形成一个统一的云整体是未来云计算发展的趋势。本文根据眼下云服务商的运作开发缺乏统一规范性的现状，封装了云主机和云存储API的统一接口。该统一接口解决了云计算跨平台和跨服务商之间统一调度和开发的问题。

附图说明

[0042] 图1为本发明的云互联平台架构图；

[0043] 图2为本发明的云互联平台功能模块图；

[0044] 图3为本发明中云互联平台的用户接口示意图；

[0045] 图4为本发明中云互联平台的管理员接口示意图；

[0046] 图5为本发明中broker控制台的主要流程图；

[0047] 图6为本发明中云互联平台的服务交付流程图；

[0048] 图7为两层限定蒙特卡洛树搜索算法的主要实施流程图；

[0049] 图8为本发明中云互联平台构建的统一云服务调用接口示意图；

[0050] 图9为本发明中学习模型的主要实施流程图；

[0051] 图10为本发明中学习算法的实施流程图；

[0052] 图11为本发明中通过决策树遴选合适的云服务资源的流程图。

具体实施方式

[0053] 以下结合附图对本发明作进一步说明。

[0054] 如图1所示，一种多云异构环境下基于服务偏好学习的云互联平台包括Web前端、Broker 控制台和统一云接口平台。

[0055] 如图2所示，该云互联系统包含的主要功能有：登录、注册、用户/云服务商/中介商管理、偏好学习、服务推荐、服务匹配、服务合作、服务迁移、服务反馈、统一云服务接口(云虚拟机接口、云存储接口)。

[0056] Web前端具有两个用户登录接口，分别为云用户接口和管理员接口。如图3所示，云用户接口用于为云用户使用云互联平台提供接口，实现用户注册、登录，以及向云互联系统提交服务需求、使用云服务和进行服务反馈/评价。如图4所示，管理员接口用于提供可视化管理界面，管理员通过可视化管理界面进行broker控制台和云服务资源的动态管理。

[0057] Broker控制台用于实施服务偏好学习算法，根据服务交互历史数据分析和挖掘用户的隐式服务需求，学习用户服务偏好，实现符合用户需求的云服务商推荐、云服务选择，以及云服务资源池的动态调整。图5显示了Broker的主要流程。

[0058] 统一云接口平台用于匹配不同服务API接口，并封装出统一云服务API接口。通过统一云服务API接口，来自Web前端的用户服务请求不需要分别调用不同云服务商的API接口就可以直接获取相关服务信息。

[0059] 如图6所示，云互联平台的服务交付的主要步骤包括：服务请求、服务匹配/推荐、服务选择、服务交付、服务使用、服务反馈和处理。

[0060] 步骤1、服务请求：云用户登录并提出服务需求。

[0061] 1‑1.云互联平台的Web前端提供用户入口，用户首次使用需要进行注册。在册用户通过用户名、密码在Web前端登陆云互联平台。

[0062] 1‑2.用户在Web前端登录后，通过云应用入口提交服务需求，等待Broker控制台实施服务推荐。

[0063] 1‑3用户对中介商推荐的云服务进行选择。

[0064] 步骤2、服务匹配/推荐：云服务中介商根据用户的服务需求，从云服务资源池中帮助用户选择最适合的云服务，并向用户推荐。

[0065] 2‑1.服务选择

[0066] 根据用户需求，采用两层限定的蒙特卡洛树搜索(Two‑Layer MCTS)算法从管理的服务商资源池中为用户遴选最适合的服务。

[0067] 两层限定的蒙特卡洛树搜索算法中第一层模型搜索云服务商，节点回报的计算采用综合考虑销售因素、可靠性和服务满意度的计算方法。使用 表示选择某一云服务商的回报指数，计算方法如式(2‑1)所示。

[0068]

[0069] 其中， 表示选择该服务提供商的回报指数；Rsale为销售因素；Rreliability为云提供商的信誉度；Rsatisfactory为云服务提供商的平均服务满意度；α、β、γ分别为三个因素的权重。 Rreliability、Rsatisfactory的数值通过调查的方式预先确定，并存储在数据库中。

[0070] 销售因素Rsale的表达式如式(2‑2)所示。

[0071]

[0072] 其中，ranki为被计算回报指数的云提供商在预设的榜单中的销售排名；Nprovider为预设榜单中云服务商的总数。

[0073] 两层限定的蒙特卡洛树搜索算法中第二层模型搜索云服务套餐，节点回报通过服务提供与需求的匹配度/相似度进行计算。使用 表示选择某一云服务的回报指数，使用服务请求向量 和服务供应向量 之间的余弦相似度计算获得，如式(2‑3)所示。

[0074]

[0075] 更具体来说，两层限定的蒙特卡洛树搜索算法包括选择、扩展、模拟和反向传播4个阶段，如图7所示。

[0076] 2‑1‑1选择阶段。

[0077] 在云服务商选择阶段，在蒙特卡洛树的根节点的基础上，以各个备选的云服务提供商作为蒙特卡洛树的第二层节点，即父节点，得到与云服务商数量对应的N个父节点；在云服务选择阶段，以属于某个云服务商的每个备选云服务作为蒙特卡洛树的第三层节点，即子节点。

[0078] 使用上置信区间策略UCB计算任意一层节点中的第i个节点的价值Vi如式(3‑1)所示。

[0079]

[0080] 其中，Vi表示第一层或第二层的第i个节点的价值； 表示第一层或第二层的第i个节点的平均回报值；ni表示第一层或第二层的第i个节点的被访问次数；N表示一层节点的访问总次数；C为用于调节的预设参数。节点i的初始回报值 的取决于该节点所在的层次，如果是云服务提供商层的节点，则对应于服务提供商的服务回报 如果是云服务层节点，则对应于云服务的服务回报 而提供商节点在其子节点(云服务)被探索过之后，回报值 将变成已探索过的下层云服务回报 和 的均值。

[0081] 从根节点开始自上而下选择价值最大的父节点M进行扩展。针对父节点M存在以下三种可能性：

[0082] (1)节点所有分支都已经被拓展过；

[0083] (2)节点仍有分支未被拓展过；

[0084] (3)节点为叶子节点。

[0085] 针对这三种情况，分别作不同处理：

[0086] 针对情况(1)：使用式(3‑1)计算父节点M所有子节点的价值，对价值最大的一个子节点继续向下探索。

[0087] 针对情况(2)：找出节点M还未被拓展的分支执行第二阶段扩展(Expansion)阶段操作，具体如下：

[0088] 通过选择阶段获得一个最迫切需要被扩展的子节点C以及它尚未拓展的动作X。在搜索树中创建节点M的子节点C，并针对动作X对节点C进行拓展。

[0089] 针对情况(3)：对父节点M执行模拟(Simulation)阶段操作，具体如下：

[0090] 根据叶子节点的服务属性计算完整云服务的价值目标函数(此处使用服务回报作为价值评分)。

[0091] 经过反复迭代，最终找到最佳的子节点，每一个被检查节点的访问次数经过本阶段后都会加1。

[0092] 2‑1‑2.反向传播(Backpropagation)阶段，具体如下：

[0093] 模拟阶段结束后，每个子节点的模拟结果将反向反馈至父节点上，直至回溯至根节点。从根节点到节点M的路径上的所有节点都会根据本次模拟的结果更新本节点的平均价值评分。

[0094] 蒙特卡洛树的每一次迭代都会扩展搜索树，设定最大迭代次数或者截止时间促使算法终止。在算法结束时选择根节点下最好的叶子节点作为本次决策的结果，亦即云服务选择的结果。

[0095] 本发明中两层限定蒙特卡洛搜索树策略与传统蒙特卡洛搜索树相比，其优势和创新性包括以下两方面：

[0096] (1)云服务引进阶段使用决策树算法进行了资源遴选限制了云服务提供商和云服务的数量，相当于将蒙特卡洛树限定在特定的范围内，极大降低了问题求解规模，提升了寻找合适资源的效率。

[0097] (2)两层限定的蒙特卡洛树算法将搜索树的高度(不包括根节点)限定为两层，第一层遴选服务提供商，第二层直接遴选云服务，算法结束时直接选择回报最大的叶子节点(即云服务)，而不是当前搜索的子节点，大大缩短了服务选择的时空开销，可应用于实时交互场景。

[0098] 2‑2向用户推荐服务，等待用户确认。

[0099] 根据蒙特卡洛树搜索算法为用户寻找到最佳性价比服务后，向用户发送服务推荐，等待用户选择和确认。

[0100] 尽管用户发送的服务请求并不完整，但这不影响本模型的服务匹配和遴选。服务选择中第一层在遴选云服务提供商时比较了服务提供商的可靠性/信誉度(服务交互过程的诚信度、是否遵守服务调用规范，以及付款及时性等)和该用户的服务体验反馈数据，而第二层云服务选择过程又计算了用户请求的公开部分与服务对应属性的相似度。这充分表明：本云互联平台的服务推荐/选择算法综合考虑了服务匹配中的功能性和非功能性因素，是对用户服务需求的全面解析。

[0101] 步骤3、服务合作。用户接受服务推荐，进入服务交互阶段。

[0102] 服务交互阶段需要云互联平台利用统一的云接口实现对不同提供商服务的统一调用。

[0103] 如图8所示，设计了调用各类云服务提供商的中间件。用户只要在云互联平台中提出需求，即可实现对服务的调用。

[0104] 本云互联平台主要提供两大类云服务的统一调用，一种是云虚拟机服务，另一类是云存储服务。

[0105] 步骤4、服务反馈。用户使用完服务之后通过云互联平台提交服务评价，包括对提供商服务可靠性、服务质量的评价。

[0106] 步骤5、服务遴选。服务中介商根据服务交互历史数据中获得的用户偏好不断更新自己管理的云服务。

[0107] 图9展示了服务遴选部分学习模块的实施步骤：收集云服务交互历史数据、对数据进行规范化处理、启动学习算法、构建知识库和调整服务资源结构。

[0108] 如图10所示，学习算法在具体实施中又包括三个部分：训练部分、服务选择和淘汰部分。训练部分主要用于处理通过先前的服务接受和响应模型所累积的数据，构建合适的训练模型，便于下一步的筛选。服务选择部分则根据训练过程的结果，重新从云服务资源池中寻找合适的服务资源充实资源库，即调整整个系统的连接结构。而淘汰部分主要用于处理不符合需求的云服务的淘汰和剔除工作，每次迭代都会有淘汰，从而使得云服务提供商之间始终处于一种竞争的状态。学习模型是一个反复迭代的过程，每一次迭代都必须经历以上三个步骤。在不断的迭代过程中，云服务中介商将逐渐明确服务对象的偏好：价格偏好，存储性能偏好，虚拟机内存偏好等等。

[0109] 5‑1通过训练学习用户服务偏好

[0110] 中介商将用户反馈/评价数据入库，通过训练学习用户服务偏好，在训练部分，根据用户使用服务的反馈数据，以及采纳和拒绝的推荐历史组织训练数据集。业内分类算法有许多种类，由于用户服务参数数据集是一组多维向量，并且为了降低实时交易的处理开销，最终选择决策树算法进行样本训练。在我们的模型中，用户采纳的服务被视为正例，而多次被拒绝的服务则被视为反例。

[0111] 决策树是应用最广的分类算法之一。所谓决策树，就是一种使用树状模型来支持决策的工具模型。这种模型可以根据树分支的演绎和形成来推断事件可能产生的后果，包括处理考虑随机事件的结果，资源成本的使用等问题。通常，决策树算法主要用于决策分析的过程中，去确定一个策略最有可能达到的目标。在决策树的树状流程结构中，每一个内部的结点都表示一个属性，而该节点的分支，则表示这个属性可能的结果。

[0112] 如图11所示，如果我们试图构建云存储服务的学习模型，则节点的属性可以用价格、传输速度、存储容量大小等来表示，而节点的分支则表示相应属性可能的取值范围。以传输速度为例，节点的分支可以表示为小于100k/s，大于100k/s小于1M/s，大于1M/s等等。由于决策树中，自顶向下，所有节点的分支都是发散的，故不存在聚合的路径，严格满足数据结构树的定义。决策树的叶子节点则表示为最终的资源决策结果，对于本系统而言，最终的决策结果即服务资源接受或是拒绝。而从根节点到叶子节点的路径是决策树模型所演绎的一组规则，我们将云服务资源池中每一个存储服务资源的属性组合带入构建好的决策树模型中，或者根据该决策树所演绎的决策规则可以明确决策结果。

[0113] 随着用户服务请求和服务交互次数的逐渐增加，学习模型将帮助服务中介商明晰其所面对的客户群的服务偏好。比如，当某服务中介商发现其所服务的客户倾向挑选价格便宜的云服务，则他将逐渐倾向于在服务资源池中挑选价格更便宜的云服务以满足客户群的需求。

[0114] 5‑2.利用学习模型选择加入新的云服务。

[0115] 平台注册有一定数量的服务中介商。如果中介商管理的服务提供商数量未达到饱和，他们将每隔一段时间从云服务市场中寻找更多的服务提供商以及他们提供的云服务。此时，将云服务的服务属性录入到决策树中，可以自动做出是否吸纳该服务的决策。显然，学习模块可以帮助服务中介商不断修正他们的服务资源结构，从而增强其在云服务市场的竞争力。

[0116] 根据决策树模型，在云服务资源池中遴选新的云服务。图11显示云存储服务为例的决策树模型。图中考虑了存储大小，价格，传输速度三个云存储的属性，一共演绎了四条决策规则。

[0117] 通常决策规则的表达方式是

[0118] If(condition1)and(condition2)and(…)

[0119] Then outputs

[0120] 所以，对于图11而言，决策树模型所演绎的规则可以是：

[0121] If(存储大小>500G)and(传输速度<1M/s)

[0122] Then云服务被接受

[0123] 当中介商学习到了这条规则的时候，它就可以在诸多云服务商中寻找满足上述规则的云服务商和云服务，从而实现对所管理服务资源池的动态调整和优化。

[0124] 5‑3.淘汰不符合用户需求的云服务

[0125] 为了维护一个更具市场竞争力的云服务资源结构、降低管理成本，中介商还将定期剔除少量不受用户青睐的云服务商和不符合用户需求的云服务。

[0126] 所谓不受欢迎的云服务提供商，指的是那些与用户交互次数极少、用户反馈又比较差的云服务商。而所谓不合需求的云服务，是指与用户实际服务需求匹配度很低、极少被用户选择的云服务。为了降低管理成本，将这一类云服务商或服务从服务资源池中删除。淘汰云服务的目标是维护一个更具市场竞争力的云服务资源结构，符合降低资源管理成本的客观需求。