鐘維堅(jiān) 何 慶

（中國(guó)移動(dòng)信息技術(shù)有限公司，廣東 廣州 510640）

1 引言

隨著人類對(duì)大自然探索的深入和基礎(chǔ)學(xué)科理論工具的發(fā)展，基于電子信息發(fā)展而來(lái)的通信技術(shù)和超大規(guī)模計(jì)算機(jī)技術(shù)，包括大數(shù)據(jù)、云計(jì)算、人工智能、物聯(lián)網(wǎng)等，成為全球技術(shù)發(fā)展戰(zhàn)略要地，體現(xiàn)各國(guó)經(jīng)濟(jì)生產(chǎn)力水平?！吨袊?guó)信通院云計(jì)算發(fā)展白皮書（2020年）》預(yù)測(cè)，國(guó)內(nèi)私有云市場(chǎng)規(guī)模將從2018年的約525億到2023年的近1447億（圖1），相應(yīng)政策環(huán)境日趨完善。作為最早推出云計(jì)算平臺(tái)的運(yùn)營(yíng)商，中國(guó)移動(dòng)云計(jì)算應(yīng)用從互聯(lián)網(wǎng)行業(yè)向政務(wù)、金融、工業(yè)、醫(yī)療等傳統(tǒng)行業(yè)加速滲透。云計(jì)算技術(shù)的不斷發(fā)展成熟，促使大型軟件、工具和平臺(tái)快速迭代，系統(tǒng)復(fù)雜度不斷提升，相應(yīng)地建設(shè)成本也日益提升，為了降低成本，搭建安全、敏捷、效率最優(yōu)的系統(tǒng)，高集成度的開放平臺(tái)日益受到青睞，基于資源分層精細(xì)化管控、自由可自定義集成多個(gè)工具組件的PaaS平臺(tái)，靈活支撐應(yīng)用快速開發(fā)迭代成為主流。

在對(duì)云平臺(tái)的運(yùn)營(yíng)管理工作中，為確保對(duì)公司資源的有效利用，經(jīng)常需要分析平臺(tái)用戶價(jià)值，評(píng)估用戶申請(qǐng)資源的合理性。該方面常用的一類工作方式是直接查看用戶的資源利用率、資源占用等明細(xì)運(yùn)營(yíng)數(shù)據(jù)，并憑經(jīng)驗(yàn)做出判決，該方式缺乏統(tǒng)一、直觀、科學(xué)的數(shù)據(jù)指標(biāo)對(duì)運(yùn)營(yíng)工作進(jìn)行指導(dǎo)，影響工作效率。

其它針對(duì)云平臺(tái)用戶的分析方法，往往聚焦于用戶行為等方向，如胡曉祥（2014）基于云平臺(tái)設(shè)計(jì)了對(duì)海量網(wǎng)絡(luò)用戶行為數(shù)據(jù)進(jìn)行處理和分析的方法，重點(diǎn)解決海量網(wǎng)頁(yè)分類過(guò)濾時(shí)間代價(jià)高以及對(duì)用戶訪問(wèn)網(wǎng)頁(yè)內(nèi)容分析層次淺的問(wèn)題，達(dá)到了對(duì)海量網(wǎng)絡(luò)用戶行為數(shù)據(jù)分析的高效性要求[1]；又如王電輕（2016）設(shè)計(jì)了一套涵蓋數(shù)據(jù)收集、數(shù)據(jù)處理、數(shù)據(jù)計(jì)算、數(shù)據(jù)可視化的用戶行為分析系統(tǒng)，提取用戶行為特征對(duì)策略管控和智能服務(wù)以及推動(dòng)未來(lái)智慧協(xié)同網(wǎng)絡(luò)發(fā)展[2]。這些方法均不能解決分析企業(yè)云用戶價(jià)值的問(wèn)題。

圖1 國(guó)內(nèi)私有云市場(chǎng)規(guī)模及增速

另一方面，在針對(duì)用戶類對(duì)象的分析方法，往往只采用有監(jiān)督的方法。如王慶娟等（2018）對(duì)用戶進(jìn)行特征分析，從基礎(chǔ)信息、交費(fèi)行為、用電特征三大維度出發(fā)，提煉出多個(gè)影響出租房客戶分析的指標(biāo)作為預(yù)測(cè)指標(biāo)集，通過(guò)C5.0決策樹算法構(gòu)建出租房用戶預(yù)測(cè)模型[3]。其缺點(diǎn)是無(wú)法很好地處理連續(xù)型的特征，容易過(guò)擬合，需要人為剪枝，且會(huì)忽略特征之間的相關(guān)性。以上缺點(diǎn)將會(huì)導(dǎo)致用戶分析系統(tǒng)無(wú)法支撐大規(guī)模、多類型用戶的分析。

綜上所述，針對(duì)大規(guī)模、多租戶類別、數(shù)據(jù)多樣的海量租戶入駐前分析系統(tǒng)，上述方法無(wú)法提供全面、有效的租戶入駐前分析方法與系統(tǒng)。因此，本文提出一種基于主客觀分析方法相結(jié)合的用戶價(jià)值分析方法。

2 預(yù)備知識(shí)與問(wèn)題定義

2.1 綜合評(píng)價(jià)方法

綜合評(píng)價(jià)方法需要結(jié)合多因素和指標(biāo)，對(duì)待評(píng)價(jià)系統(tǒng)做出整體性、全局性判斷。綜合評(píng)價(jià)方法已應(yīng)用于人類生活的各個(gè)領(lǐng)域，若待評(píng)價(jià)對(duì)象x因素個(gè)數(shù)為p，x={x1,x2,…,xp}，w表示權(quán)重，其常用方法如下：

（1）區(qū)間評(píng)分法：區(qū)間評(píng)分法通過(guò)將各個(gè)指標(biāo)轉(zhuǎn)化為具體的分值后進(jìn)行匯總的方式，對(duì)事物進(jìn)行評(píng)價(jià)[4]。其第一步是劃分等級(jí)，然后將指標(biāo)按照劃分標(biāo)準(zhǔn)進(jìn)行打分，再基于確定好的指標(biāo)權(quán)重，進(jìn)行線性加權(quán)求和，得到綜合得分。這種方法的缺點(diǎn)是對(duì)評(píng)價(jià)對(duì)象的區(qū)分程度不足。

（2）綜合指數(shù)法：實(shí)際值與標(biāo)準(zhǔn)值進(jìn)行對(duì)比后再使用線性綜合匯總得到綜合評(píng)分，該方法缺點(diǎn)是存在線性替代的現(xiàn)象[5]。若x0為待評(píng)價(jià)事務(wù)因素的均值，則綜合指數(shù)法評(píng)分Z為：

（3）秩和比評(píng)價(jià)方法：秩和比評(píng)價(jià)方法對(duì)各個(gè)指標(biāo)進(jìn)行處理，獲得各指標(biāo)對(duì)應(yīng)的秩r，然后對(duì)秩進(jìn)行加權(quán)綜合處理，進(jìn)行綜合評(píng)價(jià)，其缺點(diǎn)是當(dāng)數(shù)據(jù)量較大時(shí)，成本較高[6]。秩和比計(jì)算公式如下：

（4）功效系數(shù)法：功效系數(shù)法對(duì)規(guī)格化后，對(duì)參數(shù)的靈活設(shè)置，通過(guò)線性綜合法或幾何綜合法，計(jì)算功效系數(shù)的綜合評(píng)估值[7]。

（5）模糊綜合評(píng)價(jià)法：模糊綜合評(píng)價(jià)法是一種基于模糊數(shù)學(xué)的綜合評(píng)價(jià)方法[8]。該綜合評(píng)價(jià)法根據(jù)模糊數(shù)學(xué)的隸屬度理論把定性評(píng)價(jià)轉(zhuǎn)化為定量評(píng)價(jià)，即用模糊數(shù)學(xué)對(duì)受到多種因素制約的事物或?qū)ο笞鞒鲆粋€(gè)總體的評(píng)價(jià)。它具有結(jié)果清晰、系統(tǒng)性強(qiáng)的特點(diǎn)，能較好地解決模糊的、難以量化的問(wèn)題，適合各種非確定性問(wèn)題的解決。

2.2 問(wèn)題定義

給定n個(gè)用戶X={xi},i=1,2,...,n，其中xi代表第i個(gè)用戶。每個(gè)用戶xi在云平臺(tái)上的特征數(shù)據(jù)用表示。本文的目的是設(shè)計(jì)一個(gè)滿足私有云平臺(tái)評(píng)估用戶價(jià)值的算法。

文中常用的符號(hào)以及說(shuō)明見表1。

表1 符號(hào)及說(shuō)明

3 用戶價(jià)值評(píng)估方法

本文提出一種云平臺(tái)多用戶價(jià)值評(píng)估方法，方法包括對(duì)用戶特征的采集處理、建立專家評(píng)分模型、建立客觀評(píng)分模型三部分。

3.1 特征采集處理

特征處理需要確定采集用戶運(yùn)營(yíng)特征的種類、范圍，并通過(guò)特征工程對(duì)特征進(jìn)行處理和轉(zhuǎn)換，具體步驟如下：

步驟1 特征處理需要確定采集用戶運(yùn)營(yíng)特征的種類、范圍。本方案基于用戶資源占用、資源利用、價(jià)值和意義三方面對(duì)總計(jì)40維特征進(jìn)行采集，并將這40維特征定義為一級(jí)特征，具體如表2。

步驟2 轉(zhuǎn)換資源占用方面特征為二級(jí)特征：

步驟2.1 依據(jù)其他公司數(shù)據(jù)規(guī)模和建設(shè)各類資源規(guī)模數(shù)據(jù)，建立回歸預(yù)測(cè)模型，從而獲得二級(jí)特征體現(xiàn)用戶數(shù)據(jù)規(guī)模與所申請(qǐng)資源規(guī)模對(duì)等程度：

步驟2.1.1 收集移動(dòng)31個(gè)省公司數(shù)據(jù)規(guī)模和建設(shè)各類資源規(guī)模數(shù)據(jù)，數(shù)據(jù)包含特征見表3。

步驟2.1.2 構(gòu)建訓(xùn)練集X，則：

步驟2.1.3 構(gòu)建訓(xùn)練標(biāo)簽Y，則：

步驟2.1.4 基于X，Y構(gòu)建線性回歸模型Modelf(X,Y)

步驟2.1.5 對(duì)待評(píng)估用戶x1，使用已構(gòu)建的回歸模型預(yù)測(cè)其數(shù)據(jù)規(guī)模：

步驟2.1.6 評(píng)估用戶實(shí)際數(shù)據(jù)量與用戶申請(qǐng)資源預(yù)計(jì)能處理數(shù)據(jù)規(guī)模進(jìn)行比較，從而確定二級(jí)特征：

表2 一級(jí)特征及說(shuō)明

表3 31個(gè)省公司的數(shù)據(jù)特征

步驟3轉(zhuǎn)換資源利用方面特征為二級(jí)特征：

表4 二級(jí)特征及說(shuō)明

步驟3.4定義CPU、存儲(chǔ)、內(nèi)存單價(jià)為cpu_price=1000，volumn_price=150，raw_price=70，從而確定用戶分別表示存儲(chǔ)、CPU、內(nèi)存利用率產(chǎn)生的資源浪費(fèi)成本：

步驟4轉(zhuǎn)換用戶價(jià)值和意義方面特征為二級(jí)特征：

步驟4.1確定用戶占用資源總價(jià)值cost:

步驟5以上特征處理方法定義為Ftransform，則40維用戶特征通過(guò)Ftransform方法處理后，輸出27維二級(jí)特征，具體見表4，其中OD表示特征最優(yōu)方向，若OD=1，該特征值越大，用戶評(píng)價(jià)越優(yōu)，OD=-1時(shí)相反。

3.2 算法設(shè)計(jì)

3.2.1 基于模糊評(píng)估和SVM的專家評(píng)估方法

專家評(píng)估方法結(jié)合模糊綜合評(píng)估方法和SVM支持向量機(jī)，首先利用模糊綜合評(píng)估方法在專家打分的基礎(chǔ)上得到方案定義的五個(gè)重要用戶價(jià)值維度的評(píng)分，以及模糊綜合得分，再使用SVM訓(xùn)練學(xué)習(xí)專家評(píng)分機(jī)制，實(shí)現(xiàn)自動(dòng)獲得五個(gè)維度評(píng)分以及模糊綜合評(píng)分的能力，具體步驟如下：

算法1專家評(píng)估方法

輸入：用戶數(shù)據(jù)集X={xi},i=1,2,...,n，xi包含特征

輸出：用戶評(píng)分：es

步驟1 確定評(píng)價(jià)因素Fset={f1,f2,f3,f4,f5}={資源利用、資源合理性、用戶經(jīng)濟(jì)價(jià)值、用戶科技創(chuàng)新價(jià)值、政治和管理意義}

步驟2 確定因素評(píng)價(jià)集FES={〖fes〗_1,〖fes〗_2,..,〖fes〗_5}={a,b,c,d,e}，以及對(duì)應(yīng)分?jǐn)?shù)as={95,85,70,50,20}

步驟3 使用層次分析法，確定評(píng)價(jià)因素權(quán)重

步驟4 運(yùn)營(yíng)工作相關(guān)專家對(duì)用戶各維度評(píng)分，專家數(shù)量為rn，則評(píng)分為err,l∈FES，表示第r位專家對(duì)該用戶第l項(xiàng)因素的評(píng)分，則評(píng)分集為ERr,l為：

步驟5 計(jì)算專家對(duì)該用戶各評(píng)價(jià)因素評(píng)分類型占比：

確定模糊綜合判斷矩陣SR：

步驟6 確定用戶各因素評(píng)分ds：

步驟7 進(jìn)行模糊綜合評(píng)判，確定用戶屬于各類評(píng)分的隸屬度，以及用戶最終模糊評(píng)分fscore：

步驟8 基于SVM算法訓(xùn)練回歸模型，學(xué)習(xí)專家評(píng)分機(jī)制：

用戶數(shù)據(jù)X，經(jīng)過(guò)本文3.1的特征處理并歸一化后得到X'，根據(jù)5個(gè)維度的評(píng)分結(jié)果，訓(xùn)練集歸一化后分別訓(xùn)練5個(gè)回歸模型 modeld(X',Y),d=1,2,...,5

獲取回歸模型輸出

將Yd拼接到原有用戶數(shù)據(jù)集X'，得到X''

訓(xùn)練模糊評(píng)分回歸模型model fuzzy(X',fscore)

步驟9 當(dāng)需要對(duì)用戶x確定其專家評(píng)分時(shí)：

經(jīng)過(guò)特征處理并歸一化后得到x'后，輸入model d,d=1,2,...,5得到該用戶在Fset上5個(gè)因素上的評(píng)分

輸出用戶專家評(píng)估分?jǐn)?shù)es=model fuzzy(x')

3.2.2 客觀評(píng)估方法設(shè)計(jì)

客觀評(píng)估方法首先使用本文3.1所述特征處理方法對(duì)用戶特征數(shù)據(jù)進(jìn)行處理，再使用“標(biāo)準(zhǔn)差權(quán)術(shù)法”對(duì)用戶各特征指標(biāo)進(jìn)行賦權(quán)后，采用“TOPSIS理想解法”，對(duì)用戶價(jià)值分?jǐn)?shù)進(jìn)行評(píng)估，算法具體步驟如下：

算法1客觀評(píng)估方法

輸入：用戶數(shù)據(jù)集X={xi},i=1,2,...,n，xi包含特征

輸出：用戶評(píng)分：osi

步驟1 使用3.1所述特征處理方法對(duì)用戶特征數(shù)據(jù)進(jìn)行處理：X'=Ftransform(X)，處理后X'包含特征

步驟2 利用標(biāo)準(zhǔn)差權(quán)術(shù)法對(duì)各特征進(jìn)行賦權(quán)：

求特征矩陣X'各特征的均值：

求每個(gè)特征的權(quán)重：

步驟3 計(jì)算得到加權(quán)之后的特征矩陣：

步驟4 尋找最優(yōu)最劣解，找到每一個(gè)特征的最優(yōu)記為，找到每一特征最差記為，最優(yōu)解為F+，最劣解為F-，則：

步驟5 計(jì)算各用戶與最優(yōu)最劣向量的歐式距離：

步驟6 計(jì)算用戶的相對(duì)貼近程度：

3.2.3 整體方法說(shuō)明

用戶價(jià)值評(píng)估方法結(jié)合用戶的生命周期，從用戶本身的資源占用、數(shù)據(jù)占用、利用率等多維度進(jìn)行評(píng)估，建立評(píng)估模型，輸出用戶價(jià)值分?jǐn)?shù)。

其中專家評(píng)分方法利用了模糊綜合評(píng)價(jià)方法，在專家對(duì)各用戶指標(biāo)進(jìn)行打分后，確定各個(gè)指標(biāo)的權(quán)重，建立模糊綜合判斷矩陣，計(jì)算得出模糊評(píng)價(jià)，因模糊綜合評(píng)價(jià)方法需要專家對(duì)用戶指標(biāo)進(jìn)行打分，為在后續(xù)工作中省略該步驟，計(jì)劃用SVM分類算法對(duì)模糊評(píng)價(jià)結(jié)果進(jìn)行訓(xùn)練，學(xué)習(xí)專家打分規(guī)則知識(shí)。而客觀評(píng)分模型則是采用標(biāo)準(zhǔn)差系數(shù)權(quán)重法對(duì)用戶各指標(biāo)進(jìn)行權(quán)重設(shè)定后，使用TOPSIS理想解法，對(duì)用戶價(jià)值進(jìn)行客觀評(píng)分。

定義專家評(píng)分方法輸出用戶分?jǐn)?shù)esi，客觀評(píng)分方法輸出分?jǐn)?shù)osi，則用戶整體價(jià)值為：

方法整體流程如圖2。

圖2 整體流程圖示

4 實(shí)驗(yàn)結(jié)果分析

本文基于移動(dòng)私有云用戶數(shù)據(jù)對(duì)所提出算法進(jìn)行測(cè)試。用戶特征數(shù)據(jù)為標(biāo)準(zhǔn)40維云平臺(tái)運(yùn)營(yíng)特征，經(jīng)過(guò)特征處理后獲取27位二級(jí)特征。之后分別利用專家評(píng)估模型和客觀評(píng)估模型，獲得加權(quán)后的總評(píng)分，整體流程如圖3。

經(jīng)過(guò)模型分析，同時(shí)可獲得各類型特征對(duì)評(píng)分結(jié)果重要性權(quán)重，如圖4。

5 結(jié)束語(yǔ)

隨著越來(lái)越多的用戶入駐云平臺(tái)，在對(duì)云平臺(tái)的運(yùn)營(yíng)管理工作中，為確保對(duì)公司資源的有效利用，經(jīng)常需要分析平臺(tái)用戶價(jià)值，評(píng)估用戶申請(qǐng)資源的合理性。該方面常用的一類工作方式是直接查看用戶的資源利用率、資源占用等明細(xì)運(yùn)營(yíng)數(shù)據(jù)，并憑經(jīng)驗(yàn)做出判決，該方式缺乏統(tǒng)一、直觀、科學(xué)的數(shù)據(jù)指標(biāo)對(duì)運(yùn)營(yíng)工作進(jìn)行指導(dǎo)，影響工作效率。

本文定義了云平臺(tái)用戶價(jià)值分析方法，方法使用了特殊的特征處理方式獲得租戶二級(jí)特征，體現(xiàn)租戶在租戶資源利用、資源合理性、租戶經(jīng)濟(jì)價(jià)值、租戶科技創(chuàng)新價(jià)值、政治和管理意義方面的特性，并從專家評(píng)分模型、客觀評(píng)分模型兩個(gè)方面對(duì)租戶建立評(píng)估方法，綜合輸出用戶價(jià)值評(píng)分。

本文提出的云平臺(tái)用戶價(jià)值方法結(jié)合客觀評(píng)分模型和專家評(píng)分模型，分析結(jié)果可靠、穩(wěn)定，改變了以往評(píng)估方法過(guò)于主觀、缺乏適用性的問(wèn)題，能較好地適用于云平臺(tái)用戶分析工作。

圖3 測(cè)試流程圖

圖4 各類型特征對(duì)評(píng)分結(jié)果重要性權(quán)重