孙煜华 吴永欢 廖嘉炜

（广州供电局 广州 510620）

1 引言

随着移动互联网的兴起，应用工作模式发生翻天覆地的变化，为了适应移动办公、移动支付、移动商务的应用趋势发展，各企业考虑将PC端应用向移动端迁移；但在企业普遍采用IT外包或IT众包构建信息化系统的模式下，因涉及众多厂商的协调、接口文档的缺失、关键人员的变动等，使得应用系统移动化迁移实施则面临不小难题，沟通环节多而复杂、耗时长、效率低。

DaaS（Data-as-a-service），继 IaaS、PaaS、SaaS后又一新概念，“数据即服务”，将数据以服务形式开放，精细化管理并供场景消费，这种数据供消模式就是DaaS。DaaS服务需要程序化载体，其主要实现形式就是API，因Open（开放与兼容性）、Con⁃figurable（可配置）、Handy（规范好用）、Accountable（可计量）、Secure（安全性）等服务特性，使得基于DAAS的应用系统移动化迁移成为可能。

因此，本研究主要基于DAAS构建技术架构平台实现应用系统移动化迁移，对于业务应用系统API自动生成过程与业务应用架构以及底层代码无关；研究DaaS生成的API接口以微服务方式发布，独立运行于业务应用之外，不需要改变业务应用已有运行模式，从而解决与厂商、人员、接口等关键环节强相关性难题，通过选取广州供电局OA办公系统移动化，并实际验证其有效性。

2 DAAS和应用系统移动化迁移相关技术的介绍

2.1 DAAS平台

面向大数据构建DaaS数据开采融合平台，以创新体系结构模型技术，重建出业务系统的数据接口，快速实时挖掘出系统数据，形成多源数据共享池，为数据开放、融合与增值创新提供高效的平台支撑。

图1 DAAS平台架构

DAAS平台架构分为3个层次：应用系统层、API共享层、移动化接入层，见图1所示。

应用系统层是由提供各类业务的信息系统所构成，不同业务系统由不同的厂商建设；共享API层是通过对Web应用API服务化，基于人机交互学习实现多个业务流程和数据重组与聚合，API以服务形式共享给相应系统进行调用，无需受限于应用系统开发商，更加快速构建应用；移动接入层采用Micro Service微服务架构理念快速打通应用边界，对API进行封装、搭配与数据聚合，从而形成各种各样的移动化应用等个性化需求。

基于资源利用率、运行能力、安全性等多方面考虑，引入DAAS云服务模式，使得用户可按需获得更充沛的移动桌面运行能力，大量移动化终端访问由直接访问形式变为通过DAAS云平台间接访问；利用云技术共享计算和存储资源，从而实现高效的资源调度与管理策略，实现资源的一体化管理和按需分配，隔离上层服务和资源直接对应关系；以便将合适的API数据资源交付给移动化终端，并通过数据资源的动态调配来保障用户体验问题。

基于DAAS将用户信息系统、应用程序API和用户数据转移到云计算环境中，用户本地不保留数据，实现移动化终端与应用系统的集中运行、存储和监控。

2.2 应用系统移动化迁移技术

实现应用系统移动化迁移，核心是实现每个业务流程的API化，因此，具体迁移化流程为1）学习 -＞ 2）生成 -＞ 3）部署 -＞ 4）运行 -＞ 5）管理，如图2所示。

图2 移动化迁移原理图

从图2中可见，主要通过对源系统界面和数据流的人机交互机器学习，将系统复杂的数据请求及展示转化为开放简洁API；一键部署API，搭建负载均衡和缓存架构，通过配置文件调整并发量、缓存、媒体处理效率等；基于API编写数据消费程序，执行程序调用API读写数据，最后进行API调配管理，遵循原系统用户访问和使用习惯读写数据。

利用黑盒系统API生成和调用，从消费者角度理解资源，复杂程度变最低，从提供者角度评估风险，系统风险趋近零，从资源相关者角度协调费遵循原有系统实现，价值变现最大化。

3 基于云模型行为仿真

3.1 机器学习云模型

设U是一个精确数值集合的定量论域，C为U上对应的定性概念。针对论域中的任意元素a都存在一个有稳定倾向的随机数μ（a），则这个随机数μ（a）称为a对定性概念C的隶属度，μ（a）在论域上的分布称为云模型，每个x称为一个云滴。

在对定性概念C的处理过程中，μ（a）是处于变化的过程中，但是单个点的局部变化不会强烈影响到隶属度云的整体特征，对于负载预测而言，隶属度值呈现的规律性变化才是值得重点研究的。

云模型中每一个点由期望值Ex、熵En、超熵He三个数字特征来表达，云模型以及数字特征如图3所示。

期望值Ex是云滴在U上分布的期望，在图3中直观表现为云的中心值。熵En是该点对于C的隶属度值，表达了该点的模糊性和随机性。超熵He为熵的不确定性度量，反应了云的凝聚度，在图中直观表现为云的厚度。

图3 云模型原理图

云模型的生成算法有正向云发生器和逆向云发生器。正向云发生器实现从定性概念到其定量表示的映射功能，逆向云发生器实现定量值到定性概念的转换功能。

3.2 迁移算法流程

云模型的时间序列预测操作流程主要有4个步骤：设置/优化建模参数据预处理，云模型预测以及模型评价。云模型时间序列预测流程如图4所示。

图4 移动化迁移原理图

预测算法流程大致可以分为两步。

第一步，对监测数据进行格式化处理，以便进行模型评价。格式化处理的方法是首先对经过零均值化处理的负载数据进行二次差分运算以消除其趋势线，然后用偏差法进行标准化处理。设采集的数据主机的负载序列是｛L｝t（t=1，2，……，n），则经过零均值化处理后API负载序列为{L'}。一阶t差分运算和二阶差分运算表达式如下。

因为物理主机上运行API负载变化具有非线性特征，因此采用偏差法进行处理，以便基于云模型对其进行评价。偏差法的处理公式如下。

第二步，通过云模型进行预测，将预测得到的预测序列进行反差分处理，即可得到最终的预测值。预测之间先要计算出序列｛D｝t的Ex、En和He。现在逆向云发生器中计算出Ex，然后根据式（4）计算出En，最后通过式5计算出序列方差S，将方差S带入式（6）得出He。

将计算得出的Ex、En和He输入到正向云发生器中，生成期望为En、方差为He2的随机数，然后依据正向云发生器生成期望是Ex、方差是的随机数yt，最后依据式（7）计算出隶属度mt。如果需要预测后面x个应用API的资源利用率，只需要重复上述操作即可获得资源利用率预测序列｛xt，m｝t（t=1，2，…，x）。最后将得出的序列和一阶差分序列、二阶差分序列进行两次反差分计算，得出最终的资源利用率的预测数值。

4 广州供电局OA协同办公移动化迁移验证

针对广州供电局OA协同办公移动化迁移，按迁移流程首先对OA协同办公系统进行人机交互学习、数据抓取构建一个个API服务平台（收文API、发文API、待办API等等）进行供给、管理和增值处理，OA API服务平台具备负载均衡、线性扩容等特点，如图5所示。

在本次移动化迁移过程中没有要求OA源厂商配合，没有原始技术文档参考，基于机器学习、云模型、迁移技术仅投入2人5天就已快速实现用户登录、收文代办处理、全部收文、APP开发等数据接口，供搭建移动APP灵活调用，如图6所示，经验证可行并且有效。

图5 OA API服务平台

图6 OA移动化迁移实施

5 结语

本文研究了基于DAAS基础架构的一种应用系统移动化迁移技术，对DAAS服务架构和应用系统迁移技术进行了重点研究，提出了一种基于DAAS的应用系统移动化迁移方案，并得出如下结论：1）基于机器学习的预测算法对Web应用系统业务流程进行API提取与聚合，也使得应用系统移动化、业务系统数据获取均变得简单高效，通过制定服务规范为第三方服务系统所调用访问，从而大大降低复杂度；2）基于云模型搭建DAAS服务平台在实现迁移方案能够有效均衡API的调用、数据聚合的安全性，提升API共享调用的有效性和运行效率。