本發(fā)明涉及大數(shù)據(jù)分析領(lǐng)域和信息可視化領(lǐng)域，特別涉及一種基于飛蛾算法的云數(shù)據(jù)中心認(rèn)知資源調(diào)度方法。

背景技術(shù)：

云計算被認(rèn)為是下一代的IT服務(wù)模式，近年來受到政府，企業(yè)，學(xué)術(shù)界的巨大關(guān)注。此外，它還是一種超級的計算模式，其中包含著大量分散、異構(gòu)資源，通過整合這些異構(gòu)，分散資源，以服務(wù)的形式提供給使用者，只需要通過具有普通計算和存儲能力的終端設(shè)備，就可以獲得強大的計算能力?，F(xiàn)在云計算普遍采用虛擬化技術(shù)，利用分散在各地的物理機剩余資源，虛擬出統(tǒng)一的虛擬資源池(包括處理器，內(nèi)存，存儲，網(wǎng)絡(luò)等)，將這些資源像水電等公共事業(yè)一樣被組織與管理，供需要它的用戶按需調(diào)度。

云數(shù)據(jù)中心認(rèn)知資源調(diào)度系統(tǒng)模型架構(gòu)由云代理，資源調(diào)度器，云服務(wù)器三大部分構(gòu)成，云代理的具體工作內(nèi)容有：根據(jù)用戶請求中的標(biāo)志位判斷用戶請求類別，若表示用戶請求為實時性，應(yīng)立即配資源，將該類用戶請求按先來先服方式插入到等待隊列Ⅰ；若表示用戶請求可以允許有一定時延，將該類用戶請求插入到等待隊列Ⅱ，我們對這些用戶請求做批量處理，采用時間片輪詢的方式將隊列Ⅱ的請求批量向資源調(diào)度器提交。

目前云服務(wù)提供商SP(Service Provider)在大多數(shù)情況下主要為用戶(User)提供資源按需配置方案。資源按需配置是指云服務(wù)提供商實時為用戶調(diào)度各種所需資源。在云計算中，資源分配更確切的是一種商業(yè)行為，必須兼顧云服務(wù)提供商(SP)的收益與云用戶(User)滿意度，通過合理的資源調(diào)度算法，可以實現(xiàn)在兩者基礎(chǔ)的資源最優(yōu)化配置。

現(xiàn)有云計算技術(shù)中，云數(shù)據(jù)中心資源利用率較低。另一方面，由于前者利用率較低導(dǎo)致云服務(wù)提供商的收益也受到相應(yīng)影響。

例如申請?zhí)枮?01610057638.8的基于改進(jìn)的遺傳算法的云計算資源調(diào)度實現(xiàn)方法，該發(fā)明為基于改進(jìn)的遺傳算法的云計算資源調(diào)度實現(xiàn)方法，隨著云計算的發(fā)展，數(shù)據(jù)中心規(guī)模越大，能耗問題和資源利用率成為最主要的制約因素，因此在滿足用戶需求的基礎(chǔ)上，如何設(shè)計合理的資源調(diào)度方法，提高資源利用率，降低能耗成為迫切需要解決的問題，也是目前云計算發(fā)展的瓶頸之一。該方法將遺傳算法進(jìn)行改進(jìn)，并應(yīng)用到云計算資源調(diào)度中。將SLA約束和能耗約束作為適應(yīng)度函數(shù)，使得虛擬機在物理機上創(chuàng)建時能夠找到最合適的放置策略，改進(jìn)后的遺傳算法在滿足用戶需求基礎(chǔ)上，節(jié)約能耗，最大程度產(chǎn)生最優(yōu)的經(jīng)濟效益。

但該方法僅從單目標(biāo)方面考慮適應(yīng)度函數(shù)的設(shè)計，同時，遺傳算法的執(zhí)行效率較低且易出現(xiàn)過早收斂等情況。

技術(shù)實現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是解決上述的技術(shù)問題，提出了一種基于飛蛾算法的云數(shù)據(jù)中心認(rèn)知資源調(diào)度方法，將飛蛾算法用于解決云數(shù)據(jù)中心認(rèn)知資源調(diào)度問題，從而提升云數(shù)據(jù)中心資源利用率和云服務(wù)提供商的收益。

本發(fā)明為解決上述技術(shù)問題采用以下技術(shù)方案

一種基于飛蛾算法的云數(shù)據(jù)中心認(rèn)知資源調(diào)度方法，具體包含如下步驟：

步驟1，用戶根據(jù)自身所需資源向云數(shù)據(jù)庫中的資源庫提出請求；

步驟2，將云數(shù)據(jù)庫中的資源初始化成一個飛蛾種群，并計算每個飛蛾種群的適應(yīng)度值；

步驟3，初始化火焰種群和火焰適應(yīng)度值，對飛娥種群的適應(yīng)度值進(jìn)行從大到小的排序，并將排序后的種群和適應(yīng)度值作為火焰的種群和適應(yīng)度值；

步驟4，記錄最大的火焰適應(yīng)度值和相應(yīng)適應(yīng)度值對應(yīng)的位置，并對飛蛾的種群進(jìn)行位置更新；

步驟5，判斷迭代次數(shù)是否滿足設(shè)定迭代次數(shù)，若達(dá)到指定代數(shù)，輸出最終的火焰種群和火焰適應(yīng)度值，若不滿足，繼續(xù)進(jìn)行迭代操作；

步驟6，對最終輸出的火焰種群和火焰適應(yīng)度值進(jìn)行相關(guān)映射，從而得到云數(shù)據(jù)庫中所有資源的一個最佳調(diào)度方案；

步驟7，得出最終結(jié)果，按照結(jié)果將任務(wù)分配到虛擬機中。

作為本發(fā)明一種基于飛蛾算法的云數(shù)據(jù)中心認(rèn)知資源調(diào)度方法的進(jìn)一步優(yōu)選方案，在步驟2中，計算每個飛蛾種群的適應(yīng)度值，具體計算如下：

其中，為飛蛾i在第t次迭代的解，表示解的個體執(zhí)行時間適應(yīng)度函數(shù)；表示解的個體負(fù)載適應(yīng)度函數(shù)。

作為本發(fā)明一種基于飛蛾算法的云數(shù)據(jù)中心認(rèn)知資源調(diào)度方法的進(jìn)一步優(yōu)選方案，在步驟3中，根據(jù)飛蛾種群適應(yīng)度數(shù)值的大小進(jìn)行從大到小的排序。

作為本發(fā)明一種基于飛蛾算法的云數(shù)據(jù)中心認(rèn)知資源調(diào)度方法的進(jìn)一步優(yōu)選方案，步驟4中的位置更新是對已有飛蛾種群的一次迭代，進(jìn)而產(chǎn)生下一代的飛蛾種群。

作為本發(fā)明一種基于飛蛾算法的云數(shù)據(jù)中心認(rèn)知資源調(diào)度方法的進(jìn)一步優(yōu)選方案，在步驟5中，迭代次數(shù)為50。

本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：

本發(fā)明針對目前云數(shù)據(jù)中心資源利用率較低以及云服務(wù)提供商收益低的問題，將飛蛾算法用于解決云數(shù)據(jù)中心認(rèn)知資源調(diào)度問題，從而提升云數(shù)據(jù)中心資源利用率和云服務(wù)提供商的收益。此外，改進(jìn)后的飛蛾算法在滿足用戶需求的基礎(chǔ)上，最大程度上地去產(chǎn)生最優(yōu)的經(jīng)濟效益。

附圖說明

圖1是本發(fā)明基于飛蛾算法的云數(shù)據(jù)中心認(rèn)知資源調(diào)度方案流程圖；

圖2是基于遺傳算法的發(fā)明框架示意圖；

圖3是本發(fā)明云計算任務(wù)調(diào)度模型。

具體實施方式

下面結(jié)合附圖對本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)說明：

如圖1所示，一種基于飛蛾算法的云數(shù)據(jù)中心認(rèn)知資源調(diào)度方法，具體包含如下步驟：

步驟1，用戶根據(jù)自身所需資源向云數(shù)據(jù)庫中的資源庫提出請求；

步驟2，將云數(shù)據(jù)庫中的資源初始化成一個飛蛾種群，并計算每個飛蛾種群的適應(yīng)度值；

步驟3，初始化火焰種群和火焰適應(yīng)度值，對飛娥種群的適應(yīng)度值進(jìn)行從大到小的排序，并將排序后的種群和適應(yīng)度值作為火焰的種群和適應(yīng)度值；

步驟4，記錄最大的火焰適應(yīng)度值和相應(yīng)適應(yīng)度值對應(yīng)的位置，并對飛蛾的種群進(jìn)行位置更新；

步驟5，判斷迭代次數(shù)是否滿足設(shè)定迭代次數(shù)，若達(dá)到指定代數(shù)，輸出最終的火焰種群和火焰適應(yīng)度值，若不滿足，繼續(xù)進(jìn)行迭代操作；

步驟6，對最終輸出的火焰種群和火焰適應(yīng)度值進(jìn)行相關(guān)映射，從而得到云數(shù)據(jù)庫中所有資源的一個最佳調(diào)度方案；

步驟7，得出最終結(jié)果，按照結(jié)果將任務(wù)分配到虛擬機中。

在步驟3中，根據(jù)飛蛾種群適應(yīng)度數(shù)值的大小進(jìn)行從大到小的排序。

步驟4中的位置更新是對已有飛蛾種群的一次迭代，進(jìn)而產(chǎn)生下一代的飛蛾種群。

在步驟5中，迭代次數(shù)為50。

如圖2所示，云任務(wù)調(diào)度可以描述為由任務(wù)調(diào)度器將n個相互獨立的任務(wù)分配到m個空閑的資源上(n>m)的過程，并遵循負(fù)載均衡、最優(yōu)跨度、QoS等原則，實現(xiàn)資源的充分利用。

如圖3所示，云計算任務(wù)調(diào)度模型

假設(shè)n個任務(wù)，m個虛擬化資源。在這個模型中，存在著從任務(wù)到虛擬機的調(diào)度，該調(diào)度根據(jù)任務(wù)的大小、優(yōu)先級以及虛擬機的處理能力、內(nèi)存等為虛擬機分配任務(wù)策略。本文研究的是從任務(wù)到虛擬機的調(diào)度。在這個過程中，適應(yīng)度函數(shù)的設(shè)計對飛蛾算法在尋優(yōu)過程中起著決定性作用。

本發(fā)明為實現(xiàn)上述發(fā)明目的采用如下技術(shù)方案：

為使云數(shù)據(jù)中心認(rèn)知資源調(diào)度達(dá)到最優(yōu)，需綜合考慮以下兩個因素：執(zhí)行時間和負(fù)載均衡。

1)執(zhí)行時間會影響用戶對服務(wù)的滿意程度和用戶體驗，從而影響資源服務(wù)提供商的收益。因此，執(zhí)行時間可以定義為：

runTime_ij＝finishTime_ij-startTime_ij (1)

其中，runTime_ij為任務(wù)t_i在虛擬機VM_j上的執(zhí)行時間，finishTime_ij為任務(wù)t_i在虛擬機VM_j上的完成時間，starTime_ij為任務(wù)t_i在虛擬機VM_j上的開始時間。則全部虛擬機的總執(zhí)行時間為：

2)云數(shù)據(jù)中心認(rèn)知資源調(diào)度要考慮的另一個因素是負(fù)載均衡。負(fù)載是指被分到一臺虛擬機上的所有任務(wù)的總長度。多個任務(wù)被分配到一臺或多臺虛擬機上同時執(zhí)行，調(diào)度器需協(xié)調(diào)好任務(wù)分配，避免出現(xiàn)虛擬機負(fù)載過重或空閑狀態(tài)。

假設(shè)所有任務(wù)是獨立的，非搶占式的，所有虛擬機是獨立的，并行的。

虛擬機VM_j在某一時刻的負(fù)載定義為：

其中，taskLength_j為某時刻虛擬機VM_j服務(wù)隊列中的任務(wù)長度。

則全部虛擬機的總負(fù)載為：

適應(yīng)度值用來評價群體智能算法中個體的優(yōu)劣程度，適應(yīng)度值越大，則個體越好，反之個體越差。將飛蛾算法用于云數(shù)據(jù)中心認(rèn)知資源調(diào)度的主要思想是通過適應(yīng)度值對選出來的資源調(diào)度方案進(jìn)行評估，從而選出一個最佳的調(diào)度方案，設(shè)為飛蛾i在第t次迭代的解，則擬設(shè)計出如下適應(yīng)度函數(shù)來評估飛蛾i:

其中，為飛蛾i在第t次迭代的解，表示解的個體執(zhí)行時間適應(yīng)度函數(shù)；表示解的個體負(fù)載適應(yīng)度函數(shù)。由于兩個優(yōu)化目標(biāo)的數(shù)量級相差較遠(yuǎn)，直接相加誤差較大，則需要對兩個結(jié)果進(jìn)行數(shù)值規(guī)范化。通過對兩個結(jié)果分別取對數(shù)，再取倒數(shù)，得到各自的適應(yīng)度函數(shù)。再采用最簡便的求和策略來獲得適應(yīng)度值，則整合兩個優(yōu)化目標(biāo)的適應(yīng)度函數(shù)為：

在群體智能算法中，通常采用特定的編碼方式來表示任務(wù)調(diào)度方案，再根據(jù)該編碼進(jìn)行操作，最后迭代到最優(yōu)解，從而選出最優(yōu)任務(wù)調(diào)度方案。

本發(fā)明針對目前云數(shù)據(jù)中心資源利用率較低以及云服務(wù)提供商收益低的問題，將飛蛾算法用于解決云數(shù)據(jù)中心認(rèn)知資源調(diào)度問題，從而提升云數(shù)據(jù)中心資源利用率和云服務(wù)提供商的收益。此外，改進(jìn)后的飛蛾算法在滿足用戶需求的基礎(chǔ)上，最大程度上地去產(chǎn)生最優(yōu)的經(jīng)濟效益。