CN103856563A - 基于服务质量要求驱动的云计算网络资源分配方法 - Google Patents

Abstract

本发明公开了一种基于服务质量要求驱动的云计算网络资源分配方法，步骤为：首先云计算网络中中央处理服务器收集用户终端的虚拟资源使用申请；其次收集底层网络中各节点的可用资源；最后采用量子免疫方法进行虚拟资源分配：初始化量子免疫方法参数及种群中每个抗体的量子编码向量；检验每个抗体编码向量是否满足底层节点的流守恒公式和最大容量限制公式、虚拟流量和带宽容量限制、及资源分配解的可行性限制；确定每个抗体的期望繁殖概率，并从种群中提取父代种群和记忆库种群；采用量子旋转门操作方法得到新群体中抗体，并合并记忆库中抗体构成新一代种群；重复多次，输出云计算网络虚拟资源分配的最优解。本发明能够高效利用虚拟资源，并保障用户终端的服务质量要求。

Description

基于服务质量要求驱动的云计算网络资源分配方法

技术领域

本发明属于计算机网络技术领域，特别是一种基于服务质量要求驱动的云计算网络资源分配方法。

背景技术

云计算为建立在计算和存贮虚拟化技术上的下一代数据中心保证了可靠的服务。云是一种包含一组相互连接和虚拟化的计算机分布式系统，这些计算机动态的提供一个或者多个统一的以服务水平协议为基础的计算资源，而此协议则是通过服务提供商和消费者的协商建立。因此云计算服务包括软件服务、基础设施服务和平台服务，这些服务每一个都有不同的商业价值。然而云计算的最终目的是创造一个包含计算机、服务器和数据中心的虚拟资源池来保证用户根据自己的需求获取存贮数据和应用的机会。

在分布式计算环境中，高达85%的计算能力是闲置的，云是解决这个问题的有效方法，它可以提供即时的和急需的计算访问资源，并且为用户和云的供应商节省了大量的成本。云供应商利用云的灵活的服务供应模型，可以在任何给定的时间内满足终端用户对服务质量有要求，在这样的一个环境下，云中所有的内置请求要求同时使用可能性非常小。因此物理资源在请求的资源当中可以被复用，这就使得我们可以容纳更多的请求。更重要的是，在未来因特网的前景中，因特网在什么地方连接物体和基础设施的联合变得尤为重要。对许多云计算应用而言，网络性能将成为云计算性能关键，从本质上来说云中服务质量的传递与网络结合在了一起，它推动着网络云模式的创造。

为了促进这一新兴模式的有效实现，传统的云计算资源和网络相关的资源需要被共同处理和优化。因此人们需要考虑动态配置和组合，并将网络资源和计算资源同时进行最优化。在资源的动态配置和组合过程中，还应该考虑这些资源的功能性和非功能性的特性，其中功能性参数定义了计算/网络的资源属性，例如，操作系统、支撑的虚拟环境等；而非功能性参数则明确提出各种资源的标准和约束，比如每一个节点的最大接口数、最大的磁盘空间等。因此和网络性能相关的指标则可以被视为需要优化的目标或者需要满足的约束。

专利1（一种云计算环境下的分层资源预留系统，华中科技大学，公开号CN102014159A，申请号CN201010565399.X，申请日2010.11.29）公开了一种云计算环境下的分层资源预留系统，该系统由中心预留服务器、区域预留服务器和多层次资源池组成。其中中心预留服务器包括预留请求响应层和多区域中心预留协同层；区域预留服务器分为逻辑调度层和资源分配层，逻辑调度层负责接受资源预留子请求，在逻辑上分配资源；资源分配层负责实施资源分配和回收。但是该方法是只是设计了云计算环境下的分层资源预留系统，没有设计云计算网络中的虚拟资源分配方法。

专利2（基于自适应弹性控制的云计算资源优化配置方法，合肥工业大学，公开号CN103220337A，申请号CN201310095506.0，申请日2013.03.22）公开了一种基于自适应弹性控制的云计算资源优化配置方法，该方法首先监控模块从云计算平台采集资源使用状态数据；其次预测模块利用从监控模块中获得的数据对下一时间段内的资源需求动态变化情况进行预测；最后资源配置模块利用当前和预测的云计算资源需求量来采取基于混合弹性控制的资源配置策略。然而该方法没有将计算资源和网络资源需要共同处理和优化，不能促进网络计算环境的高效实现。

发明内容

本发明的目的在于提供一种高效、可靠的基于服务质量要求驱动的云计算网络资源分配方法，从计算资源和网络带宽资源两个维度动态按需分配资源，以充分挖掘云计算网络中可用的硬件和软件资源。

实现本发明目的的技术解决方案为：一种基于服务质量要求驱动的云计算网络资源分配方法，包括以下步骤：

步骤1，云计算网络中中央处理服务器收集用户终端的虚拟资源使用申请；

步骤2，云计算网络中中央处理服务器收集底层网络中各节点的可用资源；

步骤3，云计算网络中中央处理服务器采用量子免疫方法进行虚拟资源分配，包括以下步骤：

步骤3.1，初始化量子免疫方法参数，初始化种群中每个抗体的量子编码向量；

步骤3.2，将每个抗体的量子编码向量转化为二进制向量；

步骤3.3，检验每个抗体编码向量是否满足底层节点的流守恒公式和底层节点最大容量限制公式，检验每个抗体编码向量是否满足虚拟流量和带宽容量限制，检验每个抗体编码向量是否满足资源分配解的可行性限制；

步骤3.4，确定每个抗体的期望繁殖概率，根据期望繁殖概率从种群中提取父代种群和记忆库种群；采用量子旋转门操作方法得到新群体中抗体，并且合并记忆库中抗体，构成新一代种群；

步骤3.5，重复步骤3.2～步骤3.4NI_g次，输出云计算网络虚拟资源分配的最优解，NI_g表示量子免疫方法的最大迭代次数。

本发明与现有技术相比，其显著优点为：（1）资源映射过程成本低，能够满足用户服务质量需求；（2）从计算资源和网络带宽资源两个维度动态按需分配资源，能够充分挖掘云计算网络中可用的硬件和软件资源；（3）满足高动态云计算的网络环境要求，为促进云计算网络中实时高效的虚拟资源映射提供技术支持。

附图说明

图1为本发明基于服务质量要求驱动的云计算网络资源分配方法的流程图。

图2为本发明云计算网络中虚拟资源需求映射示意图。

图3为本发明基于量子免疫方法的资源分配方法流程图。

具体实施方式

下面结合图1及具体实施例对本发明作进一步详细说明。

结合图1，本发明基于服务质量要求驱动的云计算网络资源分配方法，步骤如下：

步骤1，云计算网络中中央处理服务器收集用户终端的虚拟资源使用申请，具体为：云计算网络中用户终端申请的CPU容量均匀分布在0～30MHz之间，用户终端申请的带宽均匀分布在0～60Mbps之间，用户终端请求的存储容量均匀分布在0～30GB之间，用户终端将自己需要的CPU资源、存储资源和带宽资源发送给云计算网络中中央处理服务器。

步骤2，云计算网络中中央处理服务器收集底层网络中各节点的可用资源，具体为：云计算网络中底层网络有100～150个节点，其中有70%的节点是服务器、30%的节点是路由器，每个服务器可用的CPU容量和每个底层链接可用的带宽容量在50～100Mbps之间均匀分布，并且路由器和服务器的存储容量在50～100GB之间均匀分布，中央处理服务器收集底层网络中各节点的可用资源。图2为本发明的云计算网络中虚拟资源需求映射示意图。

步骤3，云计算网络中中央处理服务器采用量子免疫方法进行虚拟资源分配，其中，云计算网络中基于量子免疫方法的资源分配方法流程图如图3所示，包括以下步骤：

步骤3.1，初始化量子免疫方法参数，初始化种群中每个抗体的量子编码向量，具体为：

（1）初始化量子免疫方法抗体的数目N_p、量子免疫方法迭代次数N_g，其中N_p、N_g均为整数且N_p∈[100,120]、N_g∈[300,350]；

（2）令迭代次数序号gen＝1，初始化虚拟链接(n,m)的业务流是否经过底层链接

虚拟链接(n,m)的业务流经过底层的链接(u,v)的流量

虚拟节点的无向带权图G^V＝(N^V,E^V)和底层节点的无向带权图G^S＝(N^S,E^S)，其中N^V表示虚拟节点集合，E^V表示虚拟节点链接集合，N^S是底层节点集合，E^S是底层节点链接集合；

（3）初始化扩充的底层无向带权图G^S'＝(N^S',E^S')、扩充的底层节点链接集合 $E^{S^{\′}}=E^S\∪\left\{(n^V,n^S)\right|\∀n^V\∈N^V,\∀n^S\∈N^S\},$ 其中N^S'表示扩充的底层节点集合且N^S'＝N^S∪N^V，n^V表示底层节点n，n^S表示底层节点链接s；

（4）初始化表示虚拟链接(n,m)的总业务流量b(n,m)、底层链接(u,v)的传输带宽BW(u,v)、底层节点w资源i的最大值容量C_i(w)、种群中每个抗体的量子编码向量Qxf＝[qx,qf]；其中向量 $\mathrm{qx}={\left[\begin{array}{c}{\mathrm{\α}}_i\\ {\mathrm{\β}}_i\end{array}\right]}_{1\≤i\≤2N_L}$ 表示底层链接分配指示的量子编码向量，向量 $\mathrm{qf}={\left[\begin{array}{c}{\mathrm{\χ}}_i\\ {\mathrm{\δ}}_i\end{array}\right]}_{1\≤i\≤10N_L}$ 表示底层链接分配流量的量子编码向量，α_i和β_i表示向量qx中的量子比特第i位，χ_i和δ_i表示向量qf中的量子比特第i位；

、

、

和

，N_L表示扩充的底层无向带权图G^S'中链接的数目。

步骤3.2，将每个抗体的量子编码向量转化为二进制向量，具体为：对量子编码向量Qxf进行观察得到二进制向量XF＝[x,f]，向量

中满足公式(1)：

$x_{\mathrm{uv}}^{\mathrm{nm}}\∈\left\{\mathrm{0,1}\right\},\∀u,v\∈N^{S^{\′}},\∀(n,m)\∈E^V---\left(1\right)$

向量 $f=\left[f_{\mathrm{uv}}^{\mathrm{nm}}\right]{|}_{u,v}^{n,m}$ 中

满足公式(2)：

$f_{\mathrm{uv}}^{\mathrm{nm}}\≥0,\∀u,v\∈N^{S^{\′}},\∀(n,m)\∈E^V---\left(2\right)$

其中，XF表示量子免疫方法二进制编码向量，x表示底层链接分配指示的二进制编码向量，f表示底层链接分配流量的二进制编码向量。

步骤3.3，检验每个抗体编码向量是否满足底层节点的流守恒公式和底层节点最大容量限制公式，检验每个抗体编码向量是否满足虚拟流量和带宽容量限制，检验每个抗体编码向量是否满足资源分配解的可行性限制，具体步骤如下：

（1）检验每个抗体编码向量XF＝[x,f]中

和

是否满足底层节点的流守恒公式(3)和底层节点最大容量限制公式(4)：

$\left\{\begin{array}{c}\underset{v\∈N^{S^{\′}}}{\mathrm{\Σ}}{f}_{\mathrm{uv}}^{\mathrm{nm}}-\underset{w\∈N^{S^{\′}}}{\mathrm{\Σ}}{f}_{\mathrm{wu}}^{\mathrm{nm}}=0,\∀(n,m)\∈E^V,\∀u\∈N^{S^{\′}}\backslash \{n,m\}\\ \underset{v\∈N^{S^{\′}}}{\mathrm{\Σ}}{f}_{\mathrm{nv}}^{\mathrm{nm}}-\underset{w\∈N^{S^{\′}}}{\mathrm{\Σ}}{f}_{\mathrm{wn}}^{\mathrm{nm}}=b(n,m),\∀(n,m)\∈E^V,n\∈N^{S^{\′}}\\ \underset{v\∈N^{S^{\′}}}{\mathrm{\Σ}}{f}_{\mathrm{mv}}^{\mathrm{nm}}-\underset{w\∈N^{S^{\′}}}{\mathrm{\Σ}}{f}_{\mathrm{wm}}^{\mathrm{nm}}=-b(n,m),\∀(n,m)\∈E^V,m\∈N^{S^{\′}}\end{array}\right.---\left(3\right)$

$\left\{\begin{array}{c}{P}_{c_i\left(p\right)}{c}_i\left(p\right)x_{\mathrm{pw}}^{\mathrm{nm}}\≤C_i\left(w\right),\∀p\⊆N^{S^{\′}}\backslash N^S\\ \∀w\⊆N^S,\∀i\∈I,\∀a\∈A,\∀(n,m)\∈E^V\end{array}\right.,---\left(4\right)$

其中，

表示虚拟链接(n,m)的业务流经过底层的链接(u,v)的流量，表示虚拟链接(n,m)的业务流经过底层的链接(n,v)的流量，

表示虚拟链接(n,m)的业务流经过底层的链接(m,v)的流量，

表示虚拟链接(n,m)的业务流经过底层的链接(w,u)的流量，

表示虚拟链接(n,m)的业务流经过底层的链接(w,n)的流量，

表示虚拟链接(n,m)的业务流经过底层的链接(w,m)的流量，p表示虚拟节点，w表示底层节点，

表示虚拟节点p申请资源i的预留百分比，(n,m)表示虚拟节点n和虚拟节点m之间的链接，(u,v)表示底层节点u和底层节点v之间的链接，c_i(p)表示虚拟节点p资源i的使用量，表示虚拟链接(n,m)的业务流经过底层链接(p,w)的指示变量，I表示明确的非功能性质集合，a表示云计算网络中CPU资源、存储资源或带宽资源；

（2）检验每个抗体编码向量XF＝[x,f]中和

是否满足公式(5)和公式(6)，公式(5)表示经过底层链接(u,v)的虚拟流量、公式(6)表示不超过底层链接(u,v)的带宽容量：

$(f_{\mathrm{uv}}^{\mathrm{nm}}+f_{\mathrm{vu}}^{\mathrm{nm}})\≤\mathrm{BW}(u,v)x_{\mathrm{uv}}^{\mathrm{nm}},\∀u,v\∈N^{S^{\′}},\∀(n,m)\∈E^V---\left(5\right)$

$\underset{\mathrm{nm}\∈E^V}{\mathrm{\Σ}}(f_{\mathrm{uv}}^{\mathrm{nm}}+f_{\mathrm{vu}}^{\mathrm{nm}})\≤\mathrm{BW}(u,v),\∀u,v\∈N^{S^{\′}}---\left(6\right)$

其中，

表示虚拟链接(n,m)的业务流经过底层的链接(v,u)的流量，

（3）检验每个抗体编码向量XF＝[x,f]中

和是否满足公式(7)～(9)，公式(7)保证每个底层节点只能选择一个虚拟节点，公式(8)保证每个底层节点的同一种资源只能分配给一个虚拟节点，公式(9)保证每个虚拟节点只能选择一个底层节点：

$\underset{p\⊆N^{S^{\′}}\backslash N^S}{\mathrm{\Σ}}{x}_{\mathrm{pw}}^{\mathrm{mn}}\≤1,\∀w\⊆N^S,\∀\mathrm{mn}\∈E^V,\∀A---\left(7\right)$

$\underset{w\⊆N^S}{\mathrm{\Σ}}{x}_{\mathrm{pw}}^{\mathrm{mn}}=0,\∀p\⊆N^{S^{\′}}\backslash N^S,\∀\mathrm{mn}\∈E^V---\left(8\right)$

$\underset{w\⊆N^S}{\mathrm{\Σ}}{x}_{\mathrm{pw}}^{\mathrm{mn}}=1,\∀p\⊆N^{S^{\′}}\backslash N^S,\∀\mathrm{mn}\∈E^V---\left(9\right)$

其中，A表示云计算网络中资源总和；

表示虚拟链接(m,n)的业务流经过底层链接(p,w)的指示变量；

（4）检验每个抗体编码向量XF＝[x,f]中

和是否满足公式(10)～(12)，公式(10)和公式(12)保证对虚拟链接(n,m)业务流经过的底层链接(u,v)的指示变量

进行设置，公式(11)保证资源映射结果是一个连通图，即公式(11)对虚拟链接(n,m)业务流没有经过的链接(u,v)的指示变量

进行设置：

$x_{\mathrm{uv}}^{\mathrm{nm}}=x_{\mathrm{vu}}^{\mathrm{nm}},\∀u,v\∈N^{S^{\′}},\∀(n,m)\∈E^V---\left(10\right)$

$x_{\mathrm{uv}}^{\mathrm{nm}}=x_{\mathrm{uv}}^{\mathrm{nk}}=x_{\mathrm{uv}}^{\mathrm{lm}}=0,\∀u,v\∈N^{S^{\′}}\backslash N^V,k,l\∈N^{S^{\′}}\backslash N^S,(n,m)\∈E^V---\left(11\right)$

其中，

表示虚拟链接(n,m)的业务流经过底层链接(v,u)的指示变量，表示虚拟链接(n,k)的业务流经过底层链接(u,v)的指示变量，表示虚拟链接(l,m)的业务流经过底层链接(u,v)的指示变量。

步骤3.4，确定每个抗体的期望繁殖概率，根据期望繁殖概率从种群中提取父代种群和记忆库种群；采用量子旋转门操作方法得到新群体中抗体，并且合并记忆库中抗体，构成新一代种群，具体为：

（1）采用公式(13)确定每个抗体的期望繁殖概率P_v：

$P_v=\mathrm{\γ}\frac{A_v}{\underset{v=1}{\overset{N_p}{\mathrm{\Σ}}}{Q}_v}+(1-\mathrm{\γ})\frac{C_v}{\underset{v=1}{\overset{N_p}{\mathrm{\Σ}}}{C}_v}---\left(13\right)$

其中，γ表示权重因子，A_v表示抗体与抗原之间的亲和度函数，采用公式(14)确定抗体与抗原之间的亲和度函数A_v：

$A_v=\frac{1}{\underset{\mathrm{uv}\∈E^S}{\mathrm{\Σ}}\underset{\mathrm{nm}\∈E^V}{\mathrm{\Σ}}{C}_{\mathrm{uv}}{f}_{\mathrm{uv}}^{\mathrm{nm}}+\underset{a\∈A}{\mathrm{\Σ}}\underset{\mathrm{nm}\∈E^V}{\mathrm{\Σ}}\underset{w\⊆N^S}{\mathrm{\Σ}}\underset{p\⊆N^{S^{\′}}}{\mathrm{\Σ}}{D}_w{x}_{\mathrm{pw}}^{\mathrm{nm}}\underset{i\∈I}{\mathrm{\Σ}}{c}_i\left(p\right)+\underset{\mathrm{uv}\∈E^S}{\mathrm{\Σ}}\underset{\mathrm{nm}\∈E^V}{\mathrm{\Σ}}{C}_{\mathrm{uv}}{x}_{\mathrm{uv}}^{\mathrm{nm}}}---\left(14\right)$

C_v表示抗体与抗体之间的亲和力函数，采用公式(15)确定C_v：

$C_v=\frac{1}{N_p}\underset{u=1,u\≠v}{\overset{N_p}{\mathrm{\Σ}}}{T}_{v,u}---\left(15\right)$

T_v,u表示抗体浓度，采用公式(16)确定抗体浓度T_v,u：

T表示一个预先设定的门限，S_v,u表示抗体v和抗体u之间的相似度，采用公式(17)确定S_v,u：

$S_{v,u}=\frac{\underset{i=1}{\overset{12N_L}{\mathrm{\Σ}}}|a_v^i-a_u^i|}{12N_L}---\left(17\right)$

其中，和

分别表示抗体v和抗体u的第i位；

（2）采用公式(18)的量子旋转操作，得到新群体中抗体：

$\left[\begin{array}{c}{\mathrm{\α}}_i^{\mathrm{new}}\\ {\mathrm{\β}}_i^{\mathrm{new}}\end{array}\right]=\left[\begin{array}{cc}\cos \left(\mathrm{\Δ}{\mathrm{\θ}}_i\right)& -\sin \left(\mathrm{\Δ}{\mathrm{\θ}}_i\right)\\ \sin \left(\mathrm{\Δ}{\mathrm{\θ}}_i\right)& \cos \left(\mathrm{\Δ}{\mathrm{\θ}}_i\right)\end{array}\right]\left[\begin{array}{c}{\mathrm{\α}}_i\\ {\mathrm{\β}}_i\end{array}\right]---\left(18\right)$

其中，

和

表示新抗体向量qx中的量子比特第i位，Δθ_i表示第i位量子比特的旋转角度，α_i和β_i表示抗体向量qx中的量子比特第i位；

（3）将群体中的抗体按照期望繁殖概率P_v降序进行排列，从种群中提取望繁殖概率最大的NI₁个抗体作为父代种群，同时将繁殖概率最大的NI_p-NI₁个抗体存入记忆库种群中，确定XF_b(gen)；NI₁表示父带种群大小，NI_p-NI₁表示记忆库种群大小，XF_b(gen)表示第gen次迭代种群中最优抗体。

步骤3.5，重复步骤3.2～步骤3.4NI_g次，输出云计算网络虚拟资源分配的最优解，即令gen←gen+1，重复步骤3.2～步骤3.4NI_g次，输出XF_b(gen)作为最优解，并且采用公式(19)确定云计算网络中目标函数F(XF_b(gen))：

$F\left({\mathrm{XF}}_b\left(\mathrm{gen}\right)\right)=\underset{\mathrm{uv}\∈E^S}{\mathrm{\Σ}}\underset{\mathrm{nm}\∈E^V}{\mathrm{\Σ}}{C}_{\mathrm{uv}}{f}_{\mathrm{uv}}^{\mathrm{nm}}+\underset{a\∈A}{\mathrm{\Σ}}\underset{\mathrm{nm}\∈E^V}{\mathrm{\Σ}}\underset{w\⊆N^S}{\mathrm{\Σ}}\underset{p\⊆N^{S^{\′}}\backslash N^S}{\mathrm{\Σ}}{D}_w{x}_{\mathrm{pw}}^{\mathrm{nm}}\underset{i\∈I}{\mathrm{\Σ}}{c}_i\left(p\right)+\underset{\mathrm{uv}\∈E^S}{\mathrm{\Σ}}\underset{\mathrm{nm}\∈E^V}{\mathrm{\Σ}}{C}_{\mathrm{uv}}{x}_{\mathrm{uv}}^{\mathrm{nm}}---\left(19\right)$

其中，NI_g表示量子免疫方法的最大迭代次数。

下面结合附图对本发明做详细描述。

实施例1

本发明基于服务质量要求驱动的云计算网络资源分配方法，包括以下步骤：

步骤1，云计算网络中中央处理服务器收集用户终端的虚拟资源使用申请。

步骤2，云计算网络中中央处理服务器收集底层网络中各节点的可用资源。

步骤3，云计算网络中中央处理服务器采用量子免疫方法进行虚拟资源分配。

图3为基于量子免疫方法的资源分配方法流程：

首先，初始化量子免疫方法参数，初始化种群中每个抗体的量子编码向量，初始化N_p＝110，N_g＝330，令gen＝1，初始化

G^V＝(N^V,E^V)和G^S＝(N^S,E^S)，初始化G^S'＝(N^S',E^S')，N^S'＝N^S∪N^V， $E^{S^{\′}}=E^S\∪\left\{(n^V,n^S)\right|\∀n^V\∈N^V,\∀n^S\∈N^S\},$ 初始化b(n,m)、BW(u,v)、C_i(w)和Qxf＝[qx,qf]；

然后，将每个抗体的量子编码向量转化为二进制向量，对量子编码向量Qxf进行观察得到二进制向量XF＝[x,f]，向量中

满足公式(1)，向量

中

满足公式(2)；

其次，检验每个抗体编码向量XF＝[x,f]中

和

是否满足底层节点的流守恒公式(3)和底层节点最大容量限制公式(4)；检验每个抗体编码向量XF＝[x,f]中

和

是否满足公式(5)和公式(6)，公式(5)和公式(6)表示经过底层链接(u,v)的虚拟流量和不超过底层链接(u,v)的带宽容量，检验每个抗体编码向量XF＝[x,f]中

和

是否满足公式(7)～(9)，公式(7)保证每个底层节点只能选择一个虚拟节点，公式(8)保证每个底层节点的同一种资源只能分配给一个虚拟节点，公式(9)保证每个虚拟节点只能选择一个底层节点，检验每个抗体编码向量XF＝[x,f]中

和是否满足公式(10)～公式(12)，公式(10)和公式(12)保证对虚拟链接(n,m)业务流经过的底层链接(u,v)的指示变量

进行设置，公式(11)保证资源映射结果是一个连通图，即公式(11)对虚拟链接(n,m)业务流没有经过的链接(u,v)的指示变量

进行设置；

再次，采用量子旋转门操作方法得到新群体中抗体，并且合并记忆库中抗体构成新一代种群；包括采用公式(13)确定P_v，公式(14)确定A_v，公式(15)确定C_v，公式(16)确定T_v,u，公式(17)确定S_v,u，将群体中的抗体按照期望繁殖概率P_v降序进行排列，从种群中提取望繁殖概率最大的NI₁＝30个抗体作为父代种群，同时将繁殖概率最大的NI_p-NI₁个抗体存入记忆库种群中，确定XF_b(gen)，权重因子γ＝0.6，T_v,u表示抗体浓度，预先设定的门限T＝8，NI₁＝20表示父带种群大小，NI_p-NI₁表示记忆库种群大小，XF_b(gen)表示第gen次迭代种群中最优抗体；

最后，令gen←gen+1，重复上述步骤NI_g次，输出XF_b(gen)作为最优解，并且采用公式(18)确定云计算网络中目标函数F(XF_b(gen))。

综上所述，本发明基于服务质量要求驱动的云计算网络资源分配方法，充分挖掘了云计算网络可用的硬件和软件资源，从计算资源和网络带宽资源两个维度动态按需分配资源，为高效利用云计算网络中虚拟资源和保障用户终端服务质量要求提供技术支持。

Claims (9)

1.一种基于服务质量要求驱动的云计算网络资源分配方法，其特征在于，包括以下步骤：

步骤1，云计算网络中中央处理服务器收集用户终端的虚拟资源使用申请；

步骤2，云计算网络中中央处理服务器收集底层网络中各节点的可用资源；

步骤3，云计算网络中中央处理服务器采用量子免疫方法进行虚拟资源分配。

2.根据权利要求1所述的基于服务质量要求驱动的云计算网络资源分配方法，其特征在于，步骤1所述的云计算网络中中央处理服务器收集用户终端的虚拟资源使用申请，具体为：云计算网络中用户终端申请的CPU容量均匀分布在0～30MHz之间，用户终端申请的带宽均匀分布在0～60Mbps之间，用户终端请求的存储容量均匀分布在0～30GB之间，用户终端将自己需要的CPU资源、存储资源和带宽资源发送给云计算网络中中央处理服务器。

3.根据权利要求1所述的基于服务质量要求驱动的云计算网络资源分配方法，其特征在于，步骤2所述的云计算网络中中央处理服务器收集底层网络中各节点的可用资源，具体为：云计算网络中底层网络有100～150个节点，其中有70%的节点是服务器、30%的节点是路由器，每个服务器可用的CPU容量和每个底层链接可用的带宽容量在50～100Mbps之间均匀分布，并且路由器和服务器的存储容量在50～100GB之间均匀分布，中央处理服务器收集底层网络中各节点的可用资源。

4.根据权利要求1所述的基于服务质量要求驱动的云计算网络资源分配方法，其特征在于，步骤3所述的云计算网络中中央处理服务器采用量子免疫方法进行虚拟资源分配，包括以下步骤：

步骤3.1，初始化量子免疫方法参数，初始化种群中每个抗体的量子编码向量；

步骤3.2，将每个抗体的量子编码向量转化为二进制向量；

步骤3.3，检验每个抗体编码向量是否满足底层节点的流守恒公式和底层节点最大容量限制公式，检验每个抗体编码向量是否满足虚拟流量和带宽容量限制，检验每个抗体编码向量是否满足资源分配解的可行性限制；

步骤3.4，确定每个抗体的期望繁殖概率，根据期望繁殖概率从种群中提取父代种群和记忆库种群；采用量子旋转门操作方法得到新群体中抗体，并且合并记忆库中抗体，构成新一代种群；

步骤3.5，重复步骤3.2～步骤3.4NI_g次，输出云计算网络虚拟资源分配的最优解，NI_g表示量子免疫方法的最大迭代次数。

5.根据权利要求4所述的基于服务质量要求驱动的云计算网络资源分配方法，其特征在于，步骤3.1所述的初始化量子免疫方法参数，初始化种群中每个抗体的量子编码向量，具体为：

（1）初始化量子免疫方法抗体的数目N_p、量子免疫方法迭代次数N_g，其中N_p、N_g均为整数且N_p∈[100,120]、N_g∈[300,350]；

（2）令迭代次数序号gen＝1，初始化虚拟链接(n,m)的业务流是否经过底层链接

虚拟链接(n,m)的业务流经过底层的链接(u,v)的流量

虚拟节点的无向带权图G^V＝(N^V,E^V)和底层节点的无向带权图G^S＝(N^S,E^S)，其中N^V表示虚拟节点集合，E^V表示虚拟节点链接集合，N^S是底层节点集合，E^S是底层节点链接集合；

（3）初始化扩充的底层无向带权图G^S'＝(N^S',E^S')、扩充的底层节点链接集合 $E^{S^{\′}}=E^S\∪\left\{(n^V,n^S)\right|\∀n^V\∈N^V,\∀n^S\∈N^S\},$ 其中N^S'表示扩充的底层节点集合且N^S'＝N^S∪N^V，n^V表示底层节点n，n^S表示底层节点链接s；

（4）初始化表示虚拟链接(n,m)的总业务流量b(n,m)、底层链接(u,v)的传输带宽BW(u,v)、底层节点w资源i的最大值容量C_i(w)、种群中每个抗体的量子编码向量Qxf＝[qx,qf]；其中向量 $\mathrm{qx}={\left[\begin{array}{c}{\mathrm{\α}}_i\\ {\mathrm{\β}}_i\end{array}\right]}_{1\≤i\≤2N_L}$ 表示底层链接分配指示的量子编码向量，向量 $\mathrm{qf}={\left[\begin{array}{c}{\mathrm{\χ}}_i\\ {\mathrm{\δ}}_i\end{array}\right]}_{1\≤i\≤10N_L}$ 表示底层链接分配流量的量子编码向量，α_i和β_i表示向量qx中的量子比特第i位，χ_i和δ_i表示向量qf中的量子比特第i位；、

、

和

，N_L表示扩充的底层无向带权图G^S'中链接的数目。

6.根据权利要求4所述的基于服务质量要求驱动的云计算网络资源分配方法，其特征在于，步骤3.2所述的将每个抗体的量子编码向量转化为二进制向量，具体为：对量子编码向量Qxf进行观察得到二进制向量XF＝[x,f]，向量中

满足公式(1)：

$x_{\mathrm{uv}}^{\mathrm{nm}}\∈\left\{\mathrm{0,1}\right\},\∀u,v\∈N^{S^{\′}},\∀(n,m)\∈E^V---\left(1\right)$

向量 $f=\left[f_{\mathrm{uv}}^{\mathrm{nm}}\right]{|}_{u,v}^{n,m}$ 中

满足公式(2)：

$f_{\mathrm{uv}}^{\mathrm{nm}}\≥0,\∀u,v\∈N^{S^{\′}},\∀(n,m)\∈E^V---\left(2\right)$

其中，XF表示量子免疫方法二进制编码向量，x表示底层链接分配指示的二进制编码向量，f表示底层链接分配流量的二进制编码向量。

7.根据权利要求4所述的基于服务质量要求驱动的云计算网络资源分配方法，其特征在于，步骤3.3所述的检验每个抗体编码向量是否满足底层节点的流守恒公式和底层节点最大容量限制公式，检验每个抗体编码向量是否满足虚拟流量和带宽容量限制，检验每个抗体编码向量是否满足资源分配解的可行性限制，具体步骤如下：

（1）检验每个抗体编码向量XF＝[x,f]中

和

是否满足底层节点的流守恒公式(3)和底层节点最大容量限制公式(4)：

$\left\{\begin{array}{c}\underset{v\∈N^{S^{\′}}}{\mathrm{\Σ}}{f}_{\mathrm{uv}}^{\mathrm{nm}}-\underset{w\∈N^{S^{\′}}}{\mathrm{\Σ}}{f}_{\mathrm{wu}}^{\mathrm{nm}}=0,\∀(n,m)\∈E^V,\∀u\∈N^{S^{\′}}\backslash \{n,m\}\\ \underset{v\∈N^{S^{\′}}}{\mathrm{\Σ}}{f}_{\mathrm{nv}}^{\mathrm{nm}}-\underset{w\∈N^{S^{\′}}}{\mathrm{\Σ}}{f}_{\mathrm{wn}}^{\mathrm{nm}}=b(n,m),\∀(n,m)\∈E^V,n\∈N^{S^{\′}}\\ \underset{v\∈N^{S^{\′}}}{\mathrm{\Σ}}{f}_{\mathrm{mv}}^{\mathrm{nm}}-\underset{w\∈N^{S^{\′}}}{\mathrm{\Σ}}{f}_{\mathrm{wm}}^{\mathrm{nm}}=-b(n,m),\∀(n,m)\∈E^V,m\∈N^{S^{\′}}\end{array}\right.---\left(3\right)$

$\left\{\begin{array}{c}{P}_{c_i\left(p\right)}{c}_i\left(p\right)x_{\mathrm{pw}}^{\mathrm{nm}}\≤C_i\left(w\right),\∀p\⊆N^{S^{\′}}\backslash N^S\\ \∀w\⊆N^S,\∀i\∈I,\∀a\∈A,\∀(n,m)\∈E^V\end{array}\right.,---\left(4\right)$

其中，

表示虚拟链接(n,m)的业务流经过底层的链接(u,v)的流量，表示虚拟链接(n,m)的业务流经过底层的链接(n,v)的流量，

表示虚拟链接(n,m)的业务流经过底层的链接(m,v)的流量，

表示虚拟链接(n,m)的业务流经过底层的链接(w,u)的流量，

表示虚拟链接(n,m)的业务流经过底层的链接(w,n)的流量，

表示虚拟链接(n,m)的业务流经过底层的链接(w,m)的流量，p表示虚拟节点，w表示底层节点，

表示虚拟节点p申请资源i的预留百分比，(n,m)表示虚拟节点n和虚拟节点m之间的链接，(u,v)表示底层节点u和底层节点v之间的链接，c_i(p)表示虚拟节点p资源i的使用量，

表示虚拟链接(n,m)的业务流经过底层链接(p,w)的指示变量，I表示明确的非功能性质集合，a表示云计算网络中CPU资源、存储资源或带宽资源；

（2）检验每个抗体编码向量XF＝[x,f]中和

是否满足公式(5)和公式(6)，公式(5)表示经过底层链接(u,v)的虚拟流量、公式(6)表示不超过底层链接(u,v)的带宽容量：

$(f_{\mathrm{uv}}^{\mathrm{nm}}+f_{\mathrm{vu}}^{\mathrm{nm}})\≤\mathrm{BW}(u,v)x_{\mathrm{uv}}^{\mathrm{nm}},\∀u,v\∈N^{S^{\′}},\∀(n,m)\∈E^V---\left(5\right)$

$\underset{\mathrm{nm}\∈E^V}{\mathrm{\Σ}}(f_{\mathrm{uv}}^{\mathrm{nm}}+f_{\mathrm{vu}}^{\mathrm{nm}})\≤\mathrm{BW}(u,v),\∀u,v\∈N^{S^{\′}}---\left(6\right)$

其中，

表示虚拟链接(n,m)的业务流经过底层的链接(v,u)的流量，

（3）检验每个抗体编码向量XF＝[x,f]中

和

是否满足公式(7)～(9)，公式(7)保证每个底层节点只能选择一个虚拟节点，公式(8)保证每个底层节点的同一种资源只能分配给一个虚拟节点，公式(9)保证每个虚拟节点只能选择一个底层节点：

$\underset{p\⊆N^{S^{\′}}\backslash N^S}{\mathrm{\Σ}}{x}_{\mathrm{pw}}^{\mathrm{mn}}\≤1,\∀w\⊆N^S,\∀\mathrm{mn}\∈E^V,\∀A---\left(7\right)$

$\underset{w\⊆N^S}{\mathrm{\Σ}}{x}_{\mathrm{pw}}^{\mathrm{mn}}=0,\∀p\⊆N^{S^{\′}}\backslash N^S,\∀\mathrm{mn}\∈E^V---\left(8\right)$

$\underset{w\⊆N^S}{\mathrm{\Σ}}{x}_{\mathrm{pw}}^{\mathrm{mn}}=1,\∀p\⊆N^{S^{\′}}\backslash N^S,\∀\mathrm{mn}\∈E^V---\left(9\right)$

其中，A表示云计算网络中资源总和；

表示虚拟链接(m,n)的业务流经过底层链接(p,w)的指示变量；

（4）检验每个抗体编码向量XF＝[x,f]中

和

是否满足公式(10)～(12)，公式(10)和公式(12)保证对虚拟链接(n,m)业务流经过的底层链接(u,v)的指示变量

进行设置，公式(11)保证资源映射结果是一个连通图，即公式(11)对虚拟链接(n,m)业务流没有经过的链接(u,v)的指示变量

进行设置：

$x_{\mathrm{uv}}^{\mathrm{nm}}=x_{\mathrm{vu}}^{\mathrm{nm}},\∀u,v\∈N^{S^{\′}},\∀(n,m)\∈E^V---\left(10\right)$

$x_{\mathrm{uv}}^{\mathrm{nm}}=x_{\mathrm{uv}}^{\mathrm{nk}}=x_{\mathrm{uv}}^{\mathrm{lm}}=0,\∀u,v\∈N^{S^{\′}}\backslash N^V,k,l\∈N^{S^{\′}}\backslash N^S,(n,m)\∈E^V---\left(11\right)$

其中，

表示虚拟链接(n,m)的业务流经过底层链接(v,u)的指示变量，

表示虚拟链接(n,k)的业务流经过底层链接(u,v)的指示变量，

表示虚拟链接(l,m)的业务流经过底层链接(u,v)的指示变量。

8.根据权利要求4所述的基于服务质量要求驱动的云计算网络资源分配方法，其特征在于，步骤3.4所述确定每个抗体的期望繁殖概率，根据期望繁殖概率从种群中提取父代种群和记忆库种群；采用量子旋转门操作方法得到新群体中抗体，并且合并记忆库中抗体，构成新一代种群，具体为：

（1）采用公式(13)确定每个抗体的期望繁殖概率P_v：

$P_v=\mathrm{\γ}\frac{A_v}{\underset{v=1}{\overset{N_p}{\mathrm{\Σ}}}{Q}_v}+(1-\mathrm{\γ})\frac{C_v}{\underset{v=1}{\overset{N_p}{\mathrm{\Σ}}}{C}_v}---\left(13\right)$

其中，γ表示权重因子，A_v表示抗体与抗原之间的亲和度函数，采用公式(14)确定抗体与抗原之间的亲和度函数A_v：

$A_v=\frac{1}{\underset{\mathrm{uv}\∈E^S}{\mathrm{\Σ}}\underset{\mathrm{nm}\∈E^V}{\mathrm{\Σ}}{C}_{\mathrm{uv}}{f}_{\mathrm{uv}}^{\mathrm{nm}}+\underset{a\∈A}{\mathrm{\Σ}}\underset{\mathrm{nm}\∈E^V}{\mathrm{\Σ}}\underset{w\⊆N^S}{\mathrm{\Σ}}\underset{p\⊆N^{S^{\′}}}{\mathrm{\Σ}}{D}_w{x}_{\mathrm{pw}}^{\mathrm{nm}}\underset{i\∈I}{\mathrm{\Σ}}{c}_i\left(p\right)+\underset{\mathrm{uv}\∈E^S}{\mathrm{\Σ}}\underset{\mathrm{nm}\∈E^V}{\mathrm{\Σ}}{C}_{\mathrm{uv}}{x}_{\mathrm{uv}}^{\mathrm{nm}}}---\left(14\right)$

C_v表示抗体与抗体之间的亲和力函数，采用公式(15)确定C_v：

$C_v=\frac{1}{N_p}\underset{u=1,u\≠v}{\overset{N_p}{\mathrm{\Σ}}}{T}_{v,u}---\left(15\right)$

T_v,u表示抗体浓度，采用公式(16)确定抗体浓度T_v,u：

T表示一个预先设定的门限，S_v,u表示抗体v和抗体u之间的相似度，采用公式(17)确定S_v,u：

$S_{v,u}=\frac{\underset{i=1}{\overset{12N_L}{\mathrm{\Σ}}}|a_v^i-a_u^i|}{12N_L}---\left(17\right)$

其中，

和

分别表示抗体v和抗体u的第i位；

（2）采用公式(18)的量子旋转操作，得到新群体中抗体：

$\left[\begin{array}{c}{\mathrm{\α}}_i^{\mathrm{new}}\\ {\mathrm{\β}}_i^{\mathrm{new}}\end{array}\right]=\left[\begin{array}{cc}\cos \left(\mathrm{\Δ}{\mathrm{\θ}}_i\right)& -\sin \left(\mathrm{\Δ}{\mathrm{\θ}}_i\right)\\ \sin \left(\mathrm{\Δ}{\mathrm{\θ}}_i\right)& \cos \left(\mathrm{\Δ}{\mathrm{\θ}}_i\right)\end{array}\right]\left[\begin{array}{c}{\mathrm{\α}}_i\\ {\mathrm{\β}}_i\end{array}\right]---\left(18\right)$

其中，

和表示新抗体向量qx中的量子比特第i位，Δθ_i表示第i位量子比特的旋转角度，α_i和β_i表示抗体向量qx中的量子比特第i位；

（3）将群体中的抗体按照期望繁殖概率P_v降序进行排列，从种群中提取望繁殖概率最大的NI₁个抗体作为父代种群，同时将繁殖概率最大的NI_p-NI₁个抗体存入记忆库种群中，确定XF_b(gen)；NI₁表示父带种群大小，NI_p-NI₁表示记忆库种群大小，XF_b(gen)表示第gen次迭代种群中最优抗体。

9.根据权利要求4所述的基于服务质量要求驱动的云计算网络资源分配方法，其特征在于，步骤3.5所述的输出云计算网络虚拟资源分配的最优解，即令gen←gen+1，重复步骤3.2～步骤3.4NI_g次，输出XF_b(gen)作为最优解，并且采用公式(19)确定云计算网络中目标函数F(XF_b(gen))：

$F\left({\mathrm{XF}}_b\left(\mathrm{gen}\right)\right)=\underset{\mathrm{uv}\∈E^S}{\mathrm{\Σ}}\underset{\mathrm{nm}\∈E^V}{\mathrm{\Σ}}{C}_{\mathrm{uv}}{f}_{\mathrm{uv}}^{\mathrm{nm}}+\underset{a\∈A}{\mathrm{\Σ}}\underset{\mathrm{nm}\∈E^V}{\mathrm{\Σ}}\underset{w\⊆N^S}{\mathrm{\Σ}}\underset{p\⊆N^{S^{\′}}\backslash N^S}{\mathrm{\Σ}}{D}_w{x}_{\mathrm{pw}}^{\mathrm{nm}}\underset{i\∈I}{\mathrm{\Σ}}{c}_i\left(p\right)+\underset{\mathrm{uv}\∈E^S}{\mathrm{\Σ}}\underset{\mathrm{nm}\∈E^V}{\mathrm{\Σ}}{C}_{\mathrm{uv}}{x}_{\mathrm{uv}}^{\mathrm{nm}}---\left(19\right)$ 。

Images