CN104932938A - 一种基于遗传算法的云资源调度方法 - Google Patents

Abstract

本发明涉及一种基于遗传算法的云计算资源调度方法。包括：初始化各个服务器参数，接收用户提交的任务，采用改进的遗传算法得到资源调度的分配方案，即任务与服务器的映射关系，调度器根据分配方案进行资源调度。该方法在满足用户需要的同时，快速部署云任务，使得云服务提供商的运行成本最低。

Description

一种基于遗传算法的云资源调度方法

技术领域

本发明涉及一种云计算和虚拟化，具体涉及一种基于遗传算法的云计算资源调度方法。

背景技术

智能化信息时代的到来使新的计算模式-云计算诞生。云计算相对于以往的网格计算，具有超大规模、虚拟化、可伸缩性、按需服务、可管理性等特点，因此备受各大厂商和研究者们的关注和青睐。

云环境下的资源调度问题从云概念提出之时就被广泛关注，是云计算的一个重要研究方向。云计算的调度，是指在某个云环境下，根据该环境下资源的使用策略和不同资源的消费者需求，在使用者之间进行的资源的调度过程。由于云计算平台的资源是异构的，在调度时候既要考虑用户需求的动态改变还要考虑系统的协调以及成本因素，因此如何高效的对云资源进行调度成为云计算研究的一个难点。

资源调度的评价指标包括：集群性能、服务质量、经济效益、负载均衡等。近年来学者在云环境下的资源调度方面做了很多研究工作。大多研究工作关注于性能为中心的调度，服务质量为中心的调度和以经济原则为目标的调度。但大多数研究没有考虑任务超时的成本问题，即云服务提供商承诺的延时赔偿。而且，大多数研究是基于单一目标，调度过程中往往会过度优化某一项指标，但恶化其他指标。

发明内容

为了能更好的解决上述问题，本发明的目的在于提出一种云资源调度方法，该方法具有较快的调度速度，降低运行商的运营成本，从而提高云服务商经济效益。

本发明提供一种基于遗传算法的云资源调度方法，包括如下步骤：

步骤1：初始化各个服务器参数，包括服务器个数以及每个服务器拥有的CPU和内存信息。给出超时赔偿参数。

步骤2：用户提交任务，用户提交的任务包括如下信息：任务的CPU和内存需求，期望完成时间。

步骤3：采用改进的遗传算法得到资源调度的分配方案，即任务与服务器的映射关系。

步骤4：调度器根据步骤3得到的分配方案进行资源调度。

优选地，所述步骤3的流程如下：

(1)编码。对个体进行编码，简单起见选择二进制编码。

(2)初始化群体的产生。系统随机生成S个任务与服务器的对应序列，即S条染色体，所有染色体个体组成一个种群。

计算适应度值。根据分配方案，计算每台服务器运行时间，以及哪些任务超时，根据算出个体所需成本W，适应度函数为 其中，K_i为服务器i的单位成本，T_i为服务器i运行的时间，B为期望时间内没有完成的任务集合，f(b，t)为任务b超时t的成本函数。计算每个个体的适应度。

(3)选择操作。选择适应度值高的个体演化到下一代种群。

(4)交叉操作。通过一定的概率R_c，选取个体进行交叉，随机产生交叉的位置点，通过交叉过程产生新的子个体。

(5)变异操作。根据变异概率R_m对某些个体进行变异，变异是对个体中某个或某些位进行变异，变异后产生新的子个体。

(6)是否达到迭代次数，是则选择适应度最大的个体，对该个体进行解码得到任务与服务器的对应方案。若没有达到迭代次数转到(4)选择出适应度较高的S个个体继续循环。

优选地，上述优化方法，需要输入以下信息：

(1)服务器信息：云中服务器的个数，每个服务器的CPU、内存信息，每个服务器的运算成本。

(2)任务信息：任务的总个数，每个任务需求的CPU、内存信息，期望完成时间，任务超时赔偿参数。

(3)遗传算法参数：种群规模S，终止迭代次数G，交叉概率R_c，变异概率R_m。

优选地，上述适应度函数是根据整体的运行成本来计算的，对一个个体，如果所有服务器都有能力执行分配的任务，则计算这种分配方案的运算成本。适应度采用成本的倒数，成本越大，适应度越低。

优选地，上述选择操作采用改进的轮盘赌方法，对适应度较高的个体之间进行保留，如果保留的个体数达不到种群数S则用轮盘赌方法进行选择余下个体。

优选地，上述交叉操作采用单点交叉的方法，以概率R_c随机选择要交叉的两个个体以及要交叉的位置点，产生新的子个体。

优选地，上述变异操作采用单点或多点变异方法，根据变异概率R_m对某些个体进行变异；如果是评价值高的个体，采用单点变异，减小变异操作对其伤害；如果是评价值低的个体，采用多点变异，增大往好的个体变异的几率，有利于更好的个体出现。

与现有的技术相比，本发明所提供的一种基于遗传算法的云资源调度方法，结合遗传算法，查找最优速度较快，不易陷入局部最优，容易实现并行化。并在寻优过程中，方法具有较好的鲁棒性。在考虑资源使用的同时，本发明考虑到了运行成本，并引入任务超时赔偿，力图降低云服务提供商的运行成本，能有效提高云服务提高商的经济效益。

附图说明

图1为一种基于遗传算法的云资源调度方法流程图。

图2为改进的遗传算法选择操作流程图。

图3为改进的遗传算法流程图。

具体实施方式

下文与图示本发明原理的附图一起提供对本发明一个或者多个实施例的详细描述。结合这样的实施例描述本发明，但是本发明不限于任何实施例。本发明的范围仅由权利要求书限定，并且本发明涵盖诸多替代、修改和等同物。在下文描述中阐述诸多具体细节以便提供对本发明的透彻理解。出于示例的目的而提供这些细节，并且无这些具体细节中的一些或者所有细节也可以根据权利要求书实现本发明。

如上所述，本发明提供一种基于遗传算法的云资源调度方法，通过对云提供商成本建模，利用遗传算法求出最优解，可以有效地提高云服务提供商的效益。本方法不仅考虑设备利用成本，还考虑到超时成本，考虑的成本更加全面。同时，在求解最优解过程中，本发明使用遗传算法进行求解，查找速度快，不易陷入局部最优。

以下结合说明书附图和具体实施方式对本发明的方法做进一步详细说明。

在进入改进遗传算法之前，需要对一些参数初始化，任务的需求参数，与服务器的配置参数安装实际情况赋值即可。任务的超时参数根据实际情况给出超时采用哪种可选的计算模型，如一次函数、二次函数，并给出初值和因子。

如图3，本发明中改进的遗传算法具体实施步骤如下：

步骤1：编码

对染色体个体进行编码，染色体长度为任务数量的总和，染色体中的每个基因取值为任务分配到资源上的资源编号。

资源节点个数为W，基因的取值范围为[0，W-1]，在其中随机选取，保证任务编码的唯一性，即同一个任务不能分到两个资源节点上。

步骤2：生成初始种群

由系统使用RANDOM函数随机生成满足条件的S条染色体，即种群规模为S。在生成染色体过程中，可能要产生大于S个染色体，有些染色体的分配方案并不满足条件，因为某些资源节点的内存大小不能满足任务的内存需求。

步骤3：计算适应度

本发明的适应度函数为

$f\left(x\right)=\frac{1}{W}$

$W=\underset{i\∈[0,W-1]}{\mathrm{\Σ}}{K}_i*T_i+\underset{b\∈B}{\mathrm{\Σ}}f(b,t)$

其中，K_i为服务器i的单位成本，T_i为服务器i运行的时间，B为期望时间内没有完成的任务集合，f(b，t)为任务b超时t的成本函数。f(b，t)可以采用线性函数也可以采用二次函数，推荐采用二次函数

f(b，t)＝f₀+kt²

在计算成本时候，有可能多个任务分给同一个资源节点，在资源节点上本发明采用任务优先级方式调度，因为优先级较高的任务超时赔偿要多。单个资源节点运行时间，总运行时间为任务的需求计算总和除以资源节点计算能力。

$\∃i\∈[0,W-1]T_i\text{=}\left(\underset{\mathrm{job}\∈{\mathrm{task}}_i}{\mathrm{\Σ}}{\mathrm{job}}_c\right)/C_i$

并记录出哪些任务超时，以及超时时间。这样就可以计算出个体适应度。

步骤4：选择操作

选择操作是遗传算法评价个体适应性强度的方式，其流程如图2，先根据适应度公式计算出每个染色体个体的适应度值，然后对其进行递减排序。选出适应度值大于某个阈值的所有个体，这个阈值要根据实际情况调整。如果选出的个体数大于S，则从中选取最高的S个个体，如果，选出的个体数小于S，则从余下的个体中采用轮盘赌方法进行选择。

步骤5：交叉操作

随着交叉点的增多，破坏原有优良基因的几率就相应增大，为了保护优良个体，本发明才有单点交叉。随机选择两个个体，随机生成交叉的位置，经过交叉产生新的个体，这个过程重复S*R_C次。这样就产生了S*R_C个新个体。

步骤6：变异操作

随机选择需要变异的个体，如果其适应度较高，则变异其某个点位，如果其适应度较低，则变异其大量点位。这样能有效的避免好的基因被变异掉，同时增大新的优秀个体出现的概率。这个操作要执行S*R_M次。

步骤7：迭代数加1

迭代次数加1，判断是否到达最大迭代值，如果达到最大迭代值，继续执行步骤8，如果没有达到则转入步骤3继续迭代。

步骤8：输出最优解

从所有个体中选出评价值最高的个体即时所求解，也是任务与资源的对应关系。

综上所述，本发明提出了一种基于遗传算法的云资源调度方法，以上说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (7)

1.一种云资源调度方法，其特征在于，包括如下步骤：

步骤1：初始化各个服务器参数，所述服务器参数包括服务器个数以及每个服务器拥有的CPU和内存信息，并给出超时赔偿参数；

步骤2：接收用户提交的任务，用户提交的任务包括如下信息：任务的CPU和内存需求，以及期望完成时间；

步骤3：采用遗传算法得到资源调度的分配方案，即任务与服务器的映射关系。

步骤4：调度器根据步骤3得到的分配方案进行资源调度。

2.如权利要求1所述的云资源调度方法，其特征在于：在所述初始化各个服务器参数之前，输入以下信息，包括：

(1)服务器信息：云中服务器的个数，每个服务器的CPU、内存信息，每个服务器的运算成本；

(2)任务信息：任务的总个数，每个任务需求的CPU、内存信息，期望完成时间，任务超时赔偿参数。

(3)遗传算法参数：种群规模S，终止迭代次数G，交叉概率R_c，变异概率R_m。

3.如权利要求1所述的云资源调度方法，其特征在于：所述步骤3进一步包括：通过在遗传算法中适应度函数的选取，求出每个资源节点的运行成本和任务超时赔偿计算总的成本，然后求出适应度值。

4.如权利要求3所述的云资源调度方法，其特征在于：所述适应度函数选取为：

$f\left(x\right)=\frac{1}{W}$

$W=\underset{i\∈[0,W-1]}{\mathrm{\Σ}}{K}_i*T_i+\underset{b\∈B}{\mathrm{\Σ}}f(b,t)$

其中，K_i为服务器i的单位成本，T_i为服务器i运行的时间，B为期望时间内没有完成的任务集合，f(b，t)为任务b超时t的成本函数，f(b，t)采用线性函数或二次函数，其中：

f(b，t)＝f₀+kt²

在计算成本时，当多个任务分给同一个资源节点时，在资源节点上采用任务优先级方式调度，单个资源节点运行时间，总运行时间为任务的需求计算总和除以资源节点计算能力：

$\∃i\∈[0,W-1],T_i=\left(\underset{\mathrm{job}\∈{\mathrm{iask}}_i}{\mathrm{\Σ}}{\mathrm{job}}_c\right)/C_i$

并记录出哪些任务超时，以及超时时间。这样就可以计算出个体适应度。

5.如权利要求1所述的云资源调度方法，其特征在于：所述步骤3中，对于多个任务映射到同一资源的情况，采用赔偿的任务先运行的方式。

6.如权利要求1所述的云资源调度方法，其特征在于：在所述遗传算法的选择过程中，对高适应度值的个体之间选取，然后用轮盘赌方法选取其他个体。

7.如权利要求1所述的云资源调度方法，其特征在于：在所述遗传算法中变异过程中，采用区分式变异，对高适应度值的个体采用单点变异，对低适应度值的个体采用多点变异。