CN105550033B - 私有云环境下基于遗传禁忌混合算法的资源调度策略方法 - Google Patents

Abstract

一种私有云环境下基于遗传禁忌混合算法的资源调度策略。第一步：随机产生初始种群；第二步：判断种群是否达到算法终止条件，若满足，则输出最优解；第三步：计算种群中所有个体适应度函数值；第四步：采取最优个体保留法和锦标赛法选择策略来选取下一代种群；第五步：依据交叉概率将选取的个体进行交叉，产生两个子代个体；第六步：依据变异概率进行变异操作，产生新的子代个体；第七步：用禁忌搜索算法对使用遗传算法产生的子代个体进行优化；第八步：生成新一代种群，返回至第二步。本发明设计了具有良好全局性与并行性的资源调度策略，避免了遗传算法的早熟现象。

Description

私有云环境下基于遗传禁忌混合算法的资源调度策略方法

技术领域

本发明涉及私有云环境下基于遗传禁忌混合算法的资源调度策略方法，属于计算机资源调度策略技术领域。

背景技术

云计算是一种通过使计算分布在大量的分布式计算机上或远程服务器中、按照互联网运作模式将资源能够切换到所需要的应用上，并根据需求访问计算机和存储系统的网络资源共享模式。在这一共享模式中，“云”是指各种虚拟化的计算资源池，它包括各种用于构造应用程序的基础设施，以及在这些基础设施上的具体云计算应用。虚拟化技术能够在实际硬件资源上构建虚拟的资源，从而实现弹性和动态性。

使用虚拟化技术：

1.可以实现资源利用的最大化，比如：把多个服务器上运行的虚拟主机整合到少数的服务器上；

2.可以根据需要动态地启动虚拟资源；

3.独立了运行环境；

4.保证了安全，因为虚拟主机实现了各用户之间计算环境的隔离，以及用户计算环境和底层基础设施之间的隔离。

数据中心作为云计算模式实施的实体，其演进为大数据处理创造了技术条件，所带来的资源共享、按需分配、绿色节能与快递部署业务等优势，推动传统数据中心向云数据中心发展。

为解决减小高铁数据中心资源投入，满足可伸缩性、安全性、自适应式资源管理部署的需求，一种更有效、更合理的系统资源调度策略亟待被提出以解决上述问题。多目标因子算法在资源调度管理理论模型中可以很好地将高速铁路数据中心资源管理的多项目标以数学模型的形式表达出来，并在具体地在系统应用中加以改进、优化，以提高高速铁路数据中心资源管理及运营效率。

遗传算法：标准遗传算法以种群作为工作单元，依据生物界“适者生存”的准则指导搜索操作并改进搜索方向。对解决非线性优化问题有很好的效果。遗传算法具有原理简单、算法健壮、易于实现等优势，同时还具有全局搜索和并行性两大显著特征。缺点是算法易出现“早熟”,爬山能力差。

禁忌搜索算法：禁忌搜索算法是对人类智力的一种模拟，通过使用禁忌表来记录已经遍历的局部最优解，并在下一次迭代中，利用禁忌表来规避或有选择的处理这些解，以避免陷入局部最优，并更新搜索路径。它是一种启发式算法。它具有局部搜索能力强，收敛速度快,“爬山”能力强的优点,而禁忌搜索算法的缺点是它的搜索性能对初始解的依赖性很强，禁忌搜索的迭代过程为串行，仅仅为单一状态的移动，在云环境下大量的资源调度任务执行时，其效率远低于并行算法。

发明内容

为了克服现有技术的不足,本发明提供私有云环境下基于遗传禁忌混合算法的资源调度策略方法,用于提高虚拟机IT资源利用率、服务效率。

私有云环境下基于遗传禁忌混合算法的资源调度策略,通过对遗传算法与禁忌搜索算法的融合,决定资源调度方式将任务映射到私有云环境的物理服务器,优化初期使用遗传算法得到子代，然后使用禁忌搜索算法对其进行优化，循环算法至满足终止条件；

通过将遗传算法和禁忌搜索算法相结合,给禁忌搜索算法提供了一个好的初始解,先用遗传算法优化,待算法优化到比较好的子代之后,再用禁忌搜索算法继续优化,如此反复。

遗传算法每迭代一次,禁忌搜索算法迭代多次，通过最优保存策略,使算法呈现单调变化的趋势,在算法实现的时候保存每一次迭代的最优解直接送入下一次迭代。

私有云环境下基于遗传禁忌混合算法的资源调度策略方法,还含有以下步骤；

第1步：随机产生初始种群,给出各参数,设置迭代次数,种群规模,交叉概率,变异概率；

第2步：判断遗传算法的停止准则是否满足,如果满足,输出结果,否则继续以下步骤；

第3步：计算适应度函数,函数如下：

Z＝Σ_i∈M(t₁f_iR+t₂f_iS)

这里，f_iR为第i台物理服务器的资源利用率函数，f_is为第i台物理服务器的SLA(Service-Level Agreement，服务等级协议)违背率评价函数，t₁，t₂为资源利用率与SLA违背率的权重值。适应度函数值最大的个体即为最优个体。

第4步:选择,得到每个个体的适应度函数后,采用比例选择来实现选择操作,具体步骤如下:

(1)采用最优个体保留方法，将选中的个体直接复制到子代,并进行(2)步骤；

(2)采用锦标赛选择方法：从种群中随机选取两个个体，并生成一个随机数，若随机值小于给定概率值r₁，则选择较优的个体，否则选择较劣的个体；

第5步:交叉:采用单点交叉的交叉方式。从种群中随机选出两个个体，随机选择一个切点,将切点两侧分别看作两个子串,将右侧的子串分别交换,则得到两个新的个体；

第6步：变异：根据给定的变异概率P_m进行变异。

第7步：对所得子代个体使用禁忌搜索算法，将得到的子代个体作为禁忌搜索算法的初始解，可行解的迁移方案作为其邻域；

第8步:更新种群,以新的种群返回第3步,继续遗传算法。

本发明还可以包括:

1、在第3步中,t_i(i＝1，2)≥0。根据调度策略实际要求，可自行调整t_i。

2、第4步中随机值的取值范围在0到1之间，给定概率r根据实际情况确定，通常为0.8。

3、第5步中交叉概率的取值范围在P_c∈(0.5，1)。

4、第6步中变异概率的取值范围是P_m∈(0.001，0.1)。

本发明通过对遗传算法与禁忌搜索算法的融合,来决定采用何种资源调度方式将任务映射到私有云环境的物理服务器,以达到提高优化资源分配，减少SLA违背率的问题。优化初期使用遗传算法得到子代，然后使用禁忌搜索算法对其进行优化，循环算法至满足终止条件。

本发明针对遗传算法全局搜索能力强,局部搜索能力差,而禁忌搜索算法收敛速度较快,具有较强的爬山能力,搜索性能较大地依赖于给定的初始解的特点,提出了一种基于遗传禁忌算法的私有云资源调度策略。该策略通过将遗传算法和禁忌搜索算法相结合,提高了优化资源分配，减少SLA违背率的性能；同时给禁忌搜索算法提供了一个好的初始解,先用遗传算法优化,待算法优化到比较好的子代之后,再用禁忌搜索算法继续优化,如此反复。即遗传算法每迭代一次,禁忌搜索算法迭代多次。同时通过最优保存策略,使算法呈现单调变化的趋势,不会出现反复。且方法只需要在算法实现的时候保存每一次迭代的最优解直接送入下一次迭代,避免了近似最优解丢失的问题。

本发明与现有技术相比较有以下特点：

1.本发明通过禁忌搜索算法对遗传算法所得子代进行优化,克服单一算法性能的缺陷,既能发挥遗传算法的并行搜索能力，也能发挥出禁忌搜索算法的局部搜索能力,使算法的运行效率得以提高，并且克服了遗传算法容易“早熟”，爬山能力差的问题；

2.本发明采用最优解保存策略,使优秀个体不易被破坏,避免了遗传算法中存在的早熟问题。

附图说明

当结合附图考虑时，通过参照下面的详细描述，能够更完整更好地理解本发明以及容易得知其中许多伴随的优点，但此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定，如图其中：

图1是算法中编码过程的一个实例的示意图；

图2是遗传禁忌算法的流程图；

图3是仿真实验中Tabu-S(以降低SLA违背率为目标的禁忌搜索算法)，Tabu-R(以提高资源利用率为目标的禁忌搜索算法)，GA(基本遗传算法)，MGATS(本申请提出的多目标遗传禁忌优化算法)四种算法对应的适应度函数值；

图4是仿真实验中Tabu-S，Tabu-R，GA，MGATS四种算法在任务数为100时，解的空间分布情况；

下面结合附图和实施例对本发明进一步说明。

具体实施方式

显然，本领域技术人员基于本发明的宗旨所做的许多修改和变化属于本发明的保护范围。

实施例1：如图1、图2、图3和图4所示，私有云环境下基于遗传禁忌混合算法的资源调度策略方法,含有以下步骤；

第一步：初始种群生成。

给出算法以及各参数，设置迭代次数，初始群体，交叉概率，变异概率。并对个体编码。编码过程抽象为将n个虚拟机分配到m个物理节点上，首先生成一个包含n个虚拟机编号的随机序列,然后应用多维优先适应算法(First Fit,FF)将随机序列号依次放入物理服务器中，得到染色体编码。根据此种方式，附图1中得到的染色体编码为：{2213241421}。重复种群规模n的优先适应算法(First Fit,FF)，生成一组初始个体，构成初始种群。

第二步：判断遗传算法的停止准则是否满足。如果满足,输出结果,否则继续以下步骤。本发明的停止准则以迭代次数的限定作为结束准则。

第三步：计算适应度函数：

(1)计算资源利用率

根据资源利用率函数、使用物理服务器的体积来定义其资源利用率：

f_R＝(1-u_cpu)×(1-u_mem)×(1-u_banndwidth)

公式中u_cpu、u_mem、u_bandwidth分别为物理服务器的CPU利用率、内存利用率、带宽资源利用率。这里将u_cpu、u_mem、u_bandwidth上限均设为90％。f_R反映资源利用率，并能分析当前的各维资源性能。当u_cpu、u_mem、u_bandwidth都取得最大值时，资源利用率最高，且f_R达到最大值。f_R取值为f_R∈(0，1)。

(2)SLA违背率函数

公式中，u_cpu表示物理服务器的CPU利用率，u_max是对u_cpu定义的最高限值，u_max∈(0，1)。

由公式可以看出，当u_pcu在(0,u_max)变化时，f_s呈下降趋势，且函数值变化较慢；当u_cpu在(u_max,1)变化时，f_s急剧下降；u_cpu越小，f_s越大；且f_s∈(0，1)。

(3)适应度函数

根据目标约束及(1)、(2)公式定义，各子目标函数分别针对目标基因位设计的适应度函数，满足私有云数据中心的多目标的加权适应度函数为：

Z＝Σ_i∈M(t₁f_iR+t₂f_iS)

其中，f_iR为第i台物理服务器的资源利用率函数，f_iS为第i台物理服务器的SLA违背率评价函数，t₁、t₂为公式(4-12)中对子目标函数设定的权重值，并且t_i(i＝1，2)＞0。

适应度越高的个体越容易遗传到下一代。适应度函数最大的个体即为最优个体。

第四步：选择，针对私有云环境下数据中心多目标资源调度的选择操作，本发明采用最优个体保留与锦标赛选择两种方法相结合的方式。最佳个体保存方式是将父代种群中最优的P_r×Popsize(P_r表示选择概率，Popsize表示种群规模)个体直接复制到下一代中。锦标赛选择是指从种群中随机选取两个个体，若随机值(0-1之间)小于给定概率值r(通常为0.8)，则选择较优的个体，否则选择较劣的个体。

第五步：交叉：对于每一个个体,生成0,1之间的随机数r,如果r≤pc,则对该染色体进行变异,否则考虑下一个个体。由此从种群中选出两个个体,随机选择一个切点,将切点右侧的子串交换位置,得到两个新个体。

第六步：变异

设变异概率为P_m，染色体长度为M，选取Y＝P_m×M个基因，将Y个基因上的物理服务器删除，放入未激活服务器集群中，对应基因值为0，将虚拟机放入未分配的虚拟机序列，最后对未分配的虚拟机按照多目标属性虚拟机分配机制重新分配。

第七步：利用禁忌搜索算法改善子代的质量

特赦准则：当当前最优解未改进的次数超过给定值、或者当前候选集中的所有元素被禁时,则特赦禁忌表中的最优解,将其作为下一次迭代的初始解。

步骤1、初始化禁忌搜索算法,将遗传算法的子代个体作为初始解。

步骤2、判断禁忌搜索算法收敛准则是否满足。如果满足,结束算法,否则继续以下步骤。

步骤3、由初始解产生邻域结构：选择当前负载最大的物理主机运行负载最高的虚拟机进行迁移，目标主机则选择当前负载最小的物理主机，将迁移的集合作为邻域。

步骤4、判断特赦准则是否满足。如果满足,将满足特赦原则的迁移方案作为当前解,其迁移方案替换最早进入禁忌表的对象,更新最优状态。并转步骤2。否则,进入下一步。

步骤5、判断候选解禁忌属性

步骤6、将非禁忌对象对应的最佳解作为当前解,并用该对象替换最早进入禁忌表的对象。

步骤7、转步骤2。

第八步：判断所得结果是否满足适应度函数，判断迭代次数是否达到最大。若满足，则输出结果，若不满足，则返回第三步。

本发明的效果可通过以下仿真说明：

(一)仿真条件与内容：

分别采用以降低SLA违背率为目标的Tabu-S和以减少资源浪费为目标的Tabu-R的禁忌搜索算法，基本遗传算法(GA)和本申请提出的多目标遗传禁忌优化算法(MGATS)进行验证比较。

种群规模N：30。选择概率P_r：0.8。交叉概率P_c：0.9。变异概率P_m：0.05。Tabu-S，Tabu-R和GA，MGATS遗传算法部分的最大迭代次数均设置为100，Tabu-S，Tabu-R和MGATS禁忌表长度设置为9；最优解连续不提高的次数设置为10。MGATS禁忌搜索算法部分中最大迭代次数设置为200×(curIterStepGA/maxIterStepGA)。其中，curIterStepGA表示MGATS中遗传算法迭代次数的当前值，maxIterStepGA表示MGATS中禁忌搜索算法迭代次数的最大。

(二)仿真结果：

相比其他三种算法，MGATS拥有较高的适应度函数值。这说明MGATS通过两种算法的有效协同高效地收敛到最优解，在两个相互矛盾的目标间实现最优折衷和权衡，使得系统在SLA违背率较低的情况下，对资源的浪费也较少。

图4显示了四种算法在任务数为100时，解的空间分布情况：Tabu-S调度算法具有SLA违背率最小的解，但资源消耗最大；Tabu-R算法寻到了资源消耗最少的解,但SLA违背率最大；GA算法的点比Tabu-S和Tabu-R都要靠近中间位置，说明GA寻到综合目标较优的解；MGATS算法的点同样靠近中间位置，且比其他三种算法更靠近原点，说明了MGATS对冲突的多目标有很好的权衡，且通过发挥遗传算法与禁忌搜索算法的联合优势，逼近全局较好的解。

如上所述，对本发明的实施例进行了详细地说明，但是只要实质上没有脱离本发明的发明点及效果可以有很多的变形，这对本领域的技术人员来说是显而易见的。因此，这样的变形例也全部包含在本发明的保护范围之内。

Claims (7)

1.一种私有云环境下基于遗传禁忌混合算法的资源调度策略,其特征是通过对遗传算法与禁忌搜索算法的融合,决定资源调度方式将任务映射到私有云环境的物理服务器,优化初期使用遗传算法得到子代，然后使用禁忌搜索算法对其进行优化，循环算法至满足终止条件；

通过将遗传算法和禁忌搜索算法相结合,给禁忌搜索算法提供了一个好的初始解,先用遗传算法优化,待算法优化到比较好的子代之后,再用禁忌搜索算法继续优化,如此反复；

遗传算法每迭代一次,禁忌搜索算法迭代多次，通过最优保存策略,使算法呈现单调变化的趋势,在算法实现的时候保存每一次迭代的最优解直接送入下一次迭代；

含有以下步骤:

第1步：随机产生初始种群,给定各参数,设置迭代次数,种群规模,交叉概率,变异概率；

第2步：判断遗传算法的停止准则是否满足,如果满足,输出结果,否则继续以下步骤；

第3步：计算适应度函数,对于资源调度策略优劣的评价,目标函数取为物理计算机资源利用率与SLA违背率的综合函数,适应度函数如下：

Z＝∑_i∈M(t₁f_iR+t₂f_iS)

这里，f_iR为第i台物理服务器的资源利用率函数，f_iS为第i台物理服务器的SLA(Service-LevelAgreement，服务等级协议)违背率评价函数，t₁，t₂为资源利用率与SLA违背率的权重值,M为物理服务器总数量；适应度函数值最大的个体即为最优个体；

第4步：选择：得到每个个体的适应度函数后,采用最优个体保留法与锦标赛选择法来实现选择操作,具体步骤如下：

步骤(1)、采用最优个体保留方法，将选中的个体直接复制到子代，进行步骤(2)；

步骤(2)、采用锦标赛选择方法：从种群中随机选取两个个体，并生成一个随机数，若随机值小于给定选择概率值r₁，则选择较优的个体，否则选择较劣的个体；

第5步：交叉：对于每一个个体,生成0,1之间的随机数r₂,如果r₂≤p_c,则对染色体进行变异,否则考虑下一个个体，从选出的两个个体随机选择一个切点,将切点两侧分别看作两个子串,将右侧的子串分别交换,则得到两个新的个体；

第6步：变异：依据变异概率p_m进行变异；

第7步：将遗传算法得到的子代作为禁忌搜索算法的初始解，依据最优规则将迁移方案作为邻域，使用禁忌搜索算法进行优化；

第8步：更新种群,以新的种群返回第3步,继续遗传算法。

2.根据权利要求1所述的私有云环境下基于遗传禁忌混合算法的资源调度策略方法，其特征为：在第3步中，资源利用率函数为：

f_R＝(1-u_cpu)×(1-u_mem)×(1-u_bandwidth)

公式中u_cpu、u_mem、u_bandwidth分别为物理服务器的CPU利用率、内存利用率、带宽资源利用率。

3.根据权利要求1所述的私有云环境下基于遗传禁忌混合算法的资源调度策略方法，其特征为：在第3步中，SLA违背率函数为：

公式中，u_cpu表示物理服务器的CPU利用率，u_max是对u_cpu定义的最高限值。

4.根据权利要求1所述的私有云环境下基于遗传禁忌混合算法的资源调度策略方法，其特征为：f_R取值范围为0到1之间。

5.根据权利要求1所述的私有云环境下基于遗传禁忌混合算法的资源调度策略方法，其特征为：u_max取值范围为0到1之间，f_S的取值范围为0到1之间。

6.根据权利要求1所述的私有云环境下基于遗传禁忌混合算法的资源调度策略方法，其特征为：在第4步中，选择概率值r₁的取值范围在0到1之间，通常可取为0.8。

7.根据权利要求1所述的私有云环境下基于遗传禁忌混合算法的资源调度策略方法，其特征为：在第7步中，禁忌搜索算法的具体步骤为：

步骤(1)、初始化禁忌搜索算法,将遗传算法的子代个体作为初始解；

步骤(2)、判断禁忌搜索算法收敛准则是否满足，如果满足,结束算法,否则继续以下步骤；

步骤(3)、由初始解产生邻域结构：选择当前负载最大的物理主机运行负载最高的虚拟机进行迁移，目标主机则选择当前负载最小的物理主机，将迁移的集合作为邻域；

步骤(4)、判断特赦准则是否满足，如果满足，将满足特赦原则的迁移方案作为当前解,其迁移方案替换最早进入禁忌表的对象,更新最优状态，并转步骤2，否则,进入下一步；

步骤(5)、判断候选解禁忌属性将非禁忌对象对应的最佳解作为当前解,并用该对象替换最早进入禁忌表的对象；

步骤(6)、转步骤(2)。