CN105704255A - 一种基于遗传算法的服务器负载均衡方法 - Google Patents

Abstract

本发明公开了一种基于遗传算法的服务器负载均衡方法。涉及负载均衡技术领域,包括以下几个步骤:1)采用十进制对空间的候选解进行编码,随机产生适量初始串结构数据作为初始种群；2)遗传算法以初始种群进行迭代，当最优字符串的适应度与最小适应度值之差小于e或迭代达到预设的代数时，算法终止；3)通过Mean-Variance模型进行资源利用率和执行时间适应性值的评估检测；4)按轮盘赌方法选择适应性强的字符串，对选择的字符串进行交叉、变异运算,产生新的字符串进行下一轮的迭代，回到步骤2。本发明将Mean-Variance模型应用于适应度的评估，改善了传统目标函数的模式，所得到的资源使用均衡情况和执行时间可以更有效的衡量字符串适应性，提高了负载均衡性能。

Description

一种基于遗传算法的服务器负载均衡方法

技术领域

本发明涉及负载均衡领域，主要是基于遗传算法改进负载策略提高服务器资源的利用率同时减少总任务的执行时间。

背景技术

近年来，随着移动互联网和云计算的发展，在线信息呈爆炸性增长。一些像企业网络、校园网络和广域网络等主要区域的网络业务流量和负载已经远远超出了单个服务器的处理能力。服务器集群技术就是用于解决单一服务器处理能力的瓶颈问题，其通过服务器集群来代替单一的高性能服务器，从而提高服务器系统对用户请求响应的效率，缩短用户请求的等待延迟，提高用户体验。在服务器集群中，用户的请求需要经过负载均衡器(应用层网关)将请求任务分配到后台的服务器进行处理，对于负载均衡器来说，能否进行合理、高效的任务分配是决定整个服务器系统性能的关键。

负载均衡技术为负载均衡器如何能够高效地为服务器集群提供高效的任务分配提供了很好的解决方案。负载均衡技术能够根据后台服务器的处理性能，合理的分配给各个后台服务器适合匹配的任务。通过负载均衡技术能够加以解决服务器集群的后台服务器负载不均衡问题，提高了服务器集群的资源利用率，有效的提升了整个集群的性能，降低了用户的请求响应等待延迟。

遗传算法是生命科学与工程科学互相交叉、互相渗透的产物。其本质是一种求解问题的高度并行性全局搜索算法。它能在搜索过程中自动获取和积累有关搜索空间的知识,并自动地控制搜索过程以求得最优解。此时适应度函数的设置就至关重要，目标函数决定着如何进行优胜劣汰，通过目标函数选择优良字符串进行交叉变异。简单遗传算法作为一种启发式搜索算法,寻优理论还不完善。因此,对自适应遗传算法的进一步研究和探讨是很必要的。

投资组合优化问题作为现代金融学的一个核心课题，主要研究如何对金融资产进行合理配置与选择，从而实现收益率最大化与风险最小化间的均衡.1952年，美国经济学家HarryM.Markowitz在《TheJournalofFinance》杂志上发表了“PortfolioSelection”一文，首次使用证券收益方差度量风险，提出了Mean-Variance投资组合选择理论，奠定了定量化研究金融投资问题的基础。研究不同金融市场下,具有不同风险厌恶系数的两个投资者在不同风险下的投资组合博弈问题，为投资者进行投资决策提供了指导。继而在应用层路由的多路径中该权值是通过Mean-variance模型的最优化问题求解来获得的。

近几年国内外对负载均衡的理论和技术展开了深入研究，提出的负载均衡算法有：伊朗的Mirrezaei,S.I.，Shahparian,J.和Ghodsi,M.等在2009年针对P2P系统提出了一种轮转调度算法。算法就是以轮转的方式依次将请求调度到不同的服务器,因此它提供了一种快速收敛的负载均衡，提高了密集覆盖节点间的负载均衡性能，降低了负载转移成本，节省了整体的网络带宽。韩国的Choi,Dongjun,Chung,KwangSik，Shon,等在2010年提出了一种基于Web服务器集群的改进的加权最少连接数算法。马来西亚的JayW.Y.Lim,PooKuanHoong,Eng-ThiamYeoh等在2012年提出了一种基于异构集群分散负载的启发式邻居选择算法。AlbertY.Zomaya提出使用动态遗传算法(GA)对最优调度进行搜索，YajunLi提出了一种用于网络计算环境的连续任务的混合负载均衡策略。对于实现高效的负载均衡，特别是降低频繁访问节点的响应时间方面还需要进行研究。适应度函数中资源利用率和总任务的响应时间是以乘积的形式进行取优，一定的资源利用率情况下减少执行时间和在一定的执行时间情况下提高资源利用率，Mean-Variance模型适合适应度函数中二者的特殊关系。

本技术是引入遗传算法对负载任务进行合理分配，通过Mean-Variance模型改进传统适应度函数，获得最优的分配组合,以一定水平的资源利用率尽量缩短用户请求的等待延迟，提高用户体验。

发明内容

本发明的目的是设计一种基于遗传算法的服务器负载均衡方法，使得负载均衡器更合理的向服务器分配任务，提高后台集群的资源利用率，缩短执行时间,提高处理器的负载均衡性能，更好的为用户服务。

为了实现上述目的，本发明所采用的技术方案如下：

基于遗传算法的负载均衡方法包括如下步骤：

1.采用二维十进制对空间的候选解进行编码,随机产生适量初始串结构数据作为初始种群。

在编码方案中，对于T个任务分配给m个处理器得到字符串。由于同一时间有大量任务等待被分配，避免出现拥挤，采用滑动窗口技术设置初始任务队列。窗口大小是固定的，队列中任务的数量与窗口大小相等，所以在滑动窗口中的任务才可以被分配，当GA(GeneticAlgorithm)进行任务调度时，滑动窗口中的任务就被分配。

每个解被编码为一个由两个属性表示的十进制数组。即作＜T_i,P_j＞,这里的T_i，P_j分别表示任务i和被分配的服务器j。二维十进制字符串保证了每个任务只能分配到一个服务器，可以更好的实现负载均衡问题，但是二维字符串在进行交叉操作时不能正常工作所以又需要映射成一维。

初始种群的形成。采用随机函数产生N个初始串结构数据，每个串结构数据称为一个字符串,N个字符串构成了一个群体，GA以n个串结构数据作为初始点开始迭代。

2.目标函数的确立。通过资源利用率和执行时间进行适应性值的评估检测，目标函数是最优化方案中最重要的因素，计算每个解的目标函数值,得到被编码字符串的适应度。

负载指数主要通过服务器运行时各方面的参数得到的，主要包括，CPU资源利用率，内存和带宽利用率。

其中每个服务器的内存利用率定义为：

$M_{ui}=\left(\frac{V_{mi}}{P_{mi}}\right)\×100\%$

式中：V_mi为服务器i的已用内存，P_mi为服务器i的总内存。CPU和带宽利用率的定义具有相似形式为：

$C_{ui}=\left(\frac{V_{ci}}{P_{ci}}\right)\×100\%$

$B_{ui}=\left(\frac{V_{bi}}{P_{bi}}\right)\×100\%$

关于上式，V_ci，V_bi分别为服务器已被占用的CPU和带宽，P_ci，P_bi则是服务器的总资源。

对于负载指数的衡量在不同类型的系统应用中,各个参数的重要程度也有所不同。典型的Web应用环境下,可用内存资源和响应时间就非常重要；如果用户以长的数据库事务为主,则CPU使用率和可用内存就相对重要一些。因而在资源利用率的问题上不可将以上因素同等看待，服务器i的资源利用率为：

R_ui＝k₁M_ui+k₂C_ui+k₃B_ui

式中：k₁,k₂,k₃为常数，且k₁+k₂+k₃＝1。

适应度函数的重要目标是均衡资源利用率和缩短执行时间。负载均衡问题符合马克维茨模型几个条件：在一定的平均资源利用率上，期望的均衡时间最少；在一定的均衡时间上，期望的资源利用率最大；每一次的适应度函数的取值与前一次的资源利用率分布情况关联；负载均衡的时间也与平均资源利用率息息相关。对于m个服务器的资源利用率及执行时间用Mean-Variance模型计算，方差度量负载执行时间，以一定水平的期望利用率上尽量缩短执行时间。

假设对m个服务器进行资源利用率的配置，对应的资源利用率为随机变量R_ui(R_u1,R_u2，…R_um)，总的资源利用率为：

$R_p=\underset{i=1}{\overset{m}{\Σ}}{w}_i\×R_{ui}$

式中w_i(i＝1,2,,…,m)代表m个服务器中资源利用率的比例，期望和负载均衡时间可定义为:

$u_p=E\[R_p\]=\underset{i=1}{\overset{m}{\Σ}}E\[w_i{R}_{ui}\]=\underset{i=1}{\overset{m}{\Σ}}{w}_i{u}_i$

${{\mathrm{\σ}}^2}_p=\mathrm{var}\left(R_p\right)=\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{m}{\Σ}}{w}_i{w}_j\mathrm{cov}(R_{ui},R_{uj})=\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{m}{\Σ}}{w}_i{\mathrm{\σ}}_{ij}{w}_j$

其中u_i是服务器i资源利用率的期望，而cov(R_ui,R_uj)表示任意两个服务器资源使用情况R_ui,R_uj的协方差。Mean-Variance模型通过求解约束优化问题来获得最优的权重向量,定义执行时间makespan。

$makespan=\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{m}{\Σ}}{w}_i{\mathrm{\σ}}_{ij}{w}_j$

约束条件：

$\underset{i=1}{\overset{m}{\Σ}}{w}_i{R}_{ui}=u_p$

$\underset{i=1}{\overset{m}{\Σ}}{w}_i=1$

在限制条件下求解R_ui资源利用率组合时的负载执行时间最小的最值问题，可通过拉格朗日目标函数求得。构建拉格朗日式如下：

$L=\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{m}{\Σ}}{w}_i{w}_j{\mathrm{\σ}}^{ij}-{\mathrm{\λ}}_1(\underset{i=1}{\overset{m}{\Σ}}{w}_i-1)-{\mathrm{\λ}}_2(\underset{i=1}{\overset{m}{\Σ}}{w}_i{R}_{ui}-u_p)$

其中λ₁和λ₂是拉格朗日乘数，通过计算L相对于w_i和拉格朗日乘子的导数为0的等式来获得最优的权重向量。分别对w_i,λ₁,λ₂求偏导：

$\frac{\∂L}{\∂w_i}=\underset{j=1}{\overset{m}{\Σ}}{\mathrm{\σ}}_{ij}{w}_j-{\mathrm{\λ}}_1-{\mathrm{\λ}}_2{R}_{ui}=0,i=1,2,...m$

$\frac{\∂L}{\∂{\mathrm{\λ}}_1}=\underset{j=1}{\overset{m}{\Σ}}{w}_i-1=0$

$\frac{\∂L}{\∂{\mathrm{\λ}}_2}=\underset{j=1}{\overset{m}{\Σ}}{w}_i{R}_{ui}-u_p=0$

以上讨论的的目标可得到组合适应度函数：

$fitness=\frac{1}{makespan}\×R_p$

这里的适应度函数是用来评价任务的质量适应度越高，表示负载均衡策略越好，所需的部署时间越少。

3.迭代条件判断。由于负载平衡方案的最小执行时间很难估计,所以以算法的最大迭代次数作为算法终止的条件。在迭代过程中有时出现适应度值平稳不再增加，再进行迭代将增加响应时间，降低任务调度的效率。为了减少迭代的次数,把每一代种群中最大适应度与最小适应度值之差小于某个常数e作为算法的终止条件。e值越小,负载越趋向于平衡。

遗传算法以初始种群进行迭代，当最优字符串的适应度值与最小适应度值之差小于e时或迭代达到预设的代数时，算法终止。

4.轮盘赌选择(RouletteWheelSelection)方法对适应性强的字符串进行选择，对选择的字符串进行交叉、变异运算。

GA对字符串适应度的评价方式，也是实现群体优良基因传播的基本方式，下文中的字符串需要被字符串替代，选择函数采用轮盘赌的策略来实现，适应度高的字符串就会以比较大的概率被选择，适应度低的字符串以比较小的概率被选择。在该方法中，各个字符串的选择概率等于它的适应度值与整个种群中字符串适应度值和的比例,则字符串X被选中遗传到下一代群体的概率表示如下:

$P_x=F_x/\underset{x=1}{\overset{N}{\Σ}}{F}_x$

群体全部字符串的适当性的分数由一张饼图来表示，根据字符串的适应度的概率将下一个字符串的概率加到前一个字符串的概率形成一个个不同的块，适应性概率越高，它在饼图中对应的小块面积也愈大。通过选取字符串进行遗传，就旋转这个轮子，轮盘停止时指针停在哪一块就选中与其对应的字符串。

选择操作将优秀的字符串留下进行下一代繁殖,这些字符串在进行交叉操作前需要转化为一维字符串。为了确保每个任务都能被分配，循环交叉方法更适合遗传算法。

将群体分为两部分，分别从两部分中选择一个字符串，在其中一个字符串A中随机选择起始交叉点所对应的任务n_i,现在需要在字符串A中找到任务n_j,n_j是B字符串中与任务n_i对应位置的任务,下一次反过来需要找到A字符串中n_j在B字符串所对应相同位置的任务n_k，这个过程循环进行。直到字符串A中任务循环查找到起始点的任务n_i时结束，同时剩余空隙位置将被对方未被选择的剩余任务交换填充。完成整个循环交叉后的操作结果为A‘，B’。

交叉变换后的字符串有新的适应度值及适应概率，将会以新的概率进行种群迭代。交叉策略对于群体中交叉的字符串只进行部分基因的交换，需要交换变异对基因进行改变，产生新的字符串。

字符串将重新转换成二维形式。根据变异概率选择字符串，随机选择一个服务器并在这个服务器上选择一个执行的任务。相似的在同一个字符串中选择第二个服务器，同样在此服务器中选择一个任务，将两个任务进行交换。

交换后的字符串将会有新的适应值并产生新的幸存概率。这个概率将被用来定义下一轮循环的轮盘赌策略的槽值。在每次循环后也会计算适应度值，对比新的群体是否比旧的适应性更强。当遗传算法经过K次循环后，群体中的最优字符串解码并用于任务调度。

本发明的有益效果在于：

本发明通过将投资组合管理的Mean-variance模型引用到适应度函数的求解，加入权重因子避免了将服务器性能同等看待，用拉格朗日目标函数求得权重向量，从而资源利用率的分配得到改善。通过马尔维茨数学模型所得到资源使用均衡情况和执行时间可以更有效的衡量字符串适应性。服务资源的负载均衡就是体现在充分利用自身性能，缩短客户的响应时间。

附图说明

图1是遗传算法工作的流程图；

图2是编码方案；

图3是适应度概率及槽值示例；

图4是循环交叉方案；

图5是三种适应度方式的资源利用率对比；

图6是三种适应度方式的响应时间对比。

具体实施方式

下面结合附图和实施例对本发明技术方案做进一步详细说明。

本发明采用遗传算法进行服务器的任务调度，并结合Mean-variance模型计算适应度函数，通过选择、交叉、变异获得优秀字符串，进行迭代。一种基于遗传算法的服务器负载均衡方法，如图1所示，包括如下步骤：

目前的系统状态。对于时间t时各处理器当前信息，当有空出现，需要进行新一轮任务的分配。

采用滑动窗口技术设置初始队列。窗口大小是固定的，队列中任务的数量与窗口大小相等，所以在滑动窗口中的任务才可以被分配，当GA进行任务调度时，滑动窗口中的任务就被分配。

1)采用二维十进制对空间的候选解进行编码,每个解被编码为一个由两个属性表示的十进制数组。即作＜T_i,P_j＞,这里的T_i，P_j分别表示任务i和被分配的服务器j。如图2，表示10个任务分配给四个服务器，其中第一组表示任务3对应服务器1，第二组表示任务5对应服务器4等。

采用随机函数产生N个初始串结构数据，每个串结构数据称为一个字符串,N个字符串构成了一个群体，将随机产生的适量初始串结构数据作为初始种群。

2)目标函数的确立。通过资源利用率和执行时间进行适应性值的评估检测具体步骤如下：

S01负载指数的衡量。通过服务器运行时各方面的参数得到负载指数，主要包括，CPU资源利用率，内存和带宽利用率。变量中,CPU使用率、内存及带宽利用率可以通过负载平衡器监测到。

其中每个服务器的内存利用率定义为：

$M_{ui}=\left(\frac{V_{mi}}{P_{mi}}\right)\×100\%$

式中：V_mi为服务器i的已用内存，P_mi为服务器i的总内存。CPU和带宽利用率的定义具有相似形式为：

$C_{ui}=\left(\frac{V_{ci}}{P_{ci}}\right)\×100\%$

$B_{ui}=\left(\frac{V_{bi}}{P_{bi}}\right)\×100\%$

关于上式，V_ci，V_bi分别为服务器已被占用的CPU和带宽，P_ci，P_bi则是服务器的总资源；

对于负载指数的衡量在不同类型的系统应用中,各个参数的重要程度也有所不同。典型的Web应用环境下,可用内存资源和响应时间就非常重要；如果用户以长的数据库事务为主,则CPU使用率和可用内存就相对重要一些。因而在资源利用率的问题上不可将以上因素同等看待，为了方便在系统运行过程中针对不同的应用对各个参数的比例进行适当调整,我们为每一个参数设定一个常量系数k_i,用来表示各个负载参数的权值。所以服务器i的资源利用率表示如下：

R_ui＝k₁M_ui+k₂C_ui+k₃B_ui

式中：k₁,k₂,k₃为常数，且k₁+k₂+k₃＝1。动态权值因子是由服务器运行时各方面的参数计算出来的。

S02资源利用率及执行时间。不同的服务器的性能不同且被使用的情况不同，用Mean-Variance模型计算整体资源利用率及执行时间，假设对m个服务器进行资源利用率的配置，对应的资源利用率为随机变量R_ui(R_u1,R_u2，…R_um)，总的资源利用率为：

$R_p=\underset{i=1}{\overset{m}{\Σ}}{w}_i\×R_{ui}$

式中w_i(i＝1,2,,…,m)代表m个服务器资源利用率的比例，期望和执行时间为:

$u_p=E\[R_p\]=\underset{i=1}{\overset{m}{\Σ}}E\[w_i{R}_{ui}\]=\underset{i=1}{\overset{m}{\Σ}}{w}_i{u}_i$

${{\mathrm{\σ}}^2}_p=\mathrm{var}\left(R_p\right)=\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{m}{\Σ}}{w}_i{w}_j\mathrm{cov}(R_{ui},R_{uj})=\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{m}{\Σ}}{w}_i{\mathrm{\σ}}_{ij}{w}_j$

其中u_i是服务器i资源利用率的期望，而cov(R_ui,R_uj)表示任意两个服务器资源使用情况R_ui,R_uj的协方差。Mean-Variance模型通过求解约束优化问题来获得最优的权重向量：

$min\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{m}{\Σ}}{w}_i{\mathrm{\σ}}_{ij}{w}_j$

根据期望及权重因子所得约束条件为：

$\underset{i=1}{\overset{m}{\Σ}}{w}_i{R}_{ui}=u_p$

$\underset{i=1}{\overset{m}{\Σ}}{w}_i=1$

在限制条件下求解R_ui资源利用率组合时的最小负载执行时间，关于最值问题，可通过拉格朗日目标函数求得。构建拉格朗日式如下：

$L=\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{m}{\Σ}}{w}_i{w}_j{\mathrm{\σ}}^{ij}-{\mathrm{\λ}}_1(\underset{i=1}{\overset{m}{\Σ}}{w}_i-1)-{\mathrm{\λ}}_2(\underset{i=1}{\overset{m}{\Σ}}{w}_i{R}_{ui}-u_p)$

其中λ₁和λ₂是拉格朗日乘数，通过计算L相对于w_i和拉格朗日乘子的导数为0的等式来获得最优的权重向量。分别对w_i,λ₁,λ₂求偏：

$\frac{\∂L}{\∂w_i}=\underset{j=1}{\overset{m}{\Σ}}{\mathrm{\σ}}_{ij}{w}_j-{\mathrm{\λ}}_1-{\mathrm{\λ}}_2{R}_{ui}=0,i=1,2,...m$

$\frac{\∂L}{\∂{\mathrm{\λ}}_1}=\underset{j=1}{\overset{m}{\Σ}}{w}_i-1=0$

$\frac{\∂L}{\∂{\mathrm{\λ}}_2}=\underset{j=1}{\overset{m}{\Σ}}{w}_i{R}_{ui}-u_p=0$

通过求偏导数得到权值因子w_i从而计算资源利用率和执行时间，组合适应度函数为：

$fitness=\frac{1}{makespan}\×R_p$

这里的适应度函数是用来评价负载调度任务的质量，当响应时间越少，资源利用率越高时，适应度值越高，表示负载均衡策略越好。

3)迭代条件判断。由于负载平衡方案的最小执行时间很难估计,所以以算法的最大迭代次数作为算法终止的条件。为了减少迭代的次数,把每一代种群中最大适应度F_max与最小适应度值F_min之差小于某个常数e作为算法的终止条件。且e值越小,负载越趋向于平衡。

GA以初始种群进行迭代，当最优字符串的适应度值与最小适应度值之差小于e时或迭代达到预设的代数时，这里可设代数为50,算法终止。否则,用经过选择、交叉、变异所得到的新一代群体取代上一代群体,并返回到选择操作处继续循环执行。

4)按轮盘赌选择方法对适应性强的字符串进行选择，对选择的字符串进行交叉变异运算。具体步骤如下：

S01选择操作。群体全部字符串的适当性的分数由一张饼图来表示，下文中的字符串需要被字符串代替，根据字符串的适应度的概率将下一个字符串的概率加到前一个字符串的概率上形成一个个不同的块，适应性概率越高，它在饼图中对应的小块面积也愈大。种群大小为N,字符串X的适应度为F_x,则字符串被选择遗传到下一代群体的概率为：

$P_x=F_x/\underset{x=1}{\overset{N}{\Σ}}{F}_x$

在该方法中，轮盘的插槽值首先需要被确定，根据字符串适应度概率叠加到前一个字符串概率上得到槽值，因此每个字符串都会占据一个槽值。如图4，适应度概率及槽值。定义完槽值后，随机在0到1中产生数字，决定哪个字符串被留到下一代，适应值越大，适应度的概率越大，表示在圆盘上面积越大，被选中的概率也就越大，字符串被选中的概率与适应度函数值成正比。

S02交叉操作。完成选择操作后，被保留的字符串转换为一维字符串，随机选择部分字符串进行交叉操作。首先将经过选择操作后的种群一一配对，如图4所示，在相互配对的两个字符串字符串A和B中随机选择一个字符串。

字符串A从0到字符串长度中选择起始点进行，这里以开头任务3操作，由于每个任务都要来自两个父代，A₁中任务3在B₁中对应位置为任务10，因此下一步在A字符串中选择任务10得到A₂,B₂。

交叉选择反过来需要在字符串A中选择任务5，因为A₂中任务10对应位置在B₂中是任务5。用相似的选择模式继续，循环5次后得到A₆,B₆。

此时如果再进行选择时又要到已经被选过的任务8，所以选择操作终止。剩余的空白处将彼此的字符串填满。即空白处的字符串进行了交换，完成整个循环交叉后的操作结果为A‘，B’。

S03变异操作。交叉操作后进行交换变异，字符串将重新转换成二维形式，随机选择一个服务器并在这个服务器上选择一个执行的任务。相似的在同一个字符串中选择第二个服务器，同时在此服务器中选择一个任务，将两个任务进行交换。

完成突变，字符串将产生新的适应度值，需要被重新评估，并产生新的幸存概率，这些值将被用来定义下一轮循环中轮盘的插槽值。k此循环后字符串被解码并用于任务调度。对于新系统状态t+1时刻，检查是否有空闲处理器出现，有空闲将进行新任务分配，更新并启动滑动窗口，循环S1—S5。

通过将投资组合管理的Mean-Variance模型引用到目标函数的求解，对各个服务器的资源利用率加入权重因子，通过马尔维茨数学模型所得到资源使用均衡情况和执行时间可以更有效的衡量字符串适应性。针对本发明的效果验证，采用Omnet++网络仿真平台，测试运行的参数设置为：服务器节点设置为5，需要响应的任务设置为250，滑动窗口的大小设置为10，迭代次数设置为50，种群大小为20。为了保证改进遗传算法的全局信息搜索范围以及族群内部信息的搜索深度，交叉概率和变异概率设置为0.8和0.14，适应度差值e设置为0.012，单个服务器内部资源利用的权重k₁，k₂，k₃设置为0.4，0.4，0.2。如图5及图6所示，本文提出的方法与FCFS(First-come-first-servedalgorithm)及DGA(DynamicGeneticloadbalancingAlgorithm)进行了比较，观察其负载均衡性能，如图6所示，在任务量较小时，负载执行时间相对较高，原因是在引入适应度函数的计算使得时间有所增加，随着任务加重，信息量增大的情况效率也逐渐提高。通过马科维兹模型改变适应度函数使得资源利用率得到提高，缩短了任务执行时间，改善了负载均衡性能。

Claims (5)

1.一种基于遗传算法的服务器负载均衡方法，其特征在于包括如下步骤：

1)采用二维十进制对空间的候选解进行编码，随机产生初始种群；

2)通过Mean-Variance模型计算资源利用率和执行时间，从而得到组合适应度函数对种群中的个体进行评估检测；

3)当最优字符串的适应度稳定时或迭代达到预设的次数时，算法终止并输出最优适应度字符串；否则执行步骤4)；

4)按轮盘赌选择方法对适应性强的字符串进行选择，选择的字符串进行循环交叉及变异运算；得到新的种群，并返回步骤2)。

2.根据权利要求1所述的一种基于遗传算法的服务器负载均衡方法，其特征在于所述的步骤1)具体包括如下步骤：

S01:采用二维十进制对空间的候选解进行编码,每个解被编码为一个由两个属性表示的十进制数组,即作＜T_i,P_j＞,其中T_i，P_j分别表示任务i和被分配的服务器j，

S02:编码后的数组采用随机函数产生N个初始串结构数据，每个串结构数据称为一个字符串,N个字符串构成了一个群体，将随机产生的适量初始串结构数据作为初始种群。

3.根据权利要求1所述的一种基于遗传算法的服务器负载均衡方法，其特征在于所述的步骤2)具体包括如下步骤：

S01负载指数的衡量

通过服务器运行时各方面的参数得到负载指数，所述的参数包括CPU占用率，内存及带宽利用率；

其中每个服务器的内存利用率定义为：

$M_{ui}=\left(\frac{V_{mi}}{P_{mi}}\right)\×100\%$

式中：V_mi为服务器i的已用内存，P_mi为服务器i的总内存；

CPU利用率的定义为：

$C_{ui}=\left(\frac{V_{ci}}{P_{ci}}\right)\×100\%$

式中：V_ci为服务器已被占用的CPU，P_ci是服务器的总CPU；

带宽利用率的定义为：

$B_{ui}=\left(\frac{V_{bi}}{P_{bi}}\right)\×100\%$

式中：V_bi分别为服务器已被占用的带宽，P_bi则是服务器的总带宽；

S02服务器i的资源利用率为：

R_ui＝k₁M_ui+k₂C_ui+k₃B_ui

式中：k₁,k₂,k₃为常数，且k₁+k₂+k₃＝1；

S03用Mean-Variance模型计算资源利用率及执行时间

假设对m个服务器进行资源利用率的配置，对应的资源利用率为随机变量R_ui，总的资源利用率为：

$R_p=\underset{i=1}{\overset{m}{\Σ}}{w}_i\×R_{ui}$

其中w_i代表m个服务器中资源利用率的权值向量，i＝1,2,…,m，期望u_p和负载均衡时间σ² _p分别为:

$u_p=E\[R_p\]=\underset{i=1}{\overset{m}{\Σ}}E\[w_i{R}_{ui}\]=\underset{i=1}{\overset{m}{\Σ}}{w}_i{u}_i$

${{\mathrm{\σ}}^2}_p=\mathrm{var}\left(R_p\right)=\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{m}{\Σ}}{w}_i{w}_j\mathrm{cov}(R_{ui},R_{uj})=\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{m}{\Σ}}{w}_i{\mathrm{\σ}}_{ij}{w}_j$

其中，u_i是服务器i资源利用率的期望，而cov(R_ui,R_uj)表示任意两个服务器资源使用情况R_ui,R_uj的协方差又写作σ_ij，

Mean-Variance模型通过求解约束优化问题来获得最优的权重向量,最小执行时间makespan为：

$min\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{m}{\Σ}}{w}_i{\mathrm{\σ}}_{ij}{w}_j$

约束条件：

$\underset{i=1}{\overset{m}{\Σ}}{w}_i{R}_{ui}=u_p$

$\underset{i=1}{\overset{m}{\Σ}}{w}_i=1$

在限制条件下求解R_ui资源利用率组合时的最小执行时间，关于最值问题通过拉格朗日目标函数求得，构建拉格朗日式如下：

$L=\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{m}{\Σ}}{w}_i{w}_j{\mathrm{\σ}}^{ij}-{\mathrm{\λ}}_1(\underset{i=1}{\overset{m}{\Σ}}{w}_i-1)-{\mathrm{\λ}}_2(\underset{i=1}{\overset{m}{\Σ}}{w}_i{R}_{ui}-u_p)$

其中λ₁和λ₂是拉格朗日乘数，通过计算L相对于w_i和拉格朗日乘子的导数为0的等式来获得最优的权重向量，即分别对w_i,λ₁,λ₂求偏导：

$\frac{\∂L}{\∂w_i}=\underset{j=1}{\overset{m}{\Σ}}{\mathrm{\σ}}_{ij}{w}_j-{\mathrm{\λ}}_1-{\mathrm{\λ}}_2{R}_{ui}=0,i=1,2,...m$

$\frac{\∂L}{\∂{\mathrm{\λ}}_1}=\underset{j=1}{\overset{m}{\Σ}}{w}_i-1=0$

$\frac{\∂L}{\∂{\mathrm{\λ}}_2}=\underset{j=1}{\overset{m}{\Σ}}{w}_i{R}_{ui}-u_p=0$

S04由最优的权重向量可得到总的资源利用率及执行时间，组合适应度函数：

$fitness=\frac{1}{makespan}\×R_p$

适应度函数用来评价负载调度任务的质量，响应时间越少，资源利用率越高时，适应度值越高，表示负载均衡策略越好。

4.根据权利要求1所述的一种基于遗传算法的服务器负载均衡方法，其特征在于所述的步骤3)具体为：

遗传算法以初始种群进行适应度计算，并判断算法是否达到迭代的终止条件，所述的算法迭代终止条件为某一代种群中最大适应度F_max与最小适应度F_min之差小于设定常数e或迭代次数达到预设的迭代次数；算法终止时输出此时的最优适应度字符串；若算法未终止，则进行选择、交叉、变异，并用所得到的新一代群体取代上一代群体继续循环执行迭代。

5.根据权利要求1所述的一种基于遗传算法的服务器负载均衡方法，其特征在于所述的步骤4)具体为：

S01轮盘赌策略进行选择

种群大小为N,种群中的字符串X的适应度为F_x,则被选择遗传到下一代群体的概率为：

$P_x=F_x/\underset{x=1}{\overset{N}{\Σ}}{F}_x$

首先确定轮盘的插槽值，根据适应度概率叠加到前一个字符串的概率上得到槽值，每个字符串都会占据一个槽值，群体全部字符串的适应性的分布由一张饼图来表示，根据字符串适应度的概率将下一个字符串的概率加到前一个字符串的概率上形成一个个不同的块，随机在0到1中产生数字，决定哪个字符串被留到下一代，适应值越大，适应度的概率越大，表示在圆盘上面积越大，被选中的概率也就越大，字符串被选中的概率与适应度函数值成正比；

S02循环交叉操作

完成选择操作后，被保留的字符串转换为一维的，随机选择部分字符串进行交叉操作，首先将经过选择操作后的种群一一配对，在相互配对的两个字符串A和B中随机选择一个，

在其中一个字符串A中随机选择起始交叉点，设所对应的任务为n_i,现在需要在字符串A中找到任务n_j,n_j是B字符串中与任务n_i对应位置的任务,下一次反过来需要找到A字符串中n_j在B字符串所对应相同位置的任务n_k，这个过程循环进行，直到字符串A中有任务将要循环查找到起始点的任务n_i时结束，同时剩余空隙位置将被对方未被选择的剩余任务交换填充，完成整个循环交叉后的操作结果为A‘，B’；

S03变异操作

交叉操作后进行交换变异，字符串将重新转换成二维形式，在保证选择两个服务器中的两个不同任务进行交换的条件下，根据变异概率选择一字符串，在此字符串中随机选择一个服务器并在这个被选的服务器中选择一个需要执行的任务，在同一字符串中选择第二个服务器，同样在此服务器中选择另一个任务，将两个任务交换位置；

完成变异后，回到步骤2)，字符串将产生新的适应度值。