CN106502780A - 基于拍卖的动态vm配置及组合分配方法 - Google Patents
基于拍卖的动态vm配置及组合分配方法 Download PDFInfo
- Publication number
- CN106502780A CN106502780A CN201611262989.9A CN201611262989A CN106502780A CN 106502780 A CN106502780 A CN 106502780A CN 201611262989 A CN201611262989 A CN 201611262989A CN 106502780 A CN106502780 A CN 106502780A
- Authority
- CN
- China
- Prior art keywords
- bacterium
- individual
- resource
- bacterial clump
- dynamic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/485—Task life-cycle, e.g. stopping, restarting, resuming execution
- G06F9/4856—Task life-cycle, e.g. stopping, restarting, resuming execution resumption being on a different machine, e.g. task migration, virtual machine migration
- G06F9/4862—Task life-cycle, e.g. stopping, restarting, resuming execution resumption being on a different machine, e.g. task migration, virtual machine migration the task being a mobile agent, i.e. specifically designed to migrate
- G06F9/4875—Task life-cycle, e.g. stopping, restarting, resuming execution resumption being on a different machine, e.g. task migration, virtual machine migration the task being a mobile agent, i.e. specifically designed to migrate with migration policy, e.g. auction, contract negotiation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于拍卖的动态VM配置及组合分配方法,包括以下步骤:收集云提供商提供的资源虚拟机实例;收集用户的资源使用申请;采用细菌菌落优化算法对资源进行分配:初始化算法的参数;将细菌分为泳动、翻滚和停留细菌,同时制定个体繁殖和死亡机制;将单个或多个细菌放置到解空间,计算每个细菌的适应值,判断该细菌为何种运行方式;当个体第k次迭代的适应值优于第k‑1次的适应值,则个体在k+1次首先停留,再选择泳动方式;否则个体在k+1次选择翻滚方式;记录第k次迭代时的位置及菌落所经历的最优位置;重复上述步骤,当细菌菌落消失后得最优解。本发明有效地提高了云计算资源的利用率和云提供商收益率。
Description
技术领域
本发明属于计算机网络技术领域,特别是一种基于拍卖的动态VM配置及组合分配方法。
背景技术
Abstract-Cloud计算提供商提供的资源为不同类型的虚拟机(VM)实例,然后在特定的时间段分配给用户。VM实例分配的用户通常是使用固定价格的分配机制,不能保证分配的经济高效和云提供商的收入最大化。一个更好的选择是使用组合基于拍卖的资源分配机制。这个论点是由经济理论支持;拍卖成本很低,在云计算环境中一样,拍卖是特别有效的匹配市场价格的方法,因为产品匹配客户最高估值。
现有的组合auctionbased VM分配机制不考虑用户的供求差异,静态的配置VM实例。CA-GREEDY机制能够比CA-PROVISION机制更好的匹配供求。同时,在没有“可配置的”拍卖物品时,CA-GREEDY是一个非常有效的拍卖方式。但是当有可重构项目时,很难提前预测需求。
发明内容
本发明提供一种基于拍卖的动态VM配置及组合分配方法,以提高云计算资源的利用率和云提供商收益率。
实现本发明目的的技术解决方案为:一种基于拍卖的动态VM配置及组合分配方法,包括以下步骤:
步骤1,收集云提供商提供的资源虚拟机实例;
步骤2,收集用户的资源使用申请;
步骤3,采用细菌菌落优化算法对资源进行分配。
进一步地,步骤2所述的资源使用申请包括每个任务需要的CPU资源、内存资源、硬盘资源和带宽资源。
进一步地,步骤3所述的采用细菌菌落优化算法对资源进行分配,具体步骤如下:
步骤3.1,初始化细菌菌落优化算法的参数;
步骤3.2,将细菌按基本运行方式分为泳动细菌、翻滚细菌和停留细菌,同时制定个体繁殖和死亡机制;
步骤3.3,将单个或多个细菌放置到解空间,计算每个细菌的适应值,判断该细菌为何种运行方式;
步骤3.4,当个体第k次迭代的适应值优于第k-1次的适应值,则个体在k+1次首先停留,再选择泳动方式;否则执行步骤3.5;
步骤3.5,个体在k+1次选择翻滚方式,且每个个体都能感知整个菌落经历过的最优位置;
步骤3.6,记录第k次迭代时的位置及菌落所经历的最优位置;
步骤3.7,重复步骤3.2~3.6Ng次,当细菌菌落消失后得最优解,Ng表示细菌菌落优化算法的平均迭代次数。
进一步地,步骤3.1所述细菌菌落优化算法的参数,包括:
迭代时的位置X,种群空间的大小,种群收敛程度阀值C,加速度因子c1和c2;细菌初始个体为1,最大种群数量S,个体最长寿命,繁殖条件P,R,c1,c2是常数;
初始化菌落,利用公式(1)随机产生n个细菌菌落算法的初始解∏,∏表示第j只细菌第n个访问接入点中,用户设备M分配到的时间比例,s∈[0,1]之间的随机数,∏初始解需要满足公式(2)、(3)、和(4):
xj∈{0,1},j=1,...,n, (3)
0≤pj≤vj j=1,...,n, (4)
初始化迭代次数序号gen=1。
进一步地,步骤3.2所述将细菌按基本运行方式分为泳动细菌、翻滚细菌和停留细菌,其中:
所述个体在泳动时,细菌将沿着前一次的移动方向向群体经历的最优位置移动,模型为:
xk+1=xk+c1·r1·(xk-xk-1)+c2·r2·(g-xk)
翻滚时个体将沿着与前次移动方向相反的方向,向群体经历的最优位置移动,模型为:
xk+1=xk-c1·r1·(xk-xk+1)+c2·r2·(g-xk)
细菌每次移动到浓度更高的区域,都要作停留,当个体移动到适应值更高的位置后,会在该位置停留并作随机搜索,相当于细菌进入更高浓度区域后,将作停留以吸收营养物质,满足自身成长需求,模型为:
xk+1=xk+R·r
其中:x=(x1,k,x2,k,...,xd,k)是第k次迭代时的位置:g=(g1,g2,...,gd)是菌落所经历的最优位置,d是解空间维数;r1和r2是区间[0,1]上的随机数;R,c1,c2是常数;r=(r1,r2,...,rd),ri是区间[0,1]上的随机数。
本发明与现有技术相比,其显著优点在于:(1)CAPROVISION可以有效地捕捉市场需求,计算资源供应与需求,并生成比CA-GREEDY更好效果的分配方案,尤其是在高需求情况下;(2)在一些低需求的情况下,CAGREEDY比CA-PROVISION的用户利用率更高,有效地提高了云计算资源的利用率和云提供商收益率。
附图说明
图1为本发明基于拍卖的动态VM配置及组合分配方法的流程图。
具体实施方式
结合图1,本发明基于拍卖的动态VM配置及组合分配方法,包括以下步骤:
步骤1,收集云提供商提供的资源虚拟机实例;
步骤2,收集用户的资源使用申请;所述的资源使用申请包括每个任务需要的CPU资源、内存资源、硬盘资源和带宽资源。
步骤3,采用细菌菌落优化算法对资源进行分配。
所述的采用细菌菌落优化算法对资源进行分配,具体步骤如下:
步骤3.1,初始化细菌菌落优化算法的参数;
所述细菌菌落优化算法的参数,包括:
迭代时的位置X,种群空间的大小,种群收敛程度阀值C,加速度因子c1和c2;细菌初始个体为1,最大种群数量S,个体最长寿命,繁殖条件P,R,c1,c2是常数;
初始化菌落,利用公式(1)随机产生n个细菌菌落算法的初始解Π,Π表示第j只细菌第n个访问接入点中,用户设备M分配到的时间比例,s∈[0,1]之间的随机数,Π初始解需要满足公式(2)、(3)、和(4):
xj∈{0,1},j=1,...,n, (3)
0≤pj≤vj j=1,...,n, (4)
初始化迭代次数序号gen=1。
步骤3.2,将细菌按基本运行方式分为泳动细菌、翻滚细菌和停留细菌,同时制定个体繁殖和死亡机制;所述将细菌按基本运行方式分为泳动细菌、翻滚细菌和停留细菌,其中:
所述个体在泳动时,细菌将沿着前一次的移动方向向群体经历的最优位置移动,模型为:
xk+1=xk+c1·r1·(xk-xk-1)+c2·r2·(g-xk)
翻滚时个体将沿着与前次移动方向相反的方向,向群体经历的最优位置移动,模型为:
xk+1=xk-c1·r1·(xk-xk+1)+c2·r2·(g-xk)
细菌每次移动到浓度更高的区域,都要作停留,当个体移动到适应值更高的位置后,会在该位置停留并作随机搜索,相当于细菌进入更高浓度区域后,将作停留以吸收营养物质,满足自身成长需求,模型为:
xk+1=xk+R·r
其中:x=(x1,k,x2,k,...,xd,k)是第k次迭代时的位置:g=(g1,g2,...,gd)是菌落所经历的最优位置,d是解空间维数;r1和r2是区间[0,1]上的随机数;R,c1,c2是常数;r=(r1,r2,...,rd),ri是区间[0,1]上的随机数。
步骤3.3,将单个或多个细菌放置到解空间,计算每个细菌的适应值,判断该细菌为何种运行方式;
步骤3.4,当个体第k次迭代的适应值优于第k-1次的适应值,则个体在k+1次首先停留,再选择泳动方式;否则执行步骤3.5;
步骤3.5,个体在k+1次选择翻滚方式,且每个个体都能感知整个菌落经历过的最优位置;
步骤3.6,记录第k次迭代时的位置及菌落所经历的最优位置;
步骤3.7,重复步骤3.2~3.6Ng次,当细菌菌落消失后得最优解,Ng表示细菌菌落优化算法的平均迭代次数。
综上所述,本发明能够提高云供应商收益率和云计算资源利用率。
Claims (5)
1.一种基于拍卖的动态VM配置及组合分配方法,其特征在于,包括以下步骤:
步骤1,收集云提供商提供的资源虚拟机实例;
步骤2,收集用户的资源使用申请;
步骤3,采用细菌菌落优化算法对资源进行分配。
2.根据权利要求1所述的基于拍卖的动态VM配置及组合分配方法,其特征在于,步骤2所述的资源使用申请包括每个任务需要的CPU资源、内存资源、硬盘资源和带宽资源。
3.根据权利要求1所述的基于拍卖的动态VM配置及组合分配方法,其特征在于步骤3所述的采用细菌菌落优化算法对资源进行分配,具体步骤如下:
步骤3.1,初始化细菌菌落优化算法的参数;
步骤3.2,将细菌按基本运行方式分为泳动细菌、翻滚细菌和停留细菌,同时制定个体繁殖和死亡机制;
步骤3.3,将单个或多个细菌放置到解空间,计算每个细菌的适应值,判断该细菌为何种运行方式;
步骤3.4,当个体第k次迭代的适应值优于第k-1次的适应值,则个体在k+1次首先停留,再选择泳动方式;否则执行步骤3.5;
步骤3.5,个体在k+1次选择翻滚方式,且每个个体都能感知整个菌落经历过的最优位置;
步骤3.6,记录第k次迭代时的位置及菌落所经历的最优位置;
步骤3.7,重复步骤3.2~3.6Ng次,当细菌菌落消失后得最优解,Ng表示细菌菌落优化算法的平均迭代次数。
4.根据权利要求3所述的基于拍卖的动态VM配置及组合分配方法,其特征在于,步骤3.1所述细菌菌落优化算法的参数,包括:
迭代时的位置X,种群空间的大小,种群收敛程度阀值C,加速度因子c1和c2;细菌初始个体为1,最大种群数量S,个体最长寿命,繁殖条件P,R,c1,c2是常数;
初始化菌落,利用公式(1)随机产生n个细菌菌落算法的初始解∏,∏表示第j只细菌第n个访问接入点中,用户设备M分配到的时间比例,s∈[0,1]之间的随机数,П初始解需要满足公式(2)、(3)、和(4):
xj∈{0,1},j=1,...,n, (3)
0≤pj≤vj j=1,...,n, (4)
初始化迭代次数序号gen=1。
5.根据权利要求3所述的基于拍卖的动态VM配置及组合分配方法,其特征在于,步骤3.2所述将细菌按基本运行方式分为泳动细菌、翻滚细菌和停留细菌,其中:
所述个体在泳动时,细菌将沿着前一次的移动方向向群体经历的最优位置移动,模型为:
xk+1=xk+c1·r1·(xk-xk-1)+c2·r2·(g-xk)
翻滚时个体将沿着与前次移动方向相反的方向,向群体经历的最优位置移动,模型为:
xk+1=xk-c1·r1·(xk-xk+1)+c2·r2·(g-xk)
细菌每次移动到浓度更高的区域,都要作停留,当个体移动到适应值更高的位置后,会在该位置停留并作随机搜索,相当于细菌进入更高浓度区域后,将作停留以吸收营养物质,满足自身成长需求,模型为:
xk+1=xk+R·r
其中:x=(x1,k,x2,k,...,xd,k)是第k次迭代时的位置:g=(g1,g2,...,gd)是菌落所经历的最优位置,d是解空间维数;r1和r2是区间[0,1]上的随机数;R,c1,c2是常数;r=(r1,r2,...,rd),ri是区间[0,1]上的随机数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611262989.9A CN106502780A (zh) | 2016-12-30 | 2016-12-30 | 基于拍卖的动态vm配置及组合分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611262989.9A CN106502780A (zh) | 2016-12-30 | 2016-12-30 | 基于拍卖的动态vm配置及组合分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106502780A true CN106502780A (zh) | 2017-03-15 |
Family
ID=58334804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611262989.9A Pending CN106502780A (zh) | 2016-12-30 | 2016-12-30 | 基于拍卖的动态vm配置及组合分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106502780A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115129466A (zh) * | 2022-03-31 | 2022-09-30 | 西安电子科技大学 | 云计算资源分层调度方法、系统、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942419A (zh) * | 2014-04-04 | 2014-07-23 | 南京邮电大学 | 一种混合智能优化方法 |
CN104640218A (zh) * | 2015-01-29 | 2015-05-20 | 南京理工大学 | 有比例率约束的异构网络无线资源分配方法 |
-
2016
- 2016-12-30 CN CN201611262989.9A patent/CN106502780A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942419A (zh) * | 2014-04-04 | 2014-07-23 | 南京邮电大学 | 一种混合智能优化方法 |
CN104640218A (zh) * | 2015-01-29 | 2015-05-20 | 南京理工大学 | 有比例率约束的异构网络无线资源分配方法 |
Non-Patent Citations (4)
Title |
---|
E.INIYA NEHRU等: "Auction Based Dynamic Resource Allocation in cloud", 《2016 INTERNATIONAL CONFERENCE ON CIRCUIT,POWER AND COMPUTING TECHNOLOGIES》 * |
LIJI JACOB等: "Resource Scheduling in Cloud using Bacterial Foraging Optimization Algorithm", 《INTERNATIONAL JOURNAL OF COMPUTER APPLICATIONS》 * |
SHARRUKH ZAMAN等: "Combinatorial Auction-Based Allocation of Virtual Machine Instances in Clouds", 《2010 IEEE SECOND INTERNATIONAL CONFERENCE ON CLOUD COMPUTING TECHNOLOGY AND SCIENCE》 * |
许建豪: "云计算中基于拍卖的虚拟机动态供应和分配算法", 《重庆邮电大学学报(自然科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115129466A (zh) * | 2022-03-31 | 2022-09-30 | 西安电子科技大学 | 云计算资源分层调度方法、系统、设备及介质 |
CN115129466B (zh) * | 2022-03-31 | 2024-05-10 | 西安电子科技大学 | 云计算资源分层调度方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hatamlou et al. | Data clustering using big bang–big crunch algorithm | |
Xiong et al. | Temporal collaborative filtering with bayesian probabilistic tensor factorization | |
Li et al. | Parameter estimation for chaotic systems by hybrid differential evolution algorithm and artificial bee colony algorithm | |
Abdulhamid et al. | Secure scientific applications scheduling technique for cloud computing environment using global league championship algorithm | |
Shao et al. | A new electricity price prediction strategy using mutual information-based SVM-RFE classification | |
JP2007095069A (ja) | 分散カーネル・サポート・ベクトル・マシン | |
CN103902375A (zh) | 一种基于改进遗传算法的云任务调度方法 | |
De Nijs et al. | Bounding the probability of resource constraint violations in multi-agent MDPs | |
CN102609303A (zh) | MapReduce系统的慢任务调度方法和装置 | |
CN102591709A (zh) | 基于OGR的shapefile文件主从式并行写方法 | |
Huang et al. | Research on retailer data clustering algorithm based on spark | |
Ahmed et al. | Multicriteria Scalable Graph Drawing via Stochastic Gradient Descent, $(SGD)^{2} $(S G D) 2 | |
CN106502780A (zh) | 基于拍卖的动态vm配置及组合分配方法 | |
CN103679564A (zh) | 一种用于配电网拓扑分析分布式计算的任务分配方法 | |
Wu et al. | Stable estimation of heterogeneous treatment effects | |
CN104750877B (zh) | 一种用于云计算资源定价的统计分析方法 | |
Pour et al. | 5. Optimizing a multi-objectives flow shop scheduling problem by a novel genetic algorithm | |
CN106156142A (zh) | 一种文本聚类的处理方法、服务器及系统 | |
He et al. | Cloud task scheduling based on policy gradient algorithm in heterogeneous cloud data center for energy consumption optimization | |
Ali et al. | A biogeography-based optimization algorithm for energy efficient virtual machine placement | |
Mashwani et al. | Hybrid constrained evolutionary algorithm for numerical optimization problems | |
CN103793274B (zh) | 一种credit调度器中增量时间片调整装置及方法 | |
Modrak et al. | Performance measurement of selected heuristic algorithms for solving scheduling problems | |
Bucarey et al. | An exact dynamic programming approach to segmented isotonic regression | |
Hao et al. | Resource Scheduling Optimization Algorithm of Energy Consumption for Cloud Computing Based on Task Tolerance. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170315 |
|
RJ01 | Rejection of invention patent application after publication |