CN106803837A - 云系统容错资源分配和代价最小化的方法 - Google Patents
云系统容错资源分配和代价最小化的方法 Download PDFInfo
- Publication number
- CN106803837A CN106803837A CN201611263022.2A CN201611263022A CN106803837A CN 106803837 A CN106803837 A CN 106803837A CN 201611263022 A CN201611263022 A CN 201611263022A CN 106803837 A CN106803837 A CN 106803837A
- Authority
- CN
- China
- Prior art keywords
- task
- cost
- fault
- sfla
- resource allocation
- 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
-
- 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
-
- 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
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Hardware Redundancy (AREA)
Abstract
本发明提供一种云系统容错资源分配和代价最小化的方法。步骤如下:云服务器接收并响应任务和定制的需求;通过网络将所接收的任务和定制需求存储到本地磁盘或公共服务器;在收到用户请求时,检查可用性状态的所有候选节点,并估计最后期限内每个任务的最小代价;将通过一个定制的VM运行任务实例与孤立的资源,得到最低的代价。本发明基于云环境的促进与VM资源隔离技术,制定一个受截止时间驱使的资源分配问题,并提出一个新颖的解决方案与多项式时间,可以减少用户的付款期限。在通过分析任务执行长度的上限可能是不准确的基础上,进一步提出一个容错方法,保证任务在其最后期限的完成。
Description
技术领域
本发明属于计算机网络技术领域,特别是一种云系统容错资源分配和代价最小化的方法。
背景技术
云计算在互联网上成为一个引人注目的范式易用性虚拟环境的部署。云计算的一个典型特征是它方便的虚拟化资源池(如硬件、平台或服务),可以动态地重新配置,以适应可变负荷(规模)。为了避免用户资源的需求过剩,云系统提供的资源都应该满足他们真正的需求。每个任务的工作负载可能是多个维度。
首先,计算资源的需要可能是多属性(如CPU、磁盘读取速度、网络带宽、等),导致多维本质上执行。第二,即使一个任务只取决于一个资源类型,如CPU,它也可以分成多个顺序执行阶段,每个阶段要求不同的计算能力和不同的价格需求,但是同时这也导致了一个潜在的高维执行场景。云计算的资源配置是比其他分布式系统更复杂的,例如网格计算平台。在网格系统,由于他们之间的相互干扰性,这样的不共享计算资源在多个应用程序同时运行是不可避免的。然而,云系统通常不直接向用户提供物理主机,而是利用虚拟资源孤立技术。这样一个弹性资源使用方式不仅能适应用户的特定需求,而且它也可以最大化资源利用率在细粒度和孤立异常环境安全地达到目的。一些成功的平台或云管理工具包括Amazon EC2和OpenNebula利用VM资源隔离技术。
另一方面,科学研究的快速发展,用户可能提出非常复杂的要求。例如,用户可能希望减少保证他们服务水平的还款,这样任务时可以在最后期限之前完成。这样一份关于资源分配与最小化代价的毕业论文很少在文献研究。此外,不可避免的错误预测任务工作量肯定会使问题更加困难。在弹性资源使用模型的基础上,本发明的目标是设计一个高预期耐受能力的资源分配算法,也尽量减少用户支付他们的预计期限。因为可以任意分区空闲的物理资源和分配新任务,基于vm的资源分配有着非常灵活的倍数。这意味着寻找最优解的可行性通过凸优化策略,与传统网格模型相比,依赖于不可分割的资源比如物理处理器的数量。然而,无法找到最优解。
发明内容
本发明的目的在于提供一种高效、可靠的云系统容错资源分配和代价最小化的方法。
实现本发明目的的技术解决方案为:一种云系统容错资源分配和代价最小化的方法,步骤如下:
步骤1,云服务器接收并响应任务和定制的需求;
步骤2,通过网络将所接收的任务和定制需求存储到本地磁盘或公共服务器;
步骤3,在收到用户请求时,检查可用性状态的所有候选节点,并估计最后期限内每个任务的最小代价;
步骤4,将通过一个定制的VM运行任务实例与孤立的资源,得到最低的代价。
进一步地,步骤3所述在收到用户请求时,检查可用性状态的所有候选节点,并估计最后期限内每个任务的最小代价,其中使用到的参数包括:
种群规模大小T,PSO-SFLA算法中PSO种群和SFLA种群各为T/2,将SFLA种群分为i个子群,每个子群规模大小X个,子群内更新迭代次数p,算法的进化迭代次数为r,PSO-SFLA算法中的个体邻域半径为b,根据公式1算出迭代最小化P(r(ti)),
其中,T(ti)的值满足下列式子:
进一步地,步骤4所述将通过一个定制的VM运行任务实例与孤立的资源,得到最低的代价,具体如下:
在步骤3得到最后期限内每个任务的最小代价P(r(ti)),根据公式(2)得到最大代价比的结果这个结果反映在一般情况下,PSO—SFLA算法的相对代价比例值,再由公式(2)的前半部分得到T(ti),即是每种算法产生相应的分配结果要求的最低代价。
本发明与现有技术相比,其显著优点为:(1)基于云环境的促进与VM资源隔离技术,本发明制定一个受截止时间驱使的资源分配问题,并提出一个新颖的解决方案与多项式时间,可以减少用户的付款期限;(2)在通过分析任务执行长度的上限可能是不准确的基础上,进一步提出一个容错方法,保证任务在其最后期限的完成;(3)在一个真正的促进VM集群环境下进行不同层次的竞争来验证其有效性。
附图说明
图1是云系统的资源配置图。
图2是本发明一个简单案例的曲线图。
图3是任务数量的分布图。
图4是任务数量的公平性指数图。
具体实施方式
本发明基于云系统容错资源分配和代价最小化的方法,包括以下步骤:
步骤1,云服务器不断地接收并响应用户请求(或任务)和定制的需求
步骤2,通过网络将这些任务的计算结果存储到本地磁盘或公共服务器。
步骤3,在收到请求时,调度程序检查可用性状态的所有候选节点,并估计最后期限内每个任务的最小代价。具体过程如下:
步骤3中使用到的参数有:种群规模大小T,PSO-SFLA算法中PSO种群和SFLA种群各为T/2,将SFLA种群分为i个子群,每个子群规模大小X个,子群内更新迭代次数p,算法的进化迭代次数为r,PSO-SFLA算法中的个体邻域半径为b,根据公式(1)算出迭代最小化P(r(ti)),
步骤4,将通过一个定制的VM运行任务实例与孤立的资源要求最低的代价。
根据步骤3中的一般过程算出云系统容错资源分配的代价最小化,护体实施步骤如下:
在步骤3中得到最后期限内每个任务的最小代价P(r(ti)),根据公式(2)得到最大代价比的结果这个结果反映了在一般情况下,PSO—SFLA算法的相对代价比例值,再由公式(2)的前半部分得到T(ti)即是每种算法产生相应的分配结果要求的最低的代价
步骤5,计算结果(或反馈)将被返回给用户。
我们需要求的代价最小化即P(r(ti)),其表达式如下:
其中,T(ti)的值满足下列式子:
先将云系统中的资源分成两部分,根据PSO-SFLA混合算法,先用基本PSO算法对其中一部分进行计算,再用SFLA对另一部分进行优化,然后找到最优解。
在Min P(r(ti))的条件下。还有如下两个判定:
T(ti)≤D(ti) (3)
r(ti)≤a(ps) (4)
实施例1
结合图1~4,本发明云系统容错资源分配和代价最小化的方法,步骤如下:
步骤1,云服务器不断地接收并响应用户请求(或任务)和定制的需求收集网络中可用的带宽资源中无线频率资源的总流量带宽,在本实例中我们使用的无线频率资源的总流量带宽为20M。
步骤2,通过网络将这些任务的计算结果存储到本地磁盘或公共服务器。
步骤3,在收到请求时,调度程序检查可用性状态的所有候选节点,并估计最后期限内每个任务的最小代价。具体过程如下:
步骤3中使用到的参数有:种群规模大小T=200,PSO-SFLA算法中PSO种群和SFLA种群各为100个,将SFLA种群分为20个子群,每个子群规模大小X=10个,子群内更新迭代次数30次,算法的进化迭代次数为r,PSO-SFLA算法中的个体邻域半径为b,根据公式1算出迭代最小化P(r(ti)),
步骤4,将通过一个定制的VM运行任务实例与孤立的资源要求最低的代价。
在第三步中得到最后期限内每个任务的最小代价,根据公式二得到最大代价比的结果,这个结果反映了在一般情况下,PSO—SFLA算法的相对代价比例值,再由公式二的前半部分得到T(ti)即是每种算法产生相应的分配结果要求的最低的代价。
步骤5,计算结果(或反馈)将被返回给用户。
根据步骤4中得到的结果发现最小迭代次数是378,最大迭代次数499的而改进后的最小迭代次数为376,最大迭代次数为478。结果进行比较得出方法比以前的方法是有所改进的。
综上所述,本发明是一种高效、可靠的云系统容错资源分配,能够充分利用网络带宽资源,使得云系统容错资源分配代价最小化。
Claims (3)
1.一种云系统容错资源分配和代价最小化的方法,其特征在于,步骤如下:
步骤1,云服务器接收并响应任务和定制的需求;
步骤2,通过网络将所接收的任务和定制需求存储到本地磁盘或公共服务器;
步骤3,在收到用户请求时,检查可用性状态的所有候选节点,并估计最后期限内每个任务的最小代价;
步骤4,将通过一个定制的VM运行任务实例与孤立的资源,得到最低的代价。
2.根据权利要求1所述的云系统容错资源分配和代价最小化的方法,其特征在于,步骤3所述在收到用户请求时,检查可用性状态的所有候选节点,并估计最后期限内每个任务的最小代价,其中使用到的参数包括:
种群规模大小T,PSO-SFLA算法中PSO种群和SFLA种群各为T/2,将SFLA种群分为i个子群,每个子群规模大小X个,子群内更新迭代次数p,算法的进化迭代次数为r,PSO-SFLA算法中的个体邻域半径为b,根据公式1算出迭代最小化P(r(ti)),
其中,T(ti)的值满足下列式子:
3.根据权利要求1所述的云系统容错资源分配和代价最小化的方法,其特征在于,步骤4所述将通过一个定制的VM运行任务实例与孤立的资源,得到最低的代价,具体如下:
在步骤3得到最后期限内每个任务的最小代价P(r(ti)),根据公式(2)得到最大代价比的结果这个结果反映在一般情况下,PSO—SFLA算法的相对代价比例值,再由公式(2)的前半部分得到T(ti),即是每种算法产生相应的分配结果要求的最低代价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611263022.2A CN106803837A (zh) | 2016-12-30 | 2016-12-30 | 云系统容错资源分配和代价最小化的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611263022.2A CN106803837A (zh) | 2016-12-30 | 2016-12-30 | 云系统容错资源分配和代价最小化的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106803837A true CN106803837A (zh) | 2017-06-06 |
Family
ID=58984226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611263022.2A Pending CN106803837A (zh) | 2016-12-30 | 2016-12-30 | 云系统容错资源分配和代价最小化的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106803837A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101740029A (zh) * | 2009-12-16 | 2010-06-16 | 深圳大学 | 应用于基于矢量量化的说话人识别的三粒子协同优化方法 |
CN102331948A (zh) * | 2011-09-01 | 2012-01-25 | 杭州湾云计算技术有限公司 | 一种基于资源状态的虚拟机结构调整方法和调整系统 |
CN103853618A (zh) * | 2014-03-06 | 2014-06-11 | 南京理工大学 | 基于截止日期驱动的云系统代价最小化资源分配方法 |
US20150127834A1 (en) * | 2013-11-02 | 2015-05-07 | Cisco Technology, Inc. | Optimizing placement of virtual machines |
CN104618269A (zh) * | 2015-01-29 | 2015-05-13 | 南京理工大学 | 基于能耗要求的云系统利用率最大化资源分配方法 |
-
2016
- 2016-12-30 CN CN201611263022.2A patent/CN106803837A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101740029A (zh) * | 2009-12-16 | 2010-06-16 | 深圳大学 | 应用于基于矢量量化的说话人识别的三粒子协同优化方法 |
CN102331948A (zh) * | 2011-09-01 | 2012-01-25 | 杭州湾云计算技术有限公司 | 一种基于资源状态的虚拟机结构调整方法和调整系统 |
US20150127834A1 (en) * | 2013-11-02 | 2015-05-07 | Cisco Technology, Inc. | Optimizing placement of virtual machines |
CN103853618A (zh) * | 2014-03-06 | 2014-06-11 | 南京理工大学 | 基于截止日期驱动的云系统代价最小化资源分配方法 |
CN104618269A (zh) * | 2015-01-29 | 2015-05-13 | 南京理工大学 | 基于能耗要求的云系统利用率最大化资源分配方法 |
Non-Patent Citations (1)
Title |
---|
倪铭,张宏,李千目,戚涌: "基于混合PSO的无线传感网安全分簇算法", 《解放军理工大学学报(自然科学版)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Masdari et al. | Efficient task and workflow scheduling in inter-cloud environments: challenges and opportunities | |
US8751659B2 (en) | Data center batch job quality of service control | |
CN104657220B (zh) | 混合云中基于截止时间和费用约束的调度模型及方法 | |
Hu et al. | Scheduling real-time parallel applications in cloud to minimize energy consumption | |
CN108021435B (zh) | 一种基于截止时间的具有容错能力的云计算任务流调度方法 | |
CN105718364A (zh) | 一种云计算平台中计算资源能力动态评估方法 | |
CN114610474B (zh) | 一种异构超算环境下多策略的作业调度方法及系统 | |
CN113037877A (zh) | 云边端架构下时空数据及资源调度的优化方法 | |
Amoon | A fault-tolerant scheduling system for computational grids | |
CN111967656A (zh) | 多灾点应急救援指挥控制组织资源调度方法及系统 | |
CN115134371A (zh) | 包含边缘网络算力资源的调度方法、系统、设备及介质 | |
CN103997515B (zh) | 一种分布式云中计算中心选择方法及其应用 | |
CN113114790A (zh) | 一种基于区块链与边缘计算的负载均衡方法与系统 | |
Taheri et al. | Hopfield neural network for simultaneous job scheduling and data replication in grids | |
Jung et al. | A workflow scheduling technique using genetic algorithm in spot instance-based cloud | |
CN109062683A (zh) | 主机资源分配的方法、装置及计算机可读存储介质 | |
CN104735134B (zh) | 一种用于提供计算服务的方法和装置 | |
CN116737370A (zh) | 一种多资源调度方法、系统、存储介质及终端 | |
CN106803837A (zh) | 云系统容错资源分配和代价最小化的方法 | |
CN109783189A (zh) | 一种静态工作流调度方法与装置 | |
Tuli et al. | Optimizing the Performance of Fog Computing Environments Using AI and Co-Simulation | |
CN112165721B (zh) | 基于边缘计算的多服务任务的卸载和服务迁移方法 | |
CN114090239A (zh) | 一种基于模型的强化学习的边缘资源调度方法和装置 | |
CN114020469A (zh) | 基于边缘节点的多任务学习方法、装置、介质与设备 | |
CN115344359A (zh) | 算力资源分配方法、装置、计算机可读存储介质及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170606 |