CN108123998B - 多云数据中心中面向延迟敏感应用的启发式请求调度方法 - Google Patents

多云数据中心中面向延迟敏感应用的启发式请求调度方法 Download PDF

Info

Publication number
CN108123998B
CN108123998B CN201711180352.XA CN201711180352A CN108123998B CN 108123998 B CN108123998 B CN 108123998B CN 201711180352 A CN201711180352 A CN 201711180352A CN 108123998 B CN108123998 B CN 108123998B
Authority
CN
China
Prior art keywords
cloud data
data center
application
request
representing
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.)
Active
Application number
CN201711180352.XA
Other languages
English (en)
Other versions
CN108123998A (zh
Inventor
苑海涛
英南
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN201711180352.XA priority Critical patent/CN108123998B/zh
Publication of CN108123998A publication Critical patent/CN108123998A/zh
Application granted granted Critical
Publication of CN108123998B publication Critical patent/CN108123998B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H04L67/50—Network services
    • H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/50—Queue scheduling
    • H04L47/56—Queue scheduling implementing delay-aware scheduling
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/50—Queue scheduling
    • H04L47/62—Queue scheduling characterised by scheduling criteria
    • H04L47/622—Queue service order
    • 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
    • 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
    • H04L67/50—Network services
    • H04L67/52—Network services specially adapted for the location of the user terminal
    • 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
    • H04L67/50—Network services
    • H04L67/56—Provisioning of proxy services
    • H04L67/568—Storing data temporarily at an intermediate stage, e.g. caching
    • H04L67/5681—Pre-fetching or pre-delivering data based on network characteristics

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Pharmaceuticals Containing Other Organic And Inorganic Compounds (AREA)
  • Computer And Data Communications (AREA)

Abstract

本发明公开一种多云数据中心中面向延迟敏感应用的启发式请求调度方法，该方法综合考虑了云数据中心在不同地理位置的差异，以及单位带宽成本和单位能量损耗成本的地域性差异等一系列因素对云数据中心提供商利润的影响。该方法将每个云数据中心中的每个应用程序建模为一个M/M/m的稳态排队系统。基于此，设计了将应用请求的实际响应时间转化为对应收益的效应函数。然后基于此建立了多云数据中心中最大化云数据中心提供商利润的混合整数非线性规划模型。最后采用基于群体智能的蝙蝠算法求解该模型。本发明能够将多个延迟敏感型应用的请求调度到多个可用的云数据中心中，从而最大化云数据中心提供商的利润。

Description

多云数据中心中面向延迟敏感应用的启发式请求调度方法
技术领域
本发明涉及云数据中心中的资源调度技术。更具体地，涉及一种多云数据中心中面向延迟敏感应用的启发式请求调度方法。
背景技术
近年来，越来越多的组织机构和企业将其应用部署在云数据中心中，因此目前云数据中心中的应用的类型及请求个数急剧增长。因此目前的云数据中心能够同时处理海量应用的并发请求，并通过云数据中心中的基础设施资源能够向用户提供各种类型的服务(包括应用软件服务、开发部署平台服务等)。每个云数据中心的规模一般都较大，通常包含着数以万计的服务器。目前这些云数据中心的大规模服务器集群消耗的能量占美国国内能量总消耗的2％。此外，当前的服务器集群通常按照请求的峰值进行配置和运行，因此服务器提供的运算能力实际上远远超过所需的运算能力。这是因为目前云数据中心中未能有效地针对用户的应用请求的特点进行分析并有针对性地进行调度，因此导致云数据中心中系统范围的能量管理方法比较低效，并且服务器配置过高。
现有的云数据中心节能技术，比如动态电压和频率缩放(Dynamic Voltage/Frequency Scaling,DVFS)仅适应于服务器需要一直保持开启的情况，因此只能降低服务器处于活动状态时所消耗的能量。而对于延迟敏感型应用(如电子商务应用)请求而言，每个服务器没有必要一直保持开启状态，在用户的应用请求较少时可以选择关闭该服务器。因此，可以根据应用请求的特点比如请求大小、到达率及特点、服务器单位能量成本，动态地确定每个云数据中心中开启的服务器个数。为了提高云数据中心的可用性和请求的性能，同一个应用通常部署在位于多个不同地理位置的云数据中心中。此外，为了处理世界各地的用户请求以及出于性能和成本的考虑，位于不同地区的云数据中心提供商通常都与多个互联网服务提供商合作，通过多个不同的互联网服务提供商接收请求数据和发送响应数据。目前典型的云数据中心(如谷歌、亚马逊等)，每天传输的请求和响应数据达到PB级，因此云数据中心提供商承担着巨大的带宽成本。
为了保证用户的应用请求的性能，云数据中心提供商通常跟用户签订特定的服务等级协议(Service Level Agreements,SLA)。服务等级协议中指定了期望达到的请求服务质量、当用户的请求服务质量得到满足时用户需要向云数据中心提供商支付的费用、以及当用户的请求服务质量不能得到满足时云数据中心提供商需要向用户支付的惩罚费用。因此云数据中心提供商可以综合考虑云数据中心在不同地理位置的差异，以及单位带宽成本和单位能量损耗成本的地域性差异等一系列因素对其利润的影响，建立多云数据中心中最大化云数据中心提供商利润的混合整数非线性规划模型。然后采用基于群体智能的蝙蝠算法实现对问题的求解。
本发明能够提供一种在满足所有延迟敏感型应用请求的延迟要求的启发式请求调度方法，将多个延迟敏感型应用的请求调度到多个可用的云数据中心中，从而最大化多云数据中心中云数据中心提供商的利润。
发明内容
本发明的目的在于提供一种多云数据中心中面向延迟敏感应用的启发式请求调度方法，该方法综合考虑了云数据中心在不同地理位置的差异，以及单位带宽成本和单位能量损耗成本的地域性差异等一系列因素对云数据中心提供商利润的影响，从而最大化云数据中心提供商的利润。
为达到上述目的，本发明采用下述技术方案：
根据本发明的一方面，建立了多云数据中心中最大化云数据中心提供商利润的请求调度的混合整数非线性规划模型，包括：将云数据中心的每个应用程序建模为M/M/m的排队系统；确定云数据中心提供商利润的定义公式；建立将应用请求的响应时间转化为对应收益的效应函数；对云数据中心中服务器总量约束、服务强度约束、应用请求的响应时间约束、互联网服务提供商的带宽约束等进行建模。进而最终得到多云数据中心中最大化云数据中心提供商利润的请求调度的混合整数非线性规划模型。
根据本发明的另一方面，提供了一种多云数据中心中面向延迟敏感应用的启发式请求调度方法，包括：采用基于群体智能的蝙蝠算法求解该优化模型，获得启发式的请求调度策略，从而最大化云数据中心提供商的利润。
根据本发明的上述方面，针对目前多云数据中心中延迟敏感型应用请求的特点，在基于群体智能的蝙蝠算法的启发式请求调度方法基础上，通过综合考虑云数据中心在不同地理位置的单位能量损耗成本以及不同互联网服务提供商的单位带宽价格的地域性差异、不同应用请求的延迟要求差异等因素，使得在多云数据中心中云数据中心提供商的利润最大化。
综上，一种多云数据中心中面向延迟敏感应用的启发式请求调度方法，包括如下步骤：
S1、将云数据中心的每个应用程序建模为M/M/m的排队系统，每个云数据中心都维护一个先到先服务的队列来处理到达的请求，云数据中心中每个服务器的服务时间符合负指数分布，每个服务器的服务时间是独立同分布，另外假定工作负荷的到达过程遵循泊松分布；
S2、建立将应用请求的响应时间转化为对应收益的效应函数；
S3、根据M/M/m的排队系统，建立多云数据中心中最大化利润的请求调度的混合整数非线性规划模型；
S4、采用群体智能的蝙蝠算法来求解混合整数非线性规划模型，实现多云数据中心中延迟敏感应用请求的优化调度。
优选地，该调度方法的目标是最大化云数据中心提供商的利润Profit，所述混合整数非线性规划模型为：
Figure GDA0002517623670000031
Figure GDA0002517623670000032
Figure GDA0002517623670000033
Figure GDA0002517623670000034
其中，Revenue表示执行所有应用请求为云数据中心提供商带来的收益总和；BCost表示云数据中心提供商含有的所有云数据中心传输数据所需要支付的带宽费用总和；ECost表示云数据中心提供商含有的所有云数据中心中所有备用和开启的服务器所消耗能量的总和；util(Wcn)表示当云数据中心c(c＝1,…,C)中应用n(n＝1,…,N)请求的平均响应时间为Wcn时为云数据中心提供商带来的收益；ηnkc表示应用n通过互联网服务提供商k(k＝1,…,K)传输到云数据中心c的请求占比；γnkc表示应用n通过互联网服务提供商k返回的云数据中心c的响应占比；mcn表示云数据中心c中应用n的开启的服务器数量；pk表示互联网服务提供商k的单位带宽价格；λcn表示云数据中心c中应用n的请求到达率；sn表示应用n的每个请求的响应的数据大小；Rcn表示云数据中心c中应用n的请求对应的响应大小；
Figure GDA0002517623670000041
表示云数据中心c为应用n开启的每个服务器的单位时间消耗的能量成本；Mcn表示云数据中心c中应用n的服务器的总数量；
Figure GDA0002517623670000042
表示云数据中心c为应用n备用的每个服务器的单位时间消耗的能量成本。
优选地，所述混合整数非线性规划模型的约束包括云数据中心c中应用n开启的服务器数量必须要小于云数据中心c中应用n所拥有的服务器总量：
mcn≤Mcn。
优选地，所述混合整数非线性规划模型的约束还包括：为了使一个M/M/m的排队系统保持稳定，每个云数据中心的服务器的服务强度的计算方式为
Figure GDA0002517623670000043
该服务强度必须小于1：
Figure GDA0002517623670000044
Figure GDA0002517623670000045
Figure GDA0002517623670000046
其中，
Figure GDA0002517623670000047
表示云数据中心c中对应应用n的请求队列中无任何请求的概率，μcn表示云数据中心c中对应应用n的每个服务器的请求服务率；ρcn表示云数据中心c中对应应用n的每个服务器的服务强度；STcn表示云数据中心c中应用n的请求服务时间。
优选地，所述混合整数非线性规划模型的约束还包括：云数据中心c中应用n的请求延迟时间必须要小于云数据中心c中应用n的延迟时间要求：
Figure GDA0002517623670000048
Figure GDA0002517623670000049
Wcn＝θcn(1-acnw)+STcn+ζcn(1-fcnw)
Figure GDA00025176236700000410
其中，ψn表示应用n及其执行所需数据的大小；ξcn表示在云数据中心c中对应于应用n的服务器之间的数据传输速率；ζcn表示在云数据中心c中对应于应用n的服务器之间传输应用n及其执行所需数据所需的时间；fcnw和acnw表示云数据中心c中对应于应用n的每个服务器的不同状态；如果fcnw为1，则表示云数据中心c中的服务器w上已经装好了应用n的基础软件和数据，否则fcnw等于0；如果acnw等于1，则表示云数据中心c中应用n对应的服务器w已经处于活动状态，否则acnw等于0；θcn表示云数据中心c中对应于应用n的服务器的启动和初始化时间；
Figure GDA0002517623670000051
表示云数据中心c中应用n的延迟时间要求。
优选地，所述将应用请求的响应时间转化为对应收益的效应函数，具体为：
Figure GDA0002517623670000052
其中，util(Wcn)表示云数据中心c在Wcn时间内执行应用n的每个请求所带来的收益；
Figure GDA0002517623670000053
表示执行应用n的每个请求所能够带来的最大的收益；
Figure GDA0002517623670000054
表示每个应用n的请求的最小响应时间；
Figure GDA0002517623670000055
表示每个应用n的请求的最大可接受响应时间；Sn表示应用n的请求的执行为云数据中心提供商带来的收益随请求响应时间的增加而下降的速率。
优选地，所述混合整数非线性规划模型的约束还包括：应用n通过互联网服务提供商k传输到云数据中心c的请求占比总和必须要等于1：
Figure GDA0002517623670000056
优选地，所述混合整数非线性规划模型的约束还包括：在云数据中心c中应用n对于用户请求的响应通过互联网服务提供商k传输的占比总和必须要等于1：
Figure GDA0002517623670000057
优选地，所述混合整数非线性规划模型的约束还包括：在云数据中心c中应用n对于用户请求的响应数据占用的互联网服务提供商k的总带宽不能超过其上限：
Figure GDA0002517623670000061
Rcn＝λcn·sn
Figure GDA0002517623670000062
其中，Γk表示互联网服务提供商k的带宽上限。
优选地，采用基于群体智能的蝙蝠算法求解该优化模型具体为：每次迭代中首先更新每只蝙蝠的脉冲频率、速度和位置(解)，然后按照均匀分布生成一个随机数，将该随机数与每只蝙蝠的脉冲发射率进行比较；对于每只蝙蝠而言，如果该随机数大于该蝙蝠的脉冲发射率，则对当前最优解进行随机扰动，产生一个新的解，并对新的解进行越界处理；随后再次按照均匀分布生成一个随机数，如果该随机数小于该蝙蝠的目前音量且新解的目标函数值优于目前最优解，则按照新解更新该蝙蝠位置；随后更新该蝙蝠的脉冲发射率和音强；然后对所有蝙蝠的适应度值进行排序，找出当前最优解和最优值；以此循环，直到满足该基于群体智能的蝙蝠算法的迭代终止条件，以最大化云数据中心提供商的利润。
本发明的有益效果如下：
本发明所述技术方案能够改善多云数据中心中云数据中心提供商日益增长的应用类型和请求个数给其利润最大化带来的难题，可以针对延迟敏感型应用的请求选择合适的互联网服务提供商和确定位于每个地理位置的云数据中心中开启的服务器的数量。且本发明所述技术方案综合考虑了云数据中心在不同地理位置的差异、单位带宽成本和单位能量损耗成本的地域性差异、用户对请求响应时间的限制等一系列因素对云数据中心提供商利润的影响，能够将多个延迟敏感型应用的请求调度到多个可用的云数据中心中，使得在多云数据中心中云数据中心提供商利润最大化。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明；
图1示出多云数据中心中面向延迟敏感应用的启发式请求调度方法的流程图。
图2示出多云数据中心的架构图。
图3示出将应用请求的响应时间转化为对应收益的效应函数图。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
如图1、图2和图3所示，本发明公开的一种多云数据中心中面向延迟敏感应用的启发式请求调度方法，包括如下步骤：
S1、将云数据中心的每个应用程序建模为M/M/m的排队系统，每个云数据中心都维护一个先到先服务的队列来处理到达的请求，云数据中心中每个服务器的服务时间符合负指数分布，每个服务器的服务时间是独立同分布，另外假定工作负荷的到达过程遵循泊松分布。
S2、建立将应用请求的响应时间转化为对应收益的效应函数：
本发明采用一种将应用请求的响应时间转化为对应收益的效应函数util(Wcn)，来刻画云数据中心c(c＝1,…,C)在Wcn时间内执行应用n(n＝1,…,N)的每个请求所带来的收益，具体为：
Figure GDA0002517623670000071
其中，util(Wcn)表示云数据中心c在Wcn时间内执行应用n的每个请求所带来的收益；
Figure GDA0002517623670000072
表示执行应用n的每个请求所能够带来的最大的收益；
Figure GDA0002517623670000073
表示每个应用n的请求的最小响应时间；
Figure GDA0002517623670000074
表示每个应用n的请求的最大可接受响应时间；Sn表示应用n的请求的执行为云数据中心提供商带来的收益随请求响应时间的增加而下降的速率。
S3、根据M/M/m的排队系统，建立多云数据中心中最大化利润的请求调度的混合整数非线性规划模型：
本发明采用一种云数据中心提供商的利润Profit的计算方法，来刻画执行所有应用的请求为分布式绿色云数据中心提供商带来的利润，该调度方法的目标是最大化云数据中心提供商的利润Profit，混合整数非线性规划模型：
Figure GDA0002517623670000075
Figure GDA0002517623670000081
Figure GDA0002517623670000082
Figure GDA0002517623670000083
其中，Revenue表示执行所有应用请求为云数据中心提供商带来的收益总和；BCost表示云数据中心提供商含有的所有云数据中心传输数据所需要支付的带宽费用总和；ECost表示云数据中心提供商含有的所有云数据中心中所有备用和开启的服务器所消耗能量的总和；util(Wcn)表示当云数据中心c中应用n请求的平均响应时间为Wcn时为云数据中心提供商带来的收益；ηnkc表示应用n通过互联网服务提供商k(k＝1,…,K)传输到云数据中心c的请求占比；γnkc表示应用n通过互联网服务提供商k返回的云数据中心c的响应占比；mcn表示云数据中心c中应用n的开启的服务器数量；pk表示互联网服务提供商k的单位带宽价格；λcn表示云数据中心c中应用n的请求到达率；sn表示应用n的每个请求的响应的数据大小；Rcn表示云数据中心c中应用n的请求对应的响应大小；
Figure GDA0002517623670000084
表示云数据中心c为应用n开启的每个服务器的单位时间消耗的能量成本；Mcn表示云数据中心c中应用n的服务器的总数量；
Figure GDA0002517623670000085
表示云数据中心c为应用n备用的每个服务器的单位时间消耗的能量成本。
上述混合整数非线性规划模型的约束包括下述(1)～(6)：
(1)云数据中心c中应用n开启的服务器数量必须要小于云数据中心c中应用n所拥有的服务器总量：
mcn≤Mcn。
(2)为了使一个M/M/m的排队系统保持稳定，每个云数据中心的服务器的服务强度的计算方式为
Figure GDA0002517623670000086
该服务强度必须小于1：
Figure GDA0002517623670000087
Figure GDA0002517623670000088
Figure GDA0002517623670000091
其中，
Figure GDA0002517623670000092
表示云数据中心c中对应应用n的请求队列中无任何请求的概率，μcn表示云数据中心c中对应应用n的每个服务器的请求服务率；ρcn表示云数据中心c中对应应用n的每个服务器的服务强度；STcn表示云数据中心c中应用n的请求服务时间。
(3)云数据中心c中应用n的请求延迟时间必须要小于云数据中心c中应用n的延迟时间要求：
Figure GDA0002517623670000093
Figure GDA0002517623670000094
Wcn＝θcn(1-acnw)+STcn+ζcn(1-fcnw)
Figure GDA0002517623670000095
其中，ψn表示应用n及其执行所需数据的大小；ξcn表示在云数据中心c中对应于应用n的服务器之间的数据传输速率；ζcn表示在云数据中心c中对应于应用n的服务器之间传输应用n及其执行所需数据所需的时间；fcnw和acnw表示云数据中心c中对应于应用n的每个服务器的不同状态；如果fcnw为1，则表示云数据中心c中的服务器w上已经装好了应用n的基础软件和数据，否则fcnw等于0；如果acnw等于1，则表示云数据中心c中应用n对应的服务器w已经处于活动状态，否则acnw等于0；θcn表示云数据中心c中对应于应用n的服务器的启动和初始化时间；
Figure GDA0002517623670000096
表示云数据中心c中应用n的延迟时间要求。
(4)应用n通过互联网服务提供商k传输到云数据中心c的请求占比总和必须要等于1：
Figure GDA0002517623670000097
(5)在云数据中心c中应用n对于用户请求的响应通过互联网服务提供商k传输的占比总和必须要等于1：
Figure GDA0002517623670000098
(6)在云数据中心c中应用n对于用户请求的响应数据占用的互联网服务提供商k的总带宽不能超过其上限：
Figure GDA0002517623670000101
Rcn＝λcn·sn
Figure GDA0002517623670000102
其中，Γk表示互联网服务提供商k的带宽上限。
S4、采用群体智能的蝙蝠算法来求解混合整数非线性规划模型，实现多云数据中心中延迟敏感应用请求的优化调度：
每次迭代中首先更新每只蝙蝠的脉冲频率、速度和位置(解)，然后按照均匀分布生成一个随机数，将该随机数与每只蝙蝠的脉冲发射率进行比较；对于每只蝙蝠而言，如果该随机数大于该蝙蝠的脉冲发射率，则对当前最优解进行随机扰动，产生一个新的解，并对新的解进行越界处理；随后再次按照均匀分布生成一个随机数，如果该随机数小于该蝙蝠的目前音量且新解的目标函数值优于目前最优解，则按照新解更新该蝙蝠位置；随后更新该蝙蝠的脉冲发射率和音强；然后对所有蝙蝠的适应度值进行排序，找出当前最优解和最优值；以此循环，直到满足该基于群体智能的蝙蝠算法的迭代终止条件，以最大化云数据中心提供商的利润。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (7)

1.一种多云数据中心中面向延迟敏感应用的启发式请求调度方法，其特征在于，该方法包括如下步骤：
S1、将云数据中心的每个应用程序建模为M/M/m的排队系统， 每个云数据中心都维护一个先到先服务的队列来处理到达的请求， 云数据中心中每个服务器的服务时间符合负指数分布， 此外，每个服务器的服务时间是独立同分布， 另外假定工作负荷的到达过程遵循泊松分布；
S2、建立将应用请求的响应时间转化为对应收益的效应函数，具体为：
Figure FDA0002517623660000011
其中，util(Wcn)表示云数据中心c(c＝1,…,C)在Wcn时间内执行应用n(n＝1,…,N)的每个请求所带来的收益；
Figure FDA0002517623660000012
表示执行应用n的每个请求所能够带来的最大的收益；
Figure FDA0002517623660000013
表示每个应用n的请求的最小响应时间；
Figure FDA0002517623660000014
表示每个应用n的请求的最大可接受响应时间；Sn表示应用n的请求的执行为云数据中心提供商带来的收益随请求响应时间的增加而下降的速率；
S3、根据M/M/m的排队系统，建立多云数据中心中最大化利润的请求调度的混合整数非线性规划模型，具体为：
Figure FDA0002517623660000015
Figure FDA0002517623660000016
Figure FDA0002517623660000017
Figure FDA0002517623660000018
其中，Profit表示云数据中心提供商的利润；Revenue表示执行所有应用请求为云数据中心提供商带来的收益总和；BCost表示云数据中心提供商含有的所有云数据中心传输数据所需要支付的带宽费用总和；ECost表示云数据中心提供商含有的所有云数据中心中所有备用和开启的服务器所消耗能量的总和；util(Wcn)表示当云数据中心c中应用n请求的平均响应时间为Wcn时为云数据中心提供商带来的收益；ηnkc表示应用n通过互联网服务提供商k(k＝1,…,K)传输到云数据中心c的请求占比；γnkc表示应用n通过互联网服务提供商k返回的云数据中心c的响应占比；mcn表示云数据中心c中应用n的开启的服务器数量；pk表示互联网服务提供商k的单位带宽价格；λcn表示云数据中心c中应用n的请求到达率；sn表示应用n的每个请求的响应的数据大小；Rcn表示云数据中心c中应用n的请求对应的响应大小；
Figure FDA0002517623660000021
表示云数据中心c为应用n开启的每个服务器的单位时间消耗的能量成本；Mcn表示云数据中心c中应用n的服务器的总数量；
Figure FDA0002517623660000022
表示云数据中心c为应用n备用的每个服务器的单位时间消耗的能量成本；
S4、采用群体智能的蝙蝠算法来求解混合整数非线性规划模型，实现多云数据中心中延迟敏感应用请求的优化调度，具体为：每次迭代中首先更新每只蝙蝠的脉冲频率、速度和位置(解)，然后按照均匀分布生成一个随机数，将该随机数与每只蝙蝠的脉冲发射率进行比较；对于每只蝙蝠而言，如果该随机数大于该蝙蝠的脉冲发射率，则对当前最优解进行随机扰动，产生一个新的解，并对新的解进行越界处理；随后再次按照均匀分布生成一个随机数，如果该随机数小于该蝙蝠的目前音量且新解的目标函数值优于目前最优解，则按照新解更新该蝙蝠位置；随后更新该蝙蝠的脉冲发射率和音强；然后对所有蝙蝠的适应度值进行排序，找出当前最优解和最优值；以此循环，直到满足该基于群体智能的蝙蝠算法的迭代终止条件，以最大化云数据中心提供商的利润。
2.根据权利要求1所述的多云数据中心中面向延迟敏感应用的启发式请求调度方法，其特征在于，所述混合整数非线性规划模型的约束包括云数据中心c中应用n开启的服务器数量必须要小于云数据中心c中应用n所拥有的服务器总量：
mcn≤Mcn。
3.根据权利要求2所述的多云数据中心中面向延迟敏感应用的启发式请求调度方法，其特征在于，所述混合整数非线性规划模型的约束还包括：为了使一个M/M/m的排队系统保持稳定，每个云数据中心的服务器的服务强度的计算方式为
Figure FDA0002517623660000023
该服务强度必须小于1：
Figure FDA0002517623660000024
Figure FDA0002517623660000031
Figure FDA0002517623660000032
其中，
Figure FDA0002517623660000033
表示云数据中心c中对应应用n的请求队列中无任何请求的概率，μcn表示云数据中心c中对应应用n的每个服务器的请求服务率；ρcn表示云数据中心c中对应应用n的每个服务器的服务强度；STcn表示云数据中心c中应用n的请求服务时间。
4.根据权利要求3所述的多云数据中心中面向延迟敏感应用的启发式请求调度方法，其特征在于，所述混合整数非线性规划模型的约束还包括：云数据中心c中应用n的请求延迟时间必须要小于云数据中心c中应用n的延迟时间要求：
Figure FDA0002517623660000034
Figure FDA0002517623660000035
Wcn＝θcn(1-acnw)+STcn+ζcn(1-fcnw)
Figure FDA0002517623660000036
其中，ψn表示应用n及其执行所需数据的大小；ξcn表示在云数据中心c中对应于应用n的服务器之间的数据传输速率；ζcn表示在云数据中心c中对应于应用n的服务器之间传输应用n及其执行所需数据所需的时间；fcnw和acnw表示云数据中心c中对应于应用n的每个服务器的不同状态；如果fcnw为1，则表示云数据中心c中的服务器w上已经装好了应用n的基础软件和数据，否则fcnw等于0；如果acnw等于1，则表示云数据中心c中应用n对应的服务器w已经处于活动状态，否则acnw等于0；θcn表示云数据中心c中对应于应用n的服务器的启动和初始化时间；
Figure FDA0002517623660000037
表示云数据中心c中应用n的延迟时间要求。
5.根据权利要求4所述的多云数据中心中面向延迟敏感应用的启发式请求调度方法，其特征在于，所述混合整数非线性规划模型的约束还包括：应用n通过互联网服务提供商k传输到云数据中心c的请求占比总和必须要等于1：
Figure FDA0002517623660000041
6.根据权利要求5所述的多云数据中心中面向延迟敏感应用的启发式请求调度方法，其特征在于，所述混合整数非线性规划模型的约束还包括：在云数据中心c中应用n对于用户请求的响应通过互联网服务提供商k传输的占比总和必须要等于1：
Figure FDA0002517623660000042
7.根据权利要求6所述的多云数据中心中面向延迟敏感应用的启发式请求调度方法，其特征在于，所述混合整数非线性规划模型的约束还包括：在云数据中心c中应用n对于用户请求的响应数据占用的互联网服务提供商k的总带宽不能超过其上限：
Figure FDA0002517623660000043
Rcn＝λcn·sn
Figure FDA0002517623660000044
其中，Γk表示互联网服务提供商k的带宽上限。
CN201711180352.XA 2017-11-23 2017-11-23 多云数据中心中面向延迟敏感应用的启发式请求调度方法 Active CN108123998B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711180352.XA CN108123998B (zh) 2017-11-23 2017-11-23 多云数据中心中面向延迟敏感应用的启发式请求调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711180352.XA CN108123998B (zh) 2017-11-23 2017-11-23 多云数据中心中面向延迟敏感应用的启发式请求调度方法

Publications (2)

Publication Number Publication Date
CN108123998A CN108123998A (zh) 2018-06-05
CN108123998B true CN108123998B (zh) 2020-07-24

Family

ID=62227834

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711180352.XA Active CN108123998B (zh) 2017-11-23 2017-11-23 多云数据中心中面向延迟敏感应用的启发式请求调度方法

Country Status (1)

Country Link
CN (1) CN108123998B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109284181A (zh) * 2018-09-11 2019-01-29 北京交通大学 分布异地多云数据中心环境下时空敏感的任务调度与优化方法
CN109218439A (zh) * 2018-10-11 2019-01-15 北京交通大学 分布式绿色云数据中心利润和性能敏感的多目标任务调度方法
CN109445386B (zh) * 2018-10-23 2020-06-02 浙江工业大学 一种基于onba的云制造任务最短生产时间调度方法
CN111399995A (zh) * 2020-02-10 2020-07-10 山东师范大学 保证延迟敏感程序服务质量的调节方法及系统
CN113052719B (zh) * 2021-03-11 2023-09-22 浙江大学 一种考虑需求响应的数据中心数据服务定价方法及装置
CN114819508B (zh) * 2022-03-28 2024-03-29 上海交通大学 综合能源系统分布式光伏最大准入容量计算方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106060145A (zh) * 2016-06-22 2016-10-26 北京交通大学 一种分布式多云数据中心中基于收益的请求访问控制方法
CN106126340A (zh) * 2016-06-23 2016-11-16 中国人民解放军国防科学技术大学 一种跨数据中心云计算系统的规约器选择方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10028317B2 (en) * 2015-05-08 2018-07-17 Federated Wireless, Inc. Policy and billing services in a cloud-based access solution for enterprise deployments

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106060145A (zh) * 2016-06-22 2016-10-26 北京交通大学 一种分布式多云数据中心中基于收益的请求访问控制方法
CN106126340A (zh) * 2016-06-23 2016-11-16 中国人民解放军国防科学技术大学 一种跨数据中心云计算系统的规约器选择方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CAWSAC: Cost-Aware Workload Scheduling and Admission Control for Distributed Cloud Data Centers;苑海涛;《IEEE Transactions on Automation Science and Engineering》;20160405;第3-4页 *

Also Published As

Publication number Publication date
CN108123998A (zh) 2018-06-05

Similar Documents

Publication Publication Date Title
CN108123998B (zh) 多云数据中心中面向延迟敏感应用的启发式请求调度方法
Liu et al. Job scheduling model for cloud computing based on multi-objective genetic algorithm
CN110308967B (zh) 一种基于混合云的工作流成本-延迟最优化任务分配方法
Ibrahim et al. An integer linear programming model and adaptive genetic algorithm approach to minimize energy consumption of cloud computing data centers
Yuan et al. Temporal task scheduling of multiple delay-constrained applications in green hybrid cloud
CN108123995B (zh) 分布式绿色云数据中心中空间觉察的请求调度与优化方法
Ran et al. SLAs-aware online task scheduling based on deep reinforcement learning method in cloud environment
Delamare et al. SpeQuloS: a QoS service for BoT applications using best effort distributed computing infrastructures
CN114610474B (zh) 一种异构超算环境下多策略的作业调度方法及系统
CN107317836A (zh) 一种混合云环境下时间可感知的请求调度方法
Supreeth et al. Comparative approach for VM scheduling using modified particle swarm optimization and genetic algorithm in cloud computing
Karimiafshar et al. Effective utilization of renewable energy sources in fog computing environment via frequency and modulation level scaling
Lyu et al. Dynamic pricing scheme for edge computing services: A two-layer reinforcement learning approach
Sharma et al. A Dynamic optimization algorithm for task scheduling in cloud computing with resource utilization
Lu et al. Computation offloading for partitionable applications in dense networks: An evolutionary game approach
Karthik et al. Resource scheduling approach in cloud Testing as a Service using deep reinforcement learning algorithms
CN106802822A (zh) 一种基于飞蛾算法的云数据中心认知资源调度方法
Cui et al. Cloud workflow scheduling algorithm based on reinforcement learning
Li et al. Self-adaptive resource management for large-scale shared clusters
Kousalya et al. Hybrid algorithm based on genetic algorithm and PSO for task scheduling in cloud computing environment
Nagaraju et al. An Evolutionary Multi-Objective Approach for Resource Scheduling in Mobile Cloud Computing.
CN116938947A (zh) 一种考虑计算需求约束的任务调度策略
Bala et al. Load balancing in cloud computing using Hungarian algorithm
Di et al. Ex-post efficient resource allocation for self-organizing cloud
Rai et al. A hybrid approach for process scheduling in cloud environment using particle swarm optimization technique

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
GR01 Patent grant
GR01 Patent grant