CN108833302B - 云环境下基于模糊聚类及严格双边匹配的资源分配方法 - Google Patents

Abstract

本发明公开了一种云环境下基于模糊聚类及严格双边匹配的资源分配方法，包括以下步骤：步骤S1:分别获取任务数据集Ct和资源数据集Cr；步骤S2:将任务数据集Ct和资源数据集Cr分别进行标准化处理得到待划分的任务数据矩阵T和资源数据矩阵R；步骤S3:利用FCM方法对任务数据矩阵T和资源数据矩阵R进行聚类划分获得c个任务类和c个资源类，计算c个任务类和c个资源类的聚类中心的值；步骤S4:将c个任务类的聚类中心的值和c个资源类的聚类中心值进行01编码，计算海明距离，得到矩阵HD；步骤S5:对矩阵HD中的任务类与资源类进行相异度匹配，得到配对成功的任务类与资源类；步骤S6:将配对成功的任务类与资源类运用严格双边匹配方法进行最终匹配。

Description

云环境下基于模糊聚类及严格双边匹配的资源分配方法

技术领域

本发明涉及计算机技术资源调度领域，尤其涉及一种云环境下基于模糊聚类及严格双边匹配的资源分配方法。

背景技术

云计算是以网络技术、虚拟化技术、分布式计算技术为基础，采用按需分配的一种网络服务模式，具备动态易扩展、资源共享、宽带接入和强大计算存储能力等特点。随着移动互联网的快速发展，随着远程办公、电子医疗、交互式游戏、虚拟现实、移动支付等应用的激增，由此所产生的海量数据都依赖于云平台强大计算能力的处理。探索研究专门面向云环境的资源配置方法有助于提高云平台的资源分配效率，且减小服务提供商的资源调度开销并提高用户的服务体验。

资源配置问题是完成特定状态下资源队列和任务队列的最佳匹配映射。现有针对云平台的资源配置方法主要是通过资源聚类或任务聚类的调度方法来减少资源调度开销，却忽略了在高并发任务量且存在大量零散资源的情况，单方面的资源或任务聚类仍不能减小高额的时间开销。其次，在考虑资源配置服务的满意度上，现有研究主要考虑资源供给一方或享受服务一方，在考量服务满意程度上，这种以单方面服务满意程度为目标的评价方法有失公平性。

发明内容

有鉴于此，本发明提供一种云环境下基于模糊聚类及严格双边匹配的资源分配方法，能够减小高额的时间开销，避免采用仅以单方面服务满意程度为目标的评价方法作为云资源的分配标准进行资源分配，而出现资源分配不公平的情况，确保提高云资源分配效率及分配精确度，同时提高资源配置双方满意程度。

本发明的云环境下基于模糊聚类及严格双边匹配的资源分配方法，包括以下步骤：包括以下步骤：

步骤S1:定义七元组任务数据和五元组资源数据；

从七元组任务数据中提取出任务所需的CPU资源t_cpu、任务所需的带宽资源t_b和任务所需的存储资源t_mem，并根据七元组中的任务个数获取任务数据集Ct；从五元组资源数据中提取出资源的CPU属性r_cpu、资源的带宽属性r_b和资源的存储大小r_mem，并根据五元组中的资源个数获取资源数据集Cr；

步骤S2:将获取的任务数据集Ct进行标准化处理得到待划分的任务数据矩阵T，将获取的资源数据集Cr进行标准化处理得到待划分的资源数据矩阵R；

步骤S3:利用FCM聚类方法对任务数据矩阵T进行聚类划分获得c个任务类，并通过迭代计算得出c个任务类的聚类中心的值，利用FCM对资源数据矩阵R进行聚类划分获得c个资源类,并通过迭代计算得出c个资源类的聚类中心的值；

步骤S4:将c个任务类的聚类中心的值和c个资源类的聚类中心的值利用编码原则分别进行01编码，并计算c个任务类与c个资源类之间的海明距离，得到一个c×c的海明距离矩阵HD；

步骤S5:将海明距离作为任务类与资源类之间的相异性度量参数，根据相异度匹配原则，对矩阵HD中的任务类与资源类进行相异度匹配，得到匹配成功的任务类与资源类；

步骤S6:将匹配成功的任务类与资源类运用严格双边匹配方法进行最终任务与资源匹配，确保一个任务对应唯一一个资源。

进一步，步骤S1中的任务数据通过以下步骤获得：

步骤S11：七元组任务数据分别为：任务所需的CPU资源t_cpu、任务所需的带宽资源t_b、任务所需的存储资源t_mem、任务期望完成时间t_time、任务所需资源的可靠性t_r、任务量大小t_dc以及用户愿意支付的任务价格t_c，提取其中的任务所需的CPU资源t_cpu、任务所需的带宽资源t_b和任务所需的存储资源t_mem，组成一个m×3的任务数据集矩阵Ct，其中m为任务个数；

步骤S12：五元组资源数据分别为：资源的CPU属性r_cpu、资源的带宽属性r_b、资源的存储大小r_mem、资源故障率r_fr以及该资源运行任务的价格r_p，提取其中的资源的CPU属性r_cpu、资源的带宽属性r_b和资源的存储大小r_mem，组成一个n×3的资源数据集矩阵Cr，其中n为资源个数；

进一步，所述标准化处理方法为离差标准化方法，具体公式为：

其中q表示数据矩阵中第σ列的任一元素，u表示数据矩阵的总列数，{p_σ}表示数据矩阵的第σ列，

和

分别表示该列数据中的最小值和最大值，q'为q标准化处理之后的值。

进一步，步骤S3中的聚类中心的值的计算过程包括以下步骤：

步骤S31：确定任务类和资源类的分类个数均为c个，分类时的模糊化程度的值为s，确定迭代次数和停止迭代的阈值，将任务数据集和资源数据集按照模糊化程度值分别分为c类；

步骤S32：将任务数据集或资源数据集看成样本数据集，对数据集中的样本数据x_η隶属于第k类的隶属度u_kη在[0，1]随机赋值，保证样本数据x_η隶属于所有类的隶属度的和为1，即

其中，1≤k≤c，η＝1,2,…r,r代表样本个数,当对任务聚类时r＝m，对资源聚类时r＝n，得到初始化的FCM聚类的隶属度矩阵U；

步骤S33：计算聚类中心c_k的值，c_k的计算公式为：

其中，1≤k≤c，η＝1,2,…r，u_kη可从隶属度矩阵U中读取，r代表总样本数据的个数,当对任务聚类时r＝m，对资源聚类时r＝n；

步骤S34：将聚类中心的值代入隶属度公式计算出样本数据x_η的新的隶属度值u_εη’，并得到新的隶属度矩阵U'，新的隶属度值u_εη’的计算公式为：

其中，样本数据x_η为第ε类中的元素，c_ε表示第ε类的聚类中心值；c_k表示每一类的聚类中心的值，当ε＝k时，c_ε＝c_k；

步骤S35：利用新的隶属度矩阵U’，并根据步骤S33计算新的聚类中心c_ε’的值，并重复步骤S34，反复迭代直到满足前后两次迭代的目标函数值之差小于设定的阈值或达到迭代次数时，FCM算法终止，得出最终的聚类中心的值，其中目标函数计算公式为：

进一步，所述步骤S4中的编码原则为：判断聚类中心的三个属性值的大小，若该属性值大于该属性取值范围的60％，即该属性值大于0.6，则编码为1，否则编码为0。

进一步，所述步骤S5中的相异度匹配原则为：以任务类为基准，海明距离为0的任务类和资源类最先匹配，其次是海明距离为1的任务类和资源类匹配，再是海明距离为2的任务类和资源类匹配，最后是海明距离为3的任务类和资源类匹配，已被匹配过的资源类不能被再次匹配，若同一个任务类与多个资源类的海明距离相等，则按资源类的序号顺位选择第一个未被匹配过的资源类进行优先匹配，剩余的任务类再寻找下一个未被匹配过的资源类进行匹配，直到所有任务类都找到与之匹配的资源类为止。

进一步，步骤S6的双边匹配方法包括以下步骤：

步骤S61：计算已匹配成功的任务类中的任务t_j对资源类中的资源r_i的偏好值tp_ij，并对任务t_j对应的所有资源r_i的偏好值排序，得到偏好值的排序值t_ij，即：t_ij表示任务t_j对资源r_i的偏好序值，得到任务对资源的偏好序矩阵TP_m'×n'，tp_ij通过以下公式求得：

其中，

表示任务t_j对资源r_i在综合性能方面的偏好值，

表示任务t_j对资源r_i在任务完成时间方面的偏好值，

表示任务t_j对资源r_i在可靠性方面的偏好值，

表示任务t_j对资源r_i服务价格方面的偏好值，x,y,z,v分别表示任务t_j对资源r_i在综合性能、任务完成时间、可靠性以及服务价格方面的权重，且x+y+z+v＝1；

步骤S62：计算已匹配成功的资源类中的资源r_i对任务类中的任务t_j的偏好值rp_ij，并对资源r_i对应的所有任务tj的偏好值排序，得到偏好值的排序值r_ij，即：r_ij表示资源r_i对任务t_j的偏好序值，得到资源对任务的偏好序矩阵RP_m'×n',rp_ij的计算公式为：

其中，tc_j表示用户愿意支付的任务t_j价格，t_dcj表示任务t_j的任务量的值，r_cpui表示资源r_i的CPU属性值，tr_j表示任务t_j所需资源r_i的可靠性；步骤S63：根据任务对资源的偏好序值，建立任务满意度函数tsd(t_ij)，tsd(t_ij)表示任务对匹配资源的满意程度，得到任务完全满意度矩阵TSD_m'×n'，根据资源对任务的偏好序值，建立资源满意度函数rsd(r_ij)，rsd(r_ij)表示资源对匹配任务的满意程度，得到资源完全满意度矩阵RSD_m'×n'，

任务满意度函数tsd(t_ij)为：

资源满意度函数rsd(r_ij)为：

其中，n'表示步骤S5中配对成功的资源个数，m'表示步骤S5中配对成功的任务个数；

步骤S64：设立任务最高可接受偏好序h_j和资源最高可接受偏好序d_i，分别计算任务的最低满意度α_j和资源的最低满意度β_i：

任务的最低满意度α_j的计算公式为：

资源的最低满意度β_i的计算公式为：

步骤S65：将任务完全满意度矩阵TSD_m'×n'按照如下方法一转换为任务满意度截矩阵Θ_m'×n'，将资源完全满意度矩阵RSD_m'×n'按照如下方法二转换为资源满意度截矩阵Φ_m'×n'：

方法一：

方法二：

其中，θ_ij表示截矩阵Θ_m'×n'中的元素，φ_ij表示截矩阵Φ_m'×n'中的元素；

步骤S66：根据任务满意度截矩阵Θ_m'×n'与资源满意度截矩阵Φ_m'×n'构建双目标优化模型：

任务满意度优化模型为：

资源满意度优化模型为：

其中，max F_A表示任务的满意程度取最大值，max F_B表示资源的满意程度取最大值，γ_ij为0-1变量，当θ_ij为该行最大值时，对应γ_ij＝1，否则γ_ij＝0(或者

为该列最大值时，γ_ij＝1，否则γ_ij＝0)；

步骤S67：将任务满意度优化模型和资源满意度优化模型利用线性加权法得到单目标优化模型，并提取最终匹配度系数f_ij，并得出最终匹配度系数矩阵F_m'×n'：

单目标优化模型为：

即：在max F_A和max F_B同时取最大值的时候才能保证max F取得最大值，认为取得最优匹配结果，

将(1)式变为：

由(2)式可得出：

其中：f_ij＝ω_Aθ_ij+ω_Bφ_ij (4)

其中，ω_A与ω_B分别为任务满意度目标函数的权重系数和资源满意度目标函数的权重系数，且ω_A+ω_B＝1；

步骤S68：根据资源与任务的最终匹配度系数f_ij的值越大越先配对，且先配对过的任务不再配对的原则，将资源与任务进行一一配对，使一个资源最终对应唯一一个任务。

进一步，所述双目标优化模型的约束条件为：

进一步，所述样本数据x_η为三维数据。

本发明的有益效果是：本发明的云环境下基于模糊聚类及严格双边匹配的资源分配方法，通过将资源调度时的任务集和资源集分别进行聚类划分，以减小高并发任务量时的资源检索开销，再对聚类后的任务类和资源类进行相异度计算从而获得类别相近的任务类和资源类，使相似任务类和资源类完成匹配，最后将匹配的任务类和资源类，利用严格双边匹配方法建立双方综合满意度评价模型，综合双方偏好，从而提高资源配置过程中的调度效率和服务满意程度。

附图说明

下面结合附图和实施例对本发明作进一步描述：

图1是本发明的模型建立原理图；

图2为本发明的模型建立示意图；

图3为本发明的聚类示意图；

图4为本发明的严格双边匹配原理图。

具体实施方式

如图所示，本实施例中的云环境下基于模糊聚类及严格双边匹配的资源分配方法，

包括以下步骤：

步骤S11：定义七元组任务数据，分别为：任务所需的CPU资源t_cpu、任务所需的带宽资源t_b、任务所需的存储资源t_mem、任务期望完成时间t_time、任务所需资源的可靠性t_r、任务量大小t_dc以及用户愿意支付的任务价格t_c，提取其中的任务所需的CPU资源t_cpu、任务所需的带宽资源t_b和任务所需的存储资源t_mem，组成一个m×3的任务数据集矩阵Ct，其中m为任务个数；

步骤S12：定义五元组资源数据，分别为：资源的CPU属性r_cpu、资源的带宽属性r_b、资源的存储大小r_mem、资源故障率r_fr以及该资源运行任务的价格r_p，提取其中的资源的CPU属性r_cpu、资源的带宽属性r_b和资源的存储大小r_mem，组成一个n×3的资源数据集矩阵Cr，其中n为资源个数；

步骤S1:定义七元组任务数据和五元组资源数据；

从七元组任务数据中提取出任务所需的CPU资源t_cpu、任务所需的带宽资源t_b和任务所需的存储资源t_mem，并根据七元组中的任务个数获取任务数据集Ct；从五元组资源数据中提取出资源的CPU属性r_cpu、资源的带宽属性r_b和资源的存储大小r_mem，并根据五元组中的资源个数获取资源数据集Cr；

步骤S2:将获取的任务数据集Ct进行标准化处理得到待划分的任务数据矩阵T，将获取的资源数据集Cr进行标准化处理得到待划分的资源数据矩阵R；

步骤S3:利用FCM聚类方法对任务数据矩阵T进行聚类划分获得c个任务类，并通过迭代计算得出c个任务类的聚类中心的值，利用FCM对资源数据矩阵R进行聚类划分获得c个资源类,并通过迭代计算得出c个资源类的聚类中心的值；

步骤S4:将c个任务类的聚类中心的值和c个资源类的聚类中心的值利用编码原则分别进行01编码，并计算c个任务类与c个资源类之间的海明距离，得到一个c×c的海明距离矩阵HD；

步骤S5:将海明距离作为任务类与资源类之间的相异性度量参数，根据相异度匹配原则，对矩阵HD中的任务类与资源类进行相异度匹配，得到匹配成功的任务类与资源类；

步骤S6:将匹配成功的任务类与资源类运用严格双边匹配方法进行最终任务与资源匹配，确保一个任务对应唯一一个资源；通过对需要调度的资源集和任务集进行聚类划分，利用聚类中心值对资源集和任务集的数据进行简化处理，大大提高了大数据的运算效率，计算分类后的资源集的聚类中心与任务集的聚类中心之间的海明距离，并将海明距离用作相异度评判标准对任务集和资源集进行相异度匹配，可减小高并发任务量时所需的资源检索开销，对已匹配的任务类和资源类，利用严格双边匹配方法建立双方综合满意度评价模型，再综合双方偏好进行最终的资源匹配，实现资源与任务之间的唯一配对结果，完全避免发生资源分配不公平的情况，提高了资源配置过程中的调度效率和服务满意程度。

本实施例中，标准化处理方法为离差标准化方法，具体公式为：

其中q表示数据矩阵中第σ列的任一元素，u表示数据矩阵的总列数，{p_σ}表示数据矩阵的第σ列，

和

分别表示该列数据中的最小值和最大值，q'为q标准化处理之后的值。采用离差标准化方法，可将原始数据转换为线性数据，将资源集与任务集的值统一为[0,1]的值，有利于后续资源配对运算，避免在资源匹配过程中因取值范围不同而增大资源分配的工作量，减少云计算的产生的误差。

本实施例中，步骤S3中的聚类中心的值的计算过程包括以下步骤：

步骤S31：确定任务类和资源类的分类个数均为c个，分类时的模糊化程度的值为s，确定迭代次数和停止迭代的阈值，将任务数据集和资源数据集按照模糊化程度值分别分为c类；

步骤S32：将任务数据集或资源数据集看成样本数据集，对数据集中的样本数据x_η隶属于第k类的隶属度u_kη在[0，1]随机赋值，保证样本数据x_η隶属于所有类的隶属度的和为1，即

其中，1≤k≤c，η＝1,2,…r,r代表样本个数,当对任务聚类时r＝m，对资源聚类时r＝n，得到初始化的FCM聚类的隶属度矩阵U；例如，样本数据集的分类个数为3，样本数据x_η隶属于第一类、第二类和第三类的隶属度分别为u_1η＝0.3、u_2η＝0.6、u_3η＝0.1，那么，u_1η+u_2η+u_3η＝0.3+0.6+0.1＝1；由于每一个任务数据和资源数据均包含了三个属性值，即：(任务所需的CPU资源t_cpu、任务所需的带宽资源t_b、任务所需的存储资源t_mem)和(资源的CPU属性r_cpu、资源的带宽属性r_b、资源的存储大小r_mem)，因此，任务数据集和资源数据集的样本数据均为三维数据；

步骤S33：将样本数据x_η的值带入以下公式，通过现有的高维计算得出每一类聚类中心c_k的值，c_k的计算公式为：

其中，1≤k≤c，η＝1,2,…r，u_kη可从隶属度矩阵U中读取，r代表总样本数据的个数,当对任务聚类时r＝m，对资源聚类时r＝n；

步骤S34：将聚类中心的值带入隶属度公式计算出样本数据x_η的新的隶属度值u_εη’，并得到新的隶属度矩阵U'，新的隶属度值u_εη’的计算公式为：

其中，样本数据x_η为第ε类中的元素，c_ε表示第ε类的聚类中心值；c_k表示每一类的聚类中心的值，c_ε的值可根据步骤S33求出，当ε＝k时，c_ε＝c_k；

步骤S35：利用新的隶属度矩阵U’，并根据步骤S33计算新的聚类中心c_ε’的值，并重复步骤S34，反复迭代直到满足前后两次迭代的目标函数值之差小于设定的阈值或达到迭代次数时，FCM算法终止，得出最终的聚类中心的值，其中目标函数计算公式为：

若目标函数之差，即ΔJ＝|J-J’|小于设定的阈值，FCM算法终止，c_ε’为最终的聚类中心的值。因为在一个类中，这些数据是和类中心高度相似的，所以可以用类中心的特征来代替这个类的特征，因此，用聚类划分得到的聚类中心用来代替它所在类的所有数据的类型，可简化资源集与任务集的数据的复杂运算过程，使大数据运算速度更快，得出的资源分配结果更加准确。

本实例中，步骤S4中的编码原则为，判断聚类中心的三个属性值的大小，若该属性值大于该属性取值范围的60％，即该属性值大于0.6，则编码为1，否则编码为0。如果某个属性值超过了0.6，则表示样本数据的这个属性方面比较强，用编码1表示，若某个属性值小于0.6，则表示样本数据的这个属性方面比较弱，用编码0表示。将资源集与任务集的数据进一步向量化，使资源配对运算的准确度更高，将各类样本数据的取值进一步统一，更有利于进行大量而快速计算。由于步骤S3中隶属度u_kη的取值在[0，1]，样本数据x_η为三维数据，推导出聚类中心的值c_ε'同样为三维数据，且c_ε'的三个数据的取值范围均为[0，1]。例如，利用FCM对任务矩阵进行聚类划分获得的聚类中心矩阵为：

因为0.79>0.6，0.69>0.6，0.29<0.6，于是第一个任务类cluster0编码为110，因此任务类cluster0,cluster1,cluster2,cluster3,cluster4的类型分别为110、001、101、100、010。假设资源类cluster0,cluster1,cluster2,cluster3,cluster4的类型分别为110、101、000、011、111。那么任务类cluster0(110)与资源类cluster0(101)的海明距离为2，以此类推得出所有任务类与所有资源类之间的海明距离为：

则海明距离矩阵为：

本实例中，步骤S5中的相异度匹配原则为：以任务类为基准，海明距离为0的任务类和资源类最先匹配，其次是海明距离为1的任务类和资源类匹配，再是海明距离为2的任务类和资源类匹配，最后是海明距离为3的任务类和资源类匹配，已被匹配过的资源不能被再次匹配，若同一个任务类与多个资源类的海明距离相等，则按资源类的序号顺位选择第一个未被匹配过的资源类进行优先匹配，剩余的任务类再寻找下一个未被匹配过的资源类进行匹配，直到所有任务类都找到与之匹配的资源类为止。

本实例中，步骤S6的双边匹配方法包括以下步骤：

步骤S61：由步骤S5得到含有m'个任务的任务类集合与含有n'个资源的资源类集合匹配成功，由于任务对资源的偏好值分别受资源的综合性能、任务完成时间、资源的可靠性和资源的服务价格方面的影响，因此需分别计算任务t_j对资源r_i在综合性能方面的偏好值

任务t_j对资源r_i在任务完成时间方面的偏好值

任务t_j对资源r_i在可靠性方面的偏好值

以及任务t_j对资源r_i在服务价格方面的偏好值

(1)任务tj对资源r_i在综合性能方面的偏好值

与任务所需的计算能力t_cpu、通信能力t_b、存储能力t_mem有关，任务t_j要求的综合性能tcp可通过以下公式求得：

资源本身的综合性能rcp与资源本身的计算能力r_cpu、通信能力r_b、存储能力r_mem相关，资源的综合性能rcp计算公式为：

其中，a,b,c分别表示任务对资源计算能力、通信能力、存储能力要求的经验系数；

根据实际经验分析可得：云资源r_i的综合性能必须大于任务t_j所要求的综合性能才能满足任务所需的要求，因此，t_j对r_i在综合性能方面的偏好值

为：

(2)根据实际经验可得：云资源r_i的任务处理时间必须满足任务t_j期望完成时间才能使任务顺利完成，因此，任务t_j对资源r_i在任务完成时间方面的偏好值

为：

(3)根据实际经验可得：云资源r_i的可靠性必须满足云任务t_j所要求的可靠性约束才能使任务顺利完成，因此，t_j对r_i在可靠性方面的偏好值

为：

(4)根据实际情况：用户为云任务t_j愿意支付的价格必须要大于完成任务t_j所需要的开销，因此，t_j对ri在服务价格方面的偏好值

为：

(5)根据

和

的值计算已匹配成功的任务类中的任务t_j对资源类中的资源r_i的偏好值tp_ij，并对任务t_j对应的所有资源r_i的偏好值按从大到小的顺序排序，得到偏好值的排序值t_ij，即：t_ij表示任务t_j对资源r_i的偏好序值，得到任务对资源的偏好序矩阵TP_m'×n'，tp_ij通过以下公式求得：

其中，x,y,z,v分别表示任务t_j对资源r_i在综合性能、任务完成时间、可靠性以及服务价格方面的权重，且x+y+z+v＝1；

tp_ij越大，说明任务tj对资源r_i偏好越大，排序越靠前，得到的t_ij越小；

步骤S62：由于云资源对云任务的偏好值，受任务的执行效益和任务所要求资源的可靠性联合影响，因此，可利用资源的CPU属性r_cpui、任务所需资源的可靠性t_rj、任务量大小t_dcj以及用户愿意支付的任务价格t_cj,计算已匹配成功的资源类中的资源r_i对任务类中的任务tj的偏好值rp_ij，并对资源r_i对应的所有任务t_j的偏好值按从大到小的顺序排序，得到偏好值的排序值r_ij，即：r_ij表示资源r_i对任务t_j的偏好序值，得到资源对任务的偏好序矩阵RP_m'×n',rp_ij的计算公式为：

其中，tc_j表示用户愿意支付的任务t_j价格，t_dcj表示任务t_j的任务量的值，r_cpui表示资源r_i的CPU属性值，tr_j表示任务t_j所需资源r_i的可靠性；rp_ij越大，说明资源r_i对任务t_j偏好越大，排序越靠前，得到的r_ij越小；

步骤S63：根据任务对资源的偏好序值，建立任务满意度函数tsd(t_ij)，tsd(t_ij)表示任务对匹配资源的满意程度，得到任务完全满意度矩阵TSD_m'×n'，根据资源对任务的偏好序值，建立资源满意度函数rsd(r_ij)，rsd(r_ij)表示资源对匹配任务的满意程度，得到资源完全满意度矩阵RSD_m'×n'，

任务满意度函数tsd(t_ij)为：

资源满意度函数rsd(r_ij)为：

其中，n'表示步骤S5中配对成功的资源个数，m'表示步骤S5中配对成功的任务个数；

步骤S64：由于一个任务可能参考匹配多个资源，或一个资源可能参考匹配多个任务，故需要设立任务最高可接受偏好序h_j和资源最高可接受偏好序d_i，即：任务最多参考匹配的资源的个数h_j和资源最多参考匹配的任务的个数d_i，分别计算任务的最低满意度α_j和资源的最低满意度β_i：

任务的最低满意度α_j的计算公式为：

资源的最低满意度β_i的计算公式为：

步骤S65：将任务完全满意度矩阵TSD_m'×n'按照如下方法一转换为任务满意度截矩阵Θ_m'×n'，将资源完全满意度矩阵RSD_m'×n'按照如下方法二转换为资源满意度截矩阵Φ_m'×n'：

方法一：

方法二：

其中，θ_ij表示截矩阵Θ_m'×n'中的元素，φ_ij表示截矩阵Φ_m'×n'中的元素；

步骤S66：根据任务满意度截矩阵Θ_m'×n'与资源满意度截矩阵Φ_m'×n'构建双目标优化模型：

任务满意度优化模型为：

资源满意度优化模型为：

为确保一个任务最多匹配一个资源，或一个资源最多匹配一个任务，故建立双目标优化模型的约束条件为：

其中，max F_A表示任务的满意程度取最大值，max F_B表示资源的满意程度取最大值，γ_ij为0-1变量，当θ_ij为该行最大值时，对应γ_ij＝1，否则γ_ij＝0(或者

为该列最大值时，γ_ij＝1，否则γ_ij＝0)；

步骤S67：将任务满意度优化模型和资源满意度优化模型利用线性加权法得到单目标优化模型，并提取最终匹配度系数f_ij，并得出最终匹配度系数矩阵F_m'×n'：

单目标优化模型为：

即：在max F_A和max F_B同时取最大值的时候才能保证max F取得最大值，认为取得最优匹配结果，

将(1)式变为：

由(2)式可得出：

其中：f_ij＝ω_Aθ_ij+ω_Bφ_ij (4)

其中，ω_A与ω_B分别为任务满意度目标函数的权重系数和资源满意度目标函数的权重系数，且ω_A+ω_B＝1；

步骤S68：根据资源与任务的最终匹配度系数f_ij的值越大越先配对，且先配对过的任务不再配对的原则，将资源与任务进行一一配对，使一个资源最终对应唯一一个任务。通过引入严格双边匹配方法，即设立最低满意度标准，同等考虑任务需求和资源偏好，综合提高云资源分配过程中双方的满意度，建立资源与任务的最终匹配度系数，以最终匹配度系数的大小为参考值进行最终配对，避免了在资源分配时只考虑资源供给一方或享受服务一方，在考量服务满意程度上，仅以单方面服务满意程度为目标的评价方法使资源分配不公平，由于在资源分配过程中充分考虑了任务与资源的相互偏好及约束条件，使云环境下的资源分配方法更加合理，资源分配结果更加准确。

为了使步骤S6的内容更加清楚，以下是对步骤S6的举例说明：

假设某一匹配的任务类与资源类中，任务类集合元素个数为9，资源类集合元素个数为6，任务对资源的偏好序t_ij矩阵如下表所示：

表中，任务1把资源6排在第2位，则t₁₆＝2。

资源对任务的偏好序r_ij矩阵如下表所示：

表中，资源6把任务2排在第5位，则r₆₂＝5。

因此任务对资源的完全满意度矩阵TSD_m'×n'为：

资源对任务的完全满意度矩阵RSD_m'×n'为：

假设任务方设置的最高可接受偏好序为h₁＝h₂＝4,h₃＝h₄＝h₅＝h₆＝h₇＝h₈＝h₉＝3，则任务最低满意度为a₁＝a₂＝0.250,a₃＝a₄＝a₅＝a₆＝a₇＝a₈＝a₉＝0.444；资源方设置的最高可接受偏好序为d₁＝4,d₂＝3,d₃＝d₄＝d₅＝d₆＝4，则资源最低满意度为β₁＝0.444,β₂＝0.605,β₃＝β₄＝β₅＝β₆＝0.444；依据任务、资源最低满意度，将任务、资源完全满意度矩阵转化为满意度截矩阵；因此任务对资源的满意度截矩阵Θ_m'×n'为：

资源对任务的满意度截矩阵Φ_m'×n'为：

假设任务与资源双方有相等的权重，则ω_A＝ω_B＝0.5

其中，f_ij＝0.5θ_ij+0.5φ_ij，由以上任务对资源的满意度截矩阵和资源对任务的满意度截矩阵得出系数矩阵f_ij：

因此匹配结果为(r1,t3),(r2,t9),(r3,t2),(r4,t8),(r5,t7),r6无匹配对象。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种云环境下基于模糊聚类及严格双边匹配的资源分配方法，其特征在于：包括以下步骤：

步骤S1:定义七元组任务数据和五元组资源数据；

从七元组任务数据中提取出任务所需的CPU资源t_cpu、任务所需的带宽资源t_b和任务所需的存储资源t_mem，并根据七元组中的任务个数获取任务数据集Ct；从五元组资源数据中提取出资源的CPU属性r_cpu、资源的带宽属性r_b和资源的存储大小r_mem，并根据五元组中的资源个数获取资源数据集Cr；

步骤S2:将获取的任务数据集Ct进行标准化处理得到待划分的任务数据矩阵T，将获取的资源数据集Cr进行标准化处理得到待划分的资源数据矩阵R；

步骤S3:利用FCM聚类方法对任务数据矩阵T进行聚类划分获得c个任务类，并通过迭代计算得出c个任务类的聚类中心的值，利用FCM对资源数据矩阵R进行聚类划分获得c个资源类,并通过迭代计算得出c个资源类的聚类中心的值；

步骤S4:将c个任务类的聚类中心的值和c个资源类的聚类中心的值利用编码原则分别进行01编码，并计算c个任务类与c个资源类之间的海明距离，得到一个c×c的海明距离矩阵HD；

步骤S5:将海明距离作为任务类与资源类之间的相异性度量参数，根据相异度匹配原则，对矩阵HD中的任务类与资源类进行相异度匹配，得到匹配成功的任务类与资源类；

步骤S6:将匹配成功的任务类与资源类运用严格双边匹配方法进行最终任务与资源匹配，确保一个任务对应唯一一个资源；

步骤S1中的任务数据通过以下步骤获得：

步骤S11：七元组任务数据分别为：任务所需的CPU资源t_cpu、任务所需的带宽资源t_b、任务所需的存储资源t_mem、任务期望完成时间t_time、任务所需资源的可靠性t_r、任务量大小t_dc以及用户愿意支付的任务价格t_c，提取其中的任务所需的CPU资源t_cpu、任务所需的带宽资源t_b和任务所需的存储资源t_mem，组成一个m×3的任务数据集矩阵Ct，其中m为任务个数；

步骤S12：五元组资源数据分别为：资源的CPU属性r_cpu、资源的带宽属性r_b、资源的存储大小r_mem、资源故障率r_fr以及该资源运行任务的价格r_p，提取其中的资源的CPU属性r_cpu、资源的带宽属性r_b和资源的存储大小r_mem，组成一个n×3的资源数据集矩阵Cr，其中n为资源个数；

所述标准化处理为离差标准化方法，具体公式为：

其中q表示数据矩阵中第σ列的任一元素，u表示数据矩阵的总列数，{p_σ}表示数据矩阵的第σ列，

和

分别表示该列数据中的最小值和最大值，q'为q标准化处理之后的值。

2.根据权利要求1所述的云环境下基于模糊聚类及严格双边匹配的资源分配方法，其特征在于：步骤S3中的聚类中心的值的计算过程包括以下步骤：

步骤S31：确定任务类和资源类的分类个数均为c个，分类时的模糊化程度的值为s，确定迭代次数和停止迭代的阈值，将任务数据集和资源数据集按照模糊化程度值分别分为c类；

步骤S32：将任务数据集或资源数据集看成样本数据集，对数据集中的样本数据x_η隶属于第k类的隶属度u_kη在[0，1]随机赋值，保证样本数据x_η隶属于所有类的隶属度的和为1，即

其中，1≤k≤c，η＝1,2,…r,r代表样本个数,当对任务聚类时r＝m，对资源聚类时r＝n，得到初始化的FCM聚类的隶属度矩阵U；

步骤S33：计算聚类中心c_k的值，c_k的计算公式为：

其中，1≤k≤c，η＝1,2,…r，u_kη可从隶属度矩阵U中读取，r代表总样本数据的个数,当对任务聚类时r＝m，对资源聚类时r＝n；

步骤S34：将聚类中心的值代入隶属度公式计算出样本数据x_η的新的隶属度值u_εη’，并得到新的隶属度矩阵U'，新的隶属度值u_εη’的计算公式为：

u_εη'∈[0,1]，其中，样本数据x_η为第ε类中的元素，c_ε表示第ε类的聚类中心值；c_k表示每一类的聚类中心的值，当ε＝k时，c_ε＝c_k；

步骤S35：利用新的隶属度矩阵U’，并根据步骤S33计算新的聚类中心c_ε’的值，并重复步骤S34，反复迭代直到满足前后两次迭代的目标函数值之差小于设定的阈值或达到迭代次数时，FCM算法终止，得出最终的聚类中心的值，其中目标函数计算公式为：

3.根据权利要求2所述的云环境下基于模糊聚类及严格双边匹配的资源分配方法，其特征在于：所述步骤S4中的编码原则为：判断聚类中心的三个属性值的大小，若该属性值大于该属性取值范围的60％，即该属性值大于0.6，则编码为1，否则编码为0。

4.根据权利要求3所述的云环境下基于模糊聚类及严格双边匹配的资源分配方法，其特征在于：所述步骤S5中的相异度匹配原则为：以任务类为基准，海明距离为0的任务类和资源类最先匹配，其次是海明距离为1的任务类和资源类匹配，再是海明距离为2的任务类和资源类匹配，最后是海明距离为3的任务类和资源类匹配，已被匹配过的资源类不能被再次匹配，若同一个任务类与多个资源类的海明距离相等，则按资源类的序号顺位选择第一个未被匹配过的资源类进行优先匹配，剩余的任务类再寻找下一个未被匹配过的资源类进行匹配，直到所有任务类都找到与之匹配的资源类为止。

5.根据权利要求4所述的云环境下基于模糊聚类及严格双边匹配的资源分配方法，其特征在于：步骤S6的双边匹配方法包括以下步骤：

步骤S61：计算已匹配成功的任务类中的任务t_j对资源类中的资源r_i的偏好值tp_ij，并对任务t_j对应的所有资源r_i的偏好值排序，得到偏好值的排序值t_ij，即：t_ij表示任务t_j对资源r_i的偏好序值，得到任务对资源的偏好序矩阵TP_m'×n'，tp_ij通过以下公式求得：

其中，

表示任务t_j对资源r_i在综合性能方面的偏好值，

表示任务t_j对资源r_i在任务完成时间方面的偏好值，

表示任务t_j对资源r_i在可靠性方面的偏好值，

表示任务t_j对资源r_i服务价格方面的偏好值，x,y,z,v分别表示任务t_j对资源r_i在综合性能、任务完成时间、可靠性以及服务价格方面的权重，且x+y+z+v＝1；

步骤S62：计算已匹配成功的资源类中的资源r_i对任务类中的任务t_j的偏好值rp_ij，并对资源r_i对应的所有任务tj的偏好值排序，得到偏好值的排序值r_ij，即：r_ij表示资源r_i对任务t_j的偏好序值，得到资源对任务的偏好序矩阵RP_m'×n',rp_ij的计算公式为：

其中，tc_j表示用户愿意支付的任务t_j价格，t_dcj表示任务t_j的任务量的值，r_cpui表示资源r_i的CPU属性值，tr_j表示任务t_j所需资源r_i的可靠性；

步骤S63：根据任务对资源的偏好序值，建立任务满意度函数tsd(t_ij)，tsd(t_ij)表示任务对匹配资源的满意程度，得到任务完全满意度矩阵TSD_m'×n'，根据资源对任务的偏好序值，建立资源满意度函数rsd(r_ij)，rsd(r_ij)表示资源对匹配任务的满意程度，得到资源完全满意度矩阵RSD_m'×n'，

任务满意度函数tsd(t_ij)为：

资源满意度函数rsd(r_ij)为：

其中，n'表示步骤S5中配对成功的资源个数，m'表示步骤S5中配对成功的任务个数；

步骤S64：设立任务最高可接受偏好序h_j和资源最高可接受偏好序d_i，分别计算任务的最低满意度α_j和资源的最低满意度β_i：

任务的最低满意度α_j的计算公式为：

资源的最低满意度β_i的计算公式为：

步骤S65：将任务完全满意度矩阵TSD_m'×n'按照如下方法一转换为任务满意度截矩阵Θ_m'×n'，将资源完全满意度矩阵RSD_m'×n'按照如下方法二转换为资源满意度截矩阵Φ_m'×n'：

方法一：

方法二：

其中，θ_ij表示截矩阵Θ_m'×n'中的元素，φ_ij表示截矩阵Φ_m'×n'中的元素；

步骤S66：根据任务满意度截矩阵Θ_m'×n'与资源满意度截矩阵Φ_m'×n'构建双目标优化模型：

任务满意度优化模型为：

资源满意度优化模型为：

其中，max F_A表示任务的满意程度取最大值，max F_B表示资源的满意程度取最大值，γ_ij为0-1变量，当θ_ij为该行最大值时，对应γ_ij＝1，否则γ_ij＝0(或者

为该列最大值时，γ_ij＝1，否则γ_ij＝0)；

步骤S67：将任务满意度优化模型和资源满意度优化模型利用线性加权法得到单目标优化模型，并提取最终匹配度系数f_ij，并得出最终匹配度系数矩阵F_m'×n'：

单目标优化模型为：

即：在max F_A和max F_B同时取最大值的时候才能保证max F取得最大值，认为取得最优匹配结果，

将(1)式变为：

由(2)式可得出：

其中：f_ij＝ω_Aθ_ij+ω_Bφ_ij (4)

其中，ω_A与ω_B分别为任务满意度目标函数的权重系数和资源满意度目标函数的权重系数，且ω_A+ω_B＝1；

步骤S68：根据资源与任务的最终匹配度系数f_ij的值越大越先配对，且先配对过的任务不再配对的原则，将资源与任务进行一一配对，使一个资源最终对应唯一一个任务；

任务t_j对资源r_i在任务完成时间方面的偏好值

为：

t_j对r_i在可靠性方面的偏好值

为：

t_j对r_i在综合性能方面的偏好值

为：

t_j对r_i在服务价格方面的偏好值

为：

6.根据权利要求5所述的云环境下基于模糊聚类及严格双边匹配的资源分配方法，其特征在于：所述双目标优化模型的约束条件为：

7.根据权利要求1所述的云环境下基于模糊聚类及严格双边匹配的资源分配方法，其特征在于：所述样本数据x_η为三维数据。

Images