CN109542619A - 一种面向云计算中心的高效负载均衡优化调度方法 - Google Patents

Abstract

本发明公开了一种面向云计算中心的高效负载均衡优化调度方法。包括步骤：1）初始化蚁群；2）信息素初始化；3）初始化蚂蚁的禁忌表；4）计算任务与资源的匹配因子，考虑负载均衡；5）采用轮盘赌算法，根据概率随机将任务选择下一个虚拟机节点，记录当前最优解6）随机产生新解，采用模拟退火算法判断是否保留新解，若达到模拟退火条件，进行下一步，否则返回步骤5）；7）更新信息素矩阵；8）判断是否达到蚁群算法迭代次数，是则结束，保留最优解；否则返回步骤3）。本发明能满足云计算环境下的动态性，在求解过程中加快了算法的收敛速度，避免了陷入局部最优解，不仅能够快速寻找到任务分配时间的最优解，还能保证虚拟机环境的负载均衡。

Description

一种面向云计算中心的高效负载均衡优化调度方法

技术领域

本发明属于云计算领域，智能计算技术领域，尤其涉及一种面向云计算中心的高效负载均衡优化调度方法。

背景技术

云计算技术是现阶段互联网行业中比较流行的一种新技术，是由分布式计算、并行计算、效用计算、网络存储、虚拟化以及负载平衡等传统计算机与新兴的网络技术相结合而发展得来的。其实云计算就是指的是给予服务的使用模式和交付模式；从另外一个层面来说就是通过网络来进行扩展和按自身需求来进行相关服务的获取。就其组成来说，一般就是由软件资源和硬件资源组成，用户只需要将自身的需求借助于网络将本地的计算机的信息传送到另外一端的计算机群中，并通过得到这些计算机群的信息反馈来得到自身的需求，这个过程就是云计算技术的作用方式。

云计算环境下的任务调度问题是一种NP完全问题，近年来兴起的启发式智能优化算法为了解决这类问题提供了新的思路，邬开峻等提出的基于离散粒子群优化DPSO的任务调度算法。秦洪武等在考虑将总任务完成时间最小化的同时，兼顾任务的平均完成时间，提出了一种改进的遗传算法DFGA，张春艳等提出基于分组多态蚁群算法，侦察蚂蚁负责初始化信息素，搜索蚂蚁负责搜索解，使得平均完成时间降低。

虚拟化使用软件的方法重新定义划分IT资源，可以实现IT资源的动态分配、灵活调度、跨域共享，提高IT资源利用率，使IT资源能够真正成为社会基础设施，服务于各行各业中灵活多变的应用需求。

蚁群算法由意大利学者M.Dorigo等人于20世纪90年代模拟真实蚂蚁的觅食行为过程而提出的一种启发式仿生优化算法。目前，它已被广泛用于解决大多数NP类问题的优化求解，如旅行商问题、图像着色、车辆调度、网络路由、多重背包等静态组合优化和动态组合优化问题。蚁群算法由于其并行分布性、扩展性、易实现和鲁棒性强等优点，非常适合用于云环境下的任务调度。

综上所述，本文在云计算环境下提出一种改进的蚁群算法的任务调度方法。

发明内容

本发明所要解决的技术问题在于克服现有技术的不足，使传统蚁群算法适应于资源和负载动态变化的云计算环境，提供一种一种面向云计算中心的高效负载均衡优化调度方法，能够提高蚁群算法在云环境中进行任务调度的搜索效率和精度。

本发明具体采用以下技术方案：

步骤1：初始化蚁群；

步骤2：信息素初始化，运用贪心算法将蚂蚁随机分布到资源节点上，并且初始化局部信息素矩阵；

步骤3：初始化蚂蚁的禁忌表；

步骤4：计算任务与资源的匹配因子，考虑负载均衡，根据20％-80％原则局部更新信息素矩阵，根据信息素计算出资源节点被选择的概率；

步骤5：采用轮盘赌算法，根据概率随机将任务选择下一个虚拟机节点，记录当前最优解M；

步骤6：随机生成新解，采用模拟退火算法判断是否保留新解，若达到模拟退火结束条件，则进行下一步，否则返回步骤5)；

步骤7：更新信息素矩阵；

步骤8：判断是否达到蚁群算法迭代次数，是则结束，保留最优解；否则返回步骤3)。

优选的，步骤2中的具体实施步骤如下：

信息素的初始化，通过下面的公式(1)初始化各个资源节点的信息素：

τ_ij(0)＝w₁M_j+w₂B_j+w₃R_j+w₄S_j (1)

公式(1)中的τ_ij(0)表示第0时刻，任务i指向资源节点j上的信息素大小，M_j表示节点j的处理速度，B_j表示节点j的带宽，R_j表示节点j的内存大小，S_j表示节点j的磁盘存储大小；w₁、w₂、w₃、w₄分别表示对M_j、B_j、R_j、S_j的期望，并满足w₁+w₂+w₃+w₄＝1；

根据贪心算法将任务分配到虚拟机上，首先将任务按长度大小降序排列，将虚拟机节点按处理速度大小降序排列；选取排好序的前30％的任务以及排好序的前30％的虚拟机节点，根据贪心策略顺序将前30％的任务分配到前30％虚拟机节点上；然后将后70％的任务随机分配到后70％的虚拟机节点上；然后根据分配情况更新信息素矩阵，公式如下：

τ_ij＝τ_ij(0)+Δτ₀ (2)

公式(2)中，τ_ij表示任务i分派到节点j的信息素的值，τ_ij(0)表示第0时刻，任务i指向节点j的的信息素大小，Δτ₀是一个常量，表示贪心策略将任务i分配到节点j的信息素增量。

优选的，步骤4中的具体实施步骤如下：

计算任务与资源的匹配因子：

公式(3)中，η_ij表示蚂蚁将任务i分配到节点j的期望值大小，d_ij表示任务i分配到节点j需要的时间；

考虑负载均衡，根据20％-80％原则局部更新信息素矩阵，计算出节点上的负载情况，若节点上负载超过80％则减少该节点上的信息素，让蚂蚁选择该节点的概率降低；若节点上的负载小于20％，增加该节点上的信息素，鼓励蚂蚁将任务分派到该节点上；

根据信息素计算出资源节点被选择的概率；

优选的，步骤6中的具体实施步骤如下：

对于步骤5)中产生的最优解M，随机交换其中m个资源节点上的任务形成新解M'，m随机取2或者3，并计算新解的目标函数F(M')。

比较F(M')与F(M),如果令Y＝F(M')-F(M)，若Y<0，那么就用M'替代M；否则根据模拟退火算法原则选择是否保留新解M'，若EXP(-Y/T)>random(0，1)，则用M'替代M，否则保留M。其中T为退火温度，并且按照T(t+1)＝λT(t)进行迭代，初始温度设为T₀，终止温度设为T_end，λ为退火系数；

优选的，步骤7中的具体实施步骤如下：

每次迭代完成后，通过下面的公式全局更新信息素矩阵：

公式(4)中p是信息素挥发系数，是每次迭代结束后寻找的最优解在路径(i，j)上释放的信息素。

附图说明

图1是本发明的流程图；

图2是运用模拟退火算法选取是否保留最有解得流程图。

具体实施方式

下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是：

步骤1：初始化蚁群；

步骤2：信息素初始化，运用贪心算法将蚂蚁随机分布到资源节点上，并且初始化局部信息素矩阵；

步骤3：初始化蚂蚁的禁忌表；

步骤4：计算任务与资源的匹配因子，考虑负载均衡，根据20％-80％原则局部更新信息素矩阵，根据信息素计算出资源节点被选择的概率；

步骤5：采用轮盘赌算法，根据概率随机将任务选择下一个虚拟机节点，记录当前最优解M；

步骤6：随机生成新解，采用模拟退火算法判断是否保留新解，若达到模拟退火结束条件，则进行下一步，否则返回步骤5)；

步骤7：更新信息素矩阵；

步骤8：判断是否达到蚁群算法迭代次数，是则结束，保留最优解；否则返回步骤3)。

优选的，步骤2中的具体实施步骤如下：

信息素的初始化，通过下面的公式(1)初始化各个资源节点的信息素：

τ_ij(0)＝w₁M_j+w₂B_j+w₃R_j+w₄S_j (1)

公式(1)中的τ_ij(0)表示第0时刻，任务i指向资源节点j上的信息素大小，M_j表示节点j的处理速度，B_j表示节点j的带宽，R_j表示节点j的内存大小，S_j表示节点j的磁盘存储大小；w₁、w₂、w₃、w₄分别表示对M_j、B_j、R_j、S_j的期望，并满足w₁+w₂+w₃+w₄＝1；

根据贪心算法将任务分配到虚拟机上，首先将任务按长度大小降序排列，将虚拟机节点按处理速度大小降序排列；选取排好序的前30％的任务以及排好序的前30％的虚拟机节点，根据贪心策略顺序将前30％的任务分配到前30％虚拟机节点上；然后将后70％的任务随机分配到后70％的虚拟机节点上；然后根据分配情况更新信息素矩阵，公式如下：

τ_ij＝τ_ij(0)+Δτ₀ (2)

公式(2)中，τ_ij表示任务i分派到节点j的信息素的值，τ_ij(0)表示第0时刻，任务i指向节点j的的信息素大小，Δτ₀是一个常量，表示贪心策略将任务i分配到节点j的信息素增量。

优选的，步骤4中的具体实施步骤如下：

计算任务与资源的匹配因子：

公式(3)中，η_ij表示蚂蚁将任务i分配到节点j的期望值大小，d_ij表示任务i分配到节点j需要的时间；

考虑负载均衡，根据20％-80％原则局部更新信息素矩阵，计算出节点上的负载情况，若节点上负载超过80％则减少该节点上的信息素，让蚂蚁选择该节点的概率降低；若节点上的负载小于20％，增加该节点上的信息素，鼓励蚂蚁将任务分派到该节点上；

根据信息素计算出资源节点被选择的概率；

优选的，步骤6中的具体实施步骤如下：

对于步骤5)中产生的最优解M，随机交换其中m个资源节点上的任务形成新解M'，m随机取2或者3，并计算新解的目标函数F(M')。

比较F(M')与F(M),如果令Y＝F(M')-F(M)，若Y<0，那么就用M'替代M；否则根据模拟退火算法原则选择是否保留新解M'，若EXP(-Y/T)>random(0,1)，则用M'替代M，否则保留M。其中T为退火温度，并且按照T(t+1)＝λT(t)进行迭代，初始温度设为T₀，终止温度设为T_end，λ为退火系数；

优选的，步骤7中的具体实施步骤如下：

每次迭代完成后，通过下面的公式全局更新信息素矩阵：

公式(4)中p是信息素挥发系数，是每次迭代结束后寻找的最优解在路径(i，j)上释放的信息素。

综上所述，本发明提供了一种面向云计算中心的高效负载均衡优化调度方法。该方法改进了传统蚁群算法陷入局部最优解的问题，并且提高了蚁群算法的时间效率，具有实际意义。

以上所述是本发明的优选实施方式，应当指出对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应当视为本发明的保护范围。

Claims (5)

1.一种面向云计算中心的高效负载均衡优化调度方法，其特征在于，包括以下具体步骤：

1)初始化蚁群；

2)信息素初始化，运用贪心算法将蚂蚁随机分布到资源节点上，并且初始化局部信息素矩阵；

3)初始化蚂蚁的禁忌表；

4)计算任务与资源的匹配因子，考虑负载均衡，根据20％-80％原则局部更新信息素矩阵，根据信息素计算出资源节点被选择的概率；

5)采用轮盘赌算法，根据概率随机将任务选择下一个虚拟机节点，记录当前最优解M；

6)随机生成新解，采用模拟退火算法判断是否保留新解，若达到模拟退火结束条件，则进行下一步，否则返回步骤5)；

7)更新信息素矩阵；

8)判断是否达到蚁群算法迭代次数，是则结束，保留最优解；否则返回步骤3)。

2.如权利要求1中所述的一种面向云计算中心的高效负载均衡优化调度方法，其特征在于，所述步骤2)中具体过程如下：

(2a)信息素的初始化，通过下面的公式(1)初始化各个资源节点的信息素：

τ_ij(0)＝w₁M_j+w₂B_j+w₃R_j+w₄S_j (1)

公式(1)中的τ_ij(0)表示第0时刻，任务i指向资源节点j上的信息素大小，M_j表示节点j的处理速度，B_j表示节点j的带宽，R_j表示节点j的内存大小，S_j表示节点j的磁盘存储大小；w₁、w₂、w₃、w₄分别表示对M_j、B_j、R_j、S_j的期望，并满足w₁+w₂+w₃+w₄＝1；

(2b)根据贪心算法将任务分配到虚拟机上；

首先将任务按长度大小降序排列，将虚拟机节点按处理速度大小降序排列；选取排好序的前30％的任务以及排好序的前30％的虚拟机节点，根据贪心策略顺序将前30％的任务分配到前30％虚拟机节点上；然后将后70％的任务随机分配到后70％的虚拟机节点上；然后根据分配情况更新信息素矩阵，公式如下：

τ_ij＝τ_ij(0)+Δτ₀ (2)

公式(2)中，τ_ij表示任务i分派到节点j的信息素的值，τ_ij(0)表示第0时刻，任务i指向节点j的的信息素大小，Δτ₀是一个常量，表示贪心策略将任务i分配到节点j的信息素增量。

3.如权利要求1中所述的一种面向云计算中心的高效负载均衡优化调度方法，其特征在于，所属步骤4)中的具体过程如下：

(3a)计算任务与资源的匹配因子：

公式(3)中，η_ij表示蚂蚁将任务i分配到节点j的期望值大小，d_ij表示任务i分配到节点j需要的时间；

(3b)考虑负载均衡，根据20％-80％原则局部更新信息素矩阵，计算出节点上的负载情况，若节点上负载超过80％则减少该节点上的信息素，让蚂蚁选择该节点的概率降低；若节点上的负载小于20％，增加该节点上的信息素，鼓励蚂蚁将任务分派到该节点上；

(3c)根据信息素计算出资源节点被选择的概率。

4.如权利要求1中所述的一种面向云计算中心的高效负载均衡优化调度方法，其特征在于，所属步骤6)中具体过程如下：

(4a)对于步骤5)中产生的最优解M，随机交换其中m个资源节点上的任务形成新解M'，m随机取2或者3，并计算新解的目标函数F(M')；

(4b)比较F(M')与F(M),令Y＝F(M')-F(M)，若Y<0，那么就用M'替代M；否则根据模拟退火算法原则选择是否保留新解M'，若EXP(-Y/T)>random(0,1)，则用M'替代M，否则保留M；其中T为退火温度，并且按照T(t+1)＝λT(t)进行迭代，初始温度设为T₀，终止温度设为T_end，λ为退火系数。

5.如权利要求1中所述的一种面向云计算中心的高效负载均衡优化调度方法，其特征在于，所属步骤7)中具体过程如下：

在每次迭代完成后，通过公式(4)全局更新信息素矩阵：

公式(4)中p是信息素挥发系数，是每次迭代结束后寻找的最优解在路径(i，j)上释放的信息素。