CN110688219B - 基于反向混沌布谷鸟搜索的自适应权重负载均衡算法 - Google Patents

Abstract

本发明公开了一种基于反向混沌布谷鸟搜索的自适应权重负载均衡算法，属于分布式计算领域。本发明包括以下步骤：S1：FCFS任务分配权重计算；S2，初始化种群个体；S3，对种群个体进行适应度评估；S4，根据反向学习策略对各维度的解进行评价更新；S5，更新种群，再次迭代；S6，输出最优任务分配权重。考虑集群请求任务分配的特性，建立任务分配权重模型。利用混沌变异算子映射到布谷鸟搜索种群的策略，处理搜索过程中每一阶段的最优解选择和劣解更新。通过反向学习的多样性因子对不同阶段中的鸟窝位置进行调整。通过改进后的算法使得寻找最优解的效率得到提高，从而有效提高了布谷鸟搜索的寻优效率并且更加适合于集群的负载均衡。

Description

基于反向混沌布谷鸟搜索的自适应权重负载均衡算法

技术领域

本发明属于分布式计算领域，具体涉及一种基于反向混沌布谷鸟搜索的自适应权重负载均衡算法。

背景技术

随着互联网的高速发展，各类网络化信息系统规模越来越大，“大促”和“秒杀”等业务场景使得访问流量呈几何级数增长。Web集群使用多个节点服务器分担客户端请求的压力，从而增加整个站点系统的扩展能力与容错能力，提高系统响应效率与可靠性。Web集群经常出现负载失衡的情况，使得系统利用率低，用户请求得不到快速响应，服务质量急剧下降。因此，如何高效地均衡各服务器节点的负载是服务器集群需要解决的关键问题。

布谷鸟算法作为一种比较新的启发式搜索算法，具有参数设置少、执行速度快、易实现等特点。目前，一些学者基于改进布谷鸟搜索算法建立了一些云计算资源调度模型，将CS算法应用于云计算环境，有效地提高了云计算资源调度的效率。分析发现，基于布谷鸟搜索的云资源调度模型并不完全适用于Web集群的负载均衡调度，且算法本身随机游走可能导致收敛速度缓慢，不利于全局寻优。

本文提出了一种基于反向混沌布谷鸟搜索的自适应权重负载均衡算法(AdaptiveWeight Load Balance Algorithm Based on Opposition Chaos Cuckoo Search，AW-OCCS)。该算法选取服务器节点的CPU、内存、磁盘IO、网络带宽资源作为综合负载指标，根据各指标的实时状态建立任务分配模型和目标优化方程。在布谷鸟搜索中引入混沌变异算子来选择每一个阶段中鸟窝最佳位置，对迭代过程中的劣解进行混沌变异更新。引入反向学习的多样性因子对不同阶段中的鸟窝位置进行调整，通过改进后的布谷鸟算法使得寻找最优解的效率得到提高，同时提高了算法收敛速度。

发明内容

本发明的目的是将布谷鸟算法应用在Web集群负载均衡中以提高任务分配效率，将自适应任务分配权重模型(Adaptive Weight Model，简称AW)与反向混沌布谷鸟算法(Opposition Chaos Cuckoo Search，缩写OCCS)相结合，形成一种AW-OCCS算法，提供了一种更加有效的集群负载均衡方法。

本发明解决其技术问题所采用的技术方案是：

一种基于反向混沌布谷鸟搜索的自适应负载均衡算法，包括如下步骤：

A、选取服务器节点的综合负载指标，采用FCFS调度算法进行请求任务的调度，确定一组初始任务分配权重向量；

B、根据初始任务分配权重向量对种群进行初始化，计算每个布谷鸟对应的目标函数，根据Logistic混沌信号变异得到初始种群的解；

C、对种群个体进行适应度评估，在迭代过程中寻找种群最优解，根据反向学习策略对各维度的解进行评价更新，并对迭代过程中的劣解进行混沌变异更新，直到达到最大迭代次数，得到最终最优解；

D、根据步骤C生成的最终最优解，采用Logistic混沌信号变异生成最终任务分配权重向量并输出，指导服务器节点的任务调度。

进一步的，所述步骤A具体为：

A1，选取服务器节点的CPU、内存、磁盘IO、网络带宽资源作为综合负载指标，采用FCFS(First Come First Serve)调度算法进行请求任务的调度，对各节点服务器综合性能和综合负载进行动态计算，并调整正向负载参数得到一组正向负载指标；

A2，根据正向负载指标得到指标权值，由指标权值和正向负载确定一组初始任务分配权重向量。

进一步的，所述步骤B具体为：

B1，初始化种群规模N，最大迭代次数TMax，鸟蛋被发现概率P_a，满足任务分配调度解的结束条件；

B2，计算每个布谷鸟对应的目标函数，即集群任务分配调度时间；

由于请求任务的性质不尽相同，对服务器资源的占用也不相同。设有T＝{t₁,t₂,···,t_n}为待处理的请求任务集合，n表示任务的个数；集群节点集合S＝{S₁,S₂,···,S_m}表示集群所包含的服务器节点，m表示节点个数；请求任务集合在集群中的执行时间可用如下矩阵表示：

其中，ET_ij表示任务t_i在节点S_j上的执行时间；

假设LB调度至节点S_j的任务集合为

l表示任务个数，t′_i表示T中的一个子任务；则节点S_j上任务最早开始时间EST(t′_k,S_j)和最早结束时间EFT(t′_k,S_j)为：

其中，

为节点S_j与LB通信以及加载任务集合

的时间，AST(t′_k)代表任务t′_k在节点S_j上的实际开始时间；t′_k＝t′_start表示节点S_j当前任务集合为空，t′_k为第一个任务无需等待；否则，等待前面任务执行完成；整个任务集合T在集群中的完成时间为：

DT＝max{EFT(t′_k,S_j)}

LCS-WLB进行负载均衡调度时以集群任务序列的最晚完成时间最小为目标，因此其目标函数定义如下：

fitness＝min(DT)

B3，根据Logistic混沌信号变异更新初始化规模为N的鸟巢位置X₀＝(x₁,x₂,…,x_N)，其中X₀表示初始化种群，x_i表示种群中的第i个鸟巢，i＝1,2,…,N。

进一步的，所述步骤C具体为：

C1，对种群个体

进行适应度评估，在进行第i代迭代时，计算上一代迭代生成的种群X_i-1中每个解的适应度值，将适应度值最大的解作为当前种群X_i的最优解；

C2，根据精英保留策略保留当前最优解，同时对种群内的鸟巢位置进行Lévy飞行更新，并根据反向学习策略对各维度的解进行评价更新，得到个体的新位置

计算新的鸟巢适应度值并对比先前最优后更新当前最优解；

C3，用均匀分布的随机数r_i∈(0,1)与鸟蛋被发现概率P_a作比较，若r_i>P_a则丢弃当前最优解，进行混沌变异更新产生新解作为当前最优解；反之，保留当前最优解；计算解的适应度值，并对比先前最优后更新当前最优解；完成第i代迭代更新，生成种群X_i；

C4，重复步骤C1～C3，直到达到最大迭代次数Tmax；将X_Tmax中的解作为最优解，根据Logistic混沌信号变异生成最终任务分配权重向量。

进一步的，所述反向学习策略具体为：

D1，引入反向学习，设种群规模为N，维度为D，迭代过程选择更新位置时的位置矩阵为

每个维度的上、下限分别为

D2，为了更好地防止收敛空间的信息丢失，在动态的搜索空间计算反向值；

在上式中引入公式布谷鸟位置更新公式，得到如下公式：

其中，t∈[step_min,step_max]，step_min、step_max分别为莱维飞行的缩放因子，X_best表示当前种群最优解，X_worst表示当前种群最劣解，

表示第t代时第i维种群；D3，利用精英保留策略根据D2进行下一维度的反向学习更新，直到各维度更新完毕；

D4，分别考虑各维度的更新信息，组合当前维度反向学习后与其他维度的值得到新解，评价新的组合解，若改善当前解的质量，则保留当前维度的更新结果；反之，则放弃当前维度的更新。

本发明具有的有益效果：

(1)改进的布谷鸟算法利用混沌变异初始化布谷鸟搜索的初始种群，并通过在布谷鸟搜索中引入反向学习加速最优解的输出，在迭代次数和收敛精度上与传统解决Web集群的负载均衡调度的算法相比有着显著的提升效果，可以避免算法后期在最优解附近震荡的现象，加速最优负载分配权重的输出，从而减少集群整体的服务响应时间。

(2)在面临高并发不稳定的网络状况时，本发明可以更好地提升集群服务容量，保证集群的服务质量，高效地均衡各服务器节点的负载。

附图说明

图1是本发明基于反向混沌布谷鸟搜索的自适应权重负载均衡算法的流程图；

图2是FCFS算法任务分配调度示意图。

具体实施方式

下面结合附图和具体实施对本发明进行详细描述，但不作为对本发明的限定。

如图1～2所示，本发明所述的基于反向混沌布谷鸟搜索的自适应权重负载均衡算法，将自适应任务分配权重模型与反向混沌布谷鸟算法相结合，以图1中的流程图为例，对本发明的方法的具体步骤进行说明。

步骤一、FCFS任务分配权重计算

如图2所示，采用FCFS(First Come First Serve)调度算法进行请求任务的调度，对各节点服务器综合性能和综合负载进行动态计算，并调整正向负载参数得到一组正向负载指标。根据正向负载指标得到计算指标权值，由指标权值和正向负载确定一组任务分配权重向量w＝{w₁,w₂,…,w_m}。

步骤二、初始化种群个体

初始化种群规模N，最大迭代次数TMax，发现概率P_a，满足任务分配调度解的结束条件。

计算每个布谷鸟对应的目标函数，即集群任务分配调度时间。

由于请求任务的性质不尽相同，对服务器资源的占用也不相同，任务t_i在节点S_j上执行时间可用如下矩阵表示：

假设LB调度至节点S_j的任务集合为

l表示任务个数。则节点S_j上任务最早开始时间EST(t′_k,S_j)和最早结束时间EFT(t′_k,S_j)为：

其中，

为节点S_j与LB通信以及加载任务序列的时间，AT(t′_k)代表任务t′_k在节点S_j上的实际开始时间。整个任务序列在集群中的完成时间为：

DT＝max{EFT(t′_k,S_j)}

LCS-WLB进行负载均衡调度时以集群任务序列的最晚完成时间最小为目标，因此其目标函数定义如下：

fitness＝min(DT)

根据Logistic混沌信号变异更新初始化规模为N的鸟巢位置X_i＝(x_i,x₂,…,x_N)。

步骤三、对种群个体进行适应度评估

在当前种群X_i中，计算种群中每个解的适应度函数值，并寻找当前的最优调度策略。

根据精英保留策略保留当前最优解，同时按式(1)对种群内的鸟巢位置进行Lévy飞行更新，得到个体的新位置

计算适应度并替换。

用均匀分布的随机数r_i∈(0,1)与鸟蛋被发现概率P_a作比较，若r_i>P_a则丢弃当前解，进行混沌变异产生新解；反之，保留当前解。计算解的适应度，排序找到适应度较好的鸟巢。

步骤四、根据反向学习策略对各维度的解进行评价更新

引入反向学习，设种群规模为N，维度为D，迭代过程选择更新位置时的位置矩阵为

每个维度的上、下限分别为

在动态的搜索空间计算反向值。

在上式中引入公式布谷鸟位置更新公式，得到如下公式：

其中，t∈[step_min,step_max]，step_min、step_max分别为莱维飞行的缩放因子。

利用精英保留策略进行下一维度的反向学习更新，直到各维度更新完毕。

步骤五、更新种群，再次迭代

分别考虑各维度的更新信息。组合当前维度反向学习后与其他维度的值得到新解，评价新的组合姐。若改善当前解的质量，则保留当前维度的更新结果；反之，则放弃当前维度的更新。利用精英保留策略进行下一维度的反向学习更新，直到各维度更新完毕。

步骤六、输出最优任务分配权重

若达到最大的迭代次数，输出最优任务分配权重，指导任务分配。

实施例

为检验本文算法在Web集群负载均衡问题中的效果，本文通过仿真实验与基准函数进行比较来验证改进后的算法的性能。仿真测试环境如下：Windows10操作系统，Intel(R)Core(TM)i7-5500CPU 2.40GHa，8GB内存，Matlab R2014b仿真软件。本文选取4种常见的高维优化算法测试函数进行测试，测试函数为表1所示f₁～f₄。其中，4个测试函数设定初始范围如下：

(1)Rastrigin取值范围为x∈[-5.12,5.12]，理论最优值为0，该函数是个多峰值的函数，峰形之间高低不一，因此难以寻找到全局最优解。

(2)Griewank取值范围为x∈[-20,20]，理论最优值为0，该函数存在许多局部极小值点，是经典的非线性多模态，搜索区域比较大。

(3)Ackley取值范围为x∈[-20,20]，理论最优值为0，该函数具有较多的局部最小值，算法很难辨别搜索最优值方向，查找全局最优解比较困难。

(4)Sphere取值范围为x∈[-100,100]，理论最优值为0，该函数是单峰值函数。

表1：4个常见测试函数

为观察并解析本文算法求解的质量，对本文设定种群规模30，最大迭代次数1000次，被发现概率为0.25，step_min和step_max步长因子分别为0.1、1.3，维数D取20。基于集群调度对负载均衡算法的要求，本文分别从平均适应度和方差两个方面，对比不同维度下CS和本发明的实验数据，见表2。

表2：维度D＝20时测试函数基于CS和本发明算法的测试数据

根据表2的相关寻优数据可以看出，当维数D＝20时，本发明算法在迭代次数和收敛精度上较CS算法有着很显著的提升效果。从解的质量上看本发明算法整体解的质量高于CS算法，且迭代次数T_ICS-ALB<T_CS，可知本发明在后期可以避免在最优解附近震荡的现象，加速最优负载分配权重的输出，从而减少集群整体的服务响应时间。

Claims (4)

1.一种基于反向混沌布谷鸟搜索的自适应权重负载均衡算法，其特征在于包括如下步骤：

A、选取服务器节点的综合负载指标，采用FCFS调度算法进行请求任务的调度，确定一组初始任务分配权重向量；

B、根据初始任务分配权重向量对种群进行初始化，计算每个布谷鸟对应的目标函数，根据Logistic混沌信号变异得到初始种群的解；所述步骤B具体为：

B1，初始化种群规模N，最大迭代次数TMax，鸟蛋被发现概率P_a，满足任务分配调度解的结束条件；

B2，计算每个布谷鸟对应的目标函数，即集群任务分配调度时间；

由于请求任务的性质不尽相同，对服务器资源的占用也不相同；设有T＝{t₁，t₂，…，t_n}为待处理的请求任务集合，n表示任务的个数；集群节点集合S＝{S₁，S₂，…，S_m}表示集群所包含的服务器节点，m表示节点个数；请求任务集合在集群中的执行时间可用如下矩阵表示：

其中，ET_ij表示任务t_i在节点S_j上的执行时间；

假设LB调度至节点S_j的任务集合为

l表示任务个数，t′_i表示T中的一个子任务；则节点S_j上任务最早开始时间EST(t′_k，S_j)和最早结束时间EFT(t′_k，S_j)为：

其中，

为节点S_j与LB通信以及加载任务集合

的时间，AST(t′_k)代表任务t′_k在节点S_j上的实际开始时间；t′_k＝t′_start表示节点S_j当前任务集合为空，t′_k为第一个任务无需等待；否则，等待前面任务执行完成；整个任务集合T在集群中的完成时间为：

DT＝max{EFT(t′_k，S_j)}

LCS-WLB进行负载均衡调度时以集群任务序列的最晚完成时间最小为目标，因此其目标函数定义如下：

fitness＝min(DT)

B3，根据Logistic混沌信号变异更新初始化规模为N的鸟巢位置X₀＝(x₁，x₂，…，x_N)，其中X₀表示初始化种群，x_i表示种群中的第i个鸟巢，i＝1，2，…，N；

C、对种群个体进行适应度评估，在迭代过程中寻找种群最优解，根据反向学习策略对各维度的解进行评价更新，并对迭代过程中的劣解进行混沌变异更新，直到达到最大迭代次数，得到最终最优解；

D、根据步骤C生成的最终最优解，采用Logistic混沌信号变异生成最终任务分配权重向量并输出，指导服务器节点的任务调度。

2.根据权利要求1所述的一种基于反向混沌布谷鸟搜索的自适应权重负载均衡算法，其特征在于，所述步骤A具体为：

A1，选取服务器节点的CPU、内存、磁盘IO、网络带宽资源作为综合负载指标，采用FCFS调度算法进行请求任务的调度，对各节点服务器综合性能和综合负载进行动态计算，并调整正向负载参数得到一组正向负载指标；

A2，根据正向负载指标得到指标权值，由指标权值和正向负载确定一组初始任务分配权重向量。

3.根据权利要求1所述的一种基于反向混沌布谷鸟搜索的自适应权重负载均衡算法，其特征在于，所述步骤C具体为：

C1，对种群个体

进行适应度评估，在进行第i代迭代时，计算上一代迭代生成的种群X_i-1中每个解的适应度值，将适应度值最大的解作为当前种群X_i的最优解；

C2，根据精英保留策略保留当前最优解，同时对种群内的鸟巢位置进行Lévy飞行更新，并根据反向学习策略对各维度的解进行评价更新，得到个体的新位置

计算新的鸟巢适应度值并对比先前最优后更新当前最优解；

C3，用均匀分布的随机数r_i∈(0，1)与鸟蛋被发现概率P_a作比较，若r_i＞P_a则丢弃当前最优解，进行混沌变异更新产生新解作为当前最优解；反之，保留当前最优解；计算解的适应度值，并对比先前最优后更新当前最优解；完成第i代迭代更新，生成种群X_i；

C4，重复步骤C1～C3，直到达到最大迭代次数Tmax；将X_Tmax中的解作为最优解，根据Logistic混沌信号变异生成最终任务分配权重向量。

4.根据权利要求3所述的一种基于反向混沌布谷鸟搜索的自适应权重负载均衡算法，其特征在于，所述反向学习策略具体为：

D1，引入反向学习，设种群规模为N，维度为D，迭代过程选择更新位置时的位置矩阵为

每个维度的上、下限分别为

D2，为了更好地防止收敛空间的信息丢失，在动态的搜索空间计算反向值；

在上式中引入公式布谷鸟位置更新公式，得到如下公式：

其中，t∈[step_min，step_max]，step_min、step_max分别为莱维飞行的缩放因子，X_best表示当前种群最优解，X_worst表示当前种群最劣解，

表示第t代时第i维种群；D3，利用精英保留策略根据D2进行下一维度的反向学习更新，直到各维度更新完毕；

D4，分别考虑各维度的更新信息，组合当前维度反向学习后与其他维度的值得到新解，评价新的组合解，若改善当前解的质量，则保留当前维度的更新结果；反之，则放弃当前维度的更新。

Images