CN110825517A - 一种基于演化博弈论的分布式资源动态分配方法 - Google Patents
一种基于演化博弈论的分布式资源动态分配方法 Download PDFInfo
- Publication number
- CN110825517A CN110825517A CN201910948474.1A CN201910948474A CN110825517A CN 110825517 A CN110825517 A CN 110825517A CN 201910948474 A CN201910948474 A CN 201910948474A CN 110825517 A CN110825517 A CN 110825517A
- Authority
- CN
- China
- Prior art keywords
- resource
- user task
- physical machine
- theta
- fitness
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06F9/5072—Grid computing
-
- 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]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于演化博弈论的分布式资源动态分配方法,包括步骤:S1、判断物理机与用户任务的供需是否匹配,若是,执行步骤S2,若否;执行步骤S3;S2、基于虚张声势行为的价格讨价还价策略进行物理机与用户任务间的博弈,判断物理机与用户任务间的交易能否成功,若能,执行步骤S4;否则,执行步骤S3;S3、获取新的物理机或用户任务,执行步骤S1;S4、确定资源交换价格比例,为用户任务分配资源。本发明在博弈环节加入现实生活普遍存在的“讨价还价”现象,结合适应度函数,使主体在博弈环节以“资源平衡、资源高效利用”为目的反复进行博弈,并且在演化学习环节学习同类主体中适应度更高的个体的策略,不断推进群体在配置效率、资源平衡等方面的优秀表现。
Description
技术领域
本发明涉及资源分配领域,具体涉及一种基于演化博弈论的分布式资源动态分配方法。
背景技术
云计算是将计算任务分布在大量计算机构成的资源池上,使各种应用系统能够根据需要获取计算力、存储空间和信息服务。由于云计算是处于一个动态的环境中,而云用户的群体则是十分庞大的,每个用户的应用程序对资源的需求是在不断的变化着,即为资源的动态需求要满足其性能需求。应用程序资源需求持续变换是随时的、没有事先预兆并不可预测,使得供应商无规律可寻,无法掌握。此外,在多用户环境下,存在着不同用户的应用程序运行在同一台物理主机上,它们之间共享硬件、软件以及存储资源,云计算采用按需资源共享提供给不同用户,直接导致云计算的资源调度问题。开发和设计出更合理的资源调度方案来管理云计算中资源共享问题是保证系统的性能优化是迫切问题。
另一种资源协调者(Yet Another Resource Negotiator,YARN)资源管理框架是常用的云资源管理方案。YARN是一个通用资源管理系统,可为上层应用提供统一的资源管理和调度。资源管理器是双层调度架构,包含资源管理(Resource Manager,RM)、应用管理(Application Master,AM)、节点管理(NM,Node Manager)和容器(Container)。RM是一个全局的资源管理器,负责整个系统的资源管理和分配;AM对应用户提交的每一个应用程序,负责协调来自RM的资源,并通过NM监视Container的执行和资源使用(CPU、内存等的资源分配);NM是每个节点上的资源和任务管理器;Container是YARN中的资源抽象,它封装了某个节点上的多维度资源,如内存、CPU、磁盘、网络等。
使用YARN集群时,首先需要一个应用程序的客户的请求。RM协商一个NM的必要资源,启动一个AM来表示已提交的应用程序。通过使用一个资源请求协议,AM协商每个NM上使用的资源。AM向RM申请资源时,RM为AM返回的资源便是用Container表示。执行应用程序时,AM监视容器直到完成。当应用程序完成时,AM从RM注销其Container,执行周期就完成了。
现有技术在用户任务和资源之间添加中间件的方式进行资源分配,所谓“分布式”是双层调度架构,即将资源调度和任务监控进行了分离,一定程度上保证了资源分配的粒度和拓展性。但是这种方式本质上仍然是中央控制的资源配置方式。将资源分配集中处理,是将需求归于中央,由中央对整个资源按照同一种算法进行分配。这种分配方式把分析、处理信息的负载集中于中央,这对中央的信息处理能力要求极高,且耗费极大,中央出现问题则全局无法正常工作,无法保证系统的稳健性。此外,统一处理的方式没有充分发挥用户任务与资源各自的自动性,如果中央信息处理采用的算法不够高效,容易在配置效率、资源平衡等方面带来严重影响。
为了解决上述问题,部分现有技术将传统博弈论引入资源调度的过程中。引入博弈论的理论方法,针对不同的云计算环境,定制不同优化目标,建立对应的资源调度博弈模型,建立以云用户和云提供商为博弈参与者的云用户资源调度博弈模型。例如公开号为CN107193658A的发明专利申请公开了一种基于博弈论的云计算资源调度方法:步骤一:接受用户请求,分析判断可用资源是否满足需求,否则拒绝,是则进入下一步;步骤二:发出接受请求确认消息;步骤三:建立以用户为博弈参与者的云用户资源调度博弈模型,或者以云数据中心可用物理机为博弈参与者的云提供商资源调度博弈模型,形成最优资源分配方案;步骤四:完成虚拟单元创建过程,执行用户的任务请求。
然而,现有的博弈过程仅根据博弈对手来做决策,博弈过程单一,且未考虑心理预期因素。且现有的博弈模型较多关注于满足个体自身的需求,资源的平衡使用未充分考量。以往博弈模型中以1∶1的价格比例进行的交换,不能使资源分配的结果十分均衡。
故,针对现有技术的缺陷,如何更好地平衡资源分配、使博弈结果在满足自身需求的基础上更加公平是本领域亟待解决的问题。
发明内容
本发明的目的是针对现有技术的缺陷,提供了一种基于演化博弈论的分布式资源动态分配方法。通过基于虚张声势行为的讨价还价策略,加入“个体心理预期”的因素,使资源分配的结果在满足个体需求的同时,实现资源的平衡使用。通过讨价还价程度的设定使用户任务都能得到预期或者比预期更多的资源量。在不断进行的交易、试错中,使得资源分配的结果更加均衡。
为了实现以上目的,本发明采用以下技术方案:
一种基于演化博弈论的分布式资源动态分配方法,包括步骤:
S1、判断物理机与用户任务的供需是否匹配,若是,执行步骤S2,若否;执行步骤S3;
S2、基于虚张声势行为的价格讨价还价策略进行物理机与用户任务间的博弈,判断物理机与用户任务间的交易能否成功,若能,执行步骤S4;否则,执行步骤S3;
S3、获取新的物理机或用户任务,执行步骤S1;
S4、确定资源交换价格比例,为用户任务分配资源。
进一步地,所述物理机i的资源量为Pi=[pi1,pi2,...,pim,di1,di2,...,dim],其中,m为资源种类数,pij为物理机i对资源j的拥有量,dij为物理机i对资源j的被使用量;用户任务k的资源量为Pk=[pk1,pk2,...,pkm,dk1,dk2,...,dkm],其中pkj为用户任务k对资源j的被分配量,dkj为用户任务k对资源j的需求量;
所述判断物理机与用户任务的供需是否匹配具体为判断物理机pij与用户任务dkj是否匹配。
进一步地,对于资源j,pij、dij、pkj、dkj的百分比计算为:
其中,yj为物理机i对资源j的实际拥有量;zj为物理机i对资源j的实际被使用量,wj为用户任务k对资源j的被分配量,vj为用户任务k对资源j的需求量,xj为资源j的市场售价。
进一步地,所述步骤S2具体为:
S2.1、设定物理机i、用户任务k的适应度函数;
S2.2、基于所述适应度函数计算物理机i、用户任务k以资源交换价格为1∶1交易时的适应度真实附加值θi、θk;
S2.3、基于所述适应度真实附加值计算物理机i、用户任务k的适应度被感知附加值θki、θik;
S2.4、比较θi与θik、θk与θki的大小,基于比较结果,判断物理机与用户任务间的交易能否成功。
进一步地,所述θki为:
θki=θi(1+βi),βi∈(-1,0);
其中,βi为物理机i讨价还价的程度,具体为物理机i在交易时对θi施加的欺骗效应;
所述θik为:
θik=θk(1+βk),βk∈(-1,0);
βk为用户任务k讨价还价的程度,具体为用户任务k在交易时对θk施加的欺骗效应。
进一步地,所述步骤S2.4具体为:
当θik<θi,θki>θk或者θik>θi,θki<θk时,物理机与用户任务间的能够交易成功;
当θik<θi,θki<θk时,物理机与用户任务间的能够交易成功;
当θik>θi,θki>θk时,理机与用户任务间的不能交易成功。
进一步地,所述资源交换价格比例具体为:
当θik<θi,θki>θk或者θik>θi,θki<θk时,资源交换价格以比例为:
当θik<θi,θki<θk时,资源交换价格以比例为:
进一步地,步骤S4之后还包括:
S5、计算物理机及用户任务的适应度;
S6、将所述物理机及用户任务按照适应度分类排序;
S7、适应度低的物理机、用户任务向适应度高的同类主体学习讨价还价的程度。
进一步地,步骤S1之前还包括:
S0、初始化物理机及用户任务的资源量、物理机及用户任务讨价还价的程度。
与现有技术相比,本发明具有如下优点:
(1)本发明在资源分配上实现了真正的“分布式”,由供需双方自主实现供需匹配、资源分配,对信息处理能力的要求较小,损耗较少,并且不存在中央集中处理时“牵一发而动全身”的问题,极大提高了系统的稳健性。通过演化博弈论的方式,使所有主体都参与到资源分配环节中去,用试错、学习、演化的方式展现群体的智慧,来提高资源配置效率,实现资源平衡。
(2)本发明的博弈环节加入现实生活普遍存在的“讨价还价”现象,结合适应度函数,使主体在博弈环节以“资源平衡、资源高效利用”为目的反复进行博弈,并且在演化学习环节学习同类主体中适应度更高的个体的策略,不断推进群体在配置效率、资源平衡等方面的优秀表现。
(3)“讨价还价”的环节加入博弈过程,将以往“根据博弈对手来做决策”的过程,丰富到“根据博弈对手来做决策,博弈对手的反馈与自身的心理预期决定是否达成协议”。前者“单向单次”的信息交互方式虽已经贴近了现实生活中的交互行为,但是后者“双向三次”的信息交互方式在原来基础上加入了“个体心理预期”的因素,是对以往博弈论模型的拓展。
(4)物理机和用户任务的资源量衡量方式和适应度计算方式,是对博弈各方的博弈目的和动机的合理融合。供给和需求同时体现在适应度计算环节,将个体行为对自身和博弈对手的影响体现在个体的适应水平上。这种方式一则体现了资源对自身和对方的重要程度,而非仅仅对自己的影响,二则将供给与需求同时分析衡量有助于资源的平衡分配和平衡利用。以往模型较多关注于满足个体自身的需求,资源的平衡使用一般未充分考量。
(5)博弈过程中达成的资源价格交换协议本质上讲并非传统意义上的“博弈收益矩阵”,而是“资源交换比例”。在符合各自心理预期的基础上,博弈双方的资源交换以某个中间比例进行,使得资源交换的实际量能进一步实现博弈结果“公平”。以往的博弈收益矩阵对个体的心理预期以及博弈公平涉及不多。
(6)表示讨价还价程度的参数β不仅使得达成的资源交换价格协议更加公平,同时每次交易都会使得每个个体都会得到预期或者比预期更多的资源量。在不断进行的交易、试错中,这种比预期更多的资源量不断累加会使得资源分配的结果更加均衡。而以往博弈模型中以1∶1的价格比例进行的交换、并不能达到这种效果。
附图说明
图1是实施例一提供的一种基于演化博弈论的分布式资源动态分配方法流程图;
图2是基于虚张声势行为的价格讨价还价策略进行物理机与用户任务间的博弈过程流程图;
图3实施例二提出的博弈学习步骤流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
本发明用演化博弈论的方式实现分布式资源动态配置,以充分发挥资源配置环节中各主体的能动性,促进资源平衡和资源高效配置。
实施例一
如图1所示,本实施例提出了一种基于演化博弈论的分布式资源动态分配方法,包括:
S1、判断物理机与用户任务的供需是否匹配,若是,执行步骤S2,若否;执行步骤S3;
资源分配中的两大类主体分别为:各类资源的拥有者——物理机,和资源需求方——用户任务。资源资源分配就是将物理机拥有的资源与用户任务需求的资源进行匹配,以实现将物理机的资源分配给相应需求的用户任务。
具体地,物理机i的资源量为Pi=[pi1,pi2,...,pim,di1,di2,...,dim],其中,m为资源种类数,pij为物理机i对资源j的拥有量,dij为物理机i对资源j的被使用量。用户任务k的资源量为Pk=[pk1,pk2,...,pkm,dk1,dk2,...,dkm],其中pki为用户任务k对资源j的被分配量,dkj为用户任务k对资源j的需求量。由于每种资源(如内存、CPU等)的评价指标不同,本发明采用百分比的方式记录pij、dij、pkj、dkj。,对于资源j,pij、dij、pkj、dkj的百分比计算为:
其中,yj为物理机i对资源j的实际拥有量;zj为物理机i对资源j的实际被使用量,wj为用户任务k对资源j的被分配量,vj为用户任务k对资源j的需求量,xj为资源j的市场售价。
资源的市场售价以云服务器租用平台中入门级配置为基础(如阿里云,腾讯云等),将配置中各资源量在市场中的平均售价作为其价格xj。yj则表示物理机对于该资源的拥有量是云服务器租用平台中入门级配置中的yj倍,zj则表示物理机对于该资源的被分配量是云服务器租用平台中入门级配置中的zj倍,wj则表示用户任务对于该资源的被分配量是云服务器租用平台中入门级配置中的wj倍,vj则表示用户任务对于该资源的需求量是云服务器租用平台中入门级配置中的vj倍。通过本发明的百分比记录方式,将其转化成百分比。通过百分比的转化,将不同资源转化成相同的评价指标,使资源调度的各资源在同一维度下进行评定与分配,提高了资源分配的效率。初始状态时物理机资源量用户任务资源量
因此,物理机与用户任务的供需匹配实际就是物理机pij与用户任务dkj的匹配。当物理机pij大于等于用户任务dkj时,则说明物理机与用户任务匹配,物理机能够满足用户任务的资源需求,可以进行进一步的资源分配。
S2、基于虚张声势行为的价格讨价还价策略进行物理机与用户任务间的博弈,判断物理机与用户任务间的交易能否成功,若能,执行步骤S4;否则,执行步骤S3;
虚张声势是在各种情况下广泛观察到的一种行为,它是指为了在冲突中获得优势地位而有意夸大或缩小自己面对竞争对手或敌人的能力或感知力的倾向。本发明运用博弈论,将一个资源分配的步骤和虚张声势的行为运用到分布式资源动态配置中。
物理机追求其资源被高效、均衡地分配和使用;而用户任务希望自身对资源的需求能被均衡地满足。本发明通过资源分配步骤中的虚张声势行为,将分配自主的资源配置思想形式化为一种供需博弈的方法。
如图2所示,基于虚张声势行为的价格讨价还价策略进行物理机与用户任务间的博弈具体为:
S2.1、设定物理机i、用户任务k的适应度函数;
根据物理机追求其资源被高效、均衡地分配和使用的特性,以及用户任务希望自身对资源的需求能被均衡地满足的特点,定义物理机i的适应度函数为:用户任务k的适应度函数为适应度函数实质为主体的收益,用于评价主体在资源分配过程中的表现。在对应的适应度函数下,物理机追求资源被均衡高效地使用,且能为用户提供尽量多的资源;用户任务希望根据需求获得尽量多的均衡的资源。物理机和用户任务完成pij、dkj的交换,这是用户任务和物理机之间进行博弈的动机。
中央控制的资源分配方式本质上是数量增量等价原则,即公平贸易双方在一个或多个资源方向上应获得相同数量的增量。而本发明的资源配置方法采用适应度增量等价原则,每个物理机和每个用户任务均是主体,这意味着所有博弈主体有一个共同的信念,即在互惠互利的交易所中,每个交易对手的适应度增量应大致相等。在这一原则下,在一次交易中,首先要确保两个交易对手的供求匹配,然后双方就匹配资源的交换量进行协商并接受。资源交换量的确定环节,本专利提出了一种基于虚张声势行为的价格讨价还价策略,对商业谈判和交易量达成过程进行了建模。资源分配时,每个主体都倾向于隐瞒其在潜在交易中从交易对手那里获得的一些好处,以便就有利的交易价格达成协议,从而误导交易对手对潜在交易对另一方的重要性认识不足。
S2.2、基于所述适应度函数计算物理机i、用户任务k以资源交换价格为1∶1交易时的适应度真实附加值θi、θk;
博弈环节中,参数θi表示为当物理机i和用户任务k之间的资源交换价格为1∶1时,物理机i可以从交易中获得的适应度真实附加值,θk表示为用户任务k可以从交易中获得的适应度真实附加值。适应度真实附加值为交易后适应度的值与交易前适应度的值的差值。即通过本次交易,主体的适应度增量。
S2.3、基于所述适应度真实附加值计算物理机i、用户任务k的适应度被感知附加值θki、θik;
在资源分配过程中,由于物理机与用户任务都会基于虚张声势行为进行价格讨价还价,因此,物理机与用户任务都不会将适应度真实附加值告诉博弈对手,在博弈过程中,会施加欺骗,并将欺骗的适应度附加值告诉对方,即主体适应度被感知附加值。
参数β反应主体讨价还价的程度,βi具体表示为物理机i在交易时对θi施加的欺骗效应,βk具体表示为用户任务k在交易时对θk施加的欺骗效应。那么,对于用户任务k,以资源交换价格为1∶1交易完成后,其感知到的物理机i的适应度增加量为:
θki=θi(1+βi),βi∈(-1,0);
相应地,对于物理机i,其感知到的用户任务k的适应度增加量为:
θik=θk(1+βk),βk∈(-1,0)。
S2.3、比较θi与θik、θk与θki的大小,基于比较结果,判断物理机与用户任务间的交易能否成功。
在适应度增量等价原则下,对于物理机i,θi/θik是物理机i、用户任务k进行pii、dkj交换时合理的交换比;对于用户任务k,θki/θk是物理机i、用户任务k进行pij、dkj交换时合理的交换比。因此,物理机i、用户任务k的博弈有以下三种情况:
(1)当θik<θi,θki>θk或者θik>θi,θki<θk时,物理机i、用户任务k对从1∶1资源交换价格比例下达成的资源交换协议中获得更多利益的主体有着相同的看法。因此,每一方都要为自己争取更多的利益而讨价还价。因此,物理机与用户任务间的能够交易成功。
(2)当θik<θi,θki<θk时,表明物理机i、用户任务k对从1∶1资源交换价格比例下达成的资源交换协议中获得更多利益的主体有不同的看法,双方均认为自己在谈判中具有相对优势。在不同判断导致交易失败的风险下,物理机i、用户任务k最终会坦白实际的θi和θk。因此,物理机与用户任务间的交易弈会成功。
(3)当θik>θi,θki>θk时,物理机i、用户任务k对从1∶1资源交换价格比例下达成的资源交换协议中获得更多利益的主体有不同的看法,双方认为对方获得更多利益。由于βi<0和βk<0,各方认为,自身从潜在交易中获得的部分适应度附加值已被对方隐瞒。在这种情况下,双方认为,向对方披露实际θ将使对方处于不利状态。因此,物理机i、用户任务k没有动机披露实际的θi和θk,从而导致物理机与用户任务间的交易失败。
本发明将“讨价还价”的环节加入博弈过程,将以往“根据博弈对手来做决策”的过程,丰富到“根据博弈对手来做决策,博弈对手的反馈与自身的心理预期决定是否达成协议”。前者“单向单次”的信息交互方式虽已经贴近了现实生活中的交互行为,但是后者“双向三次”的信息交互方式在原来基础上加入了“个体心理预期”的因素,是对以往博弈论模型的拓展。
物理机和用户任务的资源量衡量方式和适应度计算方式,是对博弈各方的博弈目的和动机的合理融合。供给和需求同时体现在适应度计算环节,将物理机和用户任务行为对自身和博弈对手的影响体现在个体的适应水平上。这种方式一则体现了资源对自身和对方的重要程度,而非仅仅对自己的影响,二则将供给与需求同时分析衡量有助于资源的平衡分配和平衡利用。以往的博弈过程较多关注于满足个体自身的需求,资源的平衡使用一般未充分考量。
S3、获取新的物理机或用户任务,执行步骤S1;
当物理机与用户任务间的交易未达成时,说明当前物理机不能为相应的任务提供资源,以供用户任务执行。因此,在分布式系统中,继续进行下一轮的匹配。具体包括:将用户任务与下一个物理机资源进行匹配,将当前物理机与下一个用户任务进行匹配,直到资源匹配完毕或者供需无法继续匹配停止,以实现物理机与用户任务的高效匹配及利用。
S4、确定资源交换价格比例,为用户任务分配资源。
当物理机与用户任务博弈成功时,物理机与用户任务能够达成相应的资源交换价格协议,完成相应的资源交换,即为用户任务分配资源。具体地:
当θik<θi,θki>θk或者θik>θi,θki<θk,物理资源i、用户任务k将以θi/θik和θki/θk之间的某值达成资源交换价格协议,资源交换价格以比例进行,其中,σ~uniform(0,1);
确定物理机与用户任务的资源交换价格比例后,就能确定主体间的交易量。物理机根据主体间的交易量与用户任务进行交易,即为用户任务提供相应的资源,执行用户的任务请求。本次资源分配完成后,继续执行下一轮的匹配。
本发明博弈过程中达成的资源价格交换协议本质上讲并非传统意义上的“博弈收益矩阵”,而是“资源交换比例”。在符合各自心理预期的基础上,博弈双方的资源交换以某个中间比例进行,使得资源交换的实际量能进一步实现博弈结果“公平”。
在步骤S1之前,还包括步骤S0、初始化物理机及用户任务的资源量、物理机及用户任务讨价还价的程度。
在本发明中,物理机及用户任务的资源量是在初始化步骤中进行设定。此外,物理机及用户任务的讨价还价的程度也是其根据自身的需要设定的。
实施例二
如图3所示,在实施例一的基础上,本实施例加入了博弈学习步骤。在为用户任务分配资源后,利用资源分配结果,物理机及用户任务向同类的其他主体学习,以优化博弈过程。具体为:
S5、计算物理机及用户任务的适应度;
适应度反应资源分配的结果。对于物理机而言,适应度越高,表明其资源越被高效地使用,适应度越低,其资源的使用效果越差。对于用户任务而言,适应度越高,用户获得的均衡资源越多,反之,获得的均衡资源越少。因此,本发明对物理机及用户任务的适应度进行计算,以评估物理机与用户任务的博弈结果,根据博弈结果的反馈,指导下次的博弈过程。
S6、将所述物理机及用户任务按照适应度分类排序;
由于物理机与用户任务的评价标准各不相同,因此,本发明计算出适应度后,将适应度按照物理机及用户任务分别排序。即按照其属于物理机还是用户任务,分别进行排序。
S7、适应度低的物理机、用户任务向适应度高的同类主体学习讨价还价的程度。
由于讨价还价的程度是各主体按自身需要进行设定,可能存在设定的讨价还价程度值导致博弈结果差的问题。因此,本发明在对物理机及用户任务按照适应度分类排序后,适应度低的物理机向适应度高的物理机学习,适应度低的用户任务向适应度高的用户任务学习,学习讨价还价程度值的设定,以优化自身的博弈过程,进行下一轮的供需匹配。
本发明讨价还价程度的参数β不仅使得达成的资源交换价格协议更加公平,同时每次交易都会使得每个个体都会得到预期或者比预期更多的资源量。在不断进行的交易、试错中,这种比预期更多的资源量不断累加会使得资源分配的结果更加均衡。而以往博弈模型中以1∶1的价格比例进行的交换不能很好地实现资源分配的均衡。
由此可知,本发明基于演化博弈论的分布式资源动态分配方法,通过基于虚张声势行为的讨价还价策略,加入“个体心理预期”的因素,使资源分配的结果在满足个体需求的同时,实现资源的平衡使用。同时,通过讨价还价程度的设定使用户任务都能得到预期或者比预期更多的资源量。在不断进行的交易、试错中,使得资源分配的结果更加均衡。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种基于演化博弈论的分布式资源动态分配方法,其特征在于,包括步骤:
S1、判断物理机与用户任务的供需是否匹配,若是,执行步骤S2,若否;执行步骤S3;
S2、基于虚张声势行为的价格讨价还价策略进行物理机与用户任务间的博弈,判断物理机与用户任务间的交易能否成功,若能,执行步骤S4;否则,执行步骤S3;
S3、获取新的物理机或用户任务,执行步骤S1;
S4、确定资源交换价格比例,为用户任务分配资源。
2.根据权利要求1所述的分布式资源动态分配方法,其特征在于,所述物理机i的资源量为Pi=[pi1,pi2,...,pim,di1,di2,...,dim],其中,m为资源种类数,pij为物理机i对资源j的拥有量,dij为物理机i对资源j的被使用量;用户任务k的资源量为Pk=[pk1,pk2,...,pkm,dk1,dk2,...,dkm],其中pkj为用户任务k对资源j的被分配量,dkj为用户任务k对资源j的需求量;
所述判断物理机与用户任务的供需是否匹配具体为判断物理机pij与用户任务dkj是否匹配。
4.根据权利要求2或3所述的分布式资源动态分配方法,其特征在于,所述步骤S2具体为:
S2.1、设定物理机i、用户任务k的适应度函数;
S2.2、基于所述适应度函数计算物理机i、用户任务k以资源交换价格为1∶1交易时的适应度真实附加值θi、θk;
S2.3、基于所述适应度真实附加值计算物理机i、用户任务k的适应度被感知附加值θki、θik;
S2.4、比较θi与θik、θk与θki的大小,基于比较结果,判断物理机与用户任务间的交易能否成功。
6.根据权利要求5所述的分布式资源动态分配方法,其特征在于,所述θki为:
θki=θi(1+βi),βi∈(-1,0);
其中,βi为物理机i讨价还价的程度,具体为物理机i在交易时对θi施加的欺骗效应;
所述θik为:
θik=θk(1+βk),βk∈(-1,0);
βk为用户任务k讨价还价的程度,具体为用户任务k在交易时对θk施加的欺骗效应。
7.根据权利要求6所述的分布式资源动态分配方法,其特征在于,所述步骤S2.4具体为:
当θik<θi,θki>θk或者θik>θi,θki<θk时,物理机与用户任务间的能够交易成功;
当θik<θi,θki<θk时,物理机与用户任务间的能够交易成功;
当θik>θi,θki>θk时,理机与用户任务间的不能交易成功。
9.根据权利要求9所述的分布式资源动态分配方法,其特征在于,步骤S4之后还包括:
S5、计算物理机及用户任务的适应度;
S6、将所述物理机及用户任务按照适应度分类排序;
S7、适应度低的物理机、用户任务向适应度高的同类主体学习讨价还价的程度。
10.根据权利要求9所述的分布式资源动态分配方法,其特征在于,步骤S1之前还包括:
S0、初始化物理机及用户任务的资源量、物理机及用户任务讨价还价的程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910948474.1A CN110825517B (zh) | 2019-09-29 | 2019-09-29 | 一种基于演化博弈论的分布式资源动态分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910948474.1A CN110825517B (zh) | 2019-09-29 | 2019-09-29 | 一种基于演化博弈论的分布式资源动态分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110825517A true CN110825517A (zh) | 2020-02-21 |
CN110825517B CN110825517B (zh) | 2020-09-08 |
Family
ID=69548659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910948474.1A Active CN110825517B (zh) | 2019-09-29 | 2019-09-29 | 一种基于演化博弈论的分布式资源动态分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110825517B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070083868A1 (en) * | 2000-05-02 | 2007-04-12 | Microsoft Corporation | Methods and Architectures for Resource Management |
CN101938416A (zh) * | 2010-09-01 | 2011-01-05 | 华南理工大学 | 一种基于动态重配置虚拟资源的云计算资源调度方法 |
CN107168797A (zh) * | 2017-05-12 | 2017-09-15 | 中国人民解放军信息工程大学 | 云环境下基于动态博弈的资源调度方法 |
CN107193658A (zh) * | 2017-05-25 | 2017-09-22 | 重庆工程学院 | 基于博弈论的云计算资源调度方法 |
CN107371213A (zh) * | 2017-05-19 | 2017-11-21 | 西安电子科技大学 | 基于双层博弈框架下的联合功率控制和源节点选择的控制方法 |
CN107507078A (zh) * | 2017-07-12 | 2017-12-22 | 天津大学 | 一种基于讨价还价博弈的分布式能源收益分配策略 |
CN107864512A (zh) * | 2017-11-01 | 2018-03-30 | 南京邮电大学 | 一种基于博弈论的蜂窝异构网络资源分配方法 |
CN108200610A (zh) * | 2018-02-26 | 2018-06-22 | 重庆邮电大学 | 采取分布式博弈的群智感知资源分配方法 |
CN108259078A (zh) * | 2017-12-20 | 2018-07-06 | 中国空间技术研究院 | 一种用于星上综合电子系统的资源分配方法及系统 |
CN108345501A (zh) * | 2017-01-24 | 2018-07-31 | 全球能源互联网研究院 | 一种分布式资源调度方法和系统 |
CN108565900A (zh) * | 2018-05-14 | 2018-09-21 | 南京邮电大学 | 一种基于博弈论的分布式能源优化运行方法 |
CN109041128A (zh) * | 2018-10-16 | 2018-12-18 | 南京邮电大学 | 一种面向多源多中继协作网络的资源分配方法 |
CN109831788A (zh) * | 2019-01-25 | 2019-05-31 | 北京邮电大学 | 用于边缘接入场景的网络资源动态分配方法及系统 |
CN110096337A (zh) * | 2019-05-06 | 2019-08-06 | 燕山大学 | 一种企业应用云部署的云数据中心资源分配方法及系统 |
-
2019
- 2019-09-29 CN CN201910948474.1A patent/CN110825517B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070083868A1 (en) * | 2000-05-02 | 2007-04-12 | Microsoft Corporation | Methods and Architectures for Resource Management |
CN101938416A (zh) * | 2010-09-01 | 2011-01-05 | 华南理工大学 | 一种基于动态重配置虚拟资源的云计算资源调度方法 |
CN108345501A (zh) * | 2017-01-24 | 2018-07-31 | 全球能源互联网研究院 | 一种分布式资源调度方法和系统 |
CN107168797A (zh) * | 2017-05-12 | 2017-09-15 | 中国人民解放军信息工程大学 | 云环境下基于动态博弈的资源调度方法 |
CN107371213A (zh) * | 2017-05-19 | 2017-11-21 | 西安电子科技大学 | 基于双层博弈框架下的联合功率控制和源节点选择的控制方法 |
CN107193658A (zh) * | 2017-05-25 | 2017-09-22 | 重庆工程学院 | 基于博弈论的云计算资源调度方法 |
CN107507078A (zh) * | 2017-07-12 | 2017-12-22 | 天津大学 | 一种基于讨价还价博弈的分布式能源收益分配策略 |
CN107864512A (zh) * | 2017-11-01 | 2018-03-30 | 南京邮电大学 | 一种基于博弈论的蜂窝异构网络资源分配方法 |
CN108259078A (zh) * | 2017-12-20 | 2018-07-06 | 中国空间技术研究院 | 一种用于星上综合电子系统的资源分配方法及系统 |
CN108200610A (zh) * | 2018-02-26 | 2018-06-22 | 重庆邮电大学 | 采取分布式博弈的群智感知资源分配方法 |
CN108565900A (zh) * | 2018-05-14 | 2018-09-21 | 南京邮电大学 | 一种基于博弈论的分布式能源优化运行方法 |
CN109041128A (zh) * | 2018-10-16 | 2018-12-18 | 南京邮电大学 | 一种面向多源多中继协作网络的资源分配方法 |
CN109831788A (zh) * | 2019-01-25 | 2019-05-31 | 北京邮电大学 | 用于边缘接入场景的网络资源动态分配方法及系统 |
CN110096337A (zh) * | 2019-05-06 | 2019-08-06 | 燕山大学 | 一种企业应用云部署的云数据中心资源分配方法及系统 |
Non-Patent Citations (6)
Title |
---|
SRINIVASA K G等: "Game Theoretic Resource Allocation in Cloud", 《2014 FIFTH INTERNATIONAL CONFERENCE ON THE APLLICATIONS OF DIGITAL INFORMATION AND WEB TECHNOLOGY》 * |
YONGXIN LIU等: "An LSTM Enabled Dynamic Stackelberg Game", 《2019 INTERNATIONAL CONFERENCE ON COMPUTING, NETWORKING AND COMMUNICATIONS》 * |
周叶等: "高校园区实验室资源共享的演化博弈与策略分析", 《南昌航空大学学报(社会科学版)》 * |
宁琳等: "长期合作下的供需链协调模型研究", 《第八届中国管理科学学术年后》 * |
杨宇等: "虚拟环境中基于stackelberg博弈的资源分配", 《华中科技大学学报( 自然科学版 )》 * |
郑彤彤等: "用户创新行为的演化博弈分析", 《工业工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110825517B (zh) | 2020-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Budish et al. | Course match: A large-scale implementation of approximate competitive equilibrium from equal incomes for combinatorial allocation | |
Gao et al. | Auction-based VM allocation for deadline-sensitive tasks in distributed edge cloud | |
DiPalantino et al. | Crowdsourcing and all-pay auctions | |
Dash et al. | Market-based task allocation mechanisms for limited-capacity suppliers | |
Wurman et al. | Specifying rules for electronic auctions | |
Sim | Grid commerce, market-driven G-negotiation, and grid resource management | |
Yang et al. | Alternate strategies for a win-win seeking agent in agent-human negotiations | |
CN108182112A (zh) | 基于组合拍卖的以人为中心的感知网络的资源分配机制 | |
Xu et al. | Cost-aware resource management for federated clouds using resource sharing contracts | |
Zeng et al. | Incentive mechanisms in federated learning and a game-theoretical approach | |
Sharghivand et al. | A comprehensive survey on auction mechanism design for cloud/edge resource management and pricing | |
Adabi et al. | Market_based grid resource allocation using new negotiation model | |
Adabi et al. | A real-world inspired multi-strategy based negotiating system for cloud service market | |
Li et al. | A dynamic pricing reverse auction‐based resource allocation mechanism in cloud workflow systems | |
Ardaiz et al. | The catallaxy approach for decentralized economic-based allocation in grid resource and service markets | |
Alahdadi et al. | A truthful and budget-balanced double auction model for resource allocation in cloud computing | |
CN110825517B (zh) | 一种基于演化博弈论的分布式资源动态分配方法 | |
CN115796952A (zh) | 一种基于区块链智能合约的分布式能源交易激励方法 | |
Zhao et al. | Efficient grid task-bundle allocation using bargaining based self-adaptive auction | |
CN110992121B (zh) | 群智感知中基于感知误差的感知任务信息分配系统及方法 | |
An | Automated negotiation for complex multi-agent resource allocation | |
Praveen et al. | Game theoretic approach to resource provisioning in a distributed cloud | |
König et al. | Towards reputation enhanced electronic negotiations for service oriented computing | |
Haas et al. | A simulator for social exchanges and collaborations—Architecture and case study | |
Mukhopadhyay et al. | MAINWAVE: multi agents and issues negotiation for web using alliance virtual engine |
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 |