CN113132471A - 云服务预算优化调度方法、装置、设备和存储介质 - Google Patents

云服务预算优化调度方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN113132471A
CN113132471A CN202110352872.4A CN202110352872A CN113132471A CN 113132471 A CN113132471 A CN 113132471A CN 202110352872 A CN202110352872 A CN 202110352872A CN 113132471 A CN113132471 A CN 113132471A
Authority
CN
China
Prior art keywords
scheduling scheme
cloud service
particle
budget
scheduling
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
Application number
CN202110352872.4A
Other languages
English (en)
Other versions
CN113132471B (zh
Inventor
唐小勇
刘艺
邓锬
吴志强
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.)
Changsha University of Science and Technology
Original Assignee
Changsha University of Science and Technology
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 Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN202110352872.4A priority Critical patent/CN113132471B/zh
Publication of CN113132471A publication Critical patent/CN113132471A/zh
Application granted granted Critical
Publication of CN113132471B publication Critical patent/CN113132471B/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
    • H04L67/63—Routing a service request depending on the request content or context
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种云服务预算优化调度方法、装置、设备和存储介质，首先建立随机整数矩阵；以随机整数矩阵中的每个元素作为粒子群优化方法中的粒子，并初始化每个粒子的速度和位置；对粒子的速度和位置进行更新；按由大到小的顺序，检查随机整数矩阵每行中每个整数所代表的虚拟机提供的云服务处理成本是否不超过用户预算，并选择第一个不超过用户预算的虚拟机作为云服务调度节点，在检查完随机整数矩阵所有行之后得到当前调度方案，根据适应度函数核算当前调度方案是否具有最优成本，如果是就更新最优成本调度方案，否则不对最优调度方案做任何修改；然后检查是否达到预设迭代次数，如果达到则输出调度方案，完成调度。

Description

云服务预算优化调度方法、装置、设备和存储介质
技术领域
本发明涉及云计算系统软件中的资源管理与云服务调度优化技术领域，特别涉及一种基于随机整数矩阵的云服务预算约束粒子群优化调度方法、装置、设备和存储介质。
背景技术
随着物联网(IoT)设备和5G移动通信技术的迅速普及，越来越多的移动互联网应用如电子交易、在线电子商务、大数据分析和各种基于应用的IT服务，需要通过远程集中计算服务器进行处理。云计算作为一种重要的商业基础设施即服务(IaaS)平台正是解决此问题的最佳方案。它可以以一种经济高效的方式，通过因特网向个人和企业提供按需服务。全球著名的IT公司如亚马逊、阿里巴巴、谷歌、苹果、微软、腾讯等，现在都部署大规模云数据中心去为客户提供云计算服务。由于云计算系统规模越来越庞大，用户数量不断剧增，服务质量(QoS)需求越来越多样化，高效的云计算系统资源管理已成为云服务提供商最为关注的问题。高效的资源管理意味着云计算系统应该能够满足用户和系统提供商对性能、服务质量水平(如成本节省和用户预算约束)的期望。提高资源管理效率的一种有效方法是在云计算系统虚拟机(vm)上优化服务请求调度，从而提高系统效率。
云服务调度是经典组合优化问题，它可以在满足用户服务QoS(如成本、makespan、能耗、吞吐量等)同时，为用户服务请求分配最合适的云虚拟机。近年来，云计算系统调度技术层出不穷，大致可分为启发式、元启发式和混合调度算法。元启发式算法能够有效挖掘搜索空间，获得复杂问题的次优解，在云计算系统中获得广泛应用。著名方法主要有：蚁群优化(ACO)、遗传算法(GA)、模拟退火(SA)、人工蜂群(ABC)等。但以上方案存在着扩展性不足，在高吞吐量的云计算系统资源管理环境适应性不佳的问题。
发明内容
本发明针对云计算系统服务请求优化调度所面临的挑战，提出一种基于随机整数矩阵的云服务预算约束粒子群优化调度方法。
为实现上述技术目的，本发明所采用的技术方案为，
一种云服务预算优化调度方法，包括以下步骤：
步骤一，初始化虚拟机配置，然后以当前收到的云服务请求数量作为行数，以虚拟机数量作为列数，建立随机整数矩阵；
步骤二，以随机整数矩阵中的每个元素作为粒子群优化方法中的粒子，并初始化每个粒子的速度和位置；
步骤三，对粒子的速度和位置进行更新，以使随机整数矩阵中的每个元素获得新的整数值；
步骤四，按由大到小的顺序，检查随机整数矩阵每行中每个整数所代表的虚拟机提供的云服务处理成本是否不超过用户预算，并选择这一行中第一个不超过用户预算的虚拟机作为云服务调度节点，在检查完随机整数矩阵所有行之后得到当前调度方案，执行步骤五；
步骤五，根据适应度函数核算当前调度方案是否具有最优成本，如果是就将当前调度方案替换掉原有的最优成本调度方案，否则不对原有的最优调度方案做任何修改；然后检查是否达到预设迭代次数，如果达到就跳转步骤六，否则返回步骤三继续迭代；
步骤六，输出调度方案，完成调度。
所述的一种基云服务预算优化调度方法，所述的步骤三包括以下过程：
步骤1，对粒子的速度
Figure BDA0003002714770000021
进行更新：
Figure BDA0003002714770000022
其中，t表示的是当前迭代次数，k表示粒子k，c1、c2分别为粒子自身经验和群体经验的学习因素，rand1、rand2分别为均匀分布在[0，1]范围内的随机变量，ω为控制粒子搜索能力的惯性因子，pbestk为粒子k到目前为止访问过的最佳体验位置，gbest为到目前为止的粒子空间中全局最优位置；
步骤2，对粒子的位置量
Figure BDA0003002714770000023
进行更新：
Figure BDA0003002714770000024
所述的一种云服务预算优化调度方法，惯性因子ω的计算式为：
Figure BDA0003002714770000025
其中N为预设的迭代总次数，第k个粒子最大随机量
Figure BDA0003002714770000026
分布在[0.8，1]范围内，第k个粒子最小随机量
Figure BDA0003002714770000027
分布在[0.1，0.2]范围内。
所述的一种云服务预算优化调度方法，如果随机整数矩阵的一行中所有整数所代表的虚拟机提供的云服务处理成本均超过用户预算，则认为用户预算为不合理的过低预算，并停止云服务预算优化调度过程。
所述的一种云服务预算优化调度方法，所述步骤五中，适应度函数为：
Figure BDA0003002714770000031
其中n为云服务数，m为虚拟机数，xij为调度方案，CS(Ti,vmj)为用户所提交的云服务处理成本，计算式为：
Figure BDA0003002714770000032
其中
Figure BDA0003002714770000033
为云服务Ti的计费周期，PT(Ti,vmj)为云服务Ti在虚拟机vmj上的处理时间，即
Figure BDA0003002714770000034
其中w(Ti)表示云服务Ti的计算单位，w(vmj)为虚拟机vmj的计算能力，c(vmj)为虚拟机的计费方式即价格/每分钟。
所述一种云服务预算优化调度方法，所述步骤五中，核算当前调度方案是否具有最优成本，是将当前迭代得到的调度方案代入到适应度函数中进行计算，并将得到的结果来与之前所有迭代得到的调度方案代入到适应度函数中的计算结果比较，若为最小，则认为当前调度方案具有最优成本。
一种云服务预算优化调度装置，包括：
随机整数矩阵建立模块，用于初始化虚拟机配置，然后以当前收到的云服务请求数量作为行数，以虚拟机数量作为列数，建立随机整数矩阵；
初始化模块，用于以随机整数矩阵中的每个元素作为粒子群优化方法中的粒子，并初始化每个粒子的速度和位置；
更新模块，用于对粒子的速度和位置进行更新，以使随机整数矩阵中的每个元素获得新的整数值，并输出至当前调度方案建立模块；
当前调度方案建立模块，用于按由大到小的顺序，检查随机整数矩阵每行中每个整数所代表的虚拟机提供的云服务处理成本是否不超过用户预算，并选择这一行中第一个不超过用户预算的虚拟机作为云服务调度节点，在检查完随机整数矩阵所有行之后得到当前调度方案并输出至核算模块；
核算模块，用于根据适应度函数核算当前调度方案是否具有最优成本，如果是就将当前调度方案替换掉原有的最优成本调度方案，否则不对原有的最优调度方案做任何修改；然后检查是否达到预设迭代次数，如果达到就输出最优调度方案至方案输出模块，否则不输出并由更新模块重新更新粒子的速度和位置。
一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述的一个或多个处理器执行，使得所述的一个或多个处理器实现如前述的方法。
一种计算机可读存储介质，其上存储有计算机程序，所述的计算机程序被处理器执行时实现如前述的方法。
本发明的技术效果在于，本发明能针对大规模云服务请求，依据用户服务成本预算，优化实现服务请求调度，达到系统总服务成本最优化。该技术具有较好的可扩展性，特别适合高吞吐量的云计算系统资源管理环境。
附图说明
图1是本发明提供基于随机整数矩阵的云服务预算约束粒子群优化调度方法流程图；
图2是本发明实施在100台虚拟机上的应用实验比较图。
具体实施方式
下面结合附图和实施例对本发明所述方法进行详细说明。
本实施例面向云计算系统，提供了一种基于随机整数矩阵的云服务预算约束粒子群优化调度方法(命名为RMPSO)，其流程如图1所示。该方法能在云服务请求预算约束下，利用粒子群优化方法获得服务总成本的最优化，从而提高云计算系统资源管理效率和性能。
本实施例所针对的云计算系统架构与云服务请求是基于以下常见情况：云计算系统主机资源由一组无限制的物理服务器构成γ＝{HS1,HS2,..,HSb}，并可以提供CPU、内存、存储、网络等物理资源来创建虚拟机(VMs)，满足用户的云服务需求。通常，这些服务器可以动态生成多个云虚拟机(Cloud VMs)。单个云虚拟机也可以由多个服务器提供资源。因此，云提供商可以提供各种性能和计费价格不同的云服务。其中云计算系统虚拟机被建模为m种VM类型Ψ＝{vm1,vm2,…，vmj}。每台虚拟机vmj的计算能力以每秒100万条指令为基本单位，标记为w(vmj)；相应的其计费方式为c(vmj)$/每分钟。
云服务请求(也称为作业)由用户提交，表示为n个云服务集合T＝{T1，T2,..,Tn}。这里的云用户服务请求是独立的，不能进一步划分为更小的子任务。符号w(Ti)表示云服务Ti的计算单位，每个云服务成本受用户预算B(Ti)约束。因而云服务Ti在虚拟机vmj上的处理时间PT(Ti,vmj)定义为
Figure BDA0003002714770000051
用户所提交的云服务处理成本CS(Ti，vmj)为
Figure BDA0003002714770000052
其中，
Figure BDA0003002714770000053
为云服务Ti的计费周期；由于每个云服务的计算成本不能超过其预算，因而云计算系统可行调度方案要求云服务必须遵循以下不等式：
CS(Ti,vmj)≤B(Ti) (3)
本实施例所提供的通过随机整数矩阵来实现云计算系统服务调度的方法，以随机整数矩阵P中的每个元素表示粒子群优化方法粒子位置，同时该矩阵中元素值要求在[0，10000]范围内。例如，6个云服务在4台VMs上的随机整数矩阵P如下所示
Figure BDA0003002714770000054
随机整数矩阵P中每一行，如上所示矩阵第一行[3456，67，889，90]，表示云服务在所有4台虚拟机上的一个解决方案。本实施例将此整数矩阵P转换为调度解决方案X。并将此行中最大整数所在的虚拟机选择为此服务的最佳调度方案，即xi,j＝1，其它都设为xi,j＝0。如整数矩阵P中第一行[3456，67，889，90]的最大整数为3456，如果虚拟机vm1上的云服务T1处理成本满足不等式(3)，则调度解决方案就可能为[1，0，0，0]；否则可以选择整数889所在的虚拟机vm3，其可能解决方案为[0，0，1，0]。依此，可将上述随机整数矩阵转换为云计算系统中所在服务请求的调度方案，如下所示。
Figure BDA0003002714770000055
如果随机整数矩阵的一行中所有整数所代表的虚拟机提供的云服务处理成本均超过用户预算，则认为用户预算为不合理的过低预算，停止云服务预算优化调度过程。
第三，对于随机整数矩阵中的每一个元素，本实施例采用粒子群优化方法进行迭代更新。每个粒子k在迭代t次时，有两个参数，即位置
Figure BDA0003002714770000061
和速度
Figure BDA0003002714770000062
每个粒子k必须记住它自己到目前为止访问过的最佳体验位置，用符号pbestk表示；以及到目前为止整个优化方法粒子空间中全局最优位置gbest，也可看作云服务调度问题最优解。对于粒子群优化方法的第t次迭代，本专利使用以下步骤更新粒子k的速度
Figure BDA0003002714770000063
和位置
Figure BDA0003002714770000064
(a)更新速度
Figure BDA0003002714770000065
Figure BDA0003002714770000066
其中，c1、c2分别为粒子自身经验和群体经验的学习因素，rand1、rand2分别为均匀分布在[0，1]范围内的随机变量。ω被称为控制粒子搜索能力的惯性因子，当因子ω较大时，粒子群优化方法能避免局部优化的概率就较大；当ω较小时，该方法可以更精确地得到最优解。本实施例中的惯性因子ω为线性递减函数：
Figure BDA0003002714770000067
其中N为粒子群优化方法迭代总次数，
Figure BDA0003002714770000068
为在[0.8，1]范围内的第k个粒子最大随机量，
Figure BDA0003002714770000069
为在[0.1，0.2]范围内的第k个粒子最小随机量。
(b)更新位置量
Figure BDA00030027147700000610
Figure BDA00030027147700000611
(c)适应度函数
本实施例提出的随机整数矩阵粒子群优化调度方法目标是最小化云计算服务总成本，其计算公式如下
Figure BDA00030027147700000612
由于系统同时受如下约束：
Figure BDA00030027147700000613
因此，本实施例中的粒子群优化方法适应度函数就设置为等式(7)。
实现本实施例所提供的云服务预算优化调度方法，包括以下步骤：
步骤一，初始化虚拟机配置，然后以当前收到的云服务请求数量作为行数，以虚拟机数量作为列数，建立随机整数矩阵；
步骤二，以随机整数矩阵中的每个元素作为粒子群优化方法中的粒子，并初始化每个粒子的速度和位置；
步骤三，对粒子的速度和位置进行更新，以使随机整数矩阵中的每个元素获得新的整数值；
步骤四，按由大到小的顺序，检查随机整数矩阵每行中每个整数所代表的虚拟机提供的云服务处理成本是否不超过用户预算，并选择这一行中第一个不超过用户预算的虚拟机作为云服务调度节点，在检查完随机整数矩阵所有行之后得到当前调度方案，执行步骤五；
步骤五，根据适应度函数核算当前调度方案是否具有最优成本，如果是就将当前调度方案替换掉原有的最优成本调度方案，否则不对原有的最优调度方案做任何修改；然后检查是否达到预设迭代次数，如果达到就跳转步骤六，否则返回步骤三继续迭代；
步骤六，输出调度方案，完成调度。
图2是本实施例应用在云计算100台虚拟机上模拟实验比较图。此实验中，本实施例提出基于随机整数矩阵的云服务预算约束粒子群优化调度方法(RMPSO)与最近研究工作的FMPSO算法进行了比较。实验将云服务请求数从100个变化到300个，变化步骤是每步20。所有数据点都是从10次实验中获得数据的平均值。从图2(a)可以看出，本实施例提出的RMPSO算法比FMPSO算法性能好约5.2％，并且总成本随着算法任务数的增加而增加。同时，图2(b)表明，对于总服务执行时间而言，本实施例提出的RMPSO比FMPSO低1.1％，主要由于本实施例提出的RMPSO策略试图优化云服务成本，而FMPSO是一种服务时间优先算法。因此，RMPSO具有良好的成本优化性能，适合云计算系统成本优先的资源管理情境。
进一步的，本实施例还提供一种云服务预算优化调度装置，包括：
随机整数矩阵建立模块，用于初始化虚拟机配置，然后以当前收到的云服务请求数量作为行数，以虚拟机数量作为列数，建立随机整数矩阵；
初始化模块，用于以随机整数矩阵中的每个元素作为粒子群优化方法中的粒子，并初始化每个粒子的速度和位置；
更新模块，用于对粒子的速度和位置进行更新，以使随机整数矩阵中的每个元素获得新的整数值，并输出至当前调度方案建立模块；
当前调度方案建立模块，用于按由大到小的顺序，检查随机整数矩阵每行中每个整数所代表的虚拟机提供的云服务处理成本是否不超过用户预算，并选择这一行中第一个不超过用户预算的虚拟机作为云服务调度节点，在检查完随机整数矩阵所有行之后得到当前调度方案并输出至核算模块；
核算模块，用于根据适应度函数核算当前调度方案是否具有最优成本，如果是就将当前调度方案替换掉原有的最优成本调度方案，否则不对原有的最优调度方案做任何修改；然后检查是否达到预设迭代次数，如果达到就输出最优调度方案至方案输出模块，否则不输出并由更新模块重新更新粒子的速度和位置。
本实施例同时还提供一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述的一个或多个处理器执行，使得所述的一个或多个处理器实现如前述的云服务预算优化调度方法。
本实施例同时还提供一种计算机可读存储介质，其上存储有计算机程序，所述的计算机程序被处理器执行时实现如前述的云服务预算优化调度方法。

Claims (9)

1.一种云服务预算优化调度方法，其特征在于，包括以下步骤：
步骤一，初始化虚拟机配置，然后以当前收到的云服务请求数量作为行数，以虚拟机数量作为列数，建立随机整数矩阵；
步骤二，以随机整数矩阵中的每个元素作为粒子群优化方法中的粒子，并初始化每个粒子的速度和位置；
步骤三，对粒子的速度和位置进行更新，以使随机整数矩阵中的每个元素获得新的整数值；
步骤四，按由大到小的顺序，检查随机整数矩阵每行中每个整数所代表的虚拟机提供的云服务处理成本是否不超过用户预算，并选择这一行中第一个不超过用户预算的虚拟机作为云服务调度节点，在检查完随机整数矩阵所有行之后得到当前调度方案，执行步骤五；
步骤五，根据适应度函数核算当前调度方案是否具有最优成本，如果是就将当前调度方案替换掉原有的最优成本调度方案，否则不对原有的最优调度方案做任何修改；然后检查是否达到预设迭代次数，如果达到就跳转步骤六，否则返回步骤三继续迭代；
步骤六，输出调度方案，完成调度。
2.根据权利要求1所述的一种基云服务预算优化调度方法，其特征在于，所述的步骤三包括以下过程：
步骤1，对粒子的速度
Figure FDA0003002714760000011
进行更新：
Figure FDA0003002714760000012
其中，t表示的是当前迭代次数，k表示粒子k，c1、c2分别为粒子自身经验和群体经验的学习因素，rand1、rand2分别为均匀分布在[0，1]范围内的随机变量，ω为控制粒子搜索能力的惯性因子，pbestk为粒子k到目前为止访问过的最佳体验位置，gbest为到目前为止的粒子空间中全局最优位置；
步骤2，对粒子的位置量
Figure FDA0003002714760000013
进行更新：
Figure FDA0003002714760000014
3.根据权利要求2所述的一种云服务预算优化调度方法，其特征在于，惯性因子ω的计算式为：
Figure FDA0003002714760000015
其中N为预设的迭代总次数，第k个粒子最大随机量
Figure FDA0003002714760000016
分布在[0.8，1]范围内，第k个粒子最小随机量
Figure FDA0003002714760000017
分布在[0.1，0.2]范围内。
4.根据权利要求1所述的一种云服务预算优化调度方法，其特征在于，如果随机整数矩阵的一行中所有整数所代表的虚拟机提供的云服务处理成本均超过用户预算，则认为用户预算为不合理的过低预算，并停止云服务预算优化调度过程。
5.根据权利要求1所述的一种云服务预算优化调度方法，其特征在于，所述步骤五中，适应度函数为：
Figure FDA0003002714760000021
其中n为云服务数，m为虚拟机数，xij为调度方案，CS(Ti,vmj)为用户所提交的云服务处理成本，计算式为：
Figure FDA0003002714760000022
其中
Figure FDA0003002714760000023
为云服务Ti的计费周期，PT(Ti,vmj)为云服务Ti在虚拟机vmj上的处理时间，即
Figure FDA0003002714760000024
其中w(Ti)表示云服务Ti的计算单位，w(vmj)为虚拟机vmj的计算能力，c(vmj)为虚拟机的计费方式即价格/每分钟。
6.根据权利要求1所述一种云服务预算优化调度方法，其特征在于，所述步骤五中，核算当前调度方案是否具有最优成本，是将当前迭代得到的调度方案代入到适应度函数中进行计算，并将得到的结果来与之前所有迭代得到的调度方案代入到适应度函数中的计算结果比较，若为最小，则认为当前调度方案具有最优成本。
7.一种云服务预算优化调度装置，其特征在于，包括：
随机整数矩阵建立模块，用于初始化虚拟机配置，然后以当前收到的云服务请求数量作为行数，以虚拟机数量作为列数，建立随机整数矩阵；
初始化模块，用于以随机整数矩阵中的每个元素作为粒子群优化方法中的粒子，并初始化每个粒子的速度和位置；
更新模块，用于对粒子的速度和位置进行更新，以使随机整数矩阵中的每个元素获得新的整数值，并输出至当前调度方案建立模块；
当前调度方案建立模块，用于按由大到小的顺序，检查随机整数矩阵每行中每个整数所代表的虚拟机提供的云服务处理成本是否不超过用户预算，并选择这一行中第一个不超过用户预算的虚拟机作为云服务调度节点，在检查完随机整数矩阵所有行之后得到当前调度方案并输出至核算模块；
核算模块，用于根据适应度函数核算当前调度方案是否具有最优成本，如果是就将当前调度方案替换掉原有的最优成本调度方案，否则不对原有的最优调度方案做任何修改；然后检查是否达到预设迭代次数，如果达到就输出最优调度方案至方案输出模块，否则不输出并由更新模块重新更新粒子的速度和位置。
8.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述的一个或多个处理器执行，使得所述的一个或多个处理器实现如权利要求1-6中任一所述的方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述的计算机程序被处理器执行时实现如权利要求1-6中任一所述的方法。
CN202110352872.4A 2021-03-31 2021-03-31 云服务预算优化调度方法、装置、设备和存储介质 Active CN113132471B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110352872.4A CN113132471B (zh) 2021-03-31 2021-03-31 云服务预算优化调度方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110352872.4A CN113132471B (zh) 2021-03-31 2021-03-31 云服务预算优化调度方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN113132471A true CN113132471A (zh) 2021-07-16
CN113132471B CN113132471B (zh) 2023-02-21

Family

ID=76774474

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110352872.4A Active CN113132471B (zh) 2021-03-31 2021-03-31 云服务预算优化调度方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN113132471B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117057840A (zh) * 2023-08-21 2023-11-14 奇墨科技(广州)有限公司 云资源成本优化方法及系统
CN118095580A (zh) * 2024-04-29 2024-05-28 中天科技(清远)有限公司 一种机电工程用设备信息化管控系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436518A (zh) * 2011-09-05 2012-05-02 西安电子科技大学 基于粒子群算法的去耦电容器选择方法
CN104331749A (zh) * 2014-10-24 2015-02-04 陕西科技大学 基于模拟退火粒子群的agv优化调度方法
CN107515779A (zh) * 2017-09-01 2017-12-26 周口师范学院 基于探测器的虚拟机性能干扰度量系统及方法
CN111934364A (zh) * 2020-07-30 2020-11-13 国网甘肃省电力公司电力科学研究院 一种送端电网故障状态下紧急源网协调调峰控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436518A (zh) * 2011-09-05 2012-05-02 西安电子科技大学 基于粒子群算法的去耦电容器选择方法
CN104331749A (zh) * 2014-10-24 2015-02-04 陕西科技大学 基于模拟退火粒子群的agv优化调度方法
CN107515779A (zh) * 2017-09-01 2017-12-26 周口师范学院 基于探测器的虚拟机性能干扰度量系统及方法
CN111934364A (zh) * 2020-07-30 2020-11-13 国网甘肃省电力公司电力科学研究院 一种送端电网故障状态下紧急源网协调调峰控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王月: "基于离散粒子群优化的云计算 QoS 调度算法", 《中国硕士论文电子期刊》 *
王月: "基于离散粒子群优化的云计算 QoS 调度算法", 《中国硕士论文电子期刊》, 30 April 2018 (2018-04-30), pages 22 - 42 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117057840A (zh) * 2023-08-21 2023-11-14 奇墨科技(广州)有限公司 云资源成本优化方法及系统
CN118095580A (zh) * 2024-04-29 2024-05-28 中天科技(清远)有限公司 一种机电工程用设备信息化管控系统
CN118095580B (zh) * 2024-04-29 2024-07-23 中天科技(清远)有限公司 一种机电工程用设备信息化管控系统

Also Published As

Publication number Publication date
CN113132471B (zh) 2023-02-21

Similar Documents

Publication Publication Date Title
Chen et al. A WOA-based optimization approach for task scheduling in cloud computing systems
Gao et al. Hierarchical multi-agent optimization for resource allocation in cloud computing
Bacanin et al. Task scheduling in cloud computing environment by grey wolf optimizer
Goudarzi et al. A distributed deep reinforcement learning technique for application placement in edge and fog computing environments
Hamad et al. Genetic-based task scheduling algorithm in cloud computing environment
Xie et al. Quantitative fault-tolerance for reliable workflows on heterogeneous IaaS clouds
Li et al. Towards operational cost minimization in hybrid clouds for dynamic resource provisioning with delay-aware optimization
CN113132471B (zh) 云服务预算优化调度方法、装置、设备和存储介质
CN114610474B (zh) 一种异构超算环境下多策略的作业调度方法及系统
Tang et al. Parallel random matrix particle swarm optimization scheduling algorithms with budget constraints on cloud computing systems
Chen et al. Scheduling independent tasks in cloud environment based on modified differential evolution
Amoon A fault-tolerant scheduling system for computational grids
Wangsom et al. Multi-objective scientific-workflow scheduling with data movement awareness in cloud
NZanywayingoma et al. Effective task scheduling and dynamic resource optimization based on heuristic algorithms in cloud computing environment
CN112463337A (zh) 一种用于移动边缘计算环境下的工作流任务迁移方法
Saif et al. Hybrid meta-heuristic genetic algorithm: Differential evolution algorithms for scientific workflow scheduling in heterogeneous cloud environment
Bhatt et al. Self‐adaptive brainstorming for jobshop scheduling in multicloud environment
Ji et al. Adaptive workflow scheduling for diverse objectives in cloud environments
Amini Motlagh et al. A new reliability‐based task scheduling algorithm in cloud computing
Zambuk et al. Efficient task scheduling in cloud computing using multi-objective hybrid ant colony optimization algorithm for energy efficiency
CN106802822A (zh) 一种基于飞蛾算法的云数据中心认知资源调度方法
Rawat et al. Learning-based task scheduling using big bang big crunch for cloud computing environment
Nagaraju et al. An Evolutionary Multi-Objective Approach for Resource Scheduling in Mobile Cloud Computing.
CN114650321A (zh) 用于边缘计算的任务调度方法及边缘计算终端
Shukla et al. Energy Efficient Workflow Scheduling Algorithm for Latency-Sensitive Applications using Cloud-Fog Collaboration

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