CN113722112B - 一种服务资源负载均衡处理方法及系统 - Google Patents

一种服务资源负载均衡处理方法及系统 Download PDF

Info

Publication number
CN113722112B
CN113722112B CN202111292721.0A CN202111292721A CN113722112B CN 113722112 B CN113722112 B CN 113722112B CN 202111292721 A CN202111292721 A CN 202111292721A CN 113722112 B CN113722112 B CN 113722112B
Authority
CN
China
Prior art keywords
service
predation
algorithm
task execution
load balancing
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.)
Active
Application number
CN202111292721.0A
Other languages
English (en)
Other versions
CN113722112A (zh
Inventor
张隆显
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.)
Wuhan Yuanding Chuangtian Information Technology Co ltd
Original Assignee
Wuhan Yuanding Chuangtian Information Technology Co ltd
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 Wuhan Yuanding Chuangtian Information Technology Co ltd filed Critical Wuhan Yuanding Chuangtian Information Technology Co ltd
Priority to CN202111292721.0A priority Critical patent/CN113722112B/zh
Publication of CN113722112A publication Critical patent/CN113722112A/zh
Application granted granted Critical
Publication of CN113722112B publication Critical patent/CN113722112B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • 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
    • G06F9/505—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 considering the load

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种服务资源负载均衡处理方法及系统，所述方法包括：获取每个服务节点的运行指标，根据所述运行指标计算服务节点的总体任务执行效率和服务节点之间的负载均衡度；以服务节点的总体任务执行效率最高和服务节点之间的负载均衡度最好为目标建立服务资源分配评价函数；以服务资源分配评价函数作为改进的寄生‑捕食算法的适应度函数，通过改进的寄生‑捕食算法构建负载均衡调度模型；通过负载均衡调度模型进行服务资源负载均衡优化。本发明以服务节点的总体任务执行效率最高和服务节点之间的负载均衡度最好为目标建立服务资源分配评价函数，并通过改进的寄生‑捕食算法进行负载均衡优化，兼顾了负载均衡分配和任务处理效率。

Description

一种服务资源负载均衡处理方法及系统
技术领域
本发明属于负载均衡技术领域，具体涉及一种服务资源负载均衡处理方法及系统。
背景技术
负载均衡技术是一种在高并发高吞吐的情况下把海量任务请求按照一定算法分配到不同的服务节点上去，分而治之的策略。在进行负载分配时，若存在分配不均衡的问题，会使各个物理服务节点的负载差异很大，从而造成部分物理服务节点因负载过大而带来宕机的风险，或部分物理服务节点因某种负载过小而带来资源的浪费。通过负载均衡技术能够加以解决服务节点集群的后台服务节点负载不均衡问题，提高服务节点集群的资源利用率，从而提升整个服务节点集群的性能，降低用户的请求响应等待延迟。
现有的负载均衡技术大多集中在提高资源利用率和资源均衡分配上，而忽略了任务处理效率，导致任务执行时间过长，可能造成后续任务响应时间或处理时间延迟。
发明内容
有鉴于此，本发明提出了一种服务资源负载均衡处理方法及系统，用于解决服务资源负载均衡处理过程中不能兼顾任务处理效率的问题。
本发明第一方面，公开一种服务资源负载均衡处理方法，所述方法包括：
获取每个服务节点的运行指标，根据所述运行指标计算服务节点的总体任务执行效率和服务节点之间的负载均衡度；
以服务节点的总体任务执行效率最高和服务节点之间的负载均衡度最好为目标建立服务资源分配评价函数；
以服务资源分配评价函数作为改进的寄生-捕食算法的适应度函数，通过改进的寄生-捕食算法构建负载均衡调度模型；
通过负载均衡调度模型进行服务资源负载均衡优化调度。
优选的，所述运行指标包括：内存利用率、CPU占用率、带宽利用率、硬盘使用率、每个任务的等待响应时间、每个任务的任务执行时间、每个服务节点的任务执行成功率。
优选的，所述根据所述运行指标计算服务节点的总体任务执行效率和服务节点之间的负载均衡度具体包括：
根据所述运行指标分别计算每个服务节点的负载参考值和任务执行效率；每个服务节点的负载参考值根据内存利用率、CPU占用率、带宽利用率、硬盘使用率加权求和计算得到；每个服务节点的任务执行效率根据每个任务的等待响应时间、每个任务的任务执行时间、每个服务节点的任务执行成功率计算得到；
计算总的任务执行效率
Figure 14966DEST_PATH_IMAGE001
：
Figure 212729DEST_PATH_IMAGE002
其中，n=1,2,…,N，N为服务节点总数，m=1,2,…,N n ，N n 为服务节点n上的任务数，
Figure 760385DEST_PATH_IMAGE003
记为任务总数，α n 为服务节点n上的任务执行成功率，
Figure 992783DEST_PATH_IMAGE004
为服务节点n上的第m个任务的等待响应时间，
Figure 967692DEST_PATH_IMAGE005
为服务节点n上的第m个任务的任务执行时间；
计算服务节点之间的负载均衡度ε：
Figure 902019DEST_PATH_IMAGE006
其中，
Figure 253366DEST_PATH_IMAGE007
为服务节点n的负载参考值，
Figure 74691DEST_PATH_IMAGE008
为各服务节点n的负载参考值的均值。
优选的，所述根据总的任务执行效率和服务节点之间的负载均衡度建立服务资源分配评价函数具体包括：
Figure 486081DEST_PATH_IMAGE009
其中，f为服务资源分配评价函数，w 1、w 2为权重系数。
优选的，所述改进的寄生-捕食算法为通过人工电场优化算法改进的寄生-捕食算法，其原理为：
在寄生-捕食算法的捕食阶段引入人工电场优化算法中的加速度算子，进行猫群速度和位置更新，公式为：
Figure 907704DEST_PATH_IMAGE010
Figure 797163DEST_PATH_IMAGE011
和
Figure 738574DEST_PATH_IMAGE012
分别为第t次迭代和t+1次迭代时第k只猫在第d维的速度，
Figure 55286DEST_PATH_IMAGE013
为人工电场优化算法中的加速度算子，表示当前猫群加速度，
Figure 714937DEST_PATH_IMAGE014
和
Figure 657354DEST_PATH_IMAGE015
分别为第t次迭代和t+1次迭代时第k只猫在第d维的位置。
优选的，所述人工电场优化算法中的加速度算子
Figure 453272DEST_PATH_IMAGE016
的公式为：
Figure 472044DEST_PATH_IMAGE017
其中，
Figure 353412DEST_PATH_IMAGE018
为第t次迭代时，第k个电荷的单位质量，
Figure 850252DEST_PATH_IMAGE019
为电荷p在第d维上受到电荷k的库仑力，
Figure 749944DEST_PATH_IMAGE020
为第t次迭代时作用在电荷k上总的电荷作用力，rand()产生[0,1]之间的随机数；P为电荷总数，与寄生-捕食算法的捕食阶段的猫群种群大小相同；Kt为第t次迭代的库仑常数，
Figure 939617DEST_PATH_IMAGE021
分别为第t次迭代时作用电荷k和被作用电荷p的电荷量；
Figure 308281DEST_PATH_IMAGE022
、
Figure 608813DEST_PATH_IMAGE023
分别为第t次迭代时第k、p个电荷在第d维的位置，与寄生-捕食算法的捕食阶段第t次迭代时第k、p只猫在第d维的位置对应；
Figure 113743DEST_PATH_IMAGE024
为电荷p在第t次迭代时获得的最佳适应度值的位置。
本发明第二方面，公开一种服务资源负载均衡处理系统，所述系统包括：
运行指标计算模块：获取每个服务节点的运行指标，根据所述运行指标计算服务节点的总体任务执行效率和服务节点之间的负载均衡度；
评价函数建议模块：以服务节点的总体任务执行效率最高和服务节点之间的负载均衡度最好为目标建立服务资源分配评价函数；
调度模型建立模块：以服务资源分配评价函数作为改进的寄生-捕食算法的适应度函数，通过改进的寄生-捕食算法构建负载均衡调度模型；
负载均衡优化模块：通过负载均衡调度模型进行服务资源负载均衡优化调度。
本发明第三方面，公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现本发明第一方面所述的方法。
本发明第四方面，公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使计算机实现如本发明第一方面所述的方法。
本发明相对于现有技术具有以下有益效果：
1）根据每个任务的等待响应时间、每个任务的任务执行时间、每个服务节点的任务执行成功率计算得到总的任务执行效率，以服务节点的总体任务执行效率最高和服务节点之间的负载均衡度最好为目标建立服务资源分配评价函数，兼顾了资源负载均衡分配和任务处理效率，减少任务处理延迟情况；
2）在寄生-捕食算法的捕食阶段引入人工电场优化算法中的加速度算子，通过模拟电荷之间的相互吸引力使粒子向最优解聚拢，加快寄生-捕食算法的收敛速度，通过这种混合优化算法建立负载均衡调度模型，进行服务资源负载均衡优化调度，得到在一定的任务处理效率下最优的负载均衡策略。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的服务资源负载均衡处理方法流程示意图。
图2为本发明通过改进的寄生-捕食算法构建负载均衡调度模型的流程图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
请参阅图1，本发明提出一种服务资源负载均衡处理方法，所述方法包括：
S1、获取每个服务节点的运行指标，根据所述运行指标计算服务节点的总体任务执行效率和服务节点之间的负载均衡度；
具体的，将每个服务节点的内存利用率、CPU占用率、带宽利用率、硬盘使用率、每个任务的等待响应时间、每个任务的任务执行时间、每个服务节点的任务执行成功率等作为运行指标，每个服务节点的任务执行成功率可以是上一周期对应的服务节点的历史任务成功率，通过该服务节点在上一周期的任务处理成功数除以任务总数得到，该服务节点在上一周期的历史任务成功率作为当前负载均衡调度中任务成功率的参考值。
根据每个服务节点的内存利用率λ 1、CPU占用率λ 2、带宽利用率λ 3、硬盘使用率λ 4进行加权求和计算得到各个服务节点的负载参考值，即服务节点i的负载参考值为
Figure 723585DEST_PATH_IMAGE025
，k 1、k 2、k 3、k 4分别为权重系数，k 1+k 2+k 3+k 4=1。
根据每个服务节点的负载参考值计算服务节点之间的负载均衡度ε：
Figure 579546DEST_PATH_IMAGE026
其中，N为服务节点总数，
Figure 418189DEST_PATH_IMAGE027
为服务节点n的负载参考值，
Figure 43205DEST_PATH_IMAGE028
为各服务节点n的负载参考值的均值。
根据每个任务的等待响应时间、每个任务的任务执行时间、每个服务节点的任务执行成功率计算得到每个服务节点的任务执行效率
Figure 574681DEST_PATH_IMAGE029
，然后计算总的任务执行效率
Figure 901626DEST_PATH_IMAGE030
：
Figure 543960DEST_PATH_IMAGE031
其中，n=1,2,…,N， m=1,2,…,N n ，N n 为服务节点n上的任务数，
Figure 23483DEST_PATH_IMAGE032
记为任务总数，α n 为服务节点n上的任务执行成功率，
Figure 725859DEST_PATH_IMAGE033
为服务节点n上的第m个任务的等待响应时间，
Figure 290833DEST_PATH_IMAGE034
为服务节点n上的第m个任务的任务执行时间。
S2、以服务节点的总体任务执行效率最高和服务节点之间的负载均衡度最好为目标建立服务资源分配评价函数。
建立服务资源分配评价函数具体包括：
Figure 454967DEST_PATH_IMAGE035
其中，f为服务资源分配评价函数，f值越大服务资源分配评价评价越好，表示服务资源负载均衡效果越优越，w 1、w 2为权重系数。
以服务节点的总体任务执行效率最高和服务节点之间的负载均衡度最好为目标建立服务资源分配评价函数，能在保证一定的任务执行效率的基础上实现负载均衡调度，将待执行任务合理调度至各个服务节点，实现任务执行效率和负载均衡的平衡。
S3、以服务资源分配评价函数作为改进的寄生-捕食算法的适应度函数，通过改进的寄生-捕食算法构建负载均衡调度模型；
请参阅图2，通过改进的寄生-捕食算法构建负载均衡调度模型具体包括：
1）初始化种群及寄生-捕食算法和人工电场优化算法的参数，将种群中的个体作为负载均衡调度模型的候选解；
具体的，设定解集的边界范围，在边界范围内随机初始化种群，定义第i个粒子第t次迭代的位置为
Figure 320155DEST_PATH_IMAGE036
，t=1,2,…,T，T为迭代总次数，d=1,2,…,D，D为解的维度，每一维度的解代表一个服务节点的负载调度方案。
2）以服务资源分配评价函数为适应度函数评估各个个体的适应度值，确定最优解及最优鸟巢。
3）计算寄生-捕食算法的猫群数量n cat ，乌鸦群数量n crow 和鸟巢数量。
4）进入筑巢阶段，通过生成随机的候选乌鸦X r1，通过莱维飞行为乌鸦i生成一个新的位置：
Figure 927853DEST_PATH_IMAGE037
r1为随机数下标， LF为莱维飞行函数，n crow 为乌鸦群数量；对超出维度范围的种群位置进行修正，防止出界。
5）进入寄生阶段，随机构建新的巢穴
Figure 245702DEST_PATH_IMAGE038
来取代一些巢穴，并以概率pa发现一小部分较差的巢穴，更新布谷鸟的新巢：
Figure 964260DEST_PATH_IMAGE039
r2、r3为随机数下标，SG服从高斯分布，
Figure 933222DEST_PATH_IMAGE040
为二进制矩阵，
Figure 711822DEST_PATH_IMAGE041
，Pa=2t/T，利用二进位矩阵
Figure 516967DEST_PATH_IMAGE042
尽可能地保留相当一部分旧布谷鸟，保持探索搜索空间。在寄生阶段开始时，矩阵
Figure 39215DEST_PATH_IMAGE043
被1填充，然后逐渐增加，以保持种群多样性。
6）进入捕食阶段，捕食阶段引入人工电场优化算法中的加速度算子，进行猫群速度和位置更新，公式为：
Figure 613416DEST_PATH_IMAGE044
Figure 812185DEST_PATH_IMAGE045
和
Figure 839047DEST_PATH_IMAGE046
分别为第t次迭代和t+1次迭代时第k只猫在第d维的速度，k=1,2,…,n cat ，
Figure 164986DEST_PATH_IMAGE047
为人工电场优化算法中的加速度算子，表示当前猫群加速度，
Figure 593693DEST_PATH_IMAGE048
和
Figure 714096DEST_PATH_IMAGE049
分别为第t次迭代和t+1次迭代时第k只猫在第d维的位置。
其中，人工电场优化算法中的加速度算子
Figure 493833DEST_PATH_IMAGE050
的公式为：
Figure 607151DEST_PATH_IMAGE051
其中，
Figure 890365DEST_PATH_IMAGE052
为第t次迭代时，第k个电荷的单位质量，
Figure 447248DEST_PATH_IMAGE053
为电荷p在第d维上受到电荷k的库仑力，
Figure 448702DEST_PATH_IMAGE054
为第t次迭代时作用在电荷k上总的电荷作用力，rand()产生[0,1]之间的随机数；P为电荷总数，与寄生-捕食算法的捕食阶段的猫群种群大小相同；Kt为第t次迭代的库仑常数，
Figure 850865DEST_PATH_IMAGE055
分别为第t次迭代时作用电荷k和被作用电荷p的电荷量；
Figure 237853DEST_PATH_IMAGE056
、
Figure 231217DEST_PATH_IMAGE057
分别为第t次迭代时第k、p个电荷在第d维的位置，与寄生-捕食算法的捕食阶段第t次迭代时第k、p只猫在第d维的位置对应；
Figure 454387DEST_PATH_IMAGE058
为电荷p在第t次迭代时获得的最佳适应度值的位置。
在寄生-捕食算法的捕食阶段引入人工电场优化算法中的加速度算子，通过模拟电荷之间的相互吸引力使粒子向最优解聚拢，加快寄生-捕食算法的收敛速度，从而进行服务资源负载均衡优化调度，在负载均衡处理的过程中保障一定的任务处理效率，减少任务处理延迟，加快服务节点响应和处理速度。
7）重新评估适应度函数值，并更新全局最优解。
8）判断是否满足迭代条件，若是满足则输出最优解，否则返回步骤2重新迭代更新计算。
S4、通过负载均衡调度模型进行服务资源负载均衡优化调度。
步骤S3输出的最优解即为最优的服务资源负载均衡处理方案，按照待处理任务总数对各个服务节点进行任务分配，基于本发明的负载均衡调度模型，在进行任务分配时会综合考量总体的任务执行效率，若某个服务节点的任务执行效率下降，将适度减少该服务节点的任务量，防止因个别服务节点的故障或其他原因带来的任务失败率高、任务处理延迟大而影响总体任务执行，实现任务执行效率与负载均衡的双平衡。
与上述方法实施例相对应，本发明还提出一种服务资源负载均衡处理系统，所述系统包括：
运行指标计算模块：获取每个服务节点的运行指标，根据所述运行指标计算服务节点的总体任务执行效率和服务节点之间的负载均衡度；
评价函数建议模块：以服务节点的总体任务执行效率最高和服务节点之间的负载均衡度最好为目标建立服务资源分配评价函数；
调度模型建立模块：以服务资源分配评价函数作为改进的寄生-捕食算法的适应度函数，通过改进的寄生-捕食算法构建负载均衡调度模型；
负载均衡优化模块：通过负载均衡调度模型进行服务资源负载均衡优化调度。
以上系统实施例是和方法实施例一一对应的，系统实施例简述之处请参阅方法实施例即可，不再赘述。
本发明还公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现本发明前述的方法。
本发明还公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现本发明实施例所述方法的全部或部分步骤。所述存储介质包括：U盘、移动硬盘、只议存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以分布到多个网络单元上。本领域普通技术人员在不付出创造性的劳动的情况下，可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种服务资源负载均衡处理方法，其特征在于，所述方法包括：
获取每个服务节点的运行指标，根据所述运行指标计算服务节点的总体任务执行效率和服务节点之间的负载均衡度；
以服务节点的总体任务执行效率最高和服务节点之间的负载均衡度最好为目标建立服务资源分配评价函数；
以服务资源分配评价函数作为改进的寄生-捕食算法的适应度函数，通过改进的寄生-捕食算法构建负载均衡调度模型；所述改进的寄生-捕食算法为通过人工电场优化算法改进的寄生-捕食算法，其原理为：
在寄生-捕食算法的捕食阶段引入人工电场优化算法中的加速度算子，进行猫群速度和位置更新，公式为：
Figure 881529DEST_PATH_IMAGE001
其中，t=1,2,…,T，T为迭代总次数，d=1,2,…,D，D为解的维度，
Figure 594270DEST_PATH_IMAGE002
和
Figure 190468DEST_PATH_IMAGE003
分别为第t次迭代和t+1次迭代时第k只猫在第d维的速度，
Figure 621449DEST_PATH_IMAGE004
为人工电场优化算法中的加速度算子，表示当前猫群加速度，
Figure 859663DEST_PATH_IMAGE005
和
Figure 692490DEST_PATH_IMAGE006
分别为第t次迭代和t+1次迭代时第k只猫在第d维的位置；
通过负载均衡调度模型进行服务资源负载均衡优化。
2.根据权利要求1所述的服务资源负载均衡处理方法，其特征在于，所述运行指标包括：内存利用率、CPU占用率、带宽利用率、硬盘使用率、每个任务的等待响应时间、每个任务的任务执行时间、每个服务节点的任务执行成功率。
3.根据权利要求2所述的服务资源负载均衡处理方法，其特征在于，所述根据所述运行指标计算服务节点的总体任务执行效率和服务节点之间的负载均衡度具体包括：
根据所述运行指标分别计算每个服务节点的负载参考值和任务执行效率；每个服务节点的负载参考值根据内存利用率、CPU占用率、带宽利用率、硬盘使用率加权求和计算得到；每个服务节点的任务执行效率根据每个任务的等待响应时间、每个任务的任务执行时间、每个服务节点的任务执行成功率计算得到；
计算总的任务执行效率
Figure 725168DEST_PATH_IMAGE007
：
Figure 17347DEST_PATH_IMAGE008
其中，n=1,2,…,N，N为服务节点总数，m=1,2,…,Nn，Nn为服务节点n上的任务数，αn为服务节点n上的任务执行成功率，
Figure 918307DEST_PATH_IMAGE009
为服务节点n上的第m个任务的等待响应时间，
Figure 12165DEST_PATH_IMAGE010
为服务节点n上的第m个任务的任务执行时间；
计算服务节点之间的负载均衡度ε：
Figure 215744DEST_PATH_IMAGE011
其中，
Figure 355739DEST_PATH_IMAGE012
为服务节点n的负载参考值，
Figure 935756DEST_PATH_IMAGE013
为各服务节点的负载参考值的均值。
4.根据权利要求3所述的服务资源负载均衡处理方法，其特征在于，所述根据总的任务执行效率和服务节点之间的负载均衡度建立服务资源分配评价函数具体包括：
Figure 477596DEST_PATH_IMAGE014
其中，f为服务资源分配评价函数， w1、w2为权重系数。
5.根据权利要求1所述的服务资源负载均衡处理方法，其特征在于，所述人工电场优化算法中的加速度算子
Figure 350611DEST_PATH_IMAGE015
的公式为：
Figure 977902DEST_PATH_IMAGE016
其中，
Figure 830451DEST_PATH_IMAGE017
为第t次迭代时，第k个电荷的单位质量，
Figure 226798DEST_PATH_IMAGE018
为电荷p在第d维上受到电荷k的库仑力，
Figure 772179DEST_PATH_IMAGE019
为第t次迭代时作用在电荷k上总的电荷作用力，rand()产生[0,1]之间的随机数；P为电荷总数，与寄生-捕食算法的捕食阶段的猫群种群大小相同；Kt为第t次迭代的库仑常数，
Figure 886766DEST_PATH_IMAGE020
分别为第t次迭代时作用电荷k和被作用电荷p的电荷量；
Figure 808586DEST_PATH_IMAGE021
、
Figure 59438DEST_PATH_IMAGE022
分别为第t次迭代时第k、p个电荷在第d维的位置，与寄生-捕食算法的捕食阶段第t次迭代时第k、p只猫在第d维的位置对应；
Figure 274257DEST_PATH_IMAGE023
为电荷p在第t次迭代时获得的最佳适应度值的位置。
6.一种服务资源负载均衡处理系统，其特征在于，所述系统包括：
运行指标计算模块：获取每个服务节点的运行指标，根据所述运行指标计算服务节点的总体任务执行效率和服务节点之间的负载均衡度；
评价函数建议模块：以服务节点的总体任务执行效率最高和服务节点之间的负载均衡度最好为目标建立服务资源分配评价函数；
调度模型建立模块：以服务资源分配评价函数作为改进的寄生-捕食算法的适应度函数，通过改进的寄生-捕食算法构建负载均衡调度模型；所述改进的寄生-捕食算法为通过人工电场优化算法改进的寄生-捕食算法，其原理为：
在寄生-捕食算法的捕食阶段引入人工电场优化算法中的加速度算子，进行猫群速度和位置更新，公式为：
Figure 876139DEST_PATH_IMAGE001
其中，t=1,2,…,T，T为迭代总次数，d=1,2,…,D，D为解的维度，
Figure 336071DEST_PATH_IMAGE002
和
Figure 707009DEST_PATH_IMAGE003
分别为第t次迭代和t+1次迭代时第k只猫在第d维的速度，
Figure 594194DEST_PATH_IMAGE004
为人工电场优化算法中的加速度算子，表示当前猫群加速度，
Figure 417793DEST_PATH_IMAGE005
和
Figure 524158DEST_PATH_IMAGE006
分别为第t次迭代和t+1次迭代时第k只猫在第d维的位置；
负载均衡优化模块：通过负载均衡调度模型进行服务资源负载均衡优化。
7.一种电子设备，其特征在于，包括：至少一个处理器、至少一个存储器、通信接口和总线；
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如权利要求1~5任一项所述的方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机指令，所述计算机指令使计算机实现如权利要求1~5任一项所述的方法。
CN202111292721.0A 2021-11-03 2021-11-03 一种服务资源负载均衡处理方法及系统 Active CN113722112B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111292721.0A CN113722112B (zh) 2021-11-03 2021-11-03 一种服务资源负载均衡处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111292721.0A CN113722112B (zh) 2021-11-03 2021-11-03 一种服务资源负载均衡处理方法及系统

Publications (2)

Publication Number Publication Date
CN113722112A CN113722112A (zh) 2021-11-30
CN113722112B true CN113722112B (zh) 2022-01-11

Family

ID=78686658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111292721.0A Active CN113722112B (zh) 2021-11-03 2021-11-03 一种服务资源负载均衡处理方法及系统

Country Status (1)

Country Link
CN (1) CN113722112B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116166443B (zh) * 2023-04-23 2023-06-23 欢喜时代(深圳)科技有限公司 一种游戏任务系统的负载优化方法及系统
CN116880412B (zh) * 2023-08-10 2024-05-17 上海兴岩信息科技有限公司 一种基于云的可视化生产管理平台

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105187488A (zh) * 2015-08-05 2015-12-23 江苏科技大学 一种基于遗传算法实现mas负载均衡的方法
CN106295886A (zh) * 2016-08-12 2017-01-04 梁广俊 基于混沌理论的改进模糊神经网络公交车智能调度方法
CN109491761A (zh) * 2018-11-07 2019-03-19 中国石油大学(华东) 基于eda-ga混合算法的云计算多目标任务调度方法
CN111338765A (zh) * 2020-03-23 2020-06-26 武汉轻工大学 基于猫群算法的虚拟机部署方法、装置、设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9654354B2 (en) * 2012-12-13 2017-05-16 Level 3 Communications, Llc Framework supporting content delivery with delivery services network

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105187488A (zh) * 2015-08-05 2015-12-23 江苏科技大学 一种基于遗传算法实现mas负载均衡的方法
CN106295886A (zh) * 2016-08-12 2017-01-04 梁广俊 基于混沌理论的改进模糊神经网络公交车智能调度方法
CN109491761A (zh) * 2018-11-07 2019-03-19 中国石油大学(华东) 基于eda-ga混合算法的云计算多目标任务调度方法
CN111338765A (zh) * 2020-03-23 2020-06-26 武汉轻工大学 基于猫群算法的虚拟机部署方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A Cat Swarm Optimization-Based QoS Routing in ICN;Dandan Cheng;《2018 14th ICNC-FSKD》;20181231;全文 *
基于混沌猫群算法的云计算多目标任务调度;黄伟建;《微电子学与计算机》;20191231;全文 *

Also Published As

Publication number Publication date
CN113722112A (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
CN110365753B (zh) 基于边缘计算的物联网服务低时延负载分配方法及装置
Alresheedi et al. Improved multiobjective salp swarm optimization for virtual machine placement in cloud computing
CN113722112B (zh) 一种服务资源负载均衡处理方法及系统
CN110688219B (zh) 基于反向混沌布谷鸟搜索的自适应权重负载均衡算法
CN112988345B (zh) 一种基于移动边缘计算的依赖型任务卸载方法及装置
CN113141317B (zh) 流媒体服务器负载均衡方法、系统、计算机设备、终端
CN109451012B (zh) 一种端云协同负载均衡调度方法、系统及存储介质
Djigal et al. Machine and deep learning for resource allocation in multi-access edge computing: A survey
CN112486690A (zh) 一种适用于工业物联网的边缘计算资源分配方法
CN111399933A (zh) 一种边缘-云混合计算环境下的dnn任务卸载方法及终端
CN111585811B (zh) 一种基于多智能体深度强化学习的虚拟光网络映射方法
CN113822456A (zh) 一种云雾混构环境下基于深度强化学习的服务组合优化部署方法
CN115480876A (zh) 基于蚁群算法优化的云计算任务调度方法及系统
CN112764936A (zh) 基于深度强化学习的边缘计算服务器信息处理方法及装置
CN113485826A (zh) 一种边缘服务器负载均衡方法、系统
Xu et al. Efficient graph-based dynamic load-balancing for parallel large-scale agent-based traffic simulation
CN114936708A (zh) 基于边云协同任务卸载的故障诊断优化方法及电子设备
CN112035234B (zh) 分布式批量作业分配方法及装置
Singhrova et al. Prioritized GA-PSO algorithm for efficient resource allocation in fog computing
CN115098240B (zh) 一种多处理器应用调度方法和系统及存储介质
CN113157344B (zh) 移动边缘计算环境下基于drl的能耗感知任务卸载方法
CN114816755A (zh) 调度方法及调度装置、处理核、电子设备、可读介质
CN110928683B (zh) 基于两类密集型虚拟机的边缘计算资源分配方法
Guo et al. Service composition optimization method based on parallel particle swarm algorithm on spark
CN117056089B (zh) 一种服务动态分配系统及方法

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