CN113742049B - 一种云虚拟化资源动态优化调整方法 - Google Patents

一种云虚拟化资源动态优化调整方法 Download PDF

Info

Publication number
CN113742049B
CN113742049B CN202111310026.2A CN202111310026A CN113742049B CN 113742049 B CN113742049 B CN 113742049B CN 202111310026 A CN202111310026 A CN 202111310026A CN 113742049 B CN113742049 B CN 113742049B
Authority
CN
China
Prior art keywords
task
whale
resource
cloud computing
computing platform
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
CN202111310026.2A
Other languages
English (en)
Other versions
CN113742049A (zh
Inventor
徐富山
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.)
Shandong Meixin Medical Technology Co ltd
Original Assignee
Shandong Meixin Medical 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 Shandong Meixin Medical Technology Co ltd filed Critical Shandong Meixin Medical Technology Co ltd
Priority to CN202111310026.2A priority Critical patent/CN113742049B/zh
Publication of CN113742049A publication Critical patent/CN113742049A/zh
Application granted granted Critical
Publication of CN113742049B publication Critical patent/CN113742049B/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
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • 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
    • G06F9/5038—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 execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
    • 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
    • G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/48—Indexing scheme relating to G06F9/48
    • G06F2209/484—Precedence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/5021—Priority

Landscapes

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

Abstract

本发明涉及云资源优化技术领域，公开了一种云虚拟化资源动态优化调整方法，包括：用户提交任务需求矩阵并设定任务优先级；云平台根据用户提交的任务确定资源优化目标函数；云平台利用鲸鱼优化算法对目标函数进行优化，得到任务的资源分配方案；云平台根据资源分配方案对用户提交的任务进行资源分配处理。本发明实现了对云资源分配的动态优化调整。

Description

一种云虚拟化资源动态优化调整方法
技术领域
本发明涉及云资源优化的技术领域，尤其涉及一种云虚拟化资源动态优化调整方法。
背景技术
随着云计算技术的不断推广，大量用户需要将自己的任务提交到云平台进行处理，云服务提供商就需要将用户提交的不同优先级的任务分配到不同的服务器进行处理。由于不同用户提交的任务对CPU、内存以及磁盘等资源的消耗不同，云平台在进行资源分配时不仅要考虑任务优先级，同时还要考虑不同任务的资源消耗情况，如何实现最优资源分配成为云平台提供商需要解决的重要问题。
该问题体现在三个方面：一是用户提交自己的需求，涉及到到达时间、执行时间、截止时间等多种资源需求和时间约束。二是用户提交的任务对资源的需要往往是动态变化的，即不同时刻对不同资源需求会发生变化。三是任务具有不同的优先级。
鉴于此，如何设计合理的资源分配算法，从而根据用户提交的测试任务进行动态资源分配，成为本领域技术人员亟待解决的问题。
发明内容
本发明提供一种云虚拟化资源动态优化调整方法，该方法实现了对云资源分配的动态优化调整。
为实现上述目的，本发明提供的一种云虚拟化资源动态优化调整方法，包括：
用户提交任务需求矩阵并设定任务优先级；
云平台根据用户提交的任务确定资源优化目标函数；
云平台利用鲸鱼优化算法对目标函数进行优化，得到任务的资源分配方案；
云平台根据资源分配方案对用户提交的任务进行资源分配处理。
可选地，还包括云计算平台提供任务资源，所述云计算平台提供任务资源，包括：
云计算平台提供m种任务资源，所述资源包括CPU内核、内存以及磁盘容量，资源的 总量为向量
Figure 100002_DEST_PATH_IMAGE001
，其中
Figure 100002_DEST_PATH_IMAGE002
表示云计算平台中任务资源i的资源总量；
并设定云计算平台的运行时间范围为
Figure 100002_DEST_PATH_IMAGE003
；将云计算平台中的用户集合表示为
Figure 100002_DEST_PATH_IMAGE004
；在本发明一个具体实施例中，用户向云计算平台申请注册用户并提交用 户个人资料，云计算平台管理人员对用户提交的个人资料进行验证，对验证通过的用户分 配用户账号和密码，并将用户信息储存在用户集合中。
可选地，所述用户提交任务需求矩阵，包括：
每个用户
Figure 100002_DEST_PATH_IMAGE005
提交任务需求
Figure 100002_DEST_PATH_IMAGE006
，其中
Figure 100002_DEST_PATH_IMAGE007
表示任务开始执行 的期望最早时刻，
Figure 100002_DEST_PATH_IMAGE008
，
Figure 100002_DEST_PATH_IMAGE009
表示任务执行的最后期限，
Figure 100002_DEST_PATH_IMAGE010
且
Figure 100002_DEST_PATH_IMAGE011
，
Figure 100002_DEST_PATH_IMAGE012
表 示任务执行时间，
Figure 100002_DEST_PATH_IMAGE013
表示任务开始执行的时间范围，
Figure 100002_DEST_PATH_IMAGE014
表示任务的优先级，
Figure 100002_DEST_PATH_IMAGE015
表示任务资源需求矩阵：
Figure 100002_DEST_PATH_IMAGE016
其中：
矩阵
Figure 153225DEST_PATH_IMAGE015
中的每一行
Figure 100002_DEST_PATH_IMAGE017
表示随时间变化
Figure 100002_DEST_PATH_IMAGE018
，对资源m的需求，其中
Figure 100002_DEST_PATH_IMAGE019
表示任务起始时刻，
Figure 100002_DEST_PATH_IMAGE020
表示任务终止时刻，
Figure 821098DEST_PATH_IMAGE012
表示任务执行时间；
矩阵
Figure 538518DEST_PATH_IMAGE015
中的每一列表示任务在当前时刻对不同种任务资源的需求；在本发明一 个具体实施例中，任务的优先级
Figure 874340DEST_PATH_IMAGE021
越高，用户任务在云计算平台任务序列中的优先级就越 高。
可选地，所述根据用户提交的任务确定资源优化目标函数，包括：
根据用户提交的用户需求，确定如下云计算平台资源优化目标函数：
Figure 100002_DEST_PATH_IMAGE022
Figure 100002_DEST_PATH_IMAGE023
其中：
Figure 100002_DEST_PATH_IMAGE024
表示用户i的任务需求是否分配在时刻t，
Figure 100002_DEST_PATH_IMAGE025
，当
Figure 100002_DEST_PATH_IMAGE026
表示用户i 的任务需求没有分配在时刻t，当
Figure 100002_DEST_PATH_IMAGE027
表示用户i的任务需求分配在时刻t，
Figure 100002_DEST_PATH_IMAGE028
；
Figure 100002_DEST_PATH_IMAGE029
表示云计算平台中任务资源j的资源总量，
Figure 100002_DEST_PATH_IMAGE030
；
Figure 100002_DEST_PATH_IMAGE031
表示用户i任务的优先级；
Figure 100002_DEST_PATH_IMAGE032
表示在
Figure 100002_DEST_PATH_IMAGE033
时刻，用户i的任务对任务资源j的需求量；
Figure 100002_DEST_PATH_IMAGE034
表示用户i的任务在时间范围
Figure 100002_DEST_PATH_IMAGE035
内最多分配一次 资源；
Figure 100002_DEST_PATH_IMAGE036
表示t时刻的资源分配不能超过任意类型资源 的总量。
可选地，所述利用鲸鱼优化算法对目标函数进行优化，得到任务的资源分配方案，包括：
1）初始化鲸鱼种群规模N，问题维数m，算法的最大迭代次数
Figure 100002_DEST_PATH_IMAGE037
，螺线形状参数 b；
2）随机生成初始鲸鱼种群G(0)，其中鲸鱼种群中的每只鲸鱼的位置
Figure 100002_DEST_PATH_IMAGE038
表示第i种 云计算平台资源分配方案，
Figure 100002_DEST_PATH_IMAGE039
，
Figure 100002_DEST_PATH_IMAGE040
表示第i种云计算平台资源 分配方案中分配资源j的数量，同时在时刻
Figure 100002_DEST_PATH_IMAGE041
内，每一个
Figure 289710DEST_PATH_IMAGE040
均有一个对应的时间变量
Figure 100002_DEST_PATH_IMAGE042
表示时间变量，
Figure 100002_DEST_PATH_IMAGE043
，当
Figure 100002_DEST_PATH_IMAGE044
示在t时刻不能分配资 源
Figure 925222DEST_PATH_IMAGE040
，当
Figure 100002_DEST_PATH_IMAGE045
表示在t时刻可以分配资源
Figure 864359DEST_PATH_IMAGE040
，
Figure 100002_DEST_PATH_IMAGE046
；
3）当算法的当前迭代次数
Figure 100002_DEST_PATH_IMAGE047
，计算鲸鱼位置的更新参数L：
Figure 100002_DEST_PATH_IMAGE048
其中：
Figure 100002_DEST_PATH_IMAGE049
表示
Figure 100002_DEST_PATH_IMAGE050
区间内服从均匀分布的随机数；
若
Figure 100002_DEST_PATH_IMAGE051
且
Figure 100002_DEST_PATH_IMAGE052
，则第i只鲸鱼的位置中
Figure 100002_DEST_PATH_IMAGE053
的更新公式为：
Figure 100002_DEST_PATH_IMAGE054
其中：
Figure 100002_DEST_PATH_IMAGE055
表示当前种群中的最优鲸鱼位置，所述最优鲸鱼位置即表示
Figure 100002_DEST_PATH_IMAGE056
最 大的鲸鱼位置
Figure 100002_DEST_PATH_IMAGE057
，其中
Figure 100002_DEST_PATH_IMAGE058
表示目标函数，即表示云计算平台分配资源后云计算平台 优先级总数最小的资源分配方案；
若
Figure 100002_DEST_PATH_IMAGE059
且
Figure 100002_DEST_PATH_IMAGE060
，则计算第i只鲸鱼的位置
Figure 100002_DEST_PATH_IMAGE061
与种群中其他个体
Figure 100002_DEST_PATH_IMAGE062
的 距离：
Figure 100002_DEST_PATH_IMAGE063
并计算第i只鲸鱼的搜索半径为：
Figure 100002_DEST_PATH_IMAGE064
则第i只鲸鱼的邻域为：
Figure 100002_DEST_PATH_IMAGE065
在鲸鱼的邻域内查找最优个体
Figure 100002_DEST_PATH_IMAGE066
，所述最优鲸鱼位置即表示
Figure 100002_DEST_PATH_IMAGE067
最 大的鲸鱼位置
Figure 938626DEST_PATH_IMAGE057
，其中
Figure 279608DEST_PATH_IMAGE058
表示目标函数，即表示云计算平台分配资源后云计算平台 优先级总数最小的资源分配方案；则第i只鲸鱼的位置
Figure 7393DEST_PATH_IMAGE061
的更新公式为：
Figure 100002_DEST_PATH_IMAGE068
若
Figure 100002_DEST_PATH_IMAGE069
，则第i只鲸鱼的位置
Figure 840351DEST_PATH_IMAGE061
的更新公式为：
Figure 100002_DEST_PATH_IMAGE070
其中：
b为初始化的螺线形状参数，其值为2；
4）重复上述步骤，直到算法的当前迭代次数达到最大迭代次数
Figure 983887DEST_PATH_IMAGE037
；计算鲸鱼 个体的适应度函数值
Figure 100002_DEST_PATH_IMAGE071
，选取适应度函数值最小的鲸鱼个体所对应的云计算平台资源 分配方案作为所选定的云计算平台资源分配方案。
可选地，所述根据资源分配方案对用户提交的任务进行资源分配处理，包括：
云计算平台根据资源分配方案
Figure 179377DEST_PATH_IMAGE039
以及资源分配方案 对应的时间变量
Figure 295973DEST_PATH_IMAGE042
，在本发明一个具体实施例中，每一个
Figure 272019DEST_PATH_IMAGE040
均有 一个对应的时间变量
Figure DEST_PATH_IMAGE072
，
Figure 953668DEST_PATH_IMAGE043
，当
Figure 269242DEST_PATH_IMAGE044
示在t时刻不能分配资源
Figure 542092DEST_PATH_IMAGE040
，当
Figure 5434DEST_PATH_IMAGE045
表 示在t时刻可以分配资源
Figure 756353DEST_PATH_IMAGE040
，对用户提交的任务分配进行资源分配处理，其中
Figure 988751DEST_PATH_IMAGE040
表示云 计算平台向用户提交的任务分配资源j的资源数量。
相对于现有技术，本发明提出一种云虚拟化资源动态优化调整方法，该技术具有以下优势：
本专利提出了一种云虚拟化资源动态调整方案，该方案相对于现有方案能够考虑 用户在不同时刻对虚拟化资源的不同需求，能够更加精准高效地实现云虚拟化资源的调整 分配；首先每个用户
Figure 432502DEST_PATH_IMAGE005
提交任务需求
Figure 114631DEST_PATH_IMAGE006
，其中
Figure 669240DEST_PATH_IMAGE007
表示任务开始执行 的期望最早时刻，
Figure 756145DEST_PATH_IMAGE008
，
Figure 370797DEST_PATH_IMAGE009
表示任务执行的最后期限，
Figure 543153DEST_PATH_IMAGE010
且
Figure 635874DEST_PATH_IMAGE011
，
Figure 842864DEST_PATH_IMAGE012
表 示任务执行时间，
Figure 628417DEST_PATH_IMAGE013
表示任务开始执行的时间范围，
Figure 288069DEST_PATH_IMAGE014
表示任务的优先级，
Figure 450060DEST_PATH_IMAGE015
表示任务资源需求矩阵：
Figure 186590DEST_PATH_IMAGE016
其中：
矩阵
Figure 205362DEST_PATH_IMAGE015
中的每一行
Figure 289993DEST_PATH_IMAGE017
表示随时间变化
Figure 52412DEST_PATH_IMAGE018
，对资源m的需求，其中
Figure 906099DEST_PATH_IMAGE019
表示任务起始时刻，
Figure 830192DEST_PATH_IMAGE020
表示任务终止时刻，
Figure 402119DEST_PATH_IMAGE012
表示任务执行时间，矩阵
Figure 702651DEST_PATH_IMAGE015
中的每一列 表示任务在当前时刻对不同种任务资源的需求。根据用户提交的用户需求，确定如下云计 算平台资源优化目标函数：
Figure 676423DEST_PATH_IMAGE022
Figure 771418DEST_PATH_IMAGE023
其中：
Figure 830641DEST_PATH_IMAGE024
表示用户i的任务需求是否分配在时刻t，
Figure 135195DEST_PATH_IMAGE025
，当
Figure 760212DEST_PATH_IMAGE026
表示用户i 的任务需求没有分配在时刻t，当
Figure 229370DEST_PATH_IMAGE027
表示用户i的任务需求分配在时刻t，
Figure 307048DEST_PATH_IMAGE028
；
Figure 214961DEST_PATH_IMAGE029
表示云计算平台中任务资源j的资源总量，
Figure 897746DEST_PATH_IMAGE030
；
Figure 600123DEST_PATH_IMAGE031
表示用户i任务的优先级；
Figure 368359DEST_PATH_IMAGE032
表示在
Figure 814384DEST_PATH_IMAGE033
时刻，用户i的任务对任务资源j的需求量；
Figure 351675DEST_PATH_IMAGE034
表示用户i 的任务在时间范围
Figure 224954DEST_PATH_IMAGE035
内最多分配一次资源；
Figure 737276DEST_PATH_IMAGE036
表示t时刻的资源分配不能超过任意类型资源的总量。云 计算平台资源优化目标函数的意义即表示在不超过云计算平台资源总量的情况下，为用户 发起的任务分配不同类型、不同数量的资源，使得云计算平台中各任务按序进行，避免错误 地将部分任务安排在低优先级，云计算平台总体优先级最小，相较于传统技术，方案考虑了 不同任务的优先级差异，能够根据用户需求动态综合处理不同优先级任务。
同时，云计算平台利用鲸鱼优化算法对资源优化目标函数进行优化计算，所述鲸 鱼优化算法流程为：初始化鲸鱼种群规模N，问题维数m，算法的最大迭代次数
Figure 659095DEST_PATH_IMAGE037
，螺线 形状参数b；随机生成初始鲸鱼种群G(0)，其中鲸鱼种群中的每只鲸鱼的位置
Figure 378790DEST_PATH_IMAGE038
表示第i种 云计算平台资源分配方案，
Figure 626231DEST_PATH_IMAGE039
，
Figure 369059DEST_PATH_IMAGE040
表示第i种云计算平台资源 分配方案中分配资源j的数量，同时在时刻
Figure 156887DEST_PATH_IMAGE041
内，每一个
Figure 668771DEST_PATH_IMAGE040
均有一个对应的时间变量
Figure 883851DEST_PATH_IMAGE042
表示时间变量，
Figure 848396DEST_PATH_IMAGE043
，当
Figure 439915DEST_PATH_IMAGE044
示在t时刻不能分配资 源
Figure 803375DEST_PATH_IMAGE040
，当
Figure 189357DEST_PATH_IMAGE045
表示在t时刻可以分配资源
Figure 906778DEST_PATH_IMAGE040
，
Figure 36408DEST_PATH_IMAGE046
；当算法的当前迭代次数
Figure 257305DEST_PATH_IMAGE047
，计算鲸鱼位置的更新参数L：
Figure 283029DEST_PATH_IMAGE048
其中：
Figure 284483DEST_PATH_IMAGE049
表示
Figure 155488DEST_PATH_IMAGE050
区间内服从均匀分布的随机数；若
Figure 293208DEST_PATH_IMAGE051
且
Figure 224255DEST_PATH_IMAGE052
，则 第i只鲸鱼的位置中
Figure DEST_PATH_IMAGE073
的更新公式为：
Figure 653618DEST_PATH_IMAGE054
其中：
Figure 62733DEST_PATH_IMAGE055
表示当前种群中的最优鲸鱼位置，所述最优鲸鱼位置即表示
Figure 54960DEST_PATH_IMAGE056
最大的鲸鱼位置
Figure 422488DEST_PATH_IMAGE057
，其中
Figure 132955DEST_PATH_IMAGE058
表示目标函数，即表示云计算平台分配资源后 云计算平台优先级总数最小的资源分配方案；若
Figure 345761DEST_PATH_IMAGE059
且
Figure 723653DEST_PATH_IMAGE060
，则计算第i只鲸鱼的位置
Figure 730923DEST_PATH_IMAGE061
与种群中其他个体
Figure 194266DEST_PATH_IMAGE062
的距离：
Figure DEST_PATH_IMAGE074
并计算第i只鲸鱼的搜索半径为：
Figure DEST_PATH_IMAGE075
则第i只鲸鱼的邻域为：
Figure 614358DEST_PATH_IMAGE076
在鲸鱼的邻域内查找最优个体
Figure 784440DEST_PATH_IMAGE066
，所述最优鲸鱼位置即表示
Figure 24928DEST_PATH_IMAGE067
最 大的鲸鱼位置
Figure 913250DEST_PATH_IMAGE057
，其中
Figure 733438DEST_PATH_IMAGE058
表示目标函数，即表示云计算平台分配资源后云计算平台 优先级总数最小的资源分配方案；则第i只鲸鱼的位置
Figure 820343DEST_PATH_IMAGE061
的更新公式为：
Figure 434995DEST_PATH_IMAGE077
若
Figure 607350DEST_PATH_IMAGE078
，则第i只鲸鱼的位置
Figure 980299DEST_PATH_IMAGE061
的更新公式为：
Figure 124972DEST_PATH_IMAGE070
其中：
b为初始化的螺线形状参数，其值为2；传统的鲸鱼优化算法在鲸鱼位置更新过程 中采用随机策略学习，具有较强的盲目性，本发明通过引入包围鲸鱼的合理邻域，让其在邻 域内向最优个体学习，可以提高探索阶段解的质量，通过重复上述步骤，直到算法的当前迭 代次数达到最大迭代次数
Figure 707263DEST_PATH_IMAGE037
；计算鲸鱼个体的适应度函数值
Figure 304598DEST_PATH_IMAGE071
，选取适应度函数值 最小的鲸鱼个体所对应的云计算平台资源分配方案作为所选定的云计算平台资源分配方 案，相较于传统技术，本方案采用鲸鱼算法对虚拟化资源分配方案进行求解，鲸鱼算法作为 一种启发式算法，能够对目标函数进行优化求解，该方案相对于凸优化算法能够避免局部 最优解，求解效率高，从而得到资源分配更优的虚拟化资源分配方案。
附图说明
图1为本发明一实施例提供的一种云虚拟化资源动态优化调整方法的流程示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
用户提交任务需求矩阵并设定任务优先级，云平台根据用户提交的任务确定资源优化目标函数，云平台利用鲸鱼优化算法对目标函数进行优化，得到任务的资源分配方案，云平台根据资源分配方案对用户提交的任务进行资源分配处理。参照图1所示，为本发明一实施例提供的云虚拟化资源动态优化调整方法示意图。
在本实施例中，云虚拟化资源动态优化调整方法包括：
S1、用户向云计算平台提交任务需求矩阵并设定任务优先级。
首先，云计算平台提供m种任务资源
Figure 263327DEST_PATH_IMAGE079
，所述资源包括CPU内核、内 存以及磁盘容量，资源的总量为向量
Figure 528086DEST_PATH_IMAGE001
，其中
Figure 750120DEST_PATH_IMAGE002
表示云计算平台中任务 资源i的资源总量；同时云计算平台设定云计算平台的运行时间范围为
Figure DEST_PATH_IMAGE080
；将云计算平 台中的用户集合表示为
Figure 569171DEST_PATH_IMAGE004
，在本发明一个具体实施例中，用户向云计算平台 申请注册用户并提交用户个人资料，云计算平台管理人员对用户提交的个人资料进行验 证，对验证通过的用户分配用户账号和密码，并将用户信息储存在用户集合中；
每个用户
Figure 269274DEST_PATH_IMAGE005
提交任务需求
Figure 120031DEST_PATH_IMAGE006
，其中
Figure 309704DEST_PATH_IMAGE007
表示任务开始执行 的期望最早时刻，
Figure 881630DEST_PATH_IMAGE008
，
Figure 385424DEST_PATH_IMAGE009
表示任务执行的最后期限，
Figure 155934DEST_PATH_IMAGE010
且
Figure 454191DEST_PATH_IMAGE011
，
Figure 575731DEST_PATH_IMAGE012
表 示任务执行时间，
Figure 617636DEST_PATH_IMAGE013
表示任务开始执行的时间范围，
Figure 445915DEST_PATH_IMAGE014
表示任务的优先级，
Figure 977391DEST_PATH_IMAGE015
表示任务资源需求矩阵：
Figure 261260DEST_PATH_IMAGE016
其中：
矩阵
Figure 169173DEST_PATH_IMAGE015
中的每一行
Figure 851958DEST_PATH_IMAGE017
表示随时间变化
Figure 757598DEST_PATH_IMAGE018
，对资源m的需求，其中
Figure 588150DEST_PATH_IMAGE019
表示任务起始时刻，
Figure 706279DEST_PATH_IMAGE020
表示任务终止时刻，
Figure 571467DEST_PATH_IMAGE012
表示任务执行时间；
矩阵
Figure 382428DEST_PATH_IMAGE015
中的每一列表示任务在当前时刻对不同种任务资源的需求。
在本发明一个具体实施例中，任务的优先级越高，用户任务在云计算平台任务序列中的优先级就越高。
S2、云计算平台根据用户提交的任务确定资源优化目标函数。
进一步地，云计算平台根据用户提交的用户需求，确定如下云计算平台资源优化目标函数：
Figure 903539DEST_PATH_IMAGE022
Figure 887676DEST_PATH_IMAGE023
其中：
Figure 542123DEST_PATH_IMAGE024
表示用户i的任务需求是否分配在时刻t，
Figure 586303DEST_PATH_IMAGE025
，当
Figure 594710DEST_PATH_IMAGE026
表示用户i 的任务需求没有分配在时刻t，当
Figure 320221DEST_PATH_IMAGE027
表示用户i的任务需求分配在时刻t，
Figure 894422DEST_PATH_IMAGE028
；
Figure 47185DEST_PATH_IMAGE029
表示云计算平台中任务资源j的资源总量，
Figure 74047DEST_PATH_IMAGE030
；
Figure 603249DEST_PATH_IMAGE031
表示用户i任务的优先级；
Figure 31956DEST_PATH_IMAGE032
表示在
Figure 355621DEST_PATH_IMAGE033
时刻，用户i的任务对任务资源j的需求量；
Figure 126569DEST_PATH_IMAGE034
表示用户i的任务在时间范围
Figure 459461DEST_PATH_IMAGE035
内最多分配一次 资源；
Figure 477096DEST_PATH_IMAGE036
表示t时刻的资源分配不能超过任意类型资源 的总量。
S3、利用鲸鱼优化算法对目标函数进行优化，得到任务的资源分配方案。
进一步地，云计算平台利用鲸鱼优化算法对资源优化目标函数进行优化计算，所述鲸鱼优化算法流程为：
1）初始化鲸鱼种群规模N，问题维数m，算法的最大迭代次数
Figure 237242DEST_PATH_IMAGE037
，螺线形状参数 b；
2）随机生成初始鲸鱼种群G(0)，其中鲸鱼种群中的每只鲸鱼的位置
Figure 238696DEST_PATH_IMAGE038
表示第i种 云计算平台资源分配方案，
Figure 844121DEST_PATH_IMAGE039
，
Figure 450682DEST_PATH_IMAGE040
表示第i种云计算平台资源 分配方案中分配资源j的数量，同时在时刻
Figure 444046DEST_PATH_IMAGE041
内，每一个
Figure 604900DEST_PATH_IMAGE040
均有一个对应的时间变量
Figure 341912DEST_PATH_IMAGE042
表示时间变量，
Figure 800051DEST_PATH_IMAGE043
，当
Figure 636420DEST_PATH_IMAGE044
示在t时刻不能分配资 源
Figure 612466DEST_PATH_IMAGE040
，当
Figure 825273DEST_PATH_IMAGE045
表示在t时刻可以分配资源
Figure 937585DEST_PATH_IMAGE040
，
Figure 210435DEST_PATH_IMAGE046
；
3）当算法的当前迭代次数
Figure 408198DEST_PATH_IMAGE047
，计算鲸鱼位置的更新参数L：
Figure 690274DEST_PATH_IMAGE048
其中：
Figure 125935DEST_PATH_IMAGE049
表示
Figure 304107DEST_PATH_IMAGE050
区间内服从均匀分布的随机数；
若
Figure 257675DEST_PATH_IMAGE051
且
Figure 812284DEST_PATH_IMAGE052
，则第i只鲸鱼的位置中
Figure 899189DEST_PATH_IMAGE081
的更新公式为：
Figure 248262DEST_PATH_IMAGE054
其中：
Figure 420617DEST_PATH_IMAGE055
表示当前种群中的最优鲸鱼位置，所述最优鲸鱼位置即表示
Figure 44496DEST_PATH_IMAGE056
最 大的鲸鱼位置
Figure 720328DEST_PATH_IMAGE057
，其中
Figure 771461DEST_PATH_IMAGE058
表示目标函数，即表示云计算平台分配资源后云计算平台 优先级总数最小的资源分配方案；
若
Figure 368795DEST_PATH_IMAGE059
且
Figure 61945DEST_PATH_IMAGE060
，则计算第i只鲸鱼的位置
Figure 123442DEST_PATH_IMAGE061
与种群中其他个体
Figure 342546DEST_PATH_IMAGE062
的 距离：
Figure DEST_PATH_IMAGE082
并计算第i只鲸鱼的搜索半径为：
Figure 896018DEST_PATH_IMAGE083
则第i只鲸鱼的邻域为：
Figure DEST_PATH_IMAGE084
在鲸鱼的邻域内查找最优个体
Figure 330542DEST_PATH_IMAGE066
，所述最优鲸鱼位置即表示
Figure 184228DEST_PATH_IMAGE067
最 大的鲸鱼位置
Figure 373901DEST_PATH_IMAGE057
，其中
Figure 945828DEST_PATH_IMAGE058
表示目标函数，即表示云计算平台分配资源后云计算平台 优先级总数最小的资源分配方案；则第i只鲸鱼的位置
Figure 449622DEST_PATH_IMAGE061
的更新公式为：
Figure 220132DEST_PATH_IMAGE085
若
Figure DEST_PATH_IMAGE086
，则第i只鲸鱼的位置
Figure 267458DEST_PATH_IMAGE061
的更新公式为：
Figure 61102DEST_PATH_IMAGE070
其中：
b为初始化的螺线形状参数，其值为2；
4）重复上述步骤，直到算法的当前迭代次数达到最大迭代次数
Figure 368586DEST_PATH_IMAGE037
；计算鲸鱼 个体的适应度函数值
Figure 259182DEST_PATH_IMAGE071
，选取适应度函数值最小的鲸鱼个体所对应的云计算平台资源 分配方案作为所选定的云计算平台资源分配方案。
S4、云计算平台根据资源分配方案对用户提交的任务进行资源分配处理。
进一步地，云计算平台根据资源分配方案
Figure 993920DEST_PATH_IMAGE039
以及资源 分配方案对应的时间变量
Figure 274859DEST_PATH_IMAGE042
，在本发明一个具体实施例中，每一 个
Figure 120456DEST_PATH_IMAGE040
均有一个对应的时间变量
Figure 865558DEST_PATH_IMAGE072
，
Figure 502688DEST_PATH_IMAGE043
，当
Figure 333241DEST_PATH_IMAGE044
示在t时刻不能分配资源
Figure 716949DEST_PATH_IMAGE040
， 当
Figure 582137DEST_PATH_IMAGE045
表示在t时刻可以分配资源
Figure 658677DEST_PATH_IMAGE040
，对用户提交的任务分配进行资源分配处理，其中
Figure 648630DEST_PATH_IMAGE040
表示云计算平台向用户提交的任务分配资源j的资源数量。
下面通过一个算法实验来说明本发明的具体实施方式，并对发明的处理方法进行测试。本发明算法的硬件测试环境为：Inter(R) Core(TM) i7-6700K CPU，软件为Matlab2018b；对比方法为基于蚁群优化算法的云虚拟化资源动态优化调整方法以及基于遗传算法的云虚拟化资源动态优化调整方法。
在本发明所述算法实验中，数据集为10000条云计算平台用户任务。本实验通过将用户任务指令输入到算法模型中，将云计算任务执行的有效性作为算法可行性的评价指标，其中云计算任务执行的有效性越高，则说明算法的有效性、可行性越高。
根据实验结果，基于蚁群优化算法的云虚拟化资源动态优化调整方法的任务执行有效性为82.11，基于遗传算法的云虚拟化资源动态优化调整方法的任务执行有效性为86.32，本发明所述方法的任务执行有效性为90.99，相较于对比算法，本发明所提出的云虚拟化资源动态优化调整方法能够实现更有效的云计算平台任务执行策略。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (3)

1.一种云虚拟化资源动态优化调整方法，其特征在于，所述方法包括：
用户提交任务需求矩阵并设定任务优先级；
云平台根据用户提交的任务确定资源优化目标函数；
云平台利用鲸鱼优化算法对目标函数进行优化，得到任务的资源分配方案；
云平台根据资源分配方案对用户提交的任务进行资源分配处理；
还包括云计算平台提供任务资源，所述云计算平台提供任务资源，包括：
云计算平台提供m种任务资源
Figure DEST_PATH_IMAGE001
，所述资源包括CPU内核、内存以及磁盘容量，资源的总量为向量
Figure DEST_PATH_IMAGE002
，其中
Figure DEST_PATH_IMAGE003
表示云计算平台中任务资源i的资源总量；
并设定云计算平台的运行时间范围为
Figure DEST_PATH_IMAGE004
；将云计算平台中的用户集合表示为
Figure DEST_PATH_IMAGE005
；
所述用户提交任务需求矩阵，包括：
每个用户
Figure DEST_PATH_IMAGE006
提交任务需求
Figure DEST_PATH_IMAGE007
，其中
Figure DEST_PATH_IMAGE008
表示任务开始执行的期望最早时刻，
Figure DEST_PATH_IMAGE009
，
Figure DEST_PATH_IMAGE010
表示任务执行的最后期限，
Figure DEST_PATH_IMAGE011
且
Figure DEST_PATH_IMAGE012
，
Figure DEST_PATH_IMAGE013
表示任务执行时间，
Figure DEST_PATH_IMAGE014
表示任务开始执行的时间范围，
Figure DEST_PATH_IMAGE015
表示任务的优先级，
Figure DEST_PATH_IMAGE016
表示任务资源需求矩阵：
Figure DEST_PATH_IMAGE017
其中：
矩阵
Figure 418011DEST_PATH_IMAGE016
中的每一行
Figure DEST_PATH_IMAGE018
表示随时间变化
Figure DEST_PATH_IMAGE019
，对资源m的需求，其中
Figure DEST_PATH_IMAGE020
表示任务起始时刻，
Figure DEST_PATH_IMAGE021
表示任务终止时刻，
Figure 928627DEST_PATH_IMAGE013
表示任务执行时间；
矩阵
Figure 708364DEST_PATH_IMAGE016
中的每一列表示任务在当前时刻对不同种任务资源的需求；
所述根据用户提交的任务确定资源优化目标函数，包括：
根据用户提交的用户需求，确定如下云计算平台资源优化目标函数：
Figure DEST_PATH_IMAGE022
Figure DEST_PATH_IMAGE023
其中：
Figure DEST_PATH_IMAGE024
表示用户i的任务需求是否分配在时刻t，
Figure DEST_PATH_IMAGE025
，当
Figure DEST_PATH_IMAGE026
表示用户i的任务需求没有分配在时刻t，当
Figure DEST_PATH_IMAGE027
表示用户i的任务需求分配在时刻t，
Figure DEST_PATH_IMAGE028
；
Figure DEST_PATH_IMAGE029
表示云计算平台中任务资源j的资源总量，
Figure DEST_PATH_IMAGE030
；
Figure DEST_PATH_IMAGE031
表示用户i任务的优先级；
Figure DEST_PATH_IMAGE032
表示在
Figure DEST_PATH_IMAGE033
时刻，用户i的任务对任务资源j的需求量；
Figure DEST_PATH_IMAGE034
表示用户i的任务在时间范围
Figure DEST_PATH_IMAGE035
内最多分配一次资源；
Figure DEST_PATH_IMAGE036
表示t时刻的资源分配不能超过任意类型资源的总量。
2.如权利要求1所述的一种云虚拟化资源动态优化调整方法，其特征在于，所述利用鲸鱼优化算法对目标函数进行优化，得到任务的资源分配方案，包括：
1）初始化鲸鱼种群规模N，问题维数m，算法的最大迭代次数
Figure DEST_PATH_IMAGE037
，螺线形状参数b；
2）随机生成初始鲸鱼种群G(0)，其中鲸鱼种群中的每只鲸鱼的位置
Figure DEST_PATH_IMAGE038
表示第i种云计算平台资源分配方案，
Figure DEST_PATH_IMAGE039
，
Figure DEST_PATH_IMAGE040
表示第i种云计算平台资源分配方案中分配资源j的数量，同时在时刻
Figure DEST_PATH_IMAGE041
内，每一个
Figure 260830DEST_PATH_IMAGE040
均有一个对应的时间变量
Figure DEST_PATH_IMAGE042
表示时间变量，
Figure DEST_PATH_IMAGE043
，当
Figure DEST_PATH_IMAGE044
示在t时刻不能分配资源
Figure 668678DEST_PATH_IMAGE040
，当
Figure DEST_PATH_IMAGE045
表示在t时刻可以分配资源
Figure 491140DEST_PATH_IMAGE040
，
Figure DEST_PATH_IMAGE046
；
3）当算法的当前迭代次数
Figure DEST_PATH_IMAGE047
，计算鲸鱼位置的更新参数L：
Figure DEST_PATH_IMAGE048
其中：
Figure DEST_PATH_IMAGE049
表示
Figure DEST_PATH_IMAGE050
区间内服从均匀分布的随机数；
若
Figure DEST_PATH_IMAGE051
且
Figure DEST_PATH_IMAGE052
，则第i只鲸鱼的位置中
Figure DEST_PATH_IMAGE053
的更新公式为：
Figure DEST_PATH_IMAGE054
其中：
Figure DEST_PATH_IMAGE055
表示当前种群中的最优鲸鱼位置，所述最优鲸鱼位置即表示
Figure DEST_PATH_IMAGE056
最大的鲸鱼位置
Figure DEST_PATH_IMAGE057
，其中
Figure DEST_PATH_IMAGE058
表示目标函数，即表示云计算平台分配资源后云计算平台优先级总数最小的资源分配方案；
若
Figure DEST_PATH_IMAGE059
且
Figure DEST_PATH_IMAGE060
，则计算第i只鲸鱼的位置
Figure DEST_PATH_IMAGE061
与种群中其他个体
Figure DEST_PATH_IMAGE062
的距离：
Figure DEST_PATH_IMAGE063
并计算第i只鲸鱼的搜索半径为：
Figure DEST_PATH_IMAGE064
则第i只鲸鱼的邻域为：
Figure DEST_PATH_IMAGE065
在鲸鱼的邻域内查找最优个体
Figure DEST_PATH_IMAGE066
，所述最优鲸鱼位置即表示
Figure DEST_PATH_IMAGE067
最大的鲸鱼位置
Figure 912501DEST_PATH_IMAGE057
，其中
Figure 704876DEST_PATH_IMAGE058
表示目标函数，即表示云计算平台分配资源后云计算平台优先级总数最小的资源分配方案；则第i只鲸鱼的位置
Figure 373755DEST_PATH_IMAGE061
的更新公式为：
Figure DEST_PATH_IMAGE068
若
Figure DEST_PATH_IMAGE069
，则第i只鲸鱼的位置
Figure 835961DEST_PATH_IMAGE061
的更新公式为：
Figure DEST_PATH_IMAGE070
其中：
b为初始化的螺线形状参数，其值为2；
4）重复上述步骤，直到算法的当前迭代次数达到最大迭代次数
Figure 590290DEST_PATH_IMAGE037
；计算鲸鱼个体的适应度函数值
Figure DEST_PATH_IMAGE071
，选取适应度函数值最小的鲸鱼个体所对应的云计算平台资源分配方案作为所选定的云计算平台资源分配方案。
3.如权利要求2所述的一种云虚拟化资源动态优化调整方法，其特征在于，所述根据资源分配方案对用户提交的任务进行资源分配处理，包括：
云计算平台根据资源分配方案
Figure 920777DEST_PATH_IMAGE039
以及资源分配方案对应的时间变量
Figure 444162DEST_PATH_IMAGE042
，对用户提交的任务分配进行资源分配处理，其中
Figure 342848DEST_PATH_IMAGE040
表示云计算平台向用户提交的任务分配资源j的资源数量。
CN202111310026.2A 2021-11-08 2021-11-08 一种云虚拟化资源动态优化调整方法 Active CN113742049B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111310026.2A CN113742049B (zh) 2021-11-08 2021-11-08 一种云虚拟化资源动态优化调整方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111310026.2A CN113742049B (zh) 2021-11-08 2021-11-08 一种云虚拟化资源动态优化调整方法

Publications (2)

Publication Number Publication Date
CN113742049A CN113742049A (zh) 2021-12-03
CN113742049B true CN113742049B (zh) 2022-03-01

Family

ID=78727564

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111310026.2A Active CN113742049B (zh) 2021-11-08 2021-11-08 一种云虚拟化资源动态优化调整方法

Country Status (1)

Country Link
CN (1) CN113742049B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115665154B (zh) * 2022-09-27 2024-06-11 武汉轻工大学 云任务分配方法及设备
CN117370032B (zh) * 2023-12-07 2024-03-01 聊城金恒智慧城市运营有限公司 一种云计算服务器资源优化分配方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107967179A (zh) * 2017-12-12 2018-04-27 山东省计算中心（国家超级计算济南中心） 一种支持突发应急的云计算资源分配方法
CN112286152A (zh) * 2020-10-28 2021-01-29 山东师范大学 具有批量交付约束的分布式流水车间调度方法及系统

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060232579A1 (en) * 2005-04-14 2006-10-19 Himax Technologies, Inc. WOA panel architecture
TWI346465B (en) * 2007-09-04 2011-08-01 Univ Nat Central Configurable common filterbank processor applicable for various audio video standards and processing method thereof
US8847986B2 (en) * 2012-01-27 2014-09-30 Think-Cell Software Gmbh Method of solving page layout constraints
US9092751B2 (en) * 2013-07-01 2015-07-28 International Business Machines Corporation Process networking and resource optimization
CN108880663B (zh) * 2018-07-20 2020-09-22 大连大学 基于改进遗传算法的天地一体化网络资源分配方法
CN109902873A (zh) * 2019-02-28 2019-06-18 长安大学 一种基于改进型鲸鱼算法的云制造资源配置的方法
CN111124689B (zh) * 2019-12-31 2023-03-28 中国电子科技集团公司信息科学研究院 一种集群中容器资源动态分配方法
CN112783621A (zh) * 2021-01-06 2021-05-11 中国石油大学(华东) 一种基于鲸鱼算法的云资源动态调度方法
CN113050422B (zh) * 2021-03-09 2022-02-22 东北大学 基于maximin函数多目标优化算法的多机器人调度方法
CN113207136B (zh) * 2021-04-02 2022-11-18 北京科技大学 一种联合优化计算卸载和资源分配的方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107967179A (zh) * 2017-12-12 2018-04-27 山东省计算中心（国家超级计算济南中心） 一种支持突发应急的云计算资源分配方法
CN112286152A (zh) * 2020-10-28 2021-01-29 山东师范大学 具有批量交付约束的分布式流水车间调度方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于Cloudsim平台上的启发式融合资源动态调度算法;张慧中;《市场周刊》;20180715(第07期);全文 *

Also Published As

Publication number Publication date
CN113742049A (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
CN113742049B (zh) 一种云虚拟化资源动态优化调整方法
Zade et al. SAEA: A security-aware and energy-aware task scheduling strategy by Parallel Squirrel Search Algorithm in cloud environment
CN110399222B (zh) Gpu集群深度学习任务并行化方法、装置及电子设备
Jyoti et al. Dynamic provisioning of resources based on load balancing and service broker policy in cloud computing
CN113326126B (zh) 任务处理方法、任务调度方法、装置及计算机设备
Jatoth et al. Optimal fitness aware cloud service composition using an adaptive genotypes evolution based genetic algorithm
CN112764936B (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
Alworafi et al. An enhanced task scheduling in cloud computing based on hybrid approach
KR20180077218A (ko) 계산 그래프들 프로세싱
CN110712206A (zh) 智能机器人的多任务分配方法、装置、设备及存储介质
CN109976901B (zh) 一种资源调度方法、装置、服务器及可读存储介质
Muthusamy et al. Cluster-based task scheduling using K-means clustering for load balancing in cloud datacenters
EP3191948A1 (en) Computing instance launch time
Liu et al. CORP: Cooperative opportunistic resource provisioning for short-lived jobs in cloud systems
CN114461386A (zh) 任务分配方法及任务分配装置
Ababneh A hybrid approach based on grey wolf and whale optimization algorithms for solving cloud task scheduling problem
Pradeep et al. CWOA: hybrid approach for task scheduling in cloud environment
CN109582461B (zh) 一种针对Linux容器的资源部署方法及系统
Amer et al. An efficient multi-objective scheduling algorithm based on spider monkey and ant colony optimization in cloud computing
Singh et al. A novel approach for implementation of software requirement specifications using the humpback whale optimization model
CN117349023A (zh) 应用部署方法、设备及存储介质
CN110287008B (zh) 一种测试任务调度方法、装置及电子设备
CN116880968A (zh) 一种作业调度方法及调度系统
CN115460087B (zh) 云计算环境中业务流程部署的方法及装置
CN114168311A (zh) 计算装置和处理器实现的方法

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