CN116339932A - 资源调度方法、装置和服务器 - Google Patents
资源调度方法、装置和服务器 Download PDFInfo
- Publication number
- CN116339932A CN116339932A CN202111542765.4A CN202111542765A CN116339932A CN 116339932 A CN116339932 A CN 116339932A CN 202111542765 A CN202111542765 A CN 202111542765A CN 116339932 A CN116339932 A CN 116339932A
- Authority
- CN
- China
- Prior art keywords
- cloud game
- resource
- target task
- population
- cloud
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000012545 processing Methods 0.000 claims abstract description 121
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 114
- 230000002068 genetic effect Effects 0.000 claims abstract description 36
- 239000002245 particle Substances 0.000 claims abstract description 30
- 238000010276 construction Methods 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 93
- 210000000349 chromosome Anatomy 0.000 claims description 41
- 230000008569 process Effects 0.000 claims description 33
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 description 22
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000002759 chromosomal effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
Abstract
本说明书提供了资源调度方法、装置和服务器。基于该方法,针对云游戏服务场景,云游戏中心的服务器在处理所接收到的大量用户发起的多个云游戏处理请求时,先获取云游戏资源数据;再根据预设的构建规则,利用上述云游戏资源数据和多个云游戏处理请求,构建得到至少包含有完成时间满意度函数项、网络带宽满意度函数项、处理费用满意度函数项的基于服务质量约束的目标任务调度模型;再根据至少融合了粒子群算法的改进后的遗传算法,求解该目标任务调度模型,以得到符合要求的资源调度策略;进而可以根据该资源调度策略,合理、有效地调度使用有限的云游戏资源来高效地处理上述云游戏处理请求,以满足用户期望,使用户获得较好的云游戏服务体验。
Description
技术领域
本说明书属于云服务技术领域,尤其涉及资源调度方法、装置和服务器。
背景技术
在云游戏服务场景中,云游戏中心的服务器每时每刻都需要处理大量用户所发起的数量庞大的云游戏处理请求来为用户提高响应的云游戏服务。而云游戏中心所持有的云游戏资源(例如,服务器、CPU、存储器、网络带宽等)往往相对有限。基于现有的资源调度方法,通常很难合理、有效地利用上述有限的云游戏资源来高效地为用户提供相应的云游戏服务,进而影响用户的云游戏服务体验。
针对上述问题,目前尚未提出有效的解决方案。
发明内容
本说明书提供了一种资源调度方法、装置和服务器,能够合理、有效地调度使用有限的云游戏资源来高效地处理大量用户所发起的云游戏处理请求,从而可以满足用户的期望和需求,为用户提供较好的云游戏服务体验。
本说明书实施例提供了一种资源调度方法,应用于云游戏中心的服务器,包括:
获取云游戏资源数据和多个云游戏处理请求;
根据预设的构建规则,利用所述云游戏资源数据和多个云游戏处理请求,构建基于服务质量约束的目标任务调度模型;其中,所述目标任务调度模型至少包含有完成时间满意度函数项、网络带宽满意度函数项、处理费用满意度函数项;
根据预设的算法规则,求解所述目标任务调度模型,以得到符合要求的资源调度策略;其中,所述预设的算法规则至少包括融合了粒子群算法的改进后的遗传算法;
根据所述资源调度策略,调度云游戏资源来处理所述多个云游戏处理请求。
在一些实施例中,在获取云游戏资源数据和多个云游戏处理请求之后,所述方法还包括:
调用目标神经网络模型处理所述云游戏资源数据和多个云游戏处理请求,得到优化种群;其中,所述目标神经网络模型包括基于Elman神经网络训练得到的模型。
在一些实施例中,根据预设的算法规则,求解所述目标任务调度模型,以得到符合要求的资源调度策略,包括:
以所述优化种群作为初始种群,根据预设的算法规则,求解所述目标任务调度模型,以得到符合要求的资源调度策略。
在一些实施例中,根据预设的算法规则,求解所述目标任务调度模型,包括:
根据所述云游戏资源数据和多个云游戏处理请求,进行第一编码,以随机生成第一染色体数据串;
对所述第一染色体进行第二编码,以得到对应的第二染色体数据串;其中,所述第二染色体数据串中所包含的基因元素分别对应一个云游戏资源,并表征分配到该云游戏资源的任务数量和任务标识;
根据所述第二染色体数据串,生成初始种群;
根据预设的算法规则,以所述初始种群作为初始值,对所述目标任务调度模型进行多次迭代求解,以得到最优解;其中,所述最优解用于确定符合要求的资源调度策略。
在一些实施例中,对所述目标任务调度模型进行多次迭代求解,包括:按照以下方式对所述目标任务调度模型进行当前次迭代求解:
获取上一次迭代求解得到的种群作为当前次种群;
采用轮盘选择算法对所述当前次种群进行选择操作,得到当前次第一处理后的种群;
采用自适应算法对所述当前次第一处理后的种群进行交叉操作,得到当前次第二处理后的种群;
采用融合了粒子群算法的改进后的遗传算法对所述当前次第二处理后的种群进行变异操作,获得当前次迭代求解得到的种群。
在一些实施例中,在获得当前次迭代求解得到的种群之后,所述方法还包括:
检测当前次的迭代累计次数是否等于预设的迭代次数阈值;
在确定当前次的迭代累计次数等于预设的迭代次数阈值的情况下,将当前次迭代求解得到的种群确定为最优解。
本说明书实施例还提供了一种资源调度方法,应用于云计算中心的服务器,包括:
获取云计算资源数据和多个云计算处理请求;
根据预设的构建规则,利用所述云计算资源数据和多个云计算处理请求,构建基于服务质量约束的目标任务调度模型;其中,所述目标任务调度模型至少包含有完成时间满意度函数项、网络带宽满意度函数项、处理费用满意度函数项;
根据预设的算法规则,求解所述目标任务调度模型,以得到符合要求的资源调度策略;其中,所述预设的算法规则至少包括融合了粒子群算法的改进后的遗传算法;
根据所述资源调度策略,调度云计算资源来处理所述多个云计算处理请求。
本说明书实施例还提供了一种资源调度装置,包括:
获取模块,用于获取云游戏资源数据和多个云游戏处理请求;
构建模块,用于根据预设的构建规则,利用所述云游戏资源数据和多个云游戏处理请求,构建基于服务质量约束的目标任务调度模型;其中,所述目标任务调度模型至少包含有完成时间满意度函数项、网络带宽满意度函数项、处理费用满意度函数项;
求解模块,用于根据预设的算法规则,求解所述目标任务调度模型,以得到符合要求的资源调度策略;其中,所述预设的算法规则至少包括融合了粒子群算法的改进后的遗传算法;
调度模块,用于根据所述资源调度策略,调度云游戏资源来处理所述多个云游戏处理请求。
本说明书实施例还提供了一种服务器,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现:获取云游戏资源数据和多个云游戏处理请求;根据预设的构建规则,利用所述云游戏资源数据和多个云游戏处理请求,构建基于服务质量约束的目标任务调度模型;其中,所述目标任务调度模型至少包含有完成时间满意度函数项、网络带宽满意度函数项、处理费用满意度函数项;根据预设的算法规则,求解所述目标任务调度模型,以得到符合要求的资源调度策略;其中,所述预设的算法规则至少包括融合了粒子群算法的改进后的遗传算法;根据所述资源调度策略,调度云游戏资源来处理所述多个云游戏处理请求。
本说明书实施例还提供了一种计算机可读存储介质,其上存储有计算机指令,所述指令被执行时实现以下步骤:获取云游戏资源数据和多个云游戏处理请求;根据预设的构建规则,利用所述云游戏资源数据和多个云游戏处理请求,构建基于服务质量约束的目标任务调度模型;其中,所述目标任务调度模型至少包含有完成时间满意度函数项、网络带宽满意度函数项、处理费用满意度函数项;根据预设的算法规则,求解所述目标任务调度模型,以得到符合要求的资源调度策略;其中,所述预设的算法规则至少包括融合了粒子群算法的改进后的遗传算法;根据所述资源调度策略,调度云游戏资源来处理所述多个云游戏处理请求。
基于本说明书实施例提供的一种资源调度方法、装置和服务器,针对云游戏服务场景,云游戏中心的服务器在处理所接收到的大量用户发起的多个云游戏处理请求时,可以先获取云游戏资源数据;再根据预设的构建规则,利用上述云游戏资源数据和多个云游戏处理请求,构建得到至少包含有完成时间满意度函数项、网络带宽满意度函数项、处理费用满意度函数项的基于服务质量约束的目标任务调度模型;再利用至少包括融合了粒子群算法的改进后的遗传算法,通过求解该目标任务调度模型,快速地得到符合要求的资源调度策略;进而可以根据该资源调度策略,合理、有效地调度使用有限的云游戏资源来高效地处理大量用户所发起的云游戏处理请求。从而能够满足用户的多种期望和需求,为用户提供质量较高的云游戏服务体验;同时,还能够实现对云游戏中心的云游戏资源的合理、有效的管理,降低云游戏中心整体的实施成本。
附图说明
为了更清楚地说明本说明书实施例,下面将对实施例中所需要使用的附图作简单地介绍,下面描述中的附图仅仅是本说明书中记载的一些实施例,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是本说明书的一个实施例提供的资源调度方法的流程示意图;
图2是本说明书的一个实施例提供的服务器的结构组成示意图;
图3是本说明书的一个实施例提供的资源调度装置的结构组成示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
参阅图1所示,本说明书实施例提供了一种资源调度方法。其中,该方法具体应用于云端游戏中心的服务器(或者称云端服务器)一侧。具体实施时,该方法可以包括以下内容:
S101:获取云游戏资源数据和多个云游戏处理请求;
S102:根据预设的构建规则,利用所述云游戏资源数据和多个云游戏处理请求,构建基于服务质量约束的目标任务调度模型;其中,所述目标任务调度模型至少包含有完成时间满意度函数项、网络带宽满意度函数项、处理费用满意度函数项;
S103:根据预设的算法规则,求解所述目标任务调度模型,以得到符合要求的资源调度策略;其中,所述预设的算法规则至少包括融合了粒子群算法的改进后的遗传算法;
S104:根据所述资源调度策略,调度云游戏资源来处理所述多个云游戏处理请求。
在一些实施例中,上述云游戏中心具体可以理解为一种为用户提供云游戏服务的网络服务平台。其中,上述云游戏中心持有用于支持进行云游戏的云游戏资源,例如,游戏运行所需要的服务器资源、CPU资源、存储器资源、GPU资源、带宽资源等等。
上述云游戏(Cloud Gaming)具体可以理解为一种以云计算为基础的游戏运行模式。基于云游戏中心所提供的云游戏服务,所有游戏都可以安装并运行于云游戏中心的服务器端,而不是布设于用户一侧的客户端(例如,用户所持有的游戏设备)。服务器端可以将已经处理并渲染完毕的游戏画面压缩后,再通过网络通信传递给客户端。
基于云游戏中心所提供的上述云游戏服务,客户端不需要具备高端处理器和/或显卡等,只需要具备基本的解压缩视频的能力,就可以通过与服务器的网络通信连接,为用户提供高质量游戏服务。
上述云游戏中心的服务器具体可以用于接收并响应用户通过客户端所发起的云游戏处理请求,通过分配、调度云游戏中心所持有的云游戏资源,来处理用户的云游戏处理请求,以为用户提供所需要的云游戏服务。
在本实施例中,所述服务器具体可以包括一种应用于云游戏中心一侧,能够实现数据传输、数据处理等功能的后台服务器。具体的,所述服务器例如可以为一个具有数据运算、存储功能以及网络交互功能的电子设备。或者,所述服务器也可以为运行于该电子设备中,为数据处理、存储和网络交互提供支持的软件程序。在本实施例中,并不具体限定所述服务器的数量。所述服务器具体可以为一个服务器,也可以为几个服务器,或者,由若干服务器形成的服务器集群。
在本实施例中,所述客户端具体可以包括一种应用于用户一侧,能够实现数据采集、数据传输等功能的前端设备。具体的,所述客户端例如可以为台式电脑、平板电脑、笔记本电脑、智能手机、智能游戏机等设备。或者,所述客户端也可以为能够运行于上述设备中的软件应用。例如,可以是在智能手机上运行的某APP等。
在一些实施例中,当用户需要获取云游戏服务,期望通过云游戏中心在云端运行指定游戏时,可以通过所持有的客户端向云游戏中心的服务器发送相应的云游戏处理请求。
其中,该云游戏处理请求至少携带有客户端的标识信息,以及用户所指定运行的游戏的标识信息。相应的,服务器可以接收并获取云游戏处理请求。
服务器可以先根据云游戏处理请求中携带的游戏的标识信息,确定出用户所指定运行的游戏;再结合云游戏处理请求中携带的客户端的标识信息,建立与该用户的客户端关联的一个作业;其中,该作业中具体可以包含有一个或多个具体的处理任务。
在一些实施例中,服务器每个时间点或者每个时间区间可以接收并获取多个用户所分别发起的多个云游戏处理请求。
在一些实施例中,服务器可以每间隔预设的时间间隔(例如,1分钟等)在云游戏中心查询并获取云游戏资源数据。
其中,所述云游戏资源数据具体可以包括以下至少之一:云游戏资源的数量、云游戏任务数量、云游戏资源的性能参数、云游戏资源的能耗数据等等。当然,需要说明的是,上述所列举的云游戏资源数据只是一种示意性说明。具体实施时,根据具体情况和处理需求,上述云游戏资源数据具体还可以包括其他类型的信息数据。对此,本说明书不作限定。
在一些实施例中,上述目标任务调度模型具体可以理解为一种基于服务质量(Quality of Service,QoS)约束的,能够满足用户多样性需求的,合理调度游戏资源的模型函数。
其中,所述目标任务调度模型至少可以包含有完成时间满意度函数项、网络带宽满意度函数项、处理费用满意度函数项等。通过引入并使用上述多种维度的满意度函数项,目标任务调度模型可以较好地量化用户对于云游戏服务的满意程度,进而可以确定出能够满足用户多样性需求的、服务体验较高的资源调度策略作为符合要求的资源调度策略。
在一些实施例中,上述根据预设的构建规则,利用所述云游戏资源数据和多个云游戏处理请求,构建基于服务质量约束的目标任务调度模型,具体实施时,可以包括:根据预设的构建规则,利用所述云游戏资源数据和多个云游戏处理请求,分别构建出对应的完成时间满意度函数项、网络带宽满意度函数项、处理费用满意度函数项;再通过组合所述完成时间满意度函数项、网络带宽满意度函数项、处理费用满意度函数项,得到对应的待优化求解的目标函数,得到目标任务调度模型。具体实施时,可以通过解析用户发起的云游戏处理请求,获取用户设置的期望执行时间、期望带宽、期望费用等期望值来引入并量化用户的需求和期望,以参与构建目标任务调度模型。
在一些实施例中,具体构建完成时间满意度函数项时,可以选择使用以下所列举的一种或多种时间参数,作为完成时间:作业总完成时间、开始时间、最迟完成时间等。其中,上述作业总完成时间具体可以是指总的执行时间,即所有作业所对应的一个或多个任务在相应服务器上全部完成所需要的时间;上述开始时间具体可以是指作业从开始生成到相应任务分配到对应服务器开始执行这个过程的响应时间;上述最迟完成时间,具体可以是指所有作业中的所有任务从开始执行到最后一个任务执行完成的时间。
具体的,以作业总完成时间作为完成时间为例,可以按照以下方式逐步构建完成时间满意度函数项。
先计算完成单个作业的执行时间。
其中,tE(i,j)为编号为m的作业Jm中第i个任务在第j个游戏资源上的期望执行时间,t(Jm)为作业Jm的执行时间,P表示游侠资源数量,TTotal(m)为m个作业所对应的任务总数(一个作业可以对应一个或多个任务),TTotal(m-1)为在作业Jm之前的m-1个作业所对应的任务总数,表示从编号为1的游戏资源到编号为P的游戏资源,求解作业Jm的最大执行时间。
同时还可以计算完成多个作业(例如M个作业)总的执行时间。
其中,M为与多个云游戏处理请求对应的多个作业的总数。
再按照以下算式计算出完成时间满意度:
WTime(Jm)=θln[t(Jm)/tE]
其中,WTime(Jm)为作业Jm的执行时间的满意度,θ为数值大于0且小于等于1的系数。
在一些实施例中,具体构建网络带宽满意度函数项时,考虑到网络带宽是衡量网络使用情况的一个重要指标,网络带宽的大小决定了网络的传输能力的大小,进而会能对云环境下的通信效率产生影响,影响用户的云游戏服务体验。通常,对于不同用户所指定的不同游戏,如果通信次数越频繁、信息量越大的作业,对网络带宽的要求就越高。因此,可以区分不同用户,按照以下算式来构建网络带宽满意度函数项:
其中,Bi为作业Jm中第i个任务的期望带宽,Buser为用户对作业Jm的期望带宽,WBW(Jm)为作业Jm的网络宽度满意度,TNum(Jm)为作业Jm所对应的任务总数。
在一些实施例中,具体构建处理费用满意度函数项时,考虑可以针对每一个任务,对云游戏服务影响较大的主要几种游戏资源(包括:CPU、存储器、内存、网络带宽等)分别按单位来计算相关费用。
先按照以下算式构建针对单个任务的总费用:
Ci=P1CCPU+P2Cm+P3Cstor+P4CBW
其中,Ci为作业Jm中第i个任务的总费用,CCPU为CPU的资源单价,Cm为内存的资源单价,Cstor为存储器的资源单价,CBW为网络带宽的资源单价,P1、P2、P3、P4分别表示在执行Jm中第i个任务时关于CPU、内存、存储器、网络带宽的消耗数量。
再基于单个任务的总费用,构建处理费用满意度函数项:
其中,Wcost(Jm)为作业Jm的处理费用满意度,Cuser为用户的期望费用。
在一些实施例中,具体实施时,可以按照以下算式通过组合完成时间满意度函数项、网络带宽满意度函数项、处理费用满意度函数项,构建目标函数,得到目标任务调度模型:
f(x)=-w1WTime+w2WBW-w3Wcost
其中,f(x)为目标函数值(也称适应度函数,可以表征用户对服务质量的总体满意度),WTime为针对所有作业总的完成时间满意度,WBW为针对所有作业总的网络带宽满意度,Wcost为针对所有作业总的处理费用满意度,w1、w2、w3分别为对应的权重系数,且三个权重系数的和等于1。
在一些实施例中,具体实施时,还可以区分不同用户,根据不同用户对不同维度需求的偏好和关注度,设置不同的权重系数向量,细化不同用户对云游戏服务需求的差异性,得到更加精细、准确的目标任务调度模型。
在一些实施例中,上述根据预设的算法规则,求解所述目标任务调度模型,具体实施时,可以包括以下内容:
S1:根据所述云游戏资源数据和多个云游戏处理请求,进行第一编码,以随机生成第一染色体数据串;
S2:对所述第一染色体进行第二编码,以得到对应的第二染色体数据串;其中,所述第二染色体数据串中所包含的基因元素分别对应一个云游戏资源,并表征分配到该云游戏资源的任务数量和任务标识;
S3:根据所述第二染色体数据串,生成初始种群;
S4:根据预设的算法规则,以所述初始种群作为初始值,对所述目标任务调度模型进行多次迭代求解,以得到最优解;其中,所述最优解用于确定符合要求的资源调度策略。
在一些实施例中,上述对所述目标任务调度模型进行多次迭代求解,具体实施时,可以包括:按照以下方式对所述目标任务调度模型进行当前次迭代求解:获取上一次迭代求解得到的种群作为当前次种群;采用轮盘选择算法对所述当前次种群进行选择操作,得到当前次第一处理后的种群;采用自适应算法对所述当前次第一处理后的种群进行交叉操作,得到当前次第二处理后的种群;采用融合了粒子群算法的改进后的遗传算法对所述当前次第二处理后的种群进行变异操作,获得当前次迭代求解得到的种群。
在一些实施例中,在获得当前次迭代求解得到的种群之后,所述方法具体实施时,还可以包括以下内容:检测当前次的迭代累计次数是否等于预设的迭代次数阈值;在确定当前次的迭代累计次数等于预设的迭代次数阈值的情况下,将当前次迭代求解得到的种群确定为最优解。在确定当前次的迭代累计次数小于预设的迭代次数阈值的情况下,则在当前次的基础上加1,得到下一次次数,以触发进行下一次迭代求解。
按照上述方式,可以通过进行多次迭代求解,直到得到符合要求的最优解为止。
在一些实施例中,基于传统的遗传算法往往是通过一次编码来生成初始种群,而在本实施例中,则对该编码方式进行了改进,将生成初始种群的过程分为:第一编码(也可以称初次编码)和第二编码(也可以称二次编码)共两次编码。
具体的,例如,总的m个任务的任务标识集合可以记为:ID=[1,2,3,4,...,m],云游戏中心所持有的总的n个游戏资源的资源标识集合可以记为:ID=[1,2,3,4,...,n]。
具体进行初次编码时,可以随机生成一条染色体数据串(或称染色体基因串)作为第一染色体数据串,例如,[1,2,3,4,4,6,6,6,...,n,n,n]。
其中,第一染色体数据串包含有m个基因元素,每一个基因元素对应一个任务;每一个基因元素的具体数值表示所对应的任务所分配到的游戏资源的资源表示。
例如,基于上述第一染色体数据串,可知:将任务{1}分配给云游戏资源1执行,将任务{2}分配给游戏资源2执行。
对上述第一染色体数据串进行二次编码,得到所需要的第二染色体数据串。其中,第二染色体数据串的长度为n,包含有n基因元素。n个基因元素中的每一个基因元素分别对应一个云游戏资源,基因元素的具体数值表征分配到该云游戏资源的任务数量和任务的任务标识。
具体生成初始种群P(0)时,可以代入目标函数f(x),计算出初始种群中各个个体的适应度。同时,设定进化迭代计数器k=0(即,设置开始的迭代次数),以进行迭代求解。
对于用户而言,一方面,期望云游戏加载完成所需的时间和费用越少越好;另一方面,期望系统分配给的网络带宽值越大越好,这样云游戏的稳定性越好、任务完成率越高,相应的用户所获得的云游戏服务体验越好。
当进化代次数达到预定的最大进化代数(例如,预设的迭代次数阈值)或发现种群个体状态保持在稳定状态时停止,得到最优解。否则,令k=k+1继续下一次的迭代。
具体的,以第k次迭代为例,采用轮盘选择算法对当前种群进行选择操作,可以使用方差选出适应性较强的个体,形成新的群体。采用多次选择的方式,可以提高种群的多样性与种群整体的性能,扩大后续对较优解的搜索范围。具体的,可以计算出种群中每一个个体的适应度后,可得每条染色体(对应染色体数据串中的一个基因元素,例如,xj)被选中的概率为:再利用波动性好的一面,将方差与遗传算法结合,扩大最优解的搜索范围,同时减少负面影响,缩小最优解存在的数据范围,可以让结果得到进一步的优化,从而可以使得每次计算得到的偏移量相对比较大,能够更加快速地收敛,以确定出较好的染色体,提高选择效率和选择精度。
例如,通过n轮盘选择算法选择之后,可以计算每次选择后的个体组成的种群多样性方差:D(n),再计算找到并将与之对应所产生的种群作为新的种群。其中,为与偏离方向保持一致的方差。其中,上述方差可以按照以下算式计算:
具体进行交叉操作时,可以按照以下算式利用自适应算法计算出交叉概率:
其中,f(x)avg为种群染色体的平均适应度,f(x)′为两条染色体中较好个体的适应度,f(x)max为种群中最好个体的适应度函数值。
通过从经过选择操作产生的群体中随机选择个个体进行交叉操作,产生个新的个体。
具体进行变异操作时,可以将粒子群算法(作为GA算法)融合进遗传算法,得到改进后的异传算法(记为EG-PSO算法,一种优化的智能变异算法),从而可以综合两种算法的优点,以提高计算速度。
例如,可以设置粒子群体Si=(si1,si2,…sin)T,将Si带入计算适应值,最后计算出的目前搜索到最好位置将优良的染色体个体纳入染色体种群中。粒子群中第i个粒子的信息可以通过两个二维向量矩阵表示,其中位置可以表示为:/>相应的,速度可以表示为:/>粒子群算法计算适应度函数值后,在每次迭代中,粒子通过个体极值和群体极值更新其速度和位置,更新个体最佳位置/>和群体最佳位置/>的迭代算式如下所示:/>
通常两个加速常数为c1=c2=2。进行变异操作时要进行比较分析,具体如下:比较randi,Pm。生成0-1之间的随机数randi,i=1,2,...N。如果有randi<Pm,则随机调用两个染色体为一组,共2组,计算两组染色体个体适应度值,选取数值较大的2个染色体根据粒子群迭代公式进行寻优解;将未参与变异的两个染色体更新和/>将产生的符合要求的新个体放入种群。
在一些实施例中,在确定出最优解后,可以根据最优解确定出将各个云游戏处理请求所对应的作业所包含的任务所应当分配到的云游戏资源的资源标识;进而可以生成对应的资源调度策略。相应的,服务器可以根据该资源调度策略,基于作业任务与云游戏资源的资源标识的对应关系,调度相应的云游戏资源来处理对应的作业任务,从而可以较为高效、合理地利用有限的云游戏资源处理所接收到的多个云游戏处理请求,较好地为用户提供能够让用户满意的云游戏服务。
在一些实施例中,上述采用轮盘选择算法对所述当前次种群进行选择操作,具体实施时,可以包括以下内容:计算当前次种群中各个个体的适应度;根据当前次种群中各个个体的适应度,计算对应染色体数据串中基因元素被选中的概率值;根据基因元素被选中的概率值,计算波动性方差;根据所述波动性方差,对当前次种群中的个体进行更新。
在一些实施例中,在获取云游戏资源数据和多个云游戏处理请求之后,所述方法具体实施时,还可以包括以下内容:调用目标神经网络模型处理所述云游戏资源数据和多个云游戏处理请求,得到优化种群;其中,所述目标神经网络模型包括基于Elman神经网络训练得到的模型。
其中,Elman神经网络具体可以理解为一种典型的局部回归网络(global feedforward local recurrent)。Elman网络可以看作是一个具有局部记忆单元和局部反馈连接的递归神经网络。
在一些实施例中,上述根据预设的算法规则,求解所述目标任务调度模型,以得到符合要求的资源调度策略,具体实施时,可以包括以下内容:以所述优化种群作为初始种群,根据预设的算法规则,求解所述目标任务调度模型,以得到符合要求的资源调度策略。
通过上述实施例,可以获取并使用基于目标神经网络模型预测出的优化种群来代替原本随机生成的种群作物初始种群,求解目标任务调度模型,从而可以更加高效地收敛得到最优解,得到符合要求的资源调度策略。
在一些实施例中,具体训练目标神经网络模型,可以包括以下内容:
S1:种群初始化。
具体的,个体编码方法为实数编码,每个个体均为一个实数串组成的染色体,由输入层与隐含层连接权值、隐含层阈值、关联层与隐含层连接权值、隐含层与输出层连接权值,以及输出层阈值五部分组成,EG-PSO将Elman神经网络的初始随机权值和阈值编码为由若干染色体组成的初始种群。
S2:适应度函数设置。
具体的,可以利用训练数据训练Elman神经网络后预测系统输出,把预测输出和期望输出的均方误差作为个体适应度值,其计算公式可以表示为:
S3:选择、交叉、变异。形成新的一代种群。
S4:当达到最大后代数时算法停止。
S5:产生优化后的神经网络初始权值。
S6:对Elman神经网络进行学习和训练并更新权值计算网络误差观测是否达到要求。
S7:达到训练次数时流程结束。
利用训练好的目标神经网络模型可以通过对服务器所采集到的数据进行分析和处理,以对目标任务调度模型求解时所使用的初始数据进行优化。
由上可见,基于本说明书实施例提供的资源调度方法,针对云游戏服务场景,云游戏中心的服务器在处理所接收到大量用户发起的多个云游戏处理请求时,先获取云游戏资源数据;再根据预设的构建规则,利用上述云游戏资源数据和多个云游戏处理请求,构建得到至少包含有完成时间满意度函数项、网络带宽满意度函数项、处理费用满意度函数项的基于服务质量约束的目标任务调度模型;再根据至少包括融合了粒子群算法的改进后的遗传算法,求解该目标任务调度模型,以得到符合要求的资源调度策略;进而可以根据该资源调度策略,能够合理、有效地调度使用有限的云游戏资源来高效地处理大量用户所发起的云游戏处理请求,能够满足用户的多种期望,为用户提供较好的云游戏服务体验;同时,还能够实现对云游戏中心的云游戏资源的合理、有效的管理,降低云游戏中心整体的实施成本。
本说明书实施例还提供了资源调度方法,应用于云计算中心的服务器。其中,该方法具体实施时,可以包括以下内容:
S1:获取云计算资源数据和多个云计算处理请求;
S2:根据预设的构建规则,利用所述云计算资源数据和多个云计算处理请求,构建基于服务质量约束的目标任务调度模型;其中,所述目标任务调度模型至少包含有完成时间满意度函数项、网络带宽满意度函数项、处理费用满意度函数项;
S3:根据预设的算法规则,求解所述目标任务调度模型,以得到符合要求的资源调度策略;其中,所述预设的算法规则至少包括融合了粒子群算法的改进后的遗传算法;
S4:根据所述资源调度策略,调度云计算资源来处理所述多个云计算处理请求。
由上可见,本说明书实施例提供的资源调度方法,针对云计算场景,能够较好地满足用户的多种期望需求,为用户提供较好的云计算服务体验,同时,还能够实现对云计算中心的云数据资源的合理分配、管理。
本说明书实施例还提供一种服务器,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器具体实施时可以根据指令执行以下步骤:获取云游戏资源数据和多个云游戏处理请求;根据预设的构建规则,利用所述云游戏资源数据和多个云游戏处理请求,构建基于服务质量约束的目标任务调度模型;其中,所述目标任务调度模型至少包含有完成时间满意度函数项、网络带宽满意度函数项、处理费用满意度函数项;根据预设的算法规则,求解所述目标任务调度模型,以得到符合要求的资源调度策略;其中,所述预设的算法规则至少包括融合了粒子群算法的改进后的遗传算法;根据所述资源调度策略,调度云游戏资源来处理所述多个云游戏处理请求。
为了能够更加准确地完成上述指令,参阅图2所示,本说明书实施例还提供了另一种具体的服务器,其中,所述服务器包括网络通信端口201、处理器202以及存储器203,上述结构通过内部线缆相连,以便各个结构可以进行具体的数据交互。
其中,所述网络通信端口201,具体可以用于获取云游戏资源数据和多个云游戏处理请求。
所述处理器202,具体可以用于根据预设的构建规则,利用所述云游戏资源数据和多个云游戏处理请求,构建基于服务质量约束的目标任务调度模型;其中,所述目标任务调度模型至少包含有完成时间满意度函数项、网络带宽满意度函数项、处理费用满意度函数项;根据预设的算法规则,求解所述目标任务调度模型,以得到符合要求的资源调度策略;其中,所述预设的算法规则至少包括融合了粒子群算法的改进后的遗传算法;根据所述资源调度策略,调度云游戏资源来处理所述多个云游戏处理请求。
所述存储器203,具体可以用于存储相应的指令程序。
在本实施例中,所述网络通信端口201可以是与不同的通信协议进行绑定,从而可以发送或接收不同数据的虚拟端口。例如,所述网络通信端口可以是负责进行web数据通信的端口,也可以是负责进行FTP数据通信的端口,还可以是负责进行邮件数据通信的端口。此外,所述网络通信端口还可以是实体的通信接口或者通信芯片。例如,其可以为无线移动网络通信芯片,如GSM、CDMA等;其还可以为Wifi芯片;其还可以为蓝牙芯片。
在本实施例中,所述处理器202可以按任何适当的方式实现。例如,处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。本说明书并不作限定。
在本实施例中,所述存储器203可以包括多个层次,在数字系统中,只要能保存二进制数据的都可以是存储器;在集成电路中,一个没有实物形式的具有存储功能的电路也叫存储器,如RAM、FIFO等;在系统中,具有实物形式的存储设备也叫存储器,如内存条、TF卡等。
本说明书实施例还提供了一种基于上述资源调度方法的计算机可读存储介质,所述计算机可读存储介质存储有计算机程序指令,在所述计算机程序指令被执行时实现:获取云游戏资源数据和多个云游戏处理请求;根据预设的构建规则,利用所述云游戏资源数据和多个云游戏处理请求,构建基于服务质量约束的目标任务调度模型;其中,所述目标任务调度模型至少包含有完成时间满意度函数项、网络带宽满意度函数项、处理费用满意度函数项;根据预设的算法规则,求解所述目标任务调度模型,以得到符合要求的资源调度策略;其中,所述预设的算法规则至少包括融合了粒子群算法的改进后的遗传算法;根据所述资源调度策略,调度云游戏资源来处理所述多个云游戏处理请求。
本说明书实施例还提供了另一种基于上述资源调度方法的计算机可读存储介质,所述计算机可读存储介质存储有计算机程序指令,在所述计算机程序指令被执行时实现:获取云计算资源数据和多个云计算处理请求;根据预设的构建规则,利用所述云计算资源数据和多个云计算处理请求,构建基于服务质量约束的目标任务调度模型;其中,所述目标任务调度模型至少包含有完成时间满意度函数项、网络带宽满意度函数项、处理费用满意度函数项;根据预设的算法规则,求解所述目标任务调度模型,以得到符合要求的资源调度策略;其中,所述预设的算法规则至少包括融合了粒子群算法的改进后的遗传算法;根据所述资源调度策略,调度云计算资源来处理所述多个云计算处理请求。
在本实施例中,上述存储介质包括但不限于随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard DiskDrive,HDD)或者存储卡(Memory Card)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的,用于进行网络连接通信的接口。
在本实施例中,该计算机可读存储介质存储的程序指令具体实现的功能和效果,可以与其它实施方式对照解释,在此不再赘述。
参阅图3所示,在软件层面上,本说明书实施例还提供了一种资源调度装置,该装置具体可以包括以下的结构模块:
获取模块301,具体可以用于获取云游戏资源数据和多个云游戏处理请求;
构建模块302,具体可以用于根据预设的构建规则,利用所述云游戏资源数据和多个云游戏处理请求,构建基于服务质量约束的目标任务调度模型;其中,所述目标任务调度模型至少包含有完成时间满意度函数项、网络带宽满意度函数项、处理费用满意度函数项;
求解模块303,具体可以用于根据预设的算法规则,求解所述目标任务调度模型,以得到符合要求的资源调度策略;其中,所述预设的算法规则至少包括融合了粒子群算法的改进后的遗传算法;
调度模块304,具体可以用于根据所述资源调度策略,调度云游戏资源来处理所述多个云游戏处理请求。
在一些实施例中,在获取云游戏资源数据和多个云游戏处理请求之后,所述装置具体实施时,还可以用于调用目标神经网络模型处理所述云游戏资源数据和多个云游戏处理请求,得到优化种群;其中,所述目标神经网络模型包括基于Elman神经网络训练得到的模型。
在一些实施例中,相应的,上述求解模块303具体实施时,可以按照以下方式根据预设的算法规则,求解所述目标任务调度模型,以得到符合要求的资源调度策略:以所述优化种群作为初始种群,根据预设的算法规则,求解所述目标任务调度模型,以得到符合要求的资源调度策略。
在一些实施例中,上述求解模块303具体实施时,可以按照以下方式根据预设的算法规则,求解所述目标任务调度模型:根据所述云游戏资源数据和多个云游戏处理请求,进行第一编码,以生成第一染色体数据串;对所述第一染色体进行第二编码,以得到对应的第二染色体数据串;其中,所述第二染色体数据串中所包含的基因元素分别对应一个云游戏资源,并表征分配到该云游戏资源的任务数量和任务标识;根据所述第二染色体数据串,生成初始种群;根据预设的算法规则,以所述初始种群作为初始值,对所述目标任务调度模型进行多次迭代求解,以得到最优解;其中,所述最优解用于确定符合要求的资源调度策略。
在一些实施例中,上述求解模块303具体实施时,可以按照以下方式对所述目标任务调度模型进行当前次迭代求解:获取上一次迭代求解得到的种群作为当前次种群;采用轮盘选择算法对所述当前次种群进行选择操作,得到当前次第一处理后的种群;采用自适应算法对所述当前次第一处理后的种群进行交叉操作,得到当前次第二处理后的种群;采用融合了粒子群算法的改进后的遗传算法对所述当前次第二处理后的种群进行变异操作,获得当前次迭代求解得到的种群。
在一些实施例中,在获得当前次迭代求解得到的种群之后,所述装置具体实施时,还可以用于检测当前次的迭代累计次数是否等于预设的迭代次数阈值;在确定当前次的迭代累计次数等于预设的迭代次数阈值的情况下,将当前次迭代求解得到的种群确定为最优解。
本说明书实施例还提供了另一种资源调度装置,具体可以包括:获取模块,用于云计算资源数据和多个云计算处理请求;构建模块,用于根据预设的构建规则,利用所述云计算资源数据和多个云计算处理请求,构建基于服务质量约束的目标任务调度模型;其中,所述目标任务调度模型至少包含有完成时间满意度函数项、网络带宽满意度函数项、处理费用满意度函数项;求解模块,用于求解所述目标任务调度模型,以得到符合要求的资源调度策略;其中,所述预设的算法规则至少包括融合了粒子群算法的改进后的遗传算法;调度模块,用于根据所述资源调度策略,调度云计算资源来处理所述多个云计算处理请求。
需要说明的是,上述实施例阐明的单元、装置或模块等,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
由上可见,本说明书实施例提供的资源调度装置,能够合理、有效地调度使用有限的云游戏资源来高效地处理大量用户所发起的云游戏处理请求,能够满足用户的多种期望,为用户提供较好的云游戏服务体验,同时,还能够实现对云游戏中心的云游戏资源的合理分配、管理。
虽然本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。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、方法、产品或者设备不仅包括那些要素,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、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机可读存储介质中。
通过以上的实施例的描述可知,本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本说明书的技术方案本质上可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,移动终端,服务器,或者网络设备等)执行本说明书各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。本说明书可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置项盒、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
虽然通过实施例描绘了本说明书,本领域普通技术人员知道,本说明书有许多变形和变化而不脱离本说明书的精神,希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。
Claims (10)
1.一种资源调度方法,应用于云游戏中心的服务器,其特征在于,包括:
获取云游戏资源数据和多个云游戏处理请求;
根据预设的构建规则,利用所述云游戏资源数据和多个云游戏处理请求,构建基于服务质量约束的目标任务调度模型;其中,所述目标任务调度模型至少包含有完成时间满意度函数项、网络带宽满意度函数项、处理费用满意度函数项;
根据预设的算法规则,求解所述目标任务调度模型,以得到符合要求的资源调度策略;其中,所述预设的算法规则至少包括融合了粒子群算法的改进后的遗传算法;
根据所述资源调度策略,调度云游戏资源来处理所述多个云游戏处理请求。
2.根据权利要求1所述的方法,其特征在于,在获取云游戏资源数据和多个云游戏处理请求之后,所述方法还包括:
调用目标神经网络模型处理所述云游戏资源数据和多个云游戏处理请求,得到优化种群;其中,所述目标神经网络模型包括基于Elman神经网络训练得到的模型。
3.根据权利要求2所述的方法,其特征在于,根据预设的算法规则,求解所述目标任务调度模型,以得到符合要求的资源调度策略,包括:
以所述优化种群作为初始种群,根据预设的算法规则,求解所述目标任务调度模型,以得到符合要求的资源调度策略。
4.根据权利要求1所述的方法,其特征在于,根据预设的算法规则,求解所述目标任务调度模型,包括:
根据所述云游戏资源数据和多个云游戏处理请求,进行第一编码,以生成第一染色体数据串;
对所述第一染色体进行第二编码,以得到对应的第二染色体数据串;其中,所述第二染色体数据串中所包含的基因元素分别对应一个云游戏资源,并表征分配到该云游戏资源的任务数量和任务标识;
根据所述第二染色体数据串,生成初始种群;
根据预设的算法规则,以所述初始种群作为初始值,对所述目标任务调度模型进行多次迭代求解,以得到最优解;其中,所述最优解用于确定符合要求的资源调度策略。
5.根据权利要求4所述的方法,其特征在于,对所述目标任务调度模型进行多次迭代求解,包括:按照以下方式对所述目标任务调度模型进行当前次迭代求解:
获取上一次迭代求解得到的种群作为当前次种群;
采用轮盘选择算法对所述当前次种群进行选择操作,得到当前次第一处理后的种群;
采用自适应算法对所述当前次第一处理后的种群进行交叉操作,得到当前次第二处理后的种群;
采用融合了粒子群算法的改进后的遗传算法对所述当前次第二处理后的种群进行变异操作,获得当前次迭代求解得到的种群。
6.根据权利要求5所述的方法,其特征在于,在获得当前次迭代求解得到的种群之后,所述方法还包括:
检测当前次的迭代累计次数是否等于预设的迭代次数阈值;
在确定当前次的迭代累计次数等于预设的迭代次数阈值的情况下,将当前次迭代求解得到的种群确定为最优解。
7.一种资源调度方法,应用于云计算中心的服务器,其特征在于,包括:
获取云计算资源数据和多个云计算处理请求;
根据预设的构建规则,利用所述云计算资源数据和多个云计算处理请求,构建基于服务质量约束的目标任务调度模型;其中,所述目标任务调度模型至少包含有完成时间满意度函数项、网络带宽满意度函数项、处理费用满意度函数项;
根据预设的算法规则,求解所述目标任务调度模型,以得到符合要求的资源调度策略;其中,所述预设的算法规则至少包括融合了粒子群算法的改进后的遗传算法;
根据所述资源调度策略,调度云计算资源来处理所述多个云计算处理请求。
8.一种资源调度装置,其特征在于,包括:
获取模块,用于获取云游戏资源数据和多个云游戏处理请求;
构建模块,用于根据预设的构建规则,利用所述云游戏资源数据和多个云游戏处理请求,构建基于服务质量约束的目标任务调度模型;其中,所述目标任务调度模型至少包含有完成时间满意度函数项、网络带宽满意度函数项、处理费用满意度函数项;
求解模块,用于根据预设的算法规则,求解所述目标任务调度模型,以得到符合要求的资源调度策略;其中,所述预设的算法规则至少包括融合了粒子群算法的改进后的遗传算法;
调度模块,用于根据所述资源调度策略,调度云游戏资源来处理所述多个云游戏处理请求。
9.一种服务器,其特征在于,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现权利要求1至6,或7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机指令,所述指令被执行时实现权利要求1至6,或7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111542765.4A CN116339932A (zh) | 2021-12-16 | 2021-12-16 | 资源调度方法、装置和服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111542765.4A CN116339932A (zh) | 2021-12-16 | 2021-12-16 | 资源调度方法、装置和服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116339932A true CN116339932A (zh) | 2023-06-27 |
Family
ID=86888086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111542765.4A Pending CN116339932A (zh) | 2021-12-16 | 2021-12-16 | 资源调度方法、装置和服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116339932A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117032936A (zh) * | 2023-09-28 | 2023-11-10 | 之江实验室 | 一种数据调度方法、装置和计算机设备 |
-
2021
- 2021-12-16 CN CN202111542765.4A patent/CN116339932A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117032936A (zh) * | 2023-09-28 | 2023-11-10 | 之江实验室 | 一种数据调度方法、装置和计算机设备 |
CN117032936B (zh) * | 2023-09-28 | 2024-02-06 | 之江实验室 | 一种数据调度方法、装置和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Du et al. | Learning resource allocation and pricing for cloud profit maximization | |
CN105704255B (zh) | 一种基于遗传算法的服务器负载均衡方法 | |
CN112882815B (zh) | 基于深度强化学习的多用户边缘计算优化调度方法 | |
CN110231984B (zh) | 多工作流任务分配方法、装置、计算机设备和存储介质 | |
CN110502323B (zh) | 一种云计算任务实时调度方法 | |
CN114585006B (zh) | 基于深度学习的边缘计算任务卸载和资源分配方法 | |
CN108415760B (zh) | 一种基于移动机会网络的群智计算在线任务分配方法 | |
Li et al. | Computation offloading and service allocation in mobile edge computing | |
CN114423023B (zh) | 一种面向移动用户的5g网络边缘服务器部署方法 | |
CN116339932A (zh) | 资源调度方法、装置和服务器 | |
Chen et al. | A pricing approach toward incentive mechanisms for participant mobile crowdsensing in edge computing | |
CN113190342A (zh) | 用于云-边协同网络的多应用细粒度卸载的方法与系统架构 | |
CN116932086A (zh) | 一种基于哈里斯鹰算法的移动边缘计算卸载方法及系统 | |
CN111047040A (zh) | 基于IFPA算法的Web服务组合方法 | |
CN113037648B (zh) | 数据传输方法及装置 | |
CN111324444A (zh) | 一种云计算任务调度方法及装置 | |
CN113448680A (zh) | 价值模型的训练方法以及相关设备 | |
EP3216167B1 (en) | Orchestrator and method for virtual network embedding using offline feedback | |
CN115776445B (zh) | 面向流量迁移的节点识别方法、装置、设备及存储介质 | |
CN112506635B (zh) | 基于自适应策略的进化免疫方法 | |
Gong et al. | Research and Simulation Implementation of Fog Calculation Resource Allocation Algorithm | |
CN115190135B (zh) | 一种分布式存储系统及其副本选择方法 | |
CN117076131B (zh) | 一种任务分配方法、装置、电子设备及存储介质 | |
CN114546603B (zh) | 一种应用于物联网的数据处理方法及系统 | |
CN112328364B (zh) | 一种基于农田肥力算法的计算密集型云工作流调度方法 |
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 |