CN116627663B - 一种数据中心运维管理方法及系统 - Google Patents
一种数据中心运维管理方法及系统 Download PDFInfo
- Publication number
- CN116627663B CN116627663B CN202310912003.1A CN202310912003A CN116627663B CN 116627663 B CN116627663 B CN 116627663B CN 202310912003 A CN202310912003 A CN 202310912003A CN 116627663 B CN116627663 B CN 116627663B
- Authority
- CN
- China
- Prior art keywords
- resource
- center
- data maintenance
- data
- resources
- 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
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 85
- 238000007726 management method Methods 0.000 title claims abstract description 30
- 238000013468 resource allocation Methods 0.000 claims abstract description 93
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000007689 inspection Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 10
- 239000003016 pheromone Substances 0.000 claims description 50
- 230000001186 cumulative effect Effects 0.000 claims description 14
- 230000008020 evaporation Effects 0.000 claims description 7
- 238000001704 evaporation Methods 0.000 claims description 7
- 241000257303 Hymenoptera Species 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- XEBWQGVWTUSTLN-UHFFFAOYSA-M phenylmercury acetate Chemical compound CC(=O)O[Hg]C1=CC=CC=C1 XEBWQGVWTUSTLN-UHFFFAOYSA-M 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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]
- G06F9/5005—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]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
-
- 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
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/5021—Priority
-
- 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)
- 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
本发明属于数据运维管理技术领域,具体涉及一种数据中心运维管理方法及系统。所述方法包括:步骤1:分散设置多个数据维护中心,每个数据维护中心与其他数据维护中心相连接,组成区块链结构的去中心化数据维护集群;步骤2:在数据维护集群中,随机设置多个可以移动的资源巡检程序,每个资源巡检程序对应一个数据维护中心;步骤3:基于改进的蚁群资源分配算法,计算出当每个资源巡检程序遍历完所有数据维护中心后的总资源量;然后筛选出资源量最大的资源巡检程序的路径;步骤4:资源中心按照步骤3中得到的资源分配优先级,为每个数据维护中心进行资源分配。本发明解决了传统数据中心管理中存在的资源分配不均衡、效率低下的问题。
Description
技术领域
本发明属于数据运维管理技术领域,具体涉及一种数据中心运维管理方法及系统。
背景技术
随着互联网的迅速发展和数字化时代的到来,数据中心成为支持各种在线服务和应用的核心基础设施。数据中心的运维管理对于确保其高效稳定地运行至关重要。然而,传统的数据中心运维管理面临着一些挑战,如资源分配不均衡、效率低下以及缺乏自动化和智能化等问题。
在传统的数据中心管理中,通常采用集中式的资源分配模式,由一个中心机构负责为所有数据维护中心分配资源。这种集中式的管理方式存在一些问题。首先,由于资源分配集中在一个中心,难以实现资源的灵活调度和利用。其次,中心化的资源分配容易导致资源分配不均衡,一些数据维护中心可能得到过多的资源,而其他数据维护中心则可能缺乏足够的资源。此外,由于数据中心的规模和复杂性不断增加,传统的资源分配方法往往无法适应大规模数据中心的需求,导致资源利用率低下和管理效率低下的问题。
发明内容
本发明的主要目的在于提供一种数据中心运维管理方法及系统,通过引入区块链网络结构和改进的蚁群算法,解决了传统数据中心管理中存在的资源分配不均衡、效率低下和缺乏自动化、智能化的问题。
为解决上述技术问题,本发明提供的技术方案包括:
一方面,提供了一种数据中心运维管理方法,所述方法包括:
步骤1:分散设置多个数据维护中心,每个数据维护中心与其他数据维护中心相连接,组成区块链结构的去中心化数据维护集群;设置一个资源中心,所述资源中心统一为每个数据维护中心分配资源;初始时,资源中心随机为每个数据维护中心分配资源,同时,按照设定的时间周期,进行资源分配重置,再重新为每个数据维护中心分配资源。
步骤2:在数据维护集群中,随机设置多个可以移动的资源巡检程序,每个资源巡检程序对应一个数据维护中心;所述资源巡检程序在数据维护集群中从对应的数据维护中心开始随机移动,在移动过程中,实时记录位置和该位置对应的资源量。
步骤3:基于改进的蚁群资源分配算法,计算出当每个资源巡检程序遍历完所有数据维护中心后的总资源量;然后筛选出资源量最大的资源巡检程序的路径,按照该路径中各个数据维护中心的先后顺序,从高到低,为数据维护中心设置资源分配优先级。
步骤4:资源中心按照步骤3中得到的资源分配优先级,为每个数据维护中心进行资源分配;同时,停止按照设定的时间周期,进行资源分配重置的过程。
进一步的,所述资源包括:磁盘空间资源、内存资源、CPU资源和网络带宽资源。
进一步的,所述步骤4中,资源中心基于资源分配优先级,为每个数据维护中心进行资源分配时,通过如下步骤确定为每个数据维护中心分配的资源量:
步骤4.1:实时获取数据维护中心的负载量和资源利用率。
步骤4.2:使用如下公式,计算出为每个数据维护中心的资源量的上下限:
;
。
其中,为下限;为上限;为负载量;为资源利用率;为资源分
配优先级,当数据维护中心的资源分配优先级最高时,等于,以此类推,当数据维护中心
的资源分配优先级最低时,等于;为数据维护中心的数量;为资源中心的资源总
量。
进一步的,所述资源量使用如下公式进行定义:
资源量=磁盘空间资源+内存资源*0.9+CPU资源*0.9+网络带宽资源*0.8。
进一步的,所述步骤3具体包括:
步骤3.1:为数据维护集群中的每个资源巡检程序的位置设置初始的信息素
浓度,以及该位置的资源量;为每个位置计算启发式信息,所述启发式信息为资源量的倒数:
。
步骤3.2:对于每一次迭代:对于每个资源巡检程序:
初始化资源巡检程序的当前位置为随机位置;对于每个位置,计算选择概率:选择下一个移动位置,依据选择概率;更新资源巡检程序的位置为 ;其中,为迭代次数上限。
步骤3.3:对于每个位置,执行以下操作:每个资源巡检程序在位置上
留下的信息素量由以下公式计算:
。
其中,路径长度表示资源巡检程序在当前迭代中经过的路径长度;同时,更新位
置上的信息素浓度。
步骤3.4:如果未达到停止条件,则返回步骤3.2;否则,在所有迭代中,记录每个资源巡检程序经过的路径和获得的资源量。
步骤3.5:筛选出资源量最大的资源巡检程序的路径,按照该路径中各个数据维护中心的先后顺序,从高到低,为数据维护中心设置资源分配优先级。
进一步的,所述概率使用如下公式计算得到:
。
其中,和是控制信息素和启发式信息的相对重要性的参数,表示资源巡检
程序选择移动到位置的概率;为与对应的序号,表示数据维护集群中的每个
资源巡检程序的位置设置的初始的信息素浓度;每个位置计算的启发
式信息;为的上限。
进一步的,使用如下公式更新位置上的信息素浓度:
。
其中,是信息素蒸发率,控制信息素的挥发速度。
进一步的,选择下一个移动位置的方法包括:
对于每个可选择的移动位置,计算累积概率,初始化为0;对于每个可选择
的移动位置,将累积概率更新为之前位置的累积概率加上选择概率:
。
生成一个介于0到1之间的随机数;对于每个可选择的移动位置,如果随机
数小于等于累积概率,则选择位置为下一个移动位置;如果随机数大
于累积概率,则继续向下一个可选择的移动位置进行判断;返回选择的下一个移动位置。
另一方面,还提供了一种数据中心运维管理系统,所述系统包括:多个以区块链网络结构彼此互联的数据维护中心和一个资源中心;所述资源中心统一为每个数据维护中心分配资源;初始时,资源中心随机为每个数据维护中心分配资源,同时,按照设定的时间周期,进行资源分配重置,再重新为每个数据维护中心分配资源;所述资源中心在数据维护集群中,随机设置多个可以移动的资源巡检程序,每个资源巡检程序对应一个数据维护中心;所述资源巡检程序在数据维护集群中从对应的数据维护中心开始随机移动,在移动过程中,实时记录位置和该位置对应的资源量;基于改进的蚁群资源分配算法,计算出当每个资源巡检程序遍历完所有数据维护中心后的总资源量;然后筛选出资源量最大的资源巡检程序的路径,按照该路径中各个数据维护中心的先后顺序,从高到低,为数据维护中心设置资源分配优先级;所述资源中心按照得到的资源分配优先级,为每个数据维护中心进行资源分配,同时,停止按照设定的时间周期,进行资源分配重置的过程。
进一步的,所述资源中心在完成资源分配后,将回收所有的资源巡检程序。
本发明的一种数据中心运维管理方法及系统,具有以下有益效果:
资源分配的灵活性:传统数据中心管理通常采用集中式的资源分配模式,导致资源分配不均衡和难以实现灵活调度。本发明基于区块链网络结构,实现了去中心化的数据维护集群,每个数据维护中心通过区块链相互连接。资源中心统一为每个数据维护中心分配资源,使得资源分配更加灵活和平衡,能够根据实时需求和优先级进行动态调整。
资源利用率的提升:传统的静态资源分配策略无法适应数据中心内部的动态变化和实时需求。本发明采用改进的蚁群算法,通过资源巡检程序的随机移动和路径选择,计算出资源巡检程序遍历完所有数据维护中心后的总资源量。根据资源量最大的路径,为数据维护中心设置资源分配优先级,实现资源的优化分配。这样可以提高资源利用率,确保资源能够最大限度地满足各个数据维护中心的需求。
智能化的资源分配和管理:传统的数据中心管理往往缺乏智能化和自适应性,无法根据数据中心的实际情况进行动态调整和优化。本发明引入了改进的蚁群算法,该算法结合了信息素和启发式信息,能够根据实时资源情况和路径选择策略进行智能的资源分配。资源巡检程序根据蚁群算法的规则进行移动和信息素更新,通过迭代的过程实现资源分配的自我优化和自适应。这样能够提升数据中心管理的智能化水平,提高管理效率和性能。
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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种数据中心运维管理方法的方法流程示意图。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
一种数据中心运维管理方法,所述方法包括:
步骤1:分散设置多个数据维护中心,每个数据维护中心与其他数据维护中心相连接,组成区块链结构的去中心化数据维护集群;设置一个资源中心,所述资源中心统一为每个数据维护中心分配资源;初始时,资源中心随机为每个数据维护中心分配资源,同时,按照设定的时间周期,进行资源分配重置,再重新为每个数据维护中心分配资源。
数据维护中心被分散设置并连接在一起,形成了一个去中心化的数据维护集群。这样的架构可以提高数据中心的可靠性和容错性,因为即使某个数据维护中心出现故障,其他中心仍然可以继续正常运行。资源中心负责统一为每个数据维护中心分配资源,包括计算资源、存储资源等。初始时,资源中心会随机为每个数据维护中心分配资源,并定期进行资源分配重置,重新为每个数据维护中心进行资源分配,以适应数据中心的需求变化。
步骤2:在数据维护集群中,随机设置多个可以移动的资源巡检程序,每个资源巡检程序对应一个数据维护中心;所述资源巡检程序在数据维护集群中从对应的数据维护中心开始随机移动,在移动过程中,实时记录位置和该位置对应的资源量。
每个资源巡检程序与一个数据维护中心对应。资源巡检程序可以在数据维护集群中进行随机移动,并记录每个位置的资源量。这样做的目的是实时获取数据维护集群中各个位置的资源情况,为后续的资源分配提供依据。
步骤3:基于改进的蚁群资源分配算法,计算出当每个资源巡检程序遍历完所有数据维护中心后的总资源量;然后筛选出资源量最大的资源巡检程序的路径,按照该路径中各个数据维护中心的先后顺序,从高到低,为数据维护中心设置资源分配优先级。
每个资源巡检程序可以视为一只蚂蚁,它在数据维护集群中移动并记录位置和资源量。当所有资源巡检程序完成遍历后,会得到每个位置的资源量信息。然后,根据这些信息,计算出每个资源巡检程序路径上经过的数据维护中心的总资源量。
接着,筛选出资源量最大的资源巡检程序的路径,即遍历数据维护中心后总资源量最多的路径。按照该路径中各个数据维护中心的先后顺序,从高到低,为数据维护中心设置资源分配优先级。这样做的目的是确保资源分配能够优先满足资源量较大的数据维护中心的需求。
步骤4:资源中心按照步骤3中得到的资源分配优先级,为每个数据维护中心进行资源分配;同时,停止按照设定的时间周期,进行资源分配重置的过程。
资源中心根据步骤3中得到的资源分配优先级,为每个数据维护中心进行资源分配。资源分配优先级高的数据维护中心将获得更多的资源分配,以满足其较高的需求。同时,根据这个方法,停止按照设定的时间周期进行资源分配重置的过程,即不再定期重新为数据维护中心分配资源。
优选地,所述资源包括:磁盘空间资源、内存资源、CPU资源和网络带宽资源。
在步骤1中,资源中心负责统一为每个数据维护中心分配资源,这些资源包括磁盘空间、内存、CPU和网络带宽。磁盘空间资源指存储数据所需的硬盘空间,用于保存数据文件和系统文件。内存资源是指用于临时存储数据和程序运行的内存容量,可以影响数据处理和计算性能。CPU资源指中央处理器的计算能力,用于执行各种数据中心任务和计算操作。网络带宽资源是指数据中心与外部网络之间的数据传输速率,影响数据传输和访问的效率。
优选地,所述步骤4中,资源中心基于资源分配优先级,为每个数据维护中心进行资源分配时,通过如下步骤确定为每个数据维护中心分配的资源量:
步骤4.1:实时获取数据维护中心的负载量和资源利用率。
步骤4.2:使用如下公式,计算出为每个数据维护中心的资源量的上下限:
;
。
其中,为下限;为上限;为负载量;为资源利用率;为资源分
配优先级,当数据维护中心的资源分配优先级最高时,等于,以此类推,当数据维护中心
的资源分配优先级最低时,等于;为数据维护中心的数量;为资源中心的资源总
量。
:指数函数的使用是为了调整资源分配优先级的影响。指数函数将参数
的值进行指数化,使其呈现指数级增长。在这里,通过使用指数函数,可以使得资源分配优
先级高的数据维护中心能够获得更大的资源分配。:资源分配优先级代表了数据维护中
心的优先级顺序,较高优先级的数据维护中心将获得更多的资源分配。通过在公式中引入,可以根据资源分配优先级的不同,为每个数据维护中心分配不同比例的资源量。这样做
可以确保资源分配优先级高的数据维护中心能够优先获得更多的资源。:数据维护中心
的数量是公式中的参数,它用于归一化资源分配优先级。将除以可以将优先级的范
围缩放到0到1之间,以便适应资源量的计算。这样做的目的是确保资源分配的公平性,不会
因为数据维护中心的数量不同而导致资源分配失衡。:负载量表示数据维护
中心当前的负荷情况,即正在处理的任务量或负荷程度。通过将负载量纳入资源分配公式,
可以根据实际负荷情况来调整资源分配的上下限。当负载量较高时,表示数据维护中心需
要更多的资源来处理任务,因此其资源分配上下限将相应地增加。:资源利用率表示数
据维护中心当前使用的资源占总资源的比例。资源利用率的考虑是为了避免资源浪费,将
资源分配与实际使用情况相匹配。当资源利用率较高时,表示数据维护中心已经高效地利
用了资源,因此资源分配上下限将相应地增加,以满足其较高的资源需求。:资源中心的
资源总量是公式中的参数,表示资源中心可提供的总资源量。通过将资源总量纳入公
式,可以根据可用资源的总量来调整资源分配上下限。较大的资源总量意味着更多的资源
可供分配,因此资源分配上下限将相应地增加,以满足数据维护中心的需求。
优选地,所述资源量使用如下公式进行定义:
资源量=磁盘空间资源+内存资源*0.9+CPU资源*0.9+网络带宽资源*0.8。
内存资源和CPU资源的权重系数为0.9:这表示内存资源和CPU资源在计算资源量时被赋予了较高的重要性。内存资源和CPU资源是数据中心运行和处理任务所必需的核心资源。将较高的权重系数分配给这两项资源,体现了它们对数据中心性能的重要影响。
网络带宽资源的权重系数为0.8:这表示网络带宽资源在计算资源量时相对于内存资源和CPU资源略显较低的重要性。尽管网络带宽资源对于数据中心的数据传输和访问非常关键,但在资源量计算中给予稍低的权重系数是基于实际情况和资源的相对重要性。
优选地,所述步骤3具体包括:
步骤3.1:为数据维护集群中的每个资源巡检程序的位置设置初始的信息素
浓度,以及该位置的资源量;为每个位置计算启发式信息,所述启发式信息为资源量的倒数:
。
初始化信息素浓度和资源量,为后续的蚁群算法提供起点。启发式信息根据资源量的倒数,提供了一种启发式的指导,资源量较大的位置具有较低的启发式信息值,使得蚂蚁更有可能选择资源量较大的位置进行探索。
步骤3.2:对于每一次迭代:对于每个资源巡检程序:
初始化资源巡检程序的当前位置为随机位置;对于每个位置,计算选择概率:选择下一个移动位置,依据选择概率;更新资源巡检程序的位置为;其中,为迭代次数上限。
通过迭代和随机移动,探索资源维护集群中不同位置的资源量,并为后续步骤提供路径信息。
步骤3.3:对于每个位置,执行以下操作:每个资源巡检程序在位置上
留下的信息素量由以下公式计算:
。
其中,路径长度表示资源巡检程序在当前迭代中经过的路径长度;同时,更新位
置上的信息素浓度。
通过信息素的留下和更新,蚂蚁能够在搜索过程中更好地记住经过的路径,较优路径上的信息素浓度会逐渐增加,从而引导其他蚂蚁更可能选择较优路径。
步骤3.4:如果未达到停止条件,则返回步骤3.2;否则,在所有迭代中,记录每个资源巡检程序经过的路径和获得的资源量。
在达到停止条件之前,不断进行迭代,以寻找更优的资源分配路径和优先级。当满足停止条件时,记录每个资源巡检程序经过的路径和获得的资源量,为下一步骤的优先级设定提供依据。
步骤3.5:筛选出资源量最大的资源巡检程序的路径,按照该路径中各个数据维护中心的先后顺序,从高到低,为数据维护中心设置资源分配优先级。
根据资源量最大的路径,确定数据维护中心的资源分配优先级。资源量较大的路径上的数据维护中心将被优先分配资源,以实现更合理和优化的资源分配策略。
启发式信息根据位置的资源量的倒数进行计算。资源量较大的位置将具有较小的启发式信息值,这意味着蚂蚁在选择下一个移动位置时更有可能选择资源量较大的位置。这样设计启发式信息的目的是为了引导蚂蚁更倾向于选择资源量较大的位置,以提高资源利用效率和数据维护中心的性能。
优选地,所述概率使用如下公式计算得到:
。
其中,和是控制信息素和启发式信息的相对重要性的参数,表示资源巡检
程序选择移动到位置的概率;为与对应的序号,表示数据维护集群中的每个
资源巡检程序的位置设置的初始的信息素浓度;每个位置计算的启发
式信息;为的上限。
:信息素浓度表示蚂蚁在位置上留下的信息素量,可以看作蚂蚁对该位置
的喜好程度。较高的信息素浓度意味着蚂蚁更可能选择该位置。在概率计算中,将信息素浓
度的值经过参数的幂次方处理,以控制信息素的相对重要性。
:启发式信息表示根据资源量的倒数计算得到的启发式估计。启发式信息反映
了位置上资源量的重要程度,较大的资源量对应较小的启发式信息值。在概率计算
中,将启发式信息的值经过参数的幕次方处理,以控制启发式信息的相对重要性。
:分母部分是对所有可能的移动位置的信息素和启
发式信息进行加权求和。这个求和项是为了进行归一化,确保所有概率之和为1。
通过计算概率,可以根据信息素和启发式信息的相对重要性,为资源巡检程序
选择移动的下一个位置。较高的概率值意味着该位置被选择的可能性更大,从而引导资源
巡检程序朝着资源量较大的位置移动。
优选地,使用如下公式更新位置上的信息素浓度:
。
其中,是信息素蒸发率,控制信息素的挥发速度。
:表示位置上的信息素挥发部分。通过乘以,可以实现
信息素的衰减和挥发,模拟信息素在环境中的逐渐消散。
:表示位置上的信息素增加部分。是资源巡检程序在当前迭
代中在位置上留下的信息素量。将所有资源巡检程序在位置上留下的信息素量
进行求和,以得到总的信息素增加量。通过以上两部分的组合,可以得到新的位置上
的信息素浓度。信息素蒸发率控制了信息素的挥发速度,较大的值意味着信息素挥
发得更快,对先前的信息素影响较小;较小的值则表示信息素挥发得更幔,对先前的信息
素影响较大。
优选地,选择下一个移动位置的方法包括:
对于每个可选择的移动位置,计算累积概率,初始化为0;对于每个可选择
的移动位置,将累积概率更新为之前位置的累积概率加上选择概率:
。
生成一个介于0到1之间的随机数;对于每个可选择的移动位置,如果随机
数小于等于累积概率,则选择位置为下一个移动位置;如果随机数大
于累积概率,则继续向下一个可选择的移动位置进行判断;返回选择的下一个移动位置。
利用累积概率和随机数的生成,通过对每个可选择的移动位置进行判断和比较,选择概率较高的位置作为下一个移动位置。累积概率的计算是根据之前位置的累积概率和当前位置的选择概率进行累加。生成的随机数r在0到1的范围内,用于与累积概率进行比较,从而确定下一个移动位置。
这样的选择方法可以根据选择概率和随机数的随机性,实现资源巡检程序在搜索过程中对不同位置的探索和选择。较高的选择概率和较大的随机数范围可以增加探索的广度,而较小的选择概率和较小的随机数范围可以增加对资源量较大位置的选择倾向。通过综合考虑选择概率和随机数,能够实现资源巡检程序的智能路径选择。
一种数据中心运维管理系统,所述系统包括:多个以区块链网络结构彼此互联的数据维护中心和一个资源中心;所述资源中心统一为每个数据维护中心分配资源;初始时,资源中心随机为每个数据维护中心分配资源,同时,按照设定的时间周期,进行资源分配重置,再重新为每个数据维护中心分配资源;所述资源中心在数据维护集群中,随机设置多个可以移动的资源巡检程序,每个资源巡检程序对应一个数据维护中心;所述资源巡检程序在数据维护集群中从对应的数据维护中心开始随机移动,在移动过程中,实时记录位置和该位置对应的资源量;基于改进的蚁群资源分配算法,计算出当每个资源巡检程序遍历完所有数据维护中心后的总资源量;然后筛选出资源量最大的资源巡检程序的路径,按照该路径中各个数据维护中心的先后顺序,从高到低,为数据维护中心设置资源分配优先级;所述资源中心按照得到的资源分配优先级,为每个数据维护中心进行资源分配,同时,停止按照设定的时间周期,进行资源分配重置的过程。
优选地,所述资源中心在完成资源分配后,将回收所有的资源巡检程序。
在资源分配完成后,资源中心将回收所有的资源巡检程序,以便进一步优化资源的利用和分配。回收资源巡检程序可以减少不必要的开销和资源浪费。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些具体实施方式仅是举例说明,本领域的技术人员在不脱离本发明的原理和实质的情况下,可以对上述方法和系统的细节进行各种省略、替换和改变。例如,合并上述方法步骤,从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此,本发明的范围仅由所附权利要求书限定。
Claims (7)
1.一种数据中心运维管理方法,其特征在于,所述方法包括:
步骤1:分散设置多个数据维护中心,每个数据维护中心与其他数据维护中心相连接,组成区块链结构的去中心化数据维护集群;设置一个资源中心,所述资源中心统一为每个数据维护中心分配资源;初始时,资源中心随机为每个数据维护中心分配资源,同时,按照设定的时间周期,进行资源分配重置,再重新为每个数据维护中心分配资源;
步骤2:在数据维护集群中,随机设置多个可以移动的资源巡检程序,每个资源巡检程序对应一个数据维护中心;所述资源巡检程序在数据维护集群中从对应的数据维护中心开始随机移动,在移动过程中,实时记录位置和该位置对应的资源量;
步骤3:基于改进的蚁群资源分配算法,计算出当每个资源巡检程序遍历完所有数据维护中心后的总资源量;然后筛选出资源量最大的资源巡检程序的路径,按照该路径中各个数据维护中心的先后顺序,从高到低,为数据维护中心设置资源分配优先级;
步骤4:资源中心按照步骤3中得到的资源分配优先级,为每个数据维护中心进行资源分配;同时,停止按照设定的时间周期,进行资源分配重置的过程;
所述步骤3具体包括:
步骤3.1:为数据维护集群中的每个资源巡检程序的位置(i,j)设置初始的信息素浓度τij,以及该位置的资源量Qij;为每个位置(i,j)计算启发式信息ηij,所述启发式信息ηij为资源量的倒数:
步骤3.2:对于每一次迭代t=1,2,…,T:对于每个资源巡检程序k=1,2,…,N:初始化资源巡检程序k的当前位置(xk,yk)为随机位置;对于每个位置(i,j),计算选择概率pij:选择下一个移动位置(x'k,y'k),依据选择概率pij;更新资源巡检程序的位置为(x'k,y'k);其中,T为迭代次数上限;
步骤3.3:对于每个位置(i,j),执行以下操作:每个资源巡检程序k在位置(i,j)上留下的信息素量由以下公式计算:
其中,路径长度表示资源巡检程序k在当前迭代中经过的路径长度;同时,更新位置(i,j)上的信息素浓度;
步骤3.4:如果未达到停止条件,则返回步骤3.2;否则,在所有迭代中,记录每个资源巡检程序经过的路径和获得的资源量;
步骤3.5:筛选出资源量最大的资源巡检程序的路径,按照该路径中各个数据维护中心的先后顺序,从高到低,为数据维护中心设置资源分配优先级。
2.如权利要求1所述的数据中心运维管理方法,其特征在于,所述资源包括:磁盘空间资源、内存资源、CPU资源和网络带宽资源。
3.如权利要求1所述的数据中心运维管理方法,其特征在于,所述步骤4中,资源中心基于资源分配优先级,为每个数据维护中心进行资源分配时,通过如下步骤确定为每个数据维护中心分配的资源量:
步骤4.1:实时获取数据维护中心的负载量和资源利用率;
步骤4.2:使用如下公式,计算出为每个数据维护中心的资源量的上下限:
其中,LIM为下限;MAX为上限;LOAD为负载量;P为资源利用率;n为资源分配优先级,当数据维护中心的资源分配优先级最高时,n等于U,以此类推,当数据维护中心的资源分配优先级最低时,n等于1;U为数据维护中心的数量;SO为资源中心的资源总量。
4.如权利要求2所述的数据中心运维管理方法,其特征在于,所述资源量使用如下公式进行定义:
资源量=磁盘空间资源+内存资源*0.9+CPU资源*0.9+网络带宽资源*0.8。
5.如权利要求1所述的数据中心运维管理方法,其特征在于,所述概率pij使用如下公式计算得到:
其中,α和β是控制信息素和启发式信息的相对重要性的参数,pij表示资源巡检程序k选择移动到位置(i,j)的概率;m为与j对应的序号,τim表示数据维护集群中的每个资源巡检程序的位置(i,m)设置的初始的信息素浓度τim;ηim每个位置(i,m)计算的启发式信息ηij;M为j的上限。
6.如权利要求5所述的数据中心运维管理方法,其特征在于,使用如下公式更新位置(i,j)上的信息素浓度:
其中,ρ是信息素蒸发率,控制信息素的挥发速度。
7.如权利要求5所述的数据中心运维管理方法,其特征在于,选择下一个移动位置(x′k,y′k)的方法包括:
对于每个可选择的移动位置(i,j),计算累积概率Pij,初始化为0;对于每个可选择的移动位置(i,j),将累积概率Pij更新为之前位置(i′,j′)的累积概率Pi′j′加上选择概率pij:
Pij=Pi′j′+pij;
生成一个介于0到1之间的随机数r;对于每个可选择的移动位置(i,j),如果随机数r小于等于累积概率Pij,则选择位置(i,j)为下一个移动位置(x′k,y′k);如果随机数r大于累积概率Pij,则继续向下一个可选择的移动位置进行判断;返回选择的下一个移动位置(x′k,y′k)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310912003.1A CN116627663B (zh) | 2023-07-25 | 2023-07-25 | 一种数据中心运维管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310912003.1A CN116627663B (zh) | 2023-07-25 | 2023-07-25 | 一种数据中心运维管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116627663A CN116627663A (zh) | 2023-08-22 |
CN116627663B true CN116627663B (zh) | 2023-11-10 |
Family
ID=87603040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310912003.1A Active CN116627663B (zh) | 2023-07-25 | 2023-07-25 | 一种数据中心运维管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116627663B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103067524A (zh) * | 2013-01-18 | 2013-04-24 | 浪潮电子信息产业股份有限公司 | 一种基于云计算环境的蚁群优化计算资源分配方法 |
CN105530707A (zh) * | 2015-12-21 | 2016-04-27 | 东南大学 | 一种异构融合场景中基于混合优化的资源分配方法 |
CN112996019A (zh) * | 2021-03-01 | 2021-06-18 | 军事科学院系统工程研究院网络信息研究所 | 基于多目标优化的太赫兹频段分布式星群接入控制方法 |
WO2022000924A1 (zh) * | 2020-07-01 | 2022-01-06 | 北京工业大学 | 基于ammas-ga嵌套算法的双资源模具作业车间调度优化方法 |
CN115480876A (zh) * | 2022-09-15 | 2022-12-16 | 史志 | 基于蚁群算法优化的云计算任务调度方法及系统 |
CN116089031A (zh) * | 2022-12-07 | 2023-05-09 | 天翼云科技有限公司 | 一种基于蚁群优化算法的异构任务调度方法 |
CN116166381A (zh) * | 2023-03-02 | 2023-05-26 | 应急管理部大数据中心 | 一种多云管理平台中基于iaco算法的资源调度 |
CN116366658A (zh) * | 2023-06-01 | 2023-06-30 | 天翼云科技有限公司 | 一种云计算负载均衡方法、系统 |
-
2023
- 2023-07-25 CN CN202310912003.1A patent/CN116627663B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103067524A (zh) * | 2013-01-18 | 2013-04-24 | 浪潮电子信息产业股份有限公司 | 一种基于云计算环境的蚁群优化计算资源分配方法 |
CN105530707A (zh) * | 2015-12-21 | 2016-04-27 | 东南大学 | 一种异构融合场景中基于混合优化的资源分配方法 |
WO2022000924A1 (zh) * | 2020-07-01 | 2022-01-06 | 北京工业大学 | 基于ammas-ga嵌套算法的双资源模具作业车间调度优化方法 |
CN112996019A (zh) * | 2021-03-01 | 2021-06-18 | 军事科学院系统工程研究院网络信息研究所 | 基于多目标优化的太赫兹频段分布式星群接入控制方法 |
CN115480876A (zh) * | 2022-09-15 | 2022-12-16 | 史志 | 基于蚁群算法优化的云计算任务调度方法及系统 |
CN116089031A (zh) * | 2022-12-07 | 2023-05-09 | 天翼云科技有限公司 | 一种基于蚁群优化算法的异构任务调度方法 |
CN116166381A (zh) * | 2023-03-02 | 2023-05-26 | 应急管理部大数据中心 | 一种多云管理平台中基于iaco算法的资源调度 |
CN116366658A (zh) * | 2023-06-01 | 2023-06-30 | 天翼云科技有限公司 | 一种云计算负载均衡方法、系统 |
Non-Patent Citations (3)
Title |
---|
Ant Colony Optimization Computing Resource Allocation Algorithm Based on Cloud Computing Environment;Xin, Guo;PROCEEDINGS OF THE 2016 INTERNATIONAL CONFERENCE ON EDUCATION, MANAGEMENT, COMPUTER AND SOCIETY;第37卷;1039-1042 * |
基于蚁群优化算法的云计算资源负载均衡研究;孟凡超;张海洲;初佃辉;;华中科技大学学报(自然科学版)(第S2期);64-69 * |
基于资源移动性的空间信息网络资源管理方法;朱乙婷;万方学位论文;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116627663A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109561148B (zh) | 边缘计算网络中基于有向无环图的分布式任务调度方法 | |
CN107911478B (zh) | 基于化学反应优化算法的多用户计算卸载方法及装置 | |
CN109885397B (zh) | 一种边缘计算环境中时延优化的负载任务迁移算法 | |
CN110798849A (zh) | 一种超密网边缘计算的计算资源分配与任务卸载方法 | |
CN113938488B (zh) | 一种基于动静态加权轮询的负载均衡方法 | |
CN111722910B (zh) | 一种云作业调度及资源配置的方法 | |
CN111813506A (zh) | 一种基于粒子群算法资源感知计算迁移方法、装置及介质 | |
CN110321217A (zh) | 一种多目标的云资源调度方法、装置、设备及存储介质 | |
CN115934333A (zh) | 基于历史数据感知的云计算资源调度方法及调度系统 | |
CN116467082A (zh) | 一种基于大数据的资源分配方法及系统 | |
CN106936905B (zh) | 基于openstack的Nova组件虚拟机的调度方法及其调度系统 | |
CN116627663B (zh) | 一种数据中心运维管理方法及系统 | |
CN116302404B (zh) | 面向资源解耦合数据中心的服务器无感知计算调度方法 | |
CN113139639A (zh) | 一种基于mombi面向智慧城市应用多目标计算迁移方法和装置 | |
CN112256422A (zh) | 基于q学习的异构平台任务调度方法及系统 | |
CN113543160A (zh) | 5g切片资源配置方法、装置、计算设备及计算机存储介质 | |
CN116089083A (zh) | 一种多目标数据中心资源调度方法 | |
CN116932201A (zh) | 一种面向深度学习训练任务的多资源共享调度方法 | |
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 | |
CN114625493B (zh) | 基于改进天牛须智能方法的Kubernetes集群资源调度方法 | |
Anjiki et al. | Performance Improvement by Controlling VM Migration between Edge Nodes in a Multi-Stage Information Processing System | |
CN111290853B (zh) | 一种基于自适应改进遗传算法的云数据中心调度方法 | |
CN114090239A (zh) | 一种基于模型的强化学习的边缘资源调度方法和装置 | |
CN113783801A (zh) | 一种基于联盟博弈的带宽资源分配方法及系统 | |
Alkhanak et al. | A hyper-heuristic approach using a prioritized selection strategy for workflow scheduling in cloud computing |
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 |