基于云计算平台的资源调度优化研究.docVIP

基于云计算平台的资源调度优化研究 　　摘要：云计算平台资源调度既是云计算系统的关键，又直接影响着系统的工作性能。为了提高云计算资源调度的效率，在深入分析粒子群算法和模?M退火算法的基础上，提出了改进粒子群的虚拟机部署算法及任务调度算法。一方面提高了虚拟机到物理机的资源利用率，另一方面在保证任务运行时间最短的前提下优化了负载不均衡问题。最后通过仿真工具CloudSim进行了仿真，验证了算法的有效性。 　　关键词：云计算；资源调度；粒子群算法；资源利用率；CloudSim 　　中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2016）30-0187-04 　　随着互联网商业竞争的日益加剧及虚拟化技术的发展，云计算已然彻底改变了信息技术的获取及处理方式。而云平台资源调度既是云计算的关键，又对云计算系统的工作性能有着直接的影响，因此研究获取一款高效的计算资源调度模型至关重要。 　　针对云计算集群的异构及不稳定问题，文献[1]提出了一种基于统计分析的Hadoop任务槽分配机制算法RSSO，并在一定程度上提高了集群的性能[1]。为了解决服务器的吞吐量问题，文献[2]通过研究蜂群算法，提出了基于负载分发的蜂群算法的负载平衡机制[2]。此外基于蛙跳算法、免疫进化算法等研究出的资源调度模型，虽均在提高云计算资源效率上做出了贡献，但却存在着易陷入局部最优解、收敛速度慢的缺陷。 　　为了研究获取更优的云计算调度方案，提高云计算的资源利用率，本研究对粒子群算法的原理进行了研究，并结合实际针对性的对算法进行了改进，提出了基于改进粒子群算法的虚拟机部署算法（simulated annealing-particle swarm optimization，SA-PSO）及基于改进粒子群算法的双适应度任务调度算法（double fitness- particle swarm optimization， DF-PSO）。之后通过仿真证明了提出算法的有效性。 　　1 云计算资源调度问题描述 　　云计算资源调度通常分为两步，第一步在虚拟资源层分配任务至虚拟机上，第二步在物理资源层部署虚拟机至物理机上。 　　研究发现，一方面云平台往往使用简单的虚拟机资源，以牺牲平台负载均衡为代价来提高云平台部署的效率。另一方面云平台所提供的物理资源，是通过放置在物理机上的虚拟机而实现。又由于虚拟机对不同类型的资源需求不同，且物理机的配置也不尽相同，因此需要研究一种在保证部署效率的同时将虚拟资源均衡的调度到物理资源中的办法。 　　2 基于改进粒子群的虚拟机部署算法 　　2.1 改进的粒子群算法 　　传统的粒子群算法（particle swarm optimization，PSO）具有并行处理、鲁棒性好等特点，目前已广泛并成功应用于函数优化、神经网络设计、信号处理等领域。在PSO中当判断得到计算出的适应度优于最优解时，便会将该粒子作为最优解，因此容易出现误将局部最优解定为全局最优解的情况。 　　模拟退火算法源自固体退火原理，其理念为在退火过程中随着温度的降低，算法自身的概率突跳特性能够促使其在解空间中获得全局最优解，即在温度较高时可以舍弃局部最优解而寻求全局最优解[5]。算法核心为退火概率，计算公式如（1）所示。 　　[p=e（-△E（kT））] （1） 　　其中P表示温度T时刻趋于平衡的概率，[△E]表示内能的变化量，T表示温度，K表示Boltzmann常数。 　　因此为了优化传统粒子群算法的收敛性，选择在其过程中引入了模拟退火算法。当有粒子的适应度劣于最优解时，便通过Metropolis进行二次判断，进而决定舍弃与否。如此便实现了获得局部最优解后能够概率性的跳出，并最终得到全局最优解。如图2所示为改进粒子群算法的流程图。 　　根据公式（2）并结合改进算法，研究出的适应度淘汰公式如（2）所示。 　　其中p表示接受适应度的概率，F表示当前适应度，[Fg]表示最优适应度，T表示温度（随迭代次数的增加而减小）。[T=T?k]，k表示变化系数（k=0～1，k越大表示温度降低的越慢）。 　　得到粒子群的适应度函数值后，根据公式（2）计算其概率并进行取舍。T的初值为第一次迭代时的最优解，当T较大而[F-Fg]较小时，P值较大，这时得到的解会劣于全局最优解，同时也使得有了跳出局部最优解的可能。随着迭代次数的增加，系数k逐渐降低，，当温度低于最小值时，便跳出退火算法，重新根据粒子群算法直至得到全局最优解。 　　2.2 基于改进粒子群的虚拟机部署算法 　　对于研究提出的改进粒子群算法，适应度函数是判断粒子优劣性的唯一标准，但其并不唯一，需要具体问题具体分析。因此在对虚拟机的内存、带宽以及计算能力等因素进行综合分析研究后，所得出的负载不均衡度