一种自组织云多对多计算迁移方法及系统技术方案

本发明专利技术公开了一种自组织云多对多计算迁移方法及系统。中央调度管理器收集并管理各节点设备发送的任务请求，定时采用遗传蚁群任务调度算法进行任务调度，并将任务调度结果返回至源节点设备；源节点设备接收到任务调度结果后将任务迁移至目标节点设备；目标节点设备按任务队列执行任务，执行完该任务后将任务输出数据发送回源节点设备。本发明专利技术研究了对等自组织云网络环境下的任务调度问题，描述任务调度模型和任务调度策略，针对任务调度问题中的最小任务平均执行时长、负载均衡、最小任务平均执行能耗等优化目标，设计了基于遗传蚁群算法的任务调度算法。

【技术实现步骤摘要】
一种自组织云多对多计算迁移方法及系统
本专利技术涉及计算机理论领域，特别是指一种自组织云多对多计算迁移方法及系统。
技术介绍
随着全球信息化和智能化技术的发展，智能终端和各种物联网节点设备作为人们享受智能化和信息化生活的接口，作为在最底层采集、计算和传输信息的载体，以及各种智能化和信息化功能的具体执行者，在人们生活中担当着日益重要的角色。在智能终端设备不断发展的背景下，自组织网络将成为各个终端设备协同工作、互相协作，创造更高应用服务的主要组织形式。然而由于自身固有的资源限制，这些设备往往无法满足日益提升的需求，计算迁移技术利用网络中的闲散资源，将终端设备上的任务迁移至其他资源丰富的设备上执行，有效解决了这一问题，成为当下研究的热点。按照计算迁移的目的设备划分可以将计算迁移分为三种：远端云计算迁移、本地云计算迁移和自组织云计算迁移。第一种是指节点设备将计算任务迁移至远程数据中心执行并接收其执行结果，远端云通常具备强大的计算能力，但要求节点设备具有远程通信能力，且网络时延大，不够稳定。第二种是指节点设备将任务迁移至本地云端，本地云为节点设备附近的高可用资源(如小型服务器、基站资源等)，这种模式可减少通信和时间开销，但是建设和维护成本较高。第三种是指节点设备将任务迁移至附近其他节点设备上执行，各个节点设备组成自组织云，云中的节点设备可以提供和享受云服务并且具有数据转发能力，虽然单一设备提供资源有限，但网络中设备众多可以弥补这一缺陷，且通信和时间开销进一步降低。自组织云计算迁移通过移动自组织网络的形式将终端设备联结在一起，整合出网络中各个节点设备的空闲资源，形成自组织云资源池，网络内的节点设备互相提供云资源，并可以通过多跳形式相互访问，实现资源共享。在终端设备数量和性能日益提升的今天，自组织云网络具有重大研究意义。在移动云计算、机器人网络、车联网、自组织网、网格计算等领域有许多移动自组织云计算迁移技术研究。HuH,WangR等人将计算迁移与D2D通信引入H-CRANs，资源匮乏的设备可以通过集中式管理利用其它用户的空闲计算资源，通过D2D通信将计算任务迁移到其它设备，优化目标为减少计算迁移过程中的通信能耗。BinZhou等人阐述了机器人云的概念，并提出M2M/M2C两种计算迁移架构，前者为自组织云，后者为本地基础设施云，研究使用hybirdGossip等算法，研究了三种模式下的能耗问题，实现了计算成本与通信能耗的平衡。MalhotraA等人提出了一种多跳移动自组织云(MMADC)计算架构，包含服务提供节点和消费节点两种设备，采用固定规模分区和资源发现部署策略节省能耗，利用本地闲置资源，提高资源利用率。FernandoN等人提出了一种微型网络中的自组织云架构，设备在执行期可以分享本地资源。通过向周围发送请求的方式，服务提供设备给出回应，选出合适的服务提供设备后进行计算迁移。VetriselviV等人提出了一种自组织网格架构，网络内包含服务提供设备与消费设备，服务提供设备根据服务质量参数竞争成为网格簇头，消费节点设备有计算迁移请求时直接联系网格簇头，两者进行计算迁移。DonAbraham等人提出一种自组织网格模型，采用虚拟组织的方法动态组织服务提供节点与消费节点，分别采用LLBA和GLLA算法实现了虚拟组织内和整个网格的负载均衡。专利技术人研究发现，现阶段自组织网络环境下的对等计算迁移技术研究存在以下问题：现有研究多针对单一设备的优化(能量消耗、计算效率等)较多，对整体网络的优化较少；在对等设备计算迁移中，设备既可作为计算服务提供者也可以作为计算迁移的请求者，现有研究缺乏多对多计算迁移类似模型，缺乏针对对等自组织云网络中多对多计算迁移的合理资源分配机制。
技术实现思路
有鉴于此，本专利技术的目的在于提出一种自组织云多对多计算迁移方法及系统，在保证各个设备公平性的基础上，实现整个网络的负载均衡、提高网络性能和计算效率，兼顾能耗，为物联网和智能化技术发展提供新的思路。基于上述目的本专利技术提供的一种自组织云多对多计算迁移方法，其特征在于，包括步骤：中央调度管理器监测本地自组织云网络、认知网络与认知无线电，为网络中的节点设备编号；节点设备定时向中央调度管理器发送自身节点设备信息；中央调度管理器收集并管理节点设备信息，并将节点设备信息整理至资源列表；节点设备向中央调度管理器发送任务迁移请求；中央调度管理器收集并管理各节点设备发送的任务迁移请求，基于资源列表的节点设备信息，定时采用遗传蚁群调度算法获取最优任务调度解进行任务调度，并将任务调度结果返回至发送任务迁移请求的源节点设备；源节点设备接收到任务调度结果后，按照任务调度结果指定的目标节点设备将任务迁移至对应的目标节点设备；目标节点设备按照节点的任务队列信息依次执行任务，执行完该任务后将任务输出数据发送回源节点设备。进一步的，所述遗传蚁群任务调度算法包括：将任务调度转化为遗传算法的染色体编码；初始化染色体种群，获取初始任务调度解集空间；采用全局适应值函数作为评价标准，通过遗传算法的选择操作、交叉操作和变异操作进行迭代，获取至少一个最优解；根据获取的最优解生成对应的任务调度方案；将遗传算法生成最优解对应的任务调度方案转化为节点设备的初始信息素，根据蚁群算法进行迭代，获取最优任务调度解。进一步的，所述在将任务调度转化为遗传算法的染色体编码过程中，染色体表示为i＝(1,2,…N)，其中，N为任务调度解集空间大小，m为任务的数量,表示该任务调度解中第j个任务的调度结果，n为节点设备数量，j∈[1,m],表示将计算任务迁移到编号对应的资源提供设备上，其值为节点设备自身编号时表示在本地执行；所述在初始化染色体种群的过程中，根据各个节点设备的选择概率进行收敛解集，获取初始染色体编码空间即初始任务调度解集空间，其中，所述各个节点设备的选择概率函数为其中，n表示包含发送任务迁移请求的源节点设备在内的节点设备的数量，表示任务i分配到编号为j的节点设备执行时的能耗；所述全局适应值函数用于对整个调度方案进行评价,所述全局适应值函数F(x)表示为其中，f(x)表示目标函数，x表示任务调度方案，Cmax表示目标函数理论上的最大值；所述选择操作采用适应值比列选择形式，采用轮盘赌方式实现，用于选择适应值高的染色体个体，每个染色体个体被选择的概率为其中，染色体集群为G＝{G1,G2,…GN}，染色体集群的空间大小为N，染色体个体Gj∈G的适应值为F(Gj)；所述交叉操作采用面向知识领域的位交叉，计算染色体的基因适应值，选取染色体基因适应值低的继续进行迭代，所述基因适应值函数用于对调度方案中某一个调度结果进行评价,基因适应值函数为g(x)＝α*TotalTimej+β*TaskEnergyj其中，α表示任务j的执行总时间的权重系数，β表示任务j的执行能耗的权重系数，TotalTime表示任务j的执行总时间，TaskEnergy表示任务j的执行能耗,x表示任务调度方案；所述变异操采用面向领域知识的位变异实现，用于防止提前收敛，基因的变异概率函数为其中，gi为第i位基因的适应值。优选的，所述适应值函数的目标函数为：f(x)＝α*AverageTaskCompletingTime+β*AverageTaskComple本文档来自技高网...

【技术保护点】
一种自组织云多对多计算迁移方法，其特征在于，包括步骤：中央调度管理器监测本地自组织云网络、认知网络与认知无线电，为网络中的节点设备编号；节点设备定时向中央调度管理器发送自身节点设备信息；中央调度管理器收集并管理节点设备信息，并将节点设备信息整理至资源列表；节点设备向中央调度管理器发送任务迁移请求；中央调度管理器收集并管理各节点设备发送的任务迁移请求，基于资源列表的节点设备信息，定时采用遗传蚁群调度算法获取最优任务调度解进行任务调度，并将任务调度结果返回至发送任务迁移请求的源节点设备；源节点设备接收到任务调度结果后，按照任务调度结果指定的目标节点设备将任务迁移至对应的目标节点设备；目标节点设备按照节点的任务队列信息依次执行任务，执行完该任务后将任务输出数据发送回源节点设备。

【技术特征摘要】
1.一种自组织云多对多计算迁移方法，其特征在于，包括步骤：中央调度管理器监测本地自组织云网络、认知网络与认知无线电，为网络中的节点设备编号；节点设备定时向中央调度管理器发送自身节点设备信息；中央调度管理器收集并管理节点设备信息，并将节点设备信息整理至资源列表；节点设备向中央调度管理器发送任务迁移请求；中央调度管理器收集并管理各节点设备发送的任务迁移请求，基于资源列表的节点设备信息，定时采用遗传蚁群调度算法获取最优任务调度解进行任务调度，并将任务调度结果返回至发送任务迁移请求的源节点设备；源节点设备接收到任务调度结果后，按照任务调度结果指定的目标节点设备将任务迁移至对应的目标节点设备；目标节点设备按照节点的任务队列信息依次执行任务，执行完该任务后将任务输出数据发送回源节点设备。2.根据权利要求1所述的自组织云多对多计算迁移方法，其特征在于，所述遗传蚁群任务调度算法包括：将任务调度转化为遗传算法的染色体编码；初始化染色体种群，获取初始任务调度解集空间；采用全局适应值函数作为评价标准，通过遗传算法的选择操作、交叉操作和变异操作进行迭代，获取至少一个最优解；根据获取的最优解生成对应的任务调度方案；将遗传算法生成最优解对应的任务调度方案转化为节点设备的初始信息素，根据蚁群算法进行迭代，获取最优任务调度解。3.根据权利要求2所述的自组织云多对多计算迁移方法，其特征在于：所述在将任务调度转化为遗传算法的染色体编码过程中，染色体表示为i＝(1,2,…N)，其中，N为任务调度解集空间大小，m为任务的数量,表示该任务调度解中第j个任务的调度结果，n为节点设备数量，j∈[1,m],表示将计算任务迁移到编号对应的资源提供设备上，其值为节点设备自身编号时表示在本地执行；所述在初始化染色体种群的过程中，根据各个节点设备的选择概率进行收敛解集，获取初始染色体编码空间即初始任务调度解集空间，其中，所述各个节点设备的选择概率函数为其中，n表示包含发送任务迁移请求的源节点设备在内的节点设备的数量，表示任务i分配到编号为j的节点设备执行时的能耗；所述全局适应值函数用于对整个调度方案进行评价,所述全局适应值函数F(x)表示为其中，f(x)表示目标函数，x表示任务调度方案，Cmax表示目标函数理论上的最大值；所述选择操作采用适应值比列选择形式，采用轮盘赌方式实现，用于选择适应值高的染色体个体，每个染色体个体被选择的概率为其中，染色体集群为G＝{G1,G2,…GN}，染色体集群的空间大小为N，染色体个体Gj∈G的适应值为F(Gj)；所述交叉操作采用面向知识领域的位交叉，计算染色体的基因适应值，选取染色体基因适应值低的继续进行迭代，所述基因适应值函数用于对调度方案中某一个调度结果进行评价,基因适应值函数为g(x)＝α*TotalTimej+β*TaskEnergyj其中，α表示任务j的执行总时间的权重系数，β表示任务j的执行能耗的权重系数，TotalTime表示任务j的执行总时间，TaskEnergy表示任务j的执行能耗,x表示任务调度方案；所述变异操采用面向领域知识的位变异实现，用于防止提前收敛，基因的变异概率函数为其中，gi为第i位基因的适应值。4.根据权利要求3所述的一种自组织云多对多计算迁移方法，其特征在于，所述适应值函数的目标函数为：f(x)＝α*AverageTaskCompletingTime+β*AverageTaskCompletingEnergy其中，α表示任务完成平均时间的权重系数，β表示任务平均能耗的权重系数其值由具体情境决定；AverageTaskCompletingTime表示任务完成平均时间，AverageTaskCompletingEnergy表示任务平均能耗；所述任务完成平均时间与任务平均能耗的函数为其中，m表示任务数量，n表示节点设备数量；X表示m示节的任务调度矩阵，矩阵X中元素xi,j＝1，则表示应用任务ti被指派到计算节点设备pj来进行调度执行，否则xi,j＝0；C表示m示j的时间矩阵C，矩阵C中元素ci,j表示应用任务ti被指派到计算节点设备pj上进行调度执行时所需要的时间；E表示m示行的能耗矩阵E，矩阵E的元素ei,j表示应用任务ti被指派到计算节点设备pj上进行调度执行时所需要的计算能耗。5.根据权利要求2所述的一种自组织云多对多计算迁移方法，其特征在于，所述蚁群算法包括算法初始化、转移概率设计以及信息素修改：所述在算法初始化时，每个节点设备的信息素初始值函数为其中，是根据所求解问题规模而给定的信息量常量，与节点设备的计算能力有关；是遗传算法求解结果所转换的信息量，表示分配的计算负载量；所述转移概率设计函数为其中，τi(t)表示t时刻节点设备i的信息素值，Ai(t)为t时刻节点设备的相对性能，α、β表示两者的权重即重要程度，Ai(t)＝k*Li，k为常数，Li为当前节点设备能量状况，能量状况好的节点设备更有可能提供云服务，实现负载均衡优化；所述信息素修改函数为τi(t+1)＝τi(t)+Δτi(t)i＝1,2…n其中，若任务成功执行Δτi(t)＝Ks*TaskEnergyj，若任务执行失败Δτi(t)＝Kl*TaskEnergyj，Ks，Kl分别为成功失败的奖惩因子，TaskEnergyj为任务执行开销。6.根据权利要求1所述的一种自组织云多对多计算迁移方法，其特征在于，所述节电设备信息包括计算能力、通信能力、可用电池能源、执行任务队列信息和设备编号。7.一种自...

【专利技术属性】
技术研发人员：范文浩，唐碧华，卢占翔，吴帆，张洪光，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京,11