云环境下基于模糊聚类及严格双边匹配的资源分配方法组成比例

本发明专利技术公开了一种云环境下基于模糊聚类及严格双边匹配的资源分配方法，包括以下步骤：步骤S1:分别获取任务数据集Ct和资源数据集Cr；步骤S2:将任务数据集Ct和资源数据集Cr分别进行标准化处理得到待划分的任务数据矩阵T和资源数据矩阵R；步骤S3:利用FCM方法对任务数据矩阵T和资源数据矩阵R进行聚类划分获得c个任务类和c个资源类，计算c个任务类和c个资源类的聚类中心的值；步骤S4:将c个任务类的聚类中心的值和c个资源类的聚类中心值进行01编码，计算海明距离，得到矩阵HD；步骤S5:对矩阵HD中的任务类与资源类进行相异度匹配，得到配对成功的任务类与资源类；步骤S6:将配对成功的任务类与资源类运用严格双边匹配方法进行最终匹配。

【技术实现步骤摘要】
云环境下基于模糊聚类及严格双边匹配的资源分配方法
本专利技术涉及计算机技术资源调度领域，尤其涉及一种云环境下基于模糊聚类及严格双边匹配的资源分配方法。
技术介绍
云计算是以网络技术、虚拟化技术、分布式计算技术为基础，采用按需分配的一种网络服务模式，具备动态易扩展、资源共享、宽带接入和强大计算存储能力等特点。随着移动互联网的快速发展，随着远程办公、电子医疗、交互式游戏、虚拟现实、移动支付等应用的激增，由此所产生的海量数据都依赖于云平台强大计算能力的处理。探索研究专门面向云环境的资源配置方法有助于提高云平台的资源分配效率，且减小服务提供商的资源调度开销并提高用户的服务体验。资源配置问题是完成特定状态下资源队列和任务队列的最佳匹配映射。现有针对云平台的资源配置方法主要是通过资源聚类或任务聚类的调度方法来减少资源调度开销，却忽略了在高并发任务量且存在大量零散资源的情况，单方面的资源或任务聚类仍不能减小高额的时间开销。其次，在考虑资源配置服务的满意度上，现有研究主要考虑资源供给一方或享受服务一方，在考量服务满意程度上，这种以单方面服务满意程度为目标的评价方法有失公平性。
技术实现思路
有鉴于此，本专利技术提供一种云环境下基于模糊聚类及严格双边匹配的资源分配方法，能够减小高额的时间开销，避免采用仅以单方面服务满意程度为目标的评价方法作为云资源的分配标准进行资源分配，而出现资源分配不公平的情况，确保提高云资源分配效率及分配精确度，同时提高资源配置双方满意程度。本专利技术的云环境下基于模糊聚类及严格双边匹配的资源分配方法，包括以下步骤：包括以下步骤：步骤S1:定义七元组任务数据和五元组资源数据；从七元组任务数据中提取出任务所需的CPU资源tcpu、任务所需的带宽资源tb和任务所需的存储资源tmem，并根据七元组中的任务个数获取任务数据集Ct；从五元组资源数据中提取出资源的CPU属性rcpu、资源的带宽属性rb和资源的存储大小rmem，并根据五元组中的资源个数获取资源数据集Cr；步骤S2:将获取的任务数据集Ct进行标准化处理得到待划分的任务数据矩阵T，将获取的资源数据集Cr进行标准化处理得到待划分的资源数据矩阵R；步骤S3:利用FCM聚类方法对任务数据矩阵T进行聚类划分获得c个任务类，并通过迭代计算得出c个任务类的聚类中心的值，利用FCM对资源数据矩阵R进行聚类划分获得c个资源类,并通过迭代计算得出c个资源类的聚类中心的值；步骤S4:将c个任务类的聚类中心的值和c个资源类的聚类中心的值利用编码原则分别进行01编码，并计算c个任务类与c个资源类之间的海明距离，得到一个c×c的海明距离矩阵HD；步骤S5:将海明距离作为任务类与资源类之间的相异性度量参数，根据相异度匹配原则，对矩阵HD中的任务类与资源类进行相异度匹配，得到匹配成功的任务类与资源类；步骤S6:将匹配成功的任务类与资源类运用严格双边匹配方法进行最终任务与资源匹配，确保一个任务对应唯一一个资源。进一步，步骤S1中的任务数据通过以下步骤获得：步骤S11：七元组任务数据分别为：任务所需的CPU资源tcpu、任务所需的带宽资源tb、任务所需的存储资源tmem、任务期望完成时间ttime、任务所需资源的可靠性tr、任务量大小tdc以及用户愿意支付的任务价格tc，提取其中的任务所需的CPU资源tcpu、任务所需的带宽资源tb和任务所需的存储资源tmem，组成一个m×3的任务数据集矩阵Ct，其中m为任务个数；步骤S12：五元组资源数据分别为：资源的CPU属性rcpu、资源的带宽属性rb、资源的存储大小rmem、资源故障率rfr以及该资源运行任务的价格rp，提取其中的资源的CPU属性rcpu、资源的带宽属性rb和资源的存储大小rmem，组成一个n×3的资源数据集矩阵Cr，其中n为资源个数；进一步，所述标准化处理方法为离差标准化方法，具体公式为：其中q表示数据矩阵中第σ列的任一元素，u表示数据矩阵的总列数，{pσ}表示数据矩阵的第σ列，和分别表示该列数据中的最小值和最大值，q'为q标准化处理之后的值。进一步，步骤S3中的聚类中心的值的计算过程包括以下步骤：步骤S31：确定任务类和资源类的分类个数均为c个，分类时的模糊化程度的值为s，确定迭代次数和停止迭代的阈值，将任务数据集和资源数据集按照模糊化程度值分别分为c类；步骤S32：将任务数据集或资源数据集看成样本数据集，对数据集中的样本数据xη隶属于第k类的隶属度ukη在[0，1]随机赋值，保证样本数据xη隶属于所有类的隶属度的和为1，即其中，1≤k≤c，η＝1,2,…r,r代表样本个数,当对任务聚类时r＝m，对资源聚类时r＝n，得到初始化的FCM聚类的隶属度矩阵U；步骤S33：计算聚类中心ck的值，ck的计算公式为：其中，1≤k≤c，η＝1,2,…r，ukη可从隶属度矩阵U中读取，r代表总样本数据的个数,当对任务聚类时r＝m，对资源聚类时r＝n；步骤S34：将聚类中心的值代入隶属度公式计算出样本数据xη的新的隶属度值uεη'，并得到新的隶属度矩阵U'，新的隶属度值uεη'的计算公式为：其中，样本数据xη为第ε类中的元素，cε表示第ε类的聚类中心值；ck表示每一类的聚类中心的值，当ε＝k时，cε＝ck；步骤S35：利用新的隶属度矩阵U'，并根据步骤S33计算新的聚类中心cε'的值，并重复步骤S34，反复迭代直到满足前后两次迭代的目标函数值之差小于设定的阈值或达到迭代次数时，FCM算法终止，得出最终的聚类中心的值，其中目标函数计算公式为：进一步，所述步骤S4中的编码原则为：判断聚类中心的三个属性值的大小，若该属性值大于该属性取值范围的60％，即该属性值大于0.6，则编码为1，否则编码为0。进一步，所述步骤S5中的相异度匹配原则为：以任务类为基准，海明距离为0的任务类和资源类最先匹配，其次是海明距离为1的任务类和资源类匹配，再是海明距离为2的任务类和资源类匹配，最后是海明距离为3的任务类和资源类匹配，已被匹配过的资源类不能被再次匹配，若同一个任务类与多个资源类的海明距离相等，则按资源类的序号顺位选择第一个未被匹配过的资源类进行优先匹配，剩余的任务类再寻找下一个未被匹配过的资源类进行匹配，直到所有任务类都找到与之匹配的资源类为止。进一步，步骤S6的双边匹配方法包括以下步骤：步骤S61：计算已匹配成功的任务类中的任务tj对资源类中的资源ri的偏好值tpij，并对任务tj对应的所有资源ri的偏好值排序，得到偏好值的排序值tij，即：tij表示任务tj对资源ri的偏好序值，得到任务对资源的偏好序矩阵TPm'×n'，tpij通过以下公式求得：其中，表示任务tj对资源ri在综合性能方面的偏好值，表示任务tj对资源ri在任务完成时间方面的偏好值，表示任务tj对资源ri在可靠性方面的偏好值，表示任务tj对资源ri服务价格方面的偏好值，x,y,z,v分别表示任务tj对资源ri在综合性能、任务完成时间、可靠性以及服务价格方面的权重，且x+y+z+v＝1；步骤S62：计算已匹配成功的资源类中的资源ri对任务类中的任务tj的偏好值rpij，并对资源ri对应的所有任务tj的偏好值排序，得到偏好值的排序值rij，即：rij表示资源ri对任务tj的偏好序值，得到资源对任本文档来自技高网...

【技术保护点】
1.一种云环境下基于模糊聚类及严格双边匹配的资源分配方法，其特征在于：包括以下步骤：步骤S1:定义七元组任务数据和五元组资源数据；从七元组任务数据中提取出任务所需的CPU资源tcpu、任务所需的带宽资源tb和任务所需的存储资源tmem，并根据七元组中的任务个数获取任务数据集Ct；从五元组资源数据中提取出资源的CPU属性rcpu、资源的带宽属性rb和资源的存储大小rmem，并根据五元组中的资源个数获取资源数据集Cr；步骤S2:将获取的任务数据集Ct进行标准化处理得到待划分的任务数据矩阵T，将获取的资源数据集Cr进行标准化处理得到待划分的资源数据矩阵R；步骤S3:利用FCM聚类方法对任务数据矩阵T进行聚类划分获得c个任务类，并通过迭代计算得出c个任务类的聚类中心的值，利用FCM对资源数据矩阵R进行聚类划分获得c个资源类,并通过迭代计算得出c个资源类的聚类中心的值；步骤S4:将c个任务类的聚类中心的值和c个资源类的聚类中心的值利用编码原则分别进行01编码，并计算c个任务类与c个资源类之间的海明距离，得到一个c×c的海明距离矩阵HD；步骤S5:将海明距离作为任务类与资源类之间的相异性度量参数，根据相异度匹配原则，对矩阵HD中的任务类与资源类进行相异度匹配，得到匹配成功的任务类与资源类；步骤S6:将匹配成功的任务类与资源类运用严格双边匹配方法进行最终任务与资源匹配，确保一个任务对应唯一一个资源。...

【技术特征摘要】
1.一种云环境下基于模糊聚类及严格双边匹配的资源分配方法，其特征在于：包括以下步骤：步骤S1:定义七元组任务数据和五元组资源数据；从七元组任务数据中提取出任务所需的CPU资源tcpu、任务所需的带宽资源tb和任务所需的存储资源tmem，并根据七元组中的任务个数获取任务数据集Ct；从五元组资源数据中提取出资源的CPU属性rcpu、资源的带宽属性rb和资源的存储大小rmem，并根据五元组中的资源个数获取资源数据集Cr；步骤S2:将获取的任务数据集Ct进行标准化处理得到待划分的任务数据矩阵T，将获取的资源数据集Cr进行标准化处理得到待划分的资源数据矩阵R；步骤S3:利用FCM聚类方法对任务数据矩阵T进行聚类划分获得c个任务类，并通过迭代计算得出c个任务类的聚类中心的值，利用FCM对资源数据矩阵R进行聚类划分获得c个资源类,并通过迭代计算得出c个资源类的聚类中心的值；步骤S4:将c个任务类的聚类中心的值和c个资源类的聚类中心的值利用编码原则分别进行01编码，并计算c个任务类与c个资源类之间的海明距离，得到一个c×c的海明距离矩阵HD；步骤S5:将海明距离作为任务类与资源类之间的相异性度量参数，根据相异度匹配原则，对矩阵HD中的任务类与资源类进行相异度匹配，得到匹配成功的任务类与资源类；步骤S6:将匹配成功的任务类与资源类运用严格双边匹配方法进行最终任务与资源匹配，确保一个任务对应唯一一个资源。2.根据权利要求1所述的云环境下基于模糊聚类及严格双边匹配的资源分配方法，其特征在于：步骤S1中的任务数据通过以下步骤获得：步骤S11：七元组任务数据分别为：任务所需的CPU资源tcpu、任务所需的带宽资源tb、任务所需的存储资源tmem、任务期望完成时间ttime、任务所需资源的可靠性tr、任务量大小tdc以及用户愿意支付的任务价格tc，提取其中的任务所需的CPU资源tcpu、任务所需的带宽资源tb和任务所需的存储资源tmem，组成一个m×3的任务数据集矩阵Ct，其中m为任务个数；步骤S12：五元组资源数据分别为：资源的CPU属性rcpu、资源的带宽属性rb、资源的存储大小rmem、资源故障率rfr以及该资源运行任务的价格rp，提取其中的资源的CPU属性rcpu、资源的带宽属性rb和资源的存储大小rmem，组成一个n×3的资源数据集矩阵Cr，其中n为资源个数。3.根据权利要求2所述的云环境下基于模糊聚类及严格双边匹配的资源分配方法，其特征在于：所述标准化处理方法为离差标准化方法，具体公式为：其中q表示数据矩阵中第σ列的任一元素，u表示数据矩阵的总列数，{pσ}表示数据矩阵的第σ列，和分别表示该列数据中的最小值和最大值，q'为q标准化处理之后的值。4.根据权利要求3所述的云环境下基于模糊聚类及严格双边匹配的资源分配方法，其特征在于：步骤S3中的聚类中心的值的计算过程包括以下步骤：步骤S31：确定任务类和资源类的分类个数均为c个，分类时的模糊化程度的值为s，确定迭代次数和停止迭代的阈值，将任务数据集和资源数据集按照模糊化程度值分别分为c类；步骤S32：将任务数据集或资源数据集看成样本数据集，对数据集中的样本数据xη隶属于第k类的隶属度ukη在[0，1]随机赋值，保证样本数据xη隶属于所有类的隶属度的和为1，即其中，1≤k≤c，η＝1,2,…r,r代表样本个数,当对任务聚类时r＝m，对资源聚类时r＝n，得到初始化的FCM聚类的隶属度矩阵U；步骤S33：计算聚类中心ck的值，ck的计算公式为：其中，1≤k≤c，η＝1,2,…r，ukη可从隶属度矩阵U中读取，r代表总样本数据的个数,当对任务聚类时r＝m，对资源聚类时r＝n；步骤S34：将聚类中心的值代入隶属度公式计算出样本数据xη的新的隶属度值uεη’，并得到新的隶属度矩阵U'，新的隶属度值uεη’的计算公式为：其中，样本数据xη为第ε类中的元素，cε表示第ε类的聚类中心值；ck表示每一类的聚类中心的值，当ε＝k时，cε＝ck；步骤S35：利用新的隶属度矩阵U’，并根据步骤S33计算新的聚类中心cε’的值，并重复步骤S34，反复迭代直到满足前后两次迭代的目标函数值之差小于设定的阈值或达到迭代次数时，FCM算法终止，得出最终的聚类中心的值，其中目标函数计算公式为：5.根据权利要求4所述的云环境下基于模糊聚类及严格双边匹配的资源分配方法，其特征在于：所述步骤S4中的编码原则为：判断聚类中心的三个属性值的大小，若该属性值大于该属性取值范围的60％，即该...

【专利技术属性】
技术研发人员：何利，钱志成，姚元辉，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50