The load scheduling method of cloud computing cluster based on GA algorithm includes: S1: read the task queue and find out the running parameters of each task from the \service task execution time model table\; S2: encode the running parameters, convert the running parameters set to the chromosome bit string set, and produce the initial population group (g), g = 0 S3; Fitness of each individual in the initial population is calculated; S4: judging termination condition g >= Gmax (Gmax is the maximum reproductive algebra). If the condition is not satisfied, S5 is executed, otherwise S5 is transferred to S8:S5: Selection operation is carried out to form the next generation population group (g), g+= 1, using simulated annealing selection algorithm; S6: crossover exercise with probability Pc. S7: mutation operation with probability Pm, to S3; S8: algorithm termination, output the current optimal scheduling scheme. The invention greatly shortens the corresponding time of the request task, and can obviously improve the service quality of GIS and improve the user's satisfaction in the case of increasing the number of users.
【技术实现步骤摘要】
基于GA算法的云计算集群负载调度方法
本专利技术涉及网络负载调度领域,具体涉及一种基于GA算法的云计算集群负载调度方法。
技术介绍
云计算应用的迅速发展,对其性能和服务质量提出了更高的要求,多核处理器以及虚拟化技术的兴起,为云计算集群的进一步发展,现有技术中常用负载均衡调度常用方法来进行调度,负载均衡调度算法是集群的一个关键技术,己经有众多的调度算法在不同场景下得到了有效的使用。在多用户高并发的Web系统中,负载均衡算法的好坏直接影响了QoS,一直以来都是计算机和相关领域研究的一个热点。通常,该算法划分为静态负载均衡算法和动态负载均衡算法。①静态负载均衡算法该算法主要从待执行的任务角度来考虑,可以认为系统己经获知任务的运行特性,比如任务的类型,运行所需要花费的时间代价。然后负载均衡算法根据这样已知的任务特性,计算出最优的任务调度分配方式。如何尽量准确的获取任务的运行特性,以及如何根据这些信息规划出最优调度方案,是该算法所要关注的核心问题。但是静态调度算法未考虑集群运行状态,而集群的运行状态是不断变化的,静态算法不免会出现分配不均的情况,浪费系统资源利用率。②动态负载均衡算法一个重要的算法是从集群的运行状态的角度来考虑,需要负载均衡器及时的获取集群当前资源如CPU、内存、网络等的使用状态,以及任务的运行状态。算法在进行调度之前,会根据系统运行状态评价各节点负载情况,一般都会将当前任务分配给负载最小的节点,从而实现任务的调度。如何准确而及时的获取集群运行状态并做出负载评估是该算法的核心问题。相对于静态负载均衡算法,动态的负载均衡算法考虑了集群系统的变化情况,并 ...
【技术保护点】
1.基于GA算法的云计算集群负载调度方法,其特征在于,包括:S1:读取任务队列,从“服务任务执行时间模型表”中查找出每个任务的运行参数;S2:对运行参数进行编码,将运行参数集合转换为染色体位串集合,生产初始种群Group(g),g=0;S3:计算初始种群中每个个体的适应度值;S4:判断终止条件g>=Gmax(Gmax为最大繁殖代数),如果条件不满足,执行S5,否则转到S8:S5:进行选择操作形成下一代种群Group(g),g+=1,采用模拟退火的选择算法;S6:以概率Pc进行交叉操作;S7:以概率Pm进行变异操作,转到S3;S8:算法终止,输出当前最优调度方案。
【技术特征摘要】
1.基于GA算法的云计算集群负载调度方法,其特征在于,包括:S1:读取任务队列,从“服务任务执行时间模型表”中查找出每个任务的运行参数;S2:对运行参数进行编码,将运行参数集合转换为染色体位串集合,生产初始种群Group(g),g=0;S3:计算初始种群中每个个体的适应度值;S4:判断终止条件g>=Gmax(Gmax为最大繁殖代数),如果条件不满足,执行S5,否则转到S8:S5:进行选择操作形成下一代种群Group(g),g+=1,采用模拟退火的选择算法;S6:以概率Pc进行交叉操作;S7:以概率Pm进行变异操作,转到S3;S8:算法终止,输出当前最优调度方案。2.根据权利要求1所述的基于GA算法的云计算集群负载调度方法,其特征在于,所述染色体位串中一个基因代表一个待分配的任务,一个基因表示为(t,l,p,n),其中t表示任务编号,l表示任务规模,即任务的预期执行时间,p表示任务优先级,p是一个布尔值,用1(True)表示高优先级,在节点内部任务执行时会被优先排序,0(False)表示低优先级,会被推后执行,n表示该任务被分配到的集群节点服务器编号,n的值采取随机的方式生成,即从n的取值范围0<n<Ns中随机选取正整数给n赋值,形成一个染色体;一个染色体由一组带分配的任务构成,一个染色体对应一个负载调度方案,一个染色体的表达方式为{(t,l,p,n)|t>C,l>0,p=0|1,0<n<Ns},其中C为负载策略转换阀值(C=K*Ns),1为正整数,Ns为集群节点数量。3.根据权利要求1所述的基于GA算法的云计算集群负载调度方法,其特征在于,所述适应度值由适应度函数表示,所述适应度函数定位为其中反映集群节点负载均衡程度的节点负载量偏差集群节点平均负载量为节点负载总量为其中集群节点负载量(Li)为当前分配负载值(Lc)与预期(算法分配)负载值(Le)之和即Li=Lc+Le,节点当前负载任务数为Tc,第n个任务预期执行时间为ctn,预期负载任务数为Te,第n个任务预期执行时间为etn。4.根据权利要求1所述的...
【专利技术属性】
技术研发人员:阮浩德,陈静,吴晓生,马星,马力,
申请(专利权)人:广东省城乡规划设计研究院,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。