【技术实现步骤摘要】
一种云数据中心的节能任务分配方法
本专利技术属于云数据中心节能领域，特别是涉及一种云数据中心的节能任务分配方法。
技术介绍
云计算已成为当前信息技术业务的主要范例，它提供一个通过互联网管理的全球计算服务平台，帮助企业在没有前期计算设备投资的情况下按需使用计算服务。云计算的应用为用户提供可靠的各种资源服务，它是一种一切皆为服务的模式，为用户提高质量的服务。另外，云计算与互联网+的结合和云计算与大数据之间的应用，使云计算得到新的发展和应用。现阶段，由于得到相关技术标准和各个服务层协议的支撑，一些云计算产品的推出和应用，为客户提供高品质的服务体验，因此云计算具有广阔的发展前景。任务分配问题是完成特定状态下任务队列和服务器队列的最佳匹配映射。任务调度算法研究的是如何将任务集合分配到合适的服务器资源上，并决定在各服务器资源上每个任务的执行顺序。其中，既需要考虑任务之间的依赖关系，因为这涉及了任务间的信息传递约束关系，又需要考虑整个任务调度后所产生的延时、能耗等性能指标。对于一般的任务图，它的最优任务调度问题是一个NP-完全问题...
【技术保护点】
1.一种云数据中心的节能任务分配方法，其特征在于，包括以下步骤：/nS1，在云计算中，用户提出任务请求，获取任务数据集，把n个任务分配到m个服务器节点上运行，其中m＜n，任务数据集用T＝{t
【技术特征摘要】
1.一种云数据中心的节能任务分配方法，其特征在于，包括以下步骤：
S1，在云计算中，用户提出任务请求，获取任务数据集，把n个任务分配到m个服务器节点上运行，其中m＜n，任务数据集用T＝{t1,t2,...,tn}表示，根据任务数据集的数据量获取指定数量的服务器资源数据集，S＝(S1,S2,...Sm)代表多个不同的服务器，对任务数据集和服务器资源数据集分别进行数据标准化处理，得到待划分的任务数据集和服务器资源数据集。
S2，根据任务间信息将任务聚类，根据任务间信息利用K-DBSCANk均值聚类和具有噪声的基于密度的聚类算法对任务聚类，将相关的任务聚合在一个任务集中；
S3，基于改进粒子群优化算法的任务分配策略，引入了惯性权重，依据迭代过程及粒子飞行情况对惯性权重进行动态调整，搜索子任务集和服务器节点的组合，将子任务集分配到服务器，使得其能耗最低，资源利用率最大化；
S4，根据任务到达情况，在延迟时间内对服务器进行电源管理操作，当一段任务运行结束时，采用在持续时间内延迟关闭节点来避免在新作业进入时节点被关闭；当服务器处于空闲状态而不是立即关闭时，添加一个计时器，用于在定义的持续时间内对等待状态进行计数，如果任务在此期间到达节点，则服务器将返回繁忙状态即设置成本为零，如果在持续时间内没有任务，该节点将关闭。
2.根据权利要求1所述的一种云数据中心的节能任务分配方法，其特征在于，所述步骤S1中提取任务数据集和服务器资源节点数据集包括：
(1)初始化任务参数；
(2)提取任务数据集，任务集用T＝{t1,t2,...,tn}表示,得到任务数据集矩阵，作为后续处理的原始数据；
(3)通过任务量需求获取所需服务器数量m；
(4)服务器数量集合用S＝(S1,S2,...Sm)表示，得到一个服务器节点集矩阵Cr，作为后续处理的原始数据。
3.根据权利要求1所述的一种云数据中心的节能任务分配方法，其特征在于，步骤S2中根据任务间信息利用K-DBSCANk均值聚类和具有噪声的基于密度的聚类算法对任务聚类包括：
(1)确定所要聚类的数目K,并随机选择K个任务对象作为初始聚类中心；
(2)计算各个样本到聚类中心的距离，再根据距离将任务样本归到距离最近的聚类；
样本到聚类中心的距离采用欧几里德距离公式计算：
Xi是数据集中的每个数据对象，Cj表示是个初始聚类中心；
(3)重新计算每个聚类的平均值，产生新的聚类中心；
(4)反复迭代，直到目标函数开始收敛，输出新的聚类中心；
(5)求每个初始聚类中心的划分距离Pd；
(6)根据K个初始聚类中心的Pd对任务集进行划分；
(7)根据集合中的k-距离变化曲线，确定每个任务子集的扫描半径参数Epsi，对其进行升序排序；
(8)依次调用Epsi作为参数对任务集进行聚类，每次调用对已经聚类的任务标记，直到所有的Epsi使用完毕，输出K个任务集。
4.根据权利要求3所述的一种云数据中心的节能任务分配方法，其特征在于，所述K-DBSCAN聚类算法使用聚类准则函数来评价聚类性能的好坏，聚类准则函数表示为：
Xi是数据集D中的每个数据对象，Cj是k个初始聚类中心。
聚类准则函数收敛，则聚类结束。当给定阈值ε足够小，成立时，则聚类函数收敛；
聚类准确性r:m为能被正确...
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。