融合限制周期性拟休眠的云计算优化方法、系统及介质技术方案

本发明专利技术公开了一种融合限制周期性拟休眠的云计算优化方法，其包括以下步骤：获得云任务卸载到云端服务器接受服务的平均响应时间T

【技术实现步骤摘要】
融合限制周期性拟休眠的云计算优化方法、系统及介质


[0001]本专利技术涉及云计算和任务卸载
，尤其涉及融合限制周期性拟休眠的云计算优化方法、云计算优化系统及其可读存储介质。

技术介绍

[0002]目前，云环境下数据中心网络的运营手段日益灵活，而传统的数据中心已经无法达到这些要求。云数据中心与传统数据中心不同之处在于高度虚拟化、自动化管理和绿色节能。一般云数据中心包含降低能耗和功率管理两种节能策略。降低能耗策略主要是从降低空闲能耗和运行能耗两方面入手。功率管理策略可以分为动态功率管理和静态功率管理，云数据中心负载动态变化是前者的先决条件，后者则是调整硬件结构实现能源消耗的节省。
[0003]为云数据中心节省能源消耗的方法和策略国内外的众多学者都做了大量的工作。有的通过调整虚拟机资源利用率，从而实现云计算资源分配的最小能耗和最高效率，进而达到降低云系统能源消耗的目的；还有通过虚拟机整合算法，均衡云系统能量消耗、系统性能和QoS要求，实现物理机之间的负载均衡，并关闭空闲主机来降低总体能耗；除此之外还有通过资源再分配、动态资源供应方法，实现了云资源的弹性调节和高效分配并与工作负载需求相对应，性能得到显著提升，有效降低了资源消耗；通过对资源进行自动伸缩变化，为一定的负载量做出最优扩展项，从根本上减少能源消耗。上述这些都是采用虚拟机整合和资源优化配置的方式节省云系统能源消耗。但有时候云资源使用率很低的时候，再优秀的整合配置方案相对于资源空闲时的能源浪费都是微乎其微的。这种情况下，部分研究开始通过应用休眠机制以实现降低能源消耗的目的。但在这些研究中的休眠机制中，处于休眠状态的虚拟机完全不工作，虽然有效降低了云系统能源消耗，但是云任务的服务质量得不到保证。到目前为止，引入半休眠机制的云计算节能策略研究十分缺少。因此，针对上述不足，迫切需要开发一种融合限制周期性拟休眠的云计算优化方法。

技术实现思路

[0004]为了在降低云系统能源消耗水平的同时保证云任务的服务质量，本专利技术面向实时网络应用对响应时间要求较高，提出一种融合限制周期性拟休眠的云计算优化方法、云计算优化系统及可读存储介质。
[0005]本专利技术提供一种融合限制周期性拟休眠的云计算优化方法，其包括以下步骤：
[0006]步骤1、获得云任务卸载到云端服务器接受服务的平均响应时间T
C
，包括以下子步骤：
[0007]步骤11、云任务卸载到第i个物理机上的平均等待时间T
wi
为：
[0008][0009]其中，e为2
×
1的全1列向量；表示云任务卸载至云端接受服务的概率；λ表示云任务的到达率；q
i
表示卸载到云端的云任务分配到第i个物理机接受服务的概率，n为云端部署的物理机个数；l表示稳态下第i个物理机中云任务的数量，称为系统水平；c
i
表示第i个物理机上部署的虚拟机个数；π
i
(l)＝(π
i
(l,0),π
i
(l,1))表示为稳态下系统水平为l的概率向量；
[0010]步骤12、根据卸载到第i个物理机上的云任务到达云端时的状态，确定云任务在第i个物理机上的平均服务时间T
si
，所述云任务在第i个物理机上的平均服务时间T
si
表示为：
[0011][0012]其中，μ
bi
表示第i个物理机上的高速服务率，μ
vi
表示第i个物理机上的低速服务率，θ
i
表示第i个物理机上的半休眠参数，表示云端第i个物理机处于常规状态的概率，表示云端第i个物理机处于半休眠状态的概率，表示第i个物理机上缓存中云任务的数量；
[0013]并进而获得云任务卸载到云端服务器接受服务的平均响应时间T
C
为：
[0014][0015]步骤2、获得云任务在本地处理器接受服务的平均响应时间T
MD
以及云任务的平均响应时间T，根据M/M/1排队模型，得到云任务在本地处理器接受服务的平均响应时间T
MD
为：
[0016][0017]其中，μ0表示本地服务器的服务速率，p表示云任务在本地服务器接受服务的概率，λ表示云任务的到达率；
[0018]运用全概率公式，云任务的平均响应时间T为：
[0019][0020]步骤3、根据服务器不同工作状态下单位时间内消耗的能量值不同，获得云任务在本地处理器接受服务的平均功率消耗E
MD
，云任务在云端第i个物理机上接受服务的平均功率消耗以及云系统平均功率E；
[0021][0022][0023]其中，P
busy
为本地处理器处于工作状态时的平均运行功率，P
idle
为本地处理器处于空闲状态时的平均运行功率；云端上部署的第i个物理机处于半休眠状态时，为该物理机维持部署在其上的一个虚拟机空转的平均运行功率；为维持部署在其上的一个虚拟机运转的平均运行功率；云端上部署的第i个物理机处于常规状态时，为该物理机维持部署在其上的一个虚拟机空转的平均运行功率；为维持部署在其上的一个虚拟机运转的平均运行功率；
[0024]运用全概率公式，获得云系统平均功率E为：
[0025][0026]步骤4、综合云任务平均响应时间和云系统平均功率，构建系统优化函数F：
[0027]F＝β1T＝β2E；
[0028]其中，β1表示云任务平均响应时间对系统优化函数的影响因子，β2表示云系统平均功率对系统优化函数的影响因子；
[0029]步骤5、利用Logistic映射方法产生混沌变量改进海鸥智能优化算法，运用MATLAB软件获得使得步骤4中系统优化函数达到最小值的策略优化结果，得到最优的云任务卸载概率组合从而将产生于移动终端的云任务，以p
*
的概率在本地服务器接受服务，以(1
‑
p
*
)的概率卸载到云端；卸载到云端的云任务以的概率在第i个物理机上接受服务。
[0030]在一个可优选的实施方式中，在步骤12中确定云任务在第i个物理机上的平均服务时间T
si
，包括四种情况：
[0031](1)若第i个物理机处于常规状态，当前云任务接受高速率服务，平均服务时间为
[0032](2)若第i个物理机处于半休眠状态，半休眠定时器到期之前缓存中排队等待的所有云任务及当前云任务均完成服务，当前云任务接受低速率服务，平均服务时间为
[0033](3)若第i个物理机处于半休眠状态，半休眠定时器到期之前缓存中排队等待的所有云任务均完成服务，但当前云任务未服务完成，当前云任务经历一段低速率服务和一段高速率服务，平均服务时间为
[0034](4)若第i个物理机处于半休眠状态，半休眠定时器到期时，缓存中有排队等待的云任务未服务完成，当前云任务接受高速率服务，平均服务时间为
...

【技术保护点】

【技术特征摘要】
1.一种融合限制周期性拟休眠的云计算优化方法，其特征在于，其包括以下步骤：步骤1、获得云任务卸载到云端服务器接受服务的平均响应时间T
C
，包括以下子步骤：步骤11、云任务卸载到第i个物理机上的平均等待时间T
wi
为：其中，e为2
×
1的全1列向量；表示云任务卸载至云端接受服务的概率；λ表示云任务的到达率；q
i
表示卸载到云端的云任务分配到第i个物理机接受服务的概率，n为云端部署的物理机个数；l表示稳态下第i个物理机中云任务的数量，称为系统水平；c
i
表示第i个物理机上部署的虚拟机个数；π
i
(l)＝(π
i
(l,0),π
i
(l,1))表示为稳态下系统水平为l的概率向量；步骤12、根据卸载到第i个物理机上的云任务到达云端时的状态，确定云任务在第i个物理机上的平均服务时间T
si
，所述云任务在第i个物理机上的平均服务时间T
si
表示为：其中，μ
bi
表示第i个物理机上的高速服务率，μ
vi
表示第i个物理机上的低速服务率，θ
i
表示第i个物理机上的半休眠参数，表示云端第i个物理机处于常规状态的概率，表示云端第i个物理机处于半休眠状态的概率，表示第i个物理机上缓存中云任务的数量；并进而获得云任务卸载到云端服务器接受服务的平均响应时间T
C
为：步骤2、获得云任务在本地处理器接受服务的平均响应时间T
MD
以及云任务的平均响应时间T，根据M/M/1排队模型，得到云任务在本地处理器接受服务的平均响应时间T
MD
为：其中，μ0表示本地服务器的服务速率，p表示云任务在本地服务器接受服务的概率，λ表示云任务的到达率；运用全概率公式，云任务的平均响应时间T为：步骤3、根据服务器不同工作状态下单位时间内消耗的能量值不同，获得云任务在本地处理器接受服务的平均功率消耗E
MD
，云任务在云端第i个物理机上接受服务的平均功率消耗以及云系统平均功率E；
其中，P
busy
为本地处理器处于工作状态时的平均运行功率，P
idle
为本地处理器处于空闲状态时的平均运行功率；云端上部署的第i个物理机处于半休眠状态时，为该物理机维持部署在其上的一个虚拟机空转的平均运行功率；为维持部署在其上的一个虚拟机运转的平均运行功率；云端上部署的第i个物理机处于常规状态时，为该物理机维持部署在其上的一个虚拟机空转的平均运行功率；为维持部署在其上的一个虚拟机运转的平均运行功率；运用全概率公式，获得云...

【专利技术属性】
技术研发人员：金顺福，宋家，余靖，
申请(专利权)人：燕山大学，
类型：发明
国别省市：