一种资源调度方法技术

本发明专利技术公开了一种资源调度方法，通过获取用户提出的服务请求，根据服务请求建立服务请求模型；根据评价指标和约束条件构建所述服务请求模型的适应度函数，基于服务执行时间、服务执行成本来计算每个服务在服务组件的适应度值并选择合适的服务组件，在服务组件之间创建负载平衡，采用人工蜂群算法和Q

【技术实现步骤摘要】
一种资源调度方法


[0001]本专利技术涉及资源调度
，尤其是一种资源调度方法。

技术介绍

[0002]工业网络物理系统支持组件化服务，从工业云计算的角度来看，软件组件应跨异构边缘设备动态组合，以执行各种功能。工业网络物理系统中一个重要应用是服务调度，多服务调度的最终目标是实现可持续的服务。然而，当多用户向服务管理器同时发送多个服务请求命令时，会出现一些服务资源冲突问题，即资源冲突管理问题，需要进行服务组件的资源调度。
[0003]目前有启发式算法、元启发式算法、混合元启发式算法甚至机器学习方法来解决云计算环境中的服务调度和负载平衡问题。Jena提出了一种基于人工蜂群算法的方法，用于云计算环境中的能效、处理时间、成本和计算资源利用。使用多目标人工蜂群算法将服务分配给数据中心。但启发式算法收敛精度低、收敛速度慢，时间复杂度较高。一些机器学习方法探索性行为较弱，易陷入局部最优解问题。

技术实现思路

[0004]有鉴于此，本专利技术实施例提供一种效率高、收敛快的资源调度方法。
[0005]本专利技术实施例提供了一种资源调度方法，包括：获取用户提出的服务请求，根据所述服务请求建立服务请求模型；根据评价指标和约束条件构建所述服务请求模型的适应度函数；其中，所述评价指标为服务执行时间和服务执行成本；所述约束条件为资源利用率和服务执行超时率；采用人工蜂群算法和Q
‑
learning算法结合求解所述适应度函数，将所述适应度函数的值满足误差条件的调度方案确定为优化目标；根据所述优化目标进行服务组件资源调度。
[0006]可选地，所述获取用户提出的服务请求，根据所述服务请求建立服务请求模型，包括：获取用户提出的服务请求；根据所述服务请求的服务名称获取服务组件集和服务集；根据所述服务组件集和所述服务集构建服务请求模型。
[0007]可选地，所述根据评价指标和约束条件构建所述服务请求模型的适应度函数，包括：根据服务执行时间构建服务执行时间的适应度函数；根据服务执行成本构建服务执行成本的适应度函数；计算资源利用率以及超时率；根据所述服务执行时间的适应度函数、所述服务执行成本的适应度函数、所述资源利用率以及所述超时率构建所述服务请求模型的适应度函数。
[0008]可选地，所述根据服务执行时间构建服务执行时间的适应度函数，包括：计算每个服务组件中的服务执行总时间；根据所述服务执行时间总时间确定所有组件中执行总时间的最大值以及完成所有服务所需的最小完成时间；根据所述服务执行时间和所述最小完成时间构建服务请求模型中服务执行时间的适应度函数。
[0009]可选地，所述根据服务执行成本构建服务执行成本的适应度函数，包括：计算每个
服务组件上处理的所有服务的服务执行成本总和；根据所述服务执行成本总和确定所述服务组件处理的服务执行成本最小值；根据所述服务执行成本总和以及所述服务执行成本最小值构建服务请求模型中服务执行成本的适应度函数。
[0010]可选地，所述计算每个服务组件中的服务执行总时间的计算公式为：
[0011][0012]其中，所述v
i
代表第i个服务组件；所述s
jki
代表第j个用户中的服务s
jk
被分配给服务组件v
i
执行；所述ExtTime(s
jki
)代表服务s
jk
在v
i
中处理服务的执行时间；所述length(s
jk
)代表服务s
jk
的长度；所述CPU(v
i
)代表处理服务s
jk
的CPU速率。
[0013]可选地，所述计算每个服务组件上处理的所有服务的服务执行成本总和，包括：计算在服务组件中执行单个服务时的单个服务执行成本；根据所述单个服务执行成本计算在所有组件上执行所有服务的总和，作为服务执行成本总和。
[0014]可选地，所述计算在服务组件中执行单个服务时的单个服务执行成本的计算公式为：
[0015]Cost(s
jki
)＝(c1·
ExtTime(s
jki
))+(c2·
ExtTime(s
jki
))+(c3·
ExtTime(s
jki
))
[0016]其中，s
jki
代表第j个用户中的服务s
jk
被分配给服务组件v
i
执行；Cost(s
jki
)代表第jk个服务在第i个服务组件中的服务执行成本；c1代表在v
i
中单位时间的CPU使用成本；c2代表在v
i
中单位时间的内存使用成本；c3代表在v
i
中单位时间的带宽使用成本；ExtTime(s
jki
)代表s
jk
在v
i
中处理服务的执行时间；
[0017]所述根据所述单个服务执行成本计算在所有组件上执行所有服务的总和的计算公式为：
[0018][0019]其中，TCost代表服务执行成本总和；m代表服务组件总数；i代表第i个服务组件；n代表用户总数；j代表第j个用户；p代表服务总数；k代表第k个服务；s
jki
代表第j个用户中的服务s
jk
被分配给服务组件v
i
执行；Cost(s
jki
)代表服务s
jk
在第i个服务组件中的服务执行成本。
[0020]可选地，所述采用人工蜂群算法和Q
‑
learning算法结合求解所述适应度函数，将所述适应度函数的值满足误差条件的调度方案确定为优化目标，包括：初始化蜂群、食物源并配置算法参数；根据Q
‑
learning算法构建Q表；其中，所述Q表用于存储所有预期状态、行动以及Q值；所述Q值由所述状态以及所述行动组合确定。
[0021]在雇佣蜂阶段，雇佣蜂确定当前食物源的相邻食物源位置，根据所述相邻食物源的位置更新所述Q表；在跟随蜂阶段，跟随蜂从所述Q表中根据轮盘赌方法随机选取雇佣蜂食物源；根据所选取的雇佣蜂食物源获取新食物源；将所述新食物源替代所选取的所述雇佣蜂食物源；当所述新食物源适应度值超过所选取的所述雇佣蜂食物源，则更新Q值；在侦查蜂阶段，当获取适应度值超过所选取的所述雇佣蜂食物源的所述新食物源失败的次数超过预定阈值，则随机搜索新的食物来源，并更新Q表；其中，所述适应度值由适应度函数计算
得到；重复所述在雇佣蜂阶段，雇佣蜂确定当前食物源的相邻食物源位置，根据所述相邻食物源的位置更新所述Q表，直至达到最大迭代次数或Q表中的行动方案的适应度值满足误差条件；将所述Q表中的最终行动方案确定为最佳服务组件资源调度方案。
[0022]可选地，所述Q值由所述状态以及所述行动组合确定，包括：所述Q值的计算公式为：...

【技术保护点】

【技术特征摘要】
1.一种资源调度方法，其特征在于，包括：获取用户提出的服务请求，根据所述服务请求建立服务请求模型；根据评价指标和约束条件构建所述服务请求模型的适应度函数；其中，所述评价指标为服务执行时间和服务执行成本；所述约束条件为资源利用率和服务执行超时率；采用人工蜂群算法和Q
‑
learning算法结合求解所述适应度函数，将所述适应度函数的值满足误差条件的调度方案确定为优化目标；根据所述优化目标进行服务组件资源调度。2.根据权利要求1所述的一种资源调度方法，其特征在于，所述获取用户提出的服务请求，根据所述服务请求建立服务请求模型，包括：获取用户提出的服务请求；根据所述服务请求的服务名称获取服务组件集和服务集；根据所述服务组件集和所述服务集构建服务请求模型。3.根据权利要求1所述的一种资源调度方法，其特征在于，所述根据评价指标和约束条件构建所述服务请求模型的适应度函数，包括：根据服务执行时间构建服务执行时间的适应度函数；根据服务执行成本构建服务执行成本的适应度函数；计算资源利用率以及超时率；根据所述服务执行时间的适应度函数、所述服务执行成本的适应度函数、所述资源利用率以及所述超时率构建所述服务请求模型的适应度函数。4.根据权利要求3所述的一种资源调度方法，其特征在于，所述根据服务执行时间构建服务执行时间的适应度函数，包括：计算每个服务组件中的服务执行总时间；根据所述服务执行时间总时间确定所有组件中执行总时间的最大值以及完成所有服务所需的最小完成时间；根据所述服务执行时间和所述最小完成时间构建服务请求模型中服务执行时间的适应度函数。5.根据权利要求3所述的一种资源调度方法，其特征在于，所述根据服务执行成本构建服务执行成本的适应度函数，包括：计算每个服务组件上处理的所有服务的服务执行成本总和；根据所述服务执行成本总和确定所述服务组件处理的服务执行成本最小值；根据所述服务执行成本总和以及所述服务执行成本最小值构建服务请求模型中服务执行成本的适应度函数。6.根据权利要求4所述的一种资源调度方法，其特征在于，所述计算每个服务组件中的服务执行总时间的计算公式为：其中，所述v
i
代表第i个服务组件；所述s
jki
代表第j个用户中的服务s
jk
被分配给服务组
件v
i
执行；所述ExtTime(s
jki
)代表服务s
jk
在v
i
中处理服务的执行时间；所述length(s
jk
)代表服务s
jk
的长度；所述CPU(v
i
)代表处理服务s
jk
的CPU速率。7.根据权利要求5所述的一种资源调度方法，其特征在于，所述计算每个服务组件上处理的所有服务的服务执行成本总和，包括：计算在服务组件中执行单个服务时的单个服务执行成本；根据所述单个服务执行成本计算在所有组件上执行所有服务的总和，作为服务执行成本总和。8.根据权利要求7所述的一种资源调度方法，其特征在于：所述计算在服务组件中执行单个服务时的单个服务执行成本的计算公式为：Cost(s
jki
)＝(c1·
ExtTime(s
jki
))+(c2·
...

【专利技术属性】
技术研发人员：程良伦，邓宇轩，王涛，
申请(专利权)人：广东能哥知识科技有限公司，
类型：发明
国别省市：