一种云资源负载均衡调度方法技术

本发明专利技术公开了一种云资源负载均衡调度方法

【技术实现步骤摘要】
一种云资源负载均衡调度方法、装置、设备及介质


[0001]本专利技术涉及优化计算和资源调度的交叉应用
，具体涉及一种云资源负载均衡调度方法
、
装置
、
设备及介质
。

技术介绍

[0002]当服务器接收多个任务时，需要查询资源池
。
根据任务所需消耗资源情况从记录池中找到合适的机器并同时更新资源池
。
墨尔本大学设计了一个资源负载模拟平台
CloudSim。
该平台由两阶段组成，虚拟机映射过程和任务映射过程
。
虚拟机映射过程由平台提供，需要平台模拟出所有可用硬件的虚拟机
。
虚拟机与硬件之间存在一对一
、
一对多和多对多等关系，通过平台控制便可将硬件的执行权将转移到虚拟机中
。
在任务映射过程中，根据任务规格所要求的并发数
、
内存大小和存储空间选择一个或多个虚拟机
。
[0003]元启发式算法通过模拟自然界中某些特定现象有效实现优化任务，自
20
世纪
60
年代遗传算法提出并广泛应用于数值优化和工程问题求解
。
蜜獾算法是一种新型元启发式算法，其灵感来源于蜜獾觅食行为，包含追踪和定位两个过程
。
在能源管理系统和燃料电池模型优化都有应用
。
[0004]基于上述现有技术，现有的标准蜜獾算法存在缺乏跳出局部解的策略，且严重依赖参数的问题
。

技术实现思路

[0005]本专利技术的目的是提供一种云资源负载均衡调度方法
、
装置
、
设备及介质，以解决现有技术中的上述不足之处
。
[0006]为了实现上述目的，本专利技术提供如下技术方案：一种云资源负载均衡调度方法，包括以下步骤：
[0007]步骤1：初始化蜜獾算法超参数，随机初始化种群位置并计算各个个体适应度值；
[0008]步骤2：建立蜜獾算法，生成控制因子和气味强度；
[0009]步骤3：使用局部优化方法优化蜜獾算法；
[0010]步骤4：引入随机参数和复合随机因子到蜜獾算法；
[0011]步骤5：设置探索模式，执行探索任务，并计算种群个体适应度值，同时更新最优个体和最差个体的位置；
[0012]步骤6：设置开发模式，执行开发任务，并计算种群适应度值，同时更新最优个体和最差个体的位置；
[0013]步骤7：根据个体适应度值对种群个体进行排序；
[0014]步骤8：记录全局最优值，并判断是否满足算法终止条件，若不满足条件，则返回步骤2，否则输出最优位置和最优值
。
[0015]进一步的，所述步骤1中适应度值具体计算步骤为：使用标准差评估各个虚拟机的负载分配，用线性加权得到整体虚拟机剩余内存空间大小
、
剩余可用并发数和剩余存储空
间大小负载情况；
[0016]适应度值
fitness
的计算函数为：
[0017]fitness
＝
std(FMS)+std(RAC)+std(FSS)
[0018][0019][0020]其中，
USM
为虚拟机内存已使用空间，
NCU
为虚拟机已使用并发数，
USS
为虚拟机已使用存储空间，
TSM
i
为第
i
个任务消耗内存大小，
TCU
i
为第
i
个任务并发数，
TSS
i
为第
i
个任务消耗存储空间，
TMS
为任务消耗内存大小，
TAC
为虚拟机已使用并发数，
FMS
为虚拟机剩余内存空间，
RAC
为虚拟机剩余可用并发数，
FSS
为虚拟机剩余存储空间大小，
m
为虚拟机的数量，
std()
为标准差函数
。
[0021]进一步的，所述步骤2中生成控制因子和气味强度的公式为：
[0022][0023]A2＝
A1×
(2
×
r4‑
1),r4＝
rand(0,1)
[0024]d
i
＝
x
prey
‑
x
i
,r1∈(0,1)
[0025]其中，
A1、A2为控制因子，
I
i
为气味强度，
i∈[1,N]，
N
为种群规模，
x
prey
表示最优个体，
x
i
表示当前个体，
d
i
表示当前个体与最优个体的距离，
S
为所有个体的集中强度，且气味强度
I
i
与
S
成正比，与
d
i
成反比
。
[0026]进一步的，所述局部优化方法用于均衡两个虚拟机负载情况，局部优化方法包括任务转移和任务置换；
[0027]所述任务转移为：从负载最大的虚拟机中随机选择一个任务添加至负载最小的虚拟机；
[0028]所述任务置换为：从负载最大的虚拟机中选择消耗资源最小的任务和负载最小的虚拟机中资源最大的任务进行置换
。
[0029]进一步的，所述随机参数和复合随机因子通过以下公式引入：
[0030][0031]A2＝
A1×
(2
×
r4‑
1),r4＝
rand(0,1)
，
[0032]M1＝
A2×
A1×
x
i
[0033]M2＝
(r5‑
A1)
×
x
rand
[0034]M3＝
A2×
[A2×
(x
i
‑
x
randi
)+r6×
(x
i
‑
x
randi
)][0035]x
randi
＝
x
i
‑
x
rand
,{r5,r6}∈(0,1)
，
[0036]其中，
t
为当前搜索，
T
max
为最大搜索次数，
r3,r4,r5,r6是
(0
，
1)
之间均匀分布随机数，
A1的取值区间为
(0
，
2)
，
A2的取值范围为
(
‑2，
2)
，将本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种云资源负载均衡调度方法，其特征在于：包括以下步骤：步骤1：初始化蜜獾算法超参数，随机初始化种群位置并计算各个个体适应度值；步骤2：建立蜜獾算法，生成控制因子和气味强度；步骤3：使用局部优化方法优化蜜獾算法；步骤4：引入随机参数和复合随机因子到蜜獾算法；步骤5：设置探索模式，执行探索任务，并计算种群个体适应度值，同时更新最优个体和最差个体的位置；步骤6：设置开发模式，执行开发任务，并计算种群适应度值，同时更新最优个体和最差个体的位置；步骤7：根据个体适应度值对种群个体进行排序；步骤8：记录全局最优值，并判断是否满足算法终止条件，若不满足条件，则返回步骤2，否则输出最优位置和最优值
。2.
根据权利要求1所述的一种云资源负载均衡调度方法，其特征在于：所述步骤1中适应度值具体计算步骤为：使用标准差评估各个虚拟机的负载分配，用线性加权得到整体虚拟机剩余内存空间大小
、
剩余可用并发数和剩余存储空间大小负载情况；适应度值
fitness
的计算函数为：
fitness
＝
std(FMS)+std(RAC)+std(FSS)std(FMS)+std(RAC)+std(FSS)
其中，
USM
为虚拟机内存已使用空间，
NCU
为虚拟机已使用并发数，
USS
为虚拟机已使用存储空间，
TSM
i
为第
i
个任务消耗内存大小，
TCU
i
为第
i
个任务并发数，
TSS
i
为第
i
个任务消耗存储空间，
TMS
为任务消耗内存大小，
TAC
为虚拟机已使用并发数，
FMS
为虚拟机剩余内存空间，
RAC
为虚拟机剩余可用并发数，
FSS
为虚拟机剩余存储空间大小，
m
为虚拟机的数量，
std()
为标准差函数
。3.
根据权利要求1所述的一种云资源负载均衡调度方法，其特征在于：所述步骤2中生成控制因子和气味强度的公式为：
A2＝
A1×
(2
×
r4‑
1),r4＝
rand(0,1)S
＝
(x
i
‑
x
i+1
)2,d
i
＝
x
prey
‑
x
i
,r1∈(0,1)
其中，
A1、A2为控制因子，
I
i
为气味强度，
i∈[1,N]
，
N
为种群规模，
x
prey
表示最优个体，
x
i
表示当前个体，
d
i
表示当前个体与最优个体的距离，
S
为所有个体的集中强度，且气味强度
I
i
与
S
成正比，与
d
i
成反比
。4.
根据权利要求1所述的一种云资源负载均衡调度方法，其特征在于：所述局部优化方法用于均衡两个虚拟机负载情况，局部优化方法包括任务转移和任务置换；
所述任务转移为：从负载最大的虚拟机中随机选择一个任务添加至负载最小的虚拟机；所述任务置换为：从负载最大的虚拟机中选择消耗资源最小的任务和负载最小的虚拟机中资源最大的任务进行置换
。5.
根据权利要求1所述的一种云资源负载均衡调度方法，其特征在于：所述随机参数和复合随机因子通过以下公式引入：其中，
t
为当前搜索，
T
max
为最大搜索次数，
r3,r4,r5,r6是
(0
，
1)
之间均匀分布随机数，
A1的取值区间为
(0
，
2)
，
A2的取值范围为
(
‑2，
2)
，将
A1和
A2作为自适应参数，用于扩大种群的搜索空间，
x
ra...

【专利技术属性】
技术研发人员：谢海涛，赵涛，叶志伟，周雯，王明威，蔡婷，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：