云计算中基于cloudsim的蚁群调度算法研究.docVIP

云计算中基于cloudsim的蚁群调度算法研究 　　摘要：介绍了云计算仿真工具cloudsim，在描述其架构的基础上，实现了cloudsim模拟云环境下调度策略的过程。引入蚁群算法，并基于蚁群算法实现了对cloudsim中调度策略的拓展，并与轮循、贪心等传统代数算法进行对比分析测试。结果表明，蚁群算法在应对云计算中海量任务和数据处理时，由于传统代数算法。 　　关键词：云计算，cloudsim，蚁群算法 　　中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2016）03-0219-02 　　云计算按照服务类型，大致可以分为三类：将基础设置作为服务Iaas、将平台作为服务paas、将软件作为服务saas。然而，不管何种类型的云计算服务，都有不同的、负责的组件，配置环境和部署条件的要求，因此，在异构真实的云环境下，对云端调度分配策略的优劣的评价，以及由调度策略所带来的云端设备的复合、节能、系统规模性能进行量化、评价是非常不易的。所以，本文引入云计算仿真工具Cloudsim，构建一个云环境下的分布式系统模拟器来实现云计算试验的模拟。 　　与此同时，目前广泛应用于云计算的如先到先服务FCFS算法、Greedy贪心算法[2]等，由于算法本身的特点，均是传统代数算法静态建模完成的，并不能针对网络中各种不确定变化做出对应的调整。而蚁群优化算法作为一种智能算法，在经过多次迭代后，任务必然能分配给一个合理的虚拟机。因此，本文在介绍Cloudsim架构、工作原理的同时，通过cloudsim搭建了一个云计算平台，并在此平台下，对FCFS算法、Greedy贪心算法以及蚁群优化算法进行的对比测试和分析。结果证明蚁群优化算法对于网络中突发情况的应对是较优的。 　　1 cloudsim介绍 　　1.1 cloudsim体系结构 　　Cloudsim是澳大利亚墨尔本大学Rajkumar Buyya教授领导团队开发的云计算仿真器，是一个通用的、可拓展的支持建模和模拟的仿真框架，并能进行云计算基础设施和管理服务的实验。其体系结构[1]如图： 　　1.2 cloudsim技术实现 　　由上图的体系结构图可知，开发人员主要通过cloudsim的最高层用户代码层来实现仿真模拟。通过对该层提供的一些基本实体（如主机、虚拟机、应用、用户数量、应用类型等）的拓展，从而达到（1）建立应用配置请求和任务负载分配请求（2）通过模拟出的云场景，测试自定义配置运行的鲁棒性（3）基于云平台扩展实现自定的调度策略。 　　Cloudsim是开源的，其用户代码层为开发人员提供了一系列可供拓展的实力和方法，通过拓展这些接口来实现用户自己的调度或分配策略，进行相关科研测试。本文主要进行调度策略的研究，故需要对DatacenterBroker类进行拓展，实现自定义的调度策略，完成对算法的模拟并进行测试和试验分析。 　　具体的仿真步骤如下：（1）初始化cloudsim包，主要是在其他实体创建前对cloudsim的参数包括日期、用户数量、跟踪日志等进行初始化。 　　（2）创建数据中心，是在虚拟机的生命周期内负责管理虚拟机的一组主机。通过调用API函数，完成创建数据中心的工作。 　　（3）创建数据中心代理，负责在云计算中，根据用户的Qos要求以及现有云资源协调用户和服务供应商并部署服务。 　　（4）创建虚拟机，并对虚拟机的参数进行设置，并提交给任务代理。 　　（5）创建云任务，生成指定参数的云任务。 　　（6）调用自定义的任务调度策略，将云任务分配到虚拟机 　　（7）启动仿真，执行整个仿真流程。 　　（8）统计试验结果。 　　2.1 蚁群算法的原理 　　觅食原则：每只蚂蚁能够在感知的环境里寻找食物，如果发现食物则直接向该方向前进；如果没有，则检查感知环境内的食物信息素，向着信息素浓度高的地方走去。同理，寻找蚁穴的方式是感知环境内的蚁穴信息素。 　　前进原则：每只蚂蚁都会向着信息素浓度高的方向前进，如果在感知范围内没有相关的信息素提示，则会依照原来行进的方向继续走下去。此外，蚂蚁能够识别刚刚走过的位置，防止蚂蚁原地不动。 　　躲避障碍原则：蚂蚁在觅食过程中，如果遇到障碍物，会随机选择一个方向继续行进；当然，如果有信息素提示，会按照觅食原则前进。 　　依据以上蚁群算法的原则，蚂蚁的个体之间虽然没有直接关联，但蚂蚁同蚂蚁之间通过信息素进行信息的交互传递。在觅食过程中，会依据之前经过的蚂蚁所留下的信息素来选择它们要走的路径。所以，大量蚂蚁组成的群体行为实质上形成了一种学习信息的反馈现象，这也就是蚁群算法的一大特点----正反馈机制。根据这一特点，通过模仿蚂蚁群体的行为，实现最优。整个过程如图2所示： 　　2.2 算法流程 　　步骤1