异构云系统中基于智能优化算法多维资源公平分配.docVIP

异构云系统中基于智能优化算法多维资源公平分配 　　摘要：资源分配策略的研究一直是云计算领域研究的热点和难点，针对异构云计算环境下多维资源的公平分配问题，结合基因算法（GA）和差分进化算法（DE），分别给出了两种兼顾分配公平性和效率的资源分配策略，改进了解矩阵表达式使异构云系统中的主资源公平分配（DRFH）模型转化成为整数线性规划（ILP）模型，并提出了基于最大任务数匹配值（MTM）的初始解产生机制和使不可行解转化为可行解的修正操作，以此提高算法的收敛速度，使其能够快速有效地得到最优分配方案。实验结果表明，基于GA和DE算法的多维资源公平分配策略可以得到近似最优解，在最大化最小主资源份额目标值和资源利用率方面明显优于Best-Fit DRFH和Distributed-DRFH，而且针对不同任务类型的资源需求，具有较强的自适应能力。 　　关键词：主资源公平； 基因算法； 差分进化算法； 异构云 　　中图分类号：TP393 　　文献标志码：A 　　0引言 　　在云计算环境中，如何有效地对资源进行分配调度，保证资源分配的公平性，最大可能地满足服务的资源需求，同时，确保资源能够最大限度被利用，是云计算平台分配系统需要解决的重要问题。而目前面临的是云计算环境由大量异构服务器组成，每个服务器的配置不同，而且由于资源供给的多样性，更增加了资源公平分配的难度。因此，设计针对异构云计算环境下兼顾多维资源的分配公平性和效率，并使其分配到的资源尽可能达到最大值的公平分配方法是目前云计算平台急需解决的一个关键问题。 　　2011年，美国加州大学伯克分校的Ghodsi等[1]首次提出了占优资源公平分配（Dominant Resource Fairness， DRF）。该机制是在最大最小公平模型的基础上，扩展使其能够对多种类型的资源进行分配并能保证分配的公平性。基本思想是最大化所有用户中的占优资源份额的最小值，从而将多资源分配问题转化为单资源分配问题。DRF与传统的基于单资源的分配机制相比，其资源利用率有了明显的提升。虽然DRF分配机制考虑到了多维资源的情形，但却将所有待分配的资源全部集中在一个资源池中进行考虑。 　　针对上述问题，文献[2]提出了在异构服务器组成的云计算环境下的主资源公平分配机制（Dominant Resource Fairness allocation in Heterogeneous system， DRFH），其分配机制是实现最大化用户的最小主资源份额。DRFH分配机制很好地解决了异构服务器之间的资源差异化问题和用户任务不可分割问题。但DRFH求解是一个NP难问题，目前很难找到一个快速有效的方法来求最优解。文献[2]中设计了一个启发式算法（Best-Fit DRFH）来求解DRFH。该算法优先给最小主资源份额的用户分配资源，在最佳适应值的服务器上进行资源分配，以提高资源利用率。文献[3]将DRFH分配机制扩展到了分布式环境中，提出 Distributed-DRFH算法。虽然Best-Fit DRFH和Distributed-DRFH算法与传统的方法相比，在目标函数值和资源利用率方面都有所提升，但我们认为还有提升的空间。首先，Best-Fit DRFH和Distributed-DRFH算法采用简单的启发式算法，能达到快速求解目的，但求出来的解与最优解有明显差距；其次，在异构云计算环境下，需要考虑异构服务器资源类型和用户资源需求的多样性带来的资源分配公平和效率问题。由以上分析可以看出，采用简单的启发式算法来解决DRFH问题无法得到以资源公平分配最大化为目标的最优分配方案。 　　在云计算环境中，多维资源公平分配是一个NP难问题，其主要目的是最大化最小主资源分配份额。目前求解NP难问题的主要智能优化算法有基因算法（Genetic Algorithm， GA）[4]、差分进化（Different Evolution， DE）算法[5]、模拟退火（Simulated Annealing， SA）算法、神经网络等，每种算法都有自己的求解方式与优点，并且已有很多研究人员针对不同的应用场景对它们进行了相应的优化或者有效的结合，但这些算法较少涉及到异构环境下资源分配调度问题。将这些算法合理地引用到异构云计算环境下多维资源的公平分配问题的研究上，可以快速得到最优解分配方案，保证资源的公平性分配，提高整个系统的资源利用率。在智能优化算法中， GA 和DE算法都是基于种群的启发式全局搜索算法，能够掌握并动态跟踪目前的全局搜索情况，并根据当前的搜索情况自适应调整其搜索策略，因此能很好适用于异构云计算环境下复杂的资源分配情况，并且它们拥有较强的鲁棒性和全局收敛能力，算法能在很短的时间内找到近似最优解，提高分配的效率。因此，本文提出在异构云计算