基于微粒群算法的云计算资源调度改进.docVIP

基于微粒群算法的云计算资源调度改进

摘要:如何实现资源访问的负载平衡成为云计算实施的关键问题之一。基于云计算环境的特点,改进了模糊聚类算法,将粒子群优化算法与模糊C均值聚类算法融合,提高算法正确率。将改进后的聚类算法应用于对各个计算节点的输入输出(I/O)及中央处理器(CPU)利用率的分析,得到对于负载度的分类,并以此为依据判断需要迁移任务的节点,进而实现负载平衡。实验结果表明无论是在UCI机器学习库或是针对提出的负载平衡机制环境下,改进的模糊聚类算法在算法的准确率方面均优于传统算法10%以上,且在算法稳定性方面亦优于传统算法。

关键词:云计算;模糊聚类;负载平衡;粒子群优化算法

在云计算环境中,用户通过终端设备向云提交一个应用程序。为了寻求最好的并行性,首先进行任务的分解。任务划分的目标是尽可能消除处理机问通信引起的开销,一般要求尽可能使并行化最大,而使任务间的关联最小。

资源管理、作业调度和负载均衡问题仍然是云计算厂商在云计算作业调度时关注的关键问题。目前各云厂商根据自己的基础设施架构而发展云计算应用,还未形成统一的标准和规范约束,云计算的作业调度和资源管理模式呈现多样化。IBM采用专用的资源监控代理和作业调度器来实现云计算中资源的管理与调度。大部分IT厂商提出的云计划中采用的编程模型都是基于Map.Reduce的思想开发的编程工具。

2微粒群算法的原理

微粒群算法(PSO算法)是通过适应度值判断群体中个体的移动方向,将每个个体看作是搜索空间中一个没有体积没有质量的微粒。微粒经初始化后,根据微粒与群体飞行经验,结合对环境的适应度对微粒飞行速度动态调整,使微粒向解空间

飞行,最终停留在最优解。PSO算法的搜索性能很大程度上取决于全局搜索和局部搜索的平衡,而影响这一平衡的关键问题就是算法控制参数的选择。目前许多研究人员对参数设置作了大量的研究和实验,这些参数有惯性权重C0、加速常数C1,C2、群体规模及最大代数、最大速度‰。

3资源调度算法的改进

在微粒群算法中,ω的取值对算法的收敛起重要作用,ω使各微粒保持运动惯性及探索新区域,在标准PSO中,ω是不变的。按照PSO的搜索特征,ω值大有利于全局搜索,收敛速度快,但不容易得到精确解:ω值小有利于局部搜索,能得到精确解,但收敛速度慢。一是引入“簇中心”的机制,防止微粒在早期陷入局部最优的状态。

二是通过建立模糊控制系统,利用各个最优“簇中心”对算法寻优效果的已知信息,实现微粒群中微粒运动的自适应规划引导。引入“簇中心”的改进思路是:

(1)借鉴“分簇法”,对群体进行合理的分簇。

(2)引入前M个群体最优值来对当前微粒的运动进行多元的引导。

(3)考虑到算法可能仍会导致过早的陷入局部最优,对ω也进行如下的改进。建立模糊控制系统的改进思路是:(1)用模糊逻辑设计出的模糊控制器能够把人们的经验知识用自然语言描述后,建立起一组相应的模糊控制规则,经过模糊推理、模糊判决,从而适应各参数的变化,实现对非线性过程的良好控制。

(2)本文将模糊逻辑引入改进算法中,使其能够在当前寻优效果进行模糊评价的基础上,利用各个最优“簇中心”对算法寻优影响效果的已有经验,自适应调整q,实现对微粒群运动的自适应规划引导。

(3)模糊规划引导器的设置。

4实验结果与性能分析

测试目的是为了验证改进微粒群算法所实现的资源调度策略的正确性和有效性。

本文在开源云计算仿真平台上实现了本文基于微粒群算法所改进的资源调度算法,通过与CloudSim中现有的最优时间调度算法相比较,对改进算法的性能进行了分析。为了实现本文改进的调度算法,需要对CloudSim的Cloudlet类进行扩展,增加任务完成所需要的信息交换量。所进行的实验包括以下两个:(1)基于改进微粒群算法的资源调度;(2)基于最优完成时间的资源调度。

将两个实验的数据进行对比分析:任务执行时间对比显示,虽然基于改进的微粒群算法调度中有个别任务的执行时间大于基于CloudSim仿真平台本身的最小时间调度算法的执行时间,但是总体上来讲,前者完成时间优于最优时间调度算法所用的时间。基于改进微粒群算法调度实验结果与基于最优时间算法资源调度实验的对比结果,验证了本文改进策略的正确性和改进算法的有效性。

5服务器虚拟化的主要提高商。

虚拟化是提高资源利用效率的有效手段,被众多云计算提供商采用。其数据中心虚拟机的动态分配管理主要使用使用VMwareInfrastructure3实现,主要特点是体现在虚拟共享,容灾备份等。将虚拟化优势扩展到远程和分支机构,从而在单一控制点中即可实现以下目标:更加灵活地远程管理每个站点的虚拟机;在中央数据中心托管可远程访问的虚拟机;同时使用分布式虚拟机和集中式虚拟机。目前VMWare公司数据中心的