基于進階粒子群優(yōu)化算法的云計算資源調(diào)度策略研究

校莉

摘要：云計算是一種商業(yè)計算模型，云廠商一般都有自己的資源分配和任務(wù)調(diào)度模式，但并沒有統(tǒng)一的標準和規(guī)范。分析云計算系統(tǒng)資源調(diào)度，提出一種基于進階的粒子群算法，采取集群動態(tài)協(xié)作產(chǎn)生優(yōu)質(zhì)粒子及對粒子逆向作用平衡局部資源的策略，以達到全局及局部搜索雙向資源最優(yōu)。經(jīng)云仿真平臺測試表明，應(yīng)用該算法的調(diào)度策略可行且高效。

關(guān)鍵詞：粒子群優(yōu)化算法；云計算；資源調(diào)度

DOIDOI：10.11907/rjdk.161535

中圖分類號：TP301

文獻標識碼：A 文章編號：1672-7800（2016）005-0016-02

0 引言

云計算作為一種并行計算技術(shù)實質(zhì)是網(wǎng)格計算的服務(wù)延伸，以滿足海量級信息化計算服務(wù)需求。云計算具有安全、可靠、高效的數(shù)據(jù)處理能力及靈活性和擴展性，可以顯著節(jié)省單點計算的時間開銷、降低計算成本。盡管通過VM（virtual machine）等虛擬化協(xié)議，可以將多臺服務(wù)器資源集群為一個高性能的資源池虛擬體，然而在大規(guī)模、多模式的資源系統(tǒng)中，良好的資源調(diào)度策略是提高平臺效能的必要條件，也是影響系統(tǒng)服務(wù)效能的重要因素。傳統(tǒng)粒子群優(yōu)化（PSO）算法[1]以其模型結(jié)構(gòu)清晰明了、計算傳參量小、語言實現(xiàn)容易等優(yōu)勢在數(shù)學建模、網(wǎng)格計算等諸多工程科學領(lǐng)域被廣泛應(yīng)用。但也有其局限性，主要體現(xiàn)在大量局部搜索情況下，系統(tǒng)可能處于局部最優(yōu)的極端狀況，同時收斂速度變慢。

本文在分析云計算系統(tǒng)的資源調(diào)度的基礎(chǔ)上，提出一種基于進階的粒子群算法（Advanced PSO，縮寫為A-PSO），相比傳統(tǒng)PSO算法，其在集群動態(tài)協(xié)作產(chǎn)生優(yōu)質(zhì)粒子及對粒子逆向作用平衡局部資源的兩個方面做出了優(yōu)化，以達到全局及局部搜索雙向資源最優(yōu)。將改良后的A-PSO算法應(yīng)用于系統(tǒng)資源調(diào)度，使得云計算系統(tǒng)能夠快速響應(yīng)應(yīng)用端的資源請求，實時給出當前優(yōu)質(zhì)資源，并考慮資源庫存，盡量規(guī)避負載失衡、局部死鎖、資源過早耗盡等風險。

1 云系統(tǒng)資源動態(tài)部署

大多數(shù)云系統(tǒng)采用計時或計流量付費的營運模式，通過資源共享服務(wù)用戶并盈利，應(yīng)用端開發(fā)者僅需考慮軟件自身問題，各類資源占用和調(diào)度則均由云計算平臺統(tǒng)一處理。云平臺能根據(jù)用戶需求和系統(tǒng)實際負載情況進行動態(tài)部署、配置及調(diào)度資源。云計算資源調(diào)度是指在某個指定的集群中，根據(jù)既定規(guī)則對終端請求進行動態(tài)資源分配。如果制定的調(diào)度算法過于簡單，容易造成分配不均；如果算法過于復雜，則由于過多的邏輯處理和關(guān)聯(lián)操作會造成較大時間開銷和資源消耗，從而降低了整個系統(tǒng)的性能。因此，如何制定一個合理的調(diào)度規(guī)則，采用合適的算法實現(xiàn)智能、高效的資源調(diào)度是各云商亟待解決的難題。

2 粒子群優(yōu)化算法

粒子群算法是一種基于群體的自適應(yīng)搜索優(yōu)化算法[3]。其通過權(quán)重因子來調(diào)節(jié)算法的全局和局部尋優(yōu)能力，權(quán)重因子值高則利于全局尋優(yōu)；反之，則利于局部尋優(yōu)，通常權(quán)重因子值域一般為（0.4，0.9）。尋優(yōu)計算公式為：

3 A-PSO 算法下的云計算系統(tǒng)資源調(diào)度策略

粒子群優(yōu)化算法雖然算法設(shè)計較為簡單，自適應(yīng)特性在許多工程應(yīng)用中具有明顯優(yōu)勢，但算法隨機性較大，仍有很大優(yōu)化空間。本文從集群動態(tài)協(xié)作和粒子逆向作用兩個方面對PSO算法進行改進。

3.1 改進的粒子群優(yōu)化算法

通過集群中子群的動態(tài)協(xié)作在一定程度上可以提升收斂速度及求解深度，同時粒子逆向作用效應(yīng)可以一定程度上沖散密集資源，避免系統(tǒng)陷入局部極優(yōu)而導致資源過早耗盡的風險，維持系統(tǒng)的負載平衡?；谶@種A-PSO算法，對資源申請者，云系統(tǒng)可以給出一個當前資源背景下比較優(yōu)質(zhì)的資源。采用動態(tài)協(xié)作算法，次群重點全局搜索，主群則重點局部搜索。一次循環(huán)中，所有次群最優(yōu)結(jié)果傳導給主群，主群則選出最優(yōu)子群資源粒子，流程如圖1所示。

4 仿真檢驗

根據(jù)上述算法，設(shè)計一個基于云計算的仿真平臺CS3.0[4]，在JDK1.8環(huán)境下使用Myeclipse2013工具編碼的仿真檢驗實驗。分別對DataCenter、DataCenterBroker、Cloudlet 等多個類進行重寫并編譯成功。實驗初始設(shè)定4個集群，其中主服務(wù)集群1個，次群3個，各群體規(guī)模固定為100，迭代上限500 次。主群學習因子均設(shè)定為4：3，次群學習因子均設(shè)定為2：1。實驗比照數(shù)據(jù)為采用標準PSO算法，在同樣設(shè)置條件下的執(zhí)行時間開銷。結(jié)果如圖3所示。

由實驗結(jié)果可知，對比采用傳統(tǒng)PSO算法，A-PSO算法調(diào)度策略平均時間開銷更小。

5 結(jié)語

分析云計算系統(tǒng)資源調(diào)度，提出一種基于進階的粒子群算法，相比標準PSO算法而言，改進后的APSO算法能夠更高效處理云系統(tǒng)資源搜索與分配，兼顧了資源分配的公平性和系統(tǒng)負載均衡，系統(tǒng)擴展性更強。后續(xù)將研究學習因子和逆向粒子權(quán)重等，進一步改進該算法，為云系統(tǒng)開發(fā)及管理提供參考借鑒。

參考文獻：

[1]KENNEY J， EBERHART R. Particle swarm optimization[C].Proc. of IEEE International Conf. on Neural Networks. Perth， USA，1995.

[2]虛擬化與云計算小組. 虛擬化與云計算[M]. 北京： 電子工業(yè)出版社， 2009.

[3]李麗，牛奔.粒子群優(yōu)化算法[M]. 北京： 冶金工業(yè)出版社，2009.

[4]CLOUDS LAB. A framework for modeling and simulation of cloud computing infrastructures and services introduction[EB/OL]. http：//www.buyya.com/gridbus/cloudsim/.

（責任編輯：陳福時）