基于改进蚁群算法的自适应云资源调度模型研究

作者:聂清彬;潘峰;吴嘉诚;曹耀钦 刊名:激光与光电子学进展 上传者:古峰

【摘要】对于传统蚁群算法用于云计算资源分配和调度问题过程中存在的不足;提出了一种可以提高负载均衡度、缩短任务执行时间、降低任务执行成本的改进自适应蚁群算法;改进算法以能够基于用户提交的任务求解出执行时间较短、费用较低;负载率均衡的分配方案为目标;通过CloudSim平台对传统蚁群算法、最新的AC-SFL算法、改进自适应蚁群算法进行仿真实验对比;实验数据表明;改进后的自适应蚁群算法能够快速找出最优的云计算资源调度问题的解决方案;缩短了任务完成时间;降低了执行费用;保持了整个云系统中心的负载均衡;

全文阅读

1 引  言云计算[1]是在虚拟化技术和网格计算基础上发展起来的一种新兴的计算模式,也是基于海量计算机资源,以按需分配的方式为用户服务的一种商业模式。其因具有超大规模、数据储存安全可靠和软硬件资源进行统一管理等特点,越来越引起人们的关注。由于云计算资源在互联网中涉及的数据非常庞大,因此如何对云计算中资源进行有效的管理和分配,如何对虚拟机资源进行高效的调度成为云计算研究中所要解决的重要问题。目前,云计算资源调度策略中的大部分任务分配均选用Google公司倡导的分布式编程模式Map/Reduce,该模式分为两个不同的阶段,即Map(映射)阶段与Reduce(化简)阶段:在Map阶段,将云计算中心的所有任务细分成若干个子任务,继而调度到每个虚拟资源节点上去执行,任务完成后输出结果;在Reduce阶段,首先对Map阶段得出的结果进行处理,然后将最后的处理结果反馈给客户,在该并行运算编程模型中,整个算法的核心是如何科学地分割子任务来实现任务的有效分配和云资源调度。云计算资源在任务调度中所产生的问题是近年来兴起的,国内外的学者都从自己的研究中提出了相应的观点。郭琪瑶等[2]提出了将蚁群算法(ACO)和蛙跳算法进行有效融合,从而达到提高系统处理任务的效率以及云计算资源的合理调度;李建锋等[3]采用一种具备双适应度的遗传算法(DFGA),其算法能有效减少完成任务的平均时间,与自适应算法(AGA)相比,DFGA的性能明显优于自适应算法(AGA);黄俊等[4]提出了通过加入虚拟机实时状态,更加精确地表达了云计算任务的分配问题,从而缩短了完成任务时间,加快了算法收敛速度;吕燕兵等[5]针对云计算资源分配不均衡和资源利用率不高的问题,提出了基于降低云计算中心负载均衡的改进蚁群算法模型,有效地改善了算法负载的均衡性;魏赟等[6]提出一种既能增强任务并行执行能力的同时又能保持任务串行关系的调度策略——DSFACO算法。DSFACO算法将云计算中所需执行的任务分解成若干个子任务,然后根据任务执行顺序放置到优先级不等的调度队列中,针对在同一个调度队列的若干任务,最大限度地将任务被执行的时间缩短;并且在每个任务的延迟时间内也对任务进行调度,从而提高了虚拟机资源的运行效率,使得整个资源调度过程更加公平。该算法使用户提交到云计算中心的任务得到最优的分配。这些相关算法都在一定程度上解决了传统的云资源调度过程中存在的问题,但云资源调度是一种多用户、多任务、实时并发执行过程,庞大的资源随着任务分配而进行改变。所以,为了缩短云计算中任务的执行时间,有效地提高云计算中虚拟机的利用率,本文将针对传统蚁群算法中存在的缺陷,提出一种改进后的自适应云资源调度算法。2 标准的蚁群优化算法及资源节点的选择蚁群算法[7-8]是由Marco Dorigo于1992年在他的博士论文中所阐述的一种在图中寻找最优路径的算法,是一种模拟自然界蚁群在觅食过程中寻找路径的群体行为人工智能优化算法,算法用来模拟蚂蚁群体去寻觅食物的整个流程,蚂蚁在觅食过程中,在其经过的每一条路径上都会遗留下一种分泌物,叫信息素(pheromone)。因为蚂蚁在选取路径时会更偏好于选取浓度更高的路径,所以容易出现大部分蚂蚁选择同一条信息素浓度较强路径的情况,大量蚂蚁选取浓度更高路径的行为实际上形成了对路径上信息素的整体反馈现象,即选择某一条路径的蚂蚁越多,后面的蚂蚁继续选择该路径的可能性就更大,以此达到路径最短的目的。该算法将蚂蚁寻求最短路径的方法转变为数学问题,具备高求解精度的特点,而且易与其他方法结合,可应用于其他组合优化问题,如旅行商问

参考文献

引证文献

问答

我要提问