基于云计算的资源调度算法研究

发布时间：2017-10-17 22:11

  本文关键词：基于云计算的资源调度算法研究

  更多相关文章： 云计算 资源分配 QoS约束 遗传算法

【摘要】：云计算是近年来计算机领域最热门的研究方向之一。随着云服务的市场化,其作为新兴商业模式的巨大商业价值也正在呈现。云计算的数据中心利用虚拟化技术将计算资源、存储资源等各种软硬件资源抽象为虚拟化资源,构建成动态的虚拟资源池,向用户提供按需服务,因此,资源调度成为云计算的关键技术。云计算的商业化特点越来越突出,用户对服务的需求越来越多样,这就要求云服务提供商更多地关注用户的需求。云计算的资源类型各不相同,且系统中的资源是动态变化的,用户的偏好也是多种多样,用户请求调度的应用任务的QoS目标约束条件通常会包含多个指标方面的要求,用户任务的QoS目标约束条件的满足程度在很大程度上决定了云计算任务调度策略的性能优劣。针对此问题,本文建立了云计算资源调度模型,针对大量用户任务各不相同的QoS目标约束要求,分别建立相应的QoS目标约束条件,然后量化用户的应用偏好,应用完成时间、费用、可用性、安全性四个指标构造的效用函数,将多QoS的目标约束问题转换为单目标的约束求解问题,并以用户效用最大化作为目标函数。在此基础上,本文以改进的遗传算法求解单目标的约束问题,将目标函数平方作为适应度函数,在遗传操作方面,引入了一种自适应方式,保持种群的多样性,在更大空间集中搜索最优解,并得到一个较优的资源分配策略。本文介绍了云仿真工具CloudSim,并配置实验环境。在CloudSim的环境下对论文提出的改进算法进行了仿真实验,证明本文算法的可行性和有效性,实现在保障多维QoS的同时,最大程度降低运营的成本和优化资源的利用率。本文从任务的完成时间、费用及目标函数值等三个方面,将本文算法与传统遗传(GA)算法和Min-Min算法进行了对比评估。实验仿真结果表明：在完成时间方面,本文相比于Min-Min算法略差,但在其它方面本算法都更优于Min-Min算法和传统GA算法,体现了本文算法更大的优越性,综上所述,本文提出的算法可依据用户需求为任务选择合适的资源节点且最终获得满意的分配策略。
【关键词】：云计算 资源分配 QoS约束 遗传算法
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP393.09
【目录】：

• 致谢5-6
• 摘要6-7
• ABSTRACT7-12
• 1 引言12-18
• 1.1 研究背景及意义12-13
• 1.2 国内外研究现状13-15
• 1.2.1 以性能为中心的调度14
• 1.2.2 以服务质量为中心的调度14-15
• 1.2.3 以经济原则为中心的调度15
• 1.3 主要研究内容15-16
• 1.4 论文结构16-17
• 1.5 本章小结17-18
• 2 云计算相关技术18-30
• 2.1 计算概述18-22
• 2.1.1 云计算的定义18-19
• 2.1.2 云计算的特点19-20
• 2.1.3 云计算的体系结构20-21
• 2.1.4 云计算的分类21-22
• 2.2 计算的关键技术22-26
• 2.2.1 虚拟化技术22-23
• 2.2.2 编程方式23-24
• 2.2.3 分布式海量数据存储与处理24-26
• 2.3 典型云计算平台26-28
• 2.3.1 Google云计算平台26-27
• 2.3.2 Amazon云计算平台27
• 2.3.3 IBM“蓝云”平台27
• 2.3.4 微软Windows Azure云计算平台27-28
• 2.4 遗传算法在云计算中的应用28-29
• 2.5 本章小结29-30
• 3 云环境下基于QoS约束的资源调度模型30-39
• 3.1 调度环境问题描述30-31
• 3.2 常用的云资源调度算法31-34
• 3.2.1 先进先出调度算法31
• 3.2.2 传统遗传算法31-32
• 3.2.3 Suffrage-C算法和WQ算法32
• 3.2.4 Min-Min算法32-33
• 3.2.5 Max-Min算法33-34
• 3.3 本文算法提出与建模34-38
• 3.3.1 资源调度模型34-35
• 3.3.2 量化用户应用偏好35-36
• 3.3.3 多维QoS约束的目标函数36-38
• 3.4 本章小结38-39
• 4 云环境下基于QoS约束的改进遗传算法39-47
• 4.1 算法流程39-40
• 4.2 改进遗传算法设计40-45
• 4.2.1 编码40-41
• 4.2.2 初始化种群41-42
• 4.2.3 适应度函数42
• 4.2.4 自适应遗传操作42-45
• 4.3 参数说明与操作说明45-46
• 4.4 本章小结46-47
• 5 实验仿真及分析47-56
• 5.1 CloudSim仿真平台介绍47-49
• 5.1.1 CloudSim概述47
• 5.1.2 CloudSim体系结构47-48
• 5.1.3 CloudSim的核心类48-49
• 5.2 实验步骤49-50
• 5.2.1 环境配置49-50
• 5.2.2 仿真步骤50
• 5.3 实验结果及分析50-55
• 5.3.1 实验参数选取50-51
• 5.3.2 性能评估标准51-52
• 5.3.3 实验结果分析52-55
• 5.4 本章小结55-56
• 6 总结和展望56-57
• 参考文献57-61
• 作者简历及攻读硕士学位期间取得的研究成果61-63
• 学位论文数据集63

【相似文献】

中国期刊全文数据库 前10条

1 吴瑞镛,徐大纹;具有年龄结构的遗传算法[J];桂林电子工业学院学报;2001年04期

2 杨艳丽,史维祥;一种新的优化算法—遗传算法的设计[J];液压气动与密封;2001年02期

3 杨宜康,李雪,彭勤科,黄永宣;具有年龄结构的遗传算法[J];计算机工程与应用;2002年11期

4 谷峰,吴勇,唐俊;遗传算法的改进[J];微机发展;2003年06期

5 ;遗传算法[J];计算机教育;2004年10期

6 赵义红,李正文,何其四;生物信息处理系统遗传算法探讨[J];成都理工大学学报(自然科学版);2004年05期

7 刘坤,刘伟波,吴忠强;基于模糊遗传算法的电液位置伺服系统控制[J];黑龙江科技学院学报;2005年04期

8 张英俐,刘弘 ,马金刚;遗传算法作曲系统研究[J];信息技术与信息化;2005年05期

9 丁发智;;浅谈遗传算法[J];乌鲁木齐成人教育学院学报;2005年04期

10 李冰洁;;遗传算法及其应用实例[J];吉林工程技术师范学院学报;2005年12期

中国重要会议论文全文数据库 前10条

1 陈家照;廖海涛;张中位;罗寅生;;一种改进的遗传算法及其在路径规划中的应用[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

2 李国云;刘颖;薛梅;邬志敏;;遗传算法在高温空冷冷凝器优化设计中的应用[A];第五届全国制冷空调新技术研讨会论文集[C];2008年

3 王志军;李守春;张爽;;改进的遗传算法在反演问题中的应用[A];新世纪 新机遇 新挑战——知识创新和高新技术产业发展（上册）[C];2001年

4 任燕翔;姜立;刘连民;从滋庆;;改进遗传算法在三维日照方案优化中的应用[A];工程三维模型与虚拟现实表现——第二届工程建设计算机应用创新论坛论文集[C];2009年

5 韩娟;;遗传算法概述[A];第三届河南省汽车工程科技学术研讨会论文集[C];2006年

6 庞国仲;王元西;;基于遗传算法控制步长的定性仿真方法[A];'2000系统仿真技术及其应用学术交流会论文集[C];2000年

7 张忠华;杨淑莹;;基于遗传算法的聚类设计[A];全国第二届信号处理与应用学术会议专刊[C];2008年

8 何翠红;区益善;;遗传算法及其在计算机编程中的应用[A];1995年中国智能自动化学术会议暨智能自动化专业委员会成立大会论文集（下册）[C];1995年

9 靳开岩;张乃尧;;几种实用遗传算法及其比较[A];1996年中国智能自动化学术会议论文集（下册）[C];1996年

10 王宏刚;曾建潮;李志宏;;摄动遗传算法[A];1996年中国智能自动化学术会议论文集（下册）[C];1996年

中国重要报纸全文数据库 前1条

1 林京;《神经网络和遗传算法在水科学领域的应用》将面市[N];中国水利报;2002年

中国博士学位论文全文数据库 前10条

1 蔡美菊;交互式遗传算法及其在隐性目标决策问题中的应用研究[D];合肥工业大学;2015年

2 张士伟;三维声学快速多极基本解法在机械噪声预测中的应用研究[D];沈阳工业大学;2016年

3 高军;无铅焊料本构模型及其参数识别方法研究[D];南京航空航天大学;2015年

4 周辉仁;递阶遗传算法理论及其应用研究[D];天津大学;2008年

5 郝国生;交互式遗传算法中用户的认知规律及其应用[D];中国矿业大学;2009年

6 侯格贤;遗传算法及其在跟踪系统中的应用研究[D];西安电子科技大学;1998年

7 马国田;遗传算法及其在电磁工程中的应用[D];西安电子科技大学;1998年

8 唐文艳;结构优化中的遗传算法研究和应用[D];大连理工大学;2002年

9 周激流;遗传算法理论及其在水问题中应用的研究[D];四川大学;2000年

10 刘冀成;基于改进遗传算法的生物电磁成像与磁场聚焦应用研究[D];四川大学;2005年

中国硕士学位论文全文数据库 前10条

1 张英俐;基于遗传算法的作曲系统研究[D];山东师范大学;2006年

2 钟海萍;原对偶遗传算法与蚁群算法的一种融合算法[D];暨南大学;2013年

3 李志添;模糊遗传算法与资源优化配置的预测控制[D];华南理工大学;2015年

4 王琳琳;新型双层液压轿运车车厢的设计研究[D];上海工程技术大学;2015年

5 李海全;基于遗传算法的建筑体形系数及迎风面积比优化方法研究[D];华南理工大学;2015年

6 彭骞;基于遗传算法的山区高等级公路纵断面智能优化方法研究[D];昆明理工大学;2015年

7 周玉林;基于小波分析和遗传算法的配电网故障检测[D];昆明理工大学;2015年

8 郭颂;基于粗糙集和遗传算法的数字管道生产管理系统研究[D];昆明理工大学;2015年

9 吴南;数值逼近遗传算法的研究应用[D];华南理工大学;2015年

10 于光帅;一类优化算法的改进研究与应用[D];渤海大学;2015年

，

本文编号：1051313