基于收益最大化的多目标任务调度策略研究

发布时间：2017-10-20 11:50

  本文关键词：基于收益最大化的多目标任务调度策略研究

  更多相关文章： 任务调度 动态双种群粒子群算法 蚁群算法 遗传算法 灰色预测收益最大化 用户满意度 节能降耗

【摘要】：云计算作为一种新兴的商业模式可以通过计算机网络向用户提供灵活、按需和可伸缩的存储与计算资源。虚拟化技术作为云计算的推动者和重要技术支撑,是一种可以表示计算机资源的抽象方法。资源的仿真、聚集、共享和隔离都可以通过虚拟化技术来实现。此外虚拟化技术还能够利用虚拟机为各种应用的可靠运行和快速部署提供必要的环境。云计算的核心特征是按需服务,这使得云计算的任务分配和资源调度成为技术难题。普通用户、基础设施提供商和云服务提供商三者之间存在利益上的冲突,但是目前大多数的研究都是从三者中某一个角色出发,使得该角色受益。从另一个角度来看,这三者其实是利益共同体。因而在进行云计算资源管理时,必须将三者的利益看作一个整体,在实现云服务提供商和基础设施提供商利润最大化的同时,提高普通用户的满意度。在云服务提供商(SP)为普通用户提供云服务阶段,将用户满意度和提升收益作为需要考虑的因素。在SP向基础设施提供商(IP)购买虚拟资源时,建立虚拟机提供模型。并且引入动态双种群粒子群算法,根据虚拟机提供模型,重新定义了该算法中的粒子速度和位置,为了提高粒子群算法收敛的速度,根据粒子在迭代过程中适应度值的变化,动态的调整了粒子速度更新的权重。粒子群算法有容易陷入局部最优的缺点,本文对原有的粒子群算法进行了改进,引入免疫算法,增强了粒子多样性,使得算法能够白适应的调整全局系数。改进后的粒子群算法不仅在算法开始时能够搜索到更多的解空间,还能够在后期快速的收敛从而达到最优解。在SP向普通用户提供云服务时,引入了融合蚁群算法和遗传算法的调度策略。首先利用遗传算子进行全局快速搜索,蚁群算法的信息素浓度初始值就是用遗传算法得到的全局搜索信息,然后利用蚁群算子得到任务调度的精确解,充分利用了蚁群算法和遗传算法在求解NP问题上的双重优点。实验证明,在购买虚拟资源和向普通用户提供云资源两个阶段,上述两种算法都能在提高SP的利润的同时,提升用户的满意度。在IP为SP提供硬件资源阶段,为了能够最大化IP利润,将节能降耗作为需要考虑的因素。本文提出了一种基于灰色预测模型的双阈值虚拟机迁移调度策略。CPU资源利用率是虚拟机动态迁移的一个重要参考指标,当有一个CPU利用率突变到来时,如果没有有效的调度策略,虚拟机就会发生不必要迁移,从而浪费系统开销。利用灰色预测模型可以估计出未来一个时间段内虚拟机节点CPU的利用率。如果某个主机的负载在当前时间大于CPU利用率较大的阈值(小于CPU利用率较小的阈值),并且在未来连续三个预测负载值都大于阈值(小于阈值),将对该虚拟机执行迁移操作。实验证明,该算法可以有效的避免由于CPU利用率的震荡变化造成的虚拟机频繁迁移,降低能源消耗,提升IP的收益。
【关键词】：任务调度 动态双种群粒子群算法 蚁群算法 遗传算法 灰色预测收益最大化 用户满意度 节能降耗
【学位授予单位】：山东大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP393.09;TP18
【目录】：

• 摘要8-10
• ABSTRACT10-12
• 第1章 绪论12-17
• 1.1 课题背景12-13
• 1.2 研究内容和意义13
• 1.3 国内外研究现状13-15
• 1.3.1 面向云服务提供商的资源调度策略14
• 1.3.2 面向基础设施提供商的虚拟机资源调度策略14-15
• 1.4 论文整体组织结构15-17
• 第2章 相关理论介绍17-24
• 2.1 云计算市场行为介绍17-18
• 2.2 启发式算法18-21
• 2.2.1 带惯性权重的基本粒子群算法18-19
• 2.2.2 基本粒子群算法的局限性19-20
• 2.2.3 蚁群算法20-21
• 2.3 CloudSim仿真软件简介21-23
• 2.3.1 概述21
• 2.3.2 CloudSim体系架构21-23
• 2.4 本章小结23-24
• 第3章 面向云服务提供商的任务调度策略24-39
• 3.1 SP虚拟机购买策略24-25
• 3.2 改进粒子群算法25-28
• 3.2.1 动态双种群粒子群算法的种群多样性26-27
• 3.2.2 动态双种群粒子群算法的动态调整27-28
• 3.2.3 动态双种群粒子群算法的虚拟机提供算法步骤28
• 3.3 云服务提供商云服务提供机制28-35
• 3.3.1 云任务调度模型28-30
• 3.3.2 基于遗传算法和蚁群算法的任务调度策略30
• 3.3.3 染色体编码与解码30-31
• 3.3.4 遗传算法的适应度函数31-32
• 3.3.5 结合了遗传算法的蚁群资源调度算法32-34
• 3.3.6 基于遗传算法和蚁群算法的任务调度算法步骤34-35
• 3.4 实验以及结果分析35-38
• 3.5 本章小结38-39
• 第4章 面向基础设施服务提供商的资源调度策略39-50
• 4.1 双阈值触发策略39-40
• 4.2 灰色预测模型40-47
• 4.2.1 灰色序列生成算子40-43
• 4.2.2 灰色预测模型GM(1,1)43-46
• 4.2.3 迁出虚拟机的定位策略46-47
• 4.3 实验分析47-49
• 4.4 本章小结49-50
• 第5章 总结与展望50-52
• 5.1 论文工作总结50-51
• 5.2 未来工作方向51-52
• 参考文献52-57
• 致谢57-58
• 攻读学位期间发表的学术论文目录58-59
• 附件59

【参考文献】

中国期刊全文数据库 前3条

1 刘漳辉;王晓莉;;云计算虚拟机群中带遗传算法的负载均衡算法[J];福州大学学报(自然科学版);2012年04期

2 王天擎;谢军;曾洲;;基于蚁群算法的网格资源调度策略研究[J];计算机工程与设计;2007年15期

3 庄威;桂小林;林建材;王刚;代敏;;云环境下基于多属性层次分析的虚拟机部署与调度策略[J];西安交通大学学报;2013年02期

，

本文编号：1066944