面向QoS的混合云服务平台的研究与实现

发布时间：2020-09-24 13:18

　　云计算作为一种新型商业模式,因其物美价廉和即用即取的特点得到众多消费者的喜爱,但面对越来越多的云服务商,用户希望能有一个统一管理云服务的平台,并且依然能得到好的服务。从云服务商的角度来说,其希望能出售尽可能多的服务或资源来增加收益。而从用户的服务质量上来说,用户对物美价廉的服务的需求与云服务商对出售更多资源的期望是一种矛盾关系,本文在这样的矛盾关系下将多个服务商组合起来,以保障用户的服务质量不低于预设的最差服务质量为前提,对用户的请求进行分配,在分配用户请求时,既要将用户可接受的最差服务质量作为约束条件,也要考虑到如何减少服务商的闲置资源。同时,为了能保证用户的服务质量,首先,本文提出了一个双层排队模型,该模型的第一层排队模型能对用户的请求做出评估,根据评估结果决定是否接受用户请求;为了缩短用户请求的平均等待时间,使用多个M/M/n/n+r模型组合成该模型的第二层排队模型。经过仿真实验表明,该模型较一般的排队论模型更能降低用户请求的等待时间和响应时间。其次,为了能平衡用户的服务质量和服务商的收益,本文引入了多目标优化算法中的遗传算法和禁忌搜索算法,并提出了一种基于遗传算法和禁忌搜索算法的混合算法,即GT(Genetic algorithm and Tabu search algorithm)算法。仿真实验表明,该算法与遗传算法、禁忌搜索算法相比,在收敛速度上会更快,在解的适应度值上会更优。最后,本文设计和实现了一个混合云服务平台,并应用了上述模型和算法,在用户请求到达时能先对请求做准入控制,再分析请求所需的服务。该平台对用户请求分配服务商时能同时兼顾用户的服务质量和服务商的利益。测试结果表明,混合云服务平台能保证用户的服务质量不低于预设最差服务质量,同时还能兼顾服务商的利益,减少服务商的闲置资源从而增加服务商收益。
【学位单位】：电子科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP393.09
【部分图文】：

示意图,服务效率,服务台,排队论

排队论架构示意图

示意图,模型状态,转移过程,示意图

网络优化计算方法，是分析评价服务类系统和最优问题的有效方法之一。排队模型主要有 M/M/1 和 M/M/C 两种。其中 M/M/1 的排队系统是指用户到达的概率是泊松分布，其参数为 λ，服务台的服务时间分布情况是一种指数分布，其参数为 μ，并且 M/M/1 的系统中只有一个服务台。令 N(d) 表示时间为 d 时随机系统的用户数（即，用户队长）。因为用户到达的概率是泊松分布，其参数为λ，且两个用户到达的时间间隔与队列长度和服务时间都互不影响，即相互独立。假设在 d 时刻时，系统处于工作状态或因没有用户所以处于空闲状态，其剩余时间的分布情况是一种指数分布，其参数为 μ。所以随机过程 N(d),d 0 是一个连续时间马尔科夫链，其状态空间为 0,1,.....，现在需要写出该马尔科夫链的无穷小生成元矩阵。如果 N(d) = 0，则下一个事件为用户到达，概率为 λ，因此状态将会以１的概率从状态０转移到状态１，转移率为 λ。如果 N(d) = N > 0，则会存在两种情况，用户以的 λ 速率到达（记为 M），或者以 μ 的速率完成服务（记为），所以下一个事件发生的时间为 min M,K ，服从指数分布，其参数为 λ + μ。总的转移率为 λ + μ，其中从状态 N 转移到 N + 1 的速率为 λ（顾客到达先发生），从状态N 转移到 N 1 的速率为 μ（顾客先被服务完）。即如图 2-2。

流程图,遗传算法,流程图,选择算子

并遵守达尔文适者生存的规则，将优秀的后代留下来，这样就能将优秀的基因一代一代传承下去。经过若干次繁殖后剩下的个体都是基因优秀的个体，即最优解。其过程如图2-3。图 2-3 遗传算法流程图如图2-3所示，遗传算法首先要对个体进行编码，编码方式主要包括二进制、浮点编码等，经过编码初始化后的群体中的个体都是满足约束条件的，不满足的已经被剔除了，随后，遗传算法对初始化的种群内的个体计算其适应度，通过一些算子，筛选出适应度优秀的个体，这些算子主要包括轮盘赌选择算子、随机竞争选择算子、最佳保留选择算子和期望值选择算子等等。遗传算法中进行优秀后代筛选的操作是选择、交叉和变异，由上文所述，在10

【相似文献】