云计算环境下多样性资源负载均衡高效调度方法

吴军英1，辛锐1，曹秀峰2

（1.国网河北省电力公司信息通信分公司，河北石家庄050000；2.武汉理工大学计算机科学与技术学院，武汉430000）

摘要：资源调度是云计算的重要问题之一，调度策略对云系统性能及运营成本产生直接影响。为了

更好满足用户需求，在云计算环境下对多样性资源，提出一种考虑性能及信任需求混合遗传和蚁群思想的负载均衡高效调度方法。依据云计算虚拟性和弹性化要求，提出二级调度策略，先从用户应用程序至虚拟机调度，按照用户多样化需求，将任务性能需求及信任需求作为考量情况，分别通过综合性能效益参数值及综合信任效益参数值描述用户性能需求和信任需求。第二级调度为将任务配置给虚拟资源，基于遗传和蚁群思想，将分类后的任务个体根据适度值大小排序，选取全局最优初始值，通过蚁群搜索获得局部最优解，从而完成多样性资源负载均衡调度过程。仿真实验证明，运用文中资源负载均衡调度方法能够提升云计算系统资源利用效率。关键词：云计算环境；多样性资源；负载均衡；资源调度中图分类号：TP391

文献标识码：A

文章编号：1001-7119（2017）12-0167-04

DOI:10.13774/j.cnki.kjtb.2017.12.036

LoadBalancingandEfficientSchedulingMethodforDiversityResourcesinCloudComputingEnvironment

WuJunying1，XinRui1，CaoXiufeng2

（1.StatGridHebeiInformation&TelecommunicationBranch，Shijiazhuang050000，China；2.SchoolofComputerScienceandTechnology，WuhanUniversityofTechnology，Wuhan430000，China）Abstract：Resourceschedulingisoneoftheimportantissuesincloudcomputing,schedulingpolicyhasadirectimpactontheperformanceandoperatingcostsofcloudsystems.Inordertobettermeettheneedsofusers,inthecloudcomputingenvironment,aloadbalancingefficientschedulingmethodisproposed,whichconsiderstheperformanceandtrustrequirementsofhybridgeneticandantcolony.Onthebasisofcloudcomputingrequirementsofvirtualandflexible,putforwardtwolevelschedulingstrategy,startingfromtheuserapplicationtovirtualmachinescheduling,accordingtothediverseneedsofusers,theperformancerequirementsandtasksasthemeasureoftrustdemand,respectively,benefitparametersthroughthecomprehensiveperformancebenefitvalue.Secondlevelschedulingforthetaskallocationfordescribinguserrequirementsandperformancerequirementsfortrustandcomprehensivechannelvirtualresources,geneticandantcolonybasedontheideaoftheclassificationtaskaccordingtoindividualfitnessvalueranking,theglobaloptimalselectionofinitialvalue,throughtheantcolonysearchgettingalocaloptimalsolution,thuscompletingthediversityofresourceloadbalancingimprovetheresourceutilizationefficiencyofcloudcomputingsystem.schedulingprocess.SimulationresultsshowthattheresourceloadbalancingschedulingmethodcanKeywords：cloudcomputingenvironment；diversityresources；loadbalancing；resourcescheduling收稿日期：2017-01-25作者简介：吴军英（1982-），男，河北石家庄人，硕士，高级工程师，研究方向：信息通信技术管理。168科技云计算重点服务于多个用户[1]，在技术研究领域中，资源调度方面问题分析与研究成果并不多，制约了云计算资源调度策略发展与进步。为管理与分配资源，提高资源利用效果，文献[2]提出pReduceGoogle户需求提交后，结构上，资源调度法，云数据中心系统按照域名系统，Google将具有庞大的数据中心，Google平台建立于Ma⁃用将最近物理集群配置给用户，开始搜索并将结果反馈给用户。文献[3]提出运用Amazon调度方法对资源进行调度。在用户使用资源前需提交申请内容，例如资源类型、使用时间及数量等，云数据中心根据用户提供信息选取合适集群，使资源能够有效分配给用户。

为使系统分配资源达到负载平衡目的，本文提出一种考虑性能及信任需求混合遗传和蚁群思想的负载均衡高效调度方法。

1云计算环境下资源负载均衡高效

调度方法

1.1

云计算环境下任务调度分析

云计算技术是全世界计算机技术前沿，使动态可伸缩虚拟资源通过互联网，运用各类服务方式根据用户需求进行使用的计算模式[4-7]。根据云计算结构，文中使用二级调度策略对多样性资源实现负载平衡调度过程。第一级调度时由用户应用程序开始至虚拟机间的调度过程。为更加准确描述用户不同需求对任务服务质量(QoS)要求，将需求分为两类，即性能需求和信任需求[8-10]。运用隶属度函数表述用户对任务中每个服务质量属性获取的效益值，描述性能QoS属性效益值为：

时间隶属度函数：

ìtimei,jTime(i,j)=ïí-deadlineï1-timei,j

,timei,j>deadlineî1,otherwise

（1）

式中：第i个任务在第j个虚拟机上执行时间由Time(i,j)表示；任务预期执行时间由deadline表示。

费用效益函数：

通报第33卷

ìCost(i,j)=ïícosti,j-budgetï1-î1,otherwise

costi,j

,costi,j>budget（2）

式中：第i个任务在第j个虚拟机上执行费用由Cost(i,j)表示；任务预期执行费用由budget

表示。根据上述两个函数，利用综合效益函数描述任务性能服务质量性能效益值：

Performance(i,j)=α×Time(i,j)+β×Cost(i,j)（3）

式中：用户对时间及费用偏好程度由α、β表示，其中α+β=1。如果α值大，则表明用户对时间偏好，β值大表明用户对费用偏好。

信任QoS属性效益值也可运用隶属度函数进行描述，信任属性包括安全性及可靠性两个方面，可表述效益值为：

ì(i,j)=í1,TSi≤RSjSecï

ïmax(TSleveli-RS-jRS)î1-j

,otherwise（4）

式中：用户需求安全性等级由TSi表示；服务资源提供安全等级由RSmaxlevelj表示；最高安全等级由可行性等级隶属度函数描述为：

表示。

Rel(i,j)=ìï

í1,TRi≤RRi,jï

1-expî(-RRi,j),otherwise（5）

式中：用户要求可靠度由1-exp(-TRi)TR表示；服务资源提供此次任务可靠度由RRi,j表示。根据上述两个隶属度函数，运用综合效益函数描述综合信任效益值为：

Trust(i,j)=ω1×Sec(i,j)+ω2×Rel(i,j)（6）

式中：用户对安全性及可靠度偏好程度由ωω1

和2和信任需求对用户要求进行精确描述。

表示。在一级调度过程中，考虑性能要求1.2基于遗传与蚁群思想的负载均衡调度策略

将资源R离散成m个资源节点，任务离散为n个任务节点，编码模式运用自然数据编码，每条染色体为一个解，设定第j个任务配置给i个资源时状态是Cij，定义变量并进行初始化操作。初始父代个体生成，产生N个个体当作初始群体，设定最大进化代数计算器及最大进化数；对父代个体进行杂交计算，利用改进排列方式产生配对

第12期

吴军英等.云计算环境下多样性资源负载均衡高效调度方法169

染色体，选取一对父代个体当作双亲，组合操作后生成子代个体p1；父代个体产生后需进行变异运算，运用改进移动变异算子实现变异过程。

通过遗传思想操作后获取子代个体，按照适度值大小排序，选取最优秀S个个体当作初值，利用蚁群思想搜索获取局部最优解。初始化后，选取一定数量蚂蚁随机放入节点集中，每只蚂蚁在集合中进行路径行走，描述第k只蚂蚁在t时刻选取节点xij的转移概率为：

ìaτijPN

t)=ïï+若xijí∑aτ(1-a)ηijij(ij(1-a)ηij

∉tabuN

ï，

ï

x∉tabuN

î

(0否则

（7）

ηijt)=Tkij1(t)式中：信息启发式因子由a表示；

t时刻启发函数由ηij(t)表示；t时刻节点xij上信息素由τij(t)表示；禁忌表由tabuN表示；第k只蚂蚁信息

素由Tk

ij(t)表示。

信息素更新过程描述为：

ΔTìCk)=ïíïTk

第k只蚂蚁选择xijij(tij(t)î式中：C表示常数；0

信息素增量由否则（8）

ΔTk

ij(t)表

示。通过蚁群搜索过程获取局部最优解，满足精度需求达到资源负载平衡状态，自动停止搜索过程。

2仿真实验及结果分析

CloudSim2.1实验采用某大学开发的云计算仿真工具

（1）实验模拟并检验文中方法调度效果。

1：运用150个物理主机节点构成云计算环境，研究150到1050个独立任务集调度情况。安全性级别设定为{poor,low,medium,high}，用户任务请求安全性及服务资源供给的安全性随机分布在该区间内。服务质量要求包含性能要求和信任要求，性能和信任QoS效益函数中将偏好程度设定为3种情况，分别为

(0.7,0.3),(0.5,0.5),(0.3,0.7)}，三种情况分别表示

偏好性能型任务，无偏好型任务和信任型任务，为能够准确描述用户偏好需求，利用文中考虑服务质量要求混合遗传和蚁群思想的负载均衡高

效调度方法及基于信任关系的Min-min调度方

法，具体在三种偏好程度情况下平均综合效益比较图如图1~3所示。

图1用户偏好情况为性能型，通过运用以上两种方法对平均综合效益值进行计算后，获取曲线可以看出，文中方法计算曲线值整体趋势大于基于信任关系的Min-min调度方法计算结果，根据任务分配虚拟机资源时的特性，执行任务过程中选取综合效益值高的虚拟机进行资源配置，因此从用户偏好性能型角度看，运用文中方法可使资源优先配置。

再观察图2和图3，分别为无偏好型及信任偏好型情况下，运用上述两种方法进行综合效益值计算，图2与图3中综合效益值都为文中方法计算值更高，表明在无偏好情况及信任偏好情况下，运用文中方法都可获取较高综合效益值，能够实现优先配置资源的目的。

负载均衡度为每个物理主机间负载均衡大小程度，运用如下负载均方差公式描述两种调度过程中资源负载均衡程度，具体负载均衡程度曲线如图4所示。

m

LB=m1∑(Load2

j-Loadavg)（9）j=1式中：物理主机负载由Loadj表示；物理主机

平均负载由Loadavg表示；

m为常数。通过对比资源调度负载均衡程度，可看出运用文中方法在资源调度过程中负载程度值低于Min-min若负载程度值过大表明物理主机间负载重，调度方法资源调度过程中负载程度值，影响资源调度效果，容易造成资源浪费情况，因此对比两种方法可看出，运用文中方法进行资源调度负载程度低，调度效果好。

（2）实验2：仿真环境同上，运用文中方法及基于信任关系的300两种方法进行调度过程中任务执行时间差异。、400、500个子任务进行资源调度，Min-min调度方法对对比利用100、200、具体如表1所示。

通过设定不同子任务执行数量，运用两种方法实行资源调度，Min-min结果显示运用基于信任关系的时3倍，由于耗时严重问题将直接导致资源浪费调度方法对资源调度耗时是文中方法耗且负载过重，使云计算系统运行性能下降。而运用文中方法不仅迭代次数少，执行资源调度任务

{170科技图1性能偏好型综合效益值曲线

Fig.1Performancepreferencecurve

typecomprehensivebenefitvalue

图2无偏好型综合效益值曲线

Fig.2Nopreferencetypecomprehensivebenefitvaluecurve

图3信任偏好型综合效益值曲线

Fig.3Thecomprehensivebenefitvaluecurveoftrustpreference

图4负载均衡程度比较

Fig.4Comparisonofloadbalancingdegree

通报

第33卷

表1两种方法执行调度任务耗时

Table1Twomethodsofschedulingtaskstime-consuming子任务文中方法调度执行

数量时间/sMin-min执行时间调度方法/s10020030012.68.517.240015.426.540.950018.119.761.665.7时耗时少，具有明显优势。

3结论

提出考虑性能及信任需求混合遗传和蚁群思想的负载均衡高效调度方法。依据云计算虚拟性和弹性化要求，提出二级调度策略。二级调度为将任务分配至虚拟资源，利用遗传和蚁群思想，使分类后的任务个体依据适度值大小排序，选择全局最优初始值，通过蚁群搜索获得局部最优解，完成资源负载均衡调度。参考文献：

[1]郭雪术，2016.云计算服务责任险发展情况研究，10(2):12-15.

[J].信息通信技[2]

陈黄科，实时任务调度方法祝江汉，朱晓敏，[J].计算机研究与发展，等.云计算中资源延迟感知的2017，54(2):[3]

446-456.

陈斌，计算成组调度性能及代价评估东一舟，毛明荣.基于任务迁移和需求控制的云[J].物联网技术，2016，6

[4](5):94-98.

海江控制工程，.一种改进云计算虚拟资源负载均衡调度方案2017，24(1):100-105.

[J].[5]

石慧，云计算虚拟资源调度研究磁李俊杰，谢志明，等.NSGAⅡ[J].计算机与数字工程，

多目标均值聚类的[6]2016薛涛，，44(9):1681-1686.

[J].计算机应用研究，刘龙.云计算中虚拟机资源自动配置技术的研究[7]

匡珍春，2016，33(3):759-764.

源负载均衡调度谢仕义.基于猫群优化算法的云计算虚拟机资[J].吉林大学学报:理学版，2016，54(5):[8]1117-1122.

骆焦煌大学学报.异常网络环境下云计算资源需求策略:理学版，2017，55(4):964-968.

[J].吉林[9]张润莲，算方法[J].高意球，计算机工程与设计，何庆志.基于QoS2016属性的云服务信任计，37(2):354-357.[10]

究李爽[J]..计算技术与自动化，基于云计算服务质量感知的虚拟机节能管理研

2017，36(1):155-160.