本文關(guān)鍵詞：基于收益最大化的多目標(biāo)任務(wù)調(diào)度策略研究

  更多相關(guān)文章： 任務(wù)調(diào)度 動態(tài)雙種群粒子群算法 蟻群算法 遺傳算法 灰色預(yù)測收益最大化 用戶滿意度 節(jié)能降耗

【摘要】：云計算作為一種新興的商業(yè)模式可以通過計算機網(wǎng)絡(luò)向用戶提供靈活、按需和可伸縮的存儲與計算資源。虛擬化技術(shù)作為云計算的推動者和重要技術(shù)支撐,是一種可以表示計算機資源的抽象方法。資源的仿真、聚集、共享和隔離都可以通過虛擬化技術(shù)來實現(xiàn)。此外虛擬化技術(shù)還能夠利用虛擬機為各種應(yīng)用的可靠運行和快速部署提供必要的環(huán)境。云計算的核心特征是按需服務(wù),這使得云計算的任務(wù)分配和資源調(diào)度成為技術(shù)難題。普通用戶、基礎(chǔ)設(shè)施提供商和云服務(wù)提供商三者之間存在利益上的沖突,但是目前大多數(shù)的研究都是從三者中某一個角色出發(fā),使得該角色受益。從另一個角度來看,這三者其實是利益共同體。因而在進行云計算資源管理時,必須將三者的利益看作一個整體,在實現(xiàn)云服務(wù)提供商和基礎(chǔ)設(shè)施提供商利潤最大化的同時,提高普通用戶的滿意度。在云服務(wù)提供商(SP)為普通用戶提供云服務(wù)階段,將用戶滿意度和提升收益作為需要考慮的因素。在SP向基礎(chǔ)設(shè)施提供商(IP)購買虛擬資源時,建立虛擬機提供模型。并且引入動態(tài)雙種群粒子群算法,根據(jù)虛擬機提供模型,重新定義了該算法中的粒子速度和位置,為了提高粒子群算法收斂的速度,根據(jù)粒子在迭代過程中適應(yīng)度值的變化,動態(tài)的調(diào)整了粒子速度更新的權(quán)重。粒子群算法有容易陷入局部最優(yōu)的缺點,本文對原有的粒子群算法進行了改進,引入免疫算法,增強了粒子多樣性,使得算法能夠白適應(yīng)的調(diào)整全局系數(shù)。改進后的粒子群算法不僅在算法開始時能夠搜索到更多的解空間,還能夠在后期快速的收斂從而達(dá)到最優(yōu)解。在SP向普通用戶提供云服務(wù)時,引入了融合蟻群算法和遺傳算法的調(diào)度策略。首先利用遺傳算子進行全局快速搜索,蟻群算法的信息素濃度初始值就是用遺傳算法得到的全局搜索信息,然后利用蟻群算子得到任務(wù)調(diào)度的精確解,充分利用了蟻群算法和遺傳算法在求解NP問題上的雙重優(yōu)點。實驗證明,在購買虛擬資源和向普通用戶提供云資源兩個階段,上述兩種算法都能在提高SP的利潤的同時,提升用戶的滿意度。在IP為SP提供硬件資源階段,為了能夠最大化IP利潤,將節(jié)能降耗作為需要考慮的因素。本文提出了一種基于灰色預(yù)測模型的雙閾值虛擬機遷移調(diào)度策略。CPU資源利用率是虛擬機動態(tài)遷移的一個重要參考指標(biāo),當(dāng)有一個CPU利用率突變到來時,如果沒有有效的調(diào)度策略,虛擬機就會發(fā)生不必要遷移,從而浪費系統(tǒng)開銷。利用灰色預(yù)測模型可以估計出未來一個時間段內(nèi)虛擬機節(jié)點CPU的利用率。如果某個主機的負(fù)載在當(dāng)前時間大于CPU利用率較大的閾值(小于CPU利用率較小的閾值),并且在未來連續(xù)三個預(yù)測負(fù)載值都大于閾值(小于閾值),將對該虛擬機執(zhí)行遷移操作。實驗證明,該算法可以有效的避免由于CPU利用率的震蕩變化造成的虛擬機頻繁遷移,降低能源消耗,提升IP的收益。
【關(guān)鍵詞】：任務(wù)調(diào)度 動態(tài)雙種群粒子群算法 蟻群算法 遺傳算法 灰色預(yù)測收益最大化 用戶滿意度 節(jié)能降耗
【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP393.09;TP18
【目錄】：

• 摘要8-10
• ABSTRACT10-12
• 第1章 緒論12-17
• 1.1 課題背景12-13
• 1.2 研究內(nèi)容和意義13
• 1.3 國內(nèi)外研究現(xiàn)狀13-15
• 1.3.1 面向云服務(wù)提供商的資源調(diào)度策略14
• 1.3.2 面向基礎(chǔ)設(shè)施提供商的虛擬機資源調(diào)度策略14-15
• 1.4 論文整體組織結(jié)構(gòu)15-17
• 第2章 相關(guān)理論介紹17-24
• 2.1 云計算市場行為介紹17-18
• 2.2 啟發(fā)式算法18-21
• 2.2.1 帶慣性權(quán)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 蟻群算法20-21
• 2.3 CloudSim仿真軟件簡介21-23
• 2.3.1 概述21
• 2.3.2 CloudSim體系架構(gòu)21-23
• 2.4 本章小結(jié)23-24
• 第3章 面向云服務(wù)提供商的任務(wù)調(diào)度策略24-39
• 3.1 SP虛擬機購買策略24-25
• 3.2 改進粒子群算法25-28
• 3.2.1 動態(tài)雙種群粒子群算法的種群多樣性26-27
• 3.2.2 動態(tài)雙種群粒子群算法的動態(tài)調(diào)整27-28
• 3.2.3 動態(tài)雙種群粒子群算法的虛擬機提供算法步驟28
• 3.3 云服務(wù)提供商云服務(wù)提供機制28-35
• 3.3.1 云任務(wù)調(diào)度模型28-30
• 3.3.2 基于遺傳算法和蟻群算法的任務(wù)調(diào)度策略30
• 3.3.3 染色體編碼與解碼30-31
• 3.3.4 遺傳算法的適應(yīng)度函數(shù)31-32
• 3.3.5 結(jié)合了遺傳算法的蟻群資源調(diào)度算法32-34
• 3.3.6 基于遺傳算法和蟻群算法的任務(wù)調(diào)度算法步驟34-35
• 3.4 實驗以及結(jié)果分析35-38
• 3.5 本章小結(jié)38-39
• 第4章 面向基礎(chǔ)設(shè)施服務(wù)提供商的資源調(diào)度策略39-50
• 4.1 雙閾值觸發(fā)策略39-40
• 4.2 灰色預(yù)測模型40-47
• 4.2.1 灰色序列生成算子40-43
• 4.2.2 灰色預(yù)測模型GM(1,1)43-46
• 4.2.3 遷出虛擬機的定位策略46-47
• 4.3 實驗分析47-49
• 4.4 本章小結(jié)49-50
• 第5章 總結(jié)與展望50-52
• 5.1 論文工作總結(jié)50-51
• 5.2 未來工作方向51-52
• 參考文獻(xiàn)52-57
• 致謝57-58
• 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄58-59
• 附件59

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前3條

1 劉漳輝;王曉莉;;云計算虛擬機群中帶遺傳算法的負(fù)載均衡算法[J];福州大學(xué)學(xué)報(自然科學(xué)版);2012年04期

2 王天擎;謝軍;曾洲;;基于蟻群算法的網(wǎng)格資源調(diào)度策略研究[J];計算機工程與設(shè)計;2007年15期

3 莊威;桂小林;林建材;王剛;代敏;;云環(huán)境下基于多屬性層次分析的虛擬機部署與調(diào)度策略[J];西安交通大學(xué)學(xué)報;2013年02期

，

本文編號：1066944