基于收益最大化的多目標(biāo)任務(wù)調(diào)度策略研究.pdf

1、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

2、，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

3、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，使得算法能夠自適應(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

4、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

5、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