基于微粒群算法的混合云任务调度研究

北京邮电大学  张国香  

由于云计算提供的服务具有廉价性、灵活性和易于扩展等优点,越来越多的企业和个人选择租用基础设施即服务(IaaS)来支撑自己的业务。作为其他云服务的基石,IaaS在云计算中起着基础和支撑作用。然而,当面临大量的用户请求,特别是用户需求高峰到来时,云的本地资源不足,如何调度任务从而满足所有用户的请求成为IaaS云提供商面临的重大挑战之一。 为了解决云提供商本地资源不足的问题,之前的研究思路集中在购买大量的设备或者构建云联盟上。但是,前者的缺点是非常不经济,而后者缺乏实现基础。为了更好地解决上述问题,本文提出了一种混合云的架构。在此架构下,当资源不足时,IaaS提供商可以外包任务到其外部公有云中,从而避免像云联盟一样与外部公有云签订任何协议或者制定统一标准。在这一过程中,如何分配任务,使得IaaS云提供商在保证服务质量(QoS)的同时利润最大化是现在面临的关键问题。本文采用整数规划模型和基于自适应PSO算法的任务调度算法来解决这一问题。自适应PSO算法采用四种速度更新策略来自适应地更新每个粒子的速度,从而提高自适应PSO算法的多样性和鲁棒性。按照任务和环境的特点,本文研究了混合云的静态和动态任务调度问题对于静态任务调度,本文设计了小规模问题1和大规模问题2和问题3,通过对基于自适应PSO的调度算法与基于标准PSO的调度算法以及精确算法(CPLEX)的结果进行比较,实验证明基于自适应PSO的调度算法非常有效。相比于标准PSO的调度算法,对于问题1、2、3,基于自适应PSO的调度算法将利润分别提高了0.25%,11.56%,2.26%；相比于CPLEX,对于大规模的问题(问题2和3),基于标准PSO的调度算法将利润分别提高了16.71%和2.37%。对于动态任务调度,本文提出了一种动态的任务调度流程,并采用动态自适应PSO解决,并与使用基于静态自适应PSO的解决动态调度的结果进行了比较,发现动态自适应PSO在绝大多数进化阶段的初始世代就具有较高的适应值,证明动态自适应PSO有效地利用了上一次进化优化后的种群,说明动态自适应PSO在解决动态问题具有优越性。

基于微粒群算法的混合云任务调度研究