李 嵐

(安徽交通職業(yè)技術學院 水運工程系，合肥 230001)

計算機調度系統(tǒng)是一類以云計算作為基礎的新型計算策略與服務形式[1]，可以通過應用虛擬化的處理技術為計算數(shù)據(jù)提供可變的存儲空間與計算機數(shù)量[2-3].當前，各類信息數(shù)據(jù)不斷增加，對于數(shù)據(jù)處理速度也提出了新的要求[4-5].同時隨著信息處理系統(tǒng)復雜度的持續(xù)提升，要求進一步整合云計算架構，從而確保系統(tǒng)計算性能獲得提高的前提下進一步減少運行成本[6]，而關于綜合考慮性能方面的內容還需進一步深入研究[7].

本文綜合分析了云計算中的計算機調度系統(tǒng)存在的缺陷，引入了群體智能軟件優(yōu)化算法以完成云計算多目標的調度.在引入群體智能軟件優(yōu)化算法后，選擇更加合理的計算機調度系統(tǒng)也能夠提高計算機的動態(tài)調度速率.所以，可利用群體智能軟件優(yōu)化算法完成云計算中的調度系統(tǒng).

1 計算機調度系統(tǒng)

1.1 多目標計算機的初始化配置

本文提出了群體智能軟件優(yōu)化方法，將n個不同序號進行組合成為隊列形式，然后結合搜索方法求得m個云環(huán)境下群體軟件的響應關系.將群體的各計算機位置與速率表示成如下形式：

(1)

(2)

在每次調度中的不同計算機速率與位置可以按照式(3)與式(4)的形式更新.

vid(t+1)=ωvid(t)+c1r1[pid(t)-vid(t)]+c2r2[pgd(t)-vid(t)]

(3)

vid(t+1)=vid(t)+vid(t+1)

(4)

式中：i表示群體智能軟件中計算機編號；d表示計算機維數(shù)；r1、r2表示0～1范圍內的隨機數(shù)；c1、c2表示在線的學習因子，一般情況下c1、c2在0～4范圍內的選取大小相同的數(shù)；ω表示群體的慣性權重；Pid表示個體i處在此刻在調度后的最佳位置；Pgd表示目前智能軟件所在的最佳位置.

考慮到慣性權值的最終確定可以按照式(5)來表示的：

ω=(ωmax-ωmin)×tan[m×(1-(t/num)k)]+ωmin

(5)

式中：m值主要是用來確保ω值，當{ωmin,ωmax}之間發(fā)生的改變；k值的變化將會對慣性權重產(chǎn)生影響；num表示系統(tǒng)一共的調度次數(shù)；t表示在調度過程所用的時間.

在群體智能軟件優(yōu)化算法中加入了全局搜索的思想.利用解的調度形成另一個解，通過對目標函數(shù)變化量的計算，可以判斷是否接受或拒絕該解，并且在調度完成后參照比例相應的降低t值，全局搜索公式為

T(t+1)=α×T(t)

(6)

式中：α是模擬全局搜索過程中的冷卻衰減因子，其值是比1.00略大的正常數(shù).

1.2 云計算中群體智能軟件優(yōu)化算法

采用群體智能軟件優(yōu)化算法先對計算機放置位置進行搜索，確保平臺具有良好運行性能的前提下進一步提升計算機的利用率，從而顯著減少能耗.

1)云計算中CPU利用率對服務等級協(xié)議具有直接影響.如式(7)所示，是在CPU使用率基礎上得到的SLA評價函數(shù).

fSLA(UCPU)=1/(1+ep-UCPU)

(7)

其中:UCPU代表相應云計算所具有的CPU使用率，p對SLA閾值范圍進行限定.

2)以計算機的剩余利用率來判斷當前計算機的利用率.可以用表達式(8)進行描述：

(8)

式中:Ri表示第i維在進行標準化后剩余的計算機，Rmin表示不同標準化剩余計算機對應的最小取值.

3)節(jié)點能耗包括運行能耗與基礎能耗共兩類，可利用CPU使用率來評價節(jié)點能耗的大小，在式(9)中顯示了節(jié)點能耗相應的評價函數(shù).

(9)

式中:Pidle表示在空載的情況下電能消耗,Pbusy表示在滿載情況下的電能消耗，利用公式可以得到低能耗節(jié)點，并將其作為搜索過程的解.

4)根據(jù)不同的目標優(yōu)化標準可以對權值進行合理設定，以此完成多目標的優(yōu)化處理.對于綜合適應度函數(shù)的定義見式(10)：

f(UCPU,Umem,Ubw)=K1fSLA+K2fr+K3fp

(10)

1.3 計算機動態(tài)調度過程

利用時間序列預測平滑指數(shù)模型對熱點進行預測，明顯降低了熱點的誤判概率同時也減少了分配次數(shù).結合歷史數(shù)值，對后續(xù)CPU使用率進行預測分析.在第t+1時刻時相應的負載見式(11)：

xt+1=αxt+α2xt-1+…+αn+1xt-n+αt

(11)

式中:α是對平滑指數(shù)進行預測的參數(shù)，是一個比1小的正數(shù)，用于預測后續(xù)窗口CPU利用率的影響程度；αt是正態(tài)分布中的一個隨機變量，確保預測結果能夠符合隨機性特征.

云計算對于目標的優(yōu)化作用是降低分配次數(shù)以及計算機的分配時間，從而實現(xiàn)目標優(yōu)化過程，這對分配質量及效率都將產(chǎn)生顯著影響.

1)選擇CPU利用率與計算機內存策略，對計算機進行分配時要確保其具有良好的分配質量，得到式(12)所示的分配函數(shù).

(12)

式中:UCPU代表計算機的CPU利用率，Rram是計算機內存大小.

2)對計算機進行分配時需對數(shù)據(jù)進行全面復制.式(13)給出了計算機的評價公式.

(13)

式中:UCPU、Uram、Ustorage分別表示計算機的CPU、內存、硬盤的占用值,UFCPU、UFS與UFR分別代表計算機的CPU、硬盤及內存容量.

3)對分配效果與時間進行綜合分析，利用較少的分配時間并顯著降低分配次數(shù)與節(jié)點利用率，以此確保云計算能夠長期穩(wěn)定高效的運行，結果見式(14).

E=a×Q+b×V

(14)

式中:a與b都是權值.

2 實驗結果與分析

2.1 仿真環(huán)境

利用CloudSim模擬云計算進行實驗,為仿真測試總共構建400個兩種云計算，并創(chuàng)建了263個四類配置計算機，每個計算機各自都能運行5個云計算任務.模擬實驗總共進行了1周時間，對算法的長期穩(wěn)定性與效率進行了測試.

2.2 參數(shù)設置

本文探討了k在式(5)慣性權重中的取值結果.當k值依次等于0.3、1.0、2.0與3.0的情況下，當k等于不同的取值時，慣性權重將表現(xiàn)為不同的曲線形式，從而對群體智能軟件優(yōu)化算法的搜索區(qū)域與收斂速率產(chǎn)生明顯影響，結果見圖1與圖2.

從圖1與圖2中可以發(fā)現(xiàn)，在k值等于2.0的情況下，慣性權重曲線表現(xiàn)為凹函數(shù)形態(tài)，采用群體智能軟件優(yōu)化算法可以獲得良好的效果.

圖1 不同k值算法收斂性

圖2 各k值下的算法適應度

2.3 仿真與分析

2.3.1 SLA違背率分析

SLA違背率仿真結果如表1所示.

表1 SLA違背率

根據(jù)表1可知，違背率最高的是貪心算法，F(xiàn)IFS分配方法具有最低的SLA違背率.從長期運行狀態(tài)看，SISOA在前期具有更高的SLA違背率，當運行時間達到4天之后，其SLA違背率比標準群體智能軟件優(yōu)化算法更低，而且不斷降低，體現(xiàn)出了SISOA在長期負載中的優(yōu)勢.

2.3.2 云計算中剩余計算機利用率

表2顯示了剩余計算機的測試結果.

表2 剩余計算機利用率

表2表示了不同算法的計算機利用率，從中可以發(fā)現(xiàn)平均剩余計算機保持穩(wěn)定狀態(tài)，當任務完成后，為確保計算機能夠進一步獲得高效利用，要求集中放置低載節(jié)點計算機.FIFS剩余計算機在任務完成后不斷增加，這是由于當任務完成之后，內存與CPU的占用空間都降低了.PSO具有良好的初期表現(xiàn)狀態(tài)，但后續(xù)運行中無法獲得較高的剩余計算機利用率.SISOA則與PSO剛好相反，其前期剩余計算機利用率較低，而在長時間的運行中表現(xiàn)出了更好的優(yōu)化效果.由此可見，此動態(tài)調度能夠達到更佳的長期集群計算機利用率.

2.3.3 平臺能耗分析

表3顯示了各算法的平臺能耗測試結果.其中，F(xiàn)IFS使用了集群的所有云計算，從而導致后續(xù)能耗不斷增大.貪心算法所需的節(jié)點數(shù)量最少，所以能耗也最低.SISOA與標準計算機群具有相近的能耗，不過對于長期運行過程而言，SISOA表現(xiàn)出較低的能耗.

表3 各算法平臺能耗

2.3.4 計算機分配次數(shù)分析

表4顯示了各算法在電力云計算中持續(xù)運行7天所得分配次數(shù).

表4 計算機分配次數(shù)

由表4可知，PSO是一個初期適應度最佳的函數(shù)，因此其前期分配次數(shù)更少，但在長時間的后續(xù)仿真中，SISOA具有明顯更優(yōu)的分配效果，而貪心算法則需要最多的分配次數(shù).

3 結論

本文對計算機調度系統(tǒng)進行了深入研究，分析了各算法的計算機利用率、SLA、分配次數(shù)與能耗方面的測試結果.提出了融合群體智能軟件優(yōu)化算法的計算機動態(tài)調度，對該算法進行了優(yōu)化處理并將其應用到計算機調度系統(tǒng)中，確保系統(tǒng)具有良好的SLA.同時，在其他各項性能方面也能達到均衡性.仿真測試結果顯示，此方法具有良好的服務性能與計算機利用率，有效地提高了云計算性能.

[1] BASHIR,SUSARLA,VAIRAVAN.A statistical study of the performance of a task scheduling algorithm[J].IEEE Transactions on Computers,2016，C-32(8):774-777.

[2] RENAULT M P,ROSéN A, STEE R V.Online algorithms with advice for bin packing and scheduling problems[J].Theoretical Computer Science,2015，600(C):155-170.

[3] GEORGIOU C,KOWALSKI D R, ZAVOU E.Online parallel scheduling of non-uniform tasks[J].Theoretical Computer Science,2015，590(C):129-146.

[4] YANG X S,DEB S,FONG S,et al.From swarm intelligence to metaheuristics:nature-inspired optimization algorithms[J].Computer,2016,49(9):52-59.

[5] SINGH S, CHANA I.Qrsf:qos-aware resource scheduling framework in cloud computing[J].Journal of Supercomputing,2015,71(1)：241-292.

[7] CICIRELLI F,FOLINO G,FORESTIERO A,et al.Strategies for parallelizing swarm intelligence algorithms[J].IEEE Transactions on Computers,2015,60(7):329-336.