呂騰飛， 陳世平

（上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院 上海 200093）

云計(jì)算是在并行計(jì)算、分布式計(jì)算、網(wǎng)格計(jì)算基礎(chǔ)上發(fā)展起來的新型計(jì)算模型[1-3]。任務(wù)調(diào)度和資源分配是云計(jì)算的兩大關(guān)鍵技術(shù)，資源分配決定著資源的使用規(guī)則，關(guān)系到云計(jì)算的執(zhí)行效率和并發(fā)處理能力。云計(jì)算資源管理的核心是規(guī)則和資源分配，即根據(jù)確定的資源分配規(guī)則，將有限的資源分配給不同的用戶，滿足用戶指定的服務(wù)水平目標(biāo)，優(yōu)化服務(wù)提供架構(gòu)。

目前，資源分配策略大多是在虛擬機(jī)級(jí)別上完成的，根據(jù)一定的分配策略，實(shí)現(xiàn)虛擬機(jī)到服務(wù)器的映射，即資源管理直接在個(gè)體虛擬機(jī)與個(gè)體服務(wù)器間進(jìn)行[4]。但是，隨著數(shù)據(jù)中心規(guī)模的不斷擴(kuò)大，用戶需求的動(dòng)態(tài)變化，傳統(tǒng)的資源分配方式加大了對(duì)虛擬機(jī)預(yù)留資源的分配，導(dǎo)致所要解決問題規(guī)模的擴(kuò)大，不利于實(shí)現(xiàn)虛擬機(jī)間空閑資源共享。由于這些資源分配算法的自身局限性，導(dǎo)致解決問題的時(shí)間復(fù)雜度和空間復(fù)雜度比較高，算法整體性能低下，運(yùn)行效率不理想，數(shù)據(jù)中心資源利用率不高。

為了突破這些限制，本文引入了一種分層的抽象模型來降解問題的規(guī)模，即包、簇概念[5]。通過多目標(biāo)遺傳算法與改進(jìn)的螞蟻算法融合[6]，將來自不同用戶的需求包映射到合適的資源簇上，來縮短任務(wù)時(shí)間，提高資源分配效率。在滿足需求包的同時(shí)，減少資源簇的數(shù)目，建立成本模型，評(píng)估資源分配過程中數(shù)據(jù)中心的成本，實(shí)現(xiàn)計(jì)算綠色、節(jié)能[7]。

1 相關(guān)工作

云計(jì)算中的資源分配問題是多目標(biāo)優(yōu)化問題，屬于裝箱問題，如何高效地實(shí)現(xiàn)資源分配是云計(jì)算的關(guān)鍵，直接影響到云環(huán)境的負(fù)載和性能。啟發(fā)式仿生算法，通過模擬生物進(jìn)化過程，可以有效解決NP完全問題，在眾多可行解中，找到問題的最優(yōu)解，比傳統(tǒng)算法更加高效、可靠，有著不可比擬的優(yōu)越性。

面對(duì)用戶的彈性要求，云服務(wù)提供商如何在滿足用戶需求的前提下，降低服務(wù)成本，健全云計(jì)算資源分配機(jī)制，減少資源浪費(fèi)，已經(jīng)成為國(guó)內(nèi)外云計(jì)算學(xué)者致力解決的一個(gè)研究問題。文獻(xiàn)[5]提出了一種基于染色體編碼方式和適應(yīng)度函數(shù)的改進(jìn)遺傳算法，仿真結(jié)果表明，該算法能更好地適用于大規(guī)模任務(wù)下的云計(jì)算資源調(diào)度，但缺點(diǎn)是消耗資源太多和時(shí)間太長(zhǎng)。文獻(xiàn)[8]提出了一種基于蟻群優(yōu)化的資源分配算法，該算法利用蟻群算法得到一組最優(yōu)的計(jì)算資源，仿真實(shí)驗(yàn)證明，分配算法具有更短的響應(yīng)時(shí)間和更好的運(yùn)行質(zhì)量，但由于前期信息素匱乏，求解速度較慢。文獻(xiàn)[9]提出了以應(yīng)用性能、保證云應(yīng)用的服務(wù)質(zhì)量和提高資源利用率為目標(biāo)的多目標(biāo)優(yōu)化模型，并結(jié)合最新的神經(jīng)網(wǎng)絡(luò)改進(jìn)粒子群算法對(duì)云資源分配求解，但神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)的合理性制約著算法的時(shí)間復(fù)雜度。文獻(xiàn)[10]提出了一種云計(jì)算環(huán)境下基于用戶的成本最優(yōu)存儲(chǔ)策略，在滿足用戶需求的前提下，構(gòu)建最低服務(wù)成本模型，提升服務(wù)性能，但該方法采用對(duì)文件進(jìn)行分塊、冗余副本機(jī)制，將會(huì)造成存儲(chǔ)空間大量浪費(fèi)，空間復(fù)雜度較差。文獻(xiàn)[11]提出了面向云計(jì)算任務(wù)的資源分配模型，采用層次分析法實(shí)現(xiàn)任務(wù)資源分配，提高了云計(jì)算資源的利用效益，但該方法在構(gòu)造比較矩陣過程中要維系數(shù)以千計(jì)的自由變量，可擴(kuò)展性較差。

在以上研究工作的基礎(chǔ)上，本文將多目標(biāo)遺傳算法和改進(jìn)的螞蟻算法融合（improved genetic algorithm ant algorithm, IGAAA），該算法在滿足不同用戶云服務(wù)需求的前提下，以節(jié)約成本為目標(biāo)，完成需求包到資源簇的映射，通過建立成本評(píng)估模型來評(píng)估系統(tǒng)開銷，從而減少服務(wù)成本，最大化資源利用效率。

2 包簇概念

在傳統(tǒng)的虛擬機(jī)層面上直接管理資源既不具備擴(kuò)展性[12]，也不具備資源共享的靈活性。可擴(kuò)展性問題主要表現(xiàn)在虛擬機(jī)中的資源到服務(wù)器映射時(shí)需要大量的變量維護(hù)。靈活性問題主要表現(xiàn)在用戶對(duì)資源需求的動(dòng)態(tài)要求。

為此，本文引入了新的概念：包和簇，對(duì)用戶需求和云資源給出多級(jí)抽象的遞歸定義。將用戶的云服務(wù)需求抽象成一個(gè)需求包，不同用戶的需求包匯總在一起，可以進(jìn)一步抽象為更大的需求包，最上層的所有需求包可以模塊化為一個(gè)需求池。即定義“包”為虛擬機(jī)和其他包的集合。同理，將一個(gè)數(shù)據(jù)中心的計(jì)算資源抽象成一個(gè)更大的資源池，該資源池由若干計(jì)算能力相同或不同的資源簇組成。即定義“簇”為數(shù)據(jù)中心拓?fù)湮恢孟嘟姆?wù)器或更低級(jí)別的簇的集合，簇所擁有的資源是其組成部分的資源之和。靈活性可以通過實(shí)現(xiàn)需求包到資源簇的映射獲得，不同需求包可以映射到相同的資源簇上，實(shí)現(xiàn)閑時(shí)資源共享。相似地，數(shù)據(jù)中心資源也可以組成由服務(wù)器、簇、簇中簇構(gòu)成的多級(jí)別層次結(jié)構(gòu)。數(shù)據(jù)中心資源分配問題，將由傳統(tǒng)的虛擬機(jī)到服務(wù)器映射轉(zhuǎn)換成需求包到資源簇映射，當(dāng)包、簇抽象層級(jí)增加時(shí)，相關(guān)映射問題的規(guī)模將進(jìn)一步下降。

如圖1所示，一個(gè)跨國(guó)公司在上海、倫敦各有一個(gè)子公司，其總部設(shè)在舊金山。圖1中使用了3個(gè)包來分別描述總部和子公司的資源需求。其中，總部的需求包有1臺(tái)防火墻、虛擬機(jī)以及3個(gè)二級(jí)包，分別對(duì)應(yīng)了管理部、財(cái)務(wù)部和工程部的資源需求。

圖 1 包層次結(jié)構(gòu)Fig.1 Package structure

圖2 是在包簇概念下的1個(gè)數(shù)據(jù)中心機(jī)架上的服務(wù)器情況，圖2（a）是1個(gè)肥胖樹拓?fù)?，?dāng)用簇代表每個(gè)機(jī)架上的服務(wù)器后，其拓?fù)浣Y(jié)構(gòu)簡(jiǎn)化為圖2（b）。將低級(jí)別簇聚合成高級(jí)別簇后，其拓?fù)浣Y(jié)構(gòu)又可進(jìn)一步簡(jiǎn)化成圖2（c）。上層的資源簇是對(duì)若干相同或者不同的下層簇的聚合，最下層的資源簇實(shí)際上就是映射到機(jī)架上的服務(wù)器。基于簇的定義，構(gòu)建資源簇的方式更加靈活。

圖 2 簇層次結(jié)構(gòu)Fig. 2 Cluster structure

在包簇概念下，可以通過分層、遞歸的抽象模型，用局部代替整體，降解包到簇映射的問題規(guī)模。頂層需求包映射到頂層資源簇上，二級(jí)需求包映射到二級(jí)資源簇上，更低級(jí)別的需求包映射到更低級(jí)別的資源簇上。而且用戶需求包到資源簇映射的過程是遞歸重復(fù)的，當(dāng)最底層的虛擬機(jī)被映射到機(jī)架上的服務(wù)器時(shí)，停止遞歸過程，這樣已經(jīng)將用戶的所有需求包映射到簇節(jié)點(diǎn)上。采用這種“分而治之”的方法，可以將一個(gè)復(fù)雜度很高的、較難處理的問題簡(jiǎn)化細(xì)分成若干個(gè)較低復(fù)雜度、可處理的子問題，針對(duì)每個(gè)子問題，又可以利用本文提出的融合改進(jìn)算法求解。

在傳統(tǒng)的云計(jì)算中，利用虛擬化技術(shù)可以監(jiān)控每個(gè)計(jì)算節(jié)點(diǎn)的任務(wù)執(zhí)行情況。在某一時(shí)刻如果用戶對(duì)計(jì)算能力的要求超過當(dāng)前執(zhí)行節(jié)點(diǎn)的最大計(jì)算能力，任務(wù)將執(zhí)行失敗。但在包、簇概念下，可以很好地解決因?yàn)橛脩粜枨蟮膹椥宰兓瘜?dǎo)致資源分配不能滿足用戶需求的問題。不再為每臺(tái)虛擬機(jī)分配一個(gè)固定量的資源，而是為這些虛擬機(jī)指定一個(gè)公共的共享資源池，將這些資源共享的虛擬機(jī)以一個(gè)需求包的形式整體放在一個(gè)服務(wù)器集群上。

3 成本評(píng)估模型

在云環(huán)境中，用戶的需求是千差萬別的。如一些用戶需要很高的CPU來保證計(jì)算，另一些用戶對(duì)CPU沒有特殊要求，但需要更多的存儲(chǔ)，用來存儲(chǔ)數(shù)據(jù)文件。CPU和存儲(chǔ)的費(fèi)用是不同的，不同用戶資源的使用時(shí)間也是各不相同。為了更好地評(píng)估資源分配的成本，本文將從資源使用時(shí)間和基礎(chǔ)資源成本兩個(gè)角度構(gòu)建成本模型。

式中：Cb表示該資源簇j提供的最低CPU資源，因?yàn)?，在包簇概念下，可以有多個(gè)包被分配到同一個(gè)資源簇上，所以，每個(gè)資源簇首先都會(huì)為需求包分配一個(gè)最低的CPU資源；是當(dāng)前需求包對(duì)最低CPU使用的時(shí)間；pbc是對(duì)應(yīng)最低CPU的單位價(jià)格；Ci-Cb表示該需求包超出最低CPU資源部分的計(jì)算能力；是超出資源部分的使用時(shí)間；pec是超出資源部分的對(duì)應(yīng)單價(jià)。

內(nèi)存資源的收費(fèi)特點(diǎn)與CPU相同，其費(fèi)用公式為

式中：Mb表示資源簇提供的基礎(chǔ)內(nèi)存大小；表示需求包在 資源簇上使用基礎(chǔ)內(nèi)存的時(shí)間；表示基礎(chǔ)部分的單價(jià)；Mi-Mb表示超出基礎(chǔ)內(nèi)存部分的資源要求；是用戶對(duì)該部分資源的使用時(shí)間；pem是該部分內(nèi)存資源的單位價(jià)格。

數(shù)據(jù)中心的網(wǎng)絡(luò)資源是一種特殊資源，對(duì)它的精確描述往往還涉及到網(wǎng)絡(luò)拓?fù)洌醒芯勘砻?，?shù)據(jù)中心上的大規(guī)模云計(jì)算可能還會(huì)面臨帶寬瓶頸的問題。數(shù)據(jù)中心帶寬資源的不足將會(huì)限制對(duì)云中其他資源的最優(yōu)化利用，并降低包映射到簇時(shí)的自由度。本文不考慮資源漂移問題，故對(duì)帶寬的要求僅滿足正常網(wǎng)絡(luò)傳輸即可。

本文的目標(biāo)是在保證所需時(shí)間內(nèi)能完成用戶的不同需求，做到最小化資源分配成本，即將每個(gè)需求子包分配到特定的資源簇上，使得使用的簇節(jié)點(diǎn)數(shù)目最少。需求包到資源簇的映射效益模型為

式中：α表示當(dāng)前影響CPU費(fèi)用的權(quán)重；β表示當(dāng)前影響內(nèi)存費(fèi)用的權(quán)重；cb表示滿足正常網(wǎng)絡(luò)傳輸帶寬的費(fèi)用；Rc表示滿足n個(gè)需求包映射到m個(gè)資源簇的費(fèi)用。

任務(wù)執(zhí)行時(shí)間越少，以及占用更少的數(shù)據(jù)中心計(jì)算資源，則該數(shù)據(jù)中心資源的利用率越高，因此，本文提出的成本評(píng)估模型的目的是最大化包簇映射的效益。

4 云計(jì)算資源分配算法設(shè)計(jì)

4.1 遺傳算法與螞蟻算法的融合

為了解決遺傳算法在進(jìn)化的后期進(jìn)行大量的無用迭代和螞蟻算法在進(jìn)化初期由于缺少信息素進(jìn)化緩慢的弊端，本文將遺傳算法在進(jìn)化的“適時(shí)”階段融合進(jìn)螞蟻算法，即遺傳算法與螞蟻算法的融合改進(jìn)算法（improved genetic algorithm ant algorithm, IGAAA）。IGAAA算法的基本思想是吸取遺傳算法和螞蟻算法的優(yōu)點(diǎn)，克服各自的缺陷，揚(yáng)長(zhǎng)避短，優(yōu)勢(shì)互補(bǔ)，融合改進(jìn)算法總體框架如圖3所示。

4.2 IGAAA中遺傳算法的設(shè)置

遺傳算法在解決多目標(biāo)優(yōu)化問題時(shí)，首先針對(duì)問題域中的每種可能情況使用染色體編碼方式進(jìn)行編碼，也就是將所有可能存在的資源分配方案進(jìn)行染色體編碼，用來表示需求包到資源簇的映射關(guān)系，即每產(chǎn)生一條染色體后代就表示為問題域中的一個(gè)可行性解，算法目標(biāo)首先是得到該問題域所有可行解的候選集，再在可行解候選集中找到最優(yōu)解，實(shí)現(xiàn)需求包與資源簇之間的最優(yōu)匹配。

圖 3 算法框架Fig. 3 Algorithm framework

步驟1 在IGAAA算法中，采用間接編碼方式對(duì)染色體編碼。初始化階段，隨機(jī)地將n個(gè)需求包映射到m個(gè)資源簇上。染色體的長(zhǎng)度就是需求包的數(shù)目。每條染色體上的基因值表示該需求包對(duì)應(yīng)的資源簇。

步驟2 適應(yīng)度函數(shù)用于評(píng)估算法優(yōu)越性、收斂性，本文從成本角度，評(píng)估在包、簇概念下的資源分配效益情況。適應(yīng)度函數(shù)

步驟3 根據(jù)適應(yīng)度函數(shù)，采用輪回順序交叉、逆轉(zhuǎn)變異的方法，迭代進(jìn)化，選擇出適應(yīng)度高的后代。

4.3 IGAAA中螞蟻算法的改進(jìn)與銜接

圖4為遺傳算法與螞蟻算法進(jìn)化率隨時(shí)間的變化趨勢(shì)圖。在NP完全問題中，同等求解規(guī)模下，分別采用遺傳算法和螞蟻算法求問題最優(yōu)解，每經(jīng)過時(shí)間間隔T，觀察進(jìn)化速率。時(shí)間間隔T的設(shè)定與該問題規(guī)模成正比。隨著迭代次數(shù)的增加，發(fā)現(xiàn)在0～3T區(qū)間內(nèi)，遺傳算法呈下降趨勢(shì)，螞蟻算法呈上升趨勢(shì)。但是，就整體進(jìn)化效率而言，遺傳算法優(yōu)于螞蟻算法。在3T時(shí)刻，兩算法的進(jìn)化效率相等；在3T時(shí)刻之后，遺傳算法出現(xiàn)大量無用的冗余迭代，進(jìn)化率趨于平緩。由于螞蟻算法正反饋的特點(diǎn)，信息素濃度的逐漸積累，其進(jìn)化速率得到顯著提高。所以，應(yīng)在3T時(shí)刻之后融入螞蟻算法。

圖 4 遺傳算法與螞蟻算法進(jìn)化率-時(shí)間關(guān)系圖Fig. 4 Evolutionary rate-time relationship between the genetic algorithm and ant algorithm

在本文的問題域中，如何確定3T時(shí)刻是解決問題的關(guān)鍵。采用動(dòng)態(tài)融合策略來實(shí)現(xiàn)遺傳算法與螞蟻算法的融合。

步驟1 分別設(shè)置遺傳算法最小迭代次數(shù)Gmin和最大迭代次數(shù)Gmax。

步驟2 統(tǒng)計(jì)遺傳算法在迭代過程中子代的進(jìn)化率，得到整個(gè)迭代過程中進(jìn)化速率的最小值。

步驟3 遺傳算法在正常求解過程中，第i次的迭代記為Gi，其中，，，說明遺傳算法已進(jìn)入無用迭代時(shí)期，求解速度減慢，應(yīng)在這一時(shí)刻引入螞蟻算法。

螞蟻圈模型是全局優(yōu)化較好的螞蟻算法[13]，結(jié)合實(shí)際問題，在此采用MMAS(max-min ant system)算法[14]對(duì)螞蟻圈模型改進(jìn)。初始狀態(tài)，根據(jù)遺傳算法得到的信息素，放置螞蟻，為了獲得準(zhǔn)確的局部最優(yōu)解，充分利用螞蟻算法正反饋尋優(yōu)特點(diǎn)，將種群中每只螞蟻經(jīng)過路徑的信息素初始值設(shè)為最大值。在螞蟻圈中，只有到目標(biāo)物距離最短的螞蟻才能進(jìn)行信息素的修改[15]。為了避免融合算法過早收斂非全局最優(yōu)解，將各路徑的信息素濃度限制在之間，超出這個(gè)范圍的值被強(qiáng)制設(shè)為或>[16]。

通過前期的遺傳算法已經(jīng)得到了一定的路徑信息素。所以，在螞蟻算法初始化階段，資源簇Rj信息素的初始值設(shè)置為

5 實(shí)驗(yàn)分析

為了驗(yàn)證本文提出的包、簇概念的科學(xué)性、可行性以及基于包、簇概念下云資源分配算法的收斂性能，現(xiàn)給出仿真實(shí)驗(yàn)結(jié)果。仿真軟件采用Matlab，CloudSim，設(shè)置任務(wù)數(shù)為500個(gè)，設(shè)置的資源簇為120個(gè)。通過構(gòu)建成本評(píng)估模型，觀察分析簇節(jié)點(diǎn)的個(gè)數(shù)、任務(wù)執(zhí)行時(shí)間和成本。對(duì)比算法為多目標(biāo)虛擬機(jī)資源分配算法[17]（multi-object virtual machine resource allocation algorithm, MOA）以及文獻(xiàn)[6]提出的基于包簇框架的改進(jìn)多目標(biāo)遺傳算法（improved multi-objective genetic algorithm based on package-cluster, IMOPC）。

本文中所有的服務(wù)器資源已經(jīng)抽象成資源簇概念，用戶的需求已經(jīng)抽象成需求包，為了驗(yàn)證本文算法在同一需求下可以有效減少資源簇的個(gè)數(shù)，分別采用本文算法和文獻(xiàn)[6]中的IMOPC算法將500臺(tái)虛擬機(jī)部署到250臺(tái)物理服務(wù)器。通過仿真實(shí)驗(yàn)得到圖5的結(jié)果。實(shí)驗(yàn)表明，本文算法部署的簇個(gè)數(shù)明顯要比IMOPC算法部署的簇個(gè)數(shù)要少，這是因?yàn)楸疚乃惴ê笃诓捎昧宋浵佀惴ǎ噍^單一的遺傳算法能夠獲得更精確的解集。

圖 5 簇使用個(gè)數(shù)Fig.5 Cluster usage

任務(wù)完成時(shí)間越短，則任務(wù)執(zhí)行過程中對(duì)相應(yīng)資源的占用時(shí)間越短，降低了任務(wù)執(zhí)行成本，有效提高了數(shù)據(jù)中心資源的利用率。為了驗(yàn)證本文算法的性能，將任務(wù)數(shù)從100增加到500，觀察本文算法與對(duì)比算法的任務(wù)完成時(shí)間y，如圖6所示。x為任務(wù)數(shù)。

圖 6 任務(wù)數(shù)與任務(wù)完成時(shí)間關(guān)系Fig.6 Relationship between the task number and task completion time

圖6 中，在相同任務(wù)數(shù)下，與另外兩種算法相比，本文算法的完成時(shí)間較少。在任務(wù)數(shù)小于300時(shí)，本文算法與IMOPC算法任務(wù)執(zhí)行時(shí)間相近，但是，隨著任務(wù)數(shù)的逐漸增多，動(dòng)態(tài)融合的IGAAA算法的任務(wù)完成時(shí)間仍然保持在6×104s以內(nèi)，而其他2個(gè)算法的完成時(shí)間已經(jīng)大幅增長(zhǎng)。這主要得益于本文算法前期采用遺傳算法獲得初始信息素，螞蟻算法在后期的快速求解能力。通過對(duì)比實(shí)驗(yàn)可以看出，本文算法能夠有效地減少計(jì)算資源的投入時(shí)間。

云用戶在享受便捷云服務(wù)的同時(shí)，如何降低服務(wù)開銷是用戶普遍關(guān)切的問題。對(duì)云服務(wù)提供商來說，在保證服務(wù)質(zhì)量的同時(shí)，降低服務(wù)成本也是改進(jìn)的方向。因此，降低任務(wù)執(zhí)行成本對(duì)云用戶和云提供商來說都是有益的。在任務(wù)數(shù)為200，不同完成時(shí)間要求下，分別觀察本文算法和對(duì)比算法的執(zhí)行情況，通過建立成本評(píng)估模型，評(píng)估各算法成本優(yōu)劣。圖7給出了仿真實(shí)驗(yàn)的結(jié)果。

圖 7 不同任務(wù)完成時(shí)間限制下各任務(wù)執(zhí)行成本Fig.7 Execution cost of each task under the different task completion time limit

由圖7可知，任務(wù)完成時(shí)間與費(fèi)用b為近似線性相關(guān)。在任一完成時(shí)間要求下，本文算法的任務(wù)平均執(zhí)行成本都低于對(duì)比算法。當(dāng)云任務(wù)完成時(shí)間從1.0×104增加到7.0×104時(shí)，本文提出的融合改進(jìn)算法的任務(wù)執(zhí)行成本依舊保持在3.3×104～9.0×104，而IMOPC算法的任務(wù)執(zhí)行平均成本保持在 5.4×104～10.0×104，MOA 算法的平均任務(wù)執(zhí)行成本平均在7.7×104～11.0×104。分析得出，在同一需求、相同完成時(shí)間的條件下，本文提出的融合改進(jìn)算法的任務(wù)執(zhí)行成本更低，在云環(huán)境計(jì)算資源分配上具有更好的性能。

在以上2個(gè)實(shí)驗(yàn)的基礎(chǔ)上，建立成本評(píng)估模型，在任務(wù)數(shù)為200，要求任務(wù)完成時(shí)間為4×104s的情況下，取 α=0.7，β=0.3（其中，α+β=1），將實(shí)驗(yàn)參數(shù)代入式（4），得到如表1所示的實(shí)驗(yàn)結(jié)果。

表 1 算法性能Tab.1 Algorithm performance

在成本評(píng)估模型中，采用倒數(shù)的形式反映任務(wù)效益，即計(jì)算結(jié)果越大，任務(wù)完成時(shí)間和任務(wù)執(zhí)行成本越少。由表1可以看出，相比其他2個(gè)對(duì)比算法，本文算法具有更高的效益值。

6 結(jié)束語

提出了一種基于包簇映射的云計(jì)算資源分配策略，通過構(gòu)建包、簇層次模型，利用分而治之的思想，將龐大、復(fù)雜的云資源管理優(yōu)化問題分解成若干較低復(fù)雜度的可以通過遞歸循環(huán)解決的問題。實(shí)驗(yàn)證明，利用包、簇概念可有效降解問題規(guī)模。為了有效地進(jìn)行資源分配，將云環(huán)境中的計(jì)算資源以最低的服務(wù)成本通過彈性配置進(jìn)行按需分配。為了使得計(jì)算資源能夠合理地按需進(jìn)行分配，將多目標(biāo)遺傳算法與螞蟻算法動(dòng)態(tài)融合，在仿真實(shí)驗(yàn)中，通過比較任務(wù)完成時(shí)間、任務(wù)執(zhí)行的平均成本、資源簇的使用個(gè)數(shù)，衡量改進(jìn)算法的性能。從實(shí)驗(yàn)結(jié)果可以看出，在基于包簇框架的資源分配機(jī)制中，本文算法在資源分配上取得了較好的效果，相比傳統(tǒng)基于虛擬機(jī)的分配機(jī)制，更大程度地降低了成本。