[发明专利]一种面向不平衡多目标优化的云资源调度方法

说明书

本发明提供一种面向不平衡多目标优化的云资源调度方法，涉及云计算技术领域。该方法首先统计云计算中心中可用的物理机数和需处理的任务数，并估算每台物理机处理各个任务所需要花费的时间；设定调度方案为每个任务仅由一台物理机处理，将每种调度方案用调度矩阵来表示，矩阵中每个元素的取值为1或0；根据所有物理机处理任务花费的时间及调度方案，将云资源调度问题转化为三个目标函数和一个约束函数；采用多目标进化算法对云资源调度问题进行求解，得到当前云资源调度问题的参考解决方案。该方法能够解决云资源调度中不平衡问题，给决策者更好地提供一组解决方案，使决策者能够得到更适合于当前物理机情况和任务情况的解决方案。

技术领域

本发明涉及云计算技术领域，尤其涉及一种面向不平衡多目标优化的云资源调度方法。

背景技术

近年来，分布式计算、并行计算和网络技术逐渐发展，云计算技术也随之新兴起来，云计算技术致力于解决传统计算机工作模式的局限性、减少用户的计算成本和时间。云计算技术将分散在各处的资源组合在一起，构成一个虚拟的资源池，并根据不同用户对计算能力、带宽、存储等需求进行统一的分配调度。如何对数据中心的资源进行管理调度是一项重要的工作，也是相关人员研究的关键之一。原则上，云资源调度的基本任务是将用户的不同任务分配给数据中心的不同物理机来完成。因此如何高效地将任务合理地分配给物理机是云资源调度的关键问题。云资源调度问题往往需要考虑多个方向(如能耗，时间等)同时进行优化，是一个多目标问题，解决多目标问题的一个有效方法便是使用多目标进化算法。近年来，研究人员提出许多方法来解决云资源调度问题。

中国专利“CN110321217A一种多目标的云资源调度方法、装置、设备及存储介质”将云资源调度优化问题看作一个三目标的优化问题，分别将总服务质量、总响应时间和总响应成本作为优化目标，并使用差分算法对云资源调度问题进行优化，直到达到迭代代数阈值。

中国专利“CN108762927A移动云计算的多目标任务调度方法”，分别将时间适应度函数、代价适应度函数和能量适应度函数作为调度任务的三个优化目标，以帕累托占优作为环境选择标准进行优化，并以迭代次数作为优化方法的停止标准。

现有的调度优化方法虽然能解决一些云资源的调度问题，但还存在一些问题：现有的研究大多考虑物理机的能量消耗，与完成任务的时间这两个目标。然而在计算物理机能量消耗时，往往使用简单的功率计算获得，然而这样的能量消耗计算误差十分大，实际中能量的消耗往往需要电度表等传感器进行测量，然而这样的测量开销是不可忽略的，不能过多次测量；同时每个任务的处理时间的估算往往是相对准确的，可以进行多次评估，这就使得时间花费和能量消耗的计算变得不平衡起来，这也是多目标进化算法的一个挑战，因为多目标进化算法隐含假设所有目标的评估花费相同。所以，目前对云资源调度问题没有一个更加准确高效的问题模型和更加合理高效准确的解决方法。

云资源调度中，往往把能量消耗作为调度任务的约束条件，即处理某批任务时的能量消耗不能超过一个预设值、把其他相关目标作为优化目标来进行优化。然而由于约束的昂贵性，现有的多目标优化技术无法解决这种约束昂贵而目标便宜的不平衡问题。

多目标进化算法(multi-objective evolutionary algorithms，MOEA)是解决多目标优化问题(multi-objective problem,MOP)的有利工具，近些年来得到了广泛的发展并在资源调度、电气工程及自动化、机器人、飞行器制造，交通运输、矿物挖掘等领域得到广泛应用。

多目标进化算法是一种基于种群的算法，如图1所示，首先生成一个包含N个个体的初始P种群，每一个个体代表一种方案及其目标值，接着根据某种准则对当前种群P进行交叉变异操作产生子代种群Q。通过环境选择(某种比较个体之间优劣的方法)从P∪Q中选取N个个体作为下一代种群。重复交叉变异和环境选择的过程直到达到最大的迭代次数。在设计一个新MOEA时，要同时考虑解的收敛性与分布性，解的收敛性保障了解的质量，而解的分布性可以为决策者提供更多差异性较大的参考解。

发明内容