[发明专利]基于蚁群优化算法的云环境下SBS资源配置方法

摘要

本发明涉及基于蚁群优化算法的云环境下SBS资源配置方法，首先获取SBS中各组件服务的资源候选资源配置集，然后获取任意资源属性向量与其组件服务平均响应时间之间的映射关系，构造SBS资源配置应用的搜索图，利用蚁群优化算法调整SBS中各组件服务的资源候选资源配置集，得到最优组合资源配置，最后根据最优组合资源配置对SBS进行资源配置，本发明中的SBS资源配置方法能在配置满足SLA约束的条件下最小化资源使用成本，从而提高服务提供商的收益，当SBS资源配置应用的规模较大时，本发明提出的方法能够保证在较短时间内求得近似最优的组合资源配置。

主权项

基于蚁群优化算法的云环境下SBS资源配置方法，其特征在于，包括以下步骤：步骤1：获取SBS中各组件服务的候选资源配置集；步骤1.1：SBS资源配置应用I由n个组件服务{S1，S2，...，Sn}组成，初始化组件服务编号i为1；步骤1.2：采用聚类算法对组件服务Si在不同资源状态下的平均响应时间进行聚类，进而获得K个分类，即K个平均响应时间的区间；步骤1.3：基于平均响应时间的K个分类，采用连续属性离散化方法将组件服务Si的各资源属性类型分配的资源数量分别划分为多个区间；步骤1.4：遍历组件服务Si的所有资源属性类型及数量组合得到组件服务可能的资源属性类型及数量组合的集合，即组件服务Si的候选资源配置集RC＝<z，R>，其中，z表示组件服务对应的虚拟机所在的物理机编号，R＝(r1，r2，…，ru)表示资源属性向量，其中，u为资源属性类型总数，rα为资源属性类型α分配的资源数量，1≤α≤u；步骤1.5：组件服务编号i加1，判断组件服务编号i是否超出组件服务数n，若是，则得到SBS中各组件服务的候选资源配置集，执行步骤2，否则，返回步骤1.2；步骤2：获取任意资源属性向量与其组件服务平均响应时间之间的映射关系；步骤3：构造SBS资源配置应用I的搜索图，搜索图中每一条路径表示一个可行解即组合资源配置，搜索图中每一个节点表示一个组件服务的候选资源配置；步骤4：利用蚁群优化算法获取SBS的最优组合资源配置；步骤4.1：设定局部最优路径效用值为0，全局最优路径效用值设为0，循环迭代次数为0，蚂蚁编号m为1，组件服务编号i为1，初始化信息素，设定蚁群规模数和最大循环迭代次数；步骤4.2：根据状态转移概率为蚂蚁m构造一个路径即组合资源配置CRCm，使其响应时间不超过SLA约定的最大平均响应时间，且组合资源配置CRCm不超出物理机的可用资源；步骤4.3：根据各个组件服务资源配置的成本计算组合资源配置CRCm的效用值；步骤4.4：判断组合资源配置CRCm的效用值是否大于局部最优路径效用值，若是，则将该组合资源配置CRCm作为局部最优路径，将该组合资源配置CRCm的效用值作为局部最优路径效用值，执行步骤4.5，否则，直接执行步骤4.5；步骤4.5：蚂蚁编号m加1，判断m是否超出设定的蚁群规模数，若是，则执行步骤4.6，否则，返回步骤4.2；步骤4.6：对局部最优路径进行局部搜索：将局部最优路径中组件服务Si对应的资源配置随机改为该组件服务Si中其它可行的资源配置，得到一个新路径NewPath，计算新路径NewPath的效用值，判断新路径NewPath的效用值是否大于局部最优路径效用值，若是，则将该新路径NewPath作为局部最优路径，新路径NewPath的效用值作为局部最优路径效用值，执行步骤4.7，否则，直接执行步骤4.7；步骤4.7：组件服务编号i加1，判断组件服务编号i是否超出组件服务数n，若是，则执行步骤4.8，否则，返回步骤4.6；步骤4.8：判断局部最优路径的效用值是否大于全局最优路径的效用值，若是，则将该局部最优路径作为全局最优路径，将该局部最优路径的效用值作为全局最优路径的效用值，执行步骤4.9，否则，直接执行4.9；步骤4.9：更新信息素；所述的更新信息素的方法具体为：其中，ρ表示信息素挥发系数，Δτbest表示信息素增量，τmax和τmin分别表示信息素上限和信息素下限，τ(vi，j，vk，h)为信息素，节点vi，j、节点vk，h分别表示组件服务Si的第j个资源配置和组件服务Sk的第h个资源配置，为组合资源配置CRCm的效用值，qi，j表示组件服务Si是否选择第j个候选资源配置，如果Si选择第j个候选资源配置，则qi，j＝1，否则qi，j＝0，为每一个节点对应的组件服务的候选资源配置的使用成本，表示rα的单位时间内单位资源的成本，表示rα的分配总量，t表示rα的使用时间，pi为组件服务Si的候选资源配置个数；步骤4.10：累计循环次数，判断循环迭代次数是否达到最大循环迭代次数或其他设定的循环结束条件，若是，则当前全局最优路径即为最优组合资源配置，否则，返回步骤4.2；步骤5：根据全局最优路径对SBS进行资源配置。