云计算资源调度策略

Cloud Computing Resource Schedule Strategy Based on MPSO Algorithm
LIU Wan-juna, ZHANG Meng-huab, GUO Wen-yueb
(a. School of Software; b. College of Electronics and Information Engineering, Liaoning Technical University, Huludao 125105, China)
式(2)， ω 通过式(7)线性递减得到：
ω
=
ωs
−
ωs
− T
ωe
×
t
(7)
图 2 改进算法的流程
改进算法的伪代码如下：
for t in iteration //初始化变量，然后进行循环迭代 for secondary swarms //遍历每个次群的操作 //遍历每个次群中每个粒子 for every particle in secondary swarms for d in dimensions v( i, d, t+1, m+1); x( i, d, t+1, m+1); //产生变异粒子 n=Integer. parsedouble (Math. random() *10); for each particle in n v(i, d, t+1, m+1)=-v(i, d, t, m); x(i, d, t+1, m+1)=x(i, d, t+1, m)–v(i, d, t, m); refresh weighting factor; //转移到主群的最优值 v=optimal_solution(v); x=optimal_solution(x); //遍历主群粒子的操作 for every particle in master swarm for d in dimensions v1(i, d, t+1, m+1); x1(i, d, t+1, m+1); if (reach to the precision ){escape; } n1=Integer. parsedouble ( Math. random() *10); for each particle in n1 v1(i, d, t+1, m+1) =-v1(i, d, t, m); x1(i, d, t+1, m+1) =x1(i, d, t+1, m) – v1(i, d, t m); refresh weighting factor;
云计算资源调度指的是在一个特定的云环境中，根据一
Hale Waihona Puke 定的资源使用规则，在不同的资源使用者之间进行的资源调 整过程。目前的资源调度策略大多数是通过虚拟机级别上的 调度技术结合一定的调度策略来为虚拟机内部应用做资源调 度[5]，并且调度算法过于简单，判断需要进行推测执行的任 务的算法造成过多任务需要推测执行，降低了整个任务的性 能[6]。所以在虚拟机级别上采用什么算法实现资源调度是目 前待解决的一个难题。
(辽宁工程技术大学 a. 软件学院；b. 电子与信息工程学院，辽宁 葫芦岛 125105)
摘 要：针对云计算服务集群资源调度和负载平衡的优化问题，提出一种基于改进的粒子群优化算法的云计算资源调度策略。将动态多群 体协作和变异粒子逆向飞行思想引入到粒子群优化算法中，从而控制全局搜索和局部搜索，尽量避免陷入局部最优。在 CloudSim 平台进 行模拟测试，结果表明，该调度策略有效且执行效率较高。 关键词：云计算；粒子群优化算法；资源调度；CloudSim 平台
置； vi = (vi1, vi2,", viD )t 表示粒子 i 的当前速度； pitd 是第 t 时
刻粒子 i 本身的最优位置的第 d 维变量； pgt d 是第 t 时刻粒子
群全局最优位置的第 d 维变量；c1 , c2 是学习因子；r1 , r2 是均
基金项目：辽宁省教育厅基金资助项目(2009A350) 作者简介：刘万军(1959－)，男，教授，主研方向：云计算，智能优 化算法；张孟华、郭文越，硕士研究生 收稿日期：2010-11-12 E-mail：menghzh2008@
=
xitd
(m)
+
vt+1 id
(m
+ 1)
(4)
其中，
vt+1 id
(m
+ 1)
是第
m
+1
代主群在
t
+1
时刻第
i
个粒子的第
d
维的速度；
xt+1 id
(m
+ 1)
是第
m
+1代主群在第
t
+1
时刻第
i
个
粒子位置；pitd (m) 是第 m 代主群第 i 个粒子在 t 时刻迄今个体
最优值的第 d 维变量； pgt d (m) 是第 m 代主群在 t 时刻迄今全
1 概述
云环境中采用虚拟化技术，将服务器整体虚拟化为一个 资源池，由于资源的种类多、规模大，云计算资源调度成为 云计算研究的热点之一。粒子群优化(Particle Swarm Optimization, PSO)算 法 是 一 种 模 拟 鸟 群 觅 食 行 为 的 演 化 计 算 算 法[1]。因其结构简单、参数少、易实现，所以受到广泛重视 并被应用到了许多自然科学和工程科学领域。但对于存在较 多局部极值的搜索空间，它很容易陷入局部最优，在进化后 期收敛速度慢、鲁棒性差。本文从动态多群体协作和变异粒 子逆向飞行两方面对 PSO 算法加以改进，将改进的粒子群优 化(Modified Particle Swarm Optimization, MPSO)算法应用于 云环境下的资源调度，服务集群能够推荐出一个较优的有效 资源，并且能尽量避免资源调度负载失衡。
这些主机体按一定的分配策略能够被分配到一个或多个虚拟
机上，它们能模拟与云相关的基础设施服务。因此，在
CloudSim 平台上不必考虑基础设施，可以更多考虑集群资源
调度策略。整个云计算服务集群首先初始化虚拟资源池，将
资源池分为 n 个，其中，1 个是主群； n −1个是次群。执行
多 群 协 作 算 法 ， 主 群 执 行 式 (3) 和 式 (4) ， 次 群 执 行 式 (1) 和
产生下一代主群和次群粒子的搜索速度、当前位置、最 优位置和全局最优位置，然后产生变异粒子，变异粒子个数 由随机数产生，产生随机数通过“(int)(Math.random()*10)” Java 代码实现。变异粒子执行式(5)和式(6)，改变方向逆向飞 行，然后更新整体信息量，如果未达到最优解或未达到迭代 次数，则继续迭代。为保证资源分配时负载平衡，变异粒子 逆向飞行时，给它加上一个权重因子，衡量各资源负载情况， 避免所有同一资源的请求者聚集于某一服务器而造成负载失 衡。改进算法的流程如图 2 所示。
PSO 算法优点很多，但是由于算法随机性很大，仍有很 多不完善的地方。本文主要从动态多群体协作和变异粒子逆 向飞行两方面进行改进。动态多群体协作提高了算法的收敛 速度和求解精度，变异粒子逆向飞行可以一定程度上避免陷 入局部最优的风险，维持和增加了种群的多样性，对调节系 统的负载平衡有一定帮助。基于这种改进粒子群优化算法， 云计算服务集群实现资源发现、信息交互、次群推荐最优资 源到主群、主群筛选全局最优、变异粒子逆向飞行。 4.1 改进的粒子群优化算法
到 0.4 的策略，如下：
vt+1 id
=
ωvitd
+
c1r1( pitd
−
xitd
) + c2r2
× ( pgt d
−
xitd
)
(1)
xt +1 id
=
xitd
+
vt+1 id
(2)
其中， 1≤ d ≤ D ， 1≤i ≤ M ， D 是搜索空间的维数， M 是
粒子群内粒子的个数； xi = (xi1, xi2 ,", xiD )t 表示粒子 i 当前位
3 标准粒子群算法
粒子群算法是一种基于群体的自适应搜索优化算法。通
过大量的实验研究，证实了群体中个体之间信息的社会共享
有助于整体进化，这是开发 PSO 算法核心思想[7]。标准的粒
子群算法通过惯性权重 ω 来协调 PSO 算法的全局和局部寻
优能力，ω 过大有利于全局寻优，ω 过小则有利于局部寻优，
经过先前的大量研究实验，专家建议 ω 采用从 0.9 线性递减
风险，选择产生变异粒子逆向飞行。粒子反向飞行比按其他 角度飞行效果好[8]，易实现，摆脱局部极值最快，公式如下：
vt+1 id
(m
+ 1)
=
− vitd
(m)
(5)
xt+1 id
(m
+ 1)
=
xitd
(m)
−
vt+1 id
(m
+ 1)
(6)
4.2 云环境下的资源调度 在 CloudSim 平台[9]上，Datacenter 类管理大量的主机体，
【Abstract】Aiming at the optimization problem of the cloud computing’s service cluster resource schedule and loading balance, this paper presents cloud computing resource schedule strategy based on Modified Particle Swarm Optimization(MPSO) algorithm. In order to control the global search and local search effectively, and to avoid falling into local optimal, it introduces dynamic multi-group collaboration and the reverse of the flight of mutation particles to the Particle Swarm Optimization(PSO) algorithm. By extending the cloud computing emulator CloudSim platform to test the simulation, the results show that this method is effective, and the operation efficiency is high. 【Key words】cloud computing; Particle Swarm Optimization(PSO) algorithm; resource schedule; CloudSim platform DOI: 10.3969/j.issn.1000-3428.2011.11.015