基于模糊布谷鸟搜索算法的IaaS云资源调度_孟庆岩.pdf

2023.7电脑编程技巧与维护1概述在云计算中，处理器、网络、存储、服务器、应用程序、虚拟机等业务和计算机资源动态地提供给云用户，满足各类需求、均衡工作负载。这些资源形成资源池，云用户根据使用情况按需付费。云计算具有可靠性和可访问性等优点，支持云用户动态的服务需求和资源调度1。云资源的调度是云计算环境中IaaS的关键问题，在IaaS云中，云用户总是希望从云服务提供商的众多云资源中获得理想的虚拟资源。然而，手动调度所有这些资源是不可能的，需要优化资源调度算法或技术处理IaaS云中的这个关键问题2。IaaS是一种传统托管形式的改进，可靠性确保了云计算服务的能力，被认为是IaaS云的重要组成部分3。因此，可靠性的保证是资源调度的重要特征之一，需要以先进的可靠性作为基本标准。由于云资源的广泛使用，提高可靠性有助于提高IaaS云中供应商在其动态服务的性能和定价方面的竞争力。2相关工作研究中，制定了一种创新的FCS技术，用于IaaS云的可靠性资源调度。它提高了服务质量（QoS），将特定的资源分配给指定虚拟机（VM）。通过提高可用性和可靠性，减少故障率，从而准确满足云服务提供商的需求并提高资源利用率。所提出的算法分析了基于云计算的资源调度在IaaS资源分配方面的风险，以实现传统部署的可靠性和可用性。此外，它还为IaaS云中的资源调度问题提供了可行性，利用FCS技术来提高云资源调度的可靠性和可用性，同时减少资源调度问题的故障率。为了解决这些问题，提出了一种基于人工神经网络（ANN）和PSO算法的ANN-PSO模型来分析用户请求的估计时间、性能和资源利用率4。最大完成时间和成本适应度函数被用作目标函数，此外，提出了一种基于处理内存和网络问题的主动方法，以提高资源的可靠性5。为此，提出的方法可成功地计算每个VM的可靠性任务执行率，然后将任务映射到更可靠的VM上。同时，提出了计算云计算的能耗、性能和可靠性的综合理论模型6。它需要一种遗传算法来开发全局请求调度方法，从而在性能和能耗之间产生显著的结果。同样，可以使用粒子群优化算法进行VM调度，以减少IaaS云中资源和服务器的浪费。仿真结果表明，对于VM分配，以连续物理内存分配算法为例，PSO算法在性能和可扩展性方面优于最佳适应算法、首次适应算法和最差适应算法。提出了一种创新的资源分配和自适应作业调度算法，用于增强资源可访问性的可靠性并减少执行时间，从而间接提高云用户的服务质量。提出了一种考虑带宽速度和成本的任务调度策略，以在提高云服务可用性和可靠性的情况下减少恢复时间。提出了故障和负载自动蜜蜂算法，用于IaaS云中的资源调度，以提高负载和减少故障率，从而提高服务质量和性能。此外，推荐了一种改进的PSO和猫群优化算法的混合仿生算法，用于将任务分配给VM，以提高可靠性、响应时间和资源利用率。实践中设计了一种基于模糊逻辑的资源调度算法，以提高可靠性、周转时间和等待时间。通过混合型负载平衡算法来增强PSO算法，并开发用于资源可用性的改进型PSO算法，重新安排故障任务。因此，确定了可靠性资源分配和调度策略的重要性，以通过最小化能源消耗来提高云服务的可用性。为解决资源调度问题的作者简介：孟庆岩（1983），男，副教授，学士，研究方向为云计算、大数据技术及数据挖掘。基于模糊布谷鸟搜索算法的 IaaS 云资源调度孟庆岩（烟台黄金职业学院信息工程系，山东 烟台265400）摘要：云计算资源调度是将任务精准地分配给 CPU、网络和存储，其目标是资源的最优使用。因此，云服务提供商和云用户都需要执行良好的调度。提出了基于模糊布谷鸟搜索（FCS）算法技术，以解决实时优化问题，进而解决基础设施即服务（IaaS）的可靠性资源调度问题。在云计算仿真软件上进行了实验，并将 FCS 技术的结果与遗传算法（GA）、蜜蜂算法（BeA）和粒子群优化（PSO）调度算法进行比较。计算结果表明，FCS 技术产生的效率表现最好，更适合 IaaS 云的可靠性资源调度。关键词：云计算；资源调度；布谷鸟搜索算法；基础设施即服务86DOI:10.16184/prg.2023.07.0332023.7电脑编程技巧与维护可靠性，执行的最流行的元启发式算法包括IaaS云中的蜜蜂算法和粒子群优化算法。3实施方法FCS是一种模糊逻辑方法和布谷鸟搜索算法的组合，FCS技术应用模糊逻辑过滤出种群，应用布谷鸟搜索细化种群，以便在IaaS云中进行资源调度。第一级的模糊方法用于控制多样化和集约化。布谷鸟在种群中有一个独特的成员，因此该种群可以作为第二级控制，通过引入一种新形式的更聪明的布谷鸟和更有效的搜索解决方案进行重组。为此，模糊逻辑方法根据图1选择最佳种群。注：最佳种群选择区域位于水平坐标轴方向的a1a4范围内。整个最佳种群的指数为g，选择该最佳区域后表示为Xi=（X1,X2,Xd），并通过公式（1）计算。设f（x）为任意参考集，x为每个特征函数的一般子集，f（x）:R（0,1）在公式1中被定义。对于每个xR，f（x）的取值为0和1之间的某个值。这种性能对设计一种新型布谷鸟搜索算法有启发作用，表示它有能力在繁殖过程中选择替代宿主资源，并避免被宿主遗弃。这些布谷鸟利用繁殖前和繁殖后的机制来观察宿主资源，判断选择巢穴是否为最佳选择，这被认为是云资源调度的更优选择。（1）为了简单起见，采用的搜索机制分为两个主要步骤，通过所提出的FCS技术中的新布谷鸟组成。首先，一只布谷鸟按照莱维飞行搜索机制朝着新解决方案的方向移动。其次，智能布谷鸟在现有解决方案的基础上，在相同的搜索空间中寻找新的更好的解决方案。布谷鸟寻找宿主鸟巢的位置和路径如公式（2）所示：（2）其中，Xi（t）为第i个鸟巢在第t代的鸟巢的位置；为点对点乘法；为步长的控制量，通常取1；L（s,）为莱维随机搜索路径，如公式（3）所示：（3）其中，=1.5，当鸟巢位置更新后，将区间0,1的随机数与f（x）进行比较，如果f（x），则随机更新一次鸟巢位置，反之鸟巢的位置不变。搜索机制的步骤直接引入，因此FCS技术的总体按照3种布谷鸟搜索进行组织。（1）一部分布谷鸟搜索包含新解决方案的最佳资源，比从初始种群中选择的随机方案优越；（2）一小部分布谷鸟从当前位置寻找解决方案，并试图增强它们，在莱维飞行搜索机制的帮助下从一个区域移动到另一个区域，以便在所有区域中找到最佳解决方案，而不会陷入局部最优；（3）一小部分布谷鸟发现新的解决方案，与最佳解决方案区别较为明显。研究的目标是加强从种群中寻找最佳解决方案的搜索，同时，随机化被精确地应用于利用莱维飞行探索新区域。模糊方法和布谷鸟搜索算法相结合，使FCS技术的实现成为可能。在IaaS云中的可靠性资源调度的情况下，它在局部最优方面提供了更好的方案，并避免了所有预期的非最佳探索。图2展示了FCS技术设计的流程图。4仿真云计算仿真软件模拟设置被指定用于计算模拟的结果和执行模糊布谷鸟搜索技术后获得的重要性分析，以及当前选择的用于IaaS云中可靠性资源调度的元启发式算法。该模拟在Intel酷睿i7-11700处理器、主频3.2 GHz、512 GB固态硬盘和16 GB内存上实施，实验模拟在云计算仿真软件模拟环境下使用2个具有20个主机的数据中心实现，每个数据中心包含50个虚拟机、100个用户和1001 000个云端任务。所有元启发式算图1最佳种群选择图2FCS技术设计的流程1.251.000.750.500.250.00a0a1a2a3a4开始云资源初始种群模糊算法计算得到方案是验证，随机选择最优方案方案是否最优否是新的方案采用方案利用莱维飞行选择新的方案T最大迭代最佳解决方案结束否872023.7电脑编程技巧与维护法都在模拟器中执行，使用高性能计算中心进行工作负载跟踪。故障率通过公式（4）得到故障率性能指标，公式（4）是所提出的FCS技术中云资源调度故障率总和与其他比较算法中云资源调度故障率总和的比率。如果故障率小于1，则建议的FCS技术将提高故障率。（注：F1表示FCS算法失败之和；F2表示其他比较算法失败之和）。（4）5结果和讨论确定并讨论计算仿真的结果，以获得所提出的FCS技术的性能，用于IaaS云可靠性资源调度。图3表示进行资源调度对比的失败率，其中，图3（a）、（b）和（c）分别说明了基于FCS技术的故障率的性能。针对IaaS云，将所提出的FCS技术与3种资源调度算法（GA、BeA和PSO）进行比较。可以注意到资源调度算法的失败率与云计算仿真模拟数量的增加略有相同。然而，与GA、BeA和PSO算法相比，FCS技术能够最大限度地降低故障率，特别是在增加云计算仿真模拟数量实例时。这些仿真的结果是，FCS技术将增加云用户的数量，支持节省更多资金，并在使用IaaS云时显著提高用户的服务质量。结果表明，所提出的FCS技术在搜索过程中提高了解决方案的质量，使其在云资源调度中更加高效和可靠。由于IaaS云中的需求在规模上不可预测，大型计算工作负载会到达云数据中心，因此IaaS云需要能够处理动态需求的调度方案。FCS算法能够适应云环境的可扩展性和可靠性，因为它能够调度巨大的云资源，并且可以通过提高可靠性和吞吐量，同时降低故障率来满足客户的期望。6结语针对IaaS云，提出了一种基于模糊算法和布谷鸟搜素算法的可靠性资源调度FCS技术，FCS技术用于在执行过程中处理资源调度。FCS技术的目的是解决IaaS云中的可靠性资源调度问题，特别是在没有任何中断和本地故障的情况下执行资源调度。仿真结果表明，与GA、BeA和PSO算法相比，所提出的FCS技术在故障率方面提供了更好的质量，返回的故障率更低。结果表明，FCS技术更适用于IaaS云中的可靠性资源调度。未来，在真实的云环境中还需要对额外的实例、性能指标和所提出的技术进行比较。参考文献1王萍,付晓聪,许海洋.云计算中基于负载预测的虚拟资源调度策略J.青岛农业大学学报:自然科学版,2020(1):73-78.2阮江涛,吴海涛,钱程,等.基于混合优化算法的云计算资源调度策略的研究J.计算机与数字工程,2020(9):2220-2224.3程然.云计算IaaS技术与发展策略J.数字通信世界,2017(8):129.4孙文轩,张笑恒,张杉,等.基于优化PSO-BP的多特征融合图像识别算法研究J.青岛大学学报:工程技术版,2021(2):72-82.5马建坤,岳传波,王小华,等.自适应多目标粒子群物资调运算法研究J.兵器装备工程学报,2021,42(S02):5.6王柏翔,姜佳鹏.云计算环境下面向能耗降低的虚拟机管理模型J.电脑知识与技术:学术版,2017,55(6):5.图3资源调度比较（a）高性能计算机中心1（b）高性能计算机中心2失败率25%20%15%10%5%0%1002003004005006007008009001000资源调度FCSGAPSOBeA失败率25%20%15%10%5%0%资源调度FCSGAPSOBeA1002003004005006007008009001000（c）高性能计算机中心3失败率25%20%15%10%5%0%1002003004005006007008009001000FCSGAPSOBeA88