基于进阶粒子群优化算法的云计算资源调度策略研究

校莉

摘要：云计算是一种商业计算模型，云厂商一般都有自己的资源分配和任务调度模式，但并没有统一的标准和规范。分析云计算系统资源调度，提出一种基于进阶的粒子群算法，采取集群动态协作产生优质粒子及对粒子逆向作用平衡局部资源的策略，以达到全局及局部搜索双向资源最优。经云仿真平台测试表明，应用该算法的调度策略可行且高效。

关键词：粒子群优化算法；云计算；资源调度

DOIDOI：10.11907/rjdk.161535

中图分类号：TP301

文献标识码：A 文章编号：1672-7800（2016）005-0016-02

0 引言

云计算作为一种并行计算技术实质是网格计算的服务延伸，以满足海量级信息化计算服务需求。云计算具有安全、可靠、高效的数据处理能力及灵活性和扩展性，可以显著节省单点计算的时间开销、降低计算成本。尽管通过VM（virtual machine）等虚拟化协议，可以将多台服务器资源集群为一个高性能的资源池虚拟体，然而在大规模、多模式的资源系统中，良好的资源调度策略是提高平台效能的必要条件，也是影响系统服务效能的重要因素。传统粒子群优化（PSO）算法[1]以其模型结构清晰明了、计算传参量小、语言实现容易等优势在数学建模、网格计算等诸多工程科学领域被广泛应用。但也有其局限性，主要体现在大量局部搜索情况下，系统可能处于局部最优的极端状况，同时收敛速度变慢。

本文在分析云计算系统的资源调度的基础上，提出一种基于进阶的粒子群算法（Advanced PSO，缩写为A-PSO），相比传统PSO算法，其在集群动态协作产生优质粒子及对粒子逆向作用平衡局部资源的两个方面做出了优化，以达到全局及局部搜索双向资源最优。将改良后的A-PSO算法应用于系统资源调度，使得云计算系统能够快速响应应用端的资源请求，实时给出当前优质资源，并考虑资源库存，尽量规避负载失衡、局部死锁、资源过早耗尽等风险。

1 云系统资源动态部署

大多数云系统采用计时或计流量付费的营运模式，通过资源共享服务用户并盈利，应用端开发者仅需考虑软件自身问题，各类资源占用和调度则均由云计算平台统一处理。云平台能根据用户需求和系统实际负载情况进行动态部署、配置及调度资源。云计算资源调度是指在某个指定的集群中，根据既定规则对终端请求进行动态资源分配。如果制定的调度算法过于简单，容易造成分配不均；如果算法过于复杂，则由于过多的逻辑处理和关联操作会造成较大时间开销和资源消耗，从而降低了整个系统的性能。因此，如何制定一个合理的调度规则，采用合适的算法实现智能、高效的资源调度是各云商亟待解决的难题。

2 粒子群优化算法

粒子群算法是一种基于群体的自适应搜索优化算法[3]。其通过权重因子来调节算法的全局和局部寻优能力，权重因子值高则利于全局寻优；反之，则利于局部寻优，通常权重因子值域一般为（0.4，0.9）。寻优计算公式为：

3 A-PSO 算法下的云计算系统资源调度策略

粒子群优化算法虽然算法设计较为简单，自适应特性在许多工程应用中具有明显优势，但算法随机性较大，仍有很大优化空间。本文从集群动态协作和粒子逆向作用两个方面对PSO算法进行改进。

3.1 改进的粒子群优化算法

通过集群中子群的动态协作在一定程度上可以提升收敛速度及求解深度，同时粒子逆向作用效应可以一定程度上冲散密集资源，避免系统陷入局部极优而导致资源过早耗尽的风险，维持系统的负载平衡。基于这种A-PSO算法，对资源申请者，云系统可以给出一个当前资源背景下比较优质的资源。采用动态协作算法，次群重点全局搜索，主群则重点局部搜索。一次循环中，所有次群最优结果传导给主群，主群则选出最优子群资源粒子，流程如图1所示。

4 仿真检验

根据上述算法，设计一个基于云计算的仿真平台CS3.0[4]，在JDK1.8环境下使用Myeclipse2013工具编码的仿真检验实验。分别对DataCenter、DataCenterBroker、Cloudlet 等多个类进行重写并编译成功。实验初始设定4个集群，其中主服务集群1个，次群3个，各群体规模固定为100，迭代上限500 次。主群学习因子均设定为4：3，次群学习因子均设定为2：1。实验比照数据为采用标准PSO算法，在同样设置条件下的执行时间开销。结果如图3所示。

由实验结果可知，对比采用传统PSO算法，A-PSO算法调度策略平均时间开销更小。

5 结语

分析云计算系统资源调度，提出一种基于进阶的粒子群算法，相比标准PSO算法而言，改进后的APSO算法能够更高效处理云系统资源搜索与分配，兼顾了资源分配的公平性和系统负载均衡，系统扩展性更强。后续将研究学习因子和逆向粒子权重等，进一步改进该算法，为云系统开发及管理提供参考借鉴。

参考文献：

[1]KENNEY J， EBERHART R. Particle swarm optimization[C].Proc. of IEEE International Conf. on Neural Networks. Perth， USA，1995.

[2]虚拟化与云计算小组. 虚拟化与云计算[M]. 北京： 电子工业出版社， 2009.

[3]李丽，牛奔.粒子群优化算法[M]. 北京： 冶金工业出版社，2009.

[4]CLOUDS LAB. A framework for modeling and simulation of cloud computing infrastructures and services introduction[EB/OL]. http：//www.buyya.com/gridbus/cloudsim/.

（责任编辑：陈福时）