云计算资源多目标优化调度方法在移动端子系统中的应用

孟令玺　刘英伟　孟令威

摘 要：云计算平台虚拟化技术的出现使得各类应用资源的按需动态配置成为可能，大大提高了资源的利用率。共享资源池的出现，使云环境中服务器的数量得到减少，从而增加了云服务提供商的收益。负载均衡可以实现物理资源和虚拟资源消耗的匹配。通过云计算资源，人们可以采用MOGA-D算法，将多目标优化调度方法应用在移动端子系统中，实现最终的资源调度。对比实验结果表明，与传统方法相比，该方法具有更加突出的有效性。

关键词：移动端;云计算;多目标优化调度

中图分类号：TP311.52 文献标识码：A 文章编号：1003-5168（2019）35-0027-03

Application of Multi-objective Optimal Scheduling Method of

Cloud Computing Resources in Mobile Terminal System

MENG Lingxi LIU Yingwei MENG Lingwei

（School of Humanities and Information， Changchun University of Technology，Changchun Jilin 130000）

Abstract： TThe advent of cloud computing platform virtualization technology makes it possible to dynamically configure various application resources on demand， which greatly improves the utilization rate of resources. The emergence of shared resource pools has reduced the number of servers in the cloud environment， thereby increasing the revenue of cloud service providers. Load balancing can match the consumption of physical resources and virtual resources. Through cloud computing resources， people can use the MOGA-D algorithm to apply the multi-objective optimized scheduling method to mobile terminal systems to achieve the ultimate resource scheduling. The comparison test results show that the method has more prominent effectiveness than the traditional method.

Keywords： mobile;cloud computing;multi-objective optimal scheduling

移動终端是指可以在移动中使用的计算机设备，它可以分为两类，一类为模拟移动终端，如数字蜂窝电话和模拟蜂窝电话，另一类为数字移动终端。移动终端具有极强的便携性，客户端子系统主要由平板电脑、智能手机等手持移动设备组成，这些设备将代替服务器智能地发出请求，将所需要的分块缓存或下载到本地运行，以满足服务需求[1，2]。

1 云计算资源多目标优化调度方法

采用云计算的方式，用户就可以通过网络将需要处理的数据发送到云计算终端的数据中心，由数据中心对数据进行处理，并及时将处理结果反馈给用户，资源的使用率得到大幅提高，减少了所消耗的资源，这样有助于“节能减排”[3-5]。目前，如何减少激活服务器的数量是云平台节约型资源调度方法需要解决的问题，从而达到节能的目的，实现绿色计算。综上，本文提出了一种考虑物理节点稳定性的节能型多目标资源优化调度方法。

1.1 负载均衡

对数据中心整体而言，负载均衡程度是指各物理机负载量的相对平衡，防止出现“热点”现象;而从单个物理服务器角度来说，负载均衡程度是指各物理资源（内部网络带宽和内存等）的使用相对平衡。“负载-资源-能耗”关系如图1所示。

负载均衡度计算方法如下：

[Degreem=（uCPU-umemory）2+（uCPU-ubandwidth）2+（umemory-ubandwidth）2]      （1）

式中，[uCPU]为物理机利用率;[umemory]为内存利用率;[ubandwidth]为网络带宽使用率;[Degreem]为根据虚拟机实际运行数据得到的物理机m各类资源消耗的均衡程度，也就是物理机资源配置与所承载的虚拟资源消耗的匹配程度。

1.2 基于MOGA-D算法的多目标优化调度方法

云计算环境下资源的调度问题不只是某些单个目标的多目标优化问题，需要考虑的往往还包括服务器负载、服务质量和节能等多方面因素，传统的求解单目标方案往往不能满足要求。为此，本研究提出了基于MOGA-D算法的资源多目标优化调度方法，调度关系如图2所示。

图2 多目标优化调度关系

MOEA/D的分解思想是：首先对求解空间进行分解，再将多目标求解转化为在[N]个子空间中求解单目标的优化问题，与其他多目标优化算法不同的是，没有将多目标问题整合为一个整体进行处理。其中利用聚合方法将子空间中的解由一个多目标问题转化为求解一个单目标问题。

利用切比雪夫聚合方法将一个多目标问题转化为求解一个单目标问题：

[min imize gte（x/y，z*）=max1≤i≤mλifi（x）-z*i]          （2）

式中，[λi]为权向量;[z*]为参考点，且取值为目标值中最优解;[i]为种群个数;[m]为目标数;[gte（x/y，z*）]为切比雪夫数值;[fi（x）]为目标函数值。

经过多目标问题转化，计算每个均匀分布的权重向量的邻域，经过初始化，在[p]个种群中选取当前个体[pi]，再从[p]中选取个体[pi]的邻域个体[pj]，经过交叉计算求得新个体[px]，经过变异计算，获取变异个体[p′x]，对[px]和[p′x]进行适度函数计算，求得最优解。

2 多目标优化调度方法在移动端子系统的应用

智能移动终端已深入人們的日常生活中，随着科技的发展，移动终端所能承载的应用程序越来越丰富，丰富了人们的生活，但是受电池能量损耗及处理能力等限制，其复杂资源调度存在困难。为此，将基于MOGA-D算法的多目标优化调度方法应用于移动端子系统中，以增加子系统的资源调度速度，并保证物理节点的稳定性，提升移动端的使用性能。

客户端子系统采用P2P的网络结构，P2P网络对等点使用移动设备，该设备既可以作为服务器将自己缓存的资源提供给其他移动设备，也可以作为客户端从其他移动设备中获得自己需要的资源。混合式P2P结构以服务网格作为中央节点，搜集多目标优化调度动态变化资源信息，向各个移动设备节点提供服务，各个移动设备缓存的资源信息由网格服务负责收集。

在移动设备智能代理服务器的通信方面，由移动设备发送查询调度方法的请求信息，需要包含分块自身的配置信息（处理能力、内存和CPU大小）、功能的描述、执行环境（内存利用率、CPU利用率）等参数。移动设备只需要向终端发送所需要任务的请求信息，然后等待接受所需要的智能代理服务器返回的资源，而对资源的选择和请求信息的处理均由智能代理服务器负责，这样移动设备就省去了自行计算等步骤，避免了不必要的损耗。

综上，基于云计算，人们可以实现移动端子系统的资源多目标优化调度。其主要通过网络连接或是大型数据中心中计算资源的访问，形成一个计算资源池，以便进行统一的调度管理，最终实现云计算资源多目标优化调度方法在移动端子系统中的应用。为了验证该方法能否在移动端子系统中得到很好应用，采用仿真实验的方式进行了验证。

3 实验对比

以上部分从理论上论证了基于MOGA-D算法的调度方法的可行性，并详细说明了其在不同移动端子系统中的应用。为了证实该方法在移动端子系统中应用的有效性，本研究进行了对比实验，从任务完成时间和物理节点稳定性两方面进行对比验证。实验中设MOGA-D算法为实验组，粒子群算法为对照组。

3.1 实验准备

实验均在Dell optiplex上进行，Dell optiplex配置有第四代Intel Core i5 CPU、8GB内存和1TB硬盘，采用两种调度方法，分别对任务完成时间和物理节点稳定性进行实验。

3.2 实验结果与分析

将对比实验所得的两组数据记录下来，并相应绘制对比图，如图3所示。

由图3的两种数据可知，在种群大小一定的情况下，采用本文方法需要的运行时间要比粒子群算法对照组消耗的时间短很多。因此，在移动端子系统中进行云计算资源多目标优化调度时，引入MOGA-D算法可有效缩短耗时，提高系统利用率，具有一定的优势。

4 结语

将云计算资源多目标优化调度方法应用于移动端子系统中，通过负载均衡、多目标优化等分析设计，实现资源调度，并将该方法应用于移动端中。基于MOGA-D算法的多目标优化调度方法，本文对云计算资源多目标优化调度方法在移动端子系统中的应用情况进行分析。经过对比实验，笔者验证了方法的有效性。结果发现，MOGA-D算法可有效优化移动端子系统的资源调度情况，但对于使用环境的变化，还需要进一步进行验证。

参考文献：

[1]杨爱华.云计算下的蚁群优化算法资源调度研究[J].通化师范学院学报，2019（8）：1-5.

[2]祝旭.绿色云计算数据中心能耗资源调度优化关键技术研究[J].无线互联科技，2019（11）：118-119.

[3]吕腾飞，陈世平.基于包簇映射的云计算资源分配策略[J].上海理工大学学报，2019（3）：260-266.

[4]黄伟建，辛风俊，黄远.基于混沌猫群算法的云计算多目标任务调度[J].微电子学与计算机，2019（6）：55-59.

[5]叶符明，李雯婷，王颖.MC2ETS：移动云计算中一种能效任务调度算法[J].计算机科学，2019（6）：135-142.