基于蚁群优化算法的云计算调度资源模型∗

王 勃 徐 静 孙雪莹

（1.陕西国防工业职业技术学院计算机与软件学院 西安 710300）（2.陕西国防工业职业技术学院经济管理学院 西安 710300）（3.西安电子科技大学物理与光电工程学院 西安 710071）

1 引言

随着计算机网络的快速发展，网络将遍布在各个地域，包括手机、电脑、物联网终端等各种信息终端设备连接在一起，形成高速运转的服务器端，由于终端设备不断增加，最终将导致运行速度、可靠性、高效性、灵活性不断降低［1］。云计算作为全新的网络构架，可以对网络资源重新计算，合理分配，满足客户端的不同需求，不断提高和改善网络服务质量，使客户获取最大的网络信息资源。以此为基础，对云计算调度资源技术和策略要求也不断调高，由于传统计算方式缺乏必要的准确性、安全性，提出基于蚁群优化的云计算调度资源模型，该模型中蚁群使用自适应搜索，具有较高的鲁棒性、协作性、安全性、易扩展性和并行性，能使云计算环境下的蚁群达到最佳的寻优能力，提高效率，达到资源利用的最大化。

2 蚁群优化算法

蚁群优化算法（Ant Colony Optimization，ACO）是一种仿生模拟蚁群外出寻觅食物的方式，在整个蚁群在运动过程中，［2］通过每个蚂蚁之间互相传递信息，完成整个问题的最佳解决方案。具有分布处理（Distributed Computing）、并行处理（Parallel Com⁃puting）和网格计算（Grid Computing）等计算特点，蚁群从觅食起点到回归终点，通过随机寻找最优路径，完成最短路径间完成建构，实现沿路信息及时更新，相互联系，显示出该算法的高效、安全［3］。

3 蚁群优化算法的云计算调度资源

3.1 算法原理

蚁群优化算法加强了蚁群在群体觅食过程中的互相联系的通讯过程，蚁群在觅食所经过的路径中不断存储服务信息，经过起点到终点的过程，获取沿路所有存储服务信息，经过优化算法收集、处理后，定义为该算法的服务信息量，该信息记录了蚁群本次觅食过程中所有状态，并且也为后继觅食蚁群提供重要的历史参考信息。［4］由于蚁群在每次觅食时都采取随机模式，因此蚁群可以不仅局限于前面蚁群所遗留的历史信息，可以不断更新服务信息点，发现更有效的新路径。其架构图如图1所示。

通过架构图可知网络服务器端是建构的中心，为蚁群提供网络服务。［5］侦伺蚁以网络服务器端为载体，搜寻到各种客户端，并且使用最短的时间获取最优的路径，并及时反馈给后继蚁群，蚁群将侦伺蚁留下的共享信息资源通过最优路径，最短时间传递给客户端，并将反馈信息及时回传给网络服务器端。

该算法为云计算调度资源构建起拥有网络服务端、客户端群、信息存储服务的三层服务保障体系。这三层体系即可单独成为服务子云端，也可成为相互关联、通讯，保证安全为一体的云端［6］。

图1 架构图

3.2 云计算调度资源模型

3.2.1 构建调度资源相关条件

在云计算调度资源中，其调度资源是重要的构成部分，在一般情况下，在云计算中其调度资源被有效分解为多个子任务。根据子任务数据量的大小合理调度分配资源，有效提高计算效率。其函数可用式（1）所示。

在式（1）中，P()tf为调度分配资源使用的总时长，Wb为云计算设置的虚拟机，其取值空间为W=｛W1，W2，…，Wb｝。U为服务信息点，其取值空间为U=｛U1，U2，…，Ub｝。C为子任务 dj在虚拟机Wb上的工作时间。j为云计算子任务工作量大小，其取值空间为j=｛j1，j2，…，jb｝。 kju为调度资源的映射。Rjf为子任务在服务信息点Wb上调度关系。

3.2.2 调度模型

云计算调度资源使用蚁群Matlab优化算法，就是将大量的网络、服务器，客户端、共享资源等采取简化、分布、并行、简化、映射等方法，将大量信息和资源进行有效分解，产生了多任务系统，并对各任务系统加以标注，并随机获取共享信息服务点资源［7］。其模型如式（1）所示。

3.2.3 算法流程

根据式（2）可得出如下流程［10］：

1）蚁群从觅食起点m出发。

2）获取相关觅食初始参数。

3）判断是否在可经过路径表s中。

4）如在可运行路径中，则获取相关信息服务点位置，并搜集服务点信息资源。

5）如不在可运行路径中，则蚁群重新回到起点m，重新获取初始参数，重新运行判断。

6）蚁群搜集完当前经过路径中所有服务点信息资源后，判断是否完成本次搜集工作。如完成，则到觅食终点n，并输出结果。如未完成本次搜集任务，则跳回信息服务点，重新获取剩余共享资源量［11］。

其流程图如图2所示。

图2 流程图

4 仿真和数据分析

该仿真实验使用20台PC搭建云计算环境的模拟局域网，PC硬件配置如表1所示。

使用其中1台搭建为云服务平台，主要用来设置服务信息点，提供相关信息共享资源，具有数据挖掘、存储等功能［12］。为使该平台具有云计算的仿真环境，调度资源使用C#语言支持，结果分析、计算使用具有分布式架构的Matlab平台实现，该平台可以提供高效的数据采集功能。在仿真实验中，设置每台客户端有6个服务信息点作为数据采集点，各服务信息点之间建立通讯关联。使用调值参数g和p设置仿真数据，其中g代表信息服务点中共享信息量大小，设置取值区间为 0～100［13］。p为迭代反应频率，设置为200，400，600，800，1000，为体现实验数据的准确性，应采集相同条件下的20组仿真实验数据，并统计其平均值［14］。具体仿真实验数据如图3所示。

表1 PC硬件表

图3 迭代反应数据

由图3可知，随着信息量值不断增加，迭代反应频率也在不断增加，但震荡幅度在变小，变化相对较慢，其负载度较为均衡［15］。表明该算法在云计算调度资源上具有较强的寻优能力，特别是随着迭代次数的增加，蚁群数也对应增加，表示其收缩频率增加，也就加速了资源调度的速度。在总任务量不变的情况下，缩短了调度的时间，提高了调度的效率，在速度优化和寻优能力上得到最佳结果，该方法可完全满足大部分云计算调度资源中的相关问题。

5 结语

本文提出了基于蚁群优化算法的云计算调度资源模型的研究，通过仿真模拟，可以论证在云计算平台下，处理大量数据信息，采用该种算法具有缩短响应时间，提高运算效率，在云计算调度资源上提出了最优解决路径，充分显示出了其分布性、并行性、快速计算性等优势，具有一定的应用价值。