私有云环境下基于遗传禁忌混合算法的资源调度策略方法
【技术领域】
[0001] 本发明涉及私有云环境下基于遗传禁忌混合算法的资源调度策略方法，属于计算 机资源调度策略技术领域。
【背景技术】
[0002] 云计算是一种通过使计算分布在大量的分布式计算机上或远程服务器中、按照互 联网运作模式将资源能够切换到所需要的应用上，并根据需求访问计算机和存储系统的网 络资源共享模式。在这一共享模式中，"云"是指各种虚拟化的计算资源池，它包括各种用于 构造应用程序的基础设施，以及在这些基础设施上的具体云计算应用。虚拟化技术能够在 实际硬件资源上构建虚拟的资源，从而实现弹性和动态性。
[0003] 使用虚拟化技术：
[0004] 1.可以实现资源利用的最大化，比如：把多个服务器上运行的虚拟主机整合到少 数的服务器上；
[0005] 2.可以根据需要动态地启动虚拟资源；
[0006] 3.独立了运行环境；
[0007] 4.保证了安全，因为虚拟主机实现了各用户之间计算环境的隔离，以及用户计算 环境和底层基础设施之间的隔离。
[0008] 数据中心作为云计算模式实施的实体，其演进为大数据处理创造了技术条件，所 带来的资源共享、按需分配、绿色节能与快递部署业务等优势，推动传统数据中心向云数据 中心发展。
[0009] 为解决减小高铁数据中心资源投入，满足可伸缩性、安全性、自适应式资源管理 部署的需求，一种更有效、更合理的系统资源调度策略亟待被提出以解决上述问题。多目标 因子算法在资源调度管理理论模型中可以很好地将高速铁路数据中心资源管理的多项目 标以数学模型的形式表达出来，并在具体地在系统应用中加以改进、优化，以提高高速铁路 数据中心资源管理及运营效率。
[0010]遗传算法:标准遗传算法以种群作为工作单元，依据生物界"适者生存"的准则指 导搜索操作并改进搜索方向。对解决非线性优化问题有很好的效果。遗传算法具有原理简 单、算法健壮、易于实现等优势，同时还具有全局搜索和并行性两大显著特征。缺点是算法 易出现"早熟"，爬山能力差。
[0011]禁忌搜索算法:禁忌搜索算法是对人类智力的一种模拟，通过使用禁忌表来记录 已经遍历的局部最优解，并在下一次迭代中，利用禁忌表来规避或有选择的处理这些解，以 避免陷入局部最优，并更新搜索路径。它是一种启发式算法。它具有局部搜索能力强，收敛 速度快，"爬山"能力强的优点，而禁忌搜索算法的缺点是它的搜索性能对初始解的依赖性 很强，禁忌搜索的迭代过程为串行，仅仅为单一状态的移动，在云环境下大量的资源调度任 务执行时，其效率远低于并行算法。
【发明内容】
[0012] 为了克服现有技术的不足，本发明提供私有云环境下基于遗传禁忌混合算法的资 源调度策略方法，用于提高虚拟机IT资源利用率、服务效率。
[0013] 私有云环境下基于遗传禁忌混合算法的资源调度策略，通过对遗传算法与禁忌搜 索算法的融合，决定资源调度方式将任务映射到私有云环境的物理服务器，优化初期使用 遗传算法得到子代，然后使用禁忌搜索算法对其进行优化，循环算法至满足终止条件；
[0014] 通过将遗传算法和禁忌搜索算法相结合，给禁忌搜索算法提供了一个好的初始 解，先用遗传算法优化，待算法优化到比较好的子代之后，再用禁忌搜索算法继续优化，如 此反复。
[0015] 遗传算法每迭代一次，禁忌搜索算法迭代多次，通过最优保存策略，使算法呈现单 调变化的趋势，在算法实现的时候保存每一次迭代的最优解直接送入下一次迭代。
[0016] 私有云环境下基于遗传禁忌混合算法的资源调度策略方法，还含有以下步骤；
[0017]第1步:随机产生初始种群，给出各参数，设置迭代次数，种群规模，交叉概率，变异 概率；
[0018] 第2步:判断遗传算法的停止准则是否满足，如果满足，输出结果，否则继续以下步 骤；
[0019] 第3步:计算适应度函数，函数如下：
[0020] Z = Σ ieM(tifiR+t2fis)
[0021] 这里，flR为第i台物理服务器的资源利用率函数，fls为第i台物理服务器的SLA (Service-Level Agreement，服务等级协议)违背率评价函数，ti，t2为资源利用率与SLA违 背率的权重值。适应度函数值最大的个体即为最优个体。
[0022] 第4步:选择，得到每个个体的适应度函数后，采用比例选择来实现选择操作，具体 步骤如下：
[0023] (1)采用最优个体保留方法，将选中的个体直接复制到子代，并进行(2)步骤；
[0024] (2)采用锦标赛选择方法:从种群中随机选取两个个体，并生成一个随机数，若随 机值小于给定概率值η，则选择较优的个体，否则选择较劣的个体；
[0025] 第5步:交叉:采用单点交叉的交叉方式。从种群中随机选出两个个体，随机选择一 个切点，将切点两侧分别看作两个子串，将右侧的子串分别交换，则得到两个新的个体；
[0026] 第6步:变异:根据给定的变异概率Pm进行变异。
[0027] 第7步:对所得子代个体使用禁忌搜索算法，将得到的子代个体作为禁忌搜索算法 的初始解，可行解的迀移方案作为其邻域；
[0028] 第8步:更新种群，以新的种群返回第3步，继续遗传算法。
[0029] 本发明还可以包括：
[0030] 1、在第3步中，^i = I，2) 2 0。根据调度策略实际要求，可自行调整U。
[0031] 2、第4步中随机值的取值范围在0到1之间，给定概率r根据实际情况确定，通常为 0.8〇
[0032] 3、第5步中交叉概率的取值范围在PcE (0.5,1)。
[0033] 4、第6步中变异概率的取值范围是PmE (〇 .001，〇 . 1)。
[0034]本发明通过对遗传算法与禁忌搜索算法的融合，来决定采用何种资源调度方式将 任务映射到私有云环境的物理服务器，以达到提高优化资源分配，减少SLA违背率的问题。 优化初期使用遗传算法得到子代，然后使用禁忌搜索算法对其进行优化，循环算法至满足 终止条件。
[0035]本发明针对遗传算法全局搜索能力强，局部搜索能力差，而禁忌搜索算法收敛速 度较快，具有较强的爬山能力，搜索性能较大地依赖于给定的初始解的特点，提出了一种基 于遗传禁忌算法的私有云资源调度策略。该策略通过将遗传算法和禁忌搜索算法相结合， 提高了优化资源分配，减少SLA违背率的性能；同时给禁忌搜索算法提供了一个好的初始 解，先用遗传算法优化，待算法优化到比较好的子代之后，再用禁忌搜索算法继续优化，如 此反复。即遗传算法每迭代一次，禁忌搜索算法迭代多次。同时通过最优保存策略，使算法 呈现单调变化的趋势，不会出现反复。且方法只需要在算法实现的时候保存每一次迭代的 最优解直接送入下一次迭代，避免了近似最优解丢失的问题。
[0036] 本发明与现有技术相比较有以下特点：
[0037] 1.本发明通过禁忌搜索算法对遗传算法所得子代进行优化，克服单一算法性能的 缺陷，既能发挥遗传算法的并行搜索能力，也能发挥出禁忌搜索算法的局部搜索能力，使算 法的运行效率得以提高，并且克服了遗传算法容易"早熟"，爬山能力差的问题；
[0038] 2.本发明采用最优解保存策略，使优秀个体不易被破坏，避免了遗传算法中存在 的早熟问题。
【附图说明】
[0039] 当结合附图考虑时，通过参照下面的详细描述，能够更完整更好地理解本发明以 及容易得知其中许多伴随的优点，但此处所说明的附图用来提供对本发明的进一步理解， 构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发 明的不当限定，如图其中：
[0040] 图1是算法中编码过程的一个实例的示意图；
[0041 ]图2是遗传禁忌算法的流程图；
[0042]图3是仿真实验中Tabu_S(以降低SLA违背率为目标的禁忌搜索算法），Tabu_R(以 提高资源利用率为目标的禁忌搜索算法），GA(基本遗传算法），MGATS(本申请提出的多目标 遗传禁忌优化算法）四种算法对应的适应度函数值；
[0043] 图4是仿真实验中了&1311^&1311-1?，64，1?^3四种算法在任务数为100时，解的空 间分布情况；
[0044] 下面结合附图和实施例对本发明进一步说明。
【具体实施方式】
[0045] 显然，本领域技术人员基于本发明的宗旨所做的许多修改和变化属于本发明的保 护范围。
[0046] 实施例1:如图1、图2、图3和图4所示，私有云环境下基于遗传禁忌混合算法的资源 调度策略方法，含有以下步骤；
[0047]第一步:初始种群生成。
[0048] 给出算法以及各参数，设置迭代次数，初始群体，交叉概率，变异概率。并对个体编 码。编码过程抽象为将η个虚拟机分配到m个物理节点上，首先生成一个包含η个虚拟机编号 的随机序列，然后应用多维优先适应算法(First Fit，FF)将随机序列号依次放入物理服务 器中，得到染色体编码。根据此种方式，附图1中得到的染色体编码为：{2213241421}。重复 种群规模η的优先适应算法(First Fit,FF)，生成一组初始个体，构成初始种群。
[0049] 第二步:判断遗传算法的停止准则是否满足。如果满足，输出结果，否则继续以下 步骤。本发明的停止准则以迭代次数的限定作为结束准则。
[0050] 第三步:计算适应度函数：
[0051] (1)计算资源利用率
[0052] 根据资源利用率函数、使用物理服务器的体积来定义其资源利用率：
[0053] fR- ( I-Ucpu) X ( I-Umem) X ( I-Ubandwidth)
[0054] 公式中ucpu、umem、ubandwid th分别为物理服务器的CPU利用率、内存利用率、带宽资源 利用率。这里将!!。[^、!^、!^(^(^上限均设为训^上反映资源利用率^能分析当前的各 维资源性能。当都取得最大值时，资源利用率最高，且fR达到最大值。fR取 值为 fRe(o，i)。
[0055] (2) SLA违背率函数
[0057] 公式中，Ucpu表示物理服务器的CPU利用率，Umax是对U cpu定义的最高限值，UmaxE (〇， 1)〇
[0058] 由公式可以看出，当Upcu在(0，Umax)变化时，fs呈下降趋势，且函数值变化较慢；当 Ucpu在(Umax，1 )变化时，f s急剧下降;Ikpu越小，fs越大;且fse(〇