移动云计算中计算资源定价与任务负载迁移策略研究的制作方法

本发明属于移动云计算任务负载迁移研究领域，具体涉及移动计算资源定价策略和多迁移目决策策略的研究。

背景技术：

随着云计算和移动云计算研究的飞速发展，移动云计算相关技术被认为是解决由移动设备计算能力有限引起的问题的一条有效途径。通过使用移动设备本身以外的资源提供者来托管移动应用的执行，来解决移动设备的固有问题。通过将本地云与其他移动设备(而不是本地服务器)相结合，能够支持移动性，而无需其他基础设施。除此之外，在移动云计算当中，还存在着一些未解决的问题，例如一些潜在的技术性问题，首先是有助于进行任务负载迁移决策的成本-效益模型，这关系到使得移动设备有积极性分享资源来供其他设备使用，并且最大化移动资源使用者使用服务的效益。另一方面，如何进行任务的迁移技术和任务迁移目的地的选取，合理的任务迁移选择可以提高移动云环境的性能并节约能耗，这是一个np难问题，特别是考虑到其他的一些相关的问题，例如网络断开和可变性，数据的隐私和安全性，移动云环境的负载变化等，这些问题都越来越引起国内外学者的广泛关注和研究。

技术实现要素：

本发明在现有研究成果的基础上，对移动云计算下任务迁移当中的移动资源定价和任务迁移策略进行的主要研究工作如下:

1.本发明首先采用了一种三层的移动云计算任务调度架构，它分别由本地移动设备组成的移动云环境，资源管理器，远端公有云服务提供商所组成。本地移动云环境当中，移动设备之间可以共享计算资源，计算资源丰富的设备可以联合形成一个共享资源池，把资源提供给需要资源的近邻设备，资源池可以向本地移动设备按照一定价格出售部分计算资源。当本地资源无法满足本地任务的需求时，或者相比本地负载迁移，购买公有云服务是一种效益更高的方式时，任务会被迁移到公有云执行，以此来减少任务的传输能耗和购买计算资源的综合开销。

2.其次，本发明提出了一种本地移动计算资源的定价方式。综合考虑了移动资源的使用者和提供者双方的效用，为资源使用者降低了资源购买者购买本地资源的成本，同时增加了资源提供者的收益。本发明把这一问题作为求解stackelberg博弈问题进行求解。并提出启发式算法快速寻找最优价格。这一部分也是本发明所提出的任务迁移决策算法的基础。

3.最后，在求得本地移动云计算资源的定价之后，任务可以初步确定本地或者远端云执行方案。以及每个任务本身的截止时间策略。本发明在化学反应优化框架的基础上，并对该框架进行了改进，结合本发明所提出的移动云计算任务负载迁移调度具体问题，设计寻找最优任务负载迁移策略，来实现本地资源提供者的负载均衡。实验证明，本发明所提出的算法，同gaco，eena，ard等其他多种传统算法进行对比，本发明所提出的改进算法极大地加快了化学反应优化的收敛速度，同时增加了最优解的求解准确度。

附图说明

下面结合附图对本发明进行进一步说明。

图1为移动云计算系统结构模型示意图。

图2为移动云计算环境形成图。

图3为改进化学反应优化算法icro流程图。

图4为移动资源价格求解模拟实验结果图

图5为应用icro相比其他算法本地设备负载均衡模拟实验结果图

具体实施方式

图1给出了本发明算法所采用的移动云计算系统结构模型，系统架构具有网络感知的特点，从下到上共分为三层，主要包含以下结构：本地移动云，中央资源任务调度器crb，云计算服务提供商。移动云环境中的一组移动设备向提交资源请求j，另一部分计算资源充裕的设备m加入本地云计算资源池，向其他需要计算资源的设备提供资源，并对提供的资源收取一定的费用；在移动设备和他们的云计算服务设施之间，中间的资源任务调度器crb，由若干台计算节点构成，并不提供像本地设备提供计算资源，负责为本地设备的计算任务，找到合适的计算资源。在资源定价阶段crb的信息交换模块，处于资源提供者和资源购买者之间，帮助协调资源提供者的资源定价策略和资源购买者任务截止时间策略。crb部署在网络访问点附近，作为一种本地服务提供给移动设备，来增强移动云服务的性能。

图2描述了移动云本地资源池的形成。将本地云计算环境的形成过程想象成一个资源市场。每个useri在自己设备无法满足当前任务所需要的计算资源的情况下，希望向本地云计算资源池购买一定的资源。useri具有一个效用函数u。同时，有另一种类型的用户providerj，作为计算资源较为充裕的移动设备，希望像周围的移动设备提供一部分自己闲置的计算资源。所有计算资源充裕的移动设备用户，具有效用函数p，把一部分资源放入进入资源池resourcepool。用useri提交的任务taski进入任队列jobqueue，等待被调度到本地资源池中的某台设备或者远程移动云上执行。

移动资源定价的过程可以进行如下描述：

(1)构造stackelberg博弈问题。最优的移动计算资源价格p^*可以通过求解如下的优化问题得到:

当本地资源价格plocal给定之后，用户i根据自身的任务ji，比较将任务分载到远端的云计算提供商的效益函数值uremote(ji,premote)或者本地移动云环境中的某台移动设备m上进行处理的效益函数值ulocal(ji,plocal)，使得自身利益u^*(ji)最大化。u^*(ji)定义如下：

当一个本地执行的任务ji在得知本地资源价格，可以决定最优的最大容忍响应时间进而确定购买的计算能耗量，来使得自身利益最大化。其中可以转化为如下的优化问题进行求解：

p^*为可以使得资源提供者利益最大的计算资源出售价格，j^*为可以使得资源购买者效益最大的计算资源购买数量。故(p^*,j^*)是本发明定义的stackelberg博弈问题可行解。并满足如下条件：

u(j^*,p^*)≥u(j,p^*)

p(p^*,j^*)≥p(p,j^*)

(2)最优计算资源购买策略。当给定一个资源价格plocal之后，所有任务对于本地计算资源的购买量为：

(3)最优计算资源定价策略。最优计算资源定价为：

图3给出了改进的化学反应优化的流程图，主要改进措施为：将每一轮反应开始时单个分子和多个分子选择算法，建立在轮盘赌的思想基础上，每一个分子m被选中进行反应的概率和其目标函数值f(m)有关，参加反应的分子选择概率可由如下的公式计算得出：

并且没次迭代结束，改进多轮最差分子：改进其动能ke

keⁱ⁺¹(m)＝ωkkeⁱ(m)+c1r1|ke(m^pbst)-keⁱ(m)|+c2r2|ke(m^gbst)-keⁱ(m)|ωk

＝ωmax-(ωmax-ωmin)k/kmax

图4假设本地10个资源提供设备的情况下，任务数量10,20,30三种情况下，本地移动资源价格随着双方博弈迭代次数的增加，价格逐渐收敛的模拟实验结果图。

图5使用本发明的改进化学反应优化算法icro，相比于原本的cro和gaco，本地资源提供设备的负载均衡情况的实验结果图。