基于多目标优化的云数据中心灾后快速疏散方法及系统与流程

[0001]
本公开属于云数据中心的灾后疏散传输技术领域，尤其涉及基于多目标优化的云数据中心灾后快速疏散方法及系统。


背景技术：

[0002]
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
[0003]
地理分布的云数据中心承载着海量的数据和多样化的应用，同时也面临着各种灾害(如地震、洪水、风暴、飓风等)的威胁。最近的统计数据表明，美国公司每年由于数据中心故障导致的损失高达7000亿美元。为了避免各种灾害造成的巨大经济损失，迫切需要一种针对云数据中心的灾后快速疏散方法。
[0004]
针对威胁云数据中心的各种灾害，现代科技能够起到一定的预警和延缓作用，使得从灾害威胁出现到最终对云数据中心和网络产生影响之间，产生一定的缓冲时间。比如，可以根据大气、水文等信息提前预测台风、海啸等灾害发生的时间和影响的范围，可以利用不间断电源、应急电源等设备确保云数据中心和重要网络设备在受灾后的一定时间内正常用电。因此，当灾害威胁出现时，应该充分利用云数据中心网络中有限的剩余网络资源，在缓冲时间内将受影响的数据从灾区转移出去。
[0005]
发明人在研究中发现，疏散策略的高效性取决于网络传输能力能否得到充分利用，其中总疏散流量和疏散任务的带宽分配比例是两个非常重要的指标。一方面，总疏散流量越大，代表用于疏散的网络资源越多。另一方面，通过合理分配带宽比例可以进一步提高疏散效率。
[0006]
已有的研究没有考虑总疏散流量和带宽分配比例这两个要素问题，不能充分利用网络传输能力。


技术实现要素：

[0007]
为克服上述现有技术的不足，本公开提供了基于多目标优化的云数据中心灾后快速疏散方法，同时考虑了最大化总疏散流量和最小化带宽分配偏差，能够进一步提高网络传输能力的利用效率。
[0008]
为实现上述目的，本公开的一个或多个实施例提供了如下技术方案：
[0009]
第一方面，公开了基于多目标优化的云数据中心灾后快速疏散方法，包括：
[0010]
当面临灾害威胁时，将云数据中心灾后疏散的传输优化归约为多目标优化问题，即将总疏散流量最大化归约为第一个优化目标，以带宽分配比例偏差最小化归约为第二个优化目标；
[0011]
设定每个目标的奖励向量，利用基于启发式信息的标记搜索寻找疏散路径集，调整带宽分配以减小带宽比例与数据量比例之间的偏差，通过多目标强化学习方法获得最优解，得到云数据中心灾后疏散方案。
[0012]
第二方面，公开了基于多目标优化的云数据中心灾后快速疏散系统，包括：
[0013]
多目标归约模块，被配置为：当面临灾害威胁时，将云数据中心灾后疏散的传输优化归约为多目标优化问题，即将总疏散流量最大化归约为第一个优化目标，以带宽分配比例偏差最小化归约为第二个优化目标；
[0014]
多目标求解模块，被配置为：设定每个目标的奖励向量，利用基于启发式信息的标记搜索寻找疏散路径集，调整带宽分配以减小带宽比例与数据量比例之间的偏差，通过多目标强化学习方法获得最优解，得到云数据中心灾后疏散方案。
[0015]
在本申请中，疏散方案指的是疏散路径集、疏散任务的带宽分配；疏散方式不局限于某种传输介质，可以通过有线、无线等方式传输数据；疏散指的是将受到灾害威胁的数据中心中的数据疏散到灾害影响范围之外的数据中心中。
[0016]
以上一个或多个技术方案存在以下有益效果：
[0017]
本公开技术方案通过多目标优化问题归约、基于启发式信息的标记搜索、带宽分配调整、多目标权重和动作选择、pareto近似集多个状态步更新，得到在减少疏散完成时间、提高网络利用率、合理分配带宽方面更优的云数据中心灾后快速疏散方案。同时考虑了最大化总疏散流量和最小化带宽分配偏差，能够进一步提高网络传输能力的利用效率；利用基于轮盘赌的chebyshev标量化函数成功地简化了不同目标之间的权重选择和动作选择问题；为不同目标设计相应的奖励向量，利用多个状态步更新pareto近似集，能够更加逼近最优解；基于启发式信息的标记搜索和带宽分配调整能够搜索更大的解空间和更好地减少带宽分配比例偏差。
[0018]
本发明旨在根据网络资源状态，实施高效的灾后快速疏散，从而尽可能地减小甚至避免灾害事件对云数据中心造成的损失。
[0019]
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0020]
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
[0021]
图1是本公开实施例子的方法流程图；
[0022]
图2是本公开实施例子实际例子图；
[0023]
图3是本公开实施例子多目标强化学习方法的流程图；
[0024]
图4是本公开实施例子路径集搜索方法的流程图。
具体实施方式
[0025]
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
[0026]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包
括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0027]
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
[0028]
实施例一
[0029]
本实施例公开了基于多目标优化的云数据中心灾后快速疏散方法，将云数据中心灾后疏散的传输优化归约为多目标优化问题，设计每个目标的奖励向量，利用基于启发式信息的标记搜索寻找疏散路径集，调整带宽分配以减小带宽比例与数据量比例之间的偏差，采用基于轮盘赌的chebyshev标量化函数标量化q值向量和选择动作，通过多目标强化学习方法的多个状态步更新pareto近似集来逼近最优解，得到在减少疏散完成时间、提高网络利用率、合理分配带宽方面更优的云数据中心灾后疏散方案。
[0030]
多目标优化问题的归约：将总疏散流量最大化归约为第一个优化目标，以带宽分配比例偏差最小化归约为第二个优化目标，每个链路中的总流量不能超过最大链路容量，每个疏散任务分配到的带宽不能低于完成疏散任务的最小带宽，满足网络流量守恒。
[0031]
总疏散流量最大化：将每个疏散任务通过它所有可用疏散路径分配到的流量累加作为分配给该任务的疏散流量，将所有疏散任务的流量累加作为总疏散流量。
[0032]
带宽分配比例偏差最小化：计算每个疏散任务的数据量占总疏散数据量的比例(简称数据量比例)，计算每个疏散任务的疏散流量占总疏散流量的比例(简称疏散流量比例)，取两者相减的绝对值作为偏差值。
[0033]
已有研究表明，在总疏散流量相同的情况下，疏散任务的疏散流量比例与数据量比例越接近(即带宽分配比例偏差越小)，则疏散效率越高。
[0034]
每个目标的奖励向量：在第k步中总疏散流量已确定的前提下设置第一个优化目标的奖励向量与第k+1步中总疏散流量成正比，在第k步中最大带宽分配比例偏差已确定的前提下设置第二个优化目标的奖励向量与第k+1步中所有疏散任务的平均带宽分配比例偏差成反比。
[0035]
基于启发式信息的标记搜索：针对尚未标记的疏散任务，根据启发式信息的值选择后续节点，直到到达疏散目的地或没有后续节点为止，标记已经找到疏散路径的任务，更新路径集合、网络状态。
[0036]
该基于启发式信息的标记搜索方法的优点是，能够在每一轮搜索中都尽可能地为每一个疏散任务找到一条可用的疏散路径；在多轮搜索结束后，可以得到为每个疏散任务找到的疏散路径集和分配的疏散带宽。
[0037]
调整带宽分配：依据每一个疏散任务的数据量比例来调整它分配到的带宽，使之与所有疏散任务分配到的总带宽的比例(简称带宽比例)尽可能接近数据量比例；如果不能为某些疏散任务分配足够的带宽使它的带宽比例接近数据量比例，那么尽可能地多为该疏散任务分配带宽来提高疏散传输的效率；更新路径集合、网络状态。
[0038]
采用基于轮盘赌的chebyshev标量化函数标量化q值向量和选择动作，其特征在于：使用chebyshev标量化函数标量化q值向量，根据每个状态-动作对的标量化q值计算每个动作的选择概率，采用轮盘赌算法选择动作。
[0039]
pareto近似集更新，其特征在于：经过迭代地执行多目标强化学习算法得到新的解，若新的解被pareto近似集中已存在的解所支配则丢弃该解，否则将该解加入pareto近似集并丢弃近似集中被该解所支配的那些解。
[0040]
pareto近似集中存放的是迭代地执行算法后得到的非支配解；每个解包括灾后疏散采用的疏散路径集以及对疏散任务的带宽分配；pareto近似集的作用是存放并不断更新非支配解，即，淘汰掉支配解，保留非支配解。
[0041]
迭代地执行多目标强化学习算法：采用基于轮盘赌的chebyshev标量化函数选择动作进入第k+1步后，通过贪婪算法预测第k+2步能获取的最大奖励值，从而更新q值函数，迭代执行上述步骤直到达到最大迭代次数。
[0042]
上述算法中，每次迭代都是一次求解的过程，通过迭代地执行算法，能够在多次执行中选择出最好的非支配解，从而尽可能逼近甚至得到最优解。
[0043]
具体的，参见如图1所示，总疏散流量和带宽分配比例是影响云数据中心灾后疏散效率的重要因素，相关研究没有同时对这两个指标进行优化，无法充分利用网络传输能力。本发明公开了一种基于多目标优化的云数据中心灾后快速疏散方法，该方法包含的步骤主要为：将云数据中心的灾后疏散传输优化归约为总疏散流量最大化和带宽分配比例偏差最小化的多目标优化问题，使用基于启发式信息的标记搜索寻找疏散路径集，调整带宽分配以减小带宽比例与数据量比例之间的偏差，采用基于轮盘赌的chebyshev标量化函数标量化q值向量和选择动作，迭代地执行多目标强化学习方法来实现多个状态步更新pareto近似集，最终能够实现减少疏散完成时间、提高网络利用率、合理分配带宽。
[0044]
具体的，在如图2所示的拓扑结构上，考虑到总疏散流量最大化和带宽分配比例偏差最小化的优化目标，构建了云数据中心灾后快速疏散方法的实施例，实施描述如下：受到灾害的威胁，疏散任务et1、et2、et3需要分别将100gb、75gb、75gb的数据从节点u经过节点v最终疏散到不同的安全数据中心集m1、m2、m3中，且由于接收容量的限制，m1、m2、m3只能分别接收一个疏散任务所携带的数据；u和v之间的连线代表节点之间的路径集，v和m1、m2、m3之间的连线代表节点到不同安全数据中心集之间的路径集，不同连线上方的数字分别代表该路径集的剩余可用带宽；方案1仅以总疏散流量最大化为目标，首先为et1和et2选择u
→
v
→
m1和u
→
v
→
m2的疏散路径集，分别分配75gbps和25gbps的带宽，利用100gbps的最大化总疏散带宽实现总疏散流量最大化，经过大约10.67秒后，et1传输结束，再为et3选择u
→
v
→
m3的疏散路径集，经过30秒后，所有的疏散任务完成传输，得到大约为40.67秒的总疏散完成时间；方案2仅以带宽分配比例偏差最小化为目标，分别为et1、et2、et3选择u
→
v
→
m1、u
→
v
→
m2、u
→
v
→
m3的疏散路径集，根据数据量比例分别分配26.67gbps、20gbps、20gbps的带宽，得到66.67gbps的总疏散带宽，经过大约30秒后，所有的疏散任务完成传输，得到大约为30秒的总疏散完成时间；方案3同时考虑总疏散流量最大化和带宽分配比例偏差最小化的优化目标，分别为et1、et2、et3选择u
→
v
→
m1、u
→
v
→
m2、u
→
v
→
m3的疏散路径集，分别分配33.33gbps、25gbps、20gbps的带宽，得到78.33gbps的总疏散带宽，经过大约24秒后，et1和et2完成传输，再经过6秒后，et3完成传输；尽管方案3在最大化总疏散流量的优化上不如方案1，但是前者的总疏散完成时间更短，尽管方案3在总疏散完成时间的优化上与方案2相比没有优势，但是前者通过更好地利用网络带宽得到了更大的总疏散流量，且et1和et2能够更早完成传输，可以将空闲下来的链路为其它疏散任务所用，提高了灾后疏散效率。
[0045]
如图3所示，该方法包含的步骤主要为：将pareto近似集和q值表分别初始化为空集和0，迭代执行强化学习算法获取逼近最优解的pareto近似解集；在每一次强化学习算法的迭代执行中，首先按照疏散数据量的降序对疏散传输进行排序，然后针对每一个疏散任
务，在给定数量的状态步中，依次执行基于启发式信息的标记搜索、标量化q值向量、选择动作、更新目标的奖励向量、更新q值函数，执行完状态步后获得新的解；评估新的解，必要时更新pareto解集；迭代执行强化学习算法结束后，得到云数据中心灾后快速疏散传输的解。方法结束。
[0046]
如图4所示，该方法包含的步骤主要为：对启发式信息进行初始化；迭代执行基于启发式信息的路径集搜索算法获取指定数量的路径集；在每一次迭代中，首先将每个疏散任务设置为未标记状态，接着在指定次数的内部迭代中，针对未标记的所有疏散任务，结合启发式信息计算备选节点选择概率，采用轮盘赌算法选择下一个节点，直到到达疏散目的地后将该疏散任务设置为已标记或下一个节点不存在后结束本次内部迭代；更新路径集和网络状态，调整分配给疏散任务的带宽后继续更新路径集和网络状态；获得新的路径集，并进入下一次迭代循环；迭代循环结束后，得到指定数量的路径集。方法结束。
[0047]
实施例二
[0048]
本实施例的目的是提供一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例子一中方法的步骤。
[0049]
实施例三
[0050]
本实施例的目的是提供一种计算机可读存储介质。
[0051]
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行实施例子一中方法的步骤。
[0052]
实施例四
[0053]
本实施例的目的是提供基于多目标优化的云数据中心灾后快速疏散系统，包括：
[0054]
多目标归约模块，被配置为：在云数据中心处于灾害时，将云数据中心灾后疏散的传输优化归约为多目标优化问题，即将总疏散流量最大化归约为第一个优化目标，以带宽分配比例偏差最小化归约为第二个优化目标；
[0055]
多目标求解模块，被配置为：设定每个目标的奖励向量，利用基于启发式信息的标记搜索寻找疏散路径集，调整带宽分配以减小带宽比例与数据量比例之间的偏差，通过多目标强化学习方法获得最优解，得到云数据中心灾后疏散方案。
[0056]
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本公开中的任一方法。
[0057]
本领域技术人员应该明白，上述本公开的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本公开不限制于任何特定的硬件和软件的结合。
[0058]
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
[0059]
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。