混合云模式中的基于成本考虑的在线服务请求调度方法与流程

文档序号:12494444阅读:来源:国知局

技术特征:

1.一种混合云模式中的基于成本考虑的在线服务请求调度方法,其特征在于,包括如下步骤:

步骤1:构建以平均花销成本最小化为目标,私有云资源有限,服务拒绝率为限制条件的最优化问题;

步骤2:利用李雅普诺夫优化方法将步骤1中的最优化问题转化为单时槽中的优化问题;

步骤3:采用最优衰减算法求解步骤2中单时槽中的优化问题的最优解,即得到当前时刻的服务请求的调度方法。

2.根据权利要求1所述的混合云模式中的基于成本考虑的在线服务请求调度方法,其特征在于,所述步骤1中的最优化问题如下:

Min:

subject to:

Yit,Zjt∈{0,1} (2)

<mrow> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>n</mi> <mi>t</mi> </msub> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>v</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>h</mi> </munderover> <msub> <mi>Y</mi> <mrow> <mi>i</mi> <mi>t</mi> </mrow> </msub> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>v</mi> <mi>t</mi> </mrow> </msub> <msub> <mi>v</mi> <mrow> <mi>v</mi> <mi>k</mi> </mrow> </msub> <mo>+</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>m</mi> <mi>t</mi> </msub> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>v</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>h</mi> </munderover> <msub> <mi>Z</mi> <mrow> <mi>j</mi> <mi>t</mi> </mrow> </msub> <msub> <mi>b</mi> <mrow> <mi>j</mi> <mi>v</mi> <mi>t</mi> </mrow> </msub> <msub> <mi>v</mi> <mrow> <mi>v</mi> <mi>k</mi> </mrow> </msub> <mo>&le;</mo> <msub> <mi>T</mi> <mrow> <mi>k</mi> <mi>t</mi> </mrow> </msub> <mo>,</mo> <mi>k</mi> <mo>&Element;</mo> <mo>{</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>3</mn> <mo>}</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <mfrac> <mrow> <munderover> <mo>&Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>T</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <msub> <mi>n</mi> <mi>t</mi> </msub> </munderover> <msub> <mi>Y</mi> <mrow> <mi>i</mi> <mi>t</mi> </mrow> </msub> </mrow> <mrow> <munderover> <mo>&Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>T</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msub> <mi>n</mi> <mi>t</mi> </msub> </mrow> </mfrac> <mo>&GreaterEqual;</mo> <mn>1</mn> <mo>-</mo> <mi>&alpha;</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>

式中:Yit,Zjt是取0,1的决策变量,Yit表示t时刻只能运行在私有云上的第i个请求,nt表示t时刻此类请求的总量;Zjt表示t时刻可以运行在私有云或公有云上的第j个请求,mt表示t时刻此类请求的总量;aivt,bjvt分别表示t时刻只能运行在私有云上的第i个请求对第v种类型虚拟机的请求数量以及表示t时刻可以运行在私有云或公有云上的第j个请求对第v种类型虚机的请求数量;cv代表v类型虚拟机的单位时间价格;tj表示第j个请求的服务时间;vvk代表v类型的虚拟机中k资源的数量;k取1,2,3分别表示资源类型为CPU,memory,storage disk;T表示整个时间槽数量;h表示虚机类型的数量,Tkt表示t时刻k类型资源的总量,α表示拒绝率的阈限;公式(3)限定了t时刻所请求的资源数量不能大于t时刻私有云中空余的资源量;公式(4)限定了平均拒绝率低于阈限值α。

3.根据权利要求1所述的混合云模式中的基于成本考虑的在线服务请求调度方法,其特征在于,所述步骤2包括:

步骤2.1:构造虚拟队列H来记录被拒绝的服务请求数量,计算公式如下:

<mrow> <mi>H</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <mi>max</mi> <mo>{</mo> <mi>H</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>n</mi> <mi>t</mi> </msub> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mi>&alpha;</mi> <mo>)</mo> </mrow> <mo>-</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>n</mi> <mi>t</mi> </msub> </munderover> <msub> <mi>Z</mi> <mrow> <mi>i</mi> <mi>t</mi> </mrow> </msub> <mo>,</mo> <mn>0</mn> <mo>}</mo> </mrow>

H(0)=0

式中:H(t+1)表示t+1时刻被拒绝的服务请求数量,H(t)表示t时刻被拒绝的服务请求数量,H(0)表示0时刻被拒绝的服务请求数量为0;

步骤2.2:构造李雅普诺夫函数及李雅普诺夫偏移,计算公式如下:

<mrow> <mi>L</mi> <mrow> <mo>(</mo> <mi>H</mi> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <msup> <mi>H</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow>

Δ(L(H(t)))=E{L(H(t+1))-L(H(t))|H(t)}

式中:L(H(t))表示H(t)的李雅普诺夫函数,Δ表示李雅普诺夫偏移运算,

L(H(t+1))表示H(t+1)的李雅普诺夫函数;

步骤2.3:求出李雅普诺夫偏移的上限,计算公式如下:

<mrow> <mi>&Delta;</mi> <mrow> <mo>(</mo> <mi>L</mi> <mo>(</mo> <mrow> <mi>H</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>&le;</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <msup> <msub> <mi>n</mi> <mi>t</mi> </msub> <mn>2</mn> </msup> <msup> <mi>&alpha;</mi> <mn>2</mn> </msup> <mo>+</mo> <mi>H</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mi>E</mi> <mo>&lsqb;</mo> <msub> <mi>n</mi> <mi>t</mi> </msub> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mi>&alpha;</mi> <mo>)</mo> </mrow> <mo>-</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>n</mi> <mi>t</mi> </msub> </munderover> <msub> <mi>Y</mi> <mrow> <mi>i</mi> <mi>t</mi> </mrow> </msub> <mo>|</mo> <mi>H</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>&rsqb;</mo> </mrow>

式中:nt表示t时刻只能运行在私有云上请求的总量,E[.|.]表示在H(t)条下的的期望运算;

步骤2.4:构造单时槽优化问题的目标函数,函数如下:

Min:

式中:V表示调节参数,用于控制花销成本和服务拒绝的数量之间的偏重,重新构建单时槽的优化问题如下:

Min:

subject to:

Yit,Zjt∈{0,1}

<mrow> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>n</mi> <mi>t</mi> </msub> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>v</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>h</mi> </munderover> <msub> <mi>Y</mi> <mrow> <mi>i</mi> <mi>t</mi> </mrow> </msub> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>v</mi> <mi>t</mi> </mrow> </msub> <msub> <mi>v</mi> <mrow> <mi>v</mi> <mi>k</mi> </mrow> </msub> <mo>+</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>m</mi> <mi>t</mi> </msub> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>v</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>h</mi> </munderover> <msub> <mi>Z</mi> <mrow> <mi>j</mi> <mi>t</mi> </mrow> </msub> <msub> <mi>b</mi> <mrow> <mi>j</mi> <mi>v</mi> <mi>t</mi> </mrow> </msub> <msub> <mi>v</mi> <mrow> <mi>v</mi> <mi>k</mi> </mrow> </msub> <mo>&le;</mo> <msub> <mi>T</mi> <mrow> <mi>k</mi> <mi>t</mi> </mrow> </msub> <mo>,</mo> <mi>k</mi> <mo>&Element;</mo> <mo>{</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>3</mn> <mo>}</mo> <mo>.</mo> </mrow>

4.根据权利要求1至3中任一项所述的混合云模式中的基于成本考虑的在线服务请求调度方法,其特征在于,所述步骤3中的最优衰减算法包括如下步骤:

步骤A1:获取t时刻所有的请求以及衰减序列d,d是目标函数中的决策变量系数的绝对值从小到大的序列;

步骤A2:获取不考虑所有限制条件时,单时槽优化问题的目标函数的最优解,记为op;

步骤A3:判断op所需的资源量是否小于公有云当前时刻的空余量,若op所需的资源量小于公有云当前时刻的空余量,则执行步骤A4;若op所需的资源量大于等于公有云当前时刻的空余量,则执行步骤A5;

步骤A4:将步骤A3得到的op作为最优解,更新剩余资源量T,令T的值为前一时刻的T的值减去N(Rt)后得到的值,N(Rt)表示t时刻决策所消耗的资源量,结束流程;

步骤A5:根据衰减序列d衰减单时槽优化问题的目标函数后得到新的op值,返回执行步骤A3。

当前第2页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1