分布式绿色云数据中心利润和性能敏感的多目标任务调度方法与流程

文档序号:16631518发布日期:2019-01-16 06:37阅读:144来源:国知局
分布式绿色云数据中心利润和性能敏感的多目标任务调度方法与流程

本发明涉及云计算数据中心任务调度技术领域。更具体地,涉及一种分布式绿色云数据中心利润和性能敏感的多目标任务调度方法。



背景技术:

云计算数据中心(简称云数据中心)是一个典型的信息物理系统,包括计算机系统、通信系统和处理服务器与客户端之间信息的数据存储系统等。随着部署在云数据中心中的应用种类和数量的快速增长,云数据中心通常需要数以百万计的服务器和冷却设施以支撑这些应用的运行。因此,这些云数据中心提供商往往要花费数十亿美元用于维持其电力和冷却系统的运行。此外,大量的能量消耗同时也会导致碳排放量的增加。因此,非常有必要构建高效节能的支持可再生能源的绿色云数据中心。然而,虽然降低云数据中心的功耗能够降低其运维成本,但却不能最大化云数据中心执行用户的任务而带来的利润。主要原因在于如果只关注于降低云数据中心的能量消耗,用户任务的服务质量就难以有效地得到保障。而如果用户没有得到满意的服务,会逐渐转向其他云数据中心提供商,因此会降低云数据中心的利润。因此,需要同时综合考虑如何降低云数据中心的能量消耗以及如何最小化用户任务的损失率。

而典型的云数据中心由分布异地的云数据中心以及网络服务提供商组成。为保证应用的低延迟和高可用性,每个应用往往部署在多个位于不同地理位置的云数据中心中。此外,用户和每个云数据中心之间往往存在着多个可用的网络服务提供商,这些网络服务提供商主要负责传输在用户和每个云数据中心之间流通的任务及响应数据。目前这些网络服务提供商每天传输的数据量超过1pb。每个网络服务提供商的可用带宽容量和单位带宽使用价格均存在一定的差异。为保证用户的应用任务的性能,云数据中心提供商与用户之间往往会协商并签订服务等级协议。该协议中确定了应用任务的执行需要向云数据中心提供商支付的费用,以及当应用任务不能在其延迟要求内得到执行时,云数据中心提供商向用户支付的惩罚费用。而根据服务等级协议,每个应用的任务为云数据中心带来的收益也存在差异。此外,由于每个云数据中心所处的地理位置不同,因此其所在地的电网电力价格、太阳辐射强度、风速、最大可用的能量等因素也存在差异。

为提高云数据中心的能量效率,现有的研究方法多采用多级协调改进的电源管理方案,从而更好地控制服务器、网络路由器等设备的电压、电流、闲时功率等。然而,这些方案的实施成本往往较大。因此,绿色云数据中心提供商需要一种利润和性能敏感的多目标任务调度方法,通过为所有应用的任务确定在多个网络服务提供商之间的划分策略,以及确定每个云数据中心需要开启的服务器的数量,来最大化云数据中心提供商的利润并最小化用户任务的损失率。



技术实现要素:

本发明的目的在于提供一种分布式绿色云数据中心利润和性能敏感的多目标任务调度方法,综合考虑电网电力价格、太阳辐射强度、风速、最大可用的能量、可用带宽容量、单位带宽使用价格等因素在不同地理位置的变化,能够为所有应用的任务确定在多个网络服务提供商之间的划分策略,以及确定每个云数据中心需要开启的服务器的数量,从而最大化云数据中心提供商的利润并最小化用户任务的损失率。

为达到上述目的,本发明采用下述技术方案:

根据本发明的一个方面,建立了分布式绿色云数据中心多类型任务调度的多目标非线性约束优化模型,包括:确定分布式绿色云数据中心提供商利润和用户任务损失率的定义方式;确定执行所有应用任务所需的总能量的计算方式;建立风能和太阳能的计算方式;每个绿色云数据中心可用能量的限制约束、对每个网络服务提供商可用带宽容量的限制约束、每个绿色云数据中心最大可用服务器个数的限制约束、应用任务的延迟约束、每个应用任务队列的稳定性约束等进行建模。进而最终得到分布式绿色云数据中心中最大化云数据中心提供商的利润并最小化用户任务的损失率的任务调度的多目标约束优化模型。

根据本发明的另一方面,提供了一种分布式绿色云数据中心利润和性能敏感的多目标任务调度方法,包括:设计一种惩罚函数方法,可将多目标约束优化模型转化为单目标无约束优化模型;采用多目标粒子群优化算法,来求解单目标无约束优化模型,获得分布式绿色云数据中心利润和性能敏感的多目标任务调度策略,从而最大化云数据中心提供商的利润并最小化用户任务的损失率。

根据本发明的上述方面,针对目前面向多应用任务的分布式绿色云数据中心架构特点,在分布式绿色云数据中心利润和性能敏感的多目标任务调度方法基础上,综合考虑电网电力价格、太阳辐射强度、风速、最大可用的能量、可用带宽容量、单位带宽使用价格等因素在不同地理位置的变化,达到最大化云数据中心提供商的利润并最小化用户任务损失率的目的。

综上,分布式绿色云数据中心利润和性能敏感的多目标任务调度方法,包括如下步骤:

s1、针对多种类型应用的任务,建立由不同网络服务提供商和多个绿色云数据中心组成的面向多应用任务的分布式绿色云数据中心架构;

s2、基于该架构,建立分布式绿色云数据中心中最大化云数据中心提供商利润并最小化用户任务损失率的任务调度的多目标约束优化模型;

s3、采用惩罚函数方法将多目标约束优化模型转化为对应的单目标无约束优化模型;

s4、采用多目标粒子群优化算法求解单目标无约束优化模型,实现分布式绿色云数据中心利润和性能敏感的多目标任务调度,从而最大化云数据中心提供商的利润并最小化用户任务的损失率。

优选地,所述多目标约束优化模型的优化目标为最大化云数据中心提供商的利润并最小化用户任务的损失率所述多目标约束优化模型为:

其中,表示时间间隔τ内绿色云数据中心c中对应于应用n的开启的服务器的个数;表示时间间隔τ内通过网络服务提供商k传输到绿色云数据中心c中的应用n的任务到达率;表示绿色云数据中心提供商c的总收入;表示绿色云数据中心提供商c的总成本;表示所有绿色云数据中心所有应用的平均任务损失率。

优选地,所述多目标约束优化模型的优化目标中,分布式绿色云提供商的总收入具体为:

其中,c表示绿色云数据中心的个数;n表示应用的个数;表示时间间隔τ内绿色云数据中心c中应用n对应的收入。

优选地,所述多目标约束优化模型的优化目标中,时间间隔τ内绿色云数据中心c中应用n对应的收入具体为:

其中,表示时间间隔τ内绿色云数据中心c中应用n的任务损失率;k表示网络服务提供商的个数;l表示每个时间间隔的长度;θn表示执行每个应用n的任务带来的收入;表示拒绝每个应用n的任务导致的惩罚费用。

优选地,所述多目标约束优化模型的优化目标中,绿色云数据中心提供商c的总成本具体为:

其中,表示时间间隔τ内,绿色云数据中心c中执行应用n的任务所消耗的电力成本;表示在用户和绿色云数据中心之间传输任务数据所需要的网络带宽成本。

优选地,所述多目标约束优化模型的优化目标中,绿色云数据中心c中执行应用n的任务所消耗的电力成本具体为:

其中,表示时间间隔τ内绿色云数据中心c的电网电力价格;表示时间间隔τ内绿色云数据中心c消耗的总能量;表示绿色云数据中心c在时间间隔τ内执行所有应用任务所消耗的太阳能能量;表示绿色云数据中心c在时间间隔τ内执行所有应用任务所消耗的风能能量。

优选地,所述多目标约束优化模型的优化目标中,绿色云数据中心c在时间间隔τ内执行所有应用任务所消耗的太阳能能量具体为:

其中,κc表示绿色云数据中心c中太阳辐射到电的转换率;表示绿色云数据中心c中太阳能电池板的有效照射面积;表示绿色云数据中心c在时间间隔τ内的太阳辐射强度。

优选地,所述多目标约束优化模型的优化目标中,绿色云数据中心c在时间间隔τ内执行所有应用任务所消耗的风能能量具体为:

其中,υc表示绿色云数据中心c中风到电的转换率;αc表示绿色云数据中心c中的现场空气密度;表示绿色云数据中心c中风力发电机的转子面积;表示绿色云数据中心c在时间间隔τ内的风速。

优选地,所述多目标约束优化模型的优化目标中,绿色云数据中心c中执行应用n的任务所消耗的电力成本具体为:

其中,表示时间间隔τ内网络服务提供商的单位带宽价格;sn表示每个应用n的任务的大小。

优选地,所述多目标约束优化模型的优化目标中,所有绿色云数据中心所有应用的平均任务损失率具体为:

优选地,所述多目标约束优化模型的约束包括:在时间间隔τ内,通过所有网络服务提供商到达所有绿色云数据中心的任务到达率之和等于对应应用n的任务到达率:

其中,表示时间间隔τ内应用n的任务到达率。

优选地,所述多目标约束优化模型的约束包括:在时间间隔τ内,绿色云数据中心c开启的对应于应用n的服务器的个数不能超过对应于可用的服务器个数

其中,表示绿色云数据中心c对应于应用n的可用的服务器的个数。

优选地,所述多目标约束优化模型的约束包括:在时间间隔τ内绿色云数据中心c中应用n的任务到达率应小于

其中,表示绿色云数据中心c中对应于应用n的每个开启的服务器单位时间能够处理的任务个数。

优选地,所述多目标约束优化模型的约束包括:在时间间隔τ内,通过网络服务提供商k传输的所有任务所占用的总带宽要小于等于其对应的网络带宽容量限制:

其中,ψk表示网络服务提供商k的最大可用的网络带宽容量。

优选地,所述多目标约束优化模型的约束包括:在时间间隔τ内,绿色云数据中心c执行不同应用的任务所消耗的能量不超过其最大可用的能量:

其中,表示绿色云数据中心c中最大可用的能量;表示绿色云数据中心c中对应于应用n的每个服务器的平均闲时功率;ηc表示绿色云数据中心c的pue(powerusageeffectiveness)值;表示绿色云数据中心c中对应于应用n的每个服务器的平均峰时功率;表示绿色云数据中心c中对应于应用n的任务队列的容量。

优选地,采用惩罚函数方法将多目标约束优化模型转化为对应的单目标无约束优化模型,具体为:将多目标约束优化模型中每个约束转化为相应的惩罚项,得到如下罚函数:

其中,γ表示对应于多目标约束优化模型的惩罚函数的值;g表示不等式约束的个数;h表示等式约束的个数;表示每个不等式约束对应的惩罚项;表示每个等式约束对应的惩罚项。令θ表示转化后的单目标无约束优化模型的目标函数值:其中a与b是两个权重系数,σ是一个大的正数,以反映目标函数对γ的敏感程度。

优选地,采用多目标粒子群优化算法求解单目标无约束优化模型,具体为:

(1)初始化种群中的粒子和用于保存当前搜索到的非劣解的archive集,并初始化粒子群优化算法的参数,从而生成初始群体p1;然后把p1的非劣解拷贝到archive集中得到a1;令t表示当前进化代数,在t小于给定的总进化代数时依次执行(2)到(4);

(2)进化产生下一代种群,令j表示当前进化的粒子编号,在j小于种群中粒子个数时完成如下1)至3)的内容;

1)计算archive集中粒子的密度信息,即把目标空间用网格等分成小区域,以每个小区域中包含的粒子数作为粒子的密度信息;粒子所在网格包含的粒子数越多,其密度值越大,反之越小;

2)在at中为种群pt中的粒子pt,j选择局部最优粒子pt,j和全局最优粒子gt,该粒子的质量决定了多目标粒子群优化算法的收敛性能和非劣解集的多样性;其选择依据是archive集中粒子的密度信息;具体地,对于at中的粒子,其密度值越低,选择的概率就越大,反之越小;用at中的粒子优于种群中的粒子数来评价其搜索潜力,优于种群中的粒子数越多,其搜索潜力越强,反之越弱;

3)更新种群中每个粒子的位置和速度,每个粒子在pt,j和gt的引导下搜索最优解;

(3)archive集的截断操作

当archive集中的粒子数超过了规定的大小时,需要删除部分多余的粒子以维持archive集的稳定规模。对于粒子数多于1个的网格k,计算该网格中要删除的粒子数pn,随机选择pn个粒子然后将之从该网格中删除;

(4)输出archive集中的粒子信息。

以此循环,直到达到给定的总进化代数,即得到能够实现分布式绿色云数据中心利润和性能敏感的多目标任务调度策略,从而最大化云数据中心提供商的利润并最小化用户任务的损失率。

本发明的有益效果如下:

本发明所述技术方案能够解决分布式绿色云数据中心中,电网电力价格、太阳辐射强度、风速、最大可用的能量等因素在不同地理位置的变化以及网络服务提供商的可用带宽容量、单位带宽使用价格等给任务调度带来的难题,并使得分布式绿色云数据中心提供商能够智能地调度多类型应用的任务。且本发明所述技术方案采用了多目标粒子群优化算法求解采用惩罚函数方法转化的单目标无约束优化模型,能够最大化云数据中心提供商的利润并最小化用户任务的损失率。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明;

图1示出分布式绿色云数据中心利润和性能敏感的多目标任务调度方法的流程图。

图2示出面向多应用任务的分布式绿色云数据中心架构图。

具体实施方式

为了更清楚地说明本发明,下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。

如图1和图2所示,本发明公开的一种分布式绿色云数据中心利润和性能敏感的多目标任务调度方法,包括如下步骤:

s1、针对多种类型应用的任务,建立由不同网络服务提供商和多个绿色云数据中心组成的面向多应用任务的分布式绿色云数据中心架构:

多个不同类型的应用运行在分布式的多个绿色云数据中心。来自世界各地的用户通过终端设备(如笔记本、智能手机、台式机等)向位于不同地理位置的多个绿色云数据中心发送多个应用的任务。这些应用的任务流通过多个不同的网络服务提供商传输到后端的多个绿色云数据中心中。而每个位于不同地理位置的绿色云数据中心含有数以百万计的服务器,主要通过风能、太阳能和电网的电能等获取能量来源。此外,为保证应用的低延迟和高可用性,每个应用往往部署在多个位于不同地理位置的云数据中心中,并且每个应用所需的数据在不同的绿色云数据中心中保持一致。根据太阳能、风能和电网电能的数据(如电网电能价格、太阳辐射强度、风速等),本发明公开的方法能够为所有应用的任务确定在多个网络服务提供商之间的划分策略,以及确定每个云数据中心需要开启的服务器的数量,来最大化云数据中心提供商的利润并最小化用户任务的损失率。

s2、基于该架构,建立分布式绿色云数据中心中最大化云数据中心提供商利润并最小化用户任务损失率的任务调度的多目标约束优化模型:

本发明采用一种分布式绿色云数据中心提供商的利润的计算方法,来计算执行所有应用的任务为分布式绿色云数据中心提供商带来的利润,多目标约束优化模型的优化目标为最大化云数据中心提供商的利润并最小化用户任务的损失率具体为:

其中,表示时间间隔τ内绿色云数据中心c中对应于应用n的开启的服务器的个数;表示时间间隔τ内通过网络服务提供商k传输到绿色云数据中心c中的应用n的任务到达率;表示绿色云数据中心提供商c的总收入;表示绿色云数据中心提供商c的总成本;表示所有绿色云数据中心所有应用的平均任务损失率。

上述多目标约束优化模型的优化目标中,分布式绿色云提供商的总收入具体为:

其中,c表示绿色云数据中心的个数;n表示应用的个数;表示时间间隔τ内绿色云数据中心c中应用n对应的收入。

上述多目标约束优化模型的优化目标中,时间间隔τ内绿色云数据中心c中应用n对应的收入具体为:

其中,表示时间间隔τ内绿色云数据中心c中应用n的任务损失率;k表示网络服务提供商的个数;l表示每个时间间隔的长度;θn表示执行每个应用n的任务带来的收入;表示拒绝每个应用n的任务导致的惩罚费用。

上述多目标约束优化模型的优化目标中,绿色云数据中心提供商c的总成本具体为:

其中,表示时间间隔τ内,绿色云数据中心c中执行应用n的任务所消耗的电力成本;表示在用户和绿色云数据中心之间传输任务数据所需要的网络带宽成本。

上述多目标约束优化模型的优化目标中,绿色云数据中心c中执行应用n的任务所消耗的电力成本具体为:

其中,表示时间间隔τ内绿色云数据中心c的电网电力价格;表示时间间隔τ内绿色云数据中心c消耗的总能量;表示绿色云数据中心c在时间间隔τ内执行所有应用任务所消耗的太阳能能量;表示绿色云数据中心c在时间间隔τ内执行所有应用任务所消耗的风能能量。

上述多目标约束优化模型的优化目标中,绿色云数据中心c在时间间隔τ内执行所有应用任务所消耗的太阳能能量具体为:

其中,κc表示绿色云数据中心c中太阳辐射到电的转换率;表示绿色云数据中心c中太阳能电池板的有效照射面积;表示绿色云数据中心c在时间间隔τ内的太阳辐射强度。

上述多目标约束优化模型的优化目标中,绿色云数据中心c在时间间隔τ内执行所有应用任务所消耗的风能能量具体为:

其中,υc表示绿色云数据中心c中风到电的转换率;αc表示绿色云数据中心c中的现场空气密度;表示绿色云数据中心c中风力发电机的转子面积;表示绿色云数据中心c在时间间隔τ内的风速。

上述多目标约束优化模型的优化目标中,绿色云数据中心c中执行应用n的任务所消耗的电力成本具体为:

其中,表示时间间隔τ内网络服务提供商的单位带宽价格;sn表示每个应用n的任务的大小。

上述多目标约束优化模型的优化目标中,所有绿色云数据中心所有应用的平均任务损失率具体为:

上述多目标约束优化模型的约束包括下述(1)~(5):

(1)在时间间隔τ内,通过所有网络服务提供商到达所有绿色云数据中心的任务到达率之和等于对应应用n的任务到达率:

其中,表示时间间隔τ内应用n的任务到达率。

(2)在时间间隔τ内,绿色云数据中心c开启的对应于应用n的服务器的个数不能超过对应于可用的服务器个数

其中,表示绿色云数据中心c对应于应用n的可用的服务器的个数。

(3)为保证在时间间隔τ内绿色云数据中心c中应用n的任务队列的稳定性,在时间间隔τ内绿色云数据中心c中应用n的任务到达率应小于具体为:

其中,表示绿色云数据中心c中对应于应用n的每个开启的服务器单位时间能够处理的任务个数。

(4)在时间间隔τ内,通过网络服务提供商k传输的所有任务所占用的总带宽要小于等于其对应的网络带宽容量限制,具体为:

其中,ψk表示网络服务提供商k的最大可用的网络带宽容量。

(5)在时间间隔τ内,绿色云数据中心c执行不同应用的任务所消耗的能量不超过其最大可用的能量,具体为:

其中,表示绿色云数据中心c中最大可用的能量;表示绿色云数据中心c中对应于应用n的每个服务器的平均闲时功率;ηc表示绿色云数据中心c的pue(powerusageeffectiveness)值;表示绿色云数据中心c中对应于应用n的每个服务器的平均峰时功率;表示绿色云数据中心c中对应于应用n的任务队列的容量。

s3、采用惩罚函数方法将多目标约束优化模型转化为对应的单目标无约束优化模型;

将步骤s2得到的多目标约束优化模型中每个约束转化为相应的惩罚项,得到如下罚函数:

其中,γ表示对应于多目标约束优化模型的惩罚函数的值;g表示不等式约束的个数;h表示等式约束的个数;表示每个不等式约束对应的惩罚项;表示每个等式约束对应的惩罚项。

令θ表示转化后的单目标无约束优化模型的目标函数值:其中a与b是两个权重系数,σ是一个大的正数,以反映目标函数对γ的敏感程度。

s4、采用多目标粒子群优化算法求解单目标无约束优化模型,实现分布式绿色云数据中心利润和性能敏感的多目标任务调度,从而最大化云数据中心提供商的利润并最小化用户任务的损失率:

(1)初始化种群中的粒子和用于保存当前搜索到的非劣解的archive集,并初始化粒子群优化算法的参数,从而生成初始群体p1;然后把p1的非劣解拷贝到archive集中得到a1;令t表示当前进化代数,在t小于给定的总进化代数时依次执行(2)到(4);

(2)进化产生下一代种群,令j表示当前进化的粒子编号,在,小于种群中粒子个数时完成如下1)至3)的内容;

1)计算archive集中粒子的密度信息,即把目标空间用网格等分成小区域,以每个小区域中包含的粒子数作为粒子的密度信息;粒子所在网格包含的粒子数越多,其密度值越大,反之越小;

2)在at中为种群pt中的粒子pt,j选择局部最优粒子pt,j和全局最优粒子gt,该粒子的质量决定了多目标粒子群优化算法的收敛性能和非劣解集的多样性;其选择依据是archive集中粒子的密度信息;具体地,对于at中的粒子,其密度值越低,选择的概率就越大,反之越小;用at中的粒子优于种群中的粒子数来评价其搜索潜力,优于种群中的粒子数越多,其搜索潜力越强,反之越弱;

3)更新种群中每个粒子的位置和速度,每个粒子在pt,j和gt的引导下搜索最优解;

(3)archive集的截断操作

当archive集中的粒子数超过了规定的大小时,需要删除部分多余的粒子以维持archive集的稳定规模。对于粒子数多于1个的网格k,计算该网格中要删除的粒子数pn,随机选择pn个粒子然后将之从该网格中删除;

(4)输出archive集中的粒子信息。

以此循环,直到达到给定的总进化代数,即得到能够实现分布式绿色云数据中心利润和性能敏感的多目标任务调度策略,从而最大化云数据中心提供商的利润并最小化用户任务的损失率。

显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

当前第1页1 2 
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