多服务质量约束下基于蜂群优化的网络流量调度方法
【技术领域】
[0001] 本发明是一种适用于在多QoS(QualityofService，服务质量）约束下，采用基于 多目标人工蜂群优化算法（Multi-objectiveArtificialBeeColonyAlgorithm)设计网 络流量调度方案，实现多QoS约束下网络流量负载均衡。本技术属于计算机网络领域。
【背景技术】
[0002] 随着互联网在全球的迅速发展和各种互联网应用的快速普及，网络用户日益增 多，用户对各种网络信息资源的需要及产生的信息越来越多，现有网络的各个核心部分随 着业务量的提高，访问量和数据流量的快速增长，产生的网络流量大幅增长。网络中的流量 存在分布不均匀现象，网络中有些链路因为过负荷产生拥塞现象，而另一些链路却处于闲 置状态，网络流量调度就是针对当前网络规模不断扩大的环境下，存在的网络盲目扩张、资 源利用率不高以及流量总体不均衡等问题而提出的，同时流量在调度过程中受到多QoS约 束的影响，比如时延、带宽、丢包率、时延抖动等，在网络中可以通过保证传输的带宽、降低 传送的时延、降低数据的丢包率以及时延抖动等措施来实现流量负载均衡。
[0003] 网络流量是网络业务的最直接载体，网络流量的调度问题，能够直接反映网络性 能的好坏，也会直接影响网络性能理想状态的网络应当能够承载任何突发流量，突发流量 很容易导致网络整体性能的下降，将会导致网络性能严重下降。并且随着网络用户传递的 信息不断丰富，在网络带宽紧张、成本昂贵的情况下，解决带宽与网络业务之间的矛盾，构 建快速、稳定、高质量的网络，保障关键网络业务传输质量，实现网络资源的充分利用，成为 现代化网络需要解决方案的重要组成部分。互联网覆盖范围广、接入用户多、承载业务复 杂。对于现代化网络覆盖范围广泛，线路资源有限，高速带宽费用昂贵，快速增加的业务流 量与有限的带宽资源之间的矛盾，使得网络上的流量很容易产生拥塞，导致业务延时增加、 流量抖动，用户网络需求无法满足。因此，网络流量调度技术非常重要，分析网络流量特性， 优化网络流量调度性能，是网络流量工程的重要方面。
[0004] 网络流量调度主要研宄在网络用户日益增大，网络资源利用率低、流量总体不均 衡等问题中，如何通过流量调度在多主机-多服务器之间进行合理的流量负载分配，并且 在调度过程中所受到QoS约束最优化。通过对网络流量的采集和分析，建立流量调度多目 标优化函数，将多约束转化成了多目标优化问题，建立流量调度的数学模型，采用基于多目 标人工蜂群优化算法，实现对流量的调度与调整，使得流量按需调度，提升对用户的服务水 平，提高网络资源的利用率，使网络调整工作实现可知、可控，达到工作集中化、信息化、规 范化的要求。
【发明内容】
[0005] 技术问题：本发明的目的是提供一种在多QoS约束下基于蜂群优化的网络流量调 度方法，实现多QoS约束下流量调度，通过本方法可以实现多QoS约束下流量高利用率、低 消耗的流量调度，流量达到负载均衡。
[0006] 技术方案：本发明的方法采用基于多目标人工蜂群优化算法设计网络流量调度方 案，实现多QoS约束下流量调度。通过流量的采集和分析，得出多QoS约束对流量调度的影 响，建立流量调度多目标优化函数，将多约束转化成了多目标优化问题，利用多目标优化建 立流量调度的数学模型，根据数学模型，采用基于多目标人工蜂群优化算法通过不断迭代， 获取调度方案Pareto解集。本发明结合Pareto排序机制、拥挤距离改进适应度函数，采用 Boltzmann策略进行解的选择，该策略可使算法的全局搜索能力更好，种群的多样性也能够 得到提高。利用外部档案记录已经找到的Pareto解，并利用全局信息指导蜂群的邻域搜 索，使找到的Pareto最优解均勾地分布在真实Pareto最优前端上。根据实际情况分析各 目标的重要程度，选择最佳调度方案，实现多QoS约束下的流量调度。
[0007] 本发明的多服务质量约束下基于蜂群优化的网络流量调度方法包含以下的具体 步骤：
[0008] 初始场景设置：
[0009] 步骤1)设置网络环境参数：
[0010] 该参数包括网络中主机的数量以及每个主机需要访问的流量；
[0011] 网络中可访问的服务器数量，每个服务器所承受的负载流量能力；
[0012] 网络中的主机到达目的服务器的时延、流量比重与带宽百分比以及跳数；
[0013] 多QoS约束下基于蜂群优化的网络流量调度：
[0014] 步骤2)对网络流量采集与分析，分析多QoS约束对流量调度的影响，主要考虑的 多QoS约束有主机到服务器的时延、流量比重与带宽百分比、跳数；建立流量调度多目标优 化函数，包括时延函数、流量均衡函数、跳数函数，将多约束转化成了多目标优化问题，利用 多目标优化建立流量调度的数学模型；
[0015] 步骤3)根据所述数学模型，初始化多目标人工蜂群优化算法参数，结合Pareto排 序机制、拥挤距离改进适应度函数，采用Boltzmann策略进行解的选择，利用外部档案记录 已经找到的Pareto解，并利用全局信息指导蜂群的邻域搜索，使找到的Pareto最优解均匀 地分布在真实Pareto最优前端上；通过不断迭代，获取调度方案Pareto前端解集；
[0016] 步骤4)根据实际情况分析各目标的重要程度，选择最佳调度方案；
[0017] 步骤5)控制服务器端将最佳调度方案结果发送给每个主机；
[0018] 步骤6)各主机在收到命令后，将根据最佳调度方案访问目的网络服务器。
[0019]其中：
[0020] 步骤3)中，使找到的Pareto最优解均勾地分布在真实Pareto最优前端上；将其 归纳为以下几个必要的步骤：
[0021] 3. 1.)初始化种群，设定蜜源蜜量参数limit以及最大迭代次数maxcycle，设 cycle= 0,外部档案集合M为空集，按照初始化公式随机生成2N个蜜源，构成规模为2N的 初始种群Pd;
[0022] 3. 2.)对Pcycle利用快速非支配排序法得到非劣前端集F=(F:，F2，…Fm);
[0023] 3. 3.)将非劣前端依次加入一个容量为N的空集H，如果加入Fi(0〈i〈m)时，H内 个体超过N个，则将匕的每个元素按拥挤密度升序排列，依次加入H内直至被填满；
[0024] 3.4.)将Fi加入外部档案中，若满足cycle达到maxcycle，算法结束，外部档案中 的解就是要得到的Pareto解集，否则Peyele+1=H，转3. 5);
[0025] 3.5.)选取外部档案中拥挤距离最大的个体作为人工蜂群的全局信息，令Peyc;le+1 中的蜜源为雇佣蜂蜜源，？。7&+1中的每只雇佣蜂在全局信息的指引下对相应蜜源进行一次 邻域搜索，采用贪婪机制选取蜜源，更新外部档案；待雇佣蜂搜索完毕通过摇摆舞传达观 察蜂，观察蜂通过蜜源适应度值比较当前蜜源对其的吸引度，用Bo1tzmann选择策略选择 一个雇佣蜂蜜源，并在全局信息指引下进行邻域搜索，采用贪婪机制选取蜜源，更新外部档 案；
[0026] 3. 6.)所有观察蜂选择并搜索完毕后，将当代种群中没有更新的蜜源蜜量减1，若 蜜源蜜量小于limit并且不在当前种群的非支配解集中则放弃该蜜源，该蜜源雇佣蜂变成 侦查蜂，并随机产生新的蜜源加入？。 7^+1中；
[0027] 3. 7. )cycle=cycle+1，跳转至 3. 2)。
[0028] 步骤4)中所述的根据实际情况分析各目标的重要程度选择最佳调度方案的方法 将其归纳为以下几点：
[0029] 4. 1.)当实际情况主要考虑流量调度的实时性时，增加时延函数的重要程度，选取 时延函数值最小的调度方案，以保证数据传输的实时性；
[0030] 4. 2.)当实际情况主要考虑流量调度的流量负载均衡时，增加流量均衡函数的重 要程度，选取流量均衡函数值最小的调度方案，以保证网络每个服务器负载均衡；
[0031] 4. 3.)当实际情况主要考虑流量调度的距离时，增加跳数函数的重要程度，选取跳 数函数值最小的调度方案，以保证数据传输距离最小；
[0032] 4. 4.)当实际情况同时考虑多个目标时，综合增加其函数的重要程度，综合选取