云工作流系統(tǒng)中基于粒子群算法的任務調(diào)度優(yōu)化研究.pdf

1、云計算是一種大型計算資源共享模型。云計算平臺在充分利用海量異構(gòu)分布式資源的同時，可以向用戶提供無處不在、方便、按需的網(wǎng)絡計算資源服務。云計算的關(guān)鍵特征在于按需服務、超大規(guī)模、虛擬化、高可伸縮性和通用性。工作流是一種部分或完全由計算機自動執(zhí)行的業(yè)務流程。工作流管理系統(tǒng)從用戶處接收任務且根據(jù)用戶的需求和任務限制條件為每個任務分配合適的資源。由于云計算的目標是為用戶提供執(zhí)行效率更好且成本更低的資源，并且隨著在云環(huán)境中大規(guī)模電子商務以及科學計算

2、等應用的不斷發(fā)展，使得對云環(huán)境中任務自動分配和執(zhí)行的QoS(Quality of Service)目標的要求不斷提升。因此，如何使得云環(huán)境中的任務調(diào)度和資源分配方案更加合理是一個重要的研究方向。
　　云工作流系統(tǒng)是一種將云計算海量的資源配置與工作流的自主資源分配方法相結(jié)合的產(chǎn)物，云工作流管理系統(tǒng)根據(jù)工作流任務之間的依賴關(guān)系以及任務之間的優(yōu)先級將云計算中的各種可用資源分配給相應的工作流任務。由于在云環(huán)境中資源的使用是有償?shù)?，如果無法

3、以一種合理的方式為這些任務分配合適的資源，那么將會增加云服務提供商的成本，同時也會使云環(huán)境中的各類資源無法得到充分利用。因此，如何通過云工作流系統(tǒng)為用戶所提交的任務分配合適的資源是一項十分重要的問題。
　　針對這一問題，可以在云工作流系統(tǒng)中通過任務調(diào)度算法為不同任務分配合適的資源，早期的云環(huán)境由于規(guī)模不大，云服務提供商所最為關(guān)注的是任務執(zhí)行的費用問題，因此早期云環(huán)境中的任務調(diào)度算法優(yōu)化目標為降低任務執(zhí)行費用。隨著云計算的不斷發(fā)展，

4、用戶對任務執(zhí)行完成時間的要求越來越高，云服務提供商也同時需要較高的資源利用率，此時調(diào)度算法的優(yōu)化目標又轉(zhuǎn)移至降低任務執(zhí)行時間。近年來隨著云計算領域針對QoS優(yōu)化目標的研究不斷興起，使得云工作流任務調(diào)度算法需要同時針對任務執(zhí)行的時間與費用目標進行優(yōu)化。因此，如何將任務執(zhí)行時間與費用兩個目標有效的結(jié)合，進而形成合適的QoS優(yōu)化目標又成為了當下研究的熱點。
　　但是隨著近幾年來云計算行業(yè)的蓬勃發(fā)展以及巨型云數(shù)據(jù)中心的不斷出現(xiàn)，云服務所帶

5、來的巨額能耗成本在總運營成本中所占比重越來越大，如何優(yōu)化與管理大型云數(shù)據(jù)中心的能源消耗是一個巨大的挑戰(zhàn)，通過云工作流管理系統(tǒng)可以管理和優(yōu)化云環(huán)境中的任務調(diào)度，降低服務器運行能耗。然而，現(xiàn)有的云工作流管理系統(tǒng)針對能耗目標優(yōu)化的研究較少，導致任務調(diào)度算法無法充分提高服務器資源利用率，降低任務執(zhí)行能耗。同時現(xiàn)有基于能耗的任務調(diào)度算法僅對任務執(zhí)行時的QoS需求或能耗目標單獨進行優(yōu)化。導致調(diào)度策略在優(yōu)化了服務器能耗的同時，降低了云工作流服務性能指

6、標。這會造成云工作流無法滿足用戶在使用時的QoS需求。因此，如何在保證用戶QoS需求的同時，盡可能降低任務執(zhí)行能耗是一個急需解決的問題。
　　目前云工作流系統(tǒng)常用的任務調(diào)度優(yōu)化算法為粒子群算法，然而傳統(tǒng)慣性權(quán)重的粒子群算法存在易陷入局部最優(yōu)，迭代收斂速度緩慢的缺點。由此導致任務調(diào)度方案的費用與能耗較高。因此，本文首先改進了傳統(tǒng)自適應慣性權(quán)重，新的自適應慣性權(quán)重通過更加精確的描述粒子位置狀態(tài)以增強在算法迭代過程中對慣性權(quán)重的調(diào)整精度

7、。接著提出了一種精細搜索的自適應慣性權(quán)重粒子群算法(Fine Adaptive Inertia Weight-basedParticle Swarm Optimization, FAIWPSO)，然后將該算法分別針對云工作流系統(tǒng)任務調(diào)度方案的執(zhí)行費用與能耗兩個目標分別進行優(yōu)化。提出了兩種任務調(diào)度算法:費用優(yōu)化的粒子群任務調(diào)度算法與能耗感知的粒子群任務調(diào)度算法。
　　本文的主要工作和創(chuàng)新點具體如下:
　　1.針對傳統(tǒng)自適應慣性

8、權(quán)重的粒子群算法易陷入早熟與局部收斂的缺點，對傳統(tǒng)自適應慣性權(quán)重的成功值計算方法進行改進，提出了一種精細搜索的自適應慣性權(quán)重策略的粒子群算法。之后使用該算法對于云工作流任務調(diào)度執(zhí)行費用與能耗目標分別進行了優(yōu)化研究。
　　2.首先針對任務執(zhí)行的費用目標進行研究。將精細搜索的自適應慣性權(quán)重粒子群算法與云工作流任務層調(diào)度的費用模型相結(jié)合提出了一種費用優(yōu)化的自適應慣性權(quán)重粒子群任務調(diào)度算法，對云工作流任務執(zhí)行費用進行優(yōu)化。通過將費用優(yōu)化的

9、自適應慣性權(quán)重粒子群任務調(diào)度算法與其他五種不同慣性權(quán)重的粒子群算法實驗對比，結(jié)果表明費用優(yōu)化的自適應慣性權(quán)重粒子群任務調(diào)度算法在算法收斂性、適應度和任務執(zhí)行費用三方面均優(yōu)于其余算法。
　　3.接著針對任務執(zhí)行的能耗目標進行優(yōu)化研究。根據(jù)任務執(zhí)行能耗計算模型設計了適于評價任務調(diào)度方案執(zhí)行能耗的適應度計算方法。之后結(jié)合精細搜索的自適應粒子群任務調(diào)度算法提出了針對任務執(zhí)行能耗進行優(yōu)化的能耗感知自適應粒子群任務調(diào)度算法。通過與其他幾種慣性

10、權(quán)重的粒子群算法進行實驗對比。結(jié)果表明，能耗感知自適應粒子群任務調(diào)度算法不但收斂穩(wěn)定而且調(diào)度方案的執(zhí)行能耗最低。
　　本文基于當前針對云工作流任務調(diào)度的費用與能耗問題進行了深入的研究。提出了一種精細搜索的自適應慣性權(quán)重粒子群算法，分別針對當前任務調(diào)度優(yōu)化目標中兩個較為重要的目標費用與能耗分別進行研究，提出了針對不同優(yōu)化目標的兩種粒子群任務調(diào)度算法。最終通過實驗證明了兩種算法不僅優(yōu)化了云工作流環(huán)境中的任務執(zhí)行費用與能耗，而且在算法收