[發(fā)明專利]一種基于煙花算法的云平臺能耗優(yōu)化管理方法

在審

• 申請?zhí)枺?/td>: 201811006435.1
• 申請日: 2018-08-30
• 公開（公告）號: CN109614216A
• 公開（公告）日: 2019-04-12
• 發(fā)明（設計）人: 鐘光正;陳平華
• 申請（專利權）人: 廣東工業(yè)大學
• 主分類號: G06F9/50
• 分類號: G06F9/50;G06K9/62
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

1.一種基于煙花算法的云平臺能耗優(yōu)化管理方法，其特征在于，包括以下步驟：

S1：設置算法參數(shù)，隨機產生scale個煙花t＝1；

S2：判斷迭代次數(shù)是否小于最大循環(huán)次數(shù)且優(yōu)化解保持進化，結果為是則進入步驟S3，結果為否則進入步驟S10；

S3：由計算的適應度值；

S4：計算每個煙花生成的火花個數(shù)S_i及每個煙花生成火花的爆炸幅度A_i；

火花個數(shù)S_i和爆炸幅度A_i的計算方法如下：

對于煙花x_i，其爆炸幅度A_i和火花個數(shù)S_i的計算公式分別為

式中：y_min＝min(f(x_i)),(i＝1,2,…,N)為當前煙花種群中適應度最小值，y_max＝max(f(x_i)),(i＝1,2,…,N)是當前煙花種群中適應度最大值，是一個常數(shù)，用來調整爆炸幅度大小；M是一個常數(shù)，用來調整產生的爆炸火花數(shù)目大小，ε是一個極其最小量，用來避免除零操作；

S6：隨機產生火花，判斷產生火花是否屬于步驟S1所產生的煙花，結果為是則進入步驟S3，結果為否則進入步驟S7；

S7：隨機選擇一個煙花并產生一個火花，通過高斯變異在選中的煙花和最好的煙花之間進行變異，產生新的火花，即新的調度解；

S8：根據(jù)映射規(guī)則對火花進行映射；映射規(guī)則即是對火花進行適應度計算，算出該火花的適應度；

S9：評估火花的適應度值并返回步驟S2：其中評估標準為：判斷當前迭代次數(shù)是否大于設定迭代次數(shù)Num且優(yōu)化解是否仍保持進化；既是步驟S2的判斷標準；

S10：輸出最終結果，按照結果將任務分配到節(jié)點中。

2.根據(jù)權利要求1所述的一種基于煙花算法的云平臺優(yōu)化管理方法，其特征在于，步驟S3所述

其中表示解的個體執(zhí)行能耗適應度函數(shù)；表示解的個體負載適應度函數(shù)；由于兩個優(yōu)化目標的數(shù)量級相差較遠，直接相加誤差較大，則需要對兩個結果進行數(shù)值規(guī)范化；通過對兩個結果分別取對數(shù)，再取倒數(shù)，得到各自的適應度函數(shù)。

3.根據(jù)權利要求2所述的一種基于煙花算法的云平臺優(yōu)化管理方法，其特征在于，所述的計算方法轉化為由任務調度器將n個相互獨立的任務分配到m個空閑的資源上(n＞m)的過程，并遵循負載均衡、最優(yōu)跨度、QoS原則，實現(xiàn)資源的充分利用，包括以下步驟：

S3.1：建立任務調度模型；

假設n個任務Task＝{t₁,t₂,…,t_n}，m個節(jié)點M＝{m₁,m₂,…,m_m}，以及p個數(shù)據(jù)中心Datacenter＝{Datacenter₁,Datacenter₂,…,Datacenter_p}；在這個模型中，存在著兩級任務調度，一級是從任務到節(jié)點調度，主要研究任務調度算法，根據(jù)任務的大小、優(yōu)先級以及節(jié)點的處理能力、內存為節(jié)點分配任務策略；另一級是從節(jié)點到數(shù)據(jù)中心的物理主機調度，均衡各個節(jié)點的負載狀況；

S3.2：建立執(zhí)行能耗模型；

執(zhí)行能耗采用主成分分析(PrincipalComponentAnalysis，PCA)方法對輸入數(shù)據(jù)集進行分析，發(fā)現(xiàn){CPU，Cache}對和{Disk，DRAM}對有很高的相關性；因此，把系統(tǒng)負載分成兩大類：CPU密集的負載和I/O密集的負載；單個資源功耗模型表達如下：

P_{cpu,cache}＝a₁+a₂p_cpu+a₃p_cache

P_{DRAM,disk}＝a₄+a₅p_DRAM+a₆p_disk

P_{total}＝P_{cpu,cache}+P_{DRAM,disk}

其中，a₁和a₄是用來調節(jié)系統(tǒng)空閑時的系統(tǒng)能耗，參數(shù)a₂、a₃、a₅、a₆表示權重，p_cpu、p_cache、p_DRAM、p_disk分別表示CPU、Cache、DRAM和Disk各子部件的功耗，P_{cpu,cache}和P_{DRAM,disk}分別表示{cpu,cache}和{DRAM,disk}子系統(tǒng)的功耗，使用這個模型，可以計算節(jié)點總功耗：

其中：P_ij為任務t_i在節(jié)點m_j上的執(zhí)行能耗。則全部節(jié)點的總執(zhí)行能耗為

S3.3：根據(jù)負載均衡策略建立負載模型；

假設所有任務是獨立的，非搶占式的，所有節(jié)點是獨立的，并行的；

節(jié)點m_j在某一時刻的負載定義為

其中：taskLength_j為某時刻節(jié)點m_j服務隊列中的任務長度。則全部節(jié)點的總負載為

節(jié)點m_j的服務能力定義為

serCapacity_j＝proNum_j×MIPS_j+BW_j

其中：proNum_j為節(jié)點m_j的處理器數(shù)量；MIPS_j為每個處理器每秒產生的指令數(shù)量；BW_j為節(jié)點m_j的網(wǎng)絡帶寬能力。則系統(tǒng)最大服務能力為

節(jié)點m_j中所有任務的服務時間定義為

則系統(tǒng)中所有節(jié)點的平均服務時間定義為

各節(jié)點的負載差異可以使用標準差(均方差)來表示，則負載的標準差可定義為

當Load_std越小，系統(tǒng)負載越均衡。

S3.4：進行多目標優(yōu)化；

根據(jù)適應度函數(shù)的設計原則，設為煙花i第t次迭代的火花即解，則擬設計如下適應度函數(shù)來評估煙花i：

其中，表示解的個體執(zhí)行能耗適應度函數(shù)；表示解的個體負載適應度函數(shù)；通過對兩個結果分別取對數(shù)，再取倒數(shù)，得到各自的適應度函數(shù)，再采用最簡便的求和策略來獲得適應度值，則整合兩個優(yōu)化目標的適應度函數(shù)為