[發(fā)明專利]基于反向混沌布谷鳥搜索的自適應(yīng)權(quán)重負載均衡算法

有效

• 申請?zhí)枺?/td>: 201910837070.5
• 申請日: 2019-09-05
• 公開（公告）號: CN110688219B
• 公開（公告）日: 2022-03-18
• 發(fā)明（設(shè)計）人: 張娜;董亮亮;包曉安
• 申請（專利權(quán)）人: 浙江理工大學
• 主分類號: G06F9/50
• 分類號: G06F9/50;G06F9/48;G06N3/00
• 代理公司: 杭州求是專利事務(wù)所有限公司 33200
• 代理人: 鄭海峰

本發(fā)明公開了一種基于反向混沌布谷鳥搜索的自適應(yīng)權(quán)重負載均衡算法，屬于分布式計算領(lǐng)域。本發(fā)明包括以下步驟：S1：FCFS任務(wù)分配權(quán)重計算；S2，初始化種群個體；S3，對種群個體進行適應(yīng)度評估；S4，根據(jù)反向?qū)W習策略對各維度的解進行評價更新；S5，更新種群，再次迭代；S6，輸出最優(yōu)任務(wù)分配權(quán)重。考慮集群請求任務(wù)分配的特性，建立任務(wù)分配權(quán)重模型。利用混沌變異算子映射到布谷鳥搜索種群的策略，處理搜索過程中每一階段的最優(yōu)解選擇和劣解更新。通過反向?qū)W習的多樣性因子對不同階段中的鳥窩位置進行調(diào)整。通過改進后的算法使得尋找最優(yōu)解的效率得到提高，從而有效提高了布谷鳥搜索的尋優(yōu)效率并且更加適合于集群的負載均衡。

技術(shù)領(lǐng)域

本發(fā)明屬于分布式計算領(lǐng)域，具體涉及一種基于反向混沌布谷鳥搜索的自適應(yīng)權(quán)重負載均衡算法。

背景技術(shù)

隨著互聯(lián)網(wǎng)的高速發(fā)展，各類網(wǎng)絡(luò)化信息系統(tǒng)規(guī)模越來越大，“大促”和“秒殺”等業(yè)務(wù)場景使得訪問流量呈幾何級數(shù)增長。Web集群使用多個節(jié)點服務(wù)器分擔客戶端請求的壓力，從而增加整個站點系統(tǒng)的擴展能力與容錯能力，提高系統(tǒng)響應(yīng)效率與可靠性。Web集群經(jīng)常出現(xiàn)負載失衡的情況，使得系統(tǒng)利用率低，用戶請求得不到快速響應(yīng)，服務(wù)質(zhì)量急劇下降。因此，如何高效地均衡各服務(wù)器節(jié)點的負載是服務(wù)器集群需要解決的關(guān)鍵問題。

布谷鳥算法作為一種比較新的啟發(fā)式搜索算法，具有參數(shù)設(shè)置少、執(zhí)行速度快、易實現(xiàn)等特點。目前，一些學者基于改進布谷鳥搜索算法建立了一些云計算資源調(diào)度模型，將CS算法應(yīng)用于云計算環(huán)境，有效地提高了云計算資源調(diào)度的效率。分析發(fā)現(xiàn)，基于布谷鳥搜索的云資源調(diào)度模型并不完全適用于Web集群的負載均衡調(diào)度，且算法本身隨機游走可能導(dǎo)致收斂速度緩慢，不利于全局尋優(yōu)。

本文提出了一種基于反向混沌布谷鳥搜索的自適應(yīng)權(quán)重負載均衡算法(AdaptiveWeight Load Balance Algorithm Based on Opposition Chaos Cuckoo Search，AW-OCCS)。該算法選取服務(wù)器節(jié)點的CPU、內(nèi)存、磁盤IO、網(wǎng)絡(luò)帶寬資源作為綜合負載指標，根據(jù)各指標的實時狀態(tài)建立任務(wù)分配模型和目標優(yōu)化方程。在布谷鳥搜索中引入混沌變異算子來選擇每一個階段中鳥窩最佳位置，對迭代過程中的劣解進行混沌變異更新。引入反向?qū)W習的多樣性因子對不同階段中的鳥窩位置進行調(diào)整，通過改進后的布谷鳥算法使得尋找最優(yōu)解的效率得到提高，同時提高了算法收斂速度。

發(fā)明內(nèi)容

本發(fā)明的目的是將布谷鳥算法應(yīng)用在Web集群負載均衡中以提高任務(wù)分配效率，將自適應(yīng)任務(wù)分配權(quán)重模型(Adaptive Weight Model，簡稱AW)與反向混沌布谷鳥算法(Opposition Chaos Cuckoo Search，縮寫OCCS)相結(jié)合，形成一種AW-OCCS算法，提供了一種更加有效的集群負載均衡方法。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：

一種基于反向混沌布谷鳥搜索的自適應(yīng)負載均衡算法，包括如下步驟：

A、選取服務(wù)器節(jié)點的綜合負載指標，采用FCFS調(diào)度算法進行請求任務(wù)的調(diào)度，確定一組初始任務(wù)分配權(quán)重向量；

B、根據(jù)初始任務(wù)分配權(quán)重向量對種群進行初始化，計算每個布谷鳥對應(yīng)的目標函數(shù)，根據(jù)Logistic混沌信號變異得到初始種群的解；

C、對種群個體進行適應(yīng)度評估，在迭代過程中尋找種群最優(yōu)解，根據(jù)反向?qū)W習策略對各維度的解進行評價更新，并對迭代過程中的劣解進行混沌變異更新，直到達到最大迭代次數(shù)，得到最終最優(yōu)解；

D、根據(jù)步驟C生成的最終最優(yōu)解，采用Logistic混沌信號變異生成最終任務(wù)分配權(quán)重向量并輸出，指導(dǎo)服務(wù)器節(jié)點的任務(wù)調(diào)度。

進一步的，所述步驟A具體為：