[發明專利]基于文件類型的云負載均衡混合模型

有效

• 申請號: 202111156924.7
• 申請日: 2021-09-30
• 公開（公告）號: CN113867960B
• 公開（公告）日: 2023-08-11
• 發明（設計）人: 趙哲鋒;徐琛;梁雄偉;張鑫;楊光
• 申請（專利權）人: 絲路信息港云計算科技有限公司
• 主分類號: G06F9/50
• 分類號: G06F9/50;G06F16/16;G06F18/2411
• 代理公司: 重慶蘊博君晟知識產權代理事務所(普通合伙) 50223
• 代理人: 王玉芝

本發明提供基于文件類型的云負載均衡混合模型,包括以下步驟，S1：使用支持向量機對云中的文件進行分類；S2：將支持向量機的分類結果輸入到蟻群優化算法中，并在蟻群優化算法中采用多目標方式優化云平臺負載均衡性能。本發明優于現有的負載均衡方法，在云平臺上具有顯著的魯棒性和可靠性。

技術領域

本發明屬于云平臺領域，具體涉及一種用于云平臺的負載均衡算法。

背景技術

如今，云計算正在發揮重要作用。供應商正在利用SaaS、PaaS和IaaS提供優質服務，在過去幾年中，這些服務在公共云計算市場上呈現出巨大增長(約21.5％)。服務質量(QoS)還涉及其他內部和外部因素，如環境問題、經濟、可持續性、績效、能源消耗、新政策和新技術的發展。這意味著云計算的成功在很大程度上取決于供應商和消費者的有效支持策略和智能決策。類似地，其他特性，如負載平衡、可伸縮性、吞吐量、能耗、執行時間、截止時間約束、優化、遷移和響應時間，都被消費者和供應商考慮以維護QoS。由于傳統算法無法有效地解決QoS優化問題，因此今年使用通用啟發式算法來優化云中的QoS。

由于云中數據量巨大且種類繁多，僅提取相關信息就需要更多的資源。當需要處理大規模的、計算復雜的和需要資源的應用程序時，這種情況變得更加令人望而生畏。在這種情況下，數據預處理可以發揮重要作用，其中使用機器學習模型對數據進行離線分類可以顯著減少在線處理階段的執行時間和內存需求。此外，對虛擬機的任務也需要合理分配，以確保最佳的負載均衡。

發明內容

本發明是為了解決現有技術中存在的上述技術問題而做出，其目的在于提出了一種新的高效的負載均衡算法。

本發明利用文件類型進行分類，在SVM和ACO的基礎上，提出了一種新的混合多目標啟發式模型，并且基于遷移時間、吞吐量時間、開銷時間和優化時間等QoS指標對模型進行優化，該模型滿足在云環境中進行高效的負載均衡。

本發明提供基于文件類型的云負載均衡混合模型,包括以下步驟，

S1：使用支持向量機對云中的文件進行分類；

S2：將支持向量機的分類結果輸入到蟻群優化算法中，并在蟻群優化算法中采用多目標方式優化云平臺負載均衡性能。

進一步的，所述步驟S1包括，

S11對支持向量機引入核函數，將原始數據空間轉化為包含點積變換函數的高維空間，核函數如下：

f()是SVM函數，表示非線性函數，u_i表示支持向量，α_i表示拉格朗日乘子，u_j表示成員類標簽，i,j表示節點的編號，N表示節點總數，c表示截距；

S12采用以下多項式核函數使數據線性可分，

S(x,y)＝((x^Ty+1))^d

x是輸入向量，y是成員類標簽，T表示轉秩，d是多項式次,多項式次數根據學習算法進行選擇。

進一步的，所述步驟S2包括，

S21以無向加權圖的形式表示虛擬機網絡，虛擬機網絡表示成一個無向圖G＝(V,E)，V代表虛擬機或節點，E表示具有信息素權重的無向邊，信息素權重表示兩個節點之間的過載和欠載強度，并以信息素的形式更新；

S22初始化信息素，設定初始信息素為0.1，初始信息素值位于兩個節點VMi和VMj之間，在第一次迭代之后，信息素被全局更新，VMi表示第i個節點，VMj表示第j個節點；

S23計算概率，螞蟻k通過如下公式計算穿過邊緣的概率來決定從當前節點VMi移動到下一個節點VMj，