基于云平台的在线服务性产品任务流分配设计与研究

王冠雅

摘  要： 针对云计算环境下满足用户服务质量（QoS）约束条件的在线服务性产品任务流分配问题，提出一种基于QoS约束的差分进化算法（QoS?DE算法），以便实现多目标优化全局最优问题。该算法首先构建了云计算环境下的QoS模型，并对在线服务性产品的工作流分配约束指标进行了分析。然后利用差分进化算法实现约束条件下的计算资源多目标优化模型求解，并通过自适应的惯性权重调节，提高了全局优化能力。CloudSim云仿真平台上的测试结果表明，相比经典Min?Min算法和QoS?GA算法，提出的QoS?DE算法能够将任务合理分配到对应的节点，并在执行时间、执行费用等指标方面上表现出更好的性能。

关键词： 云计算; 服务质量; 差分进化算法; 在线服务任务分配; 多目标优化模型; QoS约束

中图分类号： TN911.1?34; TP393                  文献标识码： A                    文章编号： 1004?373X（2019）19?0132?03

Abstract： In order to solve the problem of task flow assignment of online service products that meet the user′s constraint conditions for quality of service （QoS） in cloud computing environment， a differential evolution algorithm based on QoS constraints （QoS?DE algorithm） is proposed， so as to achieve multi?objective global optimization. The QoS model in the cloud computing environment is constructed for the algorithm. The workflow allocation constraint indicators of online service products are analyzed. The differential evolution algorithm is used to solve the multi?objective optimization model of computational resources under constraint conditions， and the global optimization ability is improved by adaptive inertia weight adjustment. The test results on the CloudSim cloud simulation platform show that， in comparison with the classical Min?Min algorithm and QoS?GA algorithm， the proposed QoS?DE algorithm can reasonably assign tasks to the corresponding nodes， and has better performance in the aspects of execution time and cost indicators.

Keywords： Cloud computing; QoS; differential evolution algorithm; online service task allocation; multi?objective optimization model; QoS constaint

0  引  言

随着互联网时代信息与数据的快速增长，人们对存储资源、带宽和在线计算等网络服务的需求越来越大。云计算作为一种新兴的按需付费计算模式被提出來以便适应这些需求。云计算平台能够将数据中心的资源虚拟化，并充分利用网络上闲置的资源为用户提供服务。但是如何在复杂、动态、异构的环境中对云计算中的各种资源进行合理分配调度，并同时保证满足用户服务质量且系统负载均衡，是云计算的关键技术也是行业中一直关注的热点方向。

传统基于Web 服务技术的在线服务性产品工作流技术存在流程固定、柔韧性较差的问题，无法应对用户的需求迅速增长、复杂性提高的新情况。不少动态资源任务调度算法被提出，例如，文献[1]提出基于CSP的能耗高效云计算资源调度模型与算法，利用约束满足问题对异构云数据中心的能耗优化资源调度问题建模并求解，有效降低了云数据中心物理服务器的能耗。文献[2]提出相对最小执行时间方差的云计算任务调度算法min?variance，在CloudSim云仿真平台测试的负载均衡和最早完成时间方面都达到较好的效果。大多数云计算资源调度问题可以视为一个NP全问题，即多目标优化的问题。因此，文献[3]提出一种基于遗传算法的云计算资源调度策略，通过遗传算法结合在平均负载约束条件下寻求全局负载最优效果，提高了资源利用率。

5  结  语

本文提出基于QoS约束的差分进化算法（QoS?DE算法），能够实现云平台中在线服务性产品任务流分配问题，实现满足用户需求QoS约束条件（执行成本最低和执行时间最短）的计算资源，保证系统的负载均衡并为每个任务寻找合适的计算节点。通过仿真模拟验证了QoS?DE算法在总执行时间和总执行费用这两个指标上的性能表现，优于其他現有的方法。本文QoS约束的内容尚未包括云计算环境下的服务信誉等因素，考虑该因素在内的调度分配研究将会是下一步工作的重点。

参考文献

[1] 林伟伟，刘波，朱良昌，等.基于CSP的能耗高效云计算资源调度模型与算法[J].通信学报，2013，34（12）：33?41.

LIN Weiwei， LIU Bo， ZHU Liangchang， et al. Model and algorithm for energy?efficient cloud computing resource scheduling based on CSP [J]. Journal of communications， 2013， 34（12）： 33?41.

[2] 李水泉，邓泓.相对最小执行时间方差的云计算任务调度算法[J].计算机技术与发展，2018（7）：34?37.

LI Shuiquan， DENG Hong. Min?variance tasks scheduling algorithm for cloud computing system [J]. Computer technology and development， 2018（7）： 34?37.

[3] 徐文忠，彭志平，左敬龙.基于遗传算法的云计算资源调度策略研究[J].计算机测量与控制，2015，23（5）：1653?1656.

XU Wenzhong， PENG Zhiping， ZUO Jinglong. Research on cloud computing resource scheduling strategy based on genetic algorithm [J]. Journal of computer measurement and control， 2015， 23（5）： 1653?1656.

[4] YU W J， SHEN M， CHEN W N， et al. Differential evolution with two?level parameter adaptation [J]. IEEE transactions on cybernetics， 2017， 44（7）： 1080?1099.

[5] WANG J， LIAO J， ZHOU Y， et al. Differential evolution enhanced with multiobjective sorting?based mutation operators [J]. IEEE transactions on cybernetics， 2017， 44（12）： 2792?2805.

[6] ABUL KALAM AZAD M， FERNANDES E M G P. A modified differential evolution based solution technique for economic dispatch problems [J]. Journal of industrial & management optimization， 2017， 8（4）： 1017?1038.

[7] ALI M， SIARRY P， PANT M. An efficient differential evolution based algorithm for solving multi?objective optimization problems [J]. European journal of operational research， 2018， 217（2）： 404?416.

[8] HONG Z， JIANG H， BO L， et al. A framework for truthful online auctions in cloud computing with heterogeneous user demands [J]. IEEE transactions on computers， 2016， 65（3）： 805?818.

[9] WEI Z， LIN Y， SHENG X， et al. Privacy preserving ranked multi?keyword search for multiple data owners in cloud compu?ting [J]. IEEE transactions on computers， 2016， 65（5）： 1566?1577.

[10] WANG Y， LI J， WANG H H. Cluster and cloud computing framework for scientific metrology in flow control [J]. Cluster computing， 2017（1）： 1?10.

[11] YOU C， HUANG K， CHAE H. Energy efficient mobile cloud computing powered by wireless energy transfer [J]. IEEE journal on selected areas in communications， 2016， 34（5）： 1757?1771.

[12] DENG Ruilong， LU Rongxing， LAI Chengzhe， et al. Optimal workload allocation in fog?cloud computing toward balanced delay and power consumption [J]. IEEE internet of things journal， 2017， 3（6）： 1171?1181.