基于改进人工蜂群算法的负载均衡感知研究

穆 俊

(滇西科技师范学院 信息工程学院，云南 临沧 677000)

在云计算领域，研究的热点问题是负载均衡，首要目标是实现云计算中心资源池内的每一个物理主机的负载均衡。虚拟机技术是最核心的技术之一，其思想核心即是IaaS框架[1]。云计算环境中，除了多任务部署方法，虚拟机的动态迁移策略也对其高效并行计算有重要影响。一个好的虚拟机动态迁移位置选择策略可以配合多任务部署实现整体的性能优化，促进大数据的高效处理。本研究基于改进的人工蜂群算法，通过引入均匀初始化思想和贝叶斯概率搜索实现了全局搜索与局部收敛能力的提升，进而在保证虚拟机动态迁移性能的前提下实现更好的节能优化。

1 问题的提出

图1 IaaS云计算中心的任务部署示意图

目前，负载均衡感知的研究主要是怎样实现在一个算法周期中的实时负载均衡问题，即在一个算法周期中找出目前部署问题的最优负载均衡主机。这种方式使目前部署问题的最优负载均衡方案过于集中，局限性较大，会降低系统的运行效率，并且用户等待反馈的时间也会不同程度地增加。在IaaS云计算中心，当有任务请求被用户提交后，系统就会对任务部署模块进行调用并将对应的任务部署在云资源池内的物理主机中。在绝大部分的应用云平台内，系统在对拥有充足可用资源剩余量的物理主机进行选用来完成任务的部署时一般都是通过随机的方式进行的。但是，当在某一个主机中部署一个任务，而此物理主机剩余可用资源量与任务所需的资源量几乎相同时，将会加剧此物理主机的工作负荷，并且降低计算能力与服务效果。IaaS云计算中心部署任务的具体案例如图1所示。可以肯定的是，最佳的任务部署方案能够加强云计算中心的负载均衡能力，提升云计算的效率，最终实现最好的服务效果与任务执行效果。因此，必须计一个具有较高效率的负载均衡感知任务部署方案，应用于大数据云计算中心内。

在IaaS云计算中心内，为了保证最大程度提升资源利用率的同时充分发挥系统的对外服务性能，通常应用虚拟机的动态迁移方法，即时调整负荷，改进运行过程中的负载均衡。此外，虚拟机的动态迁移需要支持云计算中心内的大量管理活动。通常来说，有很多个可供使用的候选目标主机，但选用不同的目标主机消耗系统的能源不同。所以，必须设计一个具有较高效率并且节能的虚拟机放置选取方案。为了满足物理主机的性能约束，一个物理主机i的可用剩余资源量Li被定义为如下：

(1)

α+β=1

(2)

任务集合的性能约束值可以被定义为最大的资源请求量，即：

(3)

结合任务请求，界定第i个任务的请求资源量为：

(4)

LB-BC 旨在实现云计算平台的长期负载均衡，可以利用所有主机的剩余负载率的标准差来衡量一个云计算平台的负载均衡程度。具体的期望与标准差的公式为：

(5)

(6)

一个主机i的声誉负载率可以定义为：

(7)

结合上面的公式，优化目标的形式可以最小化为：

(8)

该方法优化了用于部署任务的物理主机集合进而最大程度地从云计算平台长期运营的角度实现云计算平台的最佳负载均衡。

2 基于改进人工蜂群算法的负载均衡感知的方案部署

云计算的并行计算能力是实现大数据高效处理的基础，其核心是任务和虚拟机的调度问题[2]。针对已有任务部署方法的不足，提出了一种针对云平台长期负载均衡的启发式任务部署方法(LB-BC)，它通过将聚类分析与贝叶斯定理相结合实现时间维度的全局负载均衡，进而提升云平台的资源利用率和对外服务能力。同时，为了配合动态虚拟机迁移资源调度进一步节能优化，提出了一种节能感知的启发式虚拟机动态迁移位置选择方法(PS-ABC)。

2.1 负载均衡感知的启发式任务部署方案

LB-BC方案是大数据云计算中心的长时间负载均衡的启发式任务部署过程，主要是整合聚类思想与贝叶斯理论模型。就云计算中心的长时间稳定运行而言，LB-BC方案能够实现系统整体的负载均衡，提升系统的效率与性能[3]，其任务部署流程和逻辑框架如图2和图3所示。首先，监控器获取云计算中心内部n个可用的物理主机的剩余可用资源量和任务请求的资源需求量数据。然后，LB-BC生成部署方案并传递给部署控制器。最后，在一个时间间隔t内，在最优物理主机集合内对应物理主机中会部署完成所有采集到的任务请求。

图2 LB-BC的任务部署流程

图3 LB-BC的逻辑框架

作为检验与评估，对LB-BC部署方案与DLB部署方案进行了对比分析。在完成makespan的基础上，对负载均衡效果的标准偏差进行评估，接着对对外服务性能的吞吐量进行评估，然后对任务部署时间的失败次数进行统计，最后完成标准差值的增加百分比的计算。具体的计算结果如图4所示。测试平台选用了CloudSim模拟器，在云环境实现时，基于对创建不同类别实体及即时增添或者删除数据中心实体的支持来进行。从实验结果看出，LB-BC方案的任务部署失败次数最少，在大规模的连续任务请求部署过程中，云计算中心的负载均衡效果也最好。

2.2 基于改进人工蜂群算法节能感知的虚拟机动态迁移方案

将均匀随机初始化思想引入到经典人工蜂群方法中，能够优化人工蜂群算法，提高全局搜索潜力[4]。为了配合动态虚拟机迁移资源调度而进一步节能优化，同时改善现有虚拟机动态迁移策略的不足，提出了一种节能感知的启发式虚拟机动态迁移位置选择方法(PS-ABC)。PS-ABC基于改进的人工蜂群算法，通过引入均匀初始化思想和贝叶斯概率搜索实现了全局搜索与局部收敛能力的提升，进而在保证虚拟机动态迁移性能的前提下实现更好的节能优化。

3 结果与讨论

本文提出了一种新的任务部署方案LB-BC，将聚类分析与贝叶斯定理相结合，实现了长时间的负载均衡目标。模拟的实验结果表明LB-BC方案实现了在最小的算法复杂度中将云计算中心长时间的全局负载均衡最优的目标，并且在云计算中心内部署任务时具有非常高的效率(如图5所示)。此外，LB-BC方案还能改善云计算中心的对外服务能力与计算效率，最终实现云环境中的大数据的高效处理。同时，提出了一种节能感知的启发式虚拟机动态迁移位置选择方法(PS-ABC),并与均匀随机初始化思想相结合，使得PS-ABC方案在初期的全局搜索能力更强(如图6所示)。此外，本文在PS-ABC方案中引进了几何概型与贝叶斯理论模型，使其能够更加精确与快速地获取全局最优解向量，实现了需求性能的稳定性与能量消耗的高效率(如图7所示)。

图4 标准差值的增加百分比的计算结果 图5 虚拟机动态迁移请求结果

图6 处理器数量加速 图7 云平台负载百分比情况

4 结 语

本文提出了一种新的任务部署方法LB-BC，进一步节能优化，又提出了一种节能感知的启发式虚拟机动态迁移位置选择方法(PS-ABC)。模拟实验结果表明LB-BC方案能改善云计算中心的对外服务能力与计算效率，最终实现云环境中的大数据的高效处理。PS-ABC方案中引进了几何概型与贝叶斯理论模型，使其能够更加精确与快速地获取全局最优解向量，实现了需求性能的稳定性与能量消耗的高效率。