云平台下混合服务器差异节点负载均衡调度

张 晨，孙 鹏

(西安科技大学高新学院，陕西 西安 710109)

1 引言

随着网络科技的发展，每天上网浏览的用户越来越多，所留下的数据也愈发的庞大，由于普通的服务器空间、宽带以及内存等配置较低，现阶段管理规划已达不到实际要求，而为了对这些数据进行处理，诞生了云平台技术，该项技术是用硬件资源以及软件资源的服务，满足对数据提供存储、网络以及计算。而云平台下的混合服务能够灵活的进行增配，不会影响使用情况，并且还存在大量数据的处理能力，提供庞大的空间容量，没有空间的限制[1]。

在网络内一个节点就是一个连接点，代表一个再分发点或者是一个通信端点，其节点的定义主要是依赖网络以及协议层，一个物理网络节点就是一个能够连接到网络的有源电子设备，可以利用通信通道进行发送、转发以及接收。所以无源分发点并不是节点。因各节点之间存在差异性，一旦某节点出现问题，需要及时处理。目前云平台下的混合服务器应用于各种商业模式下，其用户的要求多样化、动态化和服务器自身的异构性，会致使其中的数据存在负载不均衡的情况，部分物理机器负载过重，其余物理机器处于空闲状态，导致效率降低，因此需要利用负载均衡调度的方式，来调节物理机器之间的平衡，提高系统效率。传统的负载均衡调度效果较差，不能够完全的利用物理机器，达不到实际应用的效果。所以该项技术一直是国内外研究学者的重要挑战。文献[2]提出一种萤火虫优化的分布式互联网络资源负载均衡分配方法，根据当前服务器的负载情况以及历史数据来制定网络资源调度的映射方案，给出网络负载均衡分配问题的约束条件，将用户任务完成时间最小作为资源负载均衡分配优化的目标函数，通过萤火虫算法找到目标函数值最优的资源负载均衡分配策略。但是该方法的负载均衡调度效果较差、负载均衡度较低。文献[3]提出了一种改进的负载均衡算法，该算法实时采集节点服务器的CPU使用率和内存占用率，综合计算出节点负载，选取最小负载节点作为应用分配节点。但是该方法的系统执行作业耗时较长。

针对上述问题，本文提出一种云平台下混合服务器差异节点负载均衡调度方法。该方法首先提取云平台混合服务器的差异节点特征，再利用遗传算法对其进行负载检测，然后构建一个负载模型，通过神经网络对该负载模型进行处理，实现负载均衡调度，最后通过仿真验证了本文方法的有效性。

2 混合服务器的负载目标特征提取

在云平台下混合服务器的差异节点负载检测流程时，首先要对混合服务器的节点目标负载特征进行提取，以此提供服务器的负载检测基础[4]。

云平台混合服务器的差异节点目标特征建立集合，可以利用V表述，其表达式为

V={V1，V2，…，Vy}

(1)

式中：y代表用来表达全部服务器节点的负载目标特征个数。对服务器节点的负载目标特征提取时，要对负载目标特征的个数所组成的集合提取，同时依据以上公式可以得到不同服务器节点的负载目标特征权重Vl∈V，Yl(E)，且能够有效的进行排序，进而提取云平台下混合服务器的差异节点负载目标特征X(E)，其表达式为

(2)

式中：hl代表云平台下的混合服务器的目标特征个数，R代表所有服务器的差异节点个数，yl代表服务器的节点负载能量数值[5]。

依据上述方法，可以基于得到的云平台下混合服务器的差异节点负载目标特征，对前y个权重比较大的负载目标特征提取，主要表述此服务器所能够覆盖的区域位置，以此为云平台下混合服务器差异节点的检测提供了基础[6]。

3 云平台下混合服务器的差异节点负载检测

依据上述所提取的目标特征，采用遗传算法，可以检测云平台下混合服务器的差异节点负载。在对其进行检测时，采用自然数的编码方式，可以设置染色体的路经以及长度个数。对云平台下混合服务器的差异节点进行编号，把所有节点都作为一个目标特征遗传算法内的染色体。其以上的流程内，染色体长度是已知的，而目标特征遗传算子，只是一个变量[7]。

在正常情况下，要任意选择一组染色体，来作为原始群体，其云平台下混合服务器的差异节点数据信息传输路经编号所构建的集合，可以采用Rj进行表述，而其中，混合服务器的节点数据传输路经最大值，可以利用Yj表述，那么所有的服务器差异节点下的原始染色群体，都能够利用(z1，z2，…，z|L|)表述。

对该混合服务器的差异节点进行负载检测，可以转换为一个极小值计算流程，因此需要采用以下的适应度函数来对节点负载检测方法进行计算，具体公式为

(3)

在目标特征的遗传算法中，其主要包括了变异、交叉以及选择操作，把全部染色体当成交叉单点来进行变异，可以得到全新的染色体种群。

依据适应度函数可以判断目前的染色体是否为最佳解。其检测云平台下混合服务器的差异节点负载的具体流程如下所示：

1)首先设置采用目标特征的遗传算法，来对其原始化的负载进行检测。在进行检测时，计算含有种群内的染色体个数，变异与交叉处理概率，迭代操作的个数最大值。

2)依据适应度的函数，可以计算云平台下混合服务器的差异节点负载检测流程的染色体适应性值。

3)在依据染色体适应性的数值，以此对染色体进行变异、交叉以及选择处理，可以得到全新染色体种群。

4)计算得到的全新种群子代个体适应性。

5)染色体的计数器个数设置可以利用u=0表述，其迭代的操作个数可以利用F表述。以此判断得到的全新染色是否为最佳解，若是最佳解，那么对得到的结果保存；反之，需要执行u=u+1，重新返回至1)，继续计算。

6)如果检测云平台下混合服务器的差异节点负载，其迭代操作次数到达最大值，那么则需要执行5)，且u=u+1；反之，则需要返回至2)继续计算，一直得到最佳解[8]。

依据以上方法，能够有效的检测云平台下混合服务器的差异节点负载情况。

4 混合服务器差异节点的负载均衡调度

4.1 构建差异节点的负载模型

为了对混合服务器的差异节点负载进行均衡调度，利用基于线性的时间序列的方式，构建一个负载模型，其本质上是利用足够多的数值去模拟一个组数据，以此期望获得最优拟合度[9]。

基于线性的时间序列方法模型，在网络流量的变化稳定环境内，具有较好的适应性。且该类方法的复杂度较低，容易实现。

将ARMA转换成ARMA(p，q)，并构建差异节点的负载模型，具体公式如下所示

(4)

式中：xt表示云计算中节点在t时刻过载的负载量；φ表示云环境整体负载；p代表AR模型阶数值，q代表MA模型的阶数值。

在p=0时，则会退化成MA模型；而q=0时，则会退化成AR模型。

其ARMA模型，是建立在假设的时间序列平稳基础之上的，所以只能够使用在目标没有剧烈的变化情况下，相对于网络流量来说，更适用于在较短的时间内以及小局域网的流量变换平稳情况下。

4.2 BP神经网络

BP神经网络是信号的前向传播和误差反向传播。在输入样本的刺激下，通过神经网络不断的对节点间权值改变和阈值的激发，期望获得满意的输出值最佳拟合。而BP神经网络是通过输出层、隐层以及输入层3层构成的。依据Kolmogorov原理，3层神经网络可以表达随意的非线性函数，具体图像如图1所示。

图1 BP神经网络框架图像

BP神经网络的算法流程如下所示：

BP神经网络的前向传播：信号依次通过输入层、隐层和输出层，在前向传播时，输出层生成输出信号，若输出信号能够满足误差的要求，或者是达到训练的次数，那么计算就会结束；反之，若输出信号达不到输出的要求，那么将会转入误差，进行反向传播[10]。

如果输入层具有a个神经单元，那么i代表随意的一个神经元，若隐层具有b个神经元，那么j代表随意的一个神经元，而输出层具有c个神经元，那么k代表随意的一个神经元。vij代表隐层和输入层间点的权值，voi代表隐层的阈值，ujk代表输出层和隐层间的权值，uok代表输出层的阈值。如果Ij是隐层输入，yj是隐层的输出，那么输出层利用Ik作为输入，zk作为输出。利用X=(X1，X2，…Xr，…Xn)来作为训练样本，其实际的输出则是zr=(zr1，zr2，…，zro)，理想的输出为dr=(dr1，dr2，…dro)，r=1，2，…，n。

其输入训练样本Xr，具体的前向传播公式如下所示

(5)

(6)

(7)

(8)

(9)

式中：若E(m)

BP神经网络的误差反向传播：其误差是指网络内的期望值和实际输出值之间的差距，误差先从输出层开始反向向隐层以及输入层传播，传播的过程中，依据所反馈回来的误差，调整网络权值。在每调节一次都会重新的前向传播。而权值的修正流程，同样会致使实际输出越来越逼近期望值，一直满足设置的误差。

其误差反向传播的公式如下所示

(10)

ujk(m+1)=ujk(m)+Δujk(m)

(11)

(12)

vij(m+1)=vij(m)+Δvij(m)

(13)

式中：η是一个给定的整数，代表学习速率。

4.3 负载均衡调度策略实现

通过分析以上信息，假设将系统的目前时段pv视为p(t)，那么预测下个时间段pv为p′(t+1)，系统在目前时段全部后端实例平均CPU利用率为c，而其中0≤c≤1。系统的目前时段采用实例个数为n。利用负载均衡调度策略，实现云平台下混合服务器差异节点负载均衡调度。具体的调度策略如下所示：

由于中小制造企业的小而精的特征，多数企业都专注于某个单独细分产业。以压缩机械产业为例，空气压缩机产业是为我国工业生产提供基础能源的关键行业，需求量大，因而10年内空压机企业在我国大量产生，产生了一批专业化的单一设备生产企业。上游的配套零部件包括铸件、电机、轴承、冷却器、电控系统、压力容器、润滑系统等，也产生了大量专业化的生产企业。由于成功的中小企业大多专心某一个产品，将全部资本和人力都投在上面，效果往往也是最好的。如果能在新经济环境下搭上智能化制造顺风车，必然能极大地提升产品质量，并为“中国2025” 战略提供助力。

1)在n=1并且p′(t+1)>p(t)，那么调度策略则会增加一个负载均衡器的后端实例。

5 实验证明

5.1 实验环境

为了证明本文方法的有效性，在CloudSim平台上进行实验，在实验内模拟一个云计算中心，利用两台真实服务器和一台负载均衡器搭建测试环境，由另外两台测试机将模拟用户的大量访问，测试平台结构如图2所示。

图2 测试平台结构

采用文献[2]提出的分布式互联网络资源负载均衡分配方法、文献[3]提出的改进的ICE中间件负载均衡方法和本文提出的云平台下混合服务器差异节点负载均衡调度方法，通过测试平台对数据中心系统的负载均衡度以及执行作业耗时进行对比。具体实验分成3组，其每一组的服务个数都相等，均为20个，不过由于任务个数不相同，分别为200个、2000个以及20000个。所有的任务都是随机生成，并且大小不相同。

5.2 实验结果和分析

5.2.1 负载均衡调度精度

在随机生成的200任务下，利用以上三种方法对其调度，对比三种方法的混合服务器差异节点负载均衡调度精度，对比结果如表1所示。

表1 三种方法的负载均衡调度精度/%

根据上表能够看出，随着迭代次数的增加，本文方法的混合服务器差异节点负载均衡调度精度也在不断增长，其精度在92.6%～99.8%之间；而文献[2]方法和文献[3]方法的混合服务器差异节点负载均衡调度精度在46.5%～65.7%之间和70.6%～79.9%之间。说明本文方法的负载均衡调度效果最佳，其次是文献[3]方法，而文献[2]方法的负载均衡调度效果最差。本文方法最佳是因为对混合服务器实时负载进行了考虑，能够实现对服务器的动态，赋予权值，并且依据任务种类的复杂程度，任务种类也需要加权计算。而其它两种方法并没有对混合服务器的任务权值以及实时负载情况进行考虑。

5.2.2 负载均衡度

为进一步验证本文方法的有效性，对文献[2]方法、文献[3]方法和本文方法的混合服务器差异节点负载均衡度进行对比分析，对比结果如图3所示。

图3 负载均衡度对比结果

根据图3可知，服务器工作时负载度越平稳，方法的负载均衡效果越好，负载均衡度越高。而本文方法的混合服务器差异节点负载均衡度曲线比文献[2]方法和文献[3]方法的混合服务器差异节点负载均衡度曲线平稳，说明本文方法的负载均衡效果较好，负载均衡度较高。

5.2.3 执行作业耗时

在云平台下，利用文献[2]方法、文献[3]方法和本文方法对混合服务器差异节点进行负载均衡调度，对比三种方法执行作业所用的时间，对比结果如图4所示：

图4 执行作业耗时对比结果

根据图4可知，采用本文方法执行作业所用的时间均少于文献[2]方法、文献[3]方法执行作业所用的时间，说明本文所提云平台下混合服务器差异节点负载均衡调度方法的执行效率较高。

6 结束语

为了解决传统节点负载均衡调度方法均衡调度效果差、执行时间长的问题，本文提出一种云平台下混合服务器差异节点负载均衡调度方法。提取服务器的负载特征，采用目标特征的遗传算法，检测云平台下混合服务器的差异节点负载，通过BP神经网络对构建的线性时间序列模型进行处理，完成负载均衡调度。实验结果表明，本文方法的混合服务器差异节点负载均衡调度效果较好，执行效率较高。