在現有關于虛擬化資源優化分配的研究中，應用通常為單層或多層邏輯組成結構. 然而，對于由不同組件服務按照多種組合邏輯( 如順序結構、分支結構、并行結構和循環結構等) 構成的與已有研究不同，本文針對基于 SBS 的云應用的資源優化分配問題，提出了一種以滿足端到端平均響應時間為約束，以最小化資源使用成本為目標的虛擬化資源分配優化模型及其遺傳算法的實現. 在該模型中，定義了組件服務資源配置的概念，并給出了組件服務候選資源配置的確定方法，從而將資源優化分配問題轉換為一個資源配置組合優化問題，進而采用遺傳算法求解. 實驗驗證了本文的資源分配優化模型的有效性，并且表明提出的遺傳算法實現收斂速度快，且與線性規劃算法相比，在較大問題規模上可以快速獲得質量更高的解.
1 基于成本的 SBS
資源分配優化模型本節首先定義組件服務的資源配置，并給出其確定方法，進而將 SBS 資源優化分配建模為一個資源配置的組合優化問題.
1. 1 確定候選資源配置為了確定組件服務的候選資源配置，需要獲取任意資源向量與該組件服務平均響應時間之間的映射關系，本文稱描述該映射關系的模型為組件服務的資源模型. 另外，還要確定資源使用成本的`計算模型，即資源定價模型.
1. 1. 2 資源定價模型實際中，不同的資源類型可以采用多種定價模型，如線性定價模型、指數型定價模型等. 本文假設資源使用成本與資源分配量、資源使用時長呈正比，并對所有資源類型均采用線性定價模
2 基于遺傳算法
求解優化模型根據優化模型可知，組件服務的資源配置組合優化是個 NP 難問題，而遺傳算法是解決最優化問題的有效方法之一，因此本文采用遺傳算法進行求解. 首先，采用一維編碼方式對個體進行二進制編碼，基因位取值滿足式( 5) 和式( 6) ; 然后，采用通用的遺傳算子進行種群的繁殖，為了減少無效解，對交叉操作和變異操作進行了一定限制，使其滿足優化模型的約束條件. 另外，在適應度函數中引入了罰函數，從而降低在解空間中無對應可行解的個體的適應度，加快收斂速度.隨機等距的方式抽取個體，從而更好地保持種群多樣性.交叉算子采用單點交叉. 為了使新的個體仍然滿足約束條件式( 5) ，將交叉點的取值限制為不同段基因的分割點.變異算子采用位點變異，將變異基因位的值取非. 與交叉算子類似，為滿足式( 5) ，如果變異后的值為1，則將該基因位所屬基因段中其他基因位的值均置為0，否則，則在變異后，隨機從該基因位所屬基因段中的其他基因位中選擇一個并取非.最后，本文通過設定遺傳代數作為終止迭代的條件，相比通過設定精度來終止迭代，可以防止由于種群過大、要求精度較高而引起的搜索時間過長的情況.
3 實驗與分析
本節主要驗證本文的遺傳算法的收斂速度，并將其與線性規劃算法在 SBS 資源分配優化模型上解的質量和求解效率兩方面進行比較.
3. 1 實驗設置
3. 2. 1 遺傳算法的收斂速度該組實驗考察本文提出的遺傳算法的收斂速度，這對于在合理時間內求得最優解具有重要意義. 為了使算法能以較大概率收斂到最優解，本文在適應度函數中引入了罰函數，以物理機個數取值15 為例，與未采用罰函數的適應度函數相比較，結果如圖3 所示.根據圖4 可知，對于不同的物理機數量，遺傳算法得到的最小資源使用成本略高于線性規劃算法，而且隨著物理機數量的增加，兩種算法得到的最小資源使用成本均呈降低趨勢，這是由于解空間擴大增加了求得更優解的可能性，同時物理機增多也會有助于減少資源配置之間的沖突，進而產生更多的可行解.2) 求解優化模型消耗的時間. 在求解優化模型時，遺傳算法和線性規劃算法消耗的時間對比結果如圖5 所示.明顯要高于未引入罰函數時，這是因為在解空間中沒有可行解的個體不會遺傳到下一代，因此可在一定程度提高收斂到最優解的概率.
3. 2. 2 與線性規劃比較該組實驗通過物理機數量在 10 ～50 之間的變化，與常用的求解約束優化問題的線性規劃算法在解的質量( 以部署 SBS 的資源使用成本度量) 和求解效率( 以求解優化模型消耗的時間度量) 兩方面進行比較.1) 部署 SBS 的資源使用成本. 遺傳算法和線性規劃算法求得的最小資源使用成本對比如圖 4所示.圖4 最小資源使用成本對比Fig. 4 Comparison of the lowest resource costs根據圖4 可知，對于不同的物理機數量，遺傳算法得到的最小資源使用成本略高于線性規劃算法，而且隨著物理機數量的增加，兩種算法得到的最小資源使用成本均呈降低趨勢，這是由于解空間擴大增加了求得更優解的可能性，同時物理機增多也會有助于減少資源配置之間的沖突，進而產生更多的可行解.2) 求解優化模型消耗的時間. 在求解優化模型時，遺傳算法和線性規劃算法消耗的時間對比結果如圖5 所示.圖5 消耗時間對比Fig. 5 Comparison of solving time根據圖5 可知，兩種算法的時間消耗均隨著物理機數量的增加而呈上升趨勢. 當物理機數較小( 小于25) 時，線性規劃算法的時間消耗要低于遺傳算法; 而當物理機數量較大時，線性規劃算法的時間消耗顯著增加，此時遺傳算法的效率要優于線性規劃.
綜上實驗結果表明: 本文的遺傳算法能夠在可接受的時間內收斂到最優解，并且適應度函數中的罰函數對于提高算法的收斂速度具有比較明顯的效果; 遺傳算法求解得到的資源分配方案的資源使用成本比較接近線性規劃得到的最優解;與線性規劃相比，當組件服務的候選資源配置較多時，本文的遺傳算法可以在更短時間內求得最優資源配置組合.4 結 語本文針對基于SBS 的應用在云環境部署時的資源優化分配問題，提出了一種基于資源配置的組合優化思想、以最小化資源使用成本且滿足應用SLA 和物理機資源約束的資源分配優化模型，并根據該優化模型的特點給出了改進的遺傳算法.
實驗驗證了本文提出的優化模型的有效性，并且表明其基于遺傳算法的實現具有較快的收斂速度，同時可獲得接近線性規劃最優解的資源配置組合，但在問題規模較大時求解效率明顯優于后者.
【面向成本優化的SBS虛擬化資源調配論文】相關文章：
高校人力資源成本會計核算探討論文03-10
歌詞是調配語文大菜的佐料10-07
議論文優化論據：務實08-03
面向大海作文06-03
啤酒畢業論文：企業成本控制01-25
精選成本管理辦法論文11-29
關于巧用遠程教育資源優化漢語拼音教學07-10
《京劇的虛擬性》閱讀答案06-21
虛擬與現實作文05-13
層次化立體化教學大學英語論文02-26