基于效益自適應的虛擬云資源計算研究

黃金鳳

(福建船政交通職業學院，福建 福州 350007)

0 引言

現有的云數據中心環境主要是由物理服務器組成。近年來，由于“互聯網+”和大數據等各類技術的推廣而產生的海量數據，加劇了云數據中心環境的負載。這對云環境中的物理計算資源響應度而言無疑是一個嚴峻的挑戰。虛擬服務器節點計算資源被業界視為解決該問題的最佳途徑之一，也就是一個物理服務器節點可根據云端用戶提請的任務請求規模在某一時刻為該任務釋放虛擬計算資源。為使云環境中的虛擬計算資源更高效地服務于云用戶任務請求，遺傳算法成為研究熱點。諸如，杜艷明等[1]構思了一種基于業務優先級的云任務調度算法，該算法旨在充分利用遺傳算法優質基因選擇的思路，為不同優先級的云任務適配最合適的虛擬資源節點，以開展基于QoS約束的海量數據云計算，但并未提及云任務的時間代價控制思路。為解決該問題，鄭迎鳳等[2]設計了一種基于時效的云任務分配算法，該算法通過優化遺傳算法迭代效率，降低迭代計算頻率，同時設計最小化云任務計算在時間上的目標函數，來縮短云任務的執行時間，然而卻忽略了云環境中不同的虛擬服務器節點，因個體差異可能導致任務在接受云計算后的反饋時間也存在差異性。針對此不足，侯松[3]提出了一種基于雙層約束的遺傳算法(IGA)，該算法在交叉變異環節引入測算因子，為云用戶任務引入多云環境。通過調度多個虛擬資源節點來平衡云系統負載并降低云任務的執行時間，但依舊未顧及單個虛擬服務器節點計算資源在特定時間內響應該云任務而引發的損耗問題。顯然相關主流研究在基于遺傳算法優勢的基礎上，即便做出了改進也僅是片面地解決了云任務計算的時效性和資源的均衡性，甚至針對收斂過早的情形也未展開相關探討，這難以實質性地提高云計算提供商的效益。為此本文在經典的遺傳算法基礎上提出一種基于效益的虛擬云計算研究(PVC)。

1 效益模型

為使效益最大化，云數據中心通常將待計算的云業務分化成多個彼此無關的子模塊，并使虛擬服務器上的虛擬計算[4]資源分別映射至各個子模塊，待各子模塊經過虛擬計算響應后再整體輸出虛擬云計算值。然而，云數據中心環境內各物理服務器計算性能的差異特征所引發的虛擬計算資源差異化，導致了云數據中心受理子模塊的云計算時間成本不一。并且基于差異特征的虛擬服務器在特定時間內通過映射其虛擬資源來計算一個子模塊所引發的損耗代價也不盡相同。顯然，云計算提供商獲取良好收益的思想是使虛擬服務器為多個不相關的子模塊同時提供虛擬計算資源。

將t和p分別表示虛擬服務器v執行子模塊m所需的時間成本和損耗代價，將pv表征為v的個體成本，則損耗代價記為

p=tpv.

(1)

假設云端用戶向云數據中心環境提請的云業務規模為K，云業務的子模塊規模為x，第c個云業務中的子模塊m的數據長度為Lcm，虛擬服務器規模為y，第v個虛擬服務器所能提供的虛擬計算能力為Cv，于是有1≤m≤x、1≤v≤y。進而求得時間成本的值為

(2)

(3)

假設虛擬服務器承載云業務的成本為pvt，可得云用戶提請的云業務待響應代價為

(4)

2 云計算方案構建

對于云計算提供商而言，效益最大化才是其投資的最大目標。因遺傳[5]算法具有普適性評估、優勝劣汰、交叉變異等優勢,使得該算法在部署海量任務的云計算時，可在云系統能耗、云資源博弈、云帶寬配置[6]等方面表現出良好成效。但即便如此，遺傳算法依然因其固有的某些缺陷使其應用在復雜的云任務計算中無法發揮應有的優化作用。諸如，傳統意義上的遺傳算法對于初代染色體的序列依賴度較高，以致于收斂太早搜索成效太低。顯然這樣的情形并不利于云計算提供商精確地測評云計算執行時間成本和損耗代價等事務性指標。基于此，本文研究一種基于云任務受理成本和時間約束的高效益云計算方案，整個方案流程如圖1所示。

首先隨機創建一個規模為N的種群，通過為每一個個體開展普適性評估來提取出位列所有種群前5%的優質個體遺傳到后代繼續用作種群，同時設計輪詢機制對剩余的95%個體開展擇優選用。然后讓兩個隨機個體執行交叉，從而獲得全新的子代個體種群。在此期間優質個體將被保留，劣質個體將被淘汰。最后通過設計變異適應函數來評估個體的普適性。此舉旨在預防優質個體發生劣變。

云數據中心環境創建g個染色體。每個染色體的長度為x，即云任務的子模塊規模。根據前文描述，每個子模塊將由虛擬服務器為其映射一個虛擬計算資源。于是本次編/解碼環節的設計便是基于虛擬計算資源和待計算的云任務之間一種關于映射關系的編/解碼設計。染色體的基因參量不超過虛擬資源規模y。比如，虛擬服務器為染色體3、2、4、5、3、4、1、3、5、2、1、2、3映射五個虛擬計算資源。則五個虛擬計算資源節點所映射的子模塊分別為v1={7,11}、v2={2,10,12}、v3={1,5,8,13}、v4={3,6}、v5={4,9}。不難統計出五個虛擬服務器的虛擬計算資源所要計算的云任務數量分別是2、3、4、2、2。

為從根源上提升后代遺傳基因質量，算法需引入普適性指標，從初代開始評估最適合用作繼承的個體。由于本研究目標在于提升云計算服務提供商的效益，故將待計算的云業務受理時長和受理代價作為普適性的目標函數。受理云業務計算的損耗代價普適性目標函數值和種群個體損耗代價成反比。這一過程表示如下：

(5)

圖1 高效益云計算方案流程

倘若云數據中心受理云業務的時間成本較低，則損耗代價普適性目標值越大；倘若云數據中心受理云業務的時間成本太高，則目標值Aα越小。因此，損耗代價普適性目標值和云業務受理時長息息相關。令云數據中心受理云業務的最大時長為TH，則受理云業務計算的時間成本普適性目標函數記作：

(6)

同理，當云數據中心受理該云業務時間成本越低，該方案所對應的時間成本普適性目標值Aα越大；反之，若該受理方案對應的Aα值越小，意味著該方案值并非全局最優解。

但由于算法在遺傳后期的迭代計算中會使個種群個體逐漸趨于一致。這樣的情形容易引發所求解僅局限于某一個局部范圍內，若推廣到云數據中心將導致該解在整個云數據中心環境下缺乏普適性。為避免該情形定義差異化因子d作為遺傳后期的個體區分。根據前文所述,云業務的子模塊數據長度即為基因長度，記作n。基因方差記作：

Δz=Jmz-Jvz,

(7)

其中，Jmz和Jvz表示位于相同位置的兩個基因的值。

則有

(8)

由于云計算服務提供商的效益是基于時間成本和損耗代價的約束來實現，同時為了避免優質個體的偶然性對全局事件的影響，首先淘汰普適性參量較大的前3‰個體，然后將緊隨其后的5%個體選作次代種群個體，再采用輪詢算法篩選余下的個體。鑒于部分染色體基因在優勝劣汰環節遭遇不可避免的舍棄，并由此引發種群粒子規模的頻繁波動，算法在部署前需選用一些普適性較為貼近的個體作為補充以保持種群個體規模相對穩定。將所篩選出來的個體和交叉變異后的個體組建出一代新的個體種群。

(9)

(10)

3 云計算實施方案

根據前文云業務部署步驟，以效益為目標實施云計算時，應由云數據中心環境產生初代粒子個體并開展個體普適性評估，隨后啟動優勝劣汰執行交叉變異最終收斂出一個全局最佳值。據此思路，云計算實施步驟如下：

4 實驗分析與論證

4.1 實驗設置

部署遺傳算法時，首先要將種群規模初始化為N=45。云數據中心服務器將所要受理的云業務劃分為1 500個子模塊，即x=1 500個。并為其映射15個虛擬計算資源，即y=15。迭代計算頻次上限至200次。其次，交叉和變異環節中的各參量初始化為o1=30×10-1，o2=3，o3=3×10-2，o4=3×10-2，pth=2×10-2。為凸顯本文所研究PVC算法的先進性，本次選用前文所述的IGA算法作為對比。通過考察兩個算法受理云業務計算的時間成本和損耗[10]代價來驗證PVC算法方案的科學性。

4.2 實驗結果分析

圖2所示曲線為兩種改進型遺傳算法在受理云用戶提請的云業務計算時所產生的損耗代價情況。整個云業務被劃分成1 500個子任務模塊，分別由IGA算法和PVC算法來受理。兩種算法在迭代計算初始所產生的資源損耗代價較為接近。隨著迭代頻次遞增兩種算法下的損耗代價均有不同程度下降。但由于PVC算法引入了損耗代價普適性函數用于評估個體值在全局范圍內的適應性，并且在交叉變異環節進一步優化了繼承的基因，這恰好是IGA算法所不具備的優勢。故隨著迭代頻次逐漸增加，PVC算法下的云資源損耗代價曲線降幅趕超IGA的降幅。至此，PVC算法表現出了相對優勢。

圖2 受理云業務計算的損耗代價

圖3 受理云業務計算的時間成本

圖3所示曲線為兩種改進型遺傳算法在受理云用戶提請的云業務計算時所需的時間成本情況。由圖中曲線不難看出，兩種算法在對云環境中的1 500個子任務開展虛擬云計算所消耗的時間成本各不相同。總體而言，算法的時間成本均和迭代計算頻次成反比。這是由于兩個算法都是基于遺傳算法思想演進而來。遺傳算法思想是通過迭代計算方式不斷進化出優質后代收斂出較好的值，從而降低算法后續計算的復雜度。從圖中曲線可以看出，受理業務的云計算初期兩種算法的時間成本相差無幾。但隨著云計算頻次的增加，兩種基于遺傳算法的優勢均得到明顯體現，所產生的時間成本均顯著下降。相比之下，本文研究的PVC算法在實施云業務計算時更好地做到了對時間成本的把控。究其原因是PVC算法針對種群個體單獨設計了時間成本普適性評估函數。同時，PVC算法在交叉變異環節再次開展優質個體基因的評測，為后續收斂速度和精度均奠定了良好的基礎，該設計理念正是IGA算法所欠缺的。故本組測試論證了PVC算法的相對優勢。

5 結語

本文圍繞云數據中心環境開展云業務計算時引發的計算時間和計算代價問題提出一種新型云計算方案，根據該方案設計的普適性評估機制、優勝劣汰機制和擇優變異機制均在一定程度上提升了子代個體的遺傳質量。從實驗數據不難看出，子代個體的普適性函數值具有良好的全局性，同時云環境下大量子任務的虛擬云計算指標也驗證了本文算法方案的優勢。這些良好的表現使得本文算法在部署海量業務的虛擬云計算時，可有效地降低云數據中心的損耗代價，壓縮云計算時間成本，這無疑可為云計算服務提供商帶來可觀的效益。