[发明专利]基于移动云计算的计算密集型任务卸载和最佳资源配置的方法

摘要

本发明属于移动云计算技术领域，涉及基于移动云计算的计算密集型任务卸载和最佳资源配置的方法。本发明包括移动用户、经纪人和微云数据中心，当经纪人正在接收移动用户请求时，采用线性回归算法分析移动用户请求；然后采用管道树形分类方法进行工作类型的分类并放在队列中；任务卸载时，采用果蝇优化算法获得任务的最佳资源配置；任务完成后，不需要的节点被放置在空闲模式下，此时能量消耗将减少。本发明的目的在于根据总完成时间和应用成本的限制将移动设备的能量消耗最小化。大量的实验结果显示了本发明在云数据中心环境中的数据结构的满意效果，模拟结果已经表明与大量现有的算法相比，依照能量消耗和执行时间所提出的策略具有更好的性能。

主权项

1.基于移动云计算的计算密集型任务卸载和最佳资源配置的方法，其特征在于，包括三部分：(i)移动用户，用于保持微云中的节点的能力；(ii)经纪人，用于基于节点能力将任务分配给微云数据中心的节点；(iii)微云数据中心，用于跟踪器检查节点中任务的执行情况；当经纪人正在接收移动用户请求时，采用线性回归算法分析移动用户请求；然后采用管道树形分类方法进行工作类型的分类并放在队列中；任务卸载时，采用果蝇优化算法获得任务的最佳资源配置；任务完成后，不需要的节点被放置在空闲模式下，能量消耗减少；具体步骤如下：(1)采用线性回归算法分析移动用户请求当经纪人正在接收移动用户请求时，采用线性回归算法分析请求，同时基于请求预测浪费的资源；随机变量p的预测值通过最小二乘方线性回归方程获得，见式(1)；p＝d0+d1.q  (1)其中，d₀表示截距，为常数；d₁是回归系数，q为自变量，是随机变量的预测值；d0和d1的值由式(2)和式(3)得出；其中，i为随机变量的个数；为随机变量的平均值；为自变量的平均值；用户的估计请求，见公式(4)；ER＝Sgn(CR‑WR)+a  (4)其中，ER是用户的估计请求，CR是用户的当前请求，WR是浪费的资源；函数Sgn用于覆盖请求值的正部分和负部分；a是回归参数，a的值决定是否积极地采取行动或给出待使用的资源的估计值；当a值设置正确时，云提供者被给予控制节约资源和违反服务等级协议SLA之间折衷的权利；计算浪费的资源，见公式(5)；WR＝CR×b1+b0  (5)其中，b1和b0为回归系数；通过公式(1)以及公式(6)和公式(7)确定b1和b0；b0＝mean(WR)‑b1*mean(CR)  (7)其中，i表示用户当前请求的数量，i＝1,2,3,…,n；表示W_R的平均值；mean()表示平均值；(2)采用管道树形分类方法进行工作类型的分类用户的工作请求分为不同类型，并且用户查询时将工作进行分类，工作请求包含多个元组和属性，采用管道树形分类算法将工作类型进行分类，基于用户查询，工作被分类；工作分类包括两个阶段，训练阶段和分类阶段；在训练阶段，首先使用修改后的迭代二叉树3代算法ID3构建决策树，ID3为用于分类的决策树归纳法；数据集D包括元组和属性；对数据集D执行四级变换；Info(D)是对元组进行分类的期望数据；InfoA(D)是基于划分通过数据集属性A从数据集D中分类的期望信息；1级变换：计算数据集D的每个属性的类标签的数量，然后计算Info(D)和InfoA(D)；2级变换：检查决策树的完整性，如果没有获得最大的信息增益，则分割1级变换后的数据集D，形成决策树的第二层次；3级变换：检查决策树的完整性，使用分割命令分割2级变换后的数据集D，并检查数据集D里的每一个记录都是相同的，完成决策树的管道；4级变换：用于在单独的文件或输出控制台的记录输出；在分类阶段，对于每个数据集D，进行1级变换操作，并且检查树的完整性；如果没有获得最大的信息增益，则将数据集D分割并且执行2级变换；再次划分数据集D直到得到决策树的管道；找到决策树的管道后，由开始管道服务的管道‑目标运行方法运行；工作请求元组，包括；其中Num_VM是所需虚拟机VM的数量，Ram是以兆字节为单位的内存，Storage是以兆字节为单位的磁盘空间，Bandwidth是以每秒兆字节为单位的网络带宽，Execution_time是执行时间，S_time是开始时间，E_time是完成时间，Nil表示空格；工作请求元组用于识别如下所提交的工作的类型，以通过管道树形分类器识别工作类型；类型1：工作请求＝类型2：工作请求＝类型3：工作请求＝(3)任务卸载，获得最佳资源配置云环境中的任务卸载包括在微云数据中心中的一组n个计算节点上调度的一动态组j个独立任务卸载请求；对于包含多个核的主机，利用云系统中的资源，多个工作请求可同时利用主机；(a)数学模型：处理m个主机的任务卸载时，微云数据中心中的m个主机H＝{h1,h2,...,hm}，具有n个计算节点N＝{n1,n2,...nn}和j个任务T＝{t1,t2,...tj}；移动用户将任务提交给经纪人，任务由一组元组Ti＝{arri,memi,fini}表示，其中arri是到达时间，memi是存储器，fini是完成时间；所提交的任务经由经纪人映射到虚拟机VM；数学模型中关注虚拟机VM的使用、任务的完成时间、能量消耗和数据中心的成本；(b)果蝇优化算法FOA：具体步骤如下：步骤1：嗅觉器官用于嗅到食物来源并且开始朝食物来源方向飞去；步骤2：灵敏视觉用于获得最佳美食和群集位置；果蝇优化算法FOA是找到全局优化的有效方法；它经由邻居交互数据，使其相等并使用果蝇绝望的视觉和体能通过品尝获得最佳的位置；根据果蝇优化算法FOA判断最佳资源配置，求出的目标函数如下：①网络延迟：通过网络传播任务的时间称为传输延迟；将任务j分配到第k个虚拟机VM上，其传输延迟为TL(j,k)，见公式(8)；其中，Tj为任务输入；Tj_out为任务输出；Dj为分配给虚拟机VM的信道数据速率；处理延迟PL(j,k)是第k个虚拟机VM上的任务j的估计时间，第k个虚拟机VM上的任务j的指令计数EICj,k和任务容量MIPSk计算得到，见公式(9)；排队延迟QL(j,k)是第k个虚拟机VM上的任务j在队列中所用的时间，见公式(10)：其中，m为队列中主机的个数，n为队列中计算节点的数量，PL(n,k)为第k个虚拟机VM上n个计算节点的排队延迟；网络延迟NL(j,k)见公式(11)：NL(j,k)＝TL(j,k)+PL(j,k)+QL(j,k)  (11)网络延迟函数f1(x)见公式(12)：f1(x)＝min{NL(j,k)}  (12)②能量消耗：将任务j分配给第k个虚拟机VM需要能量，目的是减少网络的所有能量消耗，能量消耗包括通讯能量和能量处理两部分；处理能量的计算见公式(13)：其中，Pe(j,k)表示第k个虚拟机VM上的任务j所需的处理能量；表示睡眠阶段第k个虚拟机VM所需的能量；表示第k个虚拟机VM所需的最高能量；Ue(j,k)表示第k个虚拟机VM利用的能量；Ue(j,k)的计算见公式(14)：Ue(j,k)＝Ce(j,k)·Exej  (14)其中，Exej表示任务j执行时间；Ce(j,k)表示第k个虚拟机VM上的任务j所需的通讯能量；通讯能量的计算见公式(15)：其中，Ce(j,k)表示第k个虚拟机VM上的任务j所需的通讯能量；εT表示在数据传输过程中能量消耗的速率；εR表示数据接收过程中能量消耗的速率；Din表示输入数据；Dout表示输出数据；Dr表示第k个虚拟机VM的数据速率；第k个虚拟机VM上的任务j总的能量消耗Te(j,k)见公式(16)：Te(j,k)＝Pe(j,k)+Ce(j,k)  (16)能量消耗函数f2(x)见公式(17)：f2(x)＝min{Te(j,k)}  (17)③成本：虚拟机VM的任务的成本为虚拟机用于执行任务的资源成本；数据中心的成本Ck见公式(18)：Ck＝(VMk.ram+VMk.storage+VMk.bandwidth)*Exej  (18)其中，VMk.ram表示第k个虚拟机VM的内存；VMk.storage表示第k个虚拟机VM的磁盘空间；VMk.bandwidth表示第k个虚拟机VM的网络带宽；Exej表示任务j执行时间；最后，使用阈值来识别虚拟机的负载：如果一个虚拟机过载，则任务被移除，并根据任务执行的最后期限分配给已识别的虚拟机；再选择一个具有最小期限任务的虚拟机来提高数据中心的性能；基于气味的搜索用于查找可用的位置或虚拟机，基于视觉的搜索用于查找最佳位置或虚拟机，以将任务从超载的任务中转移。