[0048] 下面结合附图和实施方式对本发明的技术方案做进一步的说明。
[0049] 如图1所示为本发明融合限制周期性拟休眠的云计算优化方法的示意图。具体包括以下步骤:
[0050] 步骤1、获得云任务卸载到云端服务器接受服务的平均响应时间TC,包括以下子步骤:
[0051] 步骤11、云任务卸载到第i个物理机上的平均等待时间Twi为:
[0052]
[0053] 其中,e为2×1的全1列向量; 表示云任务卸载至云端接受服务的概率;λ表示云任务的到达率;qi表示卸载到云端的云任务分配到第i个物理机接受服务的概率,n为云端部署的物理机个数;l表示稳态下第i个物理机中云任务的数量,称为系统水平;ci表示第i个物理机上部署的虚拟机个数;πi(l)=(πi(l,0),πi(l,1))表示为稳态下系统水平为l的概率向量;
[0054] 步骤12、根据卸载到第i个物理机上的云任务到达云端时的状态,确定云任务在第i个物理机上的平均服务时间Tsi,所述云任务在第i个物理机上的平均服务时间Tsi表示为:
[0055]
[0056] 其中,μbi表示第i个物理机上的高速服务率,μvi表示第i个物理机上的低速服务率,θi表示第i个物理机上的半休眠参数, 表示云端第i个物理机处于常规状态的概率, 表示云端第i个物理机处于半休眠状态的概率,
表示第i个物理机上缓存中云任务的数量;并进而获得云任务卸载到
云端服务器接受服务的平均响应时间TC为:
[0057]
[0058] 步骤2、获得云任务在本地处理器接受服务的平均响应时间TMD以及云任务的平均响应时间T,根据M/M/1排队模型,得到云任务在本地处理器接受服务的平均响应时间TMD为:
[0059]
[0060] 其中,μ0表示本地服务器的服务速率,p表示云任务在本地服务器接受服务的概率,λ表示云任务的到达率;
[0061] 运用全概率公式,云任务的平均响应时间T为:
[0062]
[0063] 步骤3、根据服务器不同工作状态下单位时间内消耗的能量值不同,获得云任务在本地处理器接受服务的平均功率消耗EMD,云任务在云端第i个物理机上接受服务的平均功率消耗 以及云系统平均功率E;
[0064]
[0065]
[0066] 其中,Pbusy为本地处理器处于工作状态时的平均运行功率,Pidle为本地处理器处于空闲状态时的平均运行功率;云端上部署的第i个物理机处于半休眠状态时, 为该物理机维持部署在其上的一个虚拟机空转的平均运行功率; 为维持部署在其上的一个虚拟机运转的平均运行功率;云端上部署的第i个物理机处于常规状态时, 为该物理机维持部署在其上的一个虚拟机空转的平均运行功率; 为维持部署在其上的一个虚拟机运转的平均运行功率;
[0067] 运用全概率公式,获得云系统平均功率E为:
[0068]
[0069] 步骤4、综合云任务平均响应时间和云系统平均功率,构建系统优化函数F:
[0070] F=β1T=β2E;
[0071] 其中,β1表示云任务平均响应时间对系统优化函数的影响因子,β2表示云系统平均功率对系统优化函数的影响因子;
[0072] 步骤5、利用Logistic映射方法产生混沌变量改进海鸥智能优化算法,运用MATLAB软件获得使得步骤4中系统优化函数达到最小值的策略优化结果,得到最优的云任务卸载*概率组合 从而将产生于移动终端的云任务,以p的概率在本地服务器接
*
受服务,以(1‑p)的概率卸载到云端;卸载到云端的云任务以 的概率在第i个物理机上接受服务。
[0073] 下面通过具体实施方式,对本发明的优化方法做详细介绍。针对移动设备存储空间不足且处理能力有限等问题,将部分云任务迁移到云端。云服务通过分布式软件依托于云计算环境。在云数据服务中心上通常部署一个或多个物理机,而一个物理机上又可以部署多个虚拟机。当一个物理机上没有需要被执行的云任务时,如果其上部署的所有虚拟机均保持空闲状态,会因此产生大量的能耗,让空闲的虚拟机进入休眠状态是降低云计算能耗的实用方法。但完全休眠模式会影响云任务的服务质量。因此在云端引入限制周期性同步半休眠机制,提出一种新的云计算节能策略。
[0074] 产生于各类移动设备的云任务首先汇聚于接入点,然后在本地负载均衡器的调度下,根据设置的节能策略参数,以一定的概率就近分配到本地处理器即移动设备接受服务,或卸载至云端接受服务。卸载到云端的云任务再由云端负载均衡器,根据设置的节能策略参数,以一定的概率分配到某一个物理机上接受服务。
[0075] 如图2所示为本发明融合限制周期性拟休眠的云计算节能策略部署在云端物理机上虚拟机的状态转换图。虚拟机不同状态之间的转换,如下:
[0076] (1)高速工作状态,物理机及物理机上部署的全部虚拟机正常工作,此状态下物理机中至少有一个虚拟机正在服务云任务。高速工作状态下到达缓存区的云任务依次在虚拟机接受服务。当最后一个云任务服务完成时,物理机启动半休眠定时器,开始一段半休眠期,物理机上的所有虚拟机同时进入低速空闲状态。若处于高速工作状态的虚拟机服务完成当前的云任务,未分配到新的云任务,且同一物理机内有其他虚拟机还处于高速工作状态,则该虚拟机转换到高速空闲状态。
[0077] (2)高速空闲状态,处于高速空闲状态的虚拟机若分配到新的云任务,则立即转换到高速工作状态提供服务。若物理机服务完成最后一个云任务,则启动半休眠定时器,其上的所有虚拟机同时进入低速空闲状态。
[0078] (3)低速空闲状态,处于低速空闲状态的虚拟机可以随时为新到达的云任务提供服务,不受半休眠定时器的控制。如果在半休眠定时器所规定的范围内没有云任务到达并且物理机连续半休眠的次数未达到限值Hi时,物理机将重新启动半休眠定时器,开始一次新的半休眠期,其上的虚拟机均保持在低速空闲状态;如果在半休眠定时器所规定的范围内没有云任务到达并且物理机连续半休眠的次数已经达到限值Hi时,物理机将进入常规状态,其上的虚拟机均转换到高速空闲状态。当一个虚拟机处于低速空闲状态时,若半休眠定时器到期,且同一物理机内有其他虚拟机未服务完成云任务,则物理机结束半休眠,该虚拟机转换到高速空闲状态;若分配到新的云任务,该虚拟机立即由低速空闲状态转换到低速工作状态。
[0079] (4)低速工作状态,当一个虚拟机以较低的速率服务完成当前的云任务时,如果缓存区没有其他等待的云任务,该虚拟机将由低速工作状态转换到低速空闲状态;否则,该虚拟机保持在低速工作状态,以较低的服务速率继续为缓存区中等待的云任务提供服务。当半休眠定时器到期时,如果有其他虚拟机还在服务当前的云任务,该物理机上的全部虚拟机同时进入高速工作状态。
[0080] 针对实时性要求较高的云任务,进一步提高云任务的服务质量,缩短云任务的响应时间。降低因物理机处于半休眠状态而增加的云任务响应时间,考虑融合限制周期性与半休眠模式,提出一种新型的云计算节能策略。当物理机结束一次半休眠时,系统内没有云任务,物理机就会重新启动半休眠定时器开始一次新的半休眠,当物理机连续半休眠的次数达到限值Hi时,该物理机上转换到常规状态,等待云任务的到达并提供服务。根据所提云计算节能策略的工作原理,在云端构建多服务台同步多级适应性工作休假排队模型。通过系统实验的结果,对云计算节能策略的系统性能进行评估。
[0081] 考虑大部分云资源的利用率都比较低,即当云系统没有云任务需要被服务时,部署在云端物理机上的虚拟机仍会处于常规状态下的高速空闲状态,产生能源消耗。考虑让空闲时的虚拟机进入半休眠状态,这将会在很大程度上降低云系统的能源消耗水平。但此时云任务的服务质量则会受到很大影响。在云端引入半休眠模式的目的在于让部署在云端物理机上的虚拟机处于半休眠状态时仍可以为云任务提供低速率的服务,这样可以均衡云任务服务质量和云系统能源消耗之间的问题。
[0082] 为了进一步提高云任务的服务质量,在降低云系统能源消耗水平的同时考虑实时性网络应用的需求,进而在融合周期性半休眠模式的基础上考虑融合限制周期性半休眠模式,引入物理机连续半休眠次数的限值Hi。当部署在云数据服务中心的一个物理机上的云任务全部被服务完时,若缓存区中没有等待接受服务的云任务,则部署在该物理机上的全部虚拟机转换到半休眠状态,处于半休眠状态的虚拟机依然可以为随机到达的云任务提供低速服务。当一个半休眠期结束时,若系统内有云任务,则该物理机上的所有虚拟机转换到常规状态,分配云任务的虚拟机进入高速工作状态提供服务,没有分配云任务的虚拟机进入高速空闲状态;若系统内没有云任务,则物理机重启半休眠定时器进入一个新的半休眠期,当该物理机连续半休眠的次数达到限值Hi时,部署在该物理机上的所有虚拟机均进入常规状态下的高速空闲状态,为将来会随机到达的云任务即时提供高速服务。基于此,提出一种融合限制周期性半休眠模式的云计算节能策略。
[0083] 在云端考虑的是限制周期性机制,引入物理机连续半休眠次数称为级数Hi。将移动设备的CPU视为本地服务台,建立单一服务台连续工作排队。将半休眠状态视为工作休假,将限制周期性视为多级适应性,建立多服务台同步多级适应性工作休假的排队模型。结合单一服务台连续工作排队与多服务台同步多级适应性工作休假排队,建立系统模型。
[0084] 假设移动设备云任务的到达遵循参数为λ(0<λ<+∞)的Poisson过程,云任务在本地负载均衡器的调度下分配到本地服务台接受服务的概率为p,卸载到云端服务器接受服务的概率为
[0085] 因此,本地服务台云任务的到达服从参数为λ0=pλ(0<λ0<λ)的指数分布。假设本地服务台服务一个云任务的服务时间服从参数为μ0(0<μ0<+∞)的指数分布。假设本地只有一个服务台,等待缓存区容量无穷大,假设云任务的到达过程与服务过程相互独立。所以,本地服务台执行云任务的过程看作一个M/M/1排队。
[0086] 云任务经过云端负载均衡器的调度,云任务以qi(0<i≤n)(n为云端部署的物理机个数)的概率分配到第i个物理机接受服务。对于第i个物理机,云任务的到达服从参数为的指数分布。假设第i个物理机中部署了ci个相互独立且并行工作的虚拟机。当云任务被分配到其中一个物理机时,若该物理机上有处于高速空闲状态的虚拟机,则云任务可以立即被服务,否则进入等待缓存区排队等待。一旦物理机上的最后一个云任务被服务完成,ci个虚拟机将同时开始随机长度Vi的工作休假,其中Vi服从参数为θi(0<θi<+∞)的指数分布。在非工作休假期内,云任务的服务时间服从参数为μbi(0<μbi<+∞)的指数分布,在工作休假期内,云任务的服务时间服从参数为μvi(0<μvi<μbi)的指数分布。假设所有的物理机均具有无限缓存。假设云任务的到达间隔、服务时间、工作休假期的长度及随机变量Hi都是相互独立的。因此,第i个物理机执行云任务的过程可看作同步多级适应性工作休假M/M/ci排队。
[0087] 令随机变量Xi(t)=x(x=0,1,...)表示时刻t第i个物理机中云任务的数量,称为系统水平。令随机变量Yi(t)=y(y=0,1)表示时刻t物理机所处的状态:y=0表示物理机处于工作休假状态,y=1表示物理机处于正规忙状态。令随机变量Zi(t)=z(z=0,1,2,...,Hi)表示第i个物理机连续半休眠的次数。{(Xi(t),Yi(t),Zi(t)),t≥0}构成一个三维连续时间Markov链,其状态空间Ωi,见公式(1)。
[0088] Ωi={(x,y,z):x≥0,y=0,z=1,2,...,Hi}∪{(x,y,z):x≥0,y=1,z=0} (1)[0089] 令πi(x,y,z)表示三维连续时间Markov链稳态下系统水平为x,物理机状态为y且连续半休眠次数为z的概率分布。πi(x,y,z)见公式(2)。
[0090]
[0091] 定义πi表示为稳态下系统水平为i的概率向量,三维连续时间Markov链{(Xi(t),Yi(t),Zi(t)),t≥0}的稳态概率分布Πi,见公式(3)。
[0092] Πi=(πi(0),πi(1),...) (3)
[0093] 研究系统模型的平稳状态分布最重要的就是搭建转移率矩阵。令Qi表示三维Markov链{(Xi(t),Yi(t),Zi(t)),t≥0}的一步转移率矩阵。根据系统水平把Qi划分成为若干个转移率子阵。令Qi(m,m')表示系统水平m(m=0,1,...)转移到m'(m'=0,1,...)的转移率子阵。为了表述方便,将Qi(m,m‑1)、Qi(m,m)和Qi(m,m+1)分别记为Bi(m)、Ai(m)和Ci(m)。
[0094] (1)系统水平减1,即第i个物理机中云任务的数量从m变成m‑1时,转移率子阵为Bi(m)。
[0095] 当m=1时,若云任务以低速率被服务完成,虚拟机将由低速工作状态转换到低速空闲状态,即由状态(1,0,z)(z=1,2,...,H)变为状态(0,0,z),转移率为μvi;若云任务以高速率被服务完成,虚拟机将由高速工作状态转换到低速空闲状态,即由状态(1,1,0)变为状态(0,0,1),转移率为μbi。Bi(1)是一个(Hi+1)×(Hi+1)维矩阵,见公式(4)。
[0096]
[0097] 当2≤m<ci时,若云任务以低速率被服务完成,虚拟机将由低速工作状态转换到低速空闲状态,即由状态(m,0,z)变为状态(m‑1,0,z),转移率为mμvi;若云任务以高速率被服务完成,虚拟机将由高速工作状态转换到高速空闲状态,即由状态(m,1,0)变为状态(m‑1,1,0),转移率为mμbi。Bi(m)是一个(Hi+1)×(Hi+1)维矩阵,见公式(5)。
[0098]
[0099] 当m≥ci时,若云任务以低速率被服务完成,虚拟机将继续保持在低速工作状态,即由状态(m,0,z)变为状态(m‑1,0,z),转移率为ciμvi;若云任务以高速率被服务完成,虚拟机将继续保持在高速工作状态,即由状态(m,1,0)变为状态(m‑1,1,0),转移率为ciμbi。Bi(m)是一个(Hi+1)×(Hi+1)维矩阵,见公式(6)。
[0100]
[0101] (2)系统水平保持不变,即第i个物理机中云任务的数量m保持不变时,转移率子阵为Ai(m)。
[0102] 当m=0、y=0且0<z<Hi时,第i个物理机处于半休眠状态,其上所有虚拟机低速空转。若在第一个半休眠期结束时,系统内没有云任务,部署在该物理机上的所有虚拟机重新启动半休眠定时器进入一个新的半休眠期,即由状态(0,0,z)变为状态(0,0,z+1),转移率为θi;当m=0、y=0且z=Hi时,第i个物理机处于半休眠状态,其上所有虚拟机低速空转。若在第Hi个半休眠期结束时,系统内仍没有云任务,此时物理机连续休眠的次数达到限值Hi,此时部署在该物理机上的所有虚拟机将由低速空闲状态转换到高速空闲状态,即由状态(0,0,Hi)变为状态(0,1,0),转移率为θi。当m=0、y=0且0<z≤Hi时,第i个物理机处于半休眠状态,其上所有虚拟机低速空转。若无云任务到达且半休眠定时器未到期,状态(0,0,z)保持不变,转移率为‑(λi+θi);当m=0、y=1且z=0时,第i个物理机处于高速空闲状态,其上所有虚拟机高速空转。若无云任务请求到达,状态(0,1,0)保持不变,转移率为‑λi。Ai(0)是一个(Hi+1)×(Hi+1)维矩阵,见公式(7)。
[0103]
[0104] 当1≤m<ci、y=0且0<z≤Hi时,第i个物理机处于半休眠状态,其上部署的虚拟机部分低速运转部分低速空转。若无云任务到达也无云任务离开且半休眠定时器未到期,状态(m,0,z)保持不变,转移率为‑(λi+mμvi+θi);若半休眠定时器到期,物理机由状态(m,0,z)变为状态(m,1,0),转移率为θi。当1≤m<ci、y=1且z=0时,第i个物理机处于常规状态,其上部署的虚拟机部分高速运转部分高速空转。若无云任务到达也无云任务离开,状态(m,1,0)保持不变,转移率为‑(λi+mμbi)。Ai(m)是一个(Hi+1)×(Hi+1)维矩阵,见公式(8)。
[0105]
[0106] 当m≥ci、y=0且0<z≤Hi时,第i个物理机处于半休眠状态,其上部署的所有虚拟机低速运转。若无云任务到达也无云任务离开且半休眠定时器未到期,状态(m,0,z)保持不变,转移率为‑(λi+ciμvi+θi);若半休眠定时器到期,物理机由状态(m,0,z)变为状态(m,1,0),转移率为θi。当m≥ci、y=1且z=0时,第i个物理机处于常规状态,其上部署的所有虚拟机高速运转。若无云任务到达也无云任务离开,状态(m,1,0)保持不变,转移率为‑(λi+ciμbi)。Ai(m)是一个(Hi+1)×(Hi+1)维矩阵,见公式(9)。
[0107]
[0108] (3)系统水平加1,即第i个物理机中云任务的数量从m变成m+1时,转移率子阵为Ci(m)。
[0109] 当m≥0时,不论第i个物理机处于半休眠状态还是常规状态,若有云任务到达,物理机由状态(m,0,z)变为状态(m+1,0,z),转移率为λi;或物理机由状态(m,1,0)变为状态(m+1,1,0),转移率为λi。Ci(m)是一个(Hi+1)×(Hi+1)维矩阵,见公式(10)。
[0110]
[0111] 综上,转移率矩阵Qi内的所有转移率子阵均已说明完毕,不难发现转移率子阵Bi(m)(0<i≤n)和转移率子阵Ai(m)(0<i≤n)从系统水平ci起开始重复,转移率子阵Ci(m)(0<i≤n)从系统水平0起开始重复。将重复的Bi(m)、Ai(m)和Ci(m)分别用Bi、Ai和Ci表示,则三维Markov链{(Xi(t),Yi(t),Zi(t)),t≥0}的一步转移率矩阵Qi可表示为分块三对角形式,见公式(11)。
[0112]
[0113] 由转移率矩阵Qi的结构可知,状态转移只发生在相邻的系统水平之间,表明三维连续时间Markov链{(Xi(t),Yi(t),Zi(t)),t≥0}是拟生灭过程,此过程正常返的充分必要条件是矩阵二次方程式,见公式(12)。
[0114]
[0115] 有最小非负解Ri,且谱半径Sp(Ri)<1。
[0116] 最小非负解Ri被称为率阵。但是,率阵Ri的精确解很难用表达式的形式给出,迭代获得Ri的算法主要步骤如下:
[0117] 步骤1、初始化系统模型的参数λ、θi、Hi、p、qi、ci、μbi、μvi初始化最大误差ε;
[0118] 步骤2、根据公式 获得Ri%I为单位阵;
[0119] 步骤3、if||Ri‑Ri'||∞>ε
[0120] Ri=Ri'
[0121]
[0122] Endif;
[0123] 步骤4、Ri=Ri';
[0124] 步骤5、输出得到的率阵Ri的解;
[0125] 利用所得到的率阵Ri,构建一个方阵为B[Ri],见公式(13)。
[0126]
[0127] 由矩阵几何解中的平衡方程和归一化条件可知,拟生灭过程{(Xi(t),Yi(t),Zi(t)),t≥0}的平稳分布满足方程组(14)。
[0128]
[0129] 其中,e1是ci(Hi+1)×1的全1列向量,e2是(Hi+1)×1的全1列向量,I是(Hi+1)×(Hi+1)的单位阵。
[0130] 引入增广矩阵 方程组(14)可等价表示为式(15)。
[0131] (πi(0),πi(1),...,πi(ci))Pi=(0,0,...,0,1) (15)[0132] 利用高斯‑塞德尔法获得式(15),可以得到πi(k)(0≤k≤ci)的数值解。
[0133] 基于矩阵几何解方法,由πi(ci)进一步给出πi(k)(k≥ci+1),见公式(16)。
[0134]
[0135] 云任务平均响应时间T为云任务进入系统开始直到云任务接受服务完成离开系统所经历的时间长度的平均值,即云任务的平均逗留时间,包含云任务的平均等待时间和云任务接受服务的平均服务时间两部分。
[0136] 根据M/M/1排队模型,可以得到云任务在本地处理器接受服务的平均逗留时间关于云任务卸载到云端服务器接受服务的平均响应时间的推导,可以得到
[0137] 因此,云任务平均响应时间T的表达式,见公式(17)。
[0138]
[0139] 其中,p(0<p<1)为云任务在本地处理器接受服务的概率, 为云任务卸载到云端服务器接受服务的概率。
[0140] 云系统平均功率E应该是云任务被分配到本地处理器接受服务的平均运行功率与云任务卸载到云端服务器接受服务的平均运行功率的平均值。因此,给出云系统平均功率E的表达式,见公式(18)。
[0141]
[0142] 其中,云任务在本地处理器接受服务的平均功率消耗EMD的表达式和云任务在云端服务器接受服务的平均功率消耗 的表达式均已给出。
[0143] 为了评估在新提出的云计算节能策略下云任务平均响应时间和云系统能源消耗的变化水平。利用MATLAB给出系统实验结果,分析性能指标随半休眠参数θi、云任务到达率λ和云任务本地分配概率p的变化趋势。
[0144] 在保证系统模型稳定的条件下,由于实验结果进行对比,所以设置的实验参数均与对比实验相同,新增实验参数如下:物理机连续半休眠次数的限值第一组为Hi=(3,5),第二组为Hi=(43,45)。
[0145] 根据设定的实验参数及第一组物理机连续休眠次数的限值,图3A和3B揭示了在不同的半休眠参数θi和云任务到达率λ下,两种云计算节能策略的云任务平均响应时间T随云‑1 ‑1任务本地分配概率p的变化趋势。其中图3A中θi=(0.5s ,0.5s ),Hi=(3,5);图3B中θi=‑1 ‑1
(1.5s ,1.5s ),Hi=(3,5)。
[0146] 当云任务本地分配概率p和云任务到达率λ一定时,对比图3A和3B可知,随着半休眠参数θi的增大,云任务平均响应时间T减小。半休眠参数θi较大时,云端物理机处于半休眠状态的时间长度缩短。这种情况下,云端服务器可以更及时地返回常规状态以高速服务率为云任务提供服务。因此,云任务平均响应时间T减小。
[0147] 当半休眠参数θi和云任务到达率λ一定时,分别观察图3A和3B可知,随着云任务本地分配概率p的增加,云任务平均响应时间T的变化趋势是先下降后上升。在曲线最低点左侧,云任务本地分配概率p较小,云任务到达系统后大概率地卸载到云端服务器接受服务,云任务在云端的响应时间成为云任务平均响应时间T的主导因素。随着云任务本地分配概率p的增加,分配到本地的云任务逐渐增多,堆积在云端的云任务减少,云任务平均响应时间T随之减小。在曲线最低点右侧,云任务本地分配概率p较大,云任务到达系统后大概率地选择在本地处理器接受服务,云任务在本地处理器接受服务的响应时间成为云任务平均响应时间T的主导因素。随着云任务本地分配概率p的增加,分配到本地的云任务越来越多,大量的云任务将会堆积在本地处理器的缓存区,云任务平均响应时间T随之增大。
[0148] 当半休眠参数θi和云任务本地分配概率p一定时,分别观察图3A和3B可知,随着云任务到达率λ的增加,云任务平均响应时间T增加。无论是在本地还是云端,随着云任务到达率λ的值增大,表示系统内到达的云任务数量也就越多,显然云任务平均响应时间T将会增大。
[0149] 针对两组不同的物理机连续半休眠次数的限值Hi,给出云任务平均响应时间T随云任务本地分配概率p的变化趋势,如图3C所示。
[0150] 固定云任务到达率λ和云任务本地分配概率p,比较图3C与图3A的图像可知,随着物理机连续半休眠次数限值Hi的增大,云任务平均响应时间T增大。物理机连续休眠次数的限值Hi越小,则部署在物理机上的全部虚拟机进入高速空闲状态的时刻越早,可以随即为随机到达的云任务提供高速服务的时刻越提前,因此云任务的平均响应时间越小。
[0151] 根据设定的实验参数及第一组物理机连续休眠次数的限值,图4A和图4B揭示了在不同的云任务到达率λ下,云计算优化方法的云系统平均功率E随云任务本地分配概率p的变化趋势。
[0152] 当云任务本地分配概率p和云任务到达率λ一定时,对比图4A和图4B可知,随着半休眠参数θi的增大,云系统平均功率E增大。半休眠参数θi较大时,云端物理机处于半休眠状态的时间长度缩短,物理机可以更及时地转换到常规状态。处于常规状态的物理机所消耗的功率大于处于半休眠状态的物理机所消耗的功率。因此,云系统平均功率E增加。当云任务到达率λ一定而云任务本地分配概率p较大时,卸载到云端的云任务数量较少,云端物理机有更多的机会持续处于半休眠状态。云系统平均功率E与半休眠参数θi的关系减弱。
[0153] 当半休眠参数θi和云任务到达率λ一定时,分别观察图4A和图4B可知,随着云任务本地分配概率p的增加,云系统平均功率E的变化趋势是先下降后上升。在曲线最低点左侧,云任务本地分配概率p较小,云任务到达系统后大概率地卸载到云端服务器接受服务。随着云任务本地分配概率p的增加,卸载到云端的云任务减少,云端物理机有更多的机会进入半休眠状态,云系统平均功率E随之减小。在曲线最低点右侧,云任务本地分配概率p较大,云任务到达系统后大概率地选择在本地处理器接受服务。随着云任务本地分配概率p的增加,本地处理器提供服务需要的功耗增加,云系统平均功率E随之变大。
[0154] 当半休眠参数θi和云任务本地分配概率p一定时,分别观察图4A和图4B可知,随着云任务到达率λ的增加,云系统平均功率E增加。无论是在本地还是云端,随着云任务到达率λ的增大,系统内到达的云任务数量会增多。
[0155] 针对两组不同的物理机连续休眠次数的限值Hi,给出云系统平均功率E随云任务本地分配概率p的变化趋势,如图4C所示。固定半休眠参数θi、云任务到达率λ和云任务本地分配概率p,比较图4C与图4A的图像可知,随着物理机连续休眠次数的限值Hi的增大,云系统平均功率E减小。物理机连续休眠次数的限值Hi较大时,部署在物理机上的全部虚拟机进入常规状态下的高速空闲状态的时刻越晚,物理机处于半休眠状态时所消耗的功率小于处于高速空闲状态的物理机所消耗的功率,因此云系统平均功率E减小。
[0156] 综合以上实验结果可以发现,云任务本地分配概率是影响系统性能的重要因素。兼顾云任务和云系统的不同要求,在不同云任务到达率的情况下,优化云任务卸载概率。
[0157] 面向响应性能要求较高的云任务,在云端引入限制周期性半休眠模式,提出了融合限制周期性半休眠模式的云计算节能策略。构建多服务台同步多级适应性工作休假的排队模型,给出了云任务平均响应时间和云系统平均功率的表达式。进行系统实验,揭示了物理机连续休眠次数的限值Hi、云任务本地分配概率p和云任务到达率λ等系统参数对云计算节能策略性能的影响。
[0158] 以β1=2,β2=0.2,θi=(0.5,0.5)s‑1,Hi=(3,5)为例,针对不同的云任务到达率λ,进行系统优化函数的数值实验,揭示云任务本地分配概率p对系统优化函数的影响情况,优化云任务卸载概率。实验结果如图5所示。
[0159] 固定云任务到达率λ,从图5可知,随着云任务本地分配概率p的增加,系统优化函数F呈现出先下降后上升的趋势。根据图3和图4中云任务平均响应时间和云系统平均功率的变化趋势,当云任务到达率λ一定时,随着云任务本地分配概率p的增加,云任务平均响应时间和云系统平均功率都是呈现先下降后上升的趋势。
[0160] 改进海鸥优化算法,得到最优的云任务卸载概率。针对不同的云任务到达率λ,最* * *优的云任务卸载概率(p ,q)的值和最小云系统优化函数F的值总结在表1。
[0161] 表1融合限制周期性半休眠模式的云计算节能策略的优化结果
[0162]
[0163] 如图6所示,本发明的第二方面提供一种云计算优化系统,其包括:移动设备终端、与移动设备终端连接的接入端口和负载均衡器以及服务器;接入端口汇总来自移动设备终端的云任务,负载均衡器根据优化方法分配接入端口的云任务,服务器执行前述的融合限制周期性拟休眠的云计算优化方法。
[0164] 本发明的另一方面提供一种应用于计算机的可读存储介质,可读存储介质存储有计算机程序,计算机程序被处理器执行时实现前述的融合限制周期性拟休眠的云计算优化方法。
[0165] 本发明的优化方法针对移动设备存储空间不足且处理能力有限等问题,将部分云任务迁移到云端。云服务通过分布式软件依托于云计算环境。在云数据服务中心上通常部署一个或多个物理机,而一个物理机上又可以部署多个虚拟机。当一个物理机上没有需要被执行的云任务时,如果其上部署的所有虚拟机均保持空闲状态,会因此产生大量的能耗,让空闲的虚拟机进入休眠状态是降低云计算能耗的实用方法。但完全休眠模式会影响云任务的服务质量。
[0166] 因此,本发明在云端引入限制周期性同步半休眠机制,提出一种新的云计算优化方法。产生于各类移动设备的云任务首先汇聚于接入点,然后在本地负载均衡器的调度下,根据设置的节能策略参数,以一定的概率就近分配到本地处理器即移动设备接受服务,或卸载至云端接受服务。卸载到云端的云任务再由云端负载均衡器,根据设置的节能策略参数,以一定的概率分配到某一个物理机上接受服务。
[0167] 为实现上述目的,考虑系统中云任务的到达率λ、本地服务台的服务速率μ0、云端的高速服务率μbi(i表示为第i个物理机)、云端的低速服务率μvi以及部署在云端物理机连续休眠次数的限值Hi,运用排队论、概率论、拟生灭过程和计算机网络等,得到了相关的性能指标。
[0168] 以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可容易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。