文摘
网络规模和交通爆炸。同时,虚拟化和云计算技术的快速发展不仅对网络的耐力构成相当大的挑战,但也会导致越来越多的问题,传统的网络架构以知识产权为核心的。云计算是一种基于互联网的超级计算模型。网络访问和数据流量的快速增长,处理能力和计算强度也会增加,和一个服务器不能增加业务。为了减少网络压力和提高计算效率,为网络计算负载平衡尤为重要。本文使用蚁群算法来设计云计算负载平衡。蚁群算法运行的控制器。根据实时的网络负载情况提供的控制器,它计算与最小的负载和提供了一个动态数据流的转发策略。实验的结果表明,负载均衡算法优化技术可以大大提供一种改进的计算响应。ACO算法的平均响应时间约为30%低于其他算法。 This shows that the use of the ant colony algorithm achieves a good optimization effect.
1。介绍
云计算是一种相对较新的技术基于软件服务,如电力和计算。它的工作提供服务和反馈。服务提供和使用条件是重要的特性区别于之前的复杂。数据库效率低会影响系统的性能,减少系统的响应时间,甚至更严重的是导致节点宕机。对云资源的调度,云组件的多样性和用户需求的多样性做出一些节点过载,影响整个系统的使用和资源。云计算可以实现资源的共享,可以处理大量的数据,并且可以提供无限量的存储空间。因此,云计算应用于军事、学校、医药、科研等领域。然而,当云计算面临如此大数量的用户,它必须处理大量的数据和任务。当处理大量请求的同时,这将影响整个系统的性能。因此,如何实现源访问负载平衡已成为最重要的问题之一在云计算的实现。
云计算已经是一个重要的研究领域为计算机科学家。负载均衡技术被认为是最重要的研究方向之一,在云计算和是一个流行的研究方向,也在不断地演变。在云计算中,进化必须依靠负载平衡技术的发展。到目前为止,没有理想的研究结果下载使用负载平衡技术在云环境中,所以它可以从不同方面研究。由于其积极的反馈机制和健壮性,蚁群算法已被广泛研究和改进自提出以来,特别是对于组合优化问题中的应用。蚁群算法显示了巨大的优势,因此本文将使用蚁群算法为基础,应用云计算的资源分配问题。
大量的研究已经由国内外专家蚁群算法的应用。赵等人提出了一种故障分类技术中立的和无效的接地系统的基于二进制蚁群算法(6)与模糊神经网络(FNN)。测试样品和现场实验结果显示精度高和良好的适应性提出了故障分类方法(1]。Vu等人提出了一个量子蚁群算法的发展(QACA)改善沉默人类传播危险的地区安全地区。相比ACO(蚁群优化)方法,QACA有能力找到更好的解决方案更快的使用更少的个人由于量子表示和信息素信息和有更强的潜力。实验结果表明,该方法具有更有效的性能(2]。范教授等人提出了一种新的算法,结合现场过滤程序,精确的算法,并行蚁群算法。实验表明,与降低场景建立多个初始解决方案集的蚁群算法可以显著减少所需总时间找到最好的解决方案。该算法可用于自动化建设可靠的控制系统(3]。江等人使用ACO算法,它利用厌氧消化(和)组合增加沼气产量增加有机废物的释放各种废物来源。一个铀浓缩工厂开发了基于虚拟案例研究影响城市污水处理厂的有机废物和农业操作。研究表明ACO方法在支持决策过程的重要性,有助于改善有机废物管理和慢波睡眠控制(4]。至于负载平衡方法,相关研究也越来越少。Hajiesmaili等人提出了一种流量负载平衡框架,旨在平衡网络应用程序(如总延迟交货)和绿色能源消费。统计结果表明,该流量负载平衡过程可以实现可调补偿使用电网电力和交通总量之间的交货延迟,可以节省大量网络连接能源在一定成本(5]。Sarma等人回顾了项目文档提出的当前负载均衡技术。此外,许多负载平衡算法的优点和缺点进行了讨论,这些算法的主要挑战是确定,以便更高效的负载平衡系统可以随着时间的推移,开发(6]。阿克巴里等人提出另一个算法复杂性较低的负载平衡问题。算法提供了最坏性能担保和描述了一个简单的方法来近似用户协会对于一个给定的输入偏差因素。接下来,有一个小规模的整体优化问题的算法,算法基于下面的近似方法,已用于nonextension优化问题(7]。赵J提出了一种新的启发式方法物理主机部署请求任务的选择问题,即贝叶斯和clustering-based负载平衡。根据仿真的结果证明,该方法大大减少了失败的任务部署事件,提高吞吐量的数量,优化由外向内的服务性能的混合服务相比,云计算数据中心现有工作(8]。这些研究为本文提供一个很好的参考,但很少有研究应用蚁群优化算法的云计算负载。
本文介绍了云计算的基本知识和云计算环境中的资源分配的问题。提出了目标函数,改进遗传蚁群算法应用于资源分配问题。算法的操作步骤和过程详细列出。我们整合文件大小,文件访问速度,CPU性能,内存大小,带宽,和其他因素,根据全面执行数据迁移的负载。本文以云计算平台的功能特征为背景,在此基础上初步发展当前云计算平台的资源管理技术,进一步研究弹性负载平衡技术在云计算平台。
2。云计算负载平衡方法
2.1。云计算
云计算是一种基于互联网的超级计算模型。实现资源的共享,资源和软件集群中被分配给用户的需求。云计算的目标是基于网络技术结合传统分散的计算机组成一个集群。这结合集群增强整个系统的处理能力。
云计算的基本思想是,在分布式计算环境中,每个用户都可以自由地找到他/她的服务需要在这个系统迅速(9]。如何提高系统的平均服务响应率在云计算已经成为一个至关重要的问题(10]。云计算系统的结果如图所示1。
云计算可以大致分为三个类别,称为SPI模式:软件功能,平台功能,和基础设施作为一个函数。基础设施作为服务提供平台服务的基础(11]。平台即服务使用基础设施作为服务提供软件即服务(12]。平台即服务类似于web托管服务的虚拟主机市场。相应的关系如图2。
云计算具有以下三个特点:(1)基于虚拟化技术的云计算,实现资源的快速部署和访问服务。(2)的形式向用户提供云计算服务的大量信息,通过互联网提供。(3)云计算的资源可以动态地扩展和配置根据用户的需求,根据用户的实际使用。用户不需要管理它们自己,可以减轻用户的负担处理和IT技术的依赖。
云存储使用网格技术、聚合技术,或文件共享技术充分组织和协调不同的多个云存储设备在每个设备上乌云密布数据中心(13]。云存储是云计算的存储系统。用户数据存储在云上。对于用户来说,不需要本地存储系统和存储设备(14]。更具体地说,云存储是一个服务的数据是由多个存储设备和服务器的集合,和用户购买服务的需求。
云存储处理大量的数据,需要完成大量数据的存储和管理。存储层由存储设备和存储设备管理系统。存储管理系统主要完成应用程序维护和升级的存储设备和存储设备的监控。云存储系统的结构如图3。
云数据中心通常包括成千上万的服务器;这些服务器节点异构和分布不均。的存储和调度资源协调,许多服务器,服务器和用户的访问是随机的,多元化的,复杂的。这些因素的存在,很容易导致一些服务器节点空闲。而其他服务器节点过载饱和状态;也就是说,服务器节点的负载不平衡。服务器节点的负载不仅包括数据存储的负载,而且资源调度的负载。很显然,这种不平衡的存在将导致云资源的浪费,增加网络负担,影响用户的使用。因此,至关重要的是,负载平衡问题与云计算解决。一个合适的负载平衡策略允许的最优配置服务和工作能力增强。
2.2。负载平衡算法
负载平衡是通过监控实现资源的使用每个物理节点,然后分析收集到的资源;通过分析负载平衡的算法,节点上的负载动态迁移到负载小的节点上;最后达到负载均衡的目的。任何计算机或服务器源可以优化,可以尽可能短,响应时间和处理器性能可以尽可能高。在正常情况下,用户分区终于获得通过分析每个控制器的来源(如CPU使用、内存空间和带宽)。通常情况下,负载均衡的体系结构如图4。
负载均衡系统主要由三部分组成:IaaS层的云平台实现资源的集合,实现负载平衡策略的PaaS层,和网络客户服务终端SaaS层的请求。在IaaS层,底层虚拟化主要是通过OpenStack云平台,实现监控功能主要用于监控和收集每个节点的资源通过Ganglia。
PaaS层是核心模块来实现负载平衡,是通过负载均衡实现的基于第三节中提到的动态负载平衡算法。在这一层,虚拟机的动态调度的节点通过WSO2软件实现。PaaS层主要是用于实现负载平衡策略和调度。这一战略核心处理模块是控制器和队列管理器。策略选择主要是分析收集的数据加载服务器。通过分析物理机和虚拟机资源超载,轻负载,等并保存数据库中的数据,需要从数据库获取相应的数据在调度。然而,主要数据队列的队列管理器。
常见的负载平衡算法包括循环平衡算法、加权循环对称,暂时的平衡算法,和机械平衡算法。
旋转平衡算法来确定转动频率发送请求,然后将请求之前,旋转,根据这个过程等相应的服务器上。
加权循环平衡算法,每个服务器的性能是不考虑循环平衡算法。每个服务器的性能是不一致的,和更大的配置和处理能力意味着更大的重量;然后,负载分配给服务器将会更加,负荷越高,效率越高。
负载均衡的概念首次引入在每个服务器节点的静态载荷交易算法,然后分配给每个服务器对应的函数,而不是估计的功率分配资源。在调整的过程中概念和负载平衡,每台服务器的负载状态,但一个值赋给负载,这个值与负载的变化不会改变。
因此,动态压力平衡的方法是一个很好的解决方案。动画工作负载的静态载荷交易交易算法克服了弱点。算法平衡每个服务器的监控源状态和分析每个节点的负载能力调整。
通过以上分析和比较几种负载平衡算法,本文选择动态负载平衡算法来实现资源负载平衡。点的集合(物理机)和VM(虚拟机)数据集群中的每个节点的负载平衡的基础上,因为算法平衡可以通过加载完成每个节点的函数,最后确定负载平衡。因为负载平衡实现动态,实时收集时需要收集节点资源信息。通过分析收集到的数据,虚拟机资源的负载不均的原因可以有效地分析和处理。同时收集节点,需要实时监控每个节点的资源状况,及相关调度工作结束时可以实现通过监测。
3所示。蚁群算法
网络的负载平衡技术是网络的稳定运行的基础和操作资源的节约。本文将使用蚁群算法来实现负载均衡的网络链接。同时,通过实验分析和选择一些参数在蚁群算法中,我们终于取得一个更好的负载均衡效果。
蚁群算法的原理是,当昆虫携带食物,他们会留下一个可识别的信息素在街上,和其他蚁群可以识别这种信息素和知道信息素的浓度。这时,一个路径信息素浓度高的更有可能被选中,其他蚁群会注意这个途径因此,并相应信息素的浓度会增加,从而形成一个积极的反馈系统。因此,信息素在街上也将改变随着时间的推移,信息素浓度会相应减少,这将影响其他昆虫的选择。然后,在昆虫的地方寻找食物,把食物搬回巢穴,因为大量的蚂蚁继续携带食物,很可能的最短路线从巢觅食位置将出现,和食品最终将收集成功(15]。
ACO算法的具体表达式如下方程:
其中,是启发式因子之间的距离被蚂蚁吗我和j,大小两个城市之间的距离有关。
从这个公式可以看出,如果之间的距离(我,j)是小和启发式因子更大,然后转移概率更大。的计算公式dij如下:
ACO算法,有信息素更新路径。用下面的方程,信息素更新:
代表之间的信息素挥发系数(0 - 1)。的具体公式如下:
因此,为了防止蚂蚁穿越城市我后再穿过小镇我,对位表将被添加到蚁群算法来记录遍历过的城镇的蚂蚁在一个时间段。遍历的一轮完成后,它将被清除,将进行新一轮的遍历。计算模型的公式如下:
在初始阶段的路径搜索,蚂蚁可以选择更多的路径,以确保解决方案的多样性和扩大搜索空间的解决方案。在这里,kth蚂蚁可以从状态过渡我州j以下可能性:
本文研究了数学原理、理论和蚁群算法的相关应用。特别是,它提出了一种改进的蚁群算法对算法的缺点是容易停滞,与特定的茶匙最后验证其有效性。
通过模拟实验中,参数的影响范围的最优解进行了研究。的主要参数如下:α信息素的相对重要性(信息素启发式因子);β是启发式因子的相对重要性(期望启发式因子);ρ信息素挥发系数((1−ρ)代表了信息素的持久性系数);米蚁群的数量。
在云计算环境中,资源分配的问题仍然是一个组合优化问题。在云计算环境中,有许多因素影响资源分配,这对应于城际道路的长度在旅行商问题。从上面的应用实验遗传蚁群算法(GACA),通过遗传算法改进蚁群算法,众所周知,智能算法的融合是一个更有效和正确的方法来解决这个问题。然而,合并后的算法仍然可以在后期过早收敛。因此,我们需要保持人口的多样性在迭代过程和扩大搜索解空间在一定程度上,防止过早收敛的发生在一定程度上。介绍了匹配系数的定义来表达每个任务的匹配程度和每个资源节点。
假设X是一个映射序列的任务和资源,负载平衡的程度定义如下:
其中,表示有多少任务分配给资源节点我。
近似搜索(蚂蚁)是一种非确定性的树ACO算法,利用数学规划的想法。蚂蚁算法使用一个新的行动选择规则和信息素更新规则,如以下公式所示:
其中,是一个参数,磅是一个最优解计算的算法。
对于任何给定的数据,有一个独特的确定隶属函数值 相应的,可以表示如下:
通常,表达式如下:
这种表现可以用顺序甚至表示:
或者使用向量:
在云计算系统中t,有N需要分配的任务米处理节点,每个服务器的当前负载状态是不同的。负载均衡策略是找到最合理的任务分配计划,这任务的平均处理时间是最短的,和云计算系统的服务质量得到改善。负荷偏差率是用来衡量系统负载分布后,分配任务,和负载偏差率计算如下:
其中,米代表所需的资源负荷的预测价值我th服务器在这个任务分配计划,计算公式如下:
其中, 代表所需的资源负荷的预测价值我th服务器在这个任务分配计划,计算公式如下:
在当前服务器运行状态,计算公式的影响单位负载的计算资源分配如下:
根据上述计算公式,负荷偏差率值在0到1的范围。值越小,载荷分布的更加平衡的云计算系统,和当前系统的性能越好16]。
4所示。实验和云计算负载平衡的结果
4.1。实验准备
选择云计算仿真平台进行实验分析和评估云计算负载平衡过程的基于虚拟机迁移。负载平衡的主要性能指标是CPU、内存和其他资源,平均手术时间。通过监测实时网络中的负载情况,蚁群算法可以用最小的负载给转发链接,从而实现动态链接的相对平衡负载。这可以优化配置有限的网络资源,有效地解决低网络带宽利用率和低吞吐量的问题。为了简化处理和反映不同策略的实验结果的可靠性,在这个模拟实验中,云计算数据中心配置了相同类型的服务器,虚拟机使用相同的参数,和相同的网络环境并执行相同的任务。具体情况如表所示1。
它是衡量标准偏差的负载系统的CPU和内存。相应的利用标准差异将通过检测CPU或内存利用率计算在给定的时间为每个主机。
内存负载平衡的水平分层管理虚拟机迁移策略之间的比较(MLVM中)和基于代理的虚拟机迁移策略(PAVM)。之后,整个系统的CPU利用率在不同的时间点,和标准差计算系统的CPU负载平衡。实验结果如表所示2。
通过实验,任务响应时间不同的任务请求数,并计算平均任务响应时间。两种策略的平均任务响应时间如表所示3。
4.2。算法最优解
我们执行统计最优解决方案不同α蚁群算法中的值,结果如图所示5。
启发式因子α特征的相对重要性蚂蚁的信息素积累的过程中构建的解决方案在蚂蚁搜索路径选择。更大的价值α,蚂蚁越有可能会选择前面的路径旅行和随机搜索路径会减少。当α需要不同的值,对应的最优迭代最优解和迭代次数图所示6。当α= 1,迭代最优解得到最小值,然后α增加时,迭代最优解值也增加;迭代的数量也减少α增加。这反映了整体的影响α算法,也就是说,更大的价值α旅行之前,更有可能选择路径,蚂蚁就越有可能选择之前走的路径;将会有更少的随机性在搜索路径,他们将会更快地收敛,他们会很容易局限于将自己限制在局部最优解。
我们进行统计分析每个资源的加载量MLVM中PAVM,结果如图所示7。
可以看出PAVM接受标准增加的可能性,找到一个更好的分配方法,这是受到某些限制算法的执行时间,但是有一定改善调度时间。我们的任务时间跨度比较几个最常用的算法,如蚁群算法、遗传蚁群算法和改进算法,结果如图所示8。
在负载平衡系统中,有效性的质量是一个重要的判据算法,这是特别重要的验证标准。由于实验结果的不稳定性,寻求一条领带的方法为每个组实验是用来获得最终结果。我们判断不同方法的有效性通过不同大小的阅读文件时的响应时间。实验结果如图所示9。
可以看出,读取每个文件的响应时间不同,这一次并不是完全相关的文件大小,这意味着并不是所有的大型文件有很长的响应时间,而不是所有的小文件有一个短的响应时间。然而,ACO算法的平均响应时间约为30%低于其他算法。这表明ACO算法可以扮演一个角色。
5。讨论
为了避免数据丢失,提高系统可靠性,复制技术通常用于云存储系统。复制技术是使一个数据块的多个副本,将它们存储在多个节点,并使用数据冗余,确保数据可靠性。使用复制技术可以解决系统的负载平衡问题。多个副本分布在不同的服务器节点。通过访问副本,一个服务器节点的负载分布到多个节点,从而减少节点的负载和实现负载平衡。
蚁群优化算法经历了十多年的发展,因为它提出了和算法理论研究和应用方面取得了举世瞩目的成就。其应用范围涉及各种优化等领域的路由问题,分配问题,调度问题,部分问题,机器学习问题,和蚁群算法的出现仿生硬件,显示了强大的生命力和广阔的蚁群优化算法的发展前景。
随着计算机技术的不断更新和发展,用户的数量增加了一倍,传统IP网络的架构越来越复杂,和网络结构的发展相对滞后。本文通过使用蚁群算法实现负载平衡,植入控制器,网络负载是通过交通监控软件实时监控。通过蚁群算法的执行控制器,数据流将传播的联系最少的负载在某一时刻,可以有效地利用网络资源,减少网络拥塞,提高网络吞吐量,实现网络的动态负载平衡网络中每个链接。我们还进行了实验研究和理论分析启发式因子,信息素挥发系数,蚁群算法中蚂蚁的数量。通过参数的选择,提高了蚁群算法的性能,和负载平衡也能够获得更好的结果。我们在自我界定的网络拓扑进行负载平衡实验。通过对实验数据的分析,引入蚁群算法可以实现每个链接的动态负载平衡。
6。结论
对于本文的目的,我们将考虑云计算的资源分配。根据现有的算法,融合的智能算法,介绍了蚁群算法的初始信息素分配解决盲目搜索的问题,避免以后的局部最优解的问题。改进后的算法应用到云计算资源分配的具体问题,并进行了实验计算和分析。发现时间性能和资源负荷程度相对较好的结果,证明了算法的适用性。本文提出的改进算法有一定的性能优化也有一定的缺点。算法变得稍微复杂,有一个很好的测试的执行速度。此外,要充分考虑实际情况,在实际应用过程中;例如,等问题更加多样化和动态用户的需求和资源的复杂性需要综合考虑用户和供应商的需求和利益。此外,蚁群算法往往是针对某一类型的特殊问题,它的多功能性是贫穷。在未来的研究中,如果我们想使用蚁群算法在其他领域,我们需要改善其普遍性。 In addition, the research in this paper only considers the small network with few hosts and single controller and does not consider the load balancing of the large network with multiple hosts and multiple controllers, and the researcher hopes that this part of the research can be completed through corresponding experiments in the future.
数据可用性
使用的数据来支持本研究的发现可以从作者要求。
的利益冲突
作者宣称没有利益冲突。
确认
这个研究是由重庆科技计划项目:渝北统景风景区乳峰山下“大数据发展的服务PAAS自动交付和管理平台。”