文摘
考虑任务的依赖关系,互联网的平衡健康的东西(IoHT)调度被认为是重要的减少使跨度率。在本文中,我们开发了一个智能模型的方法最好的混合任务调度蛾火焰优化(HMFO)云计算集成在e-healthcare IoHT环境系统。HMFO担保统一资源分配和增强服务质量(QoS)。模型与谷歌集群训练数据集,这样它学习如何工作的实例将在云计算和训练HMFO模型用于实时调度的工作。是在CloudSim环境上进行模拟测试调度模型的有效性在混合云环境中。该方法所使用的参数性能评估包括使用资源,响应时间,和能源利用率。的响应时间、平均运行时间,降低成本,混合HMFO方法提供了增加反应率和降低成本和运行时比其他方法。
1。介绍
各级网络设备的网络架构部署在雾计算处理和存储功能。在云数据中心(DCs)调度器,并交付请求的调度程序决定。这样的选择是经常依赖于许多因素,包括自己和云资源的请求。结果是减少延迟和增加对终端用户服务和计算的距离。
数据越来越大量的网络设备数量的增加和物联网(物联网)起飞。根据思科的预测,到500亿年将会有2020联网设备(1- - - - - -4]。大量的异构数据,迅速交换,而且,在高速度,通过这些设备将生成和交换,这被称为“大数据。“物联网应用程序创建延迟敏感的大量的数据,这意味着他们需要一个实时处理的响应(5]。
在云计算环境中,物联网的健康(IoHT)是允许使用云的相互作用。它使移动用户实现特征使它在市场的吸引力。在云,IoHT设备之间的交互可以形成一个新的环境,称为cloud-IoHT系统(6- - - - - -10]。
一些IoHT设备产生的数据在几秒钟内到期(数据截止时间)后,生成时间。由于许多应用程序的时间敏感性质,处理这些数据在云中可能成为一个性能问题。在雾和云计算体系结构中,每个组件完成其他的失踪。希望雾和云之间的联系将使低延迟服务在未来数十亿的物联网设备和应用程序。物联网设备生成大量的数据,这在很大程度上艾滋病监测和控制的工具。
工作从IoHT传输数据到云服务器提供各种各样的计算和存储需求必须满足以完成。卸载IoHT职责云资源需要考虑各种服务质量(QoS)。不仅从IoHT应用最终用户的角度还从系统设计的角度。任务调度的优化问题属于识别的过程最优雾或云资源分配IoHT工作在指定的限制。有几个目标优化QoS参数对最终用户和系统设计师在设计一个调度程序动态传入的物联网的工作负载。一个整数线性规划(独立)11- - - - - -15np难的复杂性可以被用来制定作业调度优化的问题。应该强调,传统的数学方法不能发现一个最优解等问题在多项式处理时间(16- - - - - -20.]。
当面对np难度问题,如任务调度时,基于metaheuristic算法已被证明是成功的优化策略。在应用这些技术,创建一个随机样本的人口使用均匀分布,和希望,随着时间的推移,人口将收敛于最优解。为了确定最佳的解决方案,搜索过程应该分为两个阶段:勘探和开发。从人口变化将使我们调查所有选项在搜索空间和识别高潜力的地区。这项研究应该能够利用全球的潜在地区搜索解决方案。从勘探开发,另一方面,并非总是一帆风顺,尤其是如果人口过早变得夹在当地的最适条件和过早收敛。
长期以来,学者致力于各种异构计算系统讨论如何最好地安排任务。在雾中计算,指数物联网工作是动态生成的,没有可接受的任务调度问题具体的解决方案(21]。由于不同的物联网活动和雾资源限制,物联网和云环境的搜索空间是更复杂的比传统的计算系统。物联网的工作并不总是容忍延迟,尽管任务调度是出了名的困难。所以,任务调度体系结构允许物联网应用程序应迅速处理,同时避免物联网基础设施的复杂性(22- - - - - -26]。
这项研究提供了一个智能模型的方法最好的混合任务调度蛾火焰优化(HMFO)云计算集成在e-healthcare IoHT环境系统。HMFO担保统一资源分配和增强的QoS。该方法所使用的参数性能评估包括使用资源,响应时间,和能源利用率。
论文的大纲如下所示。部分2提供了问题公式化。部分3论述了任务调度使用HMFO云。部分4评估整个工作的各种性能指标。部分5总结整个处理可能的方向未来的范围。
2。问题公式化
问题公式化(25)定义了以下假设,包括过去的计算时间每个执行任务和计划任务的计算开销的知识在e-healthcare IoHT-cloud模型系统。
这两个约束模型的方程(1)- (5): 在哪里我′的任务指标,j′是执行索引的jth的任务,p是最重要的,N是总数量的任务,T是执行任务的总时间安排,n我是执行任务的总数,rij是总发布时间(j)为一个特定的任务τ我,年代ij开始时间(j任务执行)τ我,fij完成时间(j任务执行)τ我,我是执行时间τ我。
3所示。任务调度使用HMFO
多目标优化是一个相互矛盾的目标问题需要优化的定义在以下方程: 在哪里x∈X被认为是决定空间。
目标函数相互冲突。帕累托主导执行之间的评价获得的解决方案。与∈X,样例u占主导地位敌我识别,方程(7)表示的关系:
如果一个解决方案无法控制,解决方案是作为帕累托最优。
图1显示了IoHT-cloud传感环境架构,数据采集,数据传输从源IoHT节点到目标云服务器。三个不同级别用于IoHT-cloud e-healthcare系统架构。
为了解决这个问题,建议架构利用控制飞机组成的一个MFO模型结合GA算法。太多的责任是放置在深深的模型,它保证了连接或路径不承担过重的数据包。交通拥挤可以与最佳检查数据包的路由路径选择在特定情况下通过优化数据包交付。
随后大量IoHT数据传输数据包的目的地节点使用数据平面。的集成MFO [13)模型与遗传算法模型对齐当前模型的目的提高云调度,控制云路由。
VM的变化计算能力可以找到在云数据中心,这意味着即使执行等效活动,虚拟机可以执行明显不同。因为工作负载不同,不同的虚拟机有变量水平的性能效率,允许任务分布在他们。虚拟机性能优越能力将获得额外的工作。上述原因导致特定vm是超载,其余的则是不活跃。这将是一个浪费时间和钱从长远来看。
虚拟机的不平衡负荷降低了云直流效率。因此,本研究的目的是为了更好地利用资源为vm的平均负荷条件下,根据HMFO升级。
3.1。HMFO
本节提供调度细节结合HMFO [26)(图1)与深度层神经网络(款)。重量可能会影响任务的选择过程;那些无法处理这个问题很快就会被排除在外。这将损害体面的人群。新人由交叉和变异操作非常少。虽然在特定的体重会增加减少的可能性看全球的理想,他们的增加率较低。
群分子的优化可以应用于遗传算法为了保持巨大的性能。款和HMFO支持混合算法。款可用于全球调查潜在的时间框架内。HMFO可以与混合速度的速度在后期由于减少人口规模。后期,通常周期后,人们会因此变得更接近国际理想安排适度装配率高。
框架类似于其他人群为基础的算法,随机的初始步骤包括生成解决方案。最初的解决方案是一个候选解决方案考虑到云空间调度问题,并通过适应度函数评估。MFO结合了健身解决方案为了配合作业调度的要求,这是在重复迭代间隔获得最优解。
3.1.1。适应度函数
健康是衡量智力水平的人口几乎肯定可以实现或帮助找到理想的解决方案。因此他的选择是很重要的。工作过程计划实现低流时间和效率。款是用于发现HMFO健身(算法1)。
|
多层感知器(MLP)是另一种形式的前馈神经网络architecutre与三个不同的层次包括输入、输出和隐藏(图2(一个))。中的延时设计使用逼近定理估计的单隐层输出减少错误率。
(一)
(b)
有辍学安装(图款2 (b)),以减少数据过度拟合,神经元是消除在训练。结果,选择误差函数(使用交叉熵)减少了错误在培训款
中的延时会改变其权重基于误差函数的培训,这减少了可能的错误。输入数据集的大小D中长期规划的分类,错误的概率P(y|x)输出的影响隐藏层。
3.1.2。交叉
许多特征如平均健康和多样性进化过程的变化。因此,整个算法的编程过程不能适应一个固定参数。该算法用于动态横向操作符。早期选择的过程破坏人口的多样性。因此,新的最优人必须搜索困难。早期的pc,交叉的可能性是相当大的。然而,人们主要集中在地区后来进化过程中最优解附近区域。
为了减少pc,某些现在发现基因是维持。该算法设置一个阈值t,这是应用在交叉过程中计算平均后代健康。此外,用于最小平均人口的健康。
生育的平均健身人群将低于最低平均健身是否保持在几代。的价值pc介于90%的pc和最小交叉的概率。
3.1.3。突变
本文采用动态传输操作符,如交叉算子。而收敛算法的人口,突变的概率p米根据丰富的遗传特性可以减少。然而,如果算法接近或聚合,p米可以根据人口比率不断延长或略有改变。该算法设置一个阈值的计算突变率。此外,最低进展率是确定数量。如果进化速度的人口t继续迭代,进化会降低比最低阈值限制。的值是定期更新的一个较小的值的最大变异概率。
3.1.4。调度使用MFO
可以被定义为一个任务响应时间的时间从提交收据VM的一个答案。VM可以提高响应能力平衡负载在他们所有的资源,包括CPU和RAM。一个简单的方法来减少加工时间和反应时间需要转移从一个负担过重的虚拟机迁移到另一个工作,这被称为负载平衡过程。关键是VM通信负载平衡能力以保持平稳运行。
计算机节点、存储节点和调度器都将托管在管理节点。调度程序选择合适的计算节点的虚拟机根据要求,并跟踪每一个收到的请求。为了存储正在运行的虚拟机相关的指纹,数据中心集成。在一个运行的虚拟机,调度器的任务是创建一个地图的VM IoHT节点。管理节点是用来保存指纹。指纹会充分从管理节点一旦VM会议终止的进程。
3.1.5。负载平衡
有两个步骤的负载平衡策略,根据这项研究。首先,研究雇佣任务规划技术,考虑到每个用户的不同需求,同时资源利用最大化。为了优化Cloud-IoHT整体性能,负载平衡是利用IoHT任务映射到完整的vm,遵循最初的vm资源托管任务。
某些调查,如CPU使用的识别和内存需求的评估,必须在第一阶段完成本身的决心在第一阶段的迭代次数。下一步是确定当前可用的资源和资源。基于这些资源需求,可以删除或添加实例,最后规定状态决定。
明智地提出技术执行定期检查虚拟机加载,并基于这样的检查,以下策略是利用来确定负载迁移。识别vm的装载条件是该算法的关键目的,区分vm和装载vm加载基于机器的分化。一旦做出了选择,负荷转移从装载VM虚拟机加载。
由于这个过程,负荷分散一视同仁。因此,反应时间减少一半,和资源效率提高,由于负载分布更均匀。在某种程度上,这种责任的观察是类似于斜纹夜蛾寻找食物。这个任务阈值仍在接近。任务最小装载VM是由优化阈值时停止(伪代码实现1)。
|
4所示。结果分析
在本节中,模拟进行测试作业调度提出模型的有效性。HMFO优化使用性能验证措施,包括负载路由、延迟、数据包交付率,和网络生命周期。这项研究使用谷歌集群数据集(https://github.com/google/cluster-data),它是用来训练HMFO未来调度的工作。谷歌的参数选择集群数据集的数量决定vm,云服务器,硬件规格。整个系统实现CloudSim模拟器。仿真验证的成本和延迟和负载。metaheuristic优化与传统模型相比,如蜜蜂群优化(BSO)和蚁群优化(ACO)。
4.1。仿真结果和讨论
图3描绘了PDR,包括IoHT源节点数据包传输和水槽节点数据包接收。根据研究结果,当暂停时间缩短,PDR显著减少。PDR,相反,减少会议数量的增加,它已经高于传统的安。
深度学习模型的改进的性能是由水槽节点计算能力改善数据传输模式。当数据生成率IoHT设备不匹配,典型的系统不计算备选路径。结果,HMFO模型性能被认为是稳定,加强改进的路由和路由连接的稳定性和减少链接失败。
图4描述了含铅结果暂停时间增加。相比其他方法,比如安和强化教育、含铅小得多。较长的路线的选择可能导致网络堵塞,如果越来越多的延迟。
Metaheuristic算法学习,相反,没有分配工作负载的影响。计算能力时,一个较小的数据传输速率是更好的,因为它增强了模型的计算能力。NRP NMP显示结果在不同的会议,与增加会话,结果发现在数据得到降低5和6。
图7描述了平均总时间表各种调度方法各种各样的工作而异。HMFO策略相比,HMFO策略使用更少的组成。HMFO输出从峰值下降了13%。主要原因是计划战略任务的特点,导致总实现时间任务的特点。
虽然只有几个活动,有很多可用的材料(图8)。当比较HMFO技术,执行时间非常长。随着越来越多的搜索区域被发现,HMFO算法转变成一个更好的位置。与传统的技术相比,HMFO节省8到16%的时间。许多其他措施显示是这样的情况,如增强的平均反应时间(图9(图),更高的存储容量10(图),减少路径负载11),降低成本(图12)。
5。结论
HMFO,路由性能在提高IoHT-Cloud路由的稳定性增加。HMFO有效路由数据包通过调整IoHT节点的数据采集速度。为了捕获和传输数据没有设计缺陷,IoHT-Cloud e-healthcare系统体系结构是成功控制。模拟结果表明,当筒子,减少,PDR增加稳定性提高,反过来也一样。相比之下,HMFO最小化PDR长航线,偏见样本和确保系统同样尺度。对于较短的路线,HMFO路由模型可伸缩性很好。HMFO高速数据包路由性能提供了可靠和包传输速率增加从而增加IoHT-Cloud长寿e-healthcare系统架构。
在未来,这项研究可能提供移动用户提供改善灵活性和降低部署成本使用深度学习训练模型。cloud-IoHT技术修改e-healthcare系统遭受主要来自能源平衡问题,这应该在解决IoHT传感器。
数据可用性
和/或使用的数据集分析在当前研究可从相应的作者在合理的请求。
的利益冲突
作者宣称没有利益冲突。