[发明专利]一种基于混合云的可靠应用分配分布式遗传方法

说明书

本发明公开了一种基于混合云的可靠应用分配分布式遗传方法，包括下列步骤：S1、构建优化模型；S2、定义约束条件；S3、定义目标函数；S4、定义染色体；S5、构建分布式池模型；S6、编码；S7、判断应用程序放置的数量或迭代次数是否达到规定值；S8、计算个体的适应度；S9、复制；S10、选择交叉；S11、变异；S12、返回步骤S7进入下一次迭代；S13、结束输出最优解。本发明利用可靠性感知的偏随机秘钥遗传方法解决了混合云应用分配没有可靠性保证的问题；利用分布式可扩展的池模型提高了应用分配的可扩展性，同时减少了能耗，充分利用了网络边缘的计算资源，减小延迟，提升了用户的体验质量。

技术领域

本发明涉及云技术技术领域，具体涉及一种基于混合云的可靠应用分配分布式遗传方法。

背景技术

由于现有的以云计算为核心的集中式大数据处理技术已经不能完全满足日益庞大的物联网边缘设备所产生的海量数据处理要求，所以需要一个新的云架构，这种新的架构体系应该能快速响应边缘设备的需求，以减少云计算中心的数据传输及处理压力。混合云概念应运而生，其由多个单个的具有异构功能的小云组成，他们在避免产生大的网络延迟的同时能提供更快地数据计算。然而，这种云环境常常包含一些容易导致任务失败的不可靠的节点和链路。因此，具有有效性保障的应用调度是目前研究面临的挑战。应用程序需要一种配置方法能兼顾CPU、存储、网络和有效性以尽可能优化地使用资源，并保持很小的出错率。应用程序在基础设施网络中的优化调度是一个NP-hard难度问题，因此，精确的方法用来解决此问题是不可扩展的。

遗传方法(Genetic Algorithm)是一类借鉴生物界的进化规律(适者生存，优胜劣汰遗传机制)演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传方法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于混合云的可靠应用分配分布式遗传方法，该方法创新应用程序分配方法，提升混合云环境中应用程序分配的可靠性，同时减小延迟。

本发明的目的可以通过采取如下技术方案达到：

一种基于混合云的可靠应用分配分布式遗传方法，所述方法包括：

S1、构建优化模型，该模型包括云环境模块和应用程序几何模块，过程如下：

S1-1、用一个实体设备集PMs和一个实体链路集PLs来构建云环境；

S1-2、将应用程序集合分配到云环境中，每个应用包括一个服务集和一个虚拟链路集VLs；

S2、根据混合云环境的特点及应用分配所涉及内容定义约束条件，过程如下：

S2-1、准入控制：每个应用程序分配的副本数最多不超过δ：

|D|＝δ，

其中，δ为某个应用程序的副本数量，D为某个应用程序所有副本组成的集合；

至少有一个对应的副本被分配时，一个应用程序才能被认为成功分配：

其中，a表示某个应用程序；d表示应用程序a的副本d；A为所有应用程序组成的集合，O^a是一个变量，其定义为：如果应用程序a被成功分配则值为1，反之为0；G^d,a是一个变量，其定义为：如果应用程序a的副本d被分配则值为1，反之为0；

S2-2、节点嵌入：只在副本被认为已成功放置时才为其分配节点资源：