[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

权利要求书

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)；

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)；

E_R＝Sgn(C_R-W_R)+a (4)

其中，E_R是用户的估计请求，C_R是用户的当前请求，W_R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)；

W_R＝C_R×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(W_R)-b₁*mean(C_R) (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Num_VM,Ram,Storage,Bandwidth,Execution_time,S_Time,E_Time；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＝Num_VM,Ram,Storage,Bandwidth,Execution_time,S_Time,E_Time

类型2：工作请求＝Num_VM,Ram,Storage,Bandwidth,Execution_time,S_Time,Nil

类型3：工作请求＝Num_VM,Ram,Storage,Bandwidth,Execution_time,Nil,Nil

(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T_i＝{arr_i,mem_i,fin_i}表示，其中arr_i是到达时间，mem_i是存储器，fin_i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T_L(j,k)，见公式(8)；

其中，T_j为任务输入；T_{j_out}为任务输出；D_j为分配给虚拟机VM的信道数据速率；

处理延迟P_L(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EIC_j,k和任务容量MIPS_k计算得到，见公式(9)；

排队延迟Q_L(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，P_L(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N_L(j,k)见公式(11)：

N_L(j,k)＝T_L(j,k)+P_L(j,k)+Q_L(j,k) (11)

网络延迟函数f₁(x)见公式(12)：

f₁(x)＝min{N_L(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；

能量处理的计算见公式(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)·Exe_j (14)

其中，Exe_j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；ε_T表示在数据传输过程中能量消耗的速率；ε_R表示数据接收过程中能量消耗的速率；D_in表示输入数据；D_out表示输出数据；D_r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C_k见公式(18)：

C_k＝(VM_k.ram+VM_k.storage+VM_k.bandwidth)*Exe_j (18)

其中，VM_k.ram表示第k个虚拟机VM的内存；VM_k.storage表示第k个虚拟机VM的磁盘空间；VM_k.bandwidth表示第k个虚拟机VM的网络带宽；Exe_j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。