[发明专利]一种基于能耗与QoS协同优化的资源调度实现方法

权利要求书

1.一种基于能耗与QoS协同优化的资源调度实现方法，其特征在于，包括以下步骤：

S1、在云计算数据中心环境下构建多虚拟机的云任务到达排队模型；所述云任务到达排队模型由主机排队模型和虚拟机排队模型串联组成，用于优化虚拟机云任务队列积压长度与系统能耗之间的关系；

主机排队模型中，云任务被提交到数据中心之后，数据中心会采用最少负载准则的负载均衡策略，将云任务优先分配给云任务请求未完成数量最少的主机，并由此构成云任务到达间隔时间为指数分布、云任务执行时间为指数分布的排队模型；虚拟机排队模型中，每一个虚拟机实例都构成了一个云任务到达间隔时间为指数分布、云任务执行时间为指数分布，虚拟机数量为C，虚拟机容量为N的排队模型，云任务首先经过主机排队模型的分配后被数据中心提交至虚拟机排队模型中，然后以先到先服务的方式进行处理；当云任务进入主机排队模型时，如果主机上至少有一个可用虚拟机，数据中心则将该云任务分配至当前处于空闲状态的虚拟机上执行；当主机上所有的虚拟机都已被云任务占用满载时，新到达的云任务将会进入虚拟机排队模型的队列缓冲区内，队列缓冲区是一个专门存放等候被执行的云任务的先进先出队列；当有云任务执行完毕离开某个虚拟机后，数据中心会将位于队列缓冲区头部的云任务分配给此虚拟机；当云任务获得对虚拟机的访问权限后，能立即向云任务提供云服务；在云任务执行的过程中，当云任务的响应时间T_response过长时，会造成SLA违规的现象；在训练堆叠降噪自动编码器的过程中，将虚拟机的参数集合组成的高维矩阵作为堆叠降噪自动编码器网络输入层的数据，并通过堆叠降噪自动编码器将对高维矩阵进行降维与数据重构，得到优化后的QoS特征信息；

虚拟机的参数集合包括云任务响应时间、队列长度、虚拟机CPU利用率、带宽、CPU数量、内存大小、内存占用率、虚拟机迁移次数、虚拟机迁移时间开销、虚拟机上一时刻的SLA违反率；当数据中心内有p台虚拟机处于启动状态时，在每一个调度周期间隔内，虚拟机的参数集合会构成p×10的高维矩阵M₁；

将数据中心的运行时间视为由成若干个连续时间片所组成，每个时间片的长度定义为t；因此在时隙t内，单个虚拟机的排队模型通过以下公式进行定义：

Q_k(t_j+1)＝max{Q_k(t_j)-μ_k，0}+λ_k(t_j)； (1)

其中，Q_k(t_j)和Q_k(t_j+1)是第j个和第j+1个时间片中第k个虚拟机VM_k的队列长度；μ_k表示在第j个时间片t_j中第k个虚拟机VM_k处理的云任务数；λ_k(t_j)是第j个时间片t_j中第k个虚拟机VM_k队列中的云任务数量；当Q_k(tj)≤μ_k时，虚拟机中的队列长度小于虚拟机处理能力μ_k，虚拟机的队列长度能达到最小值0；

虚拟机排队模型的长度会直接影响数据中心中主机的运行状态；主机的运行状态分为以下两类：

1)活跃状态：主机上虚拟机的云任务队列不为空，云任务正在等待被处理；

2)空闲状态：主机上虚拟机的云任务队列为空，处于空闲状态的主机可被视为处于睡眠模式，且处于低功耗状态，处于空闲状态下主机产生的功耗为一恒定值；

数据中心的功耗模型描述为如下形式：

式中，E表示当前数据中心的总体能源功耗量，其中能耗等式右侧的第一项表示当前处于活动状态的物理主机产生的总功耗；p是运行中的物理主机的数量，P_α是第α个处于活动状态的物理主机的功耗；q是处于空闲状态的物理主机的数量，P_l是第l个处于空闲状态的物理主机的功耗；空闲状态下的功耗看作是一个常量；M是当前数据中心可用虚拟机的最大数量；

公式(2)以如下形式表示：

其中P_θ为第θ个处于活动状态的物理主机的功耗，1≤θ≤M，C为空闲状态下主机的恒定功耗常量，Q_θ(t_j)是第j个时间片中第θ个虚拟机的队列长度；

S2、利用堆叠降噪自动编码器技术对数据中心的QoS特征进行提取，得到降维后描述QoS特征信息的矩阵，通过该矩阵求得当前的虚拟机的最大响应时间，以完善协同优化目标函数的约束条件；利用堆叠降噪自动编码器技术对数据中心中的虚拟机的资源占用历史数据进行处理，通过堆叠降噪编码器的鲁棒性提取出影响数据中心QoS指标的特征信息；

利用由虚拟机的参数集合组成的高维矩阵作为网络输入层的数据，并构建堆叠降噪自动编码器的目标函数，通过目标函数将对所述高维矩阵进行降维与数据重构，得到优化后的特征；

在编码器损失函数的最小化过程中，同时将堆叠降噪自动编码器的复杂度也作为其中一项指标参与到训练的过程中，作为损失函数的约束项；在损失函数后加入了基于权重衰减的正则项，以提升堆叠降噪自动编码器的泛化效果以避免过拟合，并采用x和的交叉熵作为损失函数，进一步增强堆叠降噪自动编码器的鲁棒性；堆叠降噪自动编码器的网络结构包括输入层、损坏输入层、隐藏层以及输出层；堆叠降噪自动编码器在对编码之前的数据执行随机损坏处理，将噪声添加到训练数据中，从而迫使编码器从输入层数据中学习并提取更好的QoS特征信息；令x_i表示原始输入数据样本，其中1≤i≤D，且D为堆叠降噪自动编码器输入层的样本总数；表示加入了高斯噪声之后的损坏数据，W₁和W₂分别代表编码器和解码器的权重；b₁和b₂代表偏置项，堆叠降噪自动编码器(SDAE)的编码函数对原始输入进行编码，得到新的特征表征编码过程如下所示：

其中sigm(·)是sigmoid函数，sigm(x)＝1/(1+exp(-x))，它被用来作为非线性确定性的映射；解码函数将来自隐藏层的表征h_i输入重构为原始输入解码过程如下所示：

训练堆叠降噪自动编码器的目的是优化参数集合Θ＝{W₁，W₂，b₁，b₂}以最小化x_i和之间的重构误差；令L(Θ)代表堆叠降噪自动编码器的损失函数，降噪自动编码器的优化目标函数表示为：

在最小化损失函数的过程中，同时考虑到堆叠降噪自动编码器的复杂度，将模型的复杂度也作为其中一项指标参与到训练的过程中，进而约束模型；在损失函数后加入基于权重衰减的正则项，以提升模型的泛化效果以避免过拟合；权重衰减是放在正则项前的系数，用于调节模型复杂度对损失函数的影响；

采用x和的交叉熵作为损失函数；其中为堆叠降噪自动编码器在第j个时间片时，第i个样本的权重向量的平方损失函数值，其中，1≤j≤T-1，T为时间片的总数；1≤i≤D，D为堆叠降噪自动编码器输入层的样本总数；γ是正则项的权重调节系数；0.001≤γ≤0.002；由此得到最终的损失函数如下所示：

其中交叉熵损失函数可表示为：

根据上式，堆叠降噪自动编码器的损失优化函数可表示为：

通过使用拟牛顿法进行求解，用于估计参数其中为编码器权重的估计值，为解码器权重的估计值，为偏置项b₁的估计值，为偏置项b₂的估计值，通过使用求得的估计参数作为堆叠降噪自动编码器网络模型的参数，得到反应虚拟机QoS特征信息的低维矩阵M₂；

以云任务的最大响应时间T_response作为数据中心服务质量的评估标准；令T_max表示云任务的最大响应时间；T_SLA表示服务水平协议指定的最大响应时间；T_DAE表示堆叠降噪自动编码器通过当前虚拟机的QoS特征信息矩阵M₂与T_SLA的余弦相似度计算出在该虚拟机上的云任务最大响应时间；T_response小于T_DAE和T_SLA之间的最小值；总体的协同优化目标函数如下：

T_response＜T_max

T_max＝min(T_DAE，T_SLA) (10)；

S3、结合云任务到达排队模型、协同优化目标优化函数和李雅普诺夫优化方法，求得满足能耗与QoS优化调度的虚拟机应该具备的云任务队列长度条件，得到基于李雅普诺夫优化理论的资源调度算法，采用资源调度算法将能耗与QoS协同优化的资源调度问题具体到每一个时间片内进行求解，实现基于能耗与QoS协同优化的资源调度。