【技術(shù)領(lǐng)域】

本發(fā)明涉及云計(jì)算技術(shù)領(lǐng)域，尤其是涉及一種云服務(wù)中心服務(wù)效用最大化的虛擬機(jī)分配方法。

背景技術(shù)：

公知的，最新的成本分析表明服務(wù)器成本在云服務(wù)中心總成本中占據(jù)支配地位，提高服務(wù)器資源利用率、最大化服務(wù)效用的資源分配已成為云服務(wù)提供者降低運(yùn)營成本、獲取最大利潤的關(guān)鍵，針對(duì)云服務(wù)中心提供多種云服務(wù)時(shí)，不同類型云服務(wù)請(qǐng)求的到達(dá)速率可能不同、不同用戶對(duì)服務(wù)質(zhì)量要求可能不同，提出云服務(wù)中心服務(wù)效用最大化的虛擬機(jī)分配方法，給出和云服務(wù)質(zhì)量高低相關(guān)的服務(wù)損失函數(shù)和服務(wù)收益函數(shù)，促使云資源在執(zhí)行不同云服務(wù)的子服務(wù)中心之間進(jìn)行動(dòng)態(tài)資源分配，最后，以最大化整個(gè)服務(wù)中心的服務(wù)效用為目標(biāo)，給出基于整數(shù)編碼的最優(yōu)分配方案求解的單親遺傳算法sopga，模擬實(shí)驗(yàn)表明所提虛擬機(jī)分配算法能夠有效提高云服務(wù)中心的服務(wù)效用，對(duì)提高資源利用率和服務(wù)質(zhì)量都具有實(shí)際意義。

云計(jì)算已成為計(jì)算資源和計(jì)算服務(wù)整合的有效方式，云計(jì)算能夠提供最具成本效益的計(jì)算資源和計(jì)算服務(wù)，云計(jì)算通過使用按次計(jì)費(fèi)，把信息技術(shù)轉(zhuǎn)變成普通商品，然而，云計(jì)算資源并不是免費(fèi)的，云服務(wù)提供者采取恰當(dāng)?shù)馁Y源供應(yīng)策略至關(guān)重要，云計(jì)算服務(wù)環(huán)境可看做是由三層組成：底層是虛擬機(jī)供應(yīng)商；中間層是云服務(wù)提供商；最上層云服務(wù)消費(fèi)者，虛擬機(jī)供應(yīng)商擁有大量可供租用的虛擬機(jī)，服務(wù)提供商從虛擬機(jī)供應(yīng)商那里租用一些虛擬機(jī)，建立多虛擬機(jī)服務(wù)系統(tǒng)，向云服務(wù)消費(fèi)者提供某種云服務(wù)。

一個(gè)云服務(wù)消費(fèi)者向服務(wù)提供商提交服務(wù)請(qǐng)求，從服務(wù)提供商收到期望的處理結(jié)果后，按服務(wù)質(zhì)量協(xié)定向服務(wù)提供商支付一定的費(fèi)用，實(shí)際上，一個(gè)服務(wù)提供商通常構(gòu)建多個(gè)虛擬機(jī)系統(tǒng)，同時(shí)提供多種服務(wù)。

在云環(huán)境下，服務(wù)請(qǐng)求用戶對(duì)申請(qǐng)使用的資源的關(guān)注主要包括資源的可用性、響應(yīng)時(shí)間、排隊(duì)長度以及可靠性等，在云系統(tǒng)中，用戶與服務(wù)提供者的服務(wù)交易通常是按服務(wù)級(jí)協(xié)定(servicelevelagreement,sla)的約定進(jìn)行的，服務(wù)級(jí)協(xié)定約定了服務(wù)提供者和使用者的義務(wù)，以及對(duì)服務(wù)質(zhì)量(qos)性能指標(biāo)的要求，qos的性能指標(biāo)主要包括響應(yīng)時(shí)間、任務(wù)等待服務(wù)的概率、系統(tǒng)中的平均任務(wù)數(shù)等，服務(wù)提供者和使用者之間任何一方違反了sla契約，都需要根據(jù)相應(yīng)的服務(wù)條款作出賠償，因此，對(duì)云服務(wù)提供者來說，一種合理高效的資源分配策略應(yīng)能節(jié)省運(yùn)營成本同時(shí)滿足sla的約定。

然而，要想獲得最大的服務(wù)效用，云服務(wù)提供者就必須合理解決資源供應(yīng)不足和資源供應(yīng)過量的問題，資源供應(yīng)不足雖然能維持較高的資源利用率、節(jié)省資源供應(yīng)成本，但這可能使系統(tǒng)在峰值負(fù)載下服務(wù)性能低下，導(dǎo)致用戶任務(wù)等待時(shí)間過長，下次不再選用該云服務(wù)，可能會(huì)影響到其朋友將來是否選取該云服務(wù)，甚至用戶立即放棄使用該云服務(wù)，這將給云服務(wù)效用帶來損失，相反，過量的資源供應(yīng)雖能滿足峰值負(fù)載的服務(wù)質(zhì)量要求，能給用戶提供滿意的服務(wù)，進(jìn)而吸引更多用戶使用該云服務(wù)，從而進(jìn)一步增加云服務(wù)的效用，但這會(huì)引起服務(wù)成本的增加，在負(fù)載較小時(shí)帶來資源浪費(fèi)，因此，如何恰當(dāng)?shù)剡M(jìn)行資源供應(yīng)以獲取最大的服務(wù)效用是云服務(wù)系統(tǒng)發(fā)展中最富挑戰(zhàn)的問題之一。

隨著云計(jì)算的到來，特別是基礎(chǔ)設(shè)施即服務(wù)商業(yè)模型的到來，虛擬機(jī)分配引起許多研究團(tuán)體的格外關(guān)注，虛擬機(jī)的分配，尤其向負(fù)載動(dòng)態(tài)變化的服務(wù)中心分配虛擬機(jī)，已成為在這些基礎(chǔ)設(shè)施中的關(guān)鍵操作，雖然虛擬機(jī)監(jiān)控器提供了一些機(jī)制幫客戶和服務(wù)提供者決定如何資源共享、如何平衡資源分配，但在實(shí)際操作過程中并不容易。

近幾年，開展了很多提高云服務(wù)中心服務(wù)效用的虛擬機(jī)分配機(jī)制的研究，cao等研究了云環(huán)境下利潤最大化的最優(yōu)服務(wù)器數(shù)量配置問題，其將多服務(wù)器系統(tǒng)看作m/m/m排隊(duì)模型，提出的利潤最大化的云服務(wù)定價(jià)模型考慮了服務(wù)質(zhì)量、服務(wù)級(jí)協(xié)定、低服務(wù)質(zhì)量懲罰、租用成本等因素。feng等基于sla，提出最大化服務(wù)提供者服務(wù)收益的動(dòng)態(tài)資源分配策略，其用排隊(duì)論形式化地描述資源分配問題。josé等提出距離相關(guān)的非線性效用遞減的虛擬機(jī)調(diào)度策略。許力等將云計(jì)算中的虛擬資源分配問題建模為多目標(biāo)優(yōu)化模型，針對(duì)不同特征的虛擬主機(jī)和服務(wù)器需求生成虛擬資源分配方案。文雨等提出一種面向應(yīng)用服務(wù)級(jí)目標(biāo)的虛擬化資源管理方法，通過動(dòng)態(tài)調(diào)整虛擬機(jī)資源分配來實(shí)現(xiàn)每個(gè)應(yīng)用的服務(wù)目標(biāo)，通過仲裁不同應(yīng)用的資源分配請(qǐng)求來控制虛擬機(jī)在非虛擬化資源上的競爭干擾。師雪霖等提出了云效用最大化(cloudutilitymaximization,cum)資源分配模型，以達(dá)到效用最大為調(diào)度目標(biāo)，通過求解cum優(yōu)化問題得到最優(yōu)的虛擬機(jī)和物理機(jī)映射關(guān)系。唐卓等針對(duì)用戶任務(wù)到達(dá)時(shí)間和任務(wù)類型的隨機(jī)性，基于線性規(guī)劃理論提出了云環(huán)境中面向用戶效用的任務(wù)調(diào)度優(yōu)化模型。

上述文獻(xiàn)從不同方面研究了提高云服務(wù)效用的方法，但這些文獻(xiàn)都沒有考慮服務(wù)質(zhì)量的高低如何影響云服務(wù)中心的服務(wù)效用、服務(wù)效用與服務(wù)完成質(zhì)量之間的關(guān)系如何、以及云服務(wù)中心服務(wù)效用最大化的最優(yōu)虛擬機(jī)數(shù)量如何求解，基于這些問題，本文分析了任務(wù)在云系統(tǒng)中逗留單位時(shí)間致使云系統(tǒng)遭受的服務(wù)損失，分析了服務(wù)中心對(duì)任務(wù)的響應(yīng)時(shí)間的長短如何影響服務(wù)效用，并給出了云服務(wù)中心服務(wù)效用最大化所需處理機(jī)數(shù)量的計(jì)算方法。

技術(shù)實(shí)現(xiàn)要素：

為了克服背景技術(shù)中的不足，本發(fā)明公開了一種云服務(wù)中心服務(wù)效用最大化的虛擬機(jī)分配方法，本發(fā)明做出了任務(wù)在云系統(tǒng)中逗留單位時(shí)間致使云系統(tǒng)遭受的服務(wù)損失，以及服務(wù)中心對(duì)任務(wù)的響應(yīng)時(shí)間的長短對(duì)服務(wù)效用的影響，并給出了云服務(wù)中心服務(wù)效用最大化所需處理機(jī)數(shù)量的計(jì)算方法。

為了實(shí)現(xiàn)所述發(fā)明目的，本發(fā)明采用如下技術(shù)方案：

一種云服務(wù)中心服務(wù)效用最大化的虛擬機(jī)分配方法，包括云服務(wù)中心、隨機(jī)任務(wù)模型、云服務(wù)中心模型和云資源分配模型，云服務(wù)中心由隨機(jī)任務(wù)模型、云服務(wù)中心模型和云資源分配模型構(gòu)成，隨機(jī)任務(wù)模型向云服務(wù)中心發(fā)送服務(wù)請(qǐng)求，云服務(wù)中心根據(jù)隨機(jī)任務(wù)模型發(fā)送的請(qǐng)求由云資源分配模型為隨機(jī)任務(wù)模型進(jìn)行服務(wù)。

所述隨機(jī)任務(wù)模型用一個(gè)三元組(t,λ,c)來表示，其中，t＝{ti|1≤i≤m}表示任務(wù)類型集合，ti表示第i類任務(wù)，m表示任務(wù)類型的數(shù)目；λ＝{λi|1≤i≤m}表示任務(wù)的平均達(dá)到率集合，λi表示ti類任務(wù)單位時(shí)間內(nèi)的平均到達(dá)數(shù)量；c＝{ci|1≤i≤m}表示不同類型任務(wù)期望響應(yīng)時(shí)間的集合，ci表示ti類型任務(wù)的期望響應(yīng)時(shí)間，因此，第i類計(jì)算任務(wù)可表示為(ti,λi,ci)，其中，ti∈t，λi∈λ，ci∈c。對(duì)于到達(dá)云系統(tǒng)的隨機(jī)任務(wù)，其隨機(jī)分布和平均到達(dá)率可通過分析云系統(tǒng)的監(jiān)測數(shù)據(jù)得到。

所述云服務(wù)中心模型用三元組(p,s,e)表示，其中，p＝{pi|1≤i≤m}表示云服務(wù)中心中虛擬機(jī)組的集合，m表示虛擬機(jī)組的個(gè)數(shù)，一個(gè)虛擬機(jī)組相當(dāng)于一個(gè)子服務(wù)中心；pi＝{vmij|1≤j≤ni}表示執(zhí)行第i類型任務(wù)的虛擬機(jī)的集合，ni表示執(zhí)行第i類型任務(wù)的虛擬機(jī)的個(gè)數(shù)；s＝{μi|1≤i≤m}表示表示虛擬機(jī)平均服務(wù)率集合，其中，μi表示執(zhí)行第i類型任務(wù)的虛擬機(jī)的服務(wù)速率，一個(gè)組內(nèi)的虛擬機(jī)具有相同的服務(wù)速率；e＝{ei|1≤i≤m}表示云計(jì)算系統(tǒng)中虛擬機(jī)單位時(shí)間租用價(jià)格的集合，其中ei表示執(zhí)行第i類型任務(wù)的虛擬機(jī)的單位時(shí)間租用價(jià)格。

所述云資源分配模型為云服務(wù)中心根據(jù)用戶的任務(wù)處理需求，通過向iaas提供商、paas提供商租借自己所需的虛擬機(jī)來組建saas，向云用戶提供任務(wù)處理服務(wù)，由于不同云資源提供商提供的資源類型、價(jià)格和性能等各不相同，因而云計(jì)算服務(wù)中心可根據(jù)任務(wù)的到達(dá)情況租用適當(dāng)數(shù)目的虛擬機(jī)機(jī)來處理用戶的任務(wù)，以最大化自己的服務(wù)效用，向云服務(wù)中心請(qǐng)求服務(wù)的服務(wù)請(qǐng)求都能被安排到一個(gè)合適的虛擬機(jī)上進(jìn)行處理，直到服務(wù)請(qǐng)求處理完才離開云系統(tǒng)，不同類型的服務(wù)請(qǐng)求被安排到不同的云服務(wù)中心的子服務(wù)中心的虛擬機(jī)上進(jìn)行處理，云服務(wù)中心的任務(wù)處理過程可描述為：不同類型的任務(wù)以不同的速率到達(dá)云計(jì)算服務(wù)中心隊(duì)列，全局任務(wù)調(diào)度器根據(jù)任務(wù)類型的不同，將任務(wù)調(diào)度到相應(yīng)類型的云服務(wù)中心的子服務(wù)中心任務(wù)隊(duì)列，然后由云服務(wù)中心的子服務(wù)中心任務(wù)調(diào)度器將任務(wù)調(diào)度相應(yīng)的虛擬機(jī)上進(jìn)行處理，每個(gè)任務(wù)到達(dá)云服務(wù)中心的子服務(wù)中心任務(wù)隊(duì)列的間隔相互獨(dú)立，且服從同一參數(shù)的負(fù)指數(shù)分布；虛擬機(jī)處理任務(wù)的服務(wù)時(shí)間相互獨(dú)立，且服從同一參數(shù)的負(fù)指數(shù)分布；任務(wù)到達(dá)的間隔時(shí)間與虛擬機(jī)服務(wù)的時(shí)間相互獨(dú)立，每種類型任務(wù)的處理過程，相當(dāng)于一個(gè)m/m/n型排隊(duì)模型。

所述用戶提交到服務(wù)中心任務(wù)隊(duì)列的不同類型的任務(wù)由全局調(diào)度器分別分派到相應(yīng)任務(wù)類型的子服務(wù)中心任務(wù)隊(duì)列中，然后由子任務(wù)調(diào)度器將任務(wù)調(diào)度虛擬機(jī)上進(jìn)行處理，不同類型任務(wù)ti的執(zhí)行過程可看作是m/m/n排隊(duì)系統(tǒng)，即相當(dāng)于一個(gè)多服務(wù)窗排隊(duì)模型，對(duì)ti類型任務(wù)，設(shè)執(zhí)行該類型任務(wù)的虛擬機(jī)有ni個(gè)，各虛擬機(jī)的服務(wù)能力相同，每個(gè)虛擬機(jī)每次只處理一個(gè)任務(wù)，虛擬機(jī)對(duì)ti類型任務(wù)的服務(wù)時(shí)間服從參數(shù)為μi的負(fù)指數(shù)分布；ti類型任務(wù)的到達(dá)率為λi，每個(gè)任務(wù)所需服務(wù)時(shí)間獨(dú)立；服務(wù)ti類型任務(wù)的整個(gè)服務(wù)系統(tǒng)的平均服務(wù)率應(yīng)為niμi，服務(wù)強(qiáng)度為當(dāng)時(shí)，服務(wù)ti類型任務(wù)的服務(wù)系統(tǒng)存在平穩(wěn)分布，記當(dāng)云服務(wù)中心的子服務(wù)中心任務(wù)隊(duì)列容量為無限，服務(wù)ti類型任務(wù)的虛擬機(jī)空閑的概率為：

由k氏代數(shù)方程，可求出得出服務(wù)ti類型任務(wù)的子服務(wù)中心中有k個(gè)任務(wù)的概率：

服務(wù)ti類型任務(wù)的子服務(wù)中心中排隊(duì)等待服務(wù)的平均任務(wù)數(shù)為：

服務(wù)ti類型任務(wù)的子服務(wù)中心中任務(wù)數(shù)的均值為：

服務(wù)ti類型任務(wù)的子服務(wù)中心中任務(wù)的平均排隊(duì)時(shí)間為：

服務(wù)ti類型任務(wù)的子服務(wù)中心對(duì)任務(wù)的平均響應(yīng)時(shí)間為：

所述云服務(wù)中心還包括服務(wù)損失，服務(wù)損失通過問卷調(diào)查的方式得到可能減少的用戶數(shù)，從而算出等候時(shí)間與損失的關(guān)系，云服務(wù)損失的計(jì)算如下：對(duì)ti類型任務(wù)，記ei為處理機(jī)pi的單位時(shí)間租用價(jià)格，ti類型任務(wù)在云服務(wù)中心中逗留單位時(shí)間致使云服務(wù)中心遭受的服務(wù)損失sli定義為：其中ai是一個(gè)表示任務(wù)價(jià)值大小的常數(shù)，任務(wù)的價(jià)值越大ai值越大，wⁱ為ti類型任務(wù)的最大容忍響應(yīng)時(shí)間，為服務(wù)中心對(duì)ti類型任務(wù)的平均響應(yīng)時(shí)間，完成任務(wù)的平均響應(yīng)時(shí)間越長，云服務(wù)中心遭受的損失越大；在平均響應(yīng)時(shí)間相同的情況下，最大容忍響應(yīng)時(shí)間越小，云服務(wù)中心遭受的損失越大；在平均響應(yīng)時(shí)間和最大容忍響應(yīng)時(shí)間相同的情況下，ai值越大，云服務(wù)中心遭受的損失越大，在最大容忍響應(yīng)時(shí)間取不同數(shù)值時(shí)，隨著服務(wù)中心對(duì)任務(wù)的平均響應(yīng)時(shí)間的增加，云服務(wù)中心遭受的損失越來越大，增速越來越快；最大容忍響應(yīng)時(shí)間越小，隨著平均響應(yīng)時(shí)間的增加，服務(wù)中心遭受損失的增速越來越大。

所述云服務(wù)中心還包括服務(wù)收益，云服務(wù)中心完成每個(gè)任務(wù)所獲得的服務(wù)收益sri與完成任務(wù)的響應(yīng)時(shí)間有關(guān)，響應(yīng)時(shí)間越小，收益值越大，云服務(wù)中心完成ti類型任務(wù)所獲得的服務(wù)收益sri定義為：

其中bi是一個(gè)表示任務(wù)價(jià)值大小的常數(shù)，任務(wù)的價(jià)值越大，bi值越大，wⁱ為ti類型任務(wù)所能容忍的最大響應(yīng)時(shí)間，為服務(wù)中心對(duì)ti類型任務(wù)的平均響應(yīng)時(shí)間，完成任務(wù)的平均響應(yīng)時(shí)間越短，云服務(wù)中心所獲得的服務(wù)收益越大；在平均響應(yīng)時(shí)間相同的情況下，最大容忍響應(yīng)時(shí)間越大，云服務(wù)中心所獲得的服務(wù)收益越大；在平均響應(yīng)時(shí)間和最大容忍響應(yīng)時(shí)間相同的情況下，bi值越大，云服務(wù)中心所獲得的服務(wù)收益越大，在最大容忍響應(yīng)時(shí)間w取不同數(shù)值時(shí)，隨著服務(wù)中心對(duì)任務(wù)的平均響應(yīng)時(shí)間的增加，云服務(wù)中心所獲得的服務(wù)收益越來越小，最大容忍響應(yīng)時(shí)間越大服務(wù)收益減少地越快。

所述云服務(wù)中心還包括服務(wù)效用，服務(wù)效用為云服務(wù)中心用ni個(gè)虛擬機(jī)處理到達(dá)率為λi的ti類型任務(wù)，單位時(shí)間所獲得的服務(wù)效用f(λi,ni,μi)定義為：

其中，ni是離散的，且λi/(niμi)<1，為云服務(wù)中心中ti類型任務(wù)數(shù)量的均值(包括正被服務(wù)和排隊(duì)等候的任務(wù)數(shù)均值)，可采用邊際分析法求出最優(yōu)的ni，即使所求的必須同時(shí)滿足

由上式即可求出最優(yōu)的即當(dāng)處理數(shù)為時(shí)服務(wù)中心的服務(wù)效用最大。

所述服務(wù)效用最大化的計(jì)算為：對(duì)ti類型任務(wù)，假設(shè)用戶所能容忍的最長平均等待時(shí)間為所能容忍自己所在隊(duì)列的最長平均等待隊(duì)長為使服務(wù)效用f(λi,ni,μi)取最大值的ni的求解可用下面式子表示：

式子一：

假定云服務(wù)中心總的虛擬機(jī)個(gè)數(shù)為n，將這些虛擬機(jī)分配給m類型的任務(wù)，使整個(gè)云服務(wù)中心的服務(wù)效用最大的各類型虛擬機(jī)數(shù)ni的求解可用如下式子表示：

式子二：

從上式可以看出為了最大化整個(gè)云服務(wù)中心的服務(wù)效用，需要將n個(gè)虛擬機(jī)在m類型任務(wù)之間做出恰當(dāng)?shù)膭澐?，即通過動(dòng)態(tài)調(diào)整租用的虛擬機(jī)數(shù)量、最大化云服務(wù)中心服務(wù)效用的實(shí)質(zhì)是：實(shí)時(shí)監(jiān)測不同類型任務(wù)的到達(dá)速率和服務(wù)質(zhì)量要求，按服務(wù)效用最大化在子云服務(wù)中心之間增加或減少租用的虛擬機(jī)數(shù)；若在不同子云服務(wù)中心之間經(jīng)過虛擬機(jī)數(shù)量的調(diào)整分配仍舊不能滿足個(gè)別類型任務(wù)的服務(wù)質(zhì)量要求時(shí)，按效用最大化租用新的虛擬機(jī)分配給這些子云服務(wù)中心，也就是說服務(wù)中心要不斷監(jiān)測不同類型任務(wù)的到達(dá)速率，為不同子云服務(wù)中心配置恰當(dāng)數(shù)目的虛擬機(jī)，從而最大化整個(gè)云服務(wù)中心的服務(wù)效用；滿足式子二的各子服務(wù)中心最優(yōu)ni的求解是np問題，通過啟發(fā)式算法來求解為每個(gè)子服務(wù)中心分配的虛擬機(jī)數(shù)ni，求解各子服務(wù)中心最優(yōu)虛擬機(jī)數(shù)ni的問題表示為：對(duì)于給定的各類型任務(wù)的到達(dá)率λi(從過去時(shí)間窗的到達(dá)率數(shù)據(jù)預(yù)測得到)，各類型任務(wù)的服務(wù)損失sli、服務(wù)收益sri，裁決各子服務(wù)中心應(yīng)分配虛擬機(jī)數(shù)量的分配向量n1,n2,…,nm使得各子服務(wù)中心服務(wù)效用f(λi,ni,μi)總的服務(wù)效用f(λ,m,n)最大，對(duì)每種分配方案計(jì)算總的服務(wù)效用f(λ,m,n)，從中選出有最大服務(wù)效用的虛擬機(jī)分配方案，n個(gè)虛擬機(jī)分配到m個(gè)服務(wù)中心的不同分配方案數(shù)s等于整數(shù)n的有序m分拆的個(gè)數(shù)這種窮舉搜索的方法僅在n和m較小時(shí)可行的，對(duì)給定的λi求解服務(wù)效用最大所需的虛擬機(jī)數(shù)的時(shí)間復(fù)雜性為o(1)，在線窮舉搜索尋找最優(yōu)向量(n1,n2,…,nm)是非常費(fèi)時(shí)的，用快速的搜索算法來取代，直覺上當(dāng)為某一服務(wù)中心分配的虛擬機(jī)數(shù)達(dá)到一定數(shù)量時(shí)，再增加虛擬機(jī)數(shù)量時(shí)，對(duì)任務(wù)的平均響應(yīng)時(shí)間減少很小時(shí)，所獲得的服務(wù)效用并不會(huì)增加太多，由于虛擬機(jī)租用成本的存在，該服務(wù)中心的服務(wù)效用可能減少，與此相反，當(dāng)為某一服務(wù)中心分配的虛擬機(jī)數(shù)減小到一定數(shù)量時(shí)，再減少虛擬機(jī)數(shù)量時(shí)，雖能減少虛擬機(jī)的租用費(fèi)用，虛擬機(jī)減少可能造成服務(wù)中心對(duì)任務(wù)的平均響應(yīng)時(shí)間迅速增加，導(dǎo)致服務(wù)效用急劇減少，進(jìn)而導(dǎo)致服務(wù)效用減少，基于上述分析，給出基于整數(shù)編碼的求解最優(yōu)分配方案的單親遺傳算法，該方法命名為sopga，即：partheno-geneticalgorithmtosolvetheoptimalallocationschemebasedonintegercoding，以加快搜索的速度，對(duì)每個(gè)服務(wù)中心sci，根據(jù)它的任務(wù)到達(dá)率，求出服務(wù)效用最大所需的虛擬機(jī)數(shù)及該虛擬機(jī)數(shù)數(shù)值附近的其它使服務(wù)效用較高的虛擬機(jī)數(shù)共s個(gè)數(shù)值{xi(ki)|ki＝1,2,…,s}，作為服務(wù)中心虛擬機(jī)數(shù)ni的可能取值，從而將虛擬機(jī)最優(yōu)分配問題轉(zhuǎn)化為從有限個(gè)方案中尋找最優(yōu)方案的組合優(yōu)化問題，sopga的求解過程如下：

第一步，分配方案的染色體編碼，由于每個(gè)子服務(wù)中心虛擬機(jī)數(shù)的取值只有s個(gè)，即ni∈{xi(ki)|ki＝1,2,…,s}。因此，可在xi(ki)與整數(shù)ki∈{1,2,…,s}之間建立一一對(duì)應(yīng)關(guān)系：

式子三：

ni＝xi(ki)，i＝1,2,…,m

將分配給m個(gè)服務(wù)中心sc1,sc2,..,scm虛擬機(jī)數(shù)的一組取值作為分配方案的染色體編碼，通過這樣的編碼，問題的解空間共有s^m個(gè)編碼串；

第二步，父代群體的初始化，構(gòu)造初始父代群體時(shí)，初始父代個(gè)體應(yīng)盡可能均勻分布于解空間，以保證遺傳算法的搜索效率，且每個(gè)父代個(gè)體應(yīng)滿足式x1(k1)+x2(k2)+…+xm(km)≤n的總量約束條件，設(shè)群體規(guī)模為w，采用隨機(jī)方法產(chǎn)生初始父代群體{y(i,j)|i＝1,2,…,w；j＝1,2,…,m}，其中，i為父代個(gè)體標(biāo)號(hào)，j為服務(wù)中心標(biāo)號(hào)，首先在[0,1]區(qū)間上生成m個(gè)均勻隨機(jī)數(shù){u(i,j)|j＝1,2,…,m}，令y(i,j)＝int[u(i,j)×s+1]，若不能滿足總量約束條件，則重新生成隨機(jī)數(shù)，直到條件滿足為止，這樣就得到第i個(gè)父代個(gè)體，同理可得其它w-1個(gè)初始父代個(gè)體，int[]為取整函數(shù)；

第三步，父代群體的適應(yīng)度評(píng)價(jià)，把父代個(gè)體代入式子三得到每個(gè)服務(wù)中心分配的虛擬機(jī)數(shù)，再由f(λ,m,n)得到該分配方案對(duì)應(yīng)的服務(wù)效用值f(i)，并將其作為適應(yīng)度函數(shù)值，即服務(wù)效用f(i)值越大，表示該個(gè)體的適應(yīng)度值越高，i＝1,2,…,w；

第四步，換位變異，正比于父代個(gè)體的服務(wù)效用值，選取一個(gè)父代個(gè)體進(jìn)行換位變異。所謂換位變異就是在父代個(gè)體的1～m基因位上隨機(jī)選取不同的兩個(gè)基因位，并交換這兩個(gè)基因位的值，這樣可得到第1個(gè)子代群體{c1(i,j)|i＝1,2,…,w；j＝1,2,…,m}。換位變異的物理意義是交換任意兩服務(wù)中心的虛擬機(jī)數(shù)量；

第五步，隨機(jī)變異，對(duì)任意父代個(gè)體，若它的適應(yīng)度函數(shù)值f(i)較小，則選擇概率sp越小，則對(duì)該個(gè)體進(jìn)行變異的概率mp應(yīng)越大。隨機(jī)變異操作就是用第(2)步隨機(jī)生成個(gè)體的方法產(chǎn)生一個(gè)新個(gè)體，并以pm＝1-sp的概率代替父代個(gè)體，從而得到第2個(gè)子代群體{c2(i,j)|i＝1,2,…,w；j＝1,2,…,m}。隨機(jī)變異的物理意義是隨機(jī)產(chǎn)生一個(gè)虛擬機(jī)分配方案，并以某概率替換一個(gè)舊的虛擬機(jī)分配方案；

第六步，倒位變異，在父代個(gè)體c(i,j)的1～m基因位上隨機(jī)選取不同的兩個(gè)基因位g1和g2，設(shè)g1<g2,然后對(duì)g1～g2基因位上的值反序排列，得到第3個(gè)子代群體{c3(i,j)|i＝1,2,…,w；j＝1,2,…,m}；

第七步，演化，將由第四步到第六步得到的三個(gè)子代群體，按其適應(yīng)度函數(shù)值從大到小進(jìn)行統(tǒng)一排序，取適應(yīng)度函數(shù)值最大的m個(gè)子代個(gè)體作為新的父代群體，轉(zhuǎn)入第三步，進(jìn)入下一輪次的演化過程，如此反復(fù)演化，直至最優(yōu)個(gè)體對(duì)應(yīng)的服務(wù)效用值大于某一設(shè)定值或算法運(yùn)行達(dá)到預(yù)定演化代數(shù)，結(jié)束整個(gè)算法的運(yùn)行，并把當(dāng)前群體中最優(yōu)個(gè)體所對(duì)應(yīng)的虛擬機(jī)分配方案作為sopga的結(jié)果。

由于采用了上述技術(shù)方案，本發(fā)明具有如下有益效果：

本發(fā)明所述的一種云服務(wù)中心服務(wù)效用最大化的虛擬機(jī)分配方法，包括，通過的目的；本發(fā)明實(shí)用性強(qiáng)，使用都非常的方便，針對(duì)云服務(wù)中心提供多種云服務(wù)時(shí)，不同云服務(wù)請(qǐng)求強(qiáng)度的不同、用戶服務(wù)質(zhì)量要求的不同，提出最大化服務(wù)中心總服務(wù)效用的虛擬機(jī)分配方案，給出和云服務(wù)質(zhì)量高低相關(guān)的服務(wù)損失函數(shù)和服務(wù)收益函數(shù)，促使云資源在執(zhí)行不同云服務(wù)的子服務(wù)中心之間的動(dòng)態(tài)資源分配，最后，以最大化整個(gè)服務(wù)中心的服務(wù)效用為目標(biāo)，給出基于整數(shù)編碼的最優(yōu)分配方案求解的單親遺傳算法sopga，模擬實(shí)驗(yàn)表明所提虛擬機(jī)分配算法能夠有效提高云服務(wù)中心的服務(wù)效用，對(duì)提高資源利用率和服務(wù)質(zhì)量都具有實(shí)際意義。

【附圖說明】

圖1為本發(fā)明的云服務(wù)中心的任務(wù)排隊(duì)調(diào)度模型；

圖2為本發(fā)明的云服務(wù)中心遭受損失的變化情況示意圖；

圖3為本發(fā)明的云服務(wù)中心獲得的服務(wù)收益變化情況示意圖；

圖4為本發(fā)明的子服務(wù)中心平均響應(yīng)時(shí)間與虛擬機(jī)數(shù)量變化情況示意圖；

圖5為本發(fā)明的子服務(wù)中心單位時(shí)間的服務(wù)效用與虛擬機(jī)數(shù)量變化情況示意圖；

圖6為本發(fā)明的子服務(wù)中心的平均響應(yīng)時(shí)間與λ的值變化情況示意圖；

圖7為本發(fā)明的子服務(wù)中心的單位時(shí)間的服務(wù)效用與λ的值變化情況示意圖；

圖8為本發(fā)明的子服務(wù)中心在sopga和服務(wù)效用最大(optimal)兩種虛擬機(jī)分配方案下服務(wù)中心總的服務(wù)效用變化情況示意圖；

【具體實(shí)施方式】

通過下面的實(shí)施例可以詳細(xì)的解釋本發(fā)明，公開本發(fā)明的目的旨在保護(hù)本發(fā)明范圍內(nèi)的一切技術(shù)改進(jìn)。

結(jié)合附圖1～8所述的一種云服務(wù)中心服務(wù)效用最大化的虛擬機(jī)分配方法，包括云服務(wù)中心、隨機(jī)任務(wù)模型、云服務(wù)中心模型和云資源分配模型，云服務(wù)中心由隨機(jī)任務(wù)模型、云服務(wù)中心模型和云資源分配模型構(gòu)成，隨機(jī)任務(wù)模型向云服務(wù)中心發(fā)送服務(wù)請(qǐng)求，云服務(wù)中心根據(jù)隨機(jī)任務(wù)模型發(fā)送的請(qǐng)求由云資源分配模型為隨機(jī)任務(wù)模型進(jìn)行服務(wù)。

由于云用戶可以隨時(shí)隨地向云計(jì)算系統(tǒng)提交服務(wù)請(qǐng)求，導(dǎo)致任務(wù)達(dá)到云計(jì)算系統(tǒng)是隨機(jī)的，任務(wù)到達(dá)云計(jì)算系統(tǒng)的時(shí)間間隔可能服從負(fù)指數(shù)分布、erlang分布等其它隨機(jī)分布，云用戶提交的任務(wù)類型可分為計(jì)算密集型、通信密集型、數(shù)據(jù)密集型和i/o密集型等，不同類型任務(wù)要處理的數(shù)據(jù)形式和問題規(guī)模一般不同，為了簡化問題的討論，本文假定同一類型任務(wù)的計(jì)算量相同，不同用戶提交的任務(wù)之間是相互獨(dú)立的。

云服務(wù)中心根據(jù)用戶的任務(wù)處理需求，通過向iaas提供商、paas提供商租借自己所需的虛擬機(jī)來組建saas，向云用戶提供任務(wù)處理服務(wù)，由于不同云資源分配模塊提供商提供的資源類型、價(jià)格和性能等各不相同，因而云計(jì)算服務(wù)中心可根據(jù)任務(wù)的到達(dá)情況租用適當(dāng)數(shù)目的虛擬機(jī)機(jī)來處理用戶的任務(wù)，以最大化自己的服務(wù)效用，我們假定向云服務(wù)中心請(qǐng)求服務(wù)的服務(wù)請(qǐng)求都能被安排到一個(gè)合適的虛擬機(jī)上進(jìn)行處理，直到服務(wù)請(qǐng)求處理完才離開云系統(tǒng)，不同類型的服務(wù)請(qǐng)求被安排到不同子服務(wù)中心的虛擬機(jī)上進(jìn)行處理。

云服務(wù)中心的任務(wù)處理過程可描述為：不同類型的任務(wù)以不同的速率到達(dá)云計(jì)算服務(wù)中心隊(duì)列，全局任務(wù)調(diào)度器根據(jù)任務(wù)類型的不同，將任務(wù)調(diào)度到相應(yīng)類型的子服務(wù)中心任務(wù)隊(duì)列，然后由子服務(wù)中心任務(wù)調(diào)度器將任務(wù)調(diào)度相應(yīng)的虛擬機(jī)上進(jìn)行處理，結(jié)合附圖1所示，為了便于研究，假定每個(gè)任務(wù)到達(dá)子服務(wù)中心任務(wù)隊(duì)列的間隔相互獨(dú)立，且服從同一參數(shù)的負(fù)指數(shù)分布；虛擬機(jī)處理任務(wù)的服務(wù)時(shí)間相互獨(dú)立，且服從同一參數(shù)的負(fù)指數(shù)分布；任務(wù)到達(dá)的間隔時(shí)間與虛擬機(jī)服務(wù)的時(shí)間相互獨(dú)立，每種類型任務(wù)的處理過程，相當(dāng)于一個(gè)m/m/n型排隊(duì)模型。

一般來說，提高虛擬機(jī)的處理速度或增加虛擬機(jī)數(shù)量均能提高云服務(wù)中心的服務(wù)效率，從而減少任務(wù)的等待時(shí)間以及任務(wù)沒能得到及時(shí)處理而給云服務(wù)中心帶來的經(jīng)濟(jì)損失，如用戶提交的任務(wù)長時(shí)間得不到處理可能導(dǎo)致用戶下次選擇別處的云服務(wù)中心，但是，增加虛擬機(jī)數(shù)量可能導(dǎo)致云服務(wù)中心的運(yùn)行成本的增加，那么，如何既使服務(wù)中心的服務(wù)費(fèi)用不高，又使顧客等待而給云服務(wù)中心帶來的損失最少，這是云服務(wù)中心首要考慮的問題。

云服務(wù)中心的成本可以通過所租用的虛擬機(jī)數(shù)以及虛擬機(jī)的租用價(jià)格計(jì)算出來，任務(wù)沒能及時(shí)處理而帶來的損失，可通過問卷調(diào)查的方式得到可能減少的用戶數(shù)，從而算出等候時(shí)間與損失的關(guān)系。

定義3服務(wù)損失：對(duì)ti類型任務(wù)，記ei為處理機(jī)pi的單位時(shí)間租用價(jià)格，ti類型任務(wù)在云服務(wù)中心中逗留單位時(shí)間致使云服務(wù)中心遭受的服務(wù)損失sli定義為：其中ai是一個(gè)表示任務(wù)價(jià)值大小的常數(shù)，任務(wù)的價(jià)值越大ai值越大，wⁱ為ti類型任務(wù)的最大容忍響應(yīng)時(shí)間，為服務(wù)中心對(duì)ti類型任務(wù)的平均響應(yīng)時(shí)間。

從服務(wù)損失的定義式可以看出：完成任務(wù)的平均響應(yīng)時(shí)間越長，云服務(wù)中心遭受的損失越大；在平均響應(yīng)時(shí)間相同的情況下，最大容忍響應(yīng)時(shí)間越小，云服務(wù)中心遭受的損失越大；在平均響應(yīng)時(shí)間和最大容忍響應(yīng)時(shí)間相同的情況下，ai值越大，云服務(wù)中心遭受的損失越大，在最大容忍響應(yīng)時(shí)間取不同數(shù)值時(shí)，隨著服務(wù)中心對(duì)任務(wù)的平均響應(yīng)時(shí)間的增加，云服務(wù)中心遭受的損失的變化情況如附圖2所示，從圖中可以看出隨著平均響應(yīng)時(shí)間的增加，云服務(wù)中心遭受的損失越來越大，增速越來越快；最大容忍響應(yīng)時(shí)間越小，隨著平均響應(yīng)時(shí)間的增加，服務(wù)中心遭受損失的增速越來越大。

通常云服務(wù)中心完成每個(gè)任務(wù)所獲得的服務(wù)收益sri與完成任務(wù)的響應(yīng)時(shí)間有關(guān)，響應(yīng)時(shí)間越小，收益值越大，則云服務(wù)中心完成ti類型任務(wù)所獲得的服務(wù)收益sri定義為：

其中bi是一個(gè)表示任務(wù)價(jià)值大小的常數(shù)，任務(wù)的價(jià)值越大bi值越大，wⁱ為ti類型任務(wù)所能容忍的最大響應(yīng)時(shí)間，為服務(wù)中心對(duì)ti類型任務(wù)的平均響應(yīng)時(shí)間。

從服務(wù)收益的定義式可以看出：完成任務(wù)的平均響應(yīng)時(shí)間越短，云服務(wù)中心所獲得的服務(wù)收益越大；在平均響應(yīng)時(shí)間相同的情況下，最大容忍響應(yīng)時(shí)間越大，云服務(wù)中心所獲得的服務(wù)收益越大；在平均響應(yīng)時(shí)間和最大容忍響應(yīng)時(shí)間相同的情況下，bi值越大，云服務(wù)中心所獲得的服務(wù)收益越大，在最大容忍響應(yīng)時(shí)間w取不同數(shù)值時(shí)，隨著服務(wù)中心對(duì)任務(wù)的平均響應(yīng)時(shí)間的增加，云服務(wù)中心所獲得的服務(wù)收益的變化情況如附圖3所示，從圖中可以看出隨著平均響應(yīng)時(shí)間的增加，云服務(wù)中心所獲得的服務(wù)收益越來越小，最大容忍響應(yīng)時(shí)間越大服務(wù)收益減少地越快。

云服務(wù)中心用ni個(gè)虛擬機(jī)處理到達(dá)率為λi的ti類型任務(wù)，單位時(shí)間所獲得的服務(wù)效用f(λi,ni,μi)義為：

其中，ni是離散的，且λi/(niμi)<1，為云服務(wù)中心中ti類型任務(wù)數(shù)量的均值(包括正被服務(wù)和排隊(duì)等候的任務(wù)數(shù)均值)，可采用邊際分析法求出最優(yōu)的ni，即使所求的必須同時(shí)滿足

由上式即可求出最優(yōu)的即當(dāng)處理數(shù)為時(shí)服務(wù)中心的服務(wù)效用最大。

結(jié)合附圖4和5所述的一種云服務(wù)中心服務(wù)效用最大化的虛擬機(jī)分配方法，一個(gè)子服務(wù)中心配置不同數(shù)量的虛擬機(jī)時(shí)，子服務(wù)中心服務(wù)效用情況。在每個(gè)虛擬機(jī)的服務(wù)速率為3個(gè)/單位時(shí)間，任務(wù)到達(dá)率分別為9個(gè)/單位時(shí)間、10個(gè)/單位時(shí)間和11個(gè)/單位時(shí)間，a＝1，b＝10，租用成本200，最壞響應(yīng)時(shí)間10，為子服務(wù)中心配置不同數(shù)量的虛擬機(jī)時(shí)，隨著為服務(wù)中心配置的虛擬機(jī)數(shù)量的增加，服務(wù)中心對(duì)任務(wù)的平均響應(yīng)時(shí)間逐漸變小，但虛擬機(jī)數(shù)量達(dá)到7之后再配置更多的虛擬機(jī)，平均響應(yīng)時(shí)間幾乎沒什么變化，從附圖5可以看出：剛開始，λ越大，即負(fù)載越大，增加配置的虛擬機(jī)數(shù)量，服務(wù)效用值增加越快，為負(fù)載重的服務(wù)中心配置更多的虛擬機(jī)越重要，此外，對(duì)于不同的任務(wù)到達(dá)率，都有一個(gè)最優(yōu)的虛擬機(jī)數(shù)量值，配置該數(shù)量的虛擬機(jī)服務(wù)中心服務(wù)效用有最大值，之后再分配更多的虛擬機(jī)帶來的服務(wù)收益的增加小于虛擬機(jī)租用成本的增加，總的服務(wù)效用越來越小。

結(jié)合附圖6和7所述的一種云服務(wù)中心服務(wù)效用最大化的虛擬機(jī)分配方法，一個(gè)子服務(wù)中心在相同的虛擬機(jī)配置下，不同任務(wù)到達(dá)率下服務(wù)中心的效用變化情況。當(dāng)為一個(gè)子服務(wù)中心配置的虛擬機(jī)數(shù)量k＝10，虛擬機(jī)服務(wù)速率分別為3個(gè)/單位時(shí)間、3.2個(gè)/單位時(shí)間和3.4個(gè)/單位時(shí)間時(shí)，a＝1，b＝10，租用成本200，最壞響應(yīng)時(shí)間10，隨著λ值的增大，平均響應(yīng)時(shí)間逐漸增大，在λ＝27之后，總服務(wù)能力最小的k＝10、μ＝3所對(duì)應(yīng)的平均響應(yīng)時(shí)間迅速增加，從附圖7可以看出：對(duì)不同配置的服務(wù)中心，都對(duì)應(yīng)一個(gè)最優(yōu)任務(wù)達(dá)到率，將服務(wù)中心的任務(wù)接收率控制在該任務(wù)到達(dá)率時(shí)，服務(wù)中心的服務(wù)效用最大。

結(jié)合附圖8所述的一種云服務(wù)中心服務(wù)效用最大化的虛擬機(jī)分配方法，由三個(gè)子云服務(wù)中心構(gòu)成的服務(wù)中心，在sopga和服務(wù)效用最大(optimal)兩種虛擬機(jī)分配方案下服務(wù)中心總的服務(wù)效用變化情況如附圖8所示，其中，虛擬機(jī)總數(shù)是30，虛擬機(jī)對(duì)類型1任務(wù)的處理速率是μ1＝2個(gè)/單位時(shí)間，虛擬機(jī)對(duì)類型2任務(wù)的處理速率是μ2＝3個(gè)/單位時(shí)間，虛擬機(jī)對(duì)類型3任務(wù)的處理速率是μ2＝4個(gè)/單位時(shí)間；類型1任務(wù)的最壞響應(yīng)時(shí)間20，類型2任務(wù)的最壞響應(yīng)時(shí)間15，類型3任務(wù)的最壞響應(yīng)時(shí)間15，類型1任務(wù)的到達(dá)率固定在λ1＝20個(gè)/每單位時(shí)間，類型2任務(wù)的到達(dá)率固定在λ2＝14個(gè)/每單位時(shí)間，類型3任務(wù)的到達(dá)率λ3從13變化到18個(gè)/單位時(shí)間，對(duì)三種類型的任務(wù)設(shè)定a＝1，b＝10，虛擬機(jī)租用成本200，隨著λ2值的增大，服務(wù)中心總的服務(wù)效用逐漸增加；和optimal服務(wù)效用最大的最優(yōu)分配方案相比，sopga所求出的分配方案表現(xiàn)出較好的服務(wù)效用性能，基本上都比較接近optimal的最優(yōu)分配方案；只是在λ2的值大于等于17時(shí)，即服務(wù)中心總的負(fù)載較重時(shí)，sopga和最優(yōu)分配方案相比，有較大的偏差，這是因?yàn)樨?fù)載較重時(shí)，對(duì)染色體的基因進(jìn)行變異時(shí)，變異后的子代個(gè)體較難滿足x1(k1)+x2(k2)+…+xm(km)≤n的總量約束條件，即不易產(chǎn)生更優(yōu)的新個(gè)體。

本發(fā)明針對(duì)云服務(wù)中心提供多種云服務(wù)時(shí)，不同云服務(wù)請(qǐng)求強(qiáng)度的不同、用戶服務(wù)質(zhì)量要求的不同，提出最大化服務(wù)中心總服務(wù)效用的虛擬機(jī)分配方案，給出和云服務(wù)質(zhì)量高低相關(guān)的服務(wù)損失函數(shù)和服務(wù)收益函數(shù)，促使云資源在執(zhí)行不同云服務(wù)的子服務(wù)中心之間的動(dòng)態(tài)資源分配，最后，以最大化整個(gè)服務(wù)中心的服務(wù)效用為目標(biāo)，給出基于整數(shù)編碼的最優(yōu)分配方案求解的單親遺傳算法sopga，模擬實(shí)驗(yàn)表明所提虛擬機(jī)分配算法能夠有效提高云服務(wù)中心的服務(wù)效用，對(duì)提高資源利用率和服務(wù)質(zhì)量都具有實(shí)際意義。

實(shí)施例1，實(shí)施本發(fā)明所述的一種云服務(wù)中心服務(wù)效用最大化的虛擬機(jī)分配方法，下面通過模擬實(shí)驗(yàn)來測試所提出的虛擬機(jī)按需物理資源分配方法的效果，我們用云仿真軟件cloudsim3.0來進(jìn)行模擬實(shí)驗(yàn)，cloudsim3.0是基于java的離散事件模擬工具包，支持云計(jì)算的資源管理和調(diào)度模擬，cloudsim3.0提供了以下功能：第一，支持在一個(gè)物理計(jì)算節(jié)點(diǎn)上對(duì)大規(guī)模云計(jì)算基礎(chǔ)設(shè)施和數(shù)據(jù)中心的建模與仿真；第二一個(gè)建模數(shù)據(jù)中心、服務(wù)代理、調(diào)度和分配策略的獨(dú)立平臺(tái)；第三，在一個(gè)數(shù)據(jù)中心節(jié)點(diǎn)內(nèi)為服務(wù)生成和管理虛擬機(jī)，cloudsim3.0模擬程序運(yùn)行在intel奔騰雙核e5800、3.2ghz、2gbddr3、windowsxp專業(yè)版32位sp3操作系統(tǒng)的戴爾臺(tái)式機(jī)上。

實(shí)施例1驗(yàn)證為一個(gè)子服務(wù)中心配置不同數(shù)量的虛擬機(jī)時(shí)，子服務(wù)中心服務(wù)效用情況。在每個(gè)虛擬機(jī)的服務(wù)速率為3個(gè)/單位時(shí)間，任務(wù)到達(dá)率分別為9個(gè)/單位時(shí)間、10個(gè)/單位時(shí)間和11個(gè)/單位時(shí)間，a＝1，b＝10，租用成本200，最壞響應(yīng)時(shí)間10，為子服務(wù)中心配置不同數(shù)量的虛擬機(jī)時(shí)，隨著為服務(wù)中心配置的虛擬機(jī)數(shù)量的增加，服務(wù)中心對(duì)任務(wù)的平均響應(yīng)時(shí)間逐漸變小，但虛擬機(jī)數(shù)量達(dá)到7之后再配置更多的虛擬機(jī)，平均響應(yīng)時(shí)間幾乎沒什么變化。從圖5可以看出：剛開始，λ越大，即負(fù)載越大，增加配置的虛擬機(jī)數(shù)量，服務(wù)效用值增加越快，為負(fù)載重的服務(wù)中心配置更多的虛擬機(jī)越重要，此外，對(duì)于不同的任務(wù)到達(dá)率，都有一個(gè)最優(yōu)的虛擬機(jī)數(shù)量值，配置該數(shù)量的虛擬機(jī)服務(wù)中心服務(wù)效用有最大值，之后再分配更多的虛擬機(jī)帶來的服務(wù)收益的增加小于虛擬機(jī)租用成本的增加，總的服務(wù)效用越來越小。

實(shí)施例1驗(yàn)證一個(gè)子服務(wù)中心在相同的虛擬機(jī)配置下，不同任務(wù)到達(dá)率下服務(wù)中心的效用變化情況，當(dāng)為一個(gè)子服務(wù)中心配置的虛擬機(jī)數(shù)量k＝10，虛擬機(jī)服務(wù)速率μ分別為3個(gè)/單位時(shí)間、3.2個(gè)/單位時(shí)間和3.4個(gè)/單位時(shí)間時(shí)，a＝1，b＝10，租用成本200，最壞響應(yīng)時(shí)間10，隨著λ的增大，隨著λ值的增大，平均響應(yīng)時(shí)間逐漸增大，在λ＝27之后，總服務(wù)能力最小的k＝10、μ＝3所對(duì)應(yīng)的平均響應(yīng)時(shí)間迅速增加，對(duì)不同配置的服務(wù)中心，都對(duì)應(yīng)一個(gè)最優(yōu)任務(wù)達(dá)到率，將服務(wù)中心的任務(wù)接收率控制在該任務(wù)到達(dá)率時(shí)，服務(wù)中心的服務(wù)效用最大。

實(shí)施例1驗(yàn)證由三個(gè)子云服務(wù)中心構(gòu)成的服務(wù)中心，在sopga和服務(wù)效用最大(optimal)兩種虛擬機(jī)分配方案下服務(wù)中心總的服務(wù)效用變化情況，其中，虛擬機(jī)總數(shù)是30，虛擬機(jī)對(duì)類型1任務(wù)的處理速率是μ1＝2個(gè)/單位時(shí)間，虛擬機(jī)對(duì)類型2任務(wù)的處理速率是μ2＝3個(gè)/單位時(shí)間，虛擬機(jī)對(duì)類型3任務(wù)的處理速率是μ2＝4個(gè)/單位時(shí)間；類型1任務(wù)的最壞響應(yīng)時(shí)間20，類型2任務(wù)的最壞響應(yīng)時(shí)間15，類型3任務(wù)的最壞響應(yīng)時(shí)間15，類型1任務(wù)的到達(dá)率固定在λ1＝20個(gè)/每單位時(shí)間，類型2任務(wù)的到達(dá)率固定在λ2＝14個(gè)/每單位時(shí)間，類型3任務(wù)的到達(dá)率λ3從13變化到18個(gè)/單位時(shí)間，對(duì)三種類型的任務(wù)設(shè)定a＝1，b＝10，虛擬機(jī)租用成本200，隨著λ2值的增大，服務(wù)中心總的服務(wù)效用逐漸增加；和optimal服務(wù)效用最大的最優(yōu)分配方案相比，sopga所求出的分配方案表現(xiàn)出較好的服務(wù)效用性能，基本上都比較接近optimal的最優(yōu)分配方案；只是在λ2的值大于等于17時(shí)，即服務(wù)中心總的負(fù)載較重時(shí)，sopga和最優(yōu)分配方案相比，有較大的偏差，這是因?yàn)樨?fù)載較重時(shí)，對(duì)染色體的基因進(jìn)行變異時(shí)，變異后的子代個(gè)體較難滿足x1(k1)+x2(k2)+…+xm(km)≤n的總量約束條件，即不易產(chǎn)生更優(yōu)的新個(gè)體。

本發(fā)明未詳述部分為現(xiàn)有技術(shù)，盡管結(jié)合優(yōu)選實(shí)施方案具體展示和介紹了本發(fā)明，具體實(shí)現(xiàn)該技術(shù)方案方法和途徑很多，以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，但所屬領(lǐng)域的技術(shù)人員應(yīng)該明白，在不脫離所附權(quán)利要求書所限定的本發(fā)明的精神和范圍內(nèi)，在形式上和細(xì)節(jié)上可以對(duì)本發(fā)明做出各種變化，均為本發(fā)明的保護(hù)范圍。