基于模糊聚類的自適應(yīng)QoS粒度劃分方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及任務(wù)調(diào)度的技術(shù)領(lǐng)域，特別涉及一種基于模糊聚類的自適應(yīng)QoS粒度 劃分方法。
【背景技術(shù)】
[0002] 云計(jì)算環(huán)境下，一方面用戶數(shù)量的日益增加，用戶QoS需求的多種多樣，造成了云 用戶的任務(wù)在數(shù)量和類型兩方面的快速增長(zhǎng)，這使任務(wù)調(diào)度問(wèn)題變得異常復(fù)雜；另一方面， 具體的任務(wù)調(diào)度策略成為云環(huán)境下任務(wù)調(diào)度好壞的決定性因素，因此這些年來(lái)，云計(jì)算的 調(diào)度問(wèn)題吸引了大量專家學(xué)者對(duì)其進(jìn)行深入的研究。
[0003] 云計(jì)算的任務(wù)調(diào)度的QoS需求包括截止時(shí)間、費(fèi)用、可靠性、安全性等諸多內(nèi)容。 Johann T等人提出了一種基于粒子群優(yōu)化的任務(wù)調(diào)度和資源分配方法，該方法考慮任務(wù) 的截止時(shí)間和費(fèi)用兩個(gè)約束條件。Li Bing等人提出了一種基于QoS等級(jí)劃分的任務(wù)調(diào) 度模型；對(duì)于Q0S要求較低的應(yīng)用任務(wù)，采用一種優(yōu)化的Chord算法對(duì)其進(jìn)行調(diào)度，確保任 意QoS約束要求的應(yīng)用任務(wù)均可以得到一個(gè)滿意的任務(wù)完成時(shí)間；該策略具有很好的實(shí)用 性，且其資源利用率明顯優(yōu)于傳統(tǒng)方法。針對(duì)不同的QoS需求，有人提出基于貪心算法的任 務(wù)分類模型，對(duì)不同的用戶采取不同的任務(wù)調(diào)度策略，同時(shí)利用公平性評(píng)判函數(shù)對(duì)調(diào)度策 略進(jìn)行調(diào)整，這樣能更好的滿足用戶的QoS需求。綜上所述QoS需求在用戶任務(wù)調(diào)度策略 中扮演十分重要的角色，如何對(duì)不同的QoS需求進(jìn)行合理的劃分成為調(diào)度策略能否成功的 關(guān)鍵因素。
[0004] 為了解決上述問(wèn)題，對(duì)Q0S需求劃分合理的話，不但能提高云資源的利用效率，而 且能提高云用戶的滿意度；如果對(duì)QoS需求粒度劃分過(guò)小，容易造成資源利用率下降；如果 對(duì)QoS需求粒度劃分過(guò)大，容易造成用戶滿意度下降。本發(fā)明提出的基于模糊聚類的自適 應(yīng)QoS粒度劃分方法能很好解決粒度的劃分問(wèn)題。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明目的在于提供一種基于模糊聚類的自適應(yīng)QoS粒度劃分方法，該方法利用 模糊聚類算法對(duì)多屬性特征的任務(wù)進(jìn)行粗粒度的劃分，然后不但減小粒度閾值，直到資源 利用率和用戶滿意度達(dá)到一定程度的折中，進(jìn)而緩和兩者之間的矛盾。
[0006] 具體地說(shuō)，本發(fā)明是采用以下的技術(shù)方案來(lái)實(shí)現(xiàn)的：基于模糊聚類的自適應(yīng)QoS 粒度劃分方法，其特征在于，利用模糊聚類算法對(duì)多屬性特征的任務(wù)進(jìn)行粗粒度的劃分，然 后不斷減小粒度閾值，直到資源利用率和用戶滿意度達(dá)到一定程度的折中，進(jìn)而緩和兩者 之間的矛盾，包含如下步驟：
[0007] 步驟1 :根據(jù)用戶的任務(wù)模型和QoS模型建立任務(wù)的mXn樣本矩陣，
[0008] 其中，m代表任務(wù)的數(shù)目，η代表任務(wù)的維數(shù)，假設(shè)兩個(gè)集合G = (G1, ...，GJ和V =(Vl，. . .，V。)，如果滿足以下兩個(gè)條件：
[0009] _
那么稱G = (G1，…，Gc)為X -個(gè)劃分； 1-1 ?
[0010] 步驟2 :對(duì)樣本矩陣參數(shù)進(jìn)行規(guī)范化，
[0011]
4.其中 minA、maxj別為屬 性A的最小值和最大值，公式將A的值V映射到區(qū)間[new_minA, new_maxA]中的ν';
[0012] 步驟3 :初始化粒度值N以及初始的N個(gè)聚類中心7 =代，…，t);
[0013] 步驟4 :對(duì)于每個(gè)樣本任務(wù)分配到最近的聚類中心，
[0014] 根據(jù)公式
分配樣本到最近的聚類中心；
[0015] 步驟5 :更新相應(yīng)N個(gè)類別的聚類中心，
[0016] 根據(jù)公式
較重新計(jì)算新的聚類中心；
[0017] 步驟6 :直到樣本矩陣收斂，轉(zhuǎn)到步驟7,否則轉(zhuǎn)到步驟4，
[0018] 其中，如果療或F收斂，則樣本矩陣收斂；
[0019] 步驟7 :根據(jù)評(píng)價(jià)函數(shù)確定N值，如果N值過(guò)大，則減少N值，轉(zhuǎn)到4,否則轉(zhuǎn)到8，
[0020] 根據(jù)評(píng)判函婁
i判斷QoS粒度是否合適；
[0021] 步驟8 :輸出劃分之后的任務(wù)矩陣。
[0022] 基于模糊聚類的自適應(yīng)QoS粒度劃分方法，其特征進(jìn)一步在于，所述步驟3中粒度 值N以及N個(gè)聚類中心是將樣本隨機(jī)分成N類，把每類的重心作為初始的聚類中心。
[0023] 本發(fā)明的有益效果如下：1、本發(fā)明緩和了用戶滿意度和資源利用率之間的矛盾。 2、本發(fā)明提高了任務(wù)調(diào)度的效率。
【附圖說(shuō)明】
[0024] 圖1是本發(fā)明的方法流程圖。
【具體實(shí)施方式】
[0025] 如圖1所示，本發(fā)明提出了一種基于模糊聚類的自適應(yīng)QoS粒度劃分方法，其包括 如下步驟：
[0026] 1、建立任務(wù)的樣本矩陣
[0027] 根據(jù)任務(wù)的QoS要求建立一個(gè)mXη的樣本矩陣，其中m代表任務(wù)的數(shù)目，η代表任 務(wù)的維數(shù)。假設(shè)兩個(gè)集合G = (G1,. . .，G。）和V = (Vl，. . .，V。)。如果滿足以下兩個(gè)條件：
[0028]那么稱 G = (G1, ···，Gc)為 X -個(gè)劃分。 '
?：
[0029] 2、樣本的規(guī)范化
[0030] 對(duì)樣本數(shù)據(jù)的每個(gè)屬性進(jìn)行最小-最大規(guī)范化處理，也即：
[0031]
其中minA、max^別為屬 -4 …一Λ , 性A的最小值和最大值，公式將A的值ν映射到區(qū)間[new_minA, new_maxA]中的ν'。規(guī)范 化可以幫助防止具有較大初始值域的屬性與具有較小初始值域的屬性相比權(quán)重過(guò)大。
[0032] 3、初始化粒度值N以及初始的N個(gè)聚類中心
[0033] 初始化N的取值。
[0034] 初始化N個(gè)聚類中心' =(?，…·[) I
[0035] 4、對(duì)于每個(gè)樣本任務(wù)分配到最近的聚類中心
[0036] 首先計(jì)算每個(gè)樣本到N個(gè)聚類中心的附屬函數(shù)
[0037]
中0(?，R)表示xdP R之間的歐式距離。
[0038] 而m是大于1的一個(gè)整數(shù)。
[0039] 根據(jù)附屬函數(shù)得到每個(gè)樣本相對(duì)于聚類中心的附屬程度。然后找到最優(yōu)的劃分U 使目標(biāo)函數(shù)最小化：
[0040]
其中 Ueuf，
[0041]等價(jià)于 乂=1
：〇
[0042] 5、更新N個(gè)類別的聚類中心
[0043] 新的聚類中心：
[0044]
t據(jù)附屬度函數(shù)和樣本矩陣計(jì)算新的聚類中心，也就是尋找最優(yōu)
[0046] 6、樣本矩陣收斂 的V值&
[0045]
[0047] 如果療或f收斂，則樣本矩陣收斂。
[0048] 對(duì)于0收斂，也就是說(shuō)
[0049] 對(duì)于一個(gè)很小正值ε，滿足其中?7是本次迭代附屬函數(shù)向量， I?是上次迭代附屬函數(shù)向量。
[0050] 對(duì)于F收斂，也就是說(shuō)
[0051] 對(duì)于一個(gè)很小正值ε，滿足恐浩幃-則<6'其中F是本次迭代聚類中心向量，# 是上次迭代聚類中心向量。
[0052] 7、評(píng)價(jià)函數(shù)的確定
[0053] 本發(fā)明采用誤差平方和聚類準(zhǔn)則來(lái)作為評(píng)價(jià)函數(shù)，若N1是第i聚類Γ 的樣本 數(shù)目，Hi1是這些樣本的均值，即
[0054]
[0055] 把Γ\中的各樣本y與均值Hi1間的誤差平方和對(duì)所有類相加后為
[0056]
[0057] 對(duì)于不同的聚類，L的值是不同的，使連續(xù)兩次的Je差值滿足一定誤差就結(jié)束。
[0058] 雖然本發(fā)明已以較佳實(shí)施例公開(kāi)如上，但實(shí)施例并不是用來(lái)限定本發(fā)明的。在不 脫離本發(fā)明之精神和范圍內(nèi)，所做的任何等效變化或潤(rùn)飾，同樣屬于本發(fā)明之保護(hù)范圍。因 此本發(fā)明的保護(hù)范圍應(yīng)當(dāng)以本申請(qǐng)的權(quán)利要求所界定的內(nèi)容為標(biāo)準(zhǔn)。
【主權(quán)項(xiàng)】
1. 基于模糊聚類的自適應(yīng)QoS粒度劃分方法，其特征在于，利用模糊聚類算法對(duì)多屬 性特征的任務(wù)進(jìn)行粗粒度的劃分，然后不斷減小粒度閾值，直到資源利用率和用戶滿意度 達(dá)到一定程度的折中，進(jìn)而緩和兩者之間的矛盾，包含如下步驟： 步驟1 :根據(jù)用戶的任務(wù)模型和QoS模型建立任務(wù)的mXn樣本矩陣， 其中，m代表任務(wù)的數(shù)目，n代表任務(wù)的維數(shù)，假設(shè)兩個(gè)集合G=(匕，...，GJ和V= (Vl，...，V。)，如果滿足以下兩個(gè)條件：那么稱G=叫，...，GJ為X-個(gè)劃分； 步驟2 :對(duì)樣本矩陣參數(shù)進(jìn)行規(guī)范化，苳中minA、maxAU為屬性A 的最小值和最大值，公式將A的值v映射到區(qū)間[new_minA,new_maxA]中的v'; 步驟3 :初始化粒度值N以及初始的N個(gè)聚類中心ZG…AJ; 步驟4 :對(duì)于每個(gè)樣本任務(wù)分配到最近的聚類中心， 根據(jù)公￥來(lái)分配樣本到最近的聚類中心； 步驟5 :更新相應(yīng)N個(gè)類別的聚類中心， 根據(jù)公另來(lái)重新計(jì)算新的聚類中心； 步驟6 :直到樣本矩陣收斂，轉(zhuǎn)到步驟7,否則轉(zhuǎn)到步驟4， 其中，如果獲或f收斂，則樣本矩陣收斂； 步驟7 :根據(jù)評(píng)價(jià)函數(shù)確定N值，如果N值過(guò)大，則減少N值，轉(zhuǎn)到4,否則轉(zhuǎn)到8， 根據(jù)評(píng)判函f宋判斷QoS粒度是否合適； 步驟8 :輸出劃分之后的任務(wù)矩陣。2. 根據(jù)權(quán)利要求1所述的基于模糊聚類的自適應(yīng)QoS粒度劃分方法，其特征在于，所述 步驟3中粒度值N以及N個(gè)聚類中心是將樣本隨機(jī)分成N類，把每類的重心作為初始的聚 類中心。
【專利摘要】本發(fā)明公開(kāi)了一種基于模糊聚類的自適應(yīng)QoS粒度劃分方法，針對(duì)云計(jì)算面向用戶，按需分配資源的要求，本發(fā)明提出了一種綜合考慮用戶滿意度和資源利用率的用戶任務(wù)預(yù)處理分類方法，該方法能根據(jù)用戶任務(wù)的QoS需求，采用模糊聚類的算法對(duì)用戶需求進(jìn)行分類，這為之后的資源的分配提供了一種參考方法。
【IPC分類】G06F9/50
【公開(kāi)號(hào)】CN105094989
【申請(qǐng)?zhí)枴緾N201510507147
【發(fā)明人】周寧寧, 趙科偉
【申請(qǐng)人】南京郵電大學(xué)
【公開(kāi)日】2015年11月25日
【申請(qǐng)日】2015年8月18日