本發(fā)明屬于計(jì)算機(jī)云計(jì)算技術(shù)領(lǐng)域，特別是一種基于云計(jì)算的安全資源優(yōu)化分配方法。

背景技術(shù)：

云計(jì)算是一種解決問題的方法，例如，企業(yè)應(yīng)用聯(lián)系傳統(tǒng)信息技術(shù)基礎(chǔ)設(shè)施，軟件銷售和發(fā)展模型的許可，發(fā)行，配置與操作。從傳統(tǒng)模型發(fā)展為云模型為企業(yè)的客戶降低了維護(hù)的復(fù)雜性和開銷，并且，為軟件服務(wù)的供應(yīng)商提供了持續(xù)長(zhǎng)久的收入?？蛻艉蛙浖?wù)供應(yīng)商需要建立一個(gè)軟件服務(wù)水平協(xié)議來確保服務(wù)的品質(zhì)。軟件服務(wù)供應(yīng)商力的主要目標(biāo)就是力求成本最小化和提高客戶滿意度。因此，我們提出了客戶驅(qū)動(dòng)的基于軟件服務(wù)的資源配置算法，即通過減少資源和懲罰成本使得成本最小化，通過減少軟件服務(wù)違例來提高客戶滿意度。這個(gè)配置算法通過考慮客戶配置文件和供應(yīng)商的質(zhì)量參數(shù)來解決客戶的動(dòng)態(tài)需求和企業(yè)基礎(chǔ)設(shè)施水平等級(jí)的不同化。我們同樣也通過考慮客戶的側(cè)參數(shù)(如比例升級(jí)需求)以及基礎(chǔ)設(shè)施等級(jí)的參數(shù)(如服務(wù)的響應(yīng)時(shí)間)來比較算法。仿真結(jié)果表明，我們的算法和之前考慮到的最好的算法相比，減少了百分之五十四的總成本和百分之四十五的軟件服務(wù)違例。

云計(jì)算分成三類：軟件服務(wù)，平臺(tái)服務(wù)和基礎(chǔ)設(shè)施服務(wù)。軟件服務(wù)云給用戶提供軟件服務(wù)。基礎(chǔ)設(shè)施服務(wù)云提供一個(gè)可以根據(jù)用戶需求分配不同計(jì)算能力的虛擬機(jī)的虛擬的計(jì)算環(huán)境。在軟件服務(wù)和基礎(chǔ)設(shè)施服務(wù)中，平臺(tái)服務(wù)云提供應(yīng)用發(fā)展，應(yīng)用工具和執(zhí)行管理服務(wù)。在云之前和早期的基于網(wǎng)絡(luò)的企業(yè)應(yīng)用發(fā)展環(huán)境中，由于單一的資源配置目標(biāo)是性能，所以管理任務(wù)很容易，如花在資源配置上的時(shí)間。在這段時(shí)間里，應(yīng)用的復(fù)雜性提高了，因此提高了管理方面的困難度。根據(jù)這個(gè)，企業(yè)意識(shí)到了把他們的部分應(yīng)用程序通過云計(jì)算外包給第三方軟件服務(wù)供應(yīng)商將會(huì)更有效。因?yàn)榻档土擞捎趶?fù)雜度的增長(zhǎng)帶來的成本的增長(zhǎng)，并且不需要再投資昂貴的軟件許可證和硬件前期。因此，通過使用軟件服務(wù)模型，客戶將從持續(xù)的軟件維護(hù)中獲益。軟件服務(wù)供應(yīng)商已經(jīng)成功的使復(fù)雜度過度到新版本的透明化管理。多虧了軟件服務(wù)模型的靈活性，可擴(kuò)展性和成本效應(yīng)，這個(gè)模型已經(jīng)漸漸被應(yīng)用到更多的企業(yè)軟件系統(tǒng)中，比如電子商務(wù)。企業(yè)需要和軟件服務(wù)供應(yīng)商服務(wù)水平協(xié)議。軟件服務(wù)協(xié)議是一個(gè)法律合同，以確?？蛻舻姆?wù)要求品質(zhì)被滿足。

為了保證軟件水平協(xié)議，行業(yè)里的企業(yè)供應(yīng)商會(huì)給顧客分配專用的虛擬機(jī)，所以他們可以保證軟件的響應(yīng)時(shí)間，但是也可能由于非高峰期資源的應(yīng)用引起硬件資源的浪費(fèi)?，F(xiàn)階段，軟件服務(wù)供應(yīng)商還處于初期發(fā)展階段，并且，當(dāng)前的關(guān)于云計(jì)算的出版書籍主要集中于市場(chǎng)導(dǎo)向的模式。所以，之前提出的算法是為了達(dá)到成本最小化和減少服務(wù)水平協(xié)議的違例行為，并沒有考慮到客戶，也沒有為軟件服務(wù)供應(yīng)商保留后備資源。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種基于云計(jì)算的安全資源優(yōu)化分配方法，從考慮客戶配置文件以及供應(yīng)商的質(zhì)量參數(shù)方面按需分配資源，以提高客戶滿意度，降低總成本。

實(shí)現(xiàn)本發(fā)明目的的技術(shù)解決方案為：一種基于云計(jì)算的安全資源優(yōu)化分配方法，包含以下步驟：

步驟1，在云系統(tǒng)中通過云服務(wù)器收集各物理節(jié)點(diǎn)可用資源的情況以及各虛擬機(jī)使用實(shí)例；

步驟2，收集用戶們對(duì)于不同任務(wù)的不同要求，了解用戶的具體需求情況；

步驟3，采用壓縮因子綜合信息粒子群算法優(yōu)化分配云系統(tǒng)中的資源，使得資源得到最優(yōu)配置。

進(jìn)一步地，步驟1所述虛擬機(jī)使用實(shí)例包括各供應(yīng)商的分配算法及成本。

進(jìn)一步地，步驟2所述收集用戶們對(duì)于不同任務(wù)的不同要求，具體為：

云服務(wù)器收集用戶的任務(wù)請(qǐng)求，所述的任務(wù)請(qǐng)求包括每個(gè)任務(wù)需要的CPU資源、內(nèi)存資源、硬盤資源及帶寬資源。

進(jìn)一步地，步驟3所述的采用壓縮因子綜合信息粒子群算法優(yōu)化分配云系統(tǒng)中的資源，具體步驟如下：

步驟3.1，初始化壓縮因子綜合信息粒子群算法的參數(shù)，計(jì)算當(dāng)前適應(yīng)度，選擇全局最優(yōu)值；

步驟3.2，計(jì)算當(dāng)前粒子綜合信息位置P；

步驟3.3，計(jì)算壓縮因子；

步驟3.4，進(jìn)入主循環(huán)，遍歷所有粒子；

步驟3.5，將P代入壓縮因子綜合信息粒子群算法速度和位置更新公式，升級(jí)粒子速度和位置；

步驟3.6，計(jì)算當(dāng)前最優(yōu)值，以及全局最優(yōu)值；

步驟3.7，判斷是否滿足循環(huán)結(jié)束條件，即當(dāng)前位置是否為全局最優(yōu)位置，如果滿足則算法結(jié)束，否則繼續(xù)跳轉(zhuǎn)到3.2。

進(jìn)一步地，步驟3.1所述的初始化粒子參數(shù)包括：粒子的速度Vel，加速因子C，壓縮因子χ，全局最優(yōu)位置G，粒子當(dāng)前位置X。

進(jìn)一步地，步驟3.2所述計(jì)算當(dāng)前粒子綜合信息位置P，公式如下：

P＝C₁×Rand×(P_i-1-X(i))+C₂×Rand×(P_i-X(i))+C₃×Rand×(P_i+1-X(i))+C₄×Rand×(G-X(i))

其中，P_i，P_i-1，P_i+1指的是當(dāng)前粒子和相鄰的粒子，X(i)是粒子當(dāng)前位置，C₁,C₂,C₃,C₄是加速因子，Rand為隨機(jī)常數(shù)。

進(jìn)一步地，步驟3.3所述計(jì)算壓縮因子χ，公式如下：

進(jìn)一步地，步驟3.5所述將P代入壓縮因子綜合信息粒子群算法速度和位置更新公式，升級(jí)粒子速度和位置，公式如下：

Vel(k+1)＝χ×(Vel(k)+C₁×Rand×(P-X)+C₂×Rand×(G-X))

本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點(diǎn)在于：(1)云系統(tǒng)中云服務(wù)器采用壓縮因子綜合信息粒子群算法對(duì)云系統(tǒng)中的資源進(jìn)行分配；(2)最大限度地降低了成本和提高了客戶滿意度，滿足了客戶以及供應(yīng)商的要求；(3)為高效利用云系統(tǒng)中的資源提供技術(shù)支持。

附圖說明

圖1為本發(fā)明云系統(tǒng)資源分配的流程圖。

圖2為本發(fā)明云系統(tǒng)中資源分配示意圖。

圖3為本發(fā)明壓縮因子綜合信息粒子群算法流程圖。

具體實(shí)施方式

下面結(jié)合附圖及具體實(shí)施例對(duì)本發(fā)明作進(jìn)一步詳細(xì)說明。

結(jié)合圖1～2，本發(fā)明基于云計(jì)算的安全資源優(yōu)化分配方法，包括以下步驟：

步驟1，在云系統(tǒng)中通過云服務(wù)器收集各物理節(jié)點(diǎn)可用資源的情況以及各虛擬機(jī)使用實(shí)例；

所述虛擬機(jī)使用實(shí)例包括各供應(yīng)商的分配算法及成本。

步驟2，收集用戶們對(duì)于不同任務(wù)的不同要求，了解用戶的具體需求情況；

所述收集用戶們對(duì)于不同任務(wù)的不同要求，具體為：

云服務(wù)器收集用戶的任務(wù)請(qǐng)求，所述的任務(wù)請(qǐng)求包括每個(gè)任務(wù)需要的CPU資源、內(nèi)存資源、硬盤資源及帶寬資源。

步驟3，采用壓縮因子綜合信息粒子群算法優(yōu)化分配云系統(tǒng)中的資源，使得資源得到最優(yōu)配置，結(jié)合圖3，具體步驟如下：

步驟3.1，初始化壓縮因子綜合信息粒子群算法的參數(shù)，計(jì)算當(dāng)前適應(yīng)度，選擇全局最優(yōu)值；所述的初始化粒子參數(shù)包括：粒子的速度Vel，加速因子C，壓縮因子χ，全局最優(yōu)位置G，粒子當(dāng)前位置X。

步驟3.2，計(jì)算當(dāng)前粒子綜合信息位置P；所述計(jì)算當(dāng)前粒子綜合信息位置P，公式如下：

P＝C₁×Rand×(P_i-1-X(i))+C₂×Rand×(P_i-X(i))+C₃×Rand×(P_i+1-X(i))+C₄×Rand×(G-X(i))

計(jì)算當(dāng)前粒子綜合信息位置P，其中P_i、P_i-1、P_i+1指的是當(dāng)前粒子和相鄰的粒子，在粒子升級(jí)過程中，綜合信息可以防止粒子后期進(jìn)化陷入局部最優(yōu)值，從而在速度和位置的升級(jí)過程中，除了包括當(dāng)前最優(yōu)值、全局最優(yōu)值，還包括相鄰粒子的當(dāng)前最優(yōu)值，X(i)是粒子當(dāng)前位置，C₁,C₂,C₃,C₄是加速因子。

步驟3.3，計(jì)算壓縮因子χ，公式如下：

壓縮因子不同于慣性權(quán)重，它可以較好地平衡全局與局部的矛盾

步驟3.4，進(jìn)入主循環(huán)，遍歷所有粒子，升級(jí)粒子速度和位置，粒子數(shù)為N；

步驟3.5，將P代入壓縮因子綜合信息粒子群算法速度和位置更新公式，升級(jí)粒子速度和位置，公式如下：

Vel(k+1)＝χ×(Vel(k)+C₁×Rand×(P-X)+C₂×Rand×(G-X))

步驟3.6，計(jì)算當(dāng)前最優(yōu)值，以及全局最優(yōu)值；

步驟3.7，判斷是否滿足循環(huán)結(jié)束條件，即當(dāng)前位置是否為全局最優(yōu)位置，如果滿足則算法結(jié)束，否則繼續(xù)跳轉(zhuǎn)到3.2。

實(shí)施例1

本發(fā)明采用壓縮因子綜合信息粒子群算法進(jìn)行資源分配，步驟如下：

步驟1，收集云計(jì)算環(huán)境中的虛擬機(jī)實(shí)例，如表1所示：

表1

步驟2,，云系統(tǒng)中收集用戶的任務(wù)請(qǐng)求；

步驟3，云系統(tǒng)中云服務(wù)器采用壓縮因子綜合信息粒子群算法對(duì)云系統(tǒng)中的資源進(jìn)行分配，圖3為本發(fā)明壓縮因子綜合信息粒子群算法的資源分配流程：

首先，初始化參數(shù)：種群空間的大小N＝30，種群收斂程度閥值C＝0.05，粒子的個(gè)數(shù)m＝100，Vel為粒子的速度，p為粒子當(dāng)前最優(yōu)位置，G是全局最優(yōu)位置，加速度因子c₁＝c₂＝c₃＝c₄＝1.49。

然后，隨機(jī)產(chǎn)生N個(gè)粒子的初始位置X＝[X₁...X_i...X_N]，其中X_i(X_i1,X_i2,,,X_in)的飛行速度為V_i(V_i1,V_i2,,,V_in)；

其次，按照公式計(jì)算壓縮因子；

再次，循環(huán)，遍歷所有粒子的速度和位置；

然后，根據(jù)公式計(jì)算升級(jí)粒子的速度和位置，并且計(jì)算當(dāng)前最優(yōu)值和全局最優(yōu)值；

循環(huán)進(jìn)行上述步驟，不斷更新數(shù)值，直到獲得最優(yōu)解。

實(shí)施例2

本發(fā)明采用壓縮因子綜合信息粒子群算法進(jìn)行資源分配，步驟如下：

步驟1，收集云計(jì)算環(huán)境中的虛擬機(jī)實(shí)例，如表2所示：

表2

步驟2，云系統(tǒng)中收集用戶的任務(wù)請(qǐng)求；

步驟3，云系統(tǒng)中云服務(wù)器采用壓縮因子綜合信息粒子群算法對(duì)云系統(tǒng)中的資源進(jìn)行分配，圖3為本發(fā)明壓縮因子綜合信息粒子群算法的資源分配流程：

首先，初始化參數(shù)：種群空間的大小N＝100，種群收斂程度閥值C＝0.15，粒子的個(gè)數(shù)m＝300，Vel為粒子的速度，p為粒子當(dāng)前最優(yōu)位置，G是全局最優(yōu)位置，加速度因子c₁＝c₂＝c₃＝c₄＝2。

然后，隨機(jī)產(chǎn)生N個(gè)粒子的初始位置X＝[X₁...X_i...X_N]，其中X_i(X_i1,X_i2,,,X_in)的飛行速度為V_i(V_i1,V_i2,,,V_in)；

其次，按照公式計(jì)算壓縮因子；

再次，循環(huán)，遍歷所有粒子的速度和位置；

然后，根據(jù)公式計(jì)算升級(jí)粒子的速度和位置，并且計(jì)算當(dāng)前最優(yōu)值和全局最優(yōu)值；

循環(huán)進(jìn)行上述步驟，不斷更新數(shù)值，直到獲得最優(yōu)解。

實(shí)施例3

本發(fā)明采用壓縮因子綜合信息粒子群算法進(jìn)行資源分配，步驟如下：

步驟1，收集云計(jì)算環(huán)境中的虛擬機(jī)實(shí)例，如表3所示：

表3

步驟2，云系統(tǒng)中收集用戶的任務(wù)請(qǐng)求；

步驟3，云系統(tǒng)中云服務(wù)器采用壓縮因子綜合信息粒子群算法對(duì)云系統(tǒng)中的資源進(jìn)行分配，圖3為本發(fā)明壓縮因子綜合信息粒子群算法的資源分配流程：

首先，初始化參數(shù)：種群空間的大小N＝500，種群收斂程度閥值C＝0.5，粒

子的個(gè)數(shù)m＝100，Vel為粒子的速度，p為粒子當(dāng)前最優(yōu)位置，G是全局最優(yōu)位置，加速度因子c₁＝c₂＝c₃＝c₄＝3。

然后，隨機(jī)產(chǎn)生N個(gè)粒子的初始位置X＝[X₁...X_i...X_N]，其中X_i(X_i1,X_i2,,,X_in)的飛行速度為V_i(V_i1,V_i2,,,V_in)；

其次，按照公式計(jì)算壓縮因子；

再次，循環(huán)，遍歷所有粒子的速度和位置；

然后，根據(jù)公式計(jì)算升級(jí)粒子的速度和位置，并且計(jì)算當(dāng)前最優(yōu)值和全局最優(yōu)值循環(huán)進(jìn)行上述步驟，不斷更新數(shù)值，直到獲得最優(yōu)解。

綜上所述，本發(fā)明是一種高效、可靠的云系統(tǒng)資源利用率最大化資源分配方法，能夠?qū)崿F(xiàn)成本最小化和提高客戶滿意度。