云环境下基于SLA的优化资源分配探究论文.docx

云环境下基于SLA的优化资源分配探究论文云环境下基于SLA的优化资源分配探究论文1引言云计算概念自2007年提出以来，逐渐成为了工业界和学术界的研究热点[1]。云环境下资源的复杂性、异构性、多样性及用户请求的动态性，决定了资源分配是一个NP完全问题。在访问资源过程中，对云服务提供者而言，总是尽可能将较少的资源分配给用户，以节约成本;而对云用户来说，期望过度供应资源以完成任务请求。针对两者之间造成的资源供应不符点，可通过设计服务级别协议(SLA)来有效解决，该协议属性包括：计算力、网络带宽、存储空间、可用性、安全性等。为了实现云服务提供者的利润最大化，云环境下的高效资源分配策略一直都是研究的难点。根据资源分配策略的输入参数及分配方法的不同，从不同角度(执行时间、效用函数、硬件资源之间的依赖度)总结既存的一些分配方案;文献提出了一种基于元胞自动机遗传算法(CGA)的云资源调度策略，目的是缩短用户任务执行时间，但是每个用户任务只能分配给单一的虚拟机执行，效率不高;文献[5]为了使软件即服务(SaaS)供应商获取最大的利润，给出了两种不同的算法，该算法虽然可以降低SLA协议的.违例概率，却存在一定的缺陷，容易造成资源浪费;文献构造了一种基于蚁群算法的自适应负载云资源分配模型，主要解决负载不均衡问题，并未考虑服务供应商的效益。文献提出了一种基于粒子群优化算法的资源分配和调价策略，以达到均衡稳定的状态，然该文针对的是静态资源管理方法的缺陷，未涉及动态资源的分配。文献[8]针对云计算环境下资源的复杂性、异构性、动态性等特点，证实了CloudSim体系结构可提供良好的云计算调度算法仿真平台，然而该文实现的调用算法并未考虑虚拟机的计算能力、网络延迟等因素。针对上述缺陷，本文提出了基于SLA协议的云资源分配策略，将用户请求概率分布给多个虚拟机并行执行，采用粒子群算法(PSO)为基本算法，将SLA参数作为资源分配过程中的优化参数，并通过对每个粒子的位置和速度引入模拟退火机制，根据Metropolis准则概率接受恶化解，避免算法陷入局部极值，以实现服务供应商的利润最大化。用户请求-资源映射过程：(1)客户端通过任何与网络相连的终端设备向数据中心发出请求，同时传递SLA参数。(2)服务供应商通过负责管理维护应用层，实现与用户的交互过程。(3)平台层包括映射过程与资源调度策略，通过分析用户需求，将优化后的SLA参数传递给基础设施层。(4)数据中心根据优化后的参数信息，将适当的虚拟资源分配给应用程序，通过管理模块，决定虚拟机的分配与移除。(5)最终通过应用层，将服务资源提供给客户端。.2动态资源分配过程建模在基于SLA的资源分配问题中，SLA是指提供服务的企业与用户之间就服务的质量、性能等方面所达成的约束协议。内容涉及参与各方所提供的服务要求及协议有效期的规定，及服务相关收费规定和供应商对违反协议的处罚规定。在云环境下，本文将该问题形式化为：将客户的动态需求表示为各类用户请求，将提供云资源服务的过程模拟化为对虚拟机的分配过程，最终目的是让服务供应商在遵循SLA协议前提下，实现利润最大化。3基于SLA的改进混合粒子群优化算法3.1标准粒子群优化算法粒子群算法(ParticleSwarmOptimization，PSO)是美国学者J.Kennedy和R.C.Eberhart于1995年受鸟群觅食行为的启发而提出的[9]，经过反复实验，最终形成了具有惯性权重ω的标准形式。该算法自提出以来，就以其容易实现、所需调整的参数少、具有良好的全局搜索能力等优点被广泛应用于各个领域，故本文为了实现云环境下，资源供应商的效益最大化，采用粒子群算法为基本算法来优化SLA参数。其基本思想是随机初始化一群粒子，粒子的运动轨迹由一个矢量速度V控制，在每次迭代中，粒子跟踪两个极值：个体最优值pbest爰戳Ｗ颖旧砥今为止所找到的最优解4仿真实验与分析4.1实验环境为了验证改进的混合粒子群算法在基于SLA参数动态变化时资源分配过程中的可行性和有效性，实验环境为PentiumDual2.3GHzCPU，RAM内存2GB，Windows7操作系统，开发环境是Eclipse，用Java语言编程，结合CloudSim3.0云仿真平台，模拟出一个云计算局部环境。在该环境下，可以对数据中心的虚拟资源进行加载，对用户任务的属性能另行设置、保存，再提交给云端数据中心执行。5结束语本文针对服务供应商与用户请求之间的资源分配不符点，做了如下工作：(1)构造了一种基于SLA协议的分配模型，提出了将客户请求概率分布给若干虚拟机共同执行;(2)基于该模型，设计了相应的效用函数，并提出了一种改进的SA-PSO算法，来优化SLA参数;(3)最后，通过实验分析，证明了使用基于SLA分配策略的SA-PSO算法在完成相同任务