CN103580922A

CN103580922A - 一种基于混合优化的电力通信网络应用服务器过载控制方法

Info

Publication number: CN103580922A
Application number: CN201310552728.0A
Authority: CN
Inventors: 孟凡博; 金鑫; 赵宏昊; 李跃华; 魏本宏; 王芝茗; 葛维春; 赵庆杞; 庞东辰; 苏宗昱; 姜日敏; 林志超; 齐智刚; 刘杨
Original assignee: LIAONING MEDICAL DEVICE TESTING; Liaoning Planning and Designing Institute of Post and Telecommunication Co Ltd; State Grid Corp of China SGCC; State Grid Liaoning Electric Power Co Ltd
Current assignee: LIAONING MEDICAL DEVICE TESTING; Liaoning Planning And Designing Institute Of Posts And Telecommunication Co Ltd; State Grid Corp of China SGCC; State Grid Liaoning Electric Power Co Ltd
Priority date: 2013-11-08
Filing date: 2013-11-08
Publication date: 2014-02-12
Anticipated expiration: 2033-11-08
Also published as: CN103580922B

Abstract

本发明一种基于混合优化的电力通信网络应用服务器过载控制方法，属于电力通信网络技术领域，本发明通过建立控制速率与能效之间的关系函数，以过载控制为约束条件，同时考虑应用服务器的过载控制与能效问题，构建能效的最优化过载控制模型；利用混合粒子群算法和遗传算法进行过载控制，粒子群算法搜索效率高，经过较少代数进化就能收敛到极值解附近，而运用模拟退火策略对粒子的位置做更新限制，使粒子跳出局部最优，增大搜索范围，摆脱早熟现象，最后用适用度函数进行个体评估，在此基础上进行遗传操作，得到精确的最优解，利用本发明可以有效地对电力通信网络中应用服务器进行过载控制。

Description

一种基于混合优化的电力通信网络应用服务器过载控制方法

技术领域

本发明是属于电力通信网络技术领域，具体涉及一种基于混合优化的电力通信网络应用服务器过载控制方法。

背景技术

电力通信网络是电力***正常运行的重要保障，高能效的电力通信网络是未来电力通信技术发展的主流趋势。在电力通信网络体系结构中，提供业务运行环境的应用服务器具有十分重要的地位，应用服务器是业务层的核心***，它向下通过开放接口（如应用程序编程接口）或协议（如会话发起协议）利用底层网络能力，向上为业务逻辑屏蔽了底层网络的复杂性。作为下一代电力通信网络的电信级设备，应用服务器在功能上类似于智能网中的业务控制点（Service Control Point，SCP）。作为电信级设备，过载控制是应用服务器的一个重要组成部分，它定期检测***的负载状况，发现业务量超过允许的范围（即过载）时，采取适当的措施减少进入***的业务量，保证***的稳定和安全。而与SCP相比，应用服务器需要运行的业务种类更多，过载控制问题更为复杂。大量的业务请求和处理很容易形成瓶颈。业务种类繁多、差异大、突发性高、服务策略不同，使其业务过载控制远远复杂于传统的智能网。因此，如何通过有效的技术手段，对电力通信网络中到达应用服务器的各种业务进行统计分析和分类，进而进行有效的过载控制，已成为电力通信网络发展及运营中面临的主要挑战之一。

电力通信网作为国家专用通信网，服务于国家电力传送网，电力通信网中应用服务器的过载控制对通信网的安全稳定运行有着直接影响。因此，对电力通信网络中应用服务器的过载控制已展开了广泛研究。Hit等人通过分析过载时应用服务器的行为，提出了一种分布式的SIP过载控制机制。Rosario等人设计了一个远程控制机制，提出一个新的动态负荷估算方法，并使用预测技术控制远程回路。Homayouni等人针对SIP服务器中的过载问题，利用分布式自适应窗口，通过限制被发送到下游SIP的业务量来控制过载，并提出了一种自适应的过载控制算法。Noel等人通过模拟表明当前SIP控制不足的结果，并提出了一些新的算法来控制SIP网络过载，在不断增加的负荷水平下提高吞吐量。以上方法虽然能够抑制应用服务的业务过载，但是其性能还不够理想，且没有考虑网络高能耗、低效率，即低能效问题。

目前，过载检测指标主要有业务数目、平均响应时间、队列消息超时和CPU利用率。因为应用服务器的多业务环境，***单位时间内对不同的响应时间不同，用平均响应时间作为过载检测指标也不合理；基于队列消息超时的检测方法无法检测到哪种业务过载，而且在基于优先级的***中，如果过载是由高优先级的业务请求引起的，则超时发生前一段时间低优先级根本无法得到服务。从本质上讲，过载控制是由于某些业务的到达率过大，应用服务器的资源无法处理所有到达的业务，导致应用服务器过载。因此，应该结合业务的到达率来解决应用服务器的能效过载控制问题。

发明内容

针对现有技术的不足，本发明提出一种基于混合优化的电力通信网络应用服务器过载控制方法，以达到实现过载控制、降低能耗和提高效率的目的。

一种基于混合优化的电力通信网络应用服务器过载控制方法，包括以下步骤：

步骤1、设置采样间隔，根据采样间隔和随机系数，确定实际采样间距，并在该实际采样间距内检测周期内业务数量、不同业务的到达速率和处理速率，获得CPU的利用率，并根据服务缓存空间的空闲空间，获得服务缓存空间利用率；

步骤2、判断应用服务器是否过载，即判断CPU的利用率是否大于根据需求所设定的门限值，同时判断服务缓存空间利用率是否大于根据需求所设定的门限值，若上述两者同时大于门限值，则应用服务器过载，停止接收下一周期的业务并执行步骤3，否则，将采样间隔加一并返回执行步骤1；

步骤3、将所有业务根据设定的优先级进行排序，并获得排序后的各业务的CPU利用率，在所有业务中，选择出CPU利用率大于各自CPU利用率阈值的业务，作为被控的不同优先级过载业务；

步骤4、根据应用服务器处理全部业务所消耗的总能耗，结合不同业务控制速率的限制条件，建立能效优化模型，具体为：

步骤4-1、根据服务器的最大业务处理速率和服务器基本能耗所占的比例，建立能耗与控制速率之间的关系；

步骤4-2、根据过载业务总的控制速率和应用服务器处理全部业务所消耗的总能耗，建立能效与不同优先级业务控制速率之间的关系；

步骤4-3、设定在过载控制过程中的限定条件，包括不同优先级业务的CPU利用率小于其CPU利用率阈值、不同优先级业务的控制速率均大于零和两个不同优先级业务控制速率比例在设置范围内；

步骤4-4、结合过载控制过程中的限定条件建立能效与不同优先级业务控制速率之间的关系；

步骤5、采用混合粒子群算法获得能效最大时的不同优先级过载业务控制速率；

步骤6、采用遗传算法求解能效最大时不同优先级过载业务的控制速率最优解，通过选择、交叉、变异操作获得不同优先级过载业务的最终控制速率；

步骤7、根据获得的不同优先级过载业务的最终控制速率，设置计数器，即设定下一周期内接收业务的数量，实现对应用服务器过载的控制；

步骤8、判断本采样间距内所有业务是否均处理完成，若是，则将采样间隔减一，等待接收新业务，并返回执行步骤1；否则继续对剩余业务进行处理。

步骤1所述的根据采样间隔和随机系数，确定实际采样间距，具体为：将采样间隔与随机系数相乘获得实际采样间距，所述的随机系数取值范围为0～1。

步骤1所述的根据业务数量、不同业务的到达速率和处理速率，获得CPU的利用率；

CPU利用率r₁公式如下：

其中，w表示业务数量，v_e表示业务e的到达速率，

表示对业务e的处理速率；

所述的根据服务缓存空间的空闲空间，获得服务缓存空间利用率r₂，公式如下：

r₂=(P_o-P_c)/P_o （2）

其中，P_o为服务缓存队列总长度；P_c表示服务缓存空间的空闲空间。

步骤4-4所述的结合过载控制过程中的限定条件建立能效与不同优先级业务控制速率之间的关系，具体为建立能效优化模型，公式如下：

\{\begin{matrix} S_{i} = \arg \max E (S_{i}) \\ s . t . \frac{S_{i}}{φ_{i}} \leq u_{i}, i &Element; O \\ (1 - γ) \frac{n_{i}}{n_{j}} < \frac{S_{i}}{S_{j}} < (1 + γ) \frac{n_{i}}{n_{j}}, γ &Element; (0,1) \\ S_{i} > 0 \end{matrix} - - - (3)

其中，S_i表示能效最大时优先级为i的过载业务的控制速率；E(S_i)表示优先级为i的过载业务的能效，φ_i表示应用服务器对优先级为i的过载业务的处理速率，u_i表示优先级为i的业务的CPU利用率的阈值，O表示过载业务的集合，S_i表示优先级为i的业务的控制速率，S_j表示优先级为j的业务的控制速率，n_i表示优先级为i的业务占过载业务总数的百分比，n_j表示优先级为j的业务占过载业务总数的百分比；

步骤4-3所述的两个不同优先级业务控制速率比例在设置范围内，即

(1 - γ) \frac{n_{i}}{n_{j}} < \frac{S_{i}}{S_{j}} < (1 + γ) \frac{n_{i}}{n_{j}}, γ &Element; (0,1) .

步骤5采用混合粒子群算法获得能效最大时的不同过载业务控制速率，具体包括以下步骤：

步骤5-1、根据混合粒子群算法对不同优先级过载业务的控制速率进行初始化，包括设置M组不同优先级过载业务的控制速率，设置M组不同优先级过载业务的控制速率变化大小，随机生成初始化控制速率矩阵S_MN及速率变化率矩阵V_MN：

S_{MN} = [\begin{matrix} s_{11} & s_{12} & . . . & s_{1 N} \\ s_{21} & s_{22} & . . . & s_{2 N} \\ . . . & . . . & . . . & . . . \\ s_{M 1} & s_{M 2} & . . . & s_{MN} \end{matrix}] - - - (4)

V_{MN} = [\begin{matrix} v_{11} & v_{12} & . . . & v_{1 N} \\ v_{21} & v_{22} & . . . & v_{2 N} \\ . . . & . . . & . . . & . . . \\ v_{M 1} & v_{M 2} & . . . & v_{MN} \end{matrix}] - - - (5)

其中，s_Ii表示优先级为i的业务的第I个业务初始化控制速率，I=1,2,...,M,i=1,2,...,N，v_Ii表示优先级为i的业务的第I个业务对应的控制速率变化大小，N表示过载业务的优先级；

步骤5-2、根据M组不同优先级的过载业务的控制速率，分别计算各业务的能效值，从计算获得的能效值中选择每组业务的能效最大值，并将上述能效最大值放置于对应业务控制速率的向量中，获得M组向量，具体为：

将第I组不同优先级过载业务的最大能效值E_I及其控制速率存放于向量p_I中，即向量p_I=[s_I1,s_I2,...,s_IN,E_I]；

根据能效值大小，从向量p_I中选取初始最优向量p_g，即能效值最大向量，p_g=[s_g1,s_g2,...,s_gN,E_max]，1≤g≤M，E_max为M个最优能效值E_I中能效值最大值；

步骤5-3、确定初始温度；

公式如下：

T₀=E_max/ln5 （6）

其中，T₀表示初始温度；

步骤5-4、确定当前温度下各向量p_I的适配值TF(p_I)：

TF (p_{I}) = \frac{e^{- (E_{I} - E_{\max}) / T_{t}}}{Σ_{I = 1}^{M} e^{- (E_{I} - E_{\max}) / T_{t}}}

其中，e表示自然对数，T_t表示当前迭代时的温度，t=1时，T_t=T₀；

并根据向量p_I的适配值，采用轮盘赌方法从M组向量中选择一组向量更新初始最优向量p_g；

步骤5-5、对向量p_I和最优向量p_g进行更新，具体如下：

更新公式如下：

其中，v_Ii(t)表示本次迭代中的优先级为i的业务的第I个业务对应的控制速率变化大小；v_Ii(t+1)表示下一次迭代中的优先级为i的业务的第I个业务对应的控制速率变化大小；p_Ii表示向量p_I中能效最大的控制速率；p_gi表示全局能效最大的控制速率，s_Ii(t)表示表示本次迭代中的优先级为i的业务的第I个业务对应的控制速率；s_Ii(t+1)表示下一次迭代中的优先级为i的业务的第I个业务对应的控制速率；表示速度压缩因子，ω₁、ω₂为学习因子，设置为2，r₁、r₂为[0,1]之间的随机数，t表示迭代次数；

将更新获得的新的不同优先级过载业务的控制速率和控制速率变化值替换至矩阵S_MN和矩阵V_MN中，进而对向量p_I进行更新，并从更新后所有组向量p_I中选择出能效值最大向量，将更新后获得的能效值最大向量的能效值与向量p_g的能效值进行比较，若更新后能效值最大向量的能效值大于向量p_g的能效值，则对向量p_g进行替换更新；否则不更新；

步骤5-6、进行退温操作，更新温度值；

T_t+1=λT_t

T_t+1表示下一次迭代时的温度；λ表示退温系数，取值范围为0～1；

步骤5-7、判断是否达到迭代次数阈值，若是，则获得最终最优向量，即获得不同优先级过载业务的中间控制速率，否则返回执行步骤5-4；

步骤2所述的采样间隔加一，当采样间隔大于采样间隔上限值时，将采样间隔设置为上限值；步骤8所述的采样间隔减一，当采样间隔小于1时，讲采样间隔设置为1。

本发明优点：

本发明一种基于混合优化的电力通信网络应用服务器过载控制方法，通过建立控制速率与能效之间的关系函数，以过载控制为约束条件，同时考虑应用服务器的过载控制与能效问题，构建能效的最优化过载控制模型。利用混合粒子群算法和遗传算法进行过载控制，粒子群算法搜索效率高，经过较少代数进化就能收敛到极值解附近，而运用模拟退火策略对粒子的位置做更新限制，使粒子跳出局部最优，增大搜索范围，摆脱早熟现象，最后用适用度函数进行个体评估，在此基础上进行遗传操作，得到精确的最优解，利用本发明可以有效地对电力通信网络中应用服务器进行过载控制。

附图说明

图1为本发明一种实施例的基于混合优化的电力通信网络应用服务器过载控制方法流程图；

图2为本发明一种实施例的网络框图；

图3为本发明一种实施例的测量得出各类业务的到达速率示意图；

图4为本发明一种实施例的各类业务的CPU利用率示意图；

图5为本发明一种实施例的不同优先级业务的CPU利用率示意图；

图6为本发明一种实施例的过载控制后业务的控制速率示意图；

图7为本发明一种实施例的过载控制后不同业务的CPU利用率示意图；

图8为本发明一种实施例的过载控制后不同优先级的CPU利用率示意图；

图9为本发明一种实施例的能效对比示意图；

图10为本发明一种实施例的不同门限值对能效的影响示意图。

具体实施方式

下面结合附图对本发明一种实施例做进一步说明。

一种基于混合优化的电力通信网络应用服务器过载控制方法，方法流程图如图1所示，包括以下步骤：

本发明实施例中，网络框图如图2所示，构造采样间隔λ=15，产生随机数α∈(0,1]，以步长（实际采样间距）αλ进行不等间距测量到达应用服务器的业务速率，测量服务缓存队列大小，作为分析服务器是否过载的输入参数；如图3所示所示，采集到的6种业务到达速率，正常情况下，到达服务器的业务速率是比较平稳的，当某些时刻处的业务速率值突然增大时，即业务速率偏离正常值，则可初步判断该处应用服务器过载。

CPU利用率r₁公式如下：

其中，w表示业务数量，v_e表示业务e的到达速率，

表示对业务e的处理速率；

服务缓存空间利用率r₂，公式如下：

r₂=(P_o-P_c)/P_o （2）

本发明实施例中，结合CPU利用率r₁与缓存队列空闲比r₂判断应用服务器是否过载，如果r₁>η₁且r₂>η₂（其中η₁和η₂为判决门限，η₁=0.9，η₂=0.9），则业务过载，否则不过载。当业务不过载时，如果λ>m，则让λ=m，m为最大步长，本发明实施例中，λ=30，否则调整λ=λ+1，返回步骤1；当业务过载时，如果λ≤1，则让λ=1，否则调整λ=λ-1，执行步骤3。

本发明实施例中，对所有业务类型从低到高建立优先级列表s={s₁,s₂,s₃}，并建立对应的CPU资源占用率门限列表u={0.4,0.3,0.2}，建立并初始化各业务CPU利用率列表更新如果

则优先级s_q对应的业务过载，其中q=1,2,...,3；

本发明实施例中，业务1和业务2为2种优先级最高的业务，业务1的数量与业务2的数量比例为1:2；业务3和业务4为2种次高优先级的业务，业务3的数量与业务4的数量比例为1:2，业务5和业务6为优先级最低的2种业务，业务5的数量与业务6的数量比例为1:2。应用服务器对业务1、2、3、4、5、6的处理速率分别为40、80、50、100、60、120。各类业务的CPU利用率如图4所示，不同优先级的业务的CPU的利用率如图5所示，从图4和图5可以看出，应用服务器在51-200秒发生了过载。

步骤4-1、根据服务器的最大业务处理速率和服务器基本能耗所占的比例，建立能耗f(S)与控制速率S之间的关系；

f (S) = \{\begin{matrix} 0 & S = 0 \\ δc + (1 - δ) S & 0 < S < c \end{matrix} - - - (12)

其中，c表示服务器容量，S表示控制业务速率，δ用来描述服务器的基本能耗所占的比例，实施例中，c=200，δ=0.2。

E (S) = \frac{S}{f (S)} - - - (13)

由（12）～（13）可知，

O表示过载业务的集合，C表示过载业务的总到达速率。

\{\begin{matrix} \frac{S_{i}}{φ_{i}} \leq u_{i}, i &Element; O \\ (1 - γ) \frac{n_{i}}{n_{j}} < \frac{S_{i}}{S_{j}} < (1 + γ) \frac{n_{i}}{n_{j}}, γ &Element; (0,1) \\ S_{i} > 0 \end{matrix} - - - (14)

步骤4-4、结合过载控制过程中的限定条件和能效与不同优先级业务控制速率之间的关系，建立能效优化模型；

公式如下：

\{\begin{matrix} S_{i} = \arg \max E (S_{i}) \\ s . t . \frac{S_{i}}{φ_{i}} \leq u_{i}, i &Element; O \\ (1 - γ) \frac{n_{i}}{n_{j}} < \frac{S_{i}}{S_{j}} < (1 + γ) \frac{n_{i}}{n_{j}}, γ &Element; (0,1) \\ S_{i} > 0 \end{matrix} - - - (3)

具体包括以下步骤：

步骤5-1、根据混合粒子群算法对不同优先级过载业务的控制速率进行初始化，包括设置M（M=50）组不同优先级过载业务的控制速率，设置M组不同优先级过载业务的控制速率变化大小，随机生成初始化控制速率矩阵S_MN及速率变化率矩阵V_MN：

S_{MN} = [\begin{matrix} s_{11} & s_{12} & . . . & s_{1 N} \\ s_{21} & s_{22} & . . . & s_{2 N} \\ . . . & . . . & . . . & . . . \\ s_{M 1} & s_{M 2} & . . . & s_{MN} \end{matrix}] - - - (4)

V_{MN} = [\begin{matrix} v_{11} & v_{12} & . . . & v_{1 N} \\ v_{21} & v_{22} & . . . & v_{2 N} \\ . . . & . . . & . . . & . . . \\ v_{M 1} & v_{M 2} & . . . & v_{MN} \end{matrix}] - - - (5)

其中，s_Ii表示优先级为i的业务的第I个业务初始化控制速率，I=1,2,...,M,i=1,2,...,N，v_Ii表示优先级为i的业务的第I个业务对应的控制速率变化大小，N表示过载业务的优先级，N=6；

步骤5-3、确定初始温度；

公式如下：

T₀=E_max/ln5 （6）

其中，T₀表示初始温度；第一次迭代中，T₀=100

步骤5-4、确定当前温度下各向量p_I的适配值TF(p_I)：

TF (p_{I}) = \frac{e^{- (E_{I} - E_{\max}) / T_{t}}}{Σ_{I = 1}^{M} e^{- (E_{I} - E_{\max}) / T_{t}}}

步骤5-5、对向量p_I和最优向量p_g进行更新，具体如下：

更新公式如下：

其中，v_Ii(t)表示本次迭代中的优先级为i的业务的第I个业务对应的控制速率变化大小；v_Ii(t+1)表示下一次迭代中的优先级为i的业务的第I个业务对应的控制速率变化大小；p_Ii表示向量p_I中能效最大的控制速率；p_gi表示全局能效最大的控制速率，s_Ii(t)表示表示本次迭代中的优先级为i的业务的第I个业务对应的控制速率；s_Ii(t+1)表示下一次迭代中的优先级为i的业务的第I个业务对应的控制速率；

表示速度压缩因子，ω₁、ω₂为学习因子，设置为2，r₁、r₂为[0,1]之间的随机数，t表示迭代次数；

步骤5-6、进行退温操作，更新温度值；

T_t+1=λT_t

T_t+1表示下一次迭代时的温度；λ表示退温系数，取值范围为0～1，实施例中λ=0.99；

步骤5-7、判断是否达到迭代次数阈值500，若是，则获得最终最优向量，即获得不同优先级过载业务的中间控制速率，否则返回执行步骤5-4；

步骤6、采用遗传算法求解能效最大时不同优先级过载业务的控制速率最优解，获得不同优先级过载业务的最终控制速率；

将能效最大时不同优先级过载业务的控制速率作为遗传算法的初始种群，通过遗传算法的选择、交叉、变异操作得到模型的精确解表示第i个业务的最终控制速率。

对计数器进行设置，以此进行过载控制；

在每个采样间隔内，根据业务类别，更新不同业务优先级，同时更新缓存队列中各业务等待时间。每到达一个业务请求就从令牌桶中取出一张令牌颁发给该业务，计数器数值减一；CPU处理完一个业务请求则将其令牌返回到令牌桶中，计数器数值加一。当令牌桶中令牌数为0时，即计数器数值为0，如果现有缓存中存在比新到达业务优先级低的业务，则将缓存中优先级最低且已等待时间最短的业务从缓存队列中删除，并将其令牌给新到达业务，同时将新到达业务放入缓存队列中。否则，丢弃该业务。

如图6所示，应用服务器在51～200s发生过载，本发明将业务的到达速率成功的控制在了一个合理的范围内，并且控制速率保持稳定，同时满足一定的有效性和公平性。

图7和图8为本发明控制下的3种优先级业务的CPU利用率和6种业务的CPU利用率，由图可见，本发明实施例将业务的CPU利用率限制在门限值附近，不同优先级业务的CPU利用率保持在门限值附近，总CPU利用率保持在0.9左右，并且高、低优先级的CPU利用率分别满足预设的要求，6种业务的各自CPU利用率保持在合理的范围内。

图9为本发明的能效与未经过载控制的能效的比较，可以发现，本发明的能效较优越，成功的降低了应用服务器对资源的需求，使应用服务器更加节能，进一步表明本发明的健壮性与优越性。

图10为CPU利用率门限不同时，网络能效与迭代次数的关系，可以看出随着CPU门限值的增大，网络能效更加优越。

Claims

1.一种基于混合优化的电力通信网络应用服务器过载控制方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于混合优化的电力通信网络应用服务器的过载控制方法，其特征在于，步骤1所述的根据采样间隔和随机系数，确定实际采样间距，具体为：将采样间隔与随机系数相乘获得实际采样间距，所述的随机系数取值范围为0～1。

3.根据权利要求1所述的基于混合优化的电力通信网络应用服务器的过载控制方法，其特征在于，步骤1所述的根据业务数量、不同业务的到达速率和处理速率，获得CPU的利用率；

CPU利用率r₁公式如下：

其中，w表示业务数量，v_e表示业务e的到达速率，

表示对业务e的处理速率；

r₂=(P_o-P_c)/P_o （2）

4.根据权利要求1所述的基于混合优化的电力通信网络应用服务器的过载控制方法，其特征在于，步骤4-4所述的结合过载控制过程中的限定条件建立能效与不同优先级业务控制速率之间的关系，具体为建立能效优化模型，公式如下：

\{\begin{matrix} S_{i} = \arg \max E (S_{i}) \\ s . t . \frac{S_{i}}{φ_{i}} \leq u_{i}, i &Element; O \\ (1 - γ) \frac{n_{i}}{n_{j}} < \frac{S_{i}}{S_{j}} < (1 + γ) \frac{n_{i}}{n_{j}}, γ &Element; (0,1) \\ S_{i} > 0 \end{matrix} - - - (3)

其中，S_i表示能效最大时优先级为i的过载业务的控制速率；E(S_i)表示优先级为i的过载业务的能效，φ_i表示应用服务器对优先级为i的过载业务的处理速率，u_i表示优先级为i的业务的CPU利用率的阈值，O表示过载业务的集合，S_j表示优先级为j的业务的控制速率，n_i表示优先级为i的业务占过载业务总数的百分比，n_j表示优先级为j的业务占过载业务总数的百分比；

(1 - γ) \frac{n_{i}}{n_{j}} < \frac{S_{i}}{S_{j}} < (1 + γ) \frac{n_{i}}{n_{j}}, γ &Element; (0,1) .

5.根据权利要求1所述的基于混合优化的电力通信网络应用服务器的过载控制方法，其特征在于，步骤5采用混合粒子群算法获得能效最大时的不同过载业务控制速率，具体包括以下步骤：

S_{MN} = [\begin{matrix} s_{11} & s_{12} & . . . & s_{1 N} \\ s_{21} & s_{22} & . . . & s_{2 N} \\ . . . & . . . & . . . & . . . \\ s_{M 1} & s_{M 2} & . . . & s_{MN} \end{matrix}] - - - (4)

V_{MN} = [\begin{matrix} v_{11} & v_{12} & . . . & v_{1 N} \\ v_{21} & v_{22} & . . . & v_{2 N} \\ . . . & . . . & . . . & . . . \\ v_{M 1} & v_{M 2} & . . . & v_{MN} \end{matrix}] - - - (5)

步骤5-3、确定初始温度；

公式如下：

T₀=E_max/ln5 （6）

其中，T₀表示初始温度；

步骤5-4、确定当前温度下各向量p_I的适配值TF(p_I)：

TF (p_{I}) = \frac{e^{- (E_{I} - E_{\max}) / T_{t}}}{Σ_{I = 1}^{M} e^{- (E_{I} - E_{\max}) / T_{t}}}

步骤5-5、对向量p_I和最优向量p_g进行更新，具体如下：

更新公式如下：

步骤5-6、进行退温操作，更新温度值；

T_t+1=λT_t

步骤5-7、判断是否达到迭代次数阈值，若是，则获得最终最优向量，即获得不同优先级过载业务的中间控制速率，否则返回执行步骤5-4。

6.根据权利要求1所述的基于混合优化的电力通信网络应用服务器过载控制方法，其特征在于，步骤2所述的采样间隔加一，当采样间隔大于采样间隔上限值时，将采样间隔设置为上限值；步骤8所述的采样间隔减一，当采样间隔小于1时，讲采样间隔设置为1。