CN104333569A - 基于用户满意度的云任务调度算法 - Google Patents

Abstract

一种基于用户满意度的云任务调度算法，该算法主要包含虚拟机和云任务的参数归一化、欧式距离的计算、资源选择、欧式距离更新，计算任务的用户满意度，计算单个云任务的资源使用成本和所有任务执行完后***的总成本等几个阶段。本发明算法从用户的角度出发，将任务分配到最合适的资源中，更好满足用户对CPU、完成时间、带宽等多方面的需求，同时有效降低用户使用资源的成本。在云计算中，对于用户关心的是付出的成本和得到的服务质量是否合理匹配，使用户的需求得到较高程度满足。与现有技术相比，本发明给出了一种有效的策略让用户获得更好的服务质量。

Description

基于用户满意度的云任务调度算法

技术领域

本发明涉及云任务调度算法。

背景技术

云计算是并行计算、分布式计算和网格计算的综合发展，是一种商业计算模型，它能把从前需要高性能计算机才能完成的任务分布在大量廉价计算机构成的资源池上，使各种应用***能够根据需要获取计算能力、存储空间和信息服务。然而，在实现这些服务的同时，需要考虑一个问题，即不同的用户对云计算资源的使用有不同的需求，如CPU、内存、完成时间、带宽、使用费用等，如何通过一种有效的策略让用户获得更好的服务质量。云计算的任务调度算法是解决上述问题的途径之一。

传统的任务调度算法注重服务器的效率，例如以最优完成时间为目标的任务调度方法，虽然具有较好的完成效率，但是可能导致计算能力强的资源使用率高，使***负载不均衡；负载均衡算法能够提供有效的方法来扩展网络设备和服务器的带宽、增加吞吐量、加强网络数据处理能力、提高网络的灵活性和可用性，然而，传统的任务调度算法都忽略了用户任务的服务质量需求，不能很好的对资源进行按需分配。

发明内容

在对云任务调度技术的研究过程中形成了许多经典的调度算法，它们多从云资源提供商的角度出发，考虑最优完成时间、最低能耗、节点负载均衡、资源可用性和可靠性、***利用率等参数，而本发明提出的算法着重从用户的角度，考虑任务完成时间、成本、成本和服务质量的匹配程度、用户使用资源的满意度等参数，同时也考虑了***的负载均衡。

云计算使用虚拟化技术将底层的物理资源以虚拟机的形式封装，让虚拟机来执行用户的任务。调度问题是将用户的任务以一定的优化目标为原则与资源进行映射，云计算简化了任务与资源的匹配，使任务所需资源以一台虚拟机的形式体现，所以对资源的搜索转化为对某一台虚拟机进行搜索。

为了实现调度算法，本发明首先对云任务、虚拟机以及任务分类进行了描述：

●虚拟机用七元组表示：

vm_i＝<id_i,peNum_i,ram_i,bw_i,C_cpu/num,C_mem/MB,C_bw/Mbps>   (1)

七元组分别表示虚拟机的ID、CPU个数、内存、带宽以及CPU、内存和带宽的单位价格。

●云任务用八元组表示：

t_i＝<id_i,type_i,len_i，exppe_i,expram_i,expbw_i,s_i,cost_i>   (2)

八元组分别表示云任务的ID、类型、任务大小、期待CPU个数、期待内存、期待带宽、任务的用户满意度以及执行任务的成本。

●云任务类型：本发明主要考虑以下QoS参数：

a)完成时间：对于实时性要求的云任务，需要在尽可能少的时间内完成，与之对应的就是CPU和执行速度这两个资源。

b)带宽：当云任务对通信带宽要求较高时，例如多媒体流需求，需要优先考虑带宽要求。

c)内存：当云任务对内存要求较高时，需要优先考虑内存需求。

针对不同的云任务需求，按照不同的QoS参数来衡量用户满意度，为此，本发明设计了一个权重向量，它表示了云平台对于不同资源的价值认可度，使用权重向量来调整选择虚拟机资源的性能比参数，以此来更好的提高用户使用资源的满意度。例如，对于实时性或对时间敏感的云任务来说，希望用最小的完成时间来完成任务，因此需要计算能力强的资源，所以赋予CPU较大的权重。设第i类任务的权重向量表示为：

ei＝[ei₁,ei₂,ei₃]   (3)

其中ei₁,ei₂,ei₃分别对应CPU、内存、带宽的权重，且

${\mathrm{\&Sigma;}}_{j=1}^3{\mathrm{ei}}_j=1---\left(4\right)$

基于用户满意度的云任务调度算法的思想如下：对于一堆给定的云任务，选出***中目前优先级最高的云任务，对其进行参数归一化，然后将此归一化后的云任务和***中的所有虚拟机(事先所有的虚拟机已参数归一化)计算欧氏距离，计算欧氏距离时，根据云任务的类型及***对各个参数的价值认可程度，赋予不同的性能参数不同的权重，将当前的云任务绑定到欧氏距离值最小的虚拟机上。为了均衡***的负载同时保证所有任务的完成时间，当虚拟机被绑定一个云任务后，更新其欧式距离列表，降低下一个云任务被分配到相同虚拟机上的可能性。当前任务执行完后，计算其用户满意度和资源使用成本，所有任务执行完后，计算所有云任务的综合满意度和***的总成本。

本发明需要保护的技术方案表征为：

一种基于用户满意度的云任务调度算法，其特征在于，包括如下步骤：

步骤1，资源参数归一化。

将任务和虚拟机的性能参数都归一化到[0,1]区间，令集合X_ij＝{X_1j,…,X_tj}j为性能参数的个数，为虚拟机的同类性能参数的集合，其归一化值为：

GX_ij＝(curX_ij-minX_ij)/(maxX_ij-minX_ij)   (5)

其中，i为任务的个数，j为性能参数的个数，curX_ij为性能当前值，minX_ij为同类性能参数集合中的最小值，maxX_ij为同类性能参数集合中的最大值。

步骤2，计算欧式距离。

在经过参数归一化处理后虚拟机的参数向量为X＝{X₁,X₂,X₃}，云任务的参数向量为Y＝{Y₁,Y₂,Y₃}。考虑CPU、内存和带宽三个性能参数，根据云任务的类型得到权重向量W＝{W₁,W₂,W₃}。则欧式距离的计算公式为：

$D_i=\sqrt{{\mathrm{\&Sigma;}}_{j=1}^3{W}_j*{(X_j-Y_j)}^2}---\left(6\right)$

其中X_j表示第i个虚拟机中第j个资源的归一化参数值；Y_j表示任务对第j种资源的期待值；W_j表示第j种资源的权重。

步骤3，选择资源。

每个任务选择与其欧式距离最小的虚拟机执行任务，采用控制空闲的虚拟机的方法进行负载平衡，每个虚拟机维护一张欧式距离表，当某个任务被成功分配到某台虚拟机执行后，需要更新欧式距离表，增加某类资源和该虚拟机之间的欧式距离，更新公式为：

D_i′＝D_i(1+1/n),n为虚拟机的个数   (7)

步骤4，计算用户满意度。

在任务完成后，考虑每个任务的完成情况，包括任务的完成时间和各个任务的用户满意度，以及所有任务的综合满意度。单个任务的用户满意度为：

$s_i={\mathrm{\&Sigma;}}_{j=1}^3{W}_j\ln ({\mathrm{act}}_j/{\exp }_j)---\left(8\right)$

其中，s_i为任务i的用户满意度；W_j为第j项性能参数的权重；act_j为任务对第j项性能参数的实际消耗；exp_j为云任务对第j项性能的用户期待值。

当0≤|s_i|≤0.5时，则认为用户对云任务i的资源分配很满意；当0.5<|s_i|≤1时，则认为用户对云任务i的资源分配比较满意；当|s_i|>1时，则认为用户对云任务i的资源分配不满意；当|s_i|的值很大时，则认为用户对云任务i的资源分配非常不满意。

所有云任务的用户综合满意度为：

$S={\mathrm{\&Sigma;}}_{i=1}^t\left|s_i\right|---\left(9\right)$

其中s_i为第i个任务的用户满意度；t为所有云任务的个数。在云计算***中，S的值越小，说明该***所有用户和云计算服务提供商所提供的服务的满意度越高。

步骤5，计算成本。

在执行完每个云任务后，计算执行任务所花费的成本。虚拟机按照单位对资源计费，任务消费的全部费用cost_i为：

${\cos t}_i=C_{\mathrm{cpu}/\mathrm{num}}*P_1+C_{\frac{\mathrm{mem}}{\mathrm{MB}}}*P_2+C_{\mathrm{bw}/\mathrm{Mbps}}*P_3---\left(10\right)$

其中，P_i为资源数量，C为单位资源价格。

执行所有云任务后，***的总成本为：

$C={\mathrm{\&Sigma;}}_{i=1}^t{\cos t}_i---\left(11\right)$

其中cost_i为第i个任务的成本；t为所有云任务的个数。在云计算***中，C的值越小，说明该***执行所有云任务所花费的成本越小。

本发明算法从用户的角度出发，将任务分配到最合适的资源中，更好满足用户对CPU、完成时间、带宽等多方面的需求，同时有效降低用户使用资源的成本。在云计算中，对于用户关心的是付出的成本和得到的服务质量是否合理匹配，使用户的需求得到较高程度满足。与现有技术相比，本发明给出了一种有效的策略让用户获得更好的服务质量。

附图说明

图1基于用户满意度的云任务调度算法流程图。

图2基于用户满意度的云任务调度算法的仿真结果。

图3最优完成时间调度算法的仿真结果。

图4任务完成时间对比。

图5任务用户满意度对比。

图6任务执行成本对比。

具体实施方式

在云计算中，对于用户而言并不是很关心***的性能，他们关心的是付出的成本和得到的服务质量是否合理匹配，出于使用户的需求得到较高程度满足的考虑，本发明提出一种基于用户满意度的云任务调度算法。该算法从用户的角度出发，将任务分配到最合适的资源中，更好满足用户对CPU、完成时间、带宽等多方面的需求，同时有效降低用户使用资源的成本。最后，本发明使用CloudSim平台将算法进行仿真，并将算法与目前较常用的最优完成时间调度算法进行对比，验证算法在用户满意度和资源使用成本方面的有效性。

以下结合附图的算法流程图对本发明作进一步的说明。

图1为本发明的算法流程图。如图所示，算法主要包含虚拟机和云任务的参数归一化、欧式距离的计算、资源选择、欧式距离更新，计算任务的用户满意度，计算单个云任务的资源使用成本和所有任务执行完后***的总成本等几个阶段。

步骤1，资源参数归一化。为了更方便的进行欧式距离的计算，本发明将任务和虚拟机的性能参数都归一化到[0,1]区间，令集合X_ij＝{X_1j,…,X_tj}j为性能参数的个数，为虚拟机的同类性能参数的集合，其归一化值为：

GX_ij＝(curX_ij-minX_ij)/(maxX_ij-minX_ij)   (5)

其中，i为任务的个数，j为性能参数的个数，curX_ij为性能当前值，minX_ij为同类性能参数集合中的最小值，maxX_ij为同类性能参数集合中的最大值。

步骤2，计算欧式距离。在经过参数归一化处理后虚拟机的参数向量为X＝{X₁,X₂,X₃}，云任务的参数向量为Y＝{Y₁,Y₂,Y₃}。本发明主要考虑CPU、内存和带宽三个性能参数，根据云任务的类型得到权重向量W＝{W₁,W₂,W₃}。则欧式距离的计算公式为：

$D_i=\sqrt{{\mathrm{\&Sigma;}}_{j=1}^3{W}_j*{(X_j-Y_j)}^2}---\left(6\right)$

其中X_j表示第i个虚拟机中第j个资源的归一化参数值；Y_j表示任务对第j种资源的期待值；W_j表示第j种资源的权重。

任务与虚拟机之间的欧式距离越小，说明任务选择该虚拟机能够获得相对较好的用户满意度，同时也能够更好的满足云计算提供商对不同资源的价值认可需求。

步骤3，选择资源。每个任务选择与其欧式距离最小的虚拟机执行任务，但考虑到***的负载均衡问题，避免所有任务同时分配到一台能力很强大的虚拟机上，同时为了尽量满足任务完成时间的最优化，采用控制空闲的虚拟机的方法进行负载平衡，于是每个虚拟机维护一张欧式距离表，当某个任务被成功分配到某台虚拟机执行后，需要更新欧式距离表，增加某类资源和该虚拟机之间的欧式距离，更新公式为：

D_i′＝D_i(1+1/n),n为虚拟机的个数   (7)

资源选择过程如下：

1.Fori＝1 to m

2 Select VM by parameter of t_i to VM_i；(所有任务相同性能组成向量)

3 For i＝1 to t

4 For j＝1 to 3

5 Compute GX_ij(参数归一化处理)；

6 For i＝1 to t

7计算任务与虚拟机的欧式距离D_i；

8 Select min D_i；

9 Bind t_i to VM which has the min D_i；

10 End；

步骤4，计算用户满意度。在任务完成后，需要考虑每个任务的完成情况。包括任务的完成时间和各个任务的用户满意度，以及所有任务的综合满意度。单个任务的用户满意度为：

$s_i={\mathrm{\&Sigma;}}_{j=1}^3{W}_j\ln ({\mathrm{act}}_j/{\exp }_j)---\left(8\right)$

其中，s_i为任务i的用户满意度；W_j为第j项性能参数的权重；act_j为任务对第j项性能参数的实际消耗；exp_j为云任务对第j项性能的用户期待值。

当0≤|s_i|≤0.5时，则认为用户对云任务i的资源分配很满意；当0.5<|s_i|≤1时，则认为用户对云任务i的资源分配比较满意；当|s_i|>1时，则认为用户对云任务i的资源分配不满意；当|s_i|的值很大时，则认为用户对云任务i的资源分配非常不满意。

所有云任务的用户综合满意度为：

$S={\mathrm{\&Sigma;}}_{i=1}^t\left|s_i\right|---\left(9\right)$

其中s_i为第i个任务的用户满意度；t为所有云任务的个数。在云计算***中，S的值越小，说明该***所有用户和云计算服务提供商所提供的服务的满意度越高。

步骤5，计算成本。在执行完每个云任务后，需要计算执行任务所花费的成本。虚拟机按照单位对资源计费，因此，任务消费的全部费用cost_i为：

${\cos t}_i=C_{\mathrm{cpu}/\mathrm{num}}*P_1+C_{\frac{\mathrm{mem}}{\mathrm{MB}}}*P_2+C_{\mathrm{bw}/\mathrm{Mbps}}*P_3---\left(10\right)$

其中，P_i为资源数量，C为单位资源价格。

执行所有云任务后，***的总成本为：

$C={\mathrm{\&Sigma;}}_{i=1}^t{\cos t}_i---\left(11\right)$

其中cost_i为第i个任务的成本；t为所有云任务的个数。在云计算***中，C的值越小，说明该***执行所有云任务所花费的成本越小。

步骤6，算法仿真。本发明模拟的云环境由5个虚拟机节点构成，在节点上建立资源代理，并建立10个模拟用户任务。仿真中主要考察以下几个方面：所有云任务的完成时间、单个云任务的用户满意度、所有任务的综合满意度、单个任务的执行成本、***执行所有云任务的成本，在本仿真中资源的单位价格均为1(实际使用时可自行设置)。图2为基于用户满意度的云任务调度算法的仿真结果。图3为最优完成时间调度算法的仿真结果。

从图4中可以看出，最优完成时间算法中，最后完成的是任务3，总完成时间为334.62ms，而基于用户满意度的云任务调度算法中，最后完成的是任务7，总完成时间为389.92ms。本发明的调度算法在完成时间上不如经典的最优时间调度算法，但也比较接近。

从图5可以看出，基于用户满意度的云任务调度算法中大部分任务的满意度以及总的用户满意度都要优于最优完成时间调度算法。这个结果体现出了本发明所设计的算法的有效性。

从图6可以看出，基于用户满意度的云任务调度算法中大部分任务的执行成本都要低于最优完成时间调度算法，基于用户满意度的云任务调度算法的***总成本为25587单位，最优完成时间调度算法的***总成本为30432单位。这个结果体现出了基于用户满意度的云任务调度算法在节约成本上具有优势。

通过以上的仿真结果分析，相比于最优完成时间任务调度算法，基于用户满意度的云任务调度算法能够在保证良好的任务完成时间的基础上，更好的满足不同用户的需求，提高用户的满意度，同时也能有效的节约执行成本。

本发明的创新点

1)从用户使用云计算资源的满意程度的角度设计云任务调度算法。

2)调度算法在保证任务的完成时间的条件下，通过动态的任务分配策略，能更好的满足不同需求的用户，并且能够得到良好的用户满意度和***的整体满意度，能有效的节约***的执行成本。

Claims (1)

1.一种基于用户满意度的云任务调度算法，其特征在于，包括如下步骤：

步骤1，资源参数归一化

将任务和虚拟机的性能参数都归一化到[0,1]区间，令集合X_ij＝{X_1j,…,X_tj}j为性能参数的个数，为虚拟机的同类性能参数的集合，其归一化值为：

GX_ij＝(curX_ij-minX_ij)/(maxX_ij-minX_ij)   (5)

其中，i为任务的个数，j为性能参数的个数，curX_ij为性能当前值，minX_ij为同类性能参数集合中的最小值，maxX_ij为同类性能参数集合中的最大值。

步骤2，计算欧式距离

在经过参数归一化处理后虚拟机的参数向量为X＝{X₁,X₂,X₃}，云任务的参数向量为Y＝{Y₁,Y₂,Y₃}；考虑CPU、内存和带宽三个性能参数，根据云任务的类型得到权重向量W＝{W₁,W₂,W₃}，则欧式距离的计算公式为：

$D_i=\sqrt{{\mathrm{\&Sigma;}}_{j=1}^3{W}_j*{(X_j-Y_j)}^2}---\left(6\right)$

其中X_j表示第i个虚拟机中第j个资源的归一化参数值；Y_j表示任务对第j种资源的期待值；W_j表示第j种资源的权重；

步骤3，选择资源

每个任务选择与其欧式距离最小的虚拟机执行任务，采用控制空闲的虚拟机的方法进行负载平衡，每个虚拟机维护一张欧式距离表，当某个任务被成功分配到某台虚拟机执行后，需要更新欧式距离表，增加某类资源和该虚拟机之间的欧式距离，更新公式为：

D_i′＝D_i(1+1/n),n为虚拟机的个数   (7)

步骤4，计算用户满意度

在任务完成后，考虑每个任务的完成情况，包括任务的完成时间和各个任务的用户满意度，以及所有任务的综合满意度；单个任务的用户满意度为：

$s_i={\mathrm{\&Sigma;}}_{j=1}^3{W}_j\ln ({\mathrm{act}}_j/{\exp }_j)---\left(8\right)$

其中，s_i为任务i的用户满意度；W_j为第j项性能参数的权重；act_j为任务对第j项性能参数的实际消耗；exp_j为云任务对第j项性能的用户期待值；

当0≤|s_i|≤0.5时，则认为用户对云任务i的资源分配很满意；当0.5<|s_i|≤1时，则认为用户对云任务i的资源分配比较满意；当|s_i|>1时，则认为用户对云任务i的资源分配不满意；当|s_i|的值很大时，则认为用户对云任务i的资源分配非常不满意；

所有云任务的用户综合满意度为：

$S={\mathrm{\&Sigma;}}_{i=1}^t\left|s_i\right|---\left(9\right)$

其中s_i为第i个任务的用户满意度；t为所有云任务的个数；

步骤5，计算成本

在执行完每个云任务后，计算执行任务所花费的成本；虚拟机按照单位对资源计费，任务消费的全部费用cost_i为：

${\cos t}_i=C_{\mathrm{cpu}/\mathrm{num}}*P_1+C_{\frac{\mathrm{mem}}{\mathrm{MB}}}*P_2+C_{\mathrm{bw}/\mathrm{Mbps}}*P_3---\left(10\right)$

其中，P_i为资源数量，C为单位资源价格；

执行所有云任务后，***的总成本为：

$C={\mathrm{\&Sigma;}}_{i=1}^t{\cos t}_i---\left(11\right)$

其中cost_i为第i个任务的成本；t为所有云任务的个数。