CN109062657A - 基于粒子群优化的Docker容器调度方法 - Google Patents

Abstract

本发明揭示了一种基于粒子群优化的Docker容器调度方法，包括如下步骤：S1、粒子编码步骤，将粒子群算法应用到Docker容器的调度中，通过自然数编码，将粒子群中的粒子编码长度与容器的任务相对应；S2、种群初始化步骤，在问题解空间内随机初始化NP个粒子的位置和速度，设定粒子群算法参数；S3、适应度函数步骤，使用适应度函数评价粒子的好坏，粒子以适应度函数大小为目标，不断迭代更新，直至满足停止条件，根据适应度函数的结果，更新粒子最优值和总体最优值；S4、模拟退火步骤，对已更新的最优值进行模拟退火，避免粒子群算法陷入局部最优解。本发明所提出的调度方法不仅仅实现了Docker集群各节点的负载均衡，还能完全发挥集群的整体性能。

Description

基于粒子群优化的Docker容器调度方法

技术领域

本发明涉及一种调度方法，具体而言，涉及一种基于粒子群优化的Docker容器调度方法，属于云计算虚拟化技术领域。

背景技术

随着近年来信息技术以及互联网行业的快速发展，云计算己经成为当今信息技术领域中最重要的概念之一，被称为IT产业的第四次革命，成为了未来互联网和移动互联网相结合的一种新兴的计算模式。

Docker是基于Linux容器(LXC)创建的一个应用容器引擎，属于操作***层虚拟化，主要用于解决服务器应用快速构建、部署和分享的问题。Docker自诞生以来发展迅速，现在主流的Linux操作***都已经支持Docker，同时该引擎也得到了包括谷歌、微软、IBM、亚马逊以及VMware在内的众多企业的大力支持，并在这些公司的云平台及服务产品中得到了广泛地应用。

应用程序开发者可使用Docker打包应用和运行所需的依赖包到一个可移植的容器中，然后发布到任何支持Docker的机器上，从而实现轻量级的虚拟化。目前云计算的基石是操作***级别的隔离，在同一台物理服务器上虚拟出多个主机。Docker的出现，实际上是完成了一种应用程序级别的隔离，它改变目前基本的开发、操作单元，由直接操作虚拟主机(VM)，转换到操作程序运行的容器上来。

此外，Docker集群管理工具Swarm的出现进一步促进了Docker在集群中的使用，为云计算平台及数据中心的虚拟化方法提供了一种新的思路。

当前的Docker容器调度主要基于两种方式，一种是传统的调度方法，另一种是启发式调度算法。如何将上述这两种方式进行适当的结合，更好地实现集群各节点的负载均衡、发挥集群的整体性能，从而充分地体现出利用轻量级虚拟化Docker的优势，也就成为了目前本领域内技术人员所亟待解决的问题。

发明内容

鉴于现有技术存在上述缺陷，本发明的目的是提出一种基于粒子群优化的Docker容器调度方法。

一种基于粒子群优化的Docker容器调度方法，包括如下步骤：

S1、粒子编码步骤，将粒子群算法应用到Docker容器的调度中，通过自然数编码，将粒子群中的粒子编码长度与容器的任务相对应；

S2、种群初始化步骤，在问题解空间内随机初始化NP个粒子的位置和速度，设定粒子群算法参数；

S3、适应度函数步骤，使用适应度函数评价粒子的好坏，粒子以适应度函数大小为目标，不断迭代更新，直至满足停止条件，随后根据适应度函数的结果，更新每个粒子的粒子最优值和所有粒子的总体最优值；

S4、模拟退火步骤，对已更新的粒子最优值和总体最优值进行模拟退火，避免粒子群算法陷入局部最优解。

优选地，所述S1粒子编码步骤，包括如下操作：

设有m个任务，一个任务对应于一个Docker容器，Docker集群中有n个节点资源，则粒子可编码为n为向量，表达式为，

P＝{p₁,p₂,…p_i…,p_m}，

其中，1≤p_i≤n，粒子的每一维坐标均表示一个Docker容器的编号，每个Docker容器均有一个任务，任意一维分量p_m表示分配给此容器的资源号。

优选地，所述S2种群初始化步骤，包括如下操作：

设种群规模为NP，对m个任务在n个资源节点上进行调度，种群初始化时***随机产生NP个粒子，每个粒子的位置均由向量P表示，第i个粒子的表达式为，

p_i＝{p_i1,p_i2,…,p_ij,…,p_im}，

其中，1≤p_ij≤n表示任务j分配到第p_ij号节点上，p_ij初始化为(1,n)之间的随机整数，

第i个粒子的速度由向量v表示为，

v_i＝{v_i1,v_i2,…,v_ij,…,v_im}，

其中，1≤i≤NP，-n≤v_ij≤n，v_ij初始化为(-n,n)之间的随机数。

优选地，所述S3适应度函数步骤，包括如下子步骤：

S31、利用节点的CPU使用率对服务等级协议进行评价；

S32、利用剩余资源利用率对资源使用率进行评价；

S33、依据对目标优化的要求设定相应的权值，获得综合适应度函数。

优选地，S31中所使用的基于CPU使用率的服务等级协议评价函数的表达式为：

其中，U_cpu为节点的CPU使用率，p为规定保证服务等级协议的阈值范围。

优选地，S32中所使用的剩余资源利用率函数的表达式为：

其中，R_i为第i维剩余资源，R_min为剩余资源的最小值。

优选地，S33中所获得的综合适应度函数的表达式为：

f(U_cpu,U_mem)＝K₁f_sLA+K₂f_r，

其中，U_cpu为节点的CPU使用率，U_mem为节点的内存使用率，K₁、K₂为权值。

优选地，在所述S4模拟退火步骤中，退火过程的表达式为：

T(t+1)＝α×T(t)，

其中，α为退火模拟中冷却衰减因子，T为温度，t为控制参数。

与现有技术相比，本发明的优点主要体现在以下几个方面：

本发明采用优化过的粒子群算法来完成Docker容器的调度，通过自然数编码将任务放置到相应的资源节点上，同时利用解码来找到资源节点拥有哪些任务，整个过程逻辑清晰，效果显著。同时，本发明中使用了模拟退火思想，防止粒子群算法陷入局部最优解，有效地提高了粒子群的全局搜索能力、效率和最优解的准确度。此外，本发明也为同领域内的其他相关问题提供了参考，可以以此为依据进行拓展延伸，运用于领域内其他调度方法的技术方案中，具有十分广阔的应用前景。

总体而言，本发明所提出的调度方法不仅仅实现了Docker集群各节点的负载均衡，还能完全发挥集群的整体性能，从而充分地发挥出Docker容器轻量级的优势，具有很高的使用及推广价值。

以下便结合实施例附图，对本发明的具体实施方式作进一步的详述，以使本发明技术方案更易于理解、掌握。

附图说明

图1为本发明的算法流程图；

图2为虚拟机与Docker容器的对比图；

图3是将优化粒子群算法融合到Docker容器中图；

图4为Docker集群中容器任务调度图；

图5为Docker集群中容器的性能图。

具体实施方式

如图1～图5所示，本发明揭示了一种基于粒子群优化的Docker容器调度方法，包括如下步骤：

S1、粒子编码步骤，将粒子群算法应用到Docker容器的调度中，通过自然数编码，将粒子群中的粒子编码长度与容器的任务相对应；

S2、种群初始化步骤，在问题解空间内随机初始化NP个粒子的位置和速度，设定粒子群算法参数；

S3、适应度函数步骤，使用适应度函数评价粒子的好坏，粒子以适应度函数大小为目标，不断迭代更新，直至满足停止条件，随后根据适应度函数的结果，更新每个粒子的粒子最优值和所有粒子的总体最优值；

S4、模拟退火步骤，对已更新的粒子最优值和总体最优值进行模拟退火，避免粒子群算法陷入局部最优解。

具体而言，所述S1粒子编码步骤，包括：

将粒子群算法应用到Docker容器的调度中，由于在Docker容器调度中任务只能取离散值，对粒子的编码也只能是离散的值。所以，首先要对粒子进行编码，将粒子的位置、速度与Docker调度任务结合起来。在本实施例中采用自然数编码，让粒子的编码长度与容器的任务相对应。

设有m个任务，一个任务对应于一个Docker容器，Docker集群中有n个节点资源，则粒子可编码为n为向量，表达式为，

P＝{p₁,p₂,…p_i…,p_m}，

其中，1≤p_i≤n，粒子的每一维坐标均表示一个Docker容器的编号，每个Docker容器均有一个任务，任意一维分量p_m表示分配给此容器的资源号。

举例而言，当任务个数为m＝12时，Docker节点资源个数n＝5时，即12个任务分配到5个节点资源上，粒子可编码为(5,4,3,2,3,2,4,2,4,2,1,4)，如表1所示。对粒子的解码即可知道任务分配情况，如表2所示。其中子任务7、8分配到1号资源上，子任务2、6分配到2号资源上，子任务1、5、10，11分配到3号资源上，子任务4分配到4号资源上，子任务3、9、12分配到5号资源上。

表1粒子编码示例

任务号	1	2	3	4	5	6	7	8	9	10	11	12
													资源号	5	4	3	2	3	2	4	2	4	2	1	4

表2粒子解码编号示例

资源号	1	2	3	4	5
						分配的任务号	11	4 6 8 10	3 5	2 7 9 12	1

所述S2种群初始化步骤，包括：

设种群规模为NP，对m个任务在n个资源节点上进行调度，种群初始化时***随机产生NP个粒子，每个粒子的位置均由向量P表示，第i个粒子的表达式为，

p_i＝{p_i1,p_i2,…,p_ij,…,p_im}，

其中，1≤p_ij≤n表示任务j分配到第p_ij号节点上，p_ij初始化为(1,n)之间的随机整数，

第i个粒子的速度由向量v表示为，

v_i＝{v_i1,v_i2,…,v_ij,…,v_im}，

其中，1≤i≤NP，-n≤v_ij≤n，v_ij初始化为(-n,n)之间的随机数。

所述S3适应度函数步骤，包括如下子步骤：

S31、利用节点的CPU使用率对服务等级协议进行评价，所使用的基于CPU使用率的服务等级协议评价函数的表达式为：

其中，U_cpu为节点的CPU使用率，p为规定保证服务等级协议的阈值范围。

S32、利用剩余资源利用率对资源使用率进行评价，所使用的剩余资源利用率函数的表达式为：

其中，R_i为第i维剩余资源，R_min为剩余资源的最小值。

S33、依据对目标优化的要求设定相应的权值，获得综合适应度函数，所获得的综合适应度函数的表达式为：

f(U_cpu,U_mem)＝K₁f_SLA+K₂f_r，

其中，U_cpu为节点的CPU使用率，U_mem为节点的内存使用率，K₁、K₂为权值。

在所述S4模拟退火步骤中，退火过程的表达式为：

T(t+1)＝α×T(t)，

其中，α为退火模拟中冷却衰减因子，一般取略小于1.00的正常数，T为温度，t为控制参数。

每个粒子在获得新位置之后，通过适应度函数计算得到粒子的适应度值，如果适应度值优于当前粒子的所在位置，则将粒子移动到新位置，如果计算出来的适应度值没有优于当前位置，则以一定的概率移动到新位置。根据模拟退火思想，粒子群中每个粒子都有一个都有各自的退火过程，每个粒子更新自己的位置也以概率进行选择，从而控制了粒子的更新位置，避免了陷入局部最优解的情况。

综上所述，本发明通过优化过的粒子群算法与Docker容器相结合，首先通过自然数编码将任务分配到每个资源节点上，也就是在容器和节点之间形成一种映射，将带有任务的容器映射到节点上，并利用解码来找到资源节点拥有哪些任务。其次通过对种群进行初始化，将m个任务分配到n个节点上，接着通过适应度函数，对每个粒子以及整个种群的粒子的速度和位置进行更新，找到资源利用率最高的节点。最后通过模拟退火思想，防止粒子在更新的过程中陷入局部最优解，提高粒子的更新效率以及准确度。最终对本发明的实施性进行验证，结果证明，相比Docker自带的调度算法，本发明在资源分配和性能上有明显的提升。

本发明也为同领域内的其他相关问题提供了参考，可以以此为依据进行拓展延伸，运用于领域内其他调度方法的技术方案中，具有十分广阔的应用前景。

总体而言，本发明所提出的调度方法不仅仅实现了Docker集群各节点的负载均衡，还能完全发挥集群的整体性能，从而充分地发挥出Docker容器轻量级的优势，具有很高的使用及推广价值。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神和基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (8)

1.一种基于粒子群优化的Docker容器调度方法，其特征在于，包括如下步骤：

S1、粒子编码步骤，将粒子群算法应用到Docker容器的调度中，通过自然数编码，将粒子群中的粒子编码长度与容器的任务相对应；

S2、种群初始化步骤，在问题解空间内随机初始化NP个粒子的位置和速度，设定粒子群算法参数；

S3、适应度函数步骤，使用适应度函数评价粒子的好坏，粒子以适应度函数大小为目标，不断迭代更新，直至满足停止条件，随后根据适应度函数的结果，更新每个粒子的粒子最优值和所有粒子的总体最优值；

S4、模拟退火步骤，对已更新的粒子最优值和总体最优值进行模拟退火，避免粒子群算法陷入局部最优解。

2.根据权利要求1所述的基于粒子群优化的Docker容器调度方法，其特征在于，所述S1粒子编码步骤，包括如下操作：

设有m个任务，一个任务对应于一个Docker容器，Docker集群中有n个节点资源，则粒子可编码为n为向量，表达式为，

P＝{p₁,p₂,…p_i…,p_m}，

其中，1≤p_i≤n，粒子的每一维坐标均表示一个Docker容器的编号，每个Docker容器均有一个任务，任意一维分量p_m表示分配给此容器的资源号。

3.根据权利要求1所述的基于粒子群优化的Docker容器调度方法，其特征在于，所述S2种群初始化步骤，包括如下操作：

设种群规模为NP，对m个任务在n个资源节点上进行调度，种群初始化时***随机产生NP个粒子，每个粒子的位置均由向量P表示，第i个粒子的表达式为，

p_i＝{p_i1,p_i2,…,p_ij,…,p_im}，

其中，1≤p_ij≤n表示任务j分配到第p_ij号节点上，p_ij初始化为(1,n)之间的随机整数，

第i个粒子的速度由向量v表示为，

v_i＝{v_i1,v_i2,…,v_ij,…,v_im}，

其中，1≤i≤NP，-n≤v_ij≤n，v_ij初始化为(-n,n)之间的随机数。

4.根据权利要求1所述的基于粒子群优化的Docker容器调度方法，其特征在于，所述S3适应度函数步骤，包括如下子步骤：

S31、利用节点的CPU使用率对服务等级协议进行评价；

S32、利用剩余资源利用率对资源使用率进行评价；

S33、依据对目标优化的要求设定相应的权值，获得综合适应度函数。

5.根据权利要求4所述的基于粒子群优化的Docker容器调度方法，其特征在于，S31中所使用的基于CPU使用率的服务等级协议评价函数的表达式为：

其中，U_cpu为节点的CPU使用率，p为规定保证服务等级协议的阈值范围。

6.根据权利要求4所述的基于粒子群优化的Docker容器调度方法，其特征在于，S32中所使用的剩余资源利用率函数的表达式为：

其中，R_i为第i维剩余资源，R_min为剩余资源的最小值。

7.根据权利要求4所述的基于粒子群优化的Docker容器调度方法，其特征在于，S33中所获得的综合适应度函数的表达式为：

f(U_cpu,U_mem)＝K₁f_SLA+K₂f_r，

其中，U_cpu为节点的CPU使用率，U_mem为节点的内存使用率，K₁、K₂为权值。

8.根据权利要求1所述的基于粒子群优化的Docker容器调度方法，其特征在于，在所述S4模拟退火步骤中，退火过程的表达式为：

T(t+1)＝α×T(t)，

其中，α为退火模拟中冷却衰减因子，T为温度，t为控制参数。