IAAS云计算环境下多目标任务调度的混沌松鼠搜索算法（CSSA）研究总结

工程科学与技术，国际期刊23（2020）891完整文章IAAS云计算环境下多目标任务调度的混沌松鼠搜索算法（CSSA）M.S. Sanaja，P.M.Joe Prathapba印度泰米尔纳德邦，钦奈，Satyabhama大学计算机科学与工程系b印度泰米尔纳德邦钦奈RMD工程学院信息技术系阿提奇莱因福奥文章历史记录：收到2019年2019年10月25日修订2019年11月2日接受在线发售2019年保留字：任务调度QoS多任务调度IaaS云环境松鼠搜索算法混沌松鼠搜索算法A B S T R A C T云平台中的任务调度是保证云连接充分有效地满足客户需求的最重要的问题。调度基本上是在考虑到工作特征后将任务映射或分配给可用资金的方法。一个有效的调度协议应该符合用户的需求，并帮助服务提供商提供良好的服务质量（QoS），以提高一般的应用程序的效率。云计算是一种不断发展的计算范式，具有广泛的自力更生和经济上多样化的计算结构。任务调度是提高云计算总体效率的重要举措。任务调度也很重要，以便通过减少处理时刻来降低功率利用率并增强服务提供商在本文中，我们提出了一个混沌松鼠搜索算法（CSSA），以优化多任务调度的基础设施即服务（IaaS）云环境。这些方法不断产生工作计划，使目前的办法更具成本效益。为了保证更大的全局收敛性，早期的生态系统是为了高效的生态系统而进行混乱的优化。最后将混沌松鼠搜索算法与混沌局部搜索算法相结合，使探索权威能够对松鼠搜索算法（SSA）进行补充。其他QoS条件，如兼容性和安全性非常大的情况下，可以扩展到涵盖建议的技术。一个云模拟器工具包考虑了该策略，并将结果与调度算法进行比较，以便实现多个目标的理想结果。©2019 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍在信息技术领域，分布式计算机是目前最具影响力的发展领域。云计算提供了一种基于请求和使用支出显示的机制，该机制由通过Web在连接和虚拟化组件中传输的资产组成[1]。它是不同互联网公司的重要基石。云计算的大量数据存储和计算机需求在许多计算机框架中提出[2，3]。另一方面，互联网公司（电子商务）成为当今最好的商业模式之一因此，云计算将并行的思想和技术连接起来，为个人计算机和其他机器提供共享的资源、设备、软件和数据[5，6]。用户将使用提供的设施，以满足*通讯作者。电子邮件地址：sanajms0401@gmail.com（M.S.Sanaj）。由Karabuk大学负责进行同行审查在云中的需求在包括与云计算相关的安全问题时，涉及与云供应商面临的云安全相关的问题（例如基于组织的软件，设备即服务）[7，8]，在云环境中存在一些其次，客户所经历的云安全问题是云信息存储组织。然而，任务的规划仍然是一个重大挑战，尽管最近在该部门进行了许多尝试[9]。该调度涉及映射作业或将其分配给特定Vm，这增加了资源的使用任务规划的效率算法提高了整个系统的效率，并帮助服务提供商提供良好的服务质量[10]。任务规划应侧重于在适当框架[11]中增强框架性能的活动，因此是确定此类订单实施要求的规划方法。非常困难的是在异构框架中指定处理器和资产，例如云状态，这导致了许多方法和计算来减少时间尺度的多方面性质和同步能力。https://doi.org/10.1016/j.jestch.2019.11.0022215-0986/©2019 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestch892M.S. Sanaj，P.M. Joe Prathap/工程科学与技术，国际期刊23（2020）891命名法CSOSDAGGA-PSO混沌共生生物搜索有向无圈图基于遗传算法的粒子群优化基础设施即服务本地服务器资源管理处理元素粒子群优化PSO-BAT粒子群优化BAT算法IaaSLRMPSOQoSSLASOSVMUBLB服务质量服务级别协议共生生物搜索虚拟机上限下限子任务[12异构资产、全运行时间、运行时间和盈利能力联盟鉴于这一问题的重要性，本文对分布式计算和异构框架进行了探讨。然而，为了通过确定最佳解决方案来规划云计算中的各种功能，数值计算至关重要。一种有见地的方法正在使用确定性方法[16]中使用受生物启发的算法来利用计算机有效的替代方案。例如，在进化算法技术中，基于群的算法以及最常用于解决指定优化规划问题的随机化和局部搜索[17，18]，大多数启发式方法都集中在一个备选方案的迭代增强上。在本文中，算法的调度因此，使用有效的数据分析算法来操纵用户功能。主要目标是计划任务以及时调整资源，这需要根据事务逻辑限制来适应一CloudSim工具包评估了建议的SSA和CSSA算法的效率。仿真结果表明，相对于PSO-BAT和混合GA-PSO，我们的方案该算法采用了跳跃搜索技术当松鼠遇到捕食者时，跳跃搜索技术中插入了“逃跑”和“死亡”活动CSSA通过线性回归选择方法在优化阶段选择适当的搜索技术。我们提出了一种用于松鼠搜索优化的混沌方法，该方法可以最大限度地减少大规模基础设施即服务（IaaS）云任务的成本。该方法能够高效地规划多目标调度任务。一全球网络云计算环境是从硬件/数据中心、基础设施、平台、应用程序和最终用户五个不同的层次进行解释。在工作中解释了网络的数学模型，以便找到优化问题，然后研究典型IaaS提供商的行为。本文给出了一个计算最优解的计算过程，并将其应用于两个数值例子，然后与线性化过程[19]进行了比较。针对云数据中心的任务调度问题，提出了NSGA-Ⅱ GSA虚拟机选择算法该算法工作的三个目标函数是响应时间，执行成本和能耗。该方法在能耗较低的虚拟机中加入NSGA-Ⅱ算法，通过GSA算法筛选出响应时间和执行成本最小的虚拟机。在强大的本地和全球搜索能力，NSGA-II &GSA算法收敛速度更快，导致帕累托最优输出[20]。在云计算环境下，提出了一种新的多目标布谷鸟搜索优化算法（MOCSO）来解决资源占用问题。因此，减少云用户的成本，从而提高性能，最大限度地减少完工时间是资源调度问题的目标，这有助于增加收入或利润的云提供商与最大的资源利用率。因此，用于解决IaaS云计算环境中的多目标资源调度问题的新方法涉及MOCSO算法[21]。剩余的文章结构如下：第2节描述了IaaS云环境中的任务调度领域，提供了与使用元启发式算法有关的各种工作。第3节描述了所提出的方法，说明了在IaaS云环境中使用松鼠搜索算法（SSA）和混沌松鼠搜索算法（CSSA）的任务调度方法，并描述了目标函数。第4节说明了SSA算法。第5节说明了所提出的CSSA算法。第6节给出了仿真结果。第7节给出结论。2. 文献综述在文献中已经有几个研究项目，它们使用优化算法和方法来确定几个任务的目标及其不同的视图。本节审查了部分Wu等人。[22]开发了一种基于粒子群增强算法的任务规划技术，以克服当前的低效率。为了解决规划优化的难题，通过实现迭代选择算子，粒子群优化算法（PSO）被用来。改进的微粒群优化算法（IPSO）可以提高寻优能力，并在一定程度上避免陷入局部最优。收敛的影响是如此之好，可以降低分配的时间成本。 实验结果表明，该算法的优化改进和更少的时间消耗，通过模拟上的云仿真平台。因此，它可以用于云计算问题的研究和练习，以优化时间表。Cui等人[23]提出了一种基于遗传算法的云计算规划算法的工作流任务。在我们的算法中，每项工作都是通过自上而下的分级技术进行优先排序的。通过顶层降级技术，将所有工作流任务划分为不同的阶段，从而使工作流任务能够同时执行。在对任务规划的解进行编码时，设计了一种二维编码技术。为了产生新的不同的来源，以提高人口的多样性，他们正在设计一个新的遗传交叉和变异。 健身功能使我们能够评估个人的身体健康与时间表和规划成本同步。他们评估M.S. Sanaj，P.M. Joe Prathap/工程科学与技术，国际期刊23（2020）891893通过仿真研究，我们的算法的效率的基础上现实的工作流模型。研究结果表明，该算法能较好地降低工作流规划成本Anushree等人评估了一些最近的任务规划方法。[24]并对其结果进行了多项指标分析。云计算是世界各地个人使用的主要设施之一。它为用户提供了对许多计算部件或服务的即时访问，例如服务器，应用程序，存储和网络。在云环境领域，任务规划是一个重要组成部分。为某些资源规划用户应用，即在特定时刻的职责。它主要侧重于减少生产范围和资源使用。这是一个NP问题。许多当前的启发式方法可用于调度任务的日期。然而，需要进一步改进和改变，以提高性能和改进任务规划的有效性。Mittal等人。[25]实现了一种任务调度优化算法，该算法考虑了云资产的分配和可扩展性，同时根据情况调整了多种其他当前算法的优点。对于可通过互联网访问的计算资源，云可按需轻松访问网络。个人和组织可以在云服务软件和设备（如网络，存储，服务器和应用程序）的帮助下轻松远程访问。为了获得足够的资源可用性、有效性和较低的权重，应该及时地完成在该云设置中呈现的工作，这需要有效的任务调度算法来正确分配任务。Meena等人。[26]在下载的作业和云资源中寻求优化的映射。工作流程首先在移动设备中自行然后他们看到需要更多的时间然后，在最短的时间内，对虚拟机的同构和异构接口进行了实验，以规划所执行的任务最后，针对某些外包分配和虚拟机之间的成本和功率利用率Agarwal等人提出了基于遗传算法的任务规划方法[27]在虚拟机上有效地分配负载，以确保较低的一般反应时间（QoS）。通过对基于遗传算法的CloudSim仿真器作业规划方法的比较，表明了当前的贪婪先到先服务技术（FCFS）等方法的优越性。Yadav等人[28]建议通过将非冲突资源和工作负载映射到云计算设置中来实现基于优先级任务的规划技术。这导致对任务的基于优先级和基于平衡工作负载的资源分配。在技术任务规划器和资源规划器中，可以协调期望的性能和最小水平的响应时间。本文Abdullahi等人[29]集中在一个新的混沌共生生物体搜索（CSOS）算法，以最小化搜索的价格和时间跨度的作业调度问题。其基本思想是通过实现提供多样性的混沌搜索使用CloudSim工具包仿真框架进行 了 全 面 的 仿 真 ， 并 与 共 生 生 物 搜 索 （ SOS ） 和 粒 子 群 优 化（PSO）进行了对比，评估了所建议的混沌共生生物搜索（CSO）算法的结果仿真结果表明，CSOS在降低成本和任务规划的时间限制方面具有重要的效率改进3. 拟议方法3.1. 基于SSA和CSSA的IaaS云计算多目标任务调度3.1.1. SSA方法问题是将调度程序接收的任务绑定到接收方的VM列表上，以将执行时间减少到优化的最小时间。单目标调度算法存在一个问题。例如，高优先级的分配总是有机会执行优先级计划，因为这个小的优先级分配。低优先级的活动有时也有机会执行。然而，如果高优先级活动继续发生，则小优先级任务被阻止，并且CPU被分配给高优先级任务，从而降低系统性能。在最好的情况下，该算法工作得很好，但在最坏的情况下，它将效率降低到非常小的水平。这需要一个有效的编程算法，可以提供最佳的效率在这两种情况下。在调度程序中适当应用规划算法，可提高信息中心的效率，而不破坏服务层合同。完成工作的时间还受到任务提交过程和VM的影响这种计算模式的成本在这种情况下，应该有效地对任务进行编程，以减少执行成本和时间。在调度程序中应用这一规划算法作业呈现和VM的顺序也会影响执行完整工作负载的时间[30]。3.1.2. 综援办法通过在云计算中使用虚拟化软件来跟踪资源的使用情况。在整个过程中，用户监视的资源（包括CPU和存储系统）在应用程序进程实现期间执行超过用户数量的操作。在整个执行过程中，如果该计划降低了工作绩效，活动可能会受到影响。客户采用和处理作业数据的概率由任务管理器。任务管理器具有接受任务并管理它们的功能，要求它们向调度器提供数据。任务经理将通过预算，价格，存储和时间限制提交任务。然后由调度程序规划和绘制任务分配。绘制了任务的资金。这是通过全球资产管理公司定义的。在云环境中，最重要的结构元素是调度器，本文档中使用它通过使用CSSA方法有效地计划任务。计划员从任务管理器和全球资产管理器收集家务和公用事业数据，以便归档有效的计划。这些策略将每项工作与正确评估的资产绑定，并根据收集的数据以及时间轴和估计完成。全球资源经理负责管理全球范围内的服务。定期收集CPU节点、存储计数数据和员工工作时间，并发送到全球资源管理器，以准确测量能源费用。整个过程都在云端进行。这种云允许不同的物理服务器。本地服务器资源管理（LRM）也可以访问。每个LRM支持多个虚拟机。云为物理服务器和本地资源管理器提供全局监控。图中所示的建筑示意图规划活动。1.一、云系统由几个数据中心组成，可以通过使用来自世界各地的互联网访问这些数据中心，目的是使用894M.S. Sanaj，P.M. Joe Prathap/工程科学与技术，国际期刊23（2020）891hihi图1.一、IaaS云环境中的任务调度CSSA算法在整个云模式。每个数据中心都有许多计算、节省和其他可用资源在每个服务器群中，处理元件（PE）通过高带宽连接的网络因此，该模型考虑了相对微不足道的通信延迟。服务通过使用建议模型中的功能在所建议的任务规划模块的结构内，将用户职责有效地分配给各种可用的PE，旨在优化功率使用和时间。数据中心定义在建议的模型中，云实现被视为使用云资源的用户功能的集合。在调度期间，用户任务将分配给DC-DC1; DC2;：; DCm过程m连接到每个数据中心。‘m’ is the可用于执行用户活动的处理元件（PE）。在每个信息中心中设置处理元件PE1; PE2;：; PEmg一个双胞胎s; p与每个处理元件相连。's'，'p'表示每个处理元件执行速度和功率效率科学。每个用户作业都显示为有向无环图（DAG）”[31]又云：“ 有 ， 有 ， 有。节点集N^f A1;：; Ang.弧集表示优先级限制，分配之间的控制/数据依赖关系表示用户工作中的职责。循环在fAi; Ajg 2 H中，其中父任务称为Ai，子任务称为Aj。Aj consumes的信息产生的Ai。假定子任务在完成其所有职责之前无法执行一没有父任务在特定任务图中被称为入口任务，而没有子任务的出口任务被调用。该模型只考虑一个输入和一个输出任务节点。因此，在DAG的开始和结束时，添加了两个假任务Aentry和Aexit，运行时间为零。DAG在每个N个顶点上具有值k><该模型的问题是如何在可在云中访问的单独数据中心处理元素中规划客户就业所有PE都是顺序的、重叠的和标准化的。调度被认为是非预防性的，从而防止任何任务的处理如何规划任务并满足用户服务质量（QoS）要求，是网络中最困难的本文提供了一个广泛的作业计划，宁和资源使用的云设置使用CSSA。调查结果显示，建议的系统将显着提高吞吐量，减少等待时间，显着减少错过的程序，并抵消多云数据中心中物理设备之间的负载[32，33]。3.2. 目标函数该模型将云接口视为在复杂计算任务中使用云资源执行的一组用户功能。云计算基于调度算法的有效性而变化，调度算法是基于任务、资源和成本的定义以及规划优化模型的呈现而设计的。虚拟机（vm）包括N个任务（A）。可以将任何VM分配给每个分配。两个目标M.S. Sanaj，P.M. Joe Prathap/工程科学与技术，国际期刊23（2020）8918952XXX模型中包含了各种功能和各种限制第一个目标是减轻vmj分配中任务i的预期往返（ERTij）时间第二个目标是减少或消除vmj中的总预期成本（ECij）。加权和方法用于实现若干目标。加权和策略通过构建所有目标的加权聚合，将显著减少向量的多目标问题转化为多目标问题RT是包括传输、接收和实施操作的整个过程的完整时间ERTijSi=bdli=njd 1其中Si=任务i的大小，b=带宽，d=延迟，li=执行任务i的指令所需的数量，并且nj=每秒由vmp执行的指令的数量。ECijli=njωRCfi=bjωC=bj 2其中RC=资源成本，fi=文件大小，C=成本。RC<$R ωC=mS ωC=st30其中R=虚拟机的RAM，m=内存，S=虚拟机的大小，st=存储。平均值zij等于1或null，以将赋值i分配给vmj或不分配给vm j。对于一个虚拟机，第一个限制将分配任务（等式2）。5）。等式（6）和（7）限制虚拟机资源小于或等于数据中心资源。必须给zij（8）分配一个有利的量。多目标分配数学模型的含义是他们可以更快地获得充足的能量来满足他们的正常能量需求，因此在发现橡子时立即食用橡子。在满足了日常能量需求后，他们开始寻找夏季理想的食物来源山核桃的储存有助于他们在非常困难的时候保持电力消耗，减少昂贵的食物运输，从而增加生存的可能性。在夏季，饲料树作物覆盖的减少增加了捕食的危险，从而减少了越冬的时间，但不花时间飞鼠在冬季结束时再次发挥作用这种方法一直存在，直到一只飞鼠生活并形成SSA的基础[34]。 这是一个连续的方法（图）。2）的情况。为了简化数学模型的分析，相关假设被视为：1. 在落叶林里，有n只松鼠在飞翔，而一只松鼠应该在一棵树上2. 每只飞鼠都各自寻找食物，并通过展示充满活力的锻造行为来最佳利用可获得的肉类供应3. 森林中只有三种树木，包括普通树，橡树（谷物坚果的食物来源）和山核桃树（山核桃的4. 三个橡树林和一棵松树应该在所考虑的在目前的研究中，松鼠的数量n被视为50.有4种营养成分（Nhv），1棵坚果树和3棵坚果植物，46棵植物不吃。这是92%的嗯嗯最小值：1ωX XERTijωzijD2ωX XECijωzij 4整个松鼠种群，而其余的是食物1/4受制于，Mj¼01/4j¼0普通森林资源。但是，按照极限1Nhvn，其中NhvZ>0 > 0，具有理想的夏季水源可利用的水资源量。<

下载后可阅读完整内容，剩余1页未读，立即下载