云环境下虚拟机负载平衡优化研究

沙特国王大学学报云环境Amanpreet Kaura，b，Bikrampal Kaurc印度卡普尔塔拉IKGPTU研究学者b昌迪加尔工程学院，兰德兰，印度c印度旁遮普邦莫哈利Landran Chandigarh工程学院阿提奇莱因福奥文章历史记录：收到2018年2019年1月30日修订2019年2月26日接受2019年3月2日在线提供保留字：虚拟机（VM）工作流HEFTPEFTACO优化底流最大跨度和成本A B S T R A C T虚拟机（VM）之间的负载均衡对于以最小的成本和交付服务所需的总时间以优化的方式交付云服务具有重要意义本文分析了以往文献中负载均衡优化的各种研究空白，指出了解决云环境下负载均衡问题需要解决的问题。在目前的工作中，混合方法为工作流执行的资源配置和负载平衡框架已被提出来优化虚拟机的利用率与均匀的负载分布。该框架是基于混合的启发式技术与元启发式算法，以实现其最佳性能的最大完工时间和成本。针对HDD-PLB框架提出了两种混合方法：混合预测最早完成时间（PEFT）启发式算法与蚁群优化（ACO）元启发式算法（HPA）和混合异构最早完成时间（HEFT）启发式算法与蚁群优化（HHA）。两个提出的方法进行负载平衡进行了分析和比较，以确定哪一个是更优越的建议HDD-PLB框架。©2019作者（S）。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍负载平衡对于优化云资源（处理器、内存、磁盘）的使用和获得高性能的机器非常重要。这些资源由托管在物理机器上的VM分配和使用。当在VM上调度任务时，可能出现一些VM被过度利用而其他VM保持未被充分利用的情况。负载平衡技术用于确保云数据中心中的每台机器在任何时间点执行大约相同数量的任务。在云计算中，用户的需求本质上是高度动态的，多租户需要将不同的用户彼此隔离并与云基础设施隔离。不同的启发式和元启发式技术已被用于在可用虚拟机之间分配负载，并获得最佳性能。*通讯作者。电子邮件地址：gmail.com（A. Kaur）。沙特国王大学负责同行审查VM的管理。由于元算法具有较大的搜索空间，并且其搜索准则是基于引导随机搜索来获得给定调度问题的搜索解，因此其计算成本高于元算法。启发式算法用于减小元算法的搜索空间，以提高其收敛速度，从而在尽可能短的时间内达到最优解。然而，负载平衡的问题是多目标的，这样的主要目标是在可用资源之间分配作业或任务，使得相对不平衡最小化;并且次要目标是在减少完工时间和成本的同时最大化资源在这篇研究论文中，提出并实现了一个资源配置和负载均衡的框架。提出的框架是基于混合的启发式技术与元启发式算法，以实现其最佳性能的最大完工时间和成本。提出了一种基于混合方法的工作流执行的最后期限约束的动态VM供应和负载平衡（HDD-PLB）框架，以向未充分利用的VM提供最佳负载并优化其利用率。研究了以前的文献（第2节），以确定早期负载平衡研究中的研究空白。此外，第3节提供了本文所做的现有工作建议的工作流数据集https://doi.org/10.1016/j.jksuci.2019.02.0101319-1578/©2019作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com814A. 考尔湾 Kaur/Journal of King Saud University- Computer and Information Sciences 34（2022）813- 824第4节介绍了一个新的负载平衡优化框架，第5节介绍了提出的负载平衡优化混合方法。在第6节中，已显示并讨论了建议的HDD-PLB框架的执行结果。2. 文献综述针对云计算的负载均衡技术，采用不同的启发式和元启发式技术进行负载均衡优化。研究人员提出了各种负载平衡技术。在以往的文献调研中发现了研究空白。Li等人（2011）提出了负载均衡蚁群优化（LBACO）算法，用于均衡整个系统的负载，最小化最大完工时间。实验结果表明，该算法优于基本的蚁群算法和FCFS算法。这些任务被认为是相互独立的，没有优先约束，非抢占和计算密集型。作者将独立任务视为输入，它们之间没有优先级和预算约束。此外，ACO参数已随机初始化。Chen 等 人 （ 2013 ） 提 出 了 负 载 均 衡 改 进 的 最 小 - 最 小 调 度（LBIMM）算法，该算法提高了资源利用率，降低了最大完工时间。然而，在执行时间和成本方面的最后期限在他们的工作中没有得到重视此外，Tawfeek et al. （2013）将基于蚁群算法的云任务调度的最大完工时间与FCFS和Round Robin算法进行了比较，并得出结论，蚁群算法优于这两种对应算法，但没有考虑任务之间的依赖约束。Xue等人（2014）提出了基于ACO的负载均衡优化，以在VM之间分配任务的均衡负载。他们只采取了完成时间算法分析与有限数量的虚拟机（最多4），没有其他指标已被用于评估其性能。Panwar和Mallick（2015）提出并实现了一种动态负载管理算法，用于在VM之间有效地分配请求。但是，当检查负载不足的虚拟机时，响应时间会增加。Guo（2017）提出了基于多目标ACO（MO-ACO）的任务调度和负载均衡算法，具有最大完工时间和成本优化。然而，非抢占式调度已经在不适合云环境的独立任务上完成。因为，负载平衡是指处理利用率低于其最小容量的节点或VM。这导致计算资源的浪费，如果没有利用到他们的最佳限制。当虚拟机被过度利用时，虚拟机完成分配给它的所有任务所花费的总时间，即，它的完工时间也在增加。然而，当虚拟机未被充分利用时，虽然完工时间减少，但由于可用资源（VM）未被广泛利用而导致它们的浪费，这导致资源利用的成本增加。因此，需要在VM之间平衡负载，以便必须控制和平衡完工时间和成本参数。完工时间的减少不能导致资源利用成本的增加，反之亦然。3. 本工作在先前的研究工作中，已经使用不同的元算法完成了负载平衡优化，但是在几乎所有提出的技术中，元算法都被提供有用于其参数的随机种子（Li等人，2011; Ren等人，2011;Xianfeng& Tao，2012; Wang等人，2015; Masdari等人，2017年）。元启发式参数的随机初始化会降低该技术的性能大多数负载平衡文献中提出的方法集中于仅使执行时间最小化而不考虑执行成本（Keskinturk等人，2012; Kansal& Chana，2012; Tawfeek等人，2013; Chen 等 人 （ 2013 ） ; Xue 等 人 ， 2014; Soni 等 人 ，2015;Yakhchi等人，2015; Hung和Phi，2016）。成本是一个重要的参数，因为云计算服务是基于互联网按使用付费提供的。此外，优先顺序的任务执行与约束的执行时间和成本没有给予应有的重视，在以前的工作，不满足这些约束（截止日期）的任务不应该被执行。从研究的差距，它已被分析，早期的工作在云环境中的负载平衡给予较少的重要性，任务之间的依赖性和优先级此外，基于最后期限的任务没有得到应有的重视，因此违反最后期限的任务此外，为了最大限度地提高资源（CPU周期）利用率，物理机必须承载最大数量的VM。目前的研究资源配置和负载平衡已经完成，以克服前面讨论的问题，并弥合以前的研究中的差距已经提出的HDD-PLB框架将跨可用VM提供负载，并且未充分利用的VM被分配到其容量的最佳负载，以最大化其利用率，同时降低完工时间和成本度量。针对HDD-PLB框架提出了两种混合方法：混合预测最早完成时间（PEFT）启发式算法与蚁群优化（ACO）元启发式算法（HPA）和混合异构最早完成时间（HEFT）启发式算法与蚁群优化（HHA）。这两个提出的方法进行负载平衡进行了分析和比较，以确定哪一个是更优越的建议HDD-PLB框架。由于云计算处理各种类型的任务，这些任务可以是独立的或相互依赖的输入/输出，因此，所提出的HDD-PLB框架已经在云工作流模拟器（CWS）中实现，并在工作流执行过程中分析了其性能。4. HDD-PLB框架的工作流数据集在拟议的HDD-PLB框架中，科学工作流程已被视为执行的输入。在建议的框架中执行的工作流来自不同的应用领域，如引力物理学，生物学和天文学。一些科学工作流程可用于访问其代码和数据（Bharathi例如，2008年）。工作流应用程序中的任务表示作为有向非循环图（DAG）G（T，E），其中{t1，t2，tn}将在同一VM上执行，并且描绘了它们之间的依赖关系。边e i，j =（t i，t j）∈ E表示具有优先约束的任务ti和t j之间的依赖性，该优先约束指示任务t i的执行应当在开始t j之前完成。此外，DAG中的入口任务tentry没有任何父节点，而出口任务texit没有任何子节点。从/到这些任务的执行时间为零。如图1，则从t条目到t1和t2的边具有权重0。类似地，从t6和t7到texit的边的权重为零。Fig. 1. 具有任务依赖关系的示例工作流模型。XXA. 考尔湾 Kaur/Journal of King Saud University- Computer and Information Sciences 34（2022）813-824815模拟过程中使用的工作流程是Cybershake、Genome和Ligo。5. HDD-PLB框架中负载均衡优化的混合方法电容yvi> 1/4wi>2/4ti2T2. 工作流任务ti在虚拟机vi上的平均执行时间为如果元分析与元分析杂交，则可以提高元分析在“快速收敛率”方面的性能（Delavar和Aryan，2013; Liu等人，2014; Mousavi等人，2017年;安瓦尔EXECti我不知道¼容量虚拟机ð3Þ和Deng，2018）。从过去的文献中已经研究了许多生物学。蚁群优化算法（ACO）被用来解决许多NP难问题，基本上是用来获得局部最优的结果。该算法结合了固有的并行性，同时基于正反馈寻找最优结果的蚂蚁。此外，它也适用于求解动态问题。其中长度t为-计算时间任务试验岛3. ACTij是两个连续任务ti和tj之间的平均通信时间，包 括 多 目 标 优 化 、 动 态 和 概 率 优 化以 及 混 合 算 法 （ Merkle 和Middendorf，2014）。尽管ACO算法具有这些优点，ACTijPri2Ri;rj2Rjtimej R ij。R j.ð4Þ也存在一些缺点首先，算法理论分析困难，基于随机决策，虽然保证收敛但收敛速度不确定。为了克服这些缺点，建议混合蚁群算法与一个很好的启发式技术来初始化算法参数，以加快收敛速度和减少随机性。对于现有的工作，两个启发式技术已被使用-预测最早完成时间（PEFT）和异构最早完成时间其中，ri和rj分别是资源集Ri和R j的实例和exec_ti，ri是任务t i在资源ri上完成执行所花费的时间。4. 最大完工时间是VM执行分配给它的完整任务调度所花费的总时间，制造时间为1/4 MAX1/2finishtimeeti;VMj]25分钟（HEFT）。这些统计的输出已植入ACO其中t表示任务集{t t不.. . ，t }并完成是时候优化虚拟机的负载并实现其max-i1,2、3、n时间ti;VMj最大利用率HEFT和PEFT都是基于列表的调度方法，非常适合在异构计算系统中调度动态任务（Arabnejad和Barbosa，2014）。跨VM的负载平衡由所提出的HDD-PLB框架执行，使得VM既不过载也不欠载。在每个虚拟机上分配均匀的负载，以最大限度地提高虚拟机利用率。为此，已经提出并实现了两种单独的混合负载平衡方法来管理VM的负载。提议的混合方法是：1. 混合预测最早完成时间（PEFT）启发式-2. 混合异构最早完成时间（HEFT）启发式算法算法已被用于为ACO提供种子，以提高其性能，并实现跨虚拟机的最佳负载平衡。以下术语已被用于所提出的基于启发式和Meta启发式技术的混合方法的算法中：1. VM根据其处理能力分配给工作流任务，然后将多个任务调度到单个VM上以完成其执行。VM的计算能力，vi，Capacityvi¼PEnumiωPEmipsi BWVi1其中PE_num_i=分配给v_i的处理器周期的数量PE在viBWvi─VMi通信带宽中每秒可处理所有处理器的i─百万条指令如果VM的计算能力vi是Cvi，并且任务ti具有计算需求（工作负载）wi，则vi被分配给任务ti，如果，当工作流的最后一个任务在VMj上完成时。5. ‘Cost’ is the total cost incurred for executing and completing theworkflow 它被计算为，费用为1美元其中ci指的是使用资源“i”的每单位时间的成本，该资源“5.1. 混合预测最早完成时间（PEFT）-ACO（HPA）方法PEFT是一种基于列表的启发式算法，其时间复杂度低于其对应的聚类算法。此外，PEFT在调度长度和效率方面的结果优于其他算法，如lookahead，min-min，Mapping Heuristic（MH）和Dynamic LevelScheduling（DLS）算法（Arabnejad和Barbosa，2014）。在目前的工作中，虚拟机分配与预测最早完成时间（PEFT）启发式生成的初始工作流任务调度。ACO与HEFT和PEFT等优秀算法的混合有助于生成最佳的VM负载平衡结果，同时满足各种约束，如最小化执行时间，最小化执行成本和最大化资源利用率。5.1.1. PEFT启发式将同一工作流的相关任务映射到同一虚拟机上，避免了虚拟机之间的通信延迟工作流任务的优先级是基于它们的截止日期，使得要调度的任务必须在其时间截止日期耗尽之前完成换句话说，这种启发式算法使用基于最小计算时间和在特定VM上执行任务所产生的成本的最后期限，使得任务必须在其最后期限结束之前完成其执行（图11）。2）的情况。PEFT基于在所选VM上执行该任务所引起的最小成本来调度特定VM上的任务该最小成本基于执行任务的最优成本tk和特定的vm计算为：JX¼816A. 考尔湾 Kaur/Journal of King Saud University- Computer and Information Sciences 34（2022）813- 824图二. PEFT启发式生成蚁群算法的初始任务调度。OPCTtk;vmmaxtlschildtk½ OPCTtk;vn最小 值t k ; v n最小值tk;vn最小值C其中，EST（tk，vm）是vm可用于执行tk的最早时间，C（tk，tl）是具有依赖性的两个任务tk和tl之间的平均通信成本，使得如果tk和tl都被调度在同一VM上，则C（tk，tl）=零阈值是根据VM上的任务的总工作负载在完工时间和执行成本方面来计算的。VM上的初始最小可接受负载（min_threshold）由PEFT计算这些阈值负载值是基于托管多个VM的物理机所接受的平均负载来计算的阈值在运行时随着VM数量的变化而不断变化（图1）。 3）。然后，工作流计算的OPCT（tk，vm）的基础为算法1：用于负载均衡优化的rankOPCTtk;vmnk¼1OPCT tk; vmMNð8Þ1. 对于所有在根据VM上的最优计算成本对工作流任务进行排序之后，PEFT通过计算VM vm上的任务的实际完成时间tk来找到将在最短时间内完成分配的调度的最佳VM，即，AFTWILLK;VmESTWILLK;其中，OAFTtk; vm¼AFT tk; vmOPCTtk; vm10作为ACO元启发式算法的输入，PEFT启发式算法接收路径，并在具有最小价格的计算服务单实例（VM）上调度工作流任务，其中每个任务在最新的完成时间（截止日期）之前完成。如果工作流任务在同一VM上调度，则数据传输成本和时间将为零，但如果任务在不同VM上调度5.1.2. 基于PEFT-ACO混合方法的虚拟机负载均衡优化在这项研究工作中，蚁群算法被用来识别未充分利用的虚拟机，其负载低于最低负载的虚拟机。VM负载的这个下限是动态确定的，因为云工作流执行负载是高度动态和不可预测的。这计算在特定虚拟机上执行每个任务的优化成本使用等式2计算OPCT（tk，vm）（7）并初始化每个VMmin_thresholdvi = OPCT（tk，vm）使用Eq. （八）根据“P_Schedule”中的等级OCT（tk，vk）从最高到最低排列任务端2. 对于“P_Schedule”中的所有任务删除"P_Schedule“中排名最高的任务计算OAFT（tk，vm），使用等式（9）和（10）将tk赋给vm，最小OAFT将tk的子任务添加到按等级OPCT排序的P_Schedule_Vm3. 每个v_m被提供有初始min_thresholdvm和P_Schedule_V_m以播种ACO元调度4. 初始化，蚂蚁种群，jNpj =由PEFT和蚂蚁生成的计划的数量，Ai = P_Schedule_Vi迭代次数，i = 15. 对于每个vm重复基于PEFT播种将每个蚂蚁图三. ACO由PEFT Heuristic用于VM负载平衡。PP里河.ΣXÞX1：;; ωn里河.ΣÞ1/1IJ1/1IJklPPA. 考尔湾 Kaur/Journal of King Saud University- Computer and Information Sciences 34（2022）813-824817算法1（续）算法1：用于负载均衡优化的以它们的等级的降序排序，使得特定任务被分配给最早完成它的处理器。HEFT启发式的缺点是它最适合静态条件但在复杂的情况下，它未能找到最佳的对于Np中Ak日程安排选择下一个VM，vi，对于每个Am，概率为：aBPrkl（t）=PkllklPkl将为每个Am选择的vi存储在Am的调度中计算每个蚂蚁Ai的VM利用率Ri，并找到最小Rmin为Rmin = min（wi）ti2T计算蚂蚁A在边（k，l）上铺设的DPi，算法2：用于负载均衡的优化1.对于每个VM，计算：使用等式计算vi的容量并且min_thresholdvi= min（容量阈值KL I如果Ai移动一个边，则DP i= 1;否则，更新信息素的强度为Pkl =（1-q）Pkl（t）+PNpDTk工作流任务ti在vi上的平均执行时间，使用等式（二）两个连续任务ti和tj之间的平均通信时间ACTij，使用公式：（三）2. 对于每个工作流任务，增量迭代，i，结束直到（i > imax）6. 如果Rk_min（min_thresholdvm），则vm被识别为未充分利用。7. 根据等式计算制造周期和成本（5）和（6）8. 在计算完工时间和成本指标当虚拟机被映射到物理机上时，物理机的总负载可以通过将在其上运行的虚拟机的负载相加来获得。假设，由“n”个虚拟机组成的虚拟机集合{vm1、vm2、vm3，vmn}上托管的VMj对于时间段T（被分成大小为“D t”的k个相等间隔）的物理机PiKAverage Load VMj T load VMj tTt¼1因此，在时间段T内物理机P1上的总负载是托管在其上的VM上的负载的总和，即n加载时间Pi;时间t平均值：加载时间VMj;时间t第1页我计算ti的秩，rank（ti）=EXECti ACTij rpredti使得Rpred=max[ranktj]，其中，对于t条目，并且rank（t i）= EXEC ti t出口。4. 按照等级（t i）的降序生成任务的基于优先级的调度列表5. 重复从L中移除最高优先级任务（ti在其他附表ti至vi中搜索最早完成ti的vi直到6. 每个v_i准备好由HEFT生成的任务的初始调度7. 每 个 v_m 被 提 供 有 初 始 min_thresholdvm 和P_Schedule_V_m以播种ACO元调度4. 初始化，蚂蚁种群，jNpj =由PEFT和蚂蚁生成的计划的数量，Ai = P_Schedule_Vi迭代次数，i = 15. 对于每个vm重复基于PEFT播种将每个蚂蚁对于Np中Ak选择下一个VM，vi，对于每个Am，概率为：aB该算法以PEFT启发式算法产生的最小阈值为初始值该阈值根据VM的计算能力来设置。如果VM上的负载小于所计算的阈值，则ACO的人工蚂蚁在当前VM的邻居中找到欠载VM，以将其负载转移到当前欠载VM。机这是在检查更新的觅食phero之后完成的。Pr（t）=PkllklPkl将每个Am的选定vi存储在Am的调度中计算每个蚂蚁Ai的VM利用率Ri，并找到最小R最小 =R最小=Pwi）Ti2T我mone值（Gomathi和Krishnasamy，2013年）。5.2. 混合异构最早完成时间（HEFT）启发式在云环境下优化HDD-PLB框架的第二种方法HEFT是另一种流行的列表启发式算法，用于根据任务的等级在可用资源（VM）上调度任务。HEFT启发式最适合于异构应用程序，如工作流。这些工作流被表示为加权DAG，其中加权节点表示具有计算（时间或成本）的VM，而边表示通信（时间或成本）。在目前的工作中，HEFT启发式算法用于种子蚁群算法的初始人口，最小阈值，工作流任务调度的基础上，每个虚拟机上的最小任务完成时间的任务计算由蚂蚁Ai在边（k，l）上铺设的DPkl为：如果Ai移动一个边，则DP i= 1;否则，l j 0更新信息素的强度为Pkl =（1-q）Pkl（t）+NpDTk增量迭代，i，结束Until（i > imax）6. 如果Rk_min（min_threshold）Tvm，则vm被识别为未充分利用。7. 根据公式计算制造周期和成本（5）和（6）8. 在计算完工时间和成本指标此外，HEFT生成的任务时间表的长度几乎与PEFT生成的时间表的长度相同，并且被认为是具有竞争力的时间表之一818A. 考尔湾 Kaur/Journal of King Saud University- Computer and Information Sciences 34（2022）813- 824tic的时间复杂度与PEFT类似，具有“n”个任务和“e”个资源（VM）的复杂度为O（n2 e）。因此，为了证明所提出的HDD-PLBFW的有效性，HEFT启发式算法已经被用于种子ACO，并且将其用于在可用VM上执行工作流的结果与在所提出的HDD-PLBFW中使用的混合PEFT-ACO方法进行比较，以获得制造跨度和成本。6. 结果和讨论HDD-PLBFW的性能是使用托管在单个物理机器上的动态虚拟机数量（最小2个，最大20个）进行评估的。 早期的工作采用了有限数量的VM（Soni等人，2015; Anwar和Deng，2018），在大多数研究中，数量是固定的。在目前的工作中，它被分析，作为虚拟机（托管在物理机器上）的数量增加，资源利用率也必须增加，这将影响任务计算的成本通过考虑虚拟机的动态数量，提高了资源利用率在目前的工作中，最多有20个虚拟机被用于工作流的执行.如果VM的数量增加到超过此限制，则物理机会过载，从而导致完工时间增加。在目前的工作中，最佳的负载分配给虚拟机，以避免虚拟机下溢负载条件。建议的HDD-PLBFW是使用云工作流模拟器（CWS）实现的，它将单个服务器虚拟化为动态数量的VM。虚拟化的物理机是Intel（R）Core（TM）i5- 4210 U CPU@1.7 GHz 2.40 GHz，具有4 GB RAM，80 GB高清。CWS非常适合以工作流任务作为输入来模拟云环境。仿真结果还表明，随着虚拟机数量的增加，更多的工作流任务被执行，因此物理主机资源（处理周期，内存，带宽）将在更多的虚拟机之间共享，从而提高资源利用率。这是因为当VM增加到超过此限制时，单个处理器会过载，有时会由于可用VM上的工作流任务负载增加而停止响应作为数字的数字的虚拟机数量继续增加，更多的工作流任务将排队等待执行。6.1. HDD-PLBWF中PEFT-ACO与HEFT-ACO的最大完工时间分析与比较已经计算了VM在工作流任务数量方面的最佳负载，并且识别负载小于最佳负载的VM，使得每个VM应该具有均匀的负载。ACO的初始播种分别使用两种算法PEFT和HEFT来完成Makespan以毫秒（ms）为单位计算，主机上托管的VM数量动态地从最小2更改为最大20，以生成不同的场景。使用这两种混合方法计算每个工作流执行的平均完工时间 图 4显示了CWS使用混合PEFT-ACO方法在18个虚拟机上执行Cybershake工作流时生成的原始结果的屏幕截图。迭代次数为100。100次迭代的平均完工时间和成本结果已被考虑用于进一步分析。还考虑了VM的动态数量。图4所示的结果是采用18个VM计算的不满足时间/成本截止期限的工作流任务不被所提出的混合方法执行这已经从快照中的零完工时间（最后一个DAG完工时间）和成本值中描述出来（图4）。类似地，已经采用了具有不同数量的VM的其他场景。由于使用两种方法的三个工作流的100次迭代的执行结果是非常巨大的。因此，分析已经完成，为不同的工作流的每个执行周期取平均值。在HD-PLBFW中使用Hybrid-PEFT-ACO（HPA）和Hybrid-HEFT-ACO（HHA）执行Cybershake工作流程期间计算的最大完工时间的模拟结果见表1和图。 五、在使用两种方法执行Cybershake、Genome和Ligo工作流程期间计算的平均完工时间结果如表1所示。计算了混合PEFT-ACO和HEFT-ACO的最大完工时间图四、使用混合PEFT-ACO方法由18个VM执行Cybershake工作流期间的原始模拟结果和使用混合HEFT-ACO方法由8个VM执行基因组工作流期间的A. 考尔湾Kaur/Journal of King Saud University- Computer and Information Sciences 34（2022）813-824819表1使用Cybershake工作流进行VM负载平衡的HPA和HHA方法之间的Makespan（ms）结果比较。表2Makespan（ms）HPA和HHA方法在Genome工作流中用于VM负载平衡的结果比较。并且如表1中所示对值进行比较。发现使用混合PEFT-ACO方法的Cybershake工作流输入的平均制作-跨度结果比混合HEFT-ACO方法好7.6倍。后一种方法比前一种方法的makespan少1.7倍在基因组工作流程的执行期间，使用两种用于初始化ACO算法的算法为所提出的HDD-PLBFW计算的平均完工时间值（以毫秒为单位）的模拟结果已在表2中呈现。在图6中示出了所提出的框架的平均完工时间（ms）分析，该框架具有通过用于在基因组工作流的执行期间进行负载平衡的HPA和HHA方法实现的负载平衡模型优化。发现两种方法的曲线几乎重叠。平均完工时间计算HPA和HHA的方法与基因组工作流作为输入建议HDD-PLBFW分别为88395.657毫秒和89081.285毫秒。HEFT和PEFT算法之间的平均最大完工时间比较被用于所提出的框架中，以初始化ACO算法，从而识别采用Ligo工作流的未充分利用的虚拟机表3中列出了输入。HPA和HHA的方法与LIGO工作流的建议框架上的平均完工时间分别计算为7165.185毫秒和12746.924毫秒。最初，与少量的虚拟机，HPA方法比HHA方法执行约9倍，但随着虚拟机的数量增加，他们的最大完工时间聚集到小值。另一方面，使用基因组工作流程的平均完工时间结果分析显示，两种混合方法产生类似的结果，因为发现两条曲线几乎重叠，如图6所示。两种混合方法的平均完工时间曲线被发现是重叠的。然而，在HPA和HHA方法之间的完工时间分析中观察到了与Cybershake工作流类似的模式，当Ligo工作流（图7）作为输入在建议的HDD-PLB框架上执行期间用于工作流扩展时。当使用2个虚拟机作为执行Ligo工作流的资源时，与HPA相比，所提出的具有HHA的框架的完工时间大约是随着虚拟机数量的增加图五、在HDD-PLB框架中执行Cybershake工作流期间，使用HPA和HHA方法的平均制造跨度（ms）虚拟机数量Cybershake虚拟机数量基因组HPAHHAHPAHHA2026085.04212975.6221766.064322.4619962.50426232.2539111.326695.7228113.92637752.751135.558914.636784.54866644.5766234.05101245.85722.481083801.1674795.82121581.36084.511299447.1593953.95141621.85987.8614101190.75117791.56161731.95169.1216127297.58121568.27181946.55045.6318158067.51139805.74202140.184134.5320170547.28164650.53平均最大跨度1220.039319.013平均最大跨度88395.65789081.285820A. 考尔湾 Kaur/Journal of King Saud University- Computer and Information Sciences 34（2022）813- 824图六、. 在HDD-PLB框架中执行基因组工作流期间使用HPA和HHA方法的平均最大跨度（ms）表3Makespan（ms）HPA和HHA方法在虚拟机负载平衡中的结果比较，使用Ligo工作流作为输入。虚拟机数量LIGOHPAHHA20.2979.28417.534.2462758.5840.9860.911043.5774.571249.6783.91460.3195.621689.14154.71879.41104.52092.76117.1平均成本50.06386.332当用于Ligo执行的VM的数量为10、12、14、16、18和最后20时，这种最大完工时间差异继续减小并变得几乎相当从建议HDD-PLBWF上执行三个科学工作流程期间计算的最大完工时间结果，分析了混合PEFT-ACO方法的平均结果优于混合HEFT-ACO方法。换句话说，所提出的HDD-PLB框架执行科学的工作流程，减少平均完工时间时，使用混合PEFT-ACO方法比其他方法。6.2. HDD-PLB架构性能的两种混合的方法，在建议的HDD-PLB框架中实现的成本度量的基础上进行了比较。由于云计算服务是按使用付费的，因此它是云计算服务模型的重要QoS参数之一。因此，成本度量必须朝着最小值进行优化从服务提供商和服务用户角度来看，在执行Cybershake期间，拟议框 架 中 的 HHA 方 法 的 结 果 图 8 示 出 了 在 HDD-PLBWF 中 用 于Cybershake工作流的两种方法的成本比较。PEFT-ACO的结果显示了一致的模式，即低成本产生的虚拟机数量少，然后缓慢上升，随着虚拟机的增加当VM的数量很小时，两种混合方法的成本差异非常大。当使用2个虚拟机时，两种方法之间的成本差异为81.35卢比，并且该差异随着虚拟机数量的增加而继续减小，并且在所提出的框架中，20个虚拟机的成本差异为8.96卢比（表4）。当 使 用 两 种 混 合 方 法 PEFT-ACO （ HPA ） 和 混 合 HEFT-ACO（HHA）在所提出的HDD-PLB框架中执行基因组工作流时，发现为两种方法计算的平均成本几乎相等，如表5所示和图9。当使用HPA和HHA方法在所提出的框架上执行Ligo工作流时，在模拟期间计算的平均成本结果如表6所示。图10示出了在所提出的用于执行Ligo工作流的框架最初对于2个和4个VM，HPA和HHA方法之间的成本差异已经发现 非 常 大 ， 并 且 这 种 差 异 随 着 VM 数 量 的 增 加 而 逐 渐 减 小Cybershake的HHA结果显示，2个和4个虚拟机发生了巨大变化HPA方法的结果显示出一致的模式，即低成本与少量的虚拟机产生，然后随着虚拟机的增加缓慢上升。这两种方法显示出类似的结果，使得较少数量的VM所需的成本更少，并且随着VM的增加，平均成本也增加。在HDD-PLB框架中执行Ligo工作流期间计算的平均成本分别为50.063卢比和86.332卢比。HPA和HHA方法的平均成本差异A. 考尔湾Kaur/Journal of King Saud University- Computer and Information Sciences 34（2022）813-824821图7.第一次会议。. 在HDD-PLB框架中执行Ligo工作流期间使用HPA和HHA方法的平均最大跨度（ms）图8.第八条。. 在HDD-PLB框架中执行Cybershake工作流程期间使用HPA和HHA方法的平均成本（Rs）发现是Rs 36.269。使用HPA方法在建议的HDD-PLBFW上执行Cybershake工作流的平均成本显示了所有三个工作流中最小成本的最佳结果。基因组工作流程显示出相似的执行成本，使用两种方法的建议的工作流程。基因组计算成本体现最大价值。根据结果推断，Ligo工作流执行的结果模式与Cybershake 工 作 流 相 似 。 与 混 合 HEFT-ACO 方 法 相 比 ， 混 合PEFT-ACO的成本结果更好（或更少）成本最高的是基因组工作流程，822A. 考尔湾 Kaur/Journal of King Saud University- Computer and Information Sciences 34（2022）813- 824表4使用Cybershake工作流进行虚拟机负载平衡的HPA和HHA方法之间的成本（Rs）结果比较。表6HPA和HHA方法用于使用Ligo工作流的VM负载平衡的成本（Rs）结果比较。虚拟机数量Cybershake虚拟机数量LIGOHPAHHAHPAHHA2081.3520.2979.2841.2163.37417.534.2464.7130.1562758.583.8228.32840.9860.91104.7127.631043.5774.57129.8930.681249.6783.9149.0728.621460.3195.621611.5325.051689.14154.71815.4328.81879.41104.52020.1829.142092.76117.1平均成本8.05537.311平均成本50.06386.332表5HPA和HHA方法在使用Genome工作流的VM负载平衡方面的成本（Rs）结果比较。号VM基因组HPA HHA当有更多的虚拟机可供执行时，工作能够执行工作流的更多DAG文件（任务）。在所提出的HDD-PLB框架上执行科学工作流程期间减少的完工时间和成本结果表明，在用于播种ACO的HEFT和PEFT方法中，混合PEFT-ACO方法2456.84126.2392.28356.59优于混合HEFT-ACO方法。与早期所做的工作（在文献中介绍）相比6185.25143.76调查部分），建议HDD-PLB框架，8332.46311.88工作流执行和负载平衡弥补了这一差距101214359.5597.97421.73269.33291.54440.26研究了Li等人（2011）已经提出了以独立任务为输入的基于ACO的负载均衡方法，但是在所提出16755.28862.34框架，工作流（具有任务依赖性）已被采用18950.75632.11考虑到执行20平均成本960.29474.631331.2473.129在云环境中