开题报告-云雾环境下基于蜻蜓算法的资源调度策略研究.docx

南京邮电大学毕业设计(论文)开题报告题目云雾环境下基于蜻蜓算法的资源调度策略研究学生姓名班级学号专业网络工程一、对指导教师下达的课题任务的学习与理解通过对任务书的学习和与老师的交流沟通，了解了这次毕业设计的主要任务：（1） 了解目前云雾计算研究成果，学习并理解云雾计算工作原理及其资源调度方式；（2） 学习并掌握蜻蜓算法工作原理及其应用方法；（3） 在仿真软件上针对云雾环境下的资源调度进行建模；（4） 利用蜻蜓算法对云雾环境下资源调度进行优化，得出优化策略。云计算（Cloud Computing）是分布式计算的一种特殊形式，它引入效用模型来远程供给可扩展和可测量的资源，支持用户在任意位置、任何时间、使用各种终端获取引用服务。雾计算（Fog Computing）是云计算概念的延伸扩展，主要使用边缘网络中的设备。在物联网生态中，雾计算可以过滤、聚合用户消息；匿名处理用户数据保证隐秘性；初步处理数据，做出实时决策；提供临时存储提升用户体验。2、 阅读文献资料进行调研综述1云雾计算资源调度调研综述1.1 云计算云计算1（Cloud Computing）是一种按使用量付费的模式，这种模式提供可用的、便捷的、按需的网络访问，进入可配置的计算资源共享池（资源包含网络、服务器、存储、应用软件、服务等），这些资源能够快速提供，并且只需要提供很少的管理和与服务供应商进行很少的交互即可。目前针对云计算的研究仍然是科学界的热点，文献2利用改进的粒子群算法对云计算资源调度进行了研究；文献3对云计算平台虚拟机调度策略进行了研究；文献4对云计算安全的若干问题进行研究。传统云计算网络拓扑结构如图1所示。图1 传统云计算网络拓扑结构1.2 雾计算雾计算5（Fog Computing）是高度虚拟化的平台，由思科（Cisco）公司首创，在终端设备和传统云计算数据中心之间提供计算、存储和网络服务。雾平台由数量庞大的雾节点（即“雾”使用的硬件设备，以及设备内的管理系统）构成。这些雾节点可以各自散布在不同地理位置，与资源集中的数据中心形成鲜明对比。目前，雾计算在国内外被广泛应用在车联网系统6、智能网络医疗系统7、大数据分析8等诸多领域。云雾计算网络拓扑结构如图2所示。图2 云雾计算网络拓扑结构1.3 资源调度资源调度（Resource Scheduling）是指在特定的资源环境下，根据一定的资源使用规则，在不同的资源使用者之间进行资源调整的过程。这些资源使用者对应着不同的计算任务(例如一个虚拟解决方案)，每个计算任务在操作系统中对应于一个或者多个进程。通常有两种方式可以实现云雾计算任务的资源调度：在计算任务所在的机器上调整分配给它的资源使用量，或者将计算任务转移到其他机器上。根据云计算资源调度研究现状，我们可以得到如图3所示的云计算资源调度模型。文献9针对资源调度的服务端，提出资源调度方式主要应按照三个方面进行：（1） 用户发起一个任务请求；（2） 服务节点接收到任务的请求信息，评估各个资源节点的性能指标；（3） 根据请求消息的不同，结合各个节点的指标，选择最合适的资源节点，执行调度任务，并实现系统总体指标的最优化。目前，对云资源调度研究是云计算相关研究的重点，文献10采用一种基于QoS约束的云计算资源调度算法的研究，文献11构建了一种智能神经元预测的资源调度模型，文献12提出了一种云计算数据中心高能效绿色资源提供方案。由于资源的异构性、任务的多样性、网络拓扑的复杂性等原因，使得云雾资源调度问题成为了一个NP（Non-deterministic Polynomial）完全问题13，因此如何实现用户任务请求的最优分配已经成为了云雾资源调度中重要的问题，而启发式算法的应用为解决这一类问题提供了方向，例如文献14就运用优化的粒子群算法与蚁群算法对云计算资源调度问题进行了相关研究。图3 云雾计算资源调度模型2蜻蜓算法调研综述蜻蜓算法15（Dragonfly algorithm）是Mirjalili于2015年提出的一种新型群智能优化算法。该算法来源于蜻蜓的静态与动态智能行为对蜻蜓的航行、觅食、逃避天敌等行为进行数学建模。蜻蜓算法基本原则有如下三点：（1）分离（Separation），避免个体与相邻个体的静态碰撞；（2）对齐（Alignment），个体与相邻个体之间保持速度的一致；（3）内聚（Cohesion），个体倾向于向相邻个体的中心聚拢。目前国内也有学者对蜻蜓算法做出一定应用与研究。文献16利用蜻蜓算法研究变压器故障诊断等相关问题，文献17提出了一种增强个体信息交流的改进型蜻蜓算法。本文就是利用蜻蜓算法对云雾计算资源调度策略进行研究，其中蜻蜓算法参与的云雾计算资源调度的过程如图4所示。图4 蜻蜓算法参与下的云雾计算资源调度过程三、根据任务书的任务以及文献调研结果，初步拟定的执行（实施）方案（含具体进度计划）1执行（实施）方案1.1 工作准备了解云雾计算资源调度方式和蜻蜓算法工作原理，调研目前云计算资源调度问题研究现状。1.2 数学模型构建在1.1的基础上分析并构建云雾计算资源调度模型。假设在云雾计算系统中，共有m个物理机资源节点，n个用户，那么云雾计算资源调度模型可以描述为：Model=U,V,F,A(1)公式中：U表示用户任务集合；V表示资源节点集合；F表示目标函数；A表示应用的算法，本文中选择蜻蜓算法。云雾计算资源调度模型可以有如下的特点：（1）第i个虚拟机（vi）可以请求多种具体资源（CPU、内存、网络），即vi=ai,bi,ci，其中ai表示该虚拟机请求的CPU资源，bi表示该虚拟机请求的内存容量，ci表示该虚拟机请求的网络带宽容量，那么虚拟机集合可以表示为V=(v1,v2vm)。（2）第j个物理机（wj）可以拥有多种具体资源（CPU、内存、网络），即wj=Aj,Bj,Cj，其中Aj表示该物理机拥有的CPU资源，Bj表示该物理机拥有的内存容量，Cj表示该物理机拥有的网络带宽容量，那么物理机集合可以表示为W=(w1,w2wn)。（3）资源映射矩阵R为：R=rij表示虚拟机与物理机的映射关系，若rij=1表示虚拟机vi被分配在物理机wj上执行，若rij=0表示虚拟机vi没有被分配在物理机wj上执行。综上物理机上各种资源的利用率可用如下公式表示：pre_cpuj=i=1mai*rijAj100%(2)pre_memj=i=1mbi*rijBj100%(3)pre_bwj=i=1mci*rijCj100%(4)所以每一台物理机上的综合资源利用率公式如下：prej=*precpuj+*prememj+*pre_bwj(5)其中，,为资源权重值，且+=1。所以在云雾环境下物理机之间的资源占率差异值为：D=var(pre)(5)其中，var(x)为方差计算公式，pre=pre1,pre2,pren。这样云雾计算资源调度与优化的目标函数就是使得云雾环境下的物理机之间的占有率差异值达到最小，即有min(D)(6)1.3 利用蜻蜓算法对云雾资源调度问题进行研究1.3.1 蜻蜓适应度评价方法通过模型计算得到的云雾服务商执行成本的倒数为蜻蜓个体的适应度。1.3.2 基于蜻蜓算法的资源调度步骤步骤1：蜻蜓算法参数初始化：蜻蜓总群规模N，最大迭代次数MIT；惯性权重w；领域半径r等。步骤2：随机生成蜻蜓个体的初始解X，随机初始化步长向量X。步骤3：置t=1（当前迭代次数）。步骤4：更新蜻蜓个体的5种行为的权重s、a、c、f、e和惯性权重w。步骤5：计算云雾计算资源的目标函数，得到当前蜻蜓的适应度值，蜻蜓每进行一次行为操作，便计算一次当前蜻蜓的最大适应度值，如果当前蜻蜓适应度值大于已经保存的适应度值，则用当前的适应度值替换原先保存的适应度值，将其记为最优值，并保存当前蜻蜓的位置。步骤6：计算各蜻蜓的行为度。利用公式更新分离度S，对齐度A，内聚度C，食物吸引力F，天敌排斥力E。步骤7：更新邻域半径。对于每个蜻蜓是否至少有一个临近的蜻蜓分别利用公式更新步长和位置向量。步骤8：t=t+1。如果tMIT（最大迭代次数），则转至步骤5，否则输出蜻蜓的最大适应度值和最优值对应的蜻蜓位置。1.3.3 蜻蜓算法操作流程图根据1.3.2得出蜻蜓算法工作具体流程图，如图5所示。图5 基于蜻蜓算法的资源调度工作流程1.3.4 分析结果通过MATLAB仿真实验得到基于蜻蜓算法的云雾计算资源调度策略。MATLAB软件界面如图6所示。图6 MATLAB软件界面2进度计划（1）2017年3月13日-24日：依据任务书，通过查阅文献进行调研，完成开题报告。（2）2017年3月25日-4月23日：学习MATLAB编程、蜻蜓算法等相关技术；按要求完成外文文献的翻译工作；依据要求设计云雾资源调度模型原型，并完成部分实验。（3）2017年4月24日-28日：进行中期检查。（4）2017年4月29日-5月19日：继续完善实验原型和实验，完成毕业设计后期工作；依据要求修改外文文献的翻译稿。（5）2017年5月20日-5月29日：学生按撰写规范的要求认真撰写毕业设计(论文)报告，交指导教师批阅。 （6）2017年6月1日-6月11日：整理毕业设计资料，准备答辩。（7）2017年6月12日-6月16日：毕业论文答辩。四、参考文献1 陈全,邓倩妮. 云计算及其关键技术J. 计算机应用,2009,(09):2562-2567.2 李超. 基于改进粒子群算法的云计算资源调度研究D. 中国矿业大学,2015.3 张琪. 云计算平台虚拟机调度策略研究D. 西安电子科技大学,2014.4 罗东俊. 基于可信计算的云计算安全若干关键问题研究D. 华南理工大学,2014.5 Firas Al-Doghman,Zenon Chaczko,Alina Rakhi Ajayan,Ryszard Klempous. A Review on Fog Computing TechnologyJ.IEEE International Conference on Systems,Man,and Cybernetice(SMC),2016,1525-1530.6 Tom H. Luan,Longxiang Gao,Zhi Li,Yang Xiang,Guiyi Wei,Limin Sun. Fog Computing:Focusing on Moblie Users at th e EdgeJ. Network and Internet Architecture,2015,arXiv:1502.01815cs.NI.7 Lin Gu,Deze Zeng,Song Guo,Ahmed Barnawi,Yong Xiang. Cost Effient Resource Management in Fog Computing Supported Medical Cyber-Physical System,2015,pp,99-101.8 Bo Tang,Zhen Chen,Gerald Hefferman,Sahuyi Pei,Tao Wei,Haibo He,Qing Yang. Incorporating Intelligence in Fog Computing Big Data Analysis in Smart Cities, IEEE Transactions on Industrial Informatics ,DOI 10.1109/TII.2017.2679740.9 周婉. 基于云计算的资源调度算法研究D. 北京交通大学,2016.10 丁宇光. 基于QoS约束的云计算调度算法的研究D. 辽宁大学,2012.11 杨际祥. 并行与分布式计算负载均衡问题研究D. 大连理工大学,2012.12 张小庆. 基于云计算环境的资源提供优化方法研究D. 武汉理工大学,2013.13 杜立智,陈和平,符海东. NP完全问题研究及前景剖析J. 武汉工程大学学报,2015,(10):73-78.14 王登科,李忠. 基于粒子群优化与蚁群优化的云计算任务调度算法J. 计算机应用与软件,2013,(01):290-293.15 Seyedali Mirjalili. Dragonfly algorithm:a new meta-heuristic optimization technique for solving single-objective,discrere,and multi-objective problems. Neural Comput & Applic,2016,27,1053-1073.16 傅军栋,陈俐,康水华,冯奕轩. 基于蜻蜓算