云计算中基于机器学习的调度研究综述

摘要

        在现代,云计算引起了人们极大的关注。它的各种性能,如使用简单,成本最低,以及大多数低功耗。许多算法和技术已经提出了调度虚拟机提供动态负载平衡、动态可伸缩性和重新分配资源。智能算法用于优化结果和最小化完工时间调度,同时利用基于动态环境的资源高效开发本文综述了各种智能调度算法,如遗传算法,模拟退火(SA),禁忌搜索(TS),蚁群算法(ACO),粒子群算法优化(PSO),人工免疫系统(AIS),细菌觅食算法(BF),鱼群优化算法(FS),猫群优化算法(cs),萤火虫算法(FF),布谷鸟搜索算法(cs),人工蜂群(ABC),蝙蝠算法(BA)。
1.简介
   云计算是一种大规模分布式计算范式,由不同层次的需求不断增长按使用付费的计算资源。这些服务几乎不像我们的电话服务,也就是说,我们只支付我们使用的金额(按使用付费)例如,我们家只需要一部电话,不必亲自设立整个交易所。电信服务提供者的工作是从他们的交换机提供服务,并且必须根据所使用的服务付费。类似地,用户将他们的计算任务从他们的设备提交给他们的云服务提供商,然后根据SLA(服务水平协议)与客户一起服务他们的请求。
    云计算允许通过因特网提供计算资源。云计算已经成为满足用户的计算需求的一个有利的技术。各种云服务提供服务,其成本是根据云中的资源使用情况计算的。传统的,组织的数据存储在组织内。当多个组织的数据在第三方外部组织的帮助下被存储在外部,并通过web访问。然后,这种服务被称为云服务。当客户机请求数据时,只有当他被授权,它才能访问数据。
    当资源需求需要更少的资源时,虚拟化技术是一种高效节能技术。它允许云一次被多个用户使用,因此支持按需交付。
      云计算提供基础设施服务,软件平台服务作为一种用户可以按需付费的模式。在传统的系统中,当用户需要一些软件或平台,他需要买它。临时用户的需求自然导致资源和金钱的浪费,但云提供了一个解决这个问题的办法,即按需求提供资源。用户请求的这种动态特性导致了云基础设施中的请求动态调度的问题,云计算服务由具有明确定义策略的云服务提供商处理。调度工作中采用了多种调度算法,在云环境下实现资源的整体优化,同时为用户提供高性能的应用接口。在本文中,分析了各种智能算法。
2.调度算法
       云调度过程的一个主要问题是时间和能量的最小消耗。应尽量减少总体任务调度的平均周转时间和平均成本,并优化任务调度,使用了优化技术。调度算法被分为两种类型。传统或经典的智能优化调度算法。如负载平衡,减少执行时间、响应时间和更多的参数。传统的调度算法,如FCFS、短作业优先、轮转、优先级等,在各种情况不推荐使用。由于经典的优化算法在求解大空间问题时的效率低下,元启发式和智能优化算法的发展趋势已经出现,它涉及到函数的全局优化问题。本文对遗传算法、模拟退火、禁忌搜索、蚁群优化、粒子群优化、人工免疫细菌觅食算法,鱼群优化算法,猫群优化算法,萤火虫算法,布谷鸟搜索算法,人工蜂群算法和蝙蝠算法等智能调度算法进行了综述。
3.文献调查
      由于可伸缩性、异构性和复杂性得到了重视,各种基于自然的计算技术被用来处理更高的复杂性和提高熟练程度。仿生计算是一种快速增长的通信和网络新模式。许多研究人员一直致力于使用生物系统的作用,并讨论了各种智能算法。
     3.1遗传算法
      遗传算法是一种基于达尔文理论的随机搜索算法。它使用当前和历史数据来分析未来,这种技术用于虚拟机调度。遗传算法是基于产生种群的生物学概念。遗传算法被认为是人工智能迅速发展的领域。根据达尔文的理论,术语“适者生存”作为一种调度方法,根据任务调度过程中每个参数的适应度函数将任务分配给资源。与评价方法相比,该方法具有可扩展性好、能耗低的优点。它通常提供最好的负载平衡结果,并避免虚拟机的迁移,使其更节能。虚拟机的增加对响应时间的传输没有影响,系统具有较高的性能。
     3.2模拟退火
      模拟退火的灵感来自于固体中的退火,在固体如金属或玻璃中退火意味着加热和允许它慢慢冷却,以消除内应力并使之坚固。它是一种启发式方法,用于获得各种离散问题的最优解。该算法的起源是统计机制,它的基本思想是在容器中最昂贵的项目用一个随机项替代,拥有最低的成本。在这种方法中,随机请求被分配到容器中,直到当前容器中的一个参数完全填满为止。它是基于两个约束条件的,即软约束,使得一个解决方案能被更好的解决方案所取代,在硬约束下,资源的容量决不能超过容器的大小。迭代交换直到解决方案达到稳定状态才完成。该方法是一种高度灵活的局部搜索方法,可以成功地应用于实际生活中的大多数问题。模拟退火算法需要较长的时间才能找到全局最优解。。通过仔细指定温度的冷却速率证明了模拟退火算法可以收敛到全局最优解。该算法首先生成初始解,并初始化温度参数,这纯粹是一个假设,这是主要的缺点。该算法通常与本地最大值相匹配,不需要的分配被产生和算法也取决于请求可用性和容器容量。这种方法在高温下很有效。
      3.3禁忌搜索
       禁忌搜索(Tabu Search或Taboo Search,简称TS)的思想最早由Glover(1986)提出,它是对局部领域搜索的一种扩展,是一种全局逐步寻优算法,是对人类智力过程的一种模拟。TS算法通过引入一个灵活的存储结构和相应的禁忌准则来避免迂回搜索,并通过藐视准则来赦免一些被禁忌的优良状态,进而保证多样化的有效探索以最终实现全局优化。相对于模拟退火遗传算法,TS是又一种搜索特点不同的 meta-heuristic算法。
        禁忌搜索是人工智能的一种体现,是局部邻域搜索的一种扩展。禁忌搜索最重要的思想是标记对应已搜索的局部最优解的一些对象,并在进一步的迭代搜索中尽量避开这些对象(而不是绝对禁止循环),从而保证对不同的有效搜索途径的探索。
       在基于禁忌搜索的启发式算法中,采用以最佳拟合启发得到的解作为初始解,采用随机移动查找邻居。这里的终止条件是我们需要的移动时间。一般来说,我们要求移动时间应该是解决池中候选数的两倍,以便通过随机移动来增加访问每个候选解的概率。禁忌搜索使用近因(短期记忆)和频率(长期记忆)为了禁止搜索从其他地区寻求解决空间高效的发现是局部最优并迫使其他地区尚未遇到的探索。其他传统方法可能会在更短的时间内遇到问题的最优解。
 3.4蚁群优化算法
       蚁群算法是一种启发式算法,基于人群的随机和仿生算法,模拟蚂蚁行来设计解决组合问题的。蚂蚁使用叫做信息素的化学物质与其他蚂蚁进行隐性交流。当蚂蚁探索并发现一些目标,如食物,它分泌的信息素沿路线回到蚁群。通过这样做,其他蚂蚁会跟随信息素沿着小路行进,如果它们找到食物也会分泌信息素。然而,随着时间的推移,信息素逐渐蒸发。基于蚁群算法,优化问题可以转化为在加权图上寻找最优路径的问题。蚁群算法可以用于调度,通常侧重于减少物理机器的数量。它具有更好的全局最优解,鲁棒性强,全局最优解好,鲁棒性强,是一种并行算法。它具有开销和局部最优下降的缺点。
 3.5粒子群优化算法
       粒子群优化算法是一种高度先进的启发式仿生智能优化算法,它模仿群体智能的行为。它是一种基于群体PSO算法的自适应搜索算法。通过个人之间的合作,可以记住个人最佳信息和全局最佳信息。初始化一组在空间的随机子粒子的位置是可能的解决方案,每个粒子接近到一定的速度,粒子群逐渐接近后,重复的进步也被称为迭代的最优位置,从而得到最优解。在每一次迭代中,粒子根据两个极值来更新自己:一个是由单个粒子找到的最优解,即个体极值;另一个是全粒子群的最优解,即全局极值。种群中的每一个粒子代表了一个可能的解决方案。其目的是通过对昆虫社会行为的建模和预测来解决这一问题。它不使用随机方法,而是提供更多的虚拟机。它提供最好的负载平衡,并减少吞吐量和响应时间。粒子群算法很容易陷入局部最优。PSO算法的计算时间是短于其他现有的算法,它的最终解决复杂的大型优化问题的精度相对较差。粒子群优化算法PSO算法不具有解决不同约束问题的鲁棒性,具有并行分布、可扩展性强、易于实现、鲁棒性强、动态环境适应性强等特点,成功地解决了许多组合优化问题。
 3.6人工免疫系统
       AIS是一种基于免疫系统原理的一般元启发式算法,已发展成为人工免疫系统(AIS)的计算智能方法。人工免疫系统(AIS)是基于生物免疫系统和免疫学研究的模型构成的一系列仿生算法。非正式地说,生物免疫系统保护身体免受伤害。以病原体的形式呈现的危险物质它们结合了对一般病原体和一般病原体的保护能力。特定攻击者(例如不同类型的病毒、细菌等)这是不能被静态的(固有的)部分消除的。免疫系统。人工免疫系统算法包括阴性选择、克隆选择和免疫网络。这个克隆选择是基于选择免疫系统对抗原的基本反应理论描述。阴性选择是用于确保新产生的淋巴细胞能够适应新类型的生物免疫系统威胁,同时保持对人体细胞的耐受性。免疫网络有助于稳定免疫系统的记忆结构,即使没有它们的存在,也能保留抗原的信息。它已成功地应用于聚类、分类、模式识别、计算机防御和优化等领域。AIS具有寻找不同规模问题的最优完工时间值的优点。
 3.7细菌觅食算法
       细菌觅食优化算法是一种全局优化算法。基于种群搜索的高效算法分布式计算的全局搜索方法。细菌觅食算法是一种自然启发的优化技术,模仿大肠杆菌的觅食行为。这是一个多准则优化问题。它提供了优化多目标同时存在的问题的解决方法需要同时处理多个标准。这种方法用于定位、处理和摄取食物。在觅食过程中,细菌可以表现出两种不同的动作:翻滚。或游泳。翻滚动作改变了细菌方向。游泳时指的是化学整复步骤。细菌会朝着它的方向移动。它是基于选择过程试图保护这些动物有能力成功觅食的天性并试图排除那些饲料不良的动物。因为前者更有能力繁殖过程成功。它的优点是最大限度地提高资源利用率和最小资源使用成本。它最小化完工时间,完工时间是重要的并行和分布式计算中的调度准则。
3.8鱼群优化算法
     人工鱼群算法(AFSA)是一个基于人群的启发式智能优化算法的从鱼群行为得到启发来求解组合问题。人工鱼群算法是一种随机并行搜索算法属于家庭群智能。该算法适用于群体搜索食物到达较高浓度区域的鱼群智能群的行为。然后将这种智能与求解组合优化问题的最优解的方法之一结合起来。在人工鱼群算法的系统,每个人工鱼(AF)调整其行为根据其当前状态和它的环境状态,利用自己及其邻居所遇到的最佳位置。它非常灵活,容错性强,可以用于云中的调度。预期会取得最好的结果。它对初值不敏感,具有收敛快、鲁棒性好等特点。它得到了越来越多的研究和广泛应用,如多目标优化和聚类问题。
 3.9猫群优化
      基于猫的社会行为的智能启发式调度算法是一种基于猫寻寻跟踪行为的群体智能优化算法。在搜索模式下,猫在坐在一个地方(没有运动)的时候感觉到下一个最佳动作,而在跟踪模式下,猫通过速度移动到下一个最佳位置来追逐目标。为了解决多目标工作流调度问题,采用猫群优化算法来适应这种行为。它以执行时间、数据量和能耗为输入,映射任务和虚拟机,然后以公平的方式搜索最佳的任务资源映射,并提供最佳的适应值。得到的解决方案优化了总能耗。它还提供了一个最小化调度成本的最优资源调度问题。它是通过减少迭代次数来改进PSO算法的。
3.10萤火虫算法
      萤火虫算法是一种基于萤火虫闪烁行为启发的智能启发式种群算法。萤火虫方法是基于群体智能动态创建最佳调度,研究萤火虫的旅行行为,寻找最接近的最大替代方案。萤火虫的闪烁光是它们吸引人的特性,主要用于吸引配偶和保护自己免受其他掠食者的攻击。在萤火虫算法中,萤火虫被认为是通过搜索空间移动和交互的简单代理,并记录了他们访问过的最佳解决方案。因此,萤火虫算法可用于生成替代设计选项,以有效支持云计算中的智能任务调度。动态地将接收到的作业映射到可用资源中在最短完工时间内完成工作均匀分配荷载。它可以用来解决多目标问题。
 3.11布谷鸟搜索算法
      布谷鸟搜索算法是一种模拟布谷鸟自然行为的元启发式算法。杜鹃是美丽的鸟,他们积极的繁殖策略让我们感到有趣。杜鹃的繁殖有以下规则,一个蛋随机选择在一个时间堆放在一个巢,继续为下一代在下一步有质量更好的卵子建的巢。假定有固定数量的主机巢。此策略可用于在云中调度,其中蛋代表解决方案和算法的工作,通过更好的解决方案取代较弱的解决方案。该算法给出了最优解,并利用切换参数有效地平衡了局部搜索和全局搜索。所得结果优于粒子群优化算法。
 3.12 人工密峰算法
       人工蜂群算法是一种基于群体的优化算法。基于蜜蜂智能行为的元启发式算法,它有两种常见的类型:觅食行为和繁殖(交配)行为。ABC算法是基于蜜蜂群的巧妙觅食行为。典型的蜂巢可能包括5000到20000只蜜蜂。蜜蜂认为它们的蜂群在时间上有不同的功能。主动觅食的蜜蜂去食物来源,检查邻居来源,收集食物并返回蜂箱。侦察蜜蜂检查蜂巢周围的区域,寻找丰富的新食物来源。在任何时候,一些觅食的蜜蜂变得不活跃。该策略可应用于任务调度领域中的觅食行为。将蜜蜂觅食行为映射到任务调度问题,通常可以定义为使用的蜜蜂与分配资源上的任务相关,并共享有关食物来源的信息。它最大限度地减少了完成时间,通过搜索空间搜索和多样化的搜索。这些特点使得人工蜂群技术在云任务调度领域得到了有效的应用。
4.结论与未来工作
      任务调度的传统方法缺点像批量任务溢价和缓慢的处理。这些调度算法大都基于成本降低因子、截止期因子甚至基于优先级的调度,并且存在长等待优先队列。智能调度算法为所有这些挑战提供了一个公平的解决方案,提供了一个比传统方法的更好的优化、动态和更可靠的调度方案。本文综述了在智能调度算法与启发式,群为基础的方法。GA、SA和TS执行时间较短。蚁群算法减少了所需的物理机器数量,而粒子群算法给出公平分配。AI,FS,BF,ABC则有较少的完工时间。CS提供最佳资源利用率。FF、CS、BF提高了收敛速度。粒子群算法的成本相对较低。


阅读更多
换一批

没有更多推荐了,返回首页