雷顯玉，劉 勇，黃廣君

(河南科技大學(xué) 信息工程學(xué)院，河南 洛陽 471023)

面向SLA的云計算負(fù)載均衡策略

雷顯玉，劉 勇，黃廣君

(河南科技大學(xué) 信息工程學(xué)院，河南 洛陽 471023)

云計算負(fù)載均衡是保障SLA協(xié)議的關(guān)鍵問題之一;針對云計算負(fù)載均衡問題，提出一種面向SLA的負(fù)載均衡策略;該策略引入人工神經(jīng)網(wǎng)絡(luò)思想，建立負(fù)載均衡模型，采用單層感知器算法(SLPA)將虛擬機負(fù)載狀態(tài)進行分類，然后利用結(jié)合了動態(tài)加權(quán)輪詢算法的BP神經(jīng)網(wǎng)絡(luò)算法(BPNNA-DWRRA)有針對性地對虛擬機負(fù)載權(quán)重進行預(yù)測更新，最后將任務(wù)調(diào)度到最小權(quán)重所對應(yīng)的可行虛擬機上;應(yīng)用CloudSim進行仿真實驗，結(jié)果表明了該策略的可行性，同時，相比加權(quán)最小鏈接算法和粒子群算法，該策略的平均響應(yīng)時間分別節(jié)省了43.6%和22.5%，SLA違反率分別降低了20.7%和14.4%;因此，所提策略在響應(yīng)用戶任務(wù)時，請求響應(yīng)時間短，SLA違反率低，保障了SLA。

服務(wù)等級協(xié)議；云計算；負(fù)載均衡；人工神經(jīng)網(wǎng)絡(luò)；動態(tài)加權(quán)輪詢

0 引言

云計算是一種商業(yè)服務(wù)模式，云服務(wù)提供商為用戶提供服務(wù)，用戶按需使用并按量付費，同時，雙方簽訂SLA[1](service level agreement，服務(wù)等級協(xié)議)來確保自身利益和服務(wù)質(zhì)量。但是云計算環(huán)境下服務(wù)器之間存在的異構(gòu)性導(dǎo)致在資源分配的過程中會產(chǎn)生負(fù)載不均衡[2]，使集群整體性能下降，用戶服務(wù)質(zhì)量無法得到保障，云服務(wù)提供商也需要因SLA違約而繳納罰金。因此，如何均衡系統(tǒng)負(fù)載，減少SLA違反率，保障服務(wù)質(zhì)量成為亟待解決的問題。

為解決負(fù)載均衡問題，國內(nèi)外研究者已經(jīng)提出了多種不同的算法和策略，文獻[3]設(shè)計了一種改進的基于動態(tài)反饋機制的負(fù)載均衡算法，該算法實現(xiàn)了有效的動態(tài)負(fù)載平衡，簡化了負(fù)載均衡器的任務(wù)分配算法。文獻[4]是基于模擬退火算法和動態(tài)加權(quán)輪詢的負(fù)載均衡策略，該策略能自適應(yīng)并且精確地確定性能權(quán)重向量，實時計算應(yīng)用服務(wù)器負(fù)載，動態(tài)分配請求。文獻[5]提出了一種基于動態(tài)優(yōu)先級和螢火蟲行為的云任務(wù)調(diào)度算法，根據(jù)任務(wù)動態(tài)優(yōu)先級和決策變量將任務(wù)調(diào)度到合適的虛擬機上。文獻[6]提出了一種改進的加權(quán)最小連接數(shù)負(fù)載均衡調(diào)度算法，即建立對節(jié)點信息的實時收集以及負(fù)載量變化的模型，該模型按照負(fù)載情況來合理有效分配資源。文獻[7]提出了一種綜合性的資源分配策略，其中包括一個數(shù)據(jù)密集型任務(wù)調(diào)度算法和虛擬機分配策略，保持物理主機的良好負(fù)載均衡的同時還可以大大減少任務(wù)完成時間。文獻[8]結(jié)合加權(quán)最小鏈接算法和粒子群算法來解決虛擬機調(diào)度問題，利用歷史信息來預(yù)測新的輸入請求的工作量，通過拒絕無法調(diào)度來減少調(diào)度過程的計算時間，該算法可以保持負(fù)載均衡。文獻[9]考慮到每個虛擬機的負(fù)載和計算能力，同時引入螞蟻的向前移動和向后移動的思想，處理了云環(huán)境中的復(fù)雜的任務(wù)調(diào)度，縮短了總?cè)蝿?wù)的完成時間。文獻[10]建立資源-任務(wù)分配模型，分別運用離散粒子群算法實現(xiàn)資源負(fù)載均衡。文獻[11]在保證用戶服務(wù)質(zhì)量的前提下，提出了一種新的負(fù)載平衡機制，考慮到云供應(yīng)商的同時還考慮了用戶的服務(wù)質(zhì)量，設(shè)計任務(wù)調(diào)度算法和彈性伸縮算法來實現(xiàn)任務(wù)分配。

上述工作研究實現(xiàn)了有效的負(fù)載平衡，但是忽略了從保障SLA的角度出發(fā)，評判負(fù)載均衡算法是否可以滿足用戶需求，保障用戶自身利益。為解決這些問題，本文提出了一種面向SLA的負(fù)載均衡策略。

1 面向SLA的負(fù)載均衡模型

在云計算環(huán)境中，有效的負(fù)載均衡算法可以提高服務(wù)質(zhì)量，而SLA是衡量服務(wù)質(zhì)量的主要依據(jù)。本文負(fù)載均衡策略建立了面向SLA的負(fù)載均衡模型，模型如圖1所示。

圖1 負(fù)載均衡模型

該模型由三大模塊組成，分別是服務(wù)請求模塊、虛擬機調(diào)度模塊和負(fù)載均衡算法模塊。

1)服務(wù)請求模塊：

負(fù)責(zé)接收服務(wù)請求，并將請求轉(zhuǎn)發(fā)給請求調(diào)度器。

2)虛擬機調(diào)度模塊：

從請求調(diào)度器得到服務(wù)請求，根據(jù)負(fù)載均衡算法模塊為請求找到合適的虛擬機節(jié)點，并響應(yīng)用戶請求。

3)負(fù)載均衡算法模塊：

此模塊是基于人工神經(jīng)網(wǎng)絡(luò)的負(fù)載均衡算法，主要負(fù)責(zé)為虛擬機調(diào)度模塊提供合適的虛擬機節(jié)點，其中包括6個子模塊，分別是負(fù)載監(jiān)測器模塊、負(fù)載狀態(tài)管理器模塊、負(fù)載權(quán)重管理器模塊、SLA管理器模塊、SLPA算法劃分負(fù)載狀態(tài)模塊(簡稱SPLA算法模塊)和BPNNA-DWRRA算法預(yù)測更新輕負(fù)載權(quán)重模塊(簡稱BPNNA-DWRRA算法模塊)。負(fù)載監(jiān)測器負(fù)責(zé)監(jiān)測所有虛擬機的負(fù)載狀態(tài)、負(fù)載權(quán)重信息和對服務(wù)請求的響應(yīng)時間，負(fù)載狀態(tài)包括CPU使用率、內(nèi)存使用率，硬盤使用率和網(wǎng)絡(luò)帶寬使用率；負(fù)載狀態(tài)管理器負(fù)責(zé)管理負(fù)載的當(dāng)前狀態(tài)信息和歷史狀態(tài)信息；負(fù)載權(quán)重管理器負(fù)責(zé)管理負(fù)載的當(dāng)前權(quán)重信息和歷史權(quán)重信息；SLA管理器負(fù)責(zé)管理請求響應(yīng)時間信息，其包括SLA中規(guī)定的請求平均響應(yīng)時間和服務(wù)請求響應(yīng)時間；SPLA算法模塊和BPNNA-DWRRA算法模塊都是基于人工神經(jīng)網(wǎng)絡(luò)的，SLPA算法模塊根據(jù)負(fù)載狀態(tài)管理器提供的負(fù)載信息和SLA管理器提供的響應(yīng)時間信息將所有負(fù)載進行類型劃分，劃分為重載節(jié)點和輕載節(jié)點；根據(jù)SLPA算法得到的輕載節(jié)點，負(fù)載權(quán)重管理模塊為BPNNA-DWRRA算法模塊提供所有輕載節(jié)點的權(quán)重歷史信息，然后BPNNA-DWRRA算法將所有輕載節(jié)點的權(quán)重進行預(yù)測更新，并將更新的權(quán)重交給負(fù)載權(quán)重管理器進行記錄，最后負(fù)載權(quán)重管理器中節(jié)點權(quán)重最小的即為合適的虛擬機節(jié)點。

2 基于人工神經(jīng)網(wǎng)絡(luò)的負(fù)載均衡算法

為使用戶找到合適的虛擬機節(jié)點來響應(yīng)服務(wù)請求，本文算法利用人工神經(jīng)網(wǎng)絡(luò)的泛化能力[12]，將實現(xiàn)分為兩個階段，先將系統(tǒng)中所有虛擬機節(jié)點進行狀態(tài)劃分再根據(jù)分類信息對虛擬機節(jié)點權(quán)重進行預(yù)測更新，即負(fù)載狀態(tài)分類、負(fù)載權(quán)重預(yù)測更新，最終利用虛擬機節(jié)點權(quán)重來動態(tài)分配請求任務(wù)。

(1)

公式(1)其中：0

2.1 負(fù)載狀態(tài)分類

單層感知器模擬的是人工神經(jīng)網(wǎng)絡(luò)，它屬于單層前向網(wǎng)絡(luò)，即除了輸入層和輸出層之外只擁有一層神經(jīng)元節(jié)點，是最簡單的神經(jīng)網(wǎng)絡(luò)，用來解決線性可分的二分類問題[13]。本文利用單層感知器算法SLPA對所有虛擬機節(jié)點進行智能分類，將虛擬機節(jié)點劃分為輕載節(jié)點和重載節(jié)點。SLPA算法模型如圖2所示。

圖2 SLPA算法模型

定義1：SLPA算法模型。

SLPA算法模型定義為一個四元組：

Model=(X,ω,v,y)

X=X(n)表示SLPA算法模型的第n次迭代的輸入向量，X=[b,Li,respi]，其中b表示感知器的輸入偏置，設(shè)為固定值1，即b=1；Li是由公式(1)計算得到的服務(wù)虛擬機節(jié)點i的當(dāng)前負(fù)載；respi是由SLA管理器提供的虛擬機節(jié)點i的請求響應(yīng)時間。ω=ω(n)表示第n次迭代的連接權(quán)值向量，ω=[ω1,ω2,ω3]。ν=ν(n)表示第n次迭代的輸出，У=У(n)表示第n次迭代的實際輸出，分別用由公式(2)(3)表示，其中公式(3)f是SLPA算法的傳遞函數(shù)。

(2)

(3)

SLPA算法描述如下：

1)定義變量η為學(xué)習(xí)率，ε為誤差極限,迭代次數(shù)n。

2)初始化權(quán)值向量ω和變量η，ε，n。

3)初始化輸入樣本。

利用負(fù)載狀態(tài)管理器采集所有虛擬機節(jié)點的歷史負(fù)載狀態(tài)信息，通過公式(1)計算得到虛擬機節(jié)點i歷史當(dāng)前負(fù)載，同時，利用SLA管理器提供虛擬機節(jié)點i的歷史請求響應(yīng)時間，生成輸入向量Xi。di表示輸入向量Xi的期望輸出，其值代表了響應(yīng)服務(wù)的虛擬機節(jié)點i是否滿足了SLA協(xié)議，0表示違反了SLA協(xié)議，1表示未違反SLA協(xié)議，di用公式(4)表示。用P表示輸入樣本，指定P為k維，其由輸入向量X和d組成，P用公式(5)表示。

(4)

(5)

4)訓(xùn)練網(wǎng)絡(luò),計算實際輸出y。

輸入樣本p，根據(jù)公式(2)(3)得到第n次迭代的實際輸出y(n)。

5)判斷算法是否收斂。

輸出誤差ε即為期望輸出和實際輸出之差，用公式(6)表示，若計算得到的ε值小于初始化的ε值時，算法收斂，該算法結(jié)束；若不滿足，利用公式(7)來更新權(quán)值向量ω，且循環(huán)次數(shù)增加1，轉(zhuǎn)到第3繼續(xù)執(zhí)行。

(6)

(7)

2.2 負(fù)載權(quán)重預(yù)測更新

SLPA算法將虛擬機節(jié)點劃分為輕載節(jié)點和重載節(jié)點，在BPNNA-DWRRA算法對負(fù)載權(quán)重預(yù)測更新時，只對輕載節(jié)點的權(quán)重進行預(yù)測更新，縮小虛擬機節(jié)點權(quán)重預(yù)測更新范圍，提高效率。

BPNNA-DWRRA算法是基于BP神經(jīng)網(wǎng)絡(luò)算法和動態(tài)加權(quán)輪詢算法的混合算法，BP神經(jīng)網(wǎng)絡(luò)包含了多個隱含層，是一個層內(nèi)無相互連接結(jié)構(gòu)的、無反饋的前向網(wǎng)絡(luò)，其收斂速度慢，存在局部極小點等[14]，但是本文BPNNA-DWRRA算法能自適應(yīng)地調(diào)整學(xué)習(xí)率和增加動量項，改善了BP神經(jīng)網(wǎng)絡(luò)收斂問題，其模型如圖3所示。

圖3 BPNNA-DWRRA算法模型

定義2：BPNNA-DWRRA算法模型。

BPNNA-DWRRA算法模型定義為一個六元組：

(8)

BPNNA-DWRRA算法描述如下：

1)定義并初始化誤差容限δ，學(xué)習(xí)率σ，動量因子λ，迭代次數(shù)e。

2)指定輸入樣本。

依據(jù)SLPA算法得到的重載節(jié)點信息，從權(quán)重管理器中得到所有重載節(jié)點的權(quán)重歷史數(shù)據(jù)data，指定data為t維，用公式(9)表示。用outi表示虛擬機節(jié)點i的期望輸出，其值是虛擬機節(jié)點i的輸出權(quán)重，由公式(10)表示。

(9)

(10)

(11)

3)訓(xùn)練網(wǎng)絡(luò)。

對inData輸入樣本進行劃分，劃分為訓(xùn)練數(shù)據(jù)trainData和測試數(shù)據(jù)testData，訓(xùn)練數(shù)據(jù)用來訓(xùn)練BPNNA-DWRRA算法，測試數(shù)據(jù)用來測BPNNA-DWRRA算法的準(zhǔn)確性，trainData和testData分別用公式(12)和(13)表示，其中td表示訓(xùn)練數(shù)據(jù)trainData的維數(shù)。

(12)

(13)

輸入訓(xùn)練數(shù)據(jù)trainData，訓(xùn)練網(wǎng)絡(luò)，得到實際輸出z用公式(14)表示，其中f是網(wǎng)絡(luò)傳遞函數(shù)。

(14)

4)判斷算法是否收斂。

輸出誤差ζ用公式(15)表示，若誤差ζ的平方和小于誤差容限δ時算法收斂，直接進行下一步的網(wǎng)絡(luò)測試；若不滿足，進行誤差反向傳播，采用動態(tài)加權(quán)輪詢算法對權(quán)值進行更新調(diào)整，權(quán)值更新用公式(16)表示。

(15)

(16)

其中：ζ權(quán)值修改量，ψ上一次的權(quán)值修改量。權(quán)值修改量的值是網(wǎng)絡(luò)層之間的局部梯度和網(wǎng)絡(luò)輸出的乘積，根據(jù)公式(16)對網(wǎng)絡(luò)連接權(quán)值進行更新之后，轉(zhuǎn)到第3步繼續(xù)執(zhí)行。

5)網(wǎng)絡(luò)測試。

輸入測試數(shù)據(jù)testData，執(zhí)行步驟3)和4)得到期望輸出。

網(wǎng)絡(luò)訓(xùn)練和測試完畢之后，依據(jù)SLPA算法得到輕載節(jié)點信息，從權(quán)重管理器中得到所有輕載節(jié)點的權(quán)重歷史數(shù)據(jù)，然后將得到的數(shù)據(jù)輸入網(wǎng)絡(luò)，對所有輕載節(jié)點進行權(quán)值預(yù)測，并將預(yù)測后的虛擬機節(jié)點權(quán)重存在權(quán)重管理器中，最終虛擬機調(diào)度模塊將任務(wù)調(diào)度到權(quán)重最小的虛擬機上，響應(yīng)服務(wù)請求。

3 SLA違反率

基于人工神經(jīng)網(wǎng)絡(luò)的負(fù)載均衡算法分別利用SLPA算法和BPNNA-DWRRA算法實現(xiàn)了為用戶找合適的虛擬機資源，并響應(yīng)用戶請求。但是，該算法是否能夠滿足用戶可接受的服務(wù)質(zhì)量，還是需要作出有力的判斷。本文使用SLA違反率作為其判斷的依據(jù)，SLA違反率定義為虛擬機上用戶請求的違反次數(shù)除以用戶請求的總次數(shù)。即在相同請求次數(shù)的情況下，請求違反次數(shù)越多，SLA違反率越高，服務(wù)質(zhì)量越差，算法效率越低。

定義3：SLA違反率模型。

SLA違反率模型定義為一個四元組

VioRateSLA=(respi,respSLA,NumVio,TotalVio)

SLA違反率模型描述如下：

1)respi為虛擬機節(jié)點i響應(yīng)用戶請求的實際請求響應(yīng)時間。

2)respSLA為SLA中規(guī)定的請求平均響應(yīng)時間。

3)NumVio：為請求的違反次數(shù)。

當(dāng)實際請求響應(yīng)時間respi低于respSLA的80%時，即為服務(wù)質(zhì)量滿足了用戶需求，用戶有較好的自身體驗，未違反SLA。否則，反之。用公式(17)表示。

(17)

根據(jù)公式(17),當(dāng)VioSLA的值為0時，用戶請求超時，違反了SLA，用戶體驗效果不好，違反次數(shù)增加1。

4)TotalVio：為用戶請求的總次數(shù)。

基于以上的描述，將請求SLA違反率函數(shù)用公式(18)表示。

(18)

4 實驗結(jié)果及分析

4.1 實驗環(huán)境與算法的參數(shù)配置

本文采用CloudSim仿真模擬云環(huán)境，仿真實驗環(huán)境參數(shù)配置如表1所示，同時部署6種性能各異的100臺虛擬機，其參數(shù)配置如表2所示。

表1 仿真實驗環(huán)境參數(shù)

表2 虛擬機類型的參數(shù)

SLPA和BPNNA-DWRRA算法參數(shù)配置如表3和表4所示。

4.2 負(fù)載狀態(tài)分類實驗結(jié)果

SLPA算法實現(xiàn)負(fù)載狀態(tài)分類，實驗結(jié)果如圖4所示。

從圖4可以看出，直線將坐標(biāo)軸中的點劃分成了兩類，直線上方的點為是重載節(jié)點，直線下方的點為輕載節(jié)點，實驗結(jié)果表明SLPA算法能準(zhǔn)確地將虛擬機進行負(fù)載狀態(tài)分類。

表3 SLPA算法參數(shù)

表4 BPNNA-DWRRA算法參數(shù)

圖4 SLPA算法負(fù)載分類

4.3 負(fù)載權(quán)重預(yù)測更新實驗結(jié)果

從圖4即可得到所有輕載節(jié)點，采集所有輕載節(jié)點的歷史權(quán)重，利用BPNNA-DWRRA算法對這些輕載節(jié)點進行權(quán)重的預(yù)測更新。其實驗結(jié)果如圖5所示。

圖5 BPNNA-DWRRA算法負(fù)載權(quán)重預(yù)測更新

從圖5可以看出，隨著迭代次數(shù)的增加，誤差逐漸趨于0，而準(zhǔn)確率逐漸趨于1，表明用權(quán)重來指導(dǎo)請求調(diào)度的準(zhǔn)確率較高，能為用戶找到合適的虛擬機資源，證明了該模型的可行性。

為了說明本文算法具有高效性和SLA違反率低，將本文算法與加權(quán)最小鏈接算法[6]和粒子群算法[10]進行比較。其實驗結(jié)果如圖6和如圖7所示。圖6是這3種算法平均響應(yīng)時間對比圖，圖7是這3種算法違反次數(shù)對比圖。

圖6 算法平均響應(yīng)時間對比圖

從圖6可以看出，本文算法平均響應(yīng)時間最短，加權(quán)最小鏈接算法算法的平均響應(yīng)時間總是最長的，粒子群算法在本文算法和加權(quán)最小鏈接算法之間，本文算法的平均響應(yīng)時間比其他兩種算法的平均響應(yīng)時間分別節(jié)省了43.6%和22.5%，本文算法能快速的為用戶分配請求，具有高效性。

圖7 算法違反次數(shù)對比圖

從圖7可以看出，剛開始的時候3種算法的違反次數(shù)都很接近，而且加權(quán)最小鏈接算法和粒子群算法還有重疊的地方，表明在請求數(shù)量少的情況下，3種算法違反次數(shù)都比較少，但是隨著請求數(shù)量的增加，3種算法的違反次數(shù)出現(xiàn)了明顯的差異，加權(quán)最小鏈接算法的違反次數(shù)總是最多的，粒子群算法趨于加權(quán)最小鏈接算法和本文算法之間。總之，加權(quán)最小鏈接算法的違反次數(shù)最多，粒子群算法違反次數(shù)次之，本文算法的違反次數(shù)最少。根據(jù)違反次數(shù)，計算SLA違反率，基本上本文算法的違反率比其他兩種算法違反率分別降低了20.7%和14.4%。即本文算法SLA違反率低，保障了SLA，使用戶有較好的使用體驗。

5 結(jié)論

針對負(fù)載均衡問題，考慮了用戶在消費云服務(wù)時的自身體驗，保證其可以接受的服務(wù)質(zhì)量,本文提出了一種面向SLA的云計算負(fù)載均衡策略。該模型通過SLPA算法的虛擬機節(jié)點分類，縮小虛擬機節(jié)點預(yù)測更新范圍，提高BPNNA-DWRRA算法預(yù)測效率，將任務(wù)調(diào)度到合適的虛擬機上。通過實驗結(jié)果表明，本文策略實現(xiàn)了負(fù)載均衡，同時，與其他幾種算法相比，本文算法平均響應(yīng)時間短，SLA違反率低，實現(xiàn)了用戶的友好體驗。

[1] Patel P, Ranabahu A, Sheth A. Service Level Agreement in Cloud Computing[J]. Cloud Sla, 2009.

[2] Lin C C, Chin H H, Deng D J. Dynamic Multiservice Load Balancing in Cloud-Based Multimedia System[J]. Systems Journal IEEE, 2014, 8(1):225-234.

[3] 田紹亮, 左 明, 吳紹偉. 一種改進的基于動態(tài)反饋的負(fù)載均衡算法[J]. 計算機工程與設(shè)計, 2007, 28(3):572-573.

[4] 孫峻文, 周 良, 丁秋林. 基于退火算法的動態(tài)負(fù)載均衡研究[J]. 計算機科學(xué), 2013, 40(5):89-92.

[5] 寧 彬, 谷 瓊, 吳 釗,等. 云計算環(huán)境下的混沌螢火蟲的資源負(fù)載均衡算法[J]. 計算機應(yīng)用研究, 2014(11).

[6] 蔡程宇, 婁淵勝. 改進加權(quán)最小連接數(shù)負(fù)載均衡調(diào)度算法研究[J]. 哈爾濱商業(yè)大學(xué)學(xué)報(自然科學(xué)版), 2015(1):102-104.

[7] Xiong, Yeliang, Cang. Task scheduling and virtual machine allocation policy in cloud computing environment[J]. Journal of Systems Engineering & Electronics, 2015(04):847-856.

[8] Cho K M, Tsai P W, Tsai C W, et al. A hybrid meta-heuristic algorithm for VM scheduling with load balancing in cloud computing[J]. Neural Computing & Applications, 2015, 26(6):1297-1309.

[9] 王常芳, 徐文忠. 一種用于云計算資源調(diào)度的雙向蟻群優(yōu)化算法[J]. 計算機測量與控制, 2015, 23(8):2861-2863.

[10] Ramezani F, Lu J, Hussain F K. Task-Based System Load Balancing in Cloud Computing Using Particle Swarm Optimization[J]. International Journal of Parallel Programming, 2014, 42(5):739-754.

[11] Ye F, Wang Z J, Xu F, et al. A Novel Cloud Load Balancing Mechanism in Premise of Ensuring QoS[J]. Intelligent Automation & Soft Computing, 2013, 19(2):151-163.

[12] 劉智斌, 曾曉勤, 劉惠義等. 基于BP神經(jīng)網(wǎng)絡(luò)的雙層啟發(fā)式強化學(xué)習(xí)方法[J]. 計算機研究與發(fā)展, 2015,(3):579-587.

[13] 劉建偉, 申芳林, 羅雄麟. 感知器學(xué)習(xí)算法研究[J]. 計算機工程, 2010, 36(7):190-192.

[14] 江 麗, 王愛平. 基于粒子群與BP混合算法的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法[J]. 計算機應(yīng)用, 2012, 32(S2):13-15.

Load Balancing Strategy of Cloud Computing Oriented to SLA

Lei Xianyu, Liu Yong, Huang Guangjun

(School of Information Engineering, Henan University of Science and Technology, Luoyang 471023, China)

Load balancing of the cloud computing is one of the key issues of guaranteeing SLA agreement. Load Balancing for cloud computing, a load balancing strategy oriented SLA is put forward. Introduced artificial neural network thinking, this strategy establishes load balancing model. VMs load status is classified by single-layer Perceptron algorithm(SLPA), then BP neural network algorithm(BPNNA) combined with dynamic weighted round-robin algorithm (DWRRA) targetedly predicts and updates VMs load weight, finally, the task is dispatched to the feasible virtual machine according to the minimum weight. The CloudSim simulation experiment was performed, and the results show that the proposed strategy is feasible. Meanwhile, compared with the Weighted Least-Connection algorithm and particle swarm optimization algorithm, the strategy of this paper respectively reduce average response time by 43.6% and 22.5%, and reduce SLA violation rates by 20.7% and 14.4%. Therefore, the proposed strategy in response to user tasks, make response time short, SLA violation rate low, and SLA is guaranteed.

service level agreement; cloud computing; load balancing; artificial neural network; dynamic weighted round-robin

2015-12-30；

2016-01-29。

雷顯玉(1989-)，女，河南信陽人，碩士研究生，主要從事云計算方向的研究。

劉 勇(1966-)，男，湖南岳陽人，教授，碩士研究生導(dǎo)師，主要從事云計算、軟件體系結(jié)構(gòu)方向的研究。

黃廣君(1963-)，男，河南洛陽人，教授，碩士研究生導(dǎo)師，主要從事語義網(wǎng)、自然語言處理方向的研究。

1671-4598(2016)07-0219-05

10.16526/j.cnki.11-4762/tp.2016.07.059

TP301.6 文獻標(biāo)識碼：A