摘 ?要：針對(duì)云計(jì)算環(huán)境下數(shù)據(jù)中心機(jī)房的云計(jì)算任務(wù)調(diào)度問題，本文提出一種基于云計(jì)算任務(wù)數(shù)據(jù)分析的神經(jīng)網(wǎng)絡(luò)調(diào)度算法，首先介紹了針對(duì)云計(jì)算任務(wù)的數(shù)據(jù)分析模型，計(jì)算云計(jì)算任務(wù)和計(jì)算節(jié)點(diǎn)的匹配度，定義了基于云計(jì)算任務(wù)調(diào)度最優(yōu)化的目標(biāo)能量函數(shù)，接著提出了任務(wù)調(diào)度神經(jīng)網(wǎng)絡(luò)算法的核心步驟，最后通過仿真驗(yàn)證神經(jīng)網(wǎng)絡(luò)調(diào)度算法的有效性。

關(guān)鍵詞：云計(jì)算;任務(wù)調(diào)度;數(shù)據(jù)分析;神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP391.9 ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2096-4706（2021）13-0031-04

A Neural Network Scheduling Algorithm Based on Cloud Computing Task

XIE Jian

（Guangxi University of Science and Technology， Liuzhou ?545006， China）

Abstract： Aiming at the cloud computing task scheduling problem of data center computer room in cloud computing environment， this paper proposes a neural network scheduling algorithm based on cloud computing task data analysis. Firstly， the data analysis model for cloud computing task， the matching degree between cloud computing task and computing node are introduced， and the objective energy function based on cloud computing task scheduling optimization is defined， Then， the core steps of task scheduling neural network algorithm are proposed. Finally， the effectiveness of neural network scheduling algorithm is verified by simulation.

Keywords： cloud computing; task scheduling; data analysis; neural network

0 ?引 ?言

隨著社會(huì)對(duì)計(jì)算領(lǐng)域需求的增加，數(shù)據(jù)中心的大量建立，云計(jì)算應(yīng)用普及，云計(jì)算相關(guān)技術(shù)成為了研究熱點(diǎn)。任務(wù)調(diào)度是云計(jì)算的核心技術(shù)之一，如何設(shè)計(jì)一種有效、快速的任務(wù)調(diào)度方案是至關(guān)重要的，局域網(wǎng)中的云計(jì)算環(huán)境與公網(wǎng)的云計(jì)算環(huán)境有所不同，局域網(wǎng)的云計(jì)算服務(wù)具有大多數(shù)時(shí)間任務(wù)相對(duì)固定，調(diào)度要求時(shí)間短，瞬時(shí)任務(wù)爆發(fā)較大等特點(diǎn)。

針對(duì)上述問題，本文提出了基于數(shù)據(jù)分析的神經(jīng)網(wǎng)絡(luò)云計(jì)算任務(wù)調(diào)度算法，算法充分考慮了局域網(wǎng)云計(jì)算的用戶和云計(jì)算服務(wù)提供商兩方面的需求，對(duì)局域網(wǎng)用戶云計(jì)算任務(wù)和云計(jì)算的主機(jī)相關(guān)特點(diǎn)和屬性進(jìn)行統(tǒng)計(jì)和分析，并結(jié)合歷史的調(diào)度數(shù)據(jù)得到初始化調(diào)度方案。通過構(gòu)建評(píng)價(jià)函數(shù)對(duì)調(diào)度方案進(jìn)行評(píng)估，然后通過神經(jīng)網(wǎng)絡(luò)算法進(jìn)行訓(xùn)練，從而得到一個(gè)具有計(jì)算出相對(duì)最優(yōu)化任務(wù)調(diào)度方案功能的神經(jīng)網(wǎng)絡(luò)，最后就可以針對(duì)不同的任務(wù)群落進(jìn)行快速計(jì)算得到調(diào)度方案，并且可以在云計(jì)算數(shù)據(jù)中心提供云計(jì)算服務(wù)的時(shí)候，不斷地訓(xùn)練神經(jīng)網(wǎng)絡(luò)，對(duì)相關(guān)的權(quán)重適當(dāng)調(diào)整，得到適應(yīng)數(shù)據(jù)計(jì)算中心的神經(jīng)網(wǎng)絡(luò)，為后續(xù)的任務(wù)調(diào)度提供快速經(jīng)濟(jì)的調(diào)度方案。

1 ?基于大數(shù)據(jù)分析DATA-HNN

1.1 ?基于大數(shù)據(jù)的數(shù)據(jù)分析模型

本文主要依據(jù)用戶及云資源提供商在云環(huán)境下所提供的計(jì)算任務(wù)和云計(jì)算資源進(jìn)行數(shù)據(jù)分析，得到相關(guān)數(shù)據(jù)模型，并以此為依據(jù)生成神經(jīng)網(wǎng)絡(luò)初始訓(xùn)練集。

用戶提交的云計(jì)算任務(wù)是根據(jù)自己的需求建立的，而云計(jì)算的資源提供商是根據(jù)計(jì)算中心的資源提供服務(wù)，他們都有自己的內(nèi)在屬性和特點(diǎn)，比如計(jì)算資源有帶寬、計(jì)算速度、內(nèi)存等限制，云計(jì)算任務(wù)有任務(wù)大小，帶寬和時(shí)間等要求。為了能夠?qū)τ脩籼峤坏娜蝿?wù)和計(jì)算資源進(jìn)行數(shù)據(jù)分析，可以根據(jù)以上一個(gè)或者多個(gè)維度進(jìn)行歸類和分析，為后續(xù)的任務(wù)或者計(jì)算資源的調(diào)度提供依據(jù)。

為了避免數(shù)據(jù)對(duì)計(jì)算調(diào)度方案的過多干擾，選取云計(jì)算資源的計(jì)算能力（mips）作為描述云計(jì)算資源的屬性值，選取用戶提交的任務(wù)大小作為描述云計(jì)算任務(wù)的屬性值，然后根據(jù)任務(wù)的大小和云計(jì)算資源的計(jì)算能力進(jìn)行分類匯總，設(shè)置一個(gè)標(biāo)準(zhǔn)值P用來描述任務(wù)和云計(jì)算資源的匹配度，即使用任務(wù)大小CM除以云計(jì)算資源的計(jì)算能力VM，如果P的值較大或者較小，兩者匹配度不高，如果P的值接近于1，說明云計(jì)算資源和任務(wù)大小匹配度較高，或者說在云計(jì)算資源一個(gè)計(jì)算單位時(shí)間周期內(nèi)能夠計(jì)算完成該云計(jì)算任務(wù)，并且不會(huì)產(chǎn)生較多的空閑時(shí)間。根據(jù)P的值，構(gòu)建多個(gè)云計(jì)算任務(wù)調(diào)度方案，最后通過Cloudsim模擬計(jì)算出調(diào)度方案的計(jì)算執(zhí)行時(shí)間，可以得到一個(gè)完整的描述云計(jì)算調(diào)度的過程的集合，也就是相關(guān)的訓(xùn)練集，選取執(zhí)行時(shí)間最優(yōu)的方案作為神經(jīng)網(wǎng)絡(luò)神經(jīng)節(jié)點(diǎn)權(quán)重的初始值。P表達(dá)式為：

（1）

表達(dá)式中云計(jì)算任務(wù)i與云計(jì)算節(jié)點(diǎn)主機(jī)j匹配度的計(jì)算方式為：根據(jù)云計(jì)算資源屬性相關(guān)權(quán)重計(jì)算并相加得到。

其中，i代表云計(jì)算任務(wù)編號(hào)i;j代表云計(jì)算任務(wù)編號(hào)j;A、B、C……表示云計(jì)算資源其中一種屬性的權(quán)值;CiM為任務(wù)序列任務(wù)編號(hào)i任務(wù)大小;VjM為云計(jì)算資源序列云計(jì)算節(jié)點(diǎn)編號(hào)j運(yùn)算速度;CiMe為任務(wù)序列任務(wù)編號(hào)i需求計(jì)算資源的內(nèi)存大小;VjMe為云計(jì)算資源序列云計(jì)算節(jié)點(diǎn)編號(hào)j內(nèi)存大小;CiB為任務(wù)序列任務(wù)編號(hào)i需求計(jì)算資源的帶寬大小;VjB為云計(jì)算資源序列云計(jì)算節(jié)點(diǎn)編號(hào)j需求計(jì)算資源的帶寬大小。

1.2 ?基于云計(jì)算任務(wù)調(diào)度的連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò)定義

將目前初始的云計(jì)算任務(wù)調(diào)度方案，按照云計(jì)算任務(wù)序列m和云計(jì)算節(jié)點(diǎn)序列n構(gòu)成mn行mn列換位矩陣。Xij表示該云計(jì)算任務(wù)i是否選擇在該計(jì)算資源節(jié)點(diǎn)j運(yùn)行，取值為0或者1，0代表否定，1代表確定，并定義Xij作為神經(jīng)網(wǎng)絡(luò)的神經(jīng)元，神經(jīng)元的激活態(tài)與非激活態(tài)與其值相對(duì)應(yīng)，i取值范圍為1到M，j取值范圍為1到N。

定義1（約束條件1）一個(gè)計(jì)算節(jié)點(diǎn)上可以有多個(gè)或者一個(gè)計(jì)算任務(wù)順序運(yùn)行。

（2）

定義2（約束條件2）一個(gè)計(jì)算任務(wù)只能選擇在一個(gè)計(jì)算節(jié)點(diǎn)運(yùn)行。

（3）

定義3（約束條件3）計(jì)算節(jié)點(diǎn)在有云計(jì)算任務(wù)沒有被執(zhí)行的情況下盡量不空閑。

（4）

值越小，空閑的計(jì)算節(jié)點(diǎn)越少，以確保不會(huì)有大量的空閑節(jié)點(diǎn)。

定義4（約束條件4）計(jì)算節(jié)點(diǎn)和云計(jì)算任務(wù)的相關(guān)屬性匹配度評(píng)價(jià)。

（5）

自定義變量Q作為云計(jì)算任務(wù)與計(jì)算節(jié)點(diǎn)的匹配度評(píng)價(jià)的閾值，如果當(dāng)前云計(jì)算任務(wù)和云計(jì)算節(jié)點(diǎn)匹配度評(píng)價(jià)的均值越接近閾值Q，值越小。

根據(jù)定義分析可知，當(dāng)調(diào)度方案滿足約束條件時(shí)，相關(guān)的約束條件其值為0，整個(gè)能量函數(shù)表達(dá)式為：

（6）

Sy為相關(guān)約束條件的權(quán)值，取值大于0。這樣就能通過能量函數(shù)定義優(yōu)化目標(biāo)，就能得到滿足約束條件的調(diào)度方案。

由于Hopfield神經(jīng)網(wǎng)絡(luò)算法運(yùn)算速度快，具有較強(qiáng)的并行運(yùn)算能力，能在較短的時(shí)間內(nèi)計(jì)算出組合優(yōu)化問題的結(jié)果，通過結(jié)合約束條件和公式（6）轉(zhuǎn)換為以下能量函數(shù)：

（7）

其中，Uij表示當(dāng)前云計(jì)算任務(wù)i在元計(jì)算計(jì)算節(jié)點(diǎn)j運(yùn)行，在HNN神經(jīng)網(wǎng)絡(luò)中表示神經(jīng)元節(jié)點(diǎn);Ωijkl為兩個(gè)神經(jīng)元節(jié)點(diǎn)的鏈接強(qiáng)度;φkl為相關(guān)節(jié)點(diǎn)神經(jīng)元的閾值，該閾值根據(jù)相關(guān)約束條件計(jì)算得出。神經(jīng)元狀態(tài)只有激活態(tài)（1）和非激活態(tài)（0），變化規(guī)律依據(jù)約束條件通過式（9）計(jì)算結(jié)果進(jìn)行變換。式（9）表達(dá)式為：

（9）

1.3 ?基于數(shù)據(jù)分析的云計(jì)算任務(wù)調(diào)度DATA-HNN算法

本文通過對(duì)云計(jì)算任務(wù)進(jìn)行數(shù)據(jù)分析，通過形成數(shù)據(jù)分類，求取對(duì)云計(jì)算任務(wù)和云計(jì)算主機(jī)之間的匹配度，然后根據(jù)匹配度形成Hopfield神經(jīng)網(wǎng)絡(luò)所需的初始訓(xùn)練集，這樣的訓(xùn)練集可以在運(yùn)算的初始階段涵蓋云計(jì)算任務(wù)總運(yùn)算時(shí)間相對(duì)較短的調(diào)度方案，然后通過初始訓(xùn)練集確定神經(jīng)網(wǎng)絡(luò)神經(jīng)節(jié)點(diǎn)的參數(shù)，這樣就能快速地計(jì)算出相對(duì)最優(yōu)化的云計(jì)算任務(wù)調(diào)度方案。

核心步驟為：

步驟1 根據(jù)子任務(wù)集合和云計(jì)算節(jié)點(diǎn)集合，計(jì)算出匹配度矩陣。

步驟2 根據(jù)匹配度矩陣，隨機(jī)構(gòu)造初始神經(jīng)元狀態(tài)。

步驟3 利用式7至9計(jì)算能量函數(shù)，通過能量函數(shù)迭代計(jì)算并修正神經(jīng)網(wǎng)絡(luò)中的節(jié)點(diǎn)相關(guān)參數(shù)，最后通過Cloudsim平臺(tái)計(jì)算每次迭代的云任務(wù)運(yùn)行時(shí)間，直至神經(jīng)網(wǎng)絡(luò)的能量函數(shù)輸出值收斂，或者規(guī)定時(shí)間內(nèi)（迭代次數(shù)）調(diào)度方案云任務(wù)運(yùn)行時(shí)間不再變化。

步驟4最后輸出當(dāng)前云計(jì)算調(diào)度方案、運(yùn)行時(shí)間和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)作為計(jì)算結(jié)果。保留神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和相關(guān)參數(shù)，作為未來云計(jì)算調(diào)度計(jì)算的參考。

2 ?仿真實(shí)驗(yàn)

2.1 ?實(shí)驗(yàn)數(shù)據(jù)初始化設(shè)置

針對(duì)本文采用的算法進(jìn)行評(píng)估，將采用Cloudsim平臺(tái)對(duì)DATA-HNN與HNN算法、遺傳算法進(jìn)行對(duì)比實(shí)驗(yàn)。

假定云環(huán)境擁有的主機(jī)種類有10種不同運(yùn)算速度的云計(jì)算主機(jī)資源，其主要性能如表1所示。

為了排除云計(jì)算主機(jī)其他參數(shù)對(duì)實(shí)驗(yàn)的影響，主機(jī)只保持運(yùn)算速度有差異，主機(jī)的其他參數(shù)保持一致，只要滿足不產(chǎn)生性能瓶頸即可。

云計(jì)算任務(wù)集合通過隨機(jī)數(shù)生成任務(wù)大小不同的2000條任務(wù)，部分任務(wù)參數(shù)如表2所示。

為了驗(yàn)證數(shù)據(jù)分析模型匹配度的有效性，降低相關(guān)云計(jì)算任務(wù)其他參數(shù)要求對(duì)數(shù)據(jù)的影響，云計(jì)算任務(wù)只有任務(wù)計(jì)算大小的差異，其他屬性保持一致。

根據(jù)相關(guān)文獻(xiàn)和實(shí)驗(yàn)經(jīng)驗(yàn)設(shè)置式（6）的相關(guān)權(quán)重參數(shù)為S1=4.3，S2=4.0，S3=2.4，S4=1.2，DATA-HNN與HNN算法、遺傳算法迭代次數(shù)統(tǒng)一設(shè)置為300。

2.2 ?實(shí)驗(yàn)結(jié)果分析及其展望

在HNN算法中不同于搜索類和群算法，HNN把云計(jì)算任務(wù)和計(jì)算節(jié)點(diǎn)形成二位矩陣，矩陣中每一個(gè)節(jié)點(diǎn)都是該神經(jīng)網(wǎng)絡(luò)的神經(jīng)元，通過神經(jīng)元狀態(tài)的變化和能量函數(shù)的計(jì)算實(shí)現(xiàn)對(duì)最優(yōu)化解空間的搜索，最后計(jì)算時(shí)間最小值找到解空間的最優(yōu)調(diào)度方案。通過對(duì)云計(jì)算任務(wù)集合與云計(jì)算節(jié)點(diǎn)集合數(shù)據(jù)分析，通過計(jì)算云計(jì)算任務(wù)與計(jì)算節(jié)點(diǎn)的匹配度，根據(jù)匹配度排序優(yōu)先級(jí)生成初始調(diào)度方案。最后在相同條件下，分別比較DATA-HNN、隨機(jī)HNN、Data-GA、隨機(jī)遺傳算法在計(jì)算云計(jì)算調(diào)度方案中的優(yōu)劣。

為了便于比較，在作對(duì)比的時(shí)候只記錄每一種算法輸出結(jié)果的最優(yōu)調(diào)度方案。對(duì)比結(jié)果如圖1所示。

經(jīng)過10次迭代次數(shù)為300次實(shí)驗(yàn)仿真，得到相關(guān)運(yùn)行數(shù)據(jù)總結(jié)如下：運(yùn)行結(jié)果在迭代次數(shù)達(dá)到100后趨向平穩(wěn)，圖1顯示前100次迭代的平均運(yùn)行時(shí)間，調(diào)度方案各有不同，云計(jì)算任務(wù)的運(yùn)行時(shí)間有一定的差別，但是差別不大。

從圖1中可以看出，HNN算法能在較短的時(shí)間和較少迭代次數(shù)下快速得到解空間中相對(duì)最優(yōu)解，但是在后續(xù)中會(huì)有一定的波動(dòng)，HNN因?yàn)橛芯仃囘\(yùn)算會(huì)耗費(fèi)大量的運(yùn)算資源。GA算法的云計(jì)算任務(wù)運(yùn)算時(shí)間下降速度稍快，但是相對(duì)比較穩(wěn)定，得到相對(duì)最優(yōu)解后變化不大。HNN和GA兩者比較，GA算法在同樣迭代次數(shù)條件下較HNN快得多，但是GA并不是穩(wěn)定收斂的，HNN由于能量函數(shù)的存在，由于能量數(shù)值逐漸減少，HNN是穩(wěn)定收斂的。

DATA-HNN、Data-GA由于在仿真實(shí)驗(yàn)之前，通過數(shù)據(jù)分析算法，計(jì)算云計(jì)算計(jì)算節(jié)點(diǎn)和云計(jì)算任務(wù)的匹配度，然后通過匹配度優(yōu)先依次順序匹配云計(jì)算任務(wù)和計(jì)算，在仿真實(shí)驗(yàn)的初始階段就能夠得到相對(duì)運(yùn)行時(shí)間比較短的調(diào)度方案，而基于HNN算法的特點(diǎn)，隨著能量函數(shù)能量數(shù)值的減少，HNN只能越來越收斂，得到的調(diào)度方案的運(yùn)行時(shí)間只能越來越小，不會(huì)產(chǎn)生波動(dòng)，而GA由于是變異搜索算法，GA會(huì)產(chǎn)生波動(dòng)，不會(huì)變?yōu)樵絹碓叫?，需要結(jié)合其他算法，才能達(dá)到相對(duì)好的運(yùn)算效果。HNN可以通過長(zhǎng)時(shí)間運(yùn)行，積累云計(jì)算中心接收的云計(jì)算任務(wù)的特點(diǎn)，形成相對(duì)固定且適應(yīng)云計(jì)算數(shù)據(jù)中心的HNN參數(shù)，云計(jì)算中心就能更快速高效完成任務(wù)調(diào)度。

3 ?結(jié) ?論

針對(duì)解決云環(huán)境下云數(shù)據(jù)中心任務(wù)頻繁、大量任務(wù)調(diào)度優(yōu)化問題，建立了基于數(shù)據(jù)分析的調(diào)度算法Data-HNN，通過云仿真平臺(tái)CloudSim將Data-HNN算法與HNN算法、Data-GA算法、GA算法進(jìn)行比較，仿真結(jié)果表明Data-HNN算法能夠在云計(jì)算中心任務(wù)調(diào)度實(shí)現(xiàn)對(duì)云計(jì)算任務(wù)的數(shù)據(jù)分析，形成初始的任務(wù)調(diào)度方案，并通過HNN算法實(shí)現(xiàn)對(duì)任務(wù)調(diào)度方案的優(yōu)化，從而形成相對(duì)固定的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和相關(guān)參數(shù)，以便實(shí)現(xiàn)對(duì)云計(jì)算任務(wù)的再次調(diào)度。但是，本文僅僅考慮了云計(jì)算任務(wù)和計(jì)算節(jié)點(diǎn)的一個(gè)維度（任務(wù)大?。?duì)算法的影響，同時(shí)HNN算法相關(guān)網(wǎng)絡(luò)參數(shù)為人為固定，下一步將考慮計(jì)算云計(jì)算任務(wù)多個(gè)維度和計(jì)算節(jié)點(diǎn)匹配度，生成初始調(diào)度方案的問題，HNN算法相關(guān)網(wǎng)絡(luò)參數(shù)動(dòng)態(tài)調(diào)整的問題。

參考文獻(xiàn)：

[1] 李枝勇，馬良，張惠珍.蝙蝠算法在多目標(biāo)多選擇背包問題中的應(yīng)用 [J].計(jì)算機(jī)仿真，2013，30（10）：350-353.

[2] 金偉健，王春枝.基于蝙蝠算法的云計(jì)算資源分配研究 [J].計(jì)算機(jī)應(yīng)用研究，2015，32（4）：1184-1187.

[3] 許波，趙超，祝衍軍，等.云計(jì)算中虛擬機(jī)資源調(diào)度多目標(biāo)優(yōu)化 [J].系統(tǒng)仿真學(xué)報(bào)，2014，26（3）：592-595+620.

[4] 張曉東.遺傳算法與蟻群算法相融合的云計(jì)算任務(wù)調(diào)度算法研究 [D].鎮(zhèn)江：江蘇大學(xué)，2013.

[5] 張宇楠，劉付永.一種改進(jìn)的變步長(zhǎng)自適應(yīng)蝙蝠算法及其應(yīng)用 [J].廣西民族大學(xué)學(xué)報(bào)（自然科學(xué)版），2013，19（2）：51-54+81.

[6] 唐大志.用Hopfield神經(jīng)網(wǎng)絡(luò)解決作業(yè)車間調(diào)度問題 [J].遼寧工程技術(shù)大學(xué)學(xué)報(bào)，2004（S1）：88-90.

[7] 郭玉棟，左金平.基于霍普菲爾德網(wǎng)絡(luò)的云作業(yè)調(diào)度算法 [J].系統(tǒng)仿真學(xué)報(bào)，2019，31（12）：2859-2867.

作者簡(jiǎn)介：謝劍（1986.08—）男，壯族，廣西柳州人，工程師，碩士，研究方向：云計(jì)算神經(jīng)網(wǎng)絡(luò)大數(shù)據(jù)。