一种基于服务选取的SBS云资源优化分配方式的论文

2020-02-09 23:05:02 76

云计算的弹性资源分配使企业和政府可以根据实际需求购买资源，使其逐渐成为分布式软件系统的主要部署平台[1,2]。随着软件规模的增长随着复杂性和复杂性的快速增长，大多数分布式软件系统已开始采用面向服务的体系结构（SOA），该体系结构具有灵活的配置，动态的重新配置和较低的维护难度等功能。通用开发的软件系统也称为基于服务的软件系统（SBS）

。 SBS可以表示为基于不同组合规则（例如序列结构，循环结构，（并行结构等）的一系列组件服务），其中每个组件服务用于完成特定功能，并且组成规则定义为了处理用户请求，每个组件服务都需要初始化为相应的服务实例，并部署到在云环境中分配了一定数量资源的虚拟机中。的云资源，应用程序提供商正在部署SBS，通常希望与资源最少的应用程序使用者达成服务水平协议（SLA）

目前，没有有效的分配方法来计算SBS云资源分配。它主要取决于应用程序提供者的手动分配。对于具有简单结构的应用程序，例如单层应用程序或线性多层应用程序，根据操作经验手动确定应用程序（每层）的最小资源分配量相对容易。在手动资源分配方法中，主要是通过反复尝试为SBS的每个组件服务分配不同数量的资源，即生成不同的测试用例，然后选择满足SLA约束并最小化SLA约束的资源分配策略。资源成本。但是，在具有许多资源的云环境中，任何组件服务通常会有很多差异。资源分配量导致测试用例组合的问题。此时，手动分配方法是不现实的。手动分配SBS云资源本质上是通过连续尝试一定数量的测试用例流程来确定最佳的资源分配策略，因此基于搜索软件工程的思想（基于搜索的软件工程，SBSE）

为每个组件服务确定最佳服务，最佳资源分配类似于在服务选择问题

中为抽象服务选择最佳特定服务的过程，其中SBS对应于在复合服务过程中，组件服务对应于抽象服务，其可能的资源分配对应于替代性特定服务。由于服务选择是解决有约束的全局优化问题的有效方法，因此本文提出将SBS云资源的最优分配转换为要解决的服务选择问题。但是，如何将资源划分为组件服务？这是一个必须解决的困难点。同时，与基本业务选择问题不同的是，在选择SBS的最佳资源分配策略时，有必要考虑不能同时选择哪些特定的替代业务，以免违反可用的约束。资源状态。 。

鉴于上述问题，为了确定使SBS的整体资源成本最小的资源分配策略，可以以精细的粒度分配错误的资源

实验结果表明，提出的基于服务选择的SBS云资源优化分配方法可以有效地确定每个组件服务的最佳资源分配量，符合常用的分支定界法求解。整数规划与传统算法相比，本文的混合遗传算法可以在较大规模的问题上获得资源成本较低的资源分配策略，并且收敛速度较快。此外，还对不同资源分配策略的解决方案的质量和算法进行了实验分析。解决方案效率的影响。本文的主要贡献是：（1）两种可以显着减少可行解搜索空间并提高优化问题求解效率的资源划分策略，包括等宽划分策略和Ent-MDLP划分策略； （2）基于此，基于SBSE的思想，构建了基于云环境中服务选择的SBS资源最优分配模型; （3）设计了基于对优化模型的有效解决方案的基于精英的保留策略具有策略和局部搜索变异的混合遗传算法。本文的第1节介绍了相关工作。第2节介绍了在云环境中基于服务选择来优化SBS资源分配的过程。第3节给出了确定组件服务的替代逻辑服务集的方法。第4节提出了SBS云资源最优分配模型及其求解算法。第五部分对本文提出的优化分配方法和求解算法进行了实验分析。最后，它总结了全文，并期待下一个工作。 1相关工作1.1基于服务的应用程序现有的云资源分配工作主要从工作流和业务流程的角度研究云资源分配。

文献研究了一种基于控制论的基于自主动态资源分配源预算约束的云环境。最大程度地提高自适应应用程序的QoS，其中自适应应用程序由多个服务组成，但不涉及应用程序的结构。文献使用云服务来实现科学的工作流，并提出了基于粒子群优化的资源。一种调度方法，该方法考虑了数据传输和存储的成本，旨在最大程度地降低总体成本；文献

提出了一种视频监视组合服务应用。资源分配方法将虚拟机资源分配问题映射到多维背包问题，并使用线性规划和最佳自适应下降方法进行求解。假设构成每个媒体服务所需的虚拟机资源量众所周知，问题的实质是确定虚拟机在物理机上的最佳放置，目的是最大程度地减少占用的物理机数量。

基于服务的应用程序的文献，将应用程序性能目标转换为组件级别，以便确定每个组件的资源需求，并验证使用多层应用程序的方法的有效性；文献

提出了ViePEP灵活的流程平台，以解决资源过度分配的高额成本，该平台可管理业务流程。该系统与云资源管理系统的功能结合在一起，可以调度整个流程或单个任务以满足服务水平目标，同时可以降低资源成本和资源闲置率。与这些任务的不同之处在于：本文研究了在当前云资源状态下满足SLA约束和资源成本优化目标的SBS资源分配策略，而上述工作主要针对QoS优化[810]，例如系统最小化成本时，不考虑吞吐量或SLA约束；其次，本文采用服务选择的方法解决了云环境下SBS资源的优化分配问题。最后，在确定SBS服务的组件时在优化资源分配量时，考虑了在资源有限的情况下组件服务对资源的竞争，并且资源分配策略满足了每个物理服务器可用资源状态的约束。云环境中的计算机1.2基于搜索软件工程方法本文基本上基于SBSE的思想。它使用一种混合遗传算法来找到最佳的组件服务，该组件服务可以使SBS的每个组件服务的资源分配空间中的资源成本最小化，并且满足SLA的约束和云环境的可用资源状态。资源分配量。近年来，SBSE方法已广泛应用于软件设计，测试，需求工程，软件项目管理等领域。

这些工作针对不同的目标，并且通过定义适当的适应度函数来定义软件工程问题。它被转换为基于搜索的优化问题，并通过使用不同的元启发式搜索算法来解决。遗传算法可以有效地解决NP问题，并且实现起来相对简单。因此，它们已被广泛用于基于SBSE方法的研究中。文献中使用遗传算法进行研究。支持QoS的Web服务组合和服务选择问题表明，该算法可以在令人满意的时间内找到近似的最佳解决方案。文献基于性能，可靠性和成本的考虑提出了一种面向组件的系统。软件优化和遗传算法的部署；从云用户的角度出发，基于排队论和历史平均到达率的文献，研究了优化QoS属性的服务部署问题，并提出了一种遗传算法E3-R来解决。此方法可以减少冗余的QoS目标。

结论

本文讨论了一种适用于云环境中的SBS的资源优化分配方法。该方法基于SBSE思想，将资源优化分配策略的确定转换为服务选择问题，从而使用混合遗传算法搜索最优解。在转换问题期间，定义了逻辑服务。Concept使问题不仅与服务选择正式匹配，而且考虑了云环境中的资源限制，因此具有更实际的应用价值。实验证明，所提出的模型和算法可用于确定SBS各个组件的服务资源分配。在有效性方面，遗传算法中引入了精英保留策略和局部搜索突变，以实现全局收敛和更快收敛。此外，结果表明，所提出的资源划分策略对优化算法的求解效率和求解有一定影响。质量，因此有助于指导如何在实际问题中选择合适的资源分配粒度。本文将SBSE方法扩展到SBS系统设计优化在云计算领域中的具体应用，并且所获得的优化结果对提高SBS运行时的环境适应性具有一定的帮助。实际上，由于操作环境的动态性质（例如负载减少或增加），主机或资源由于网络故障等原因不可用，因此确定的最佳资源分配策略可能会失败。因此，在接下来的工作中，有必要深入探索能够适应环境变化的SBS云资源的动态分配方法。

• 有一种甜