法律状态公告日
法律状态信息
法律状态
2019-02-19
授权
授权
2015-12-23
实质审查的生效 IPC(主分类):G06F9/50 申请日:20150818
实质审查的生效
2015-11-25
公开
公开
技术领域
本发明涉及任务调度的技术领域,特别涉及一种基于模糊聚类的自适应QoS 粒度划分方法。
背景技术
云计算环境下,一方面用户数量的日益增加,用户QoS需求的多种多样, 造成了云用户的任务在数量和类型两方面的快速增长,这使任务调度问题变得 异常复杂;另一方面,具体的任务调度策略成为云环境下任务调度好坏的决定 性因素,因此这些年来,云计算的调度问题吸引了大量专家学者对其进行深入 的研究。
云计算的任务调度的QoS需求包括截止时间、费用、可靠性、安全性等诸 多内容。JohannT等人提出了一种基于粒子群优化的任务调度和资源分配方法, 该方法考虑任务的截止时间和费用两个约束条件。LiBing等人提出了一种基于 QoS等级划分的任务调度模型;对于QoS要求较低的应用任务,采用一种优化 的Chord算法对其进行调度,确保任意QoS约束要求的应用任务均可以得到一 个满意的任务完成时间;该策略具有很好的实用性,且其资源利用率明显优于 传统方法。针对不同的QoS需求,有人提出基于贪心算法的任务分类模型,对 不同的用户采取不同的任务调度策略,同时利用公平性评判函数对调度策略进 行调整,这样能更好的满足用户的QoS需求。综上所述QoS需求在用户任务调 度策略中扮演十分重要的角色,如何对不同的QoS需求进行合理的划分成为调 度策略能否成功的关键因素。
为了解决上述问题,对QoS需求划分合理的话,不但能提高云资源的利用 效率,而且能提高云用户的满意度;如果对QoS需求粒度划分过小,容易造成 资源利用率下降;如果对QoS需求粒度划分过大,容易造成用户满意度下降。 本发明提出的基于模糊聚类的自适应QoS粒度划分方法能很好解决粒度的划分 问题。
发明内容
本发明目的在于提供一种基于模糊聚类的自适应QoS粒度划分方法,该方 法利用模糊聚类算法对多属性特征的任务进行粗粒度的划分,然后不但减小粒 度阈值,直到资源利用率和用户满意度达到一定程度的折中,进而缓和两者之 间的矛盾。
具体地说,本发明是采用以下的技术方案来实现的:基于模糊聚类的自适 应QoS粒度划分方法,其特征在于,利用模糊聚类算法对多属性特征的任务进 行粗粒度的划分,然后不断减小粒度阈值,直到资源利用率和用户满意度达到 一定程度的折中,进而缓和两者之间的矛盾,包含如下步骤:
步骤1:根据用户的任务模型和QoS模型建立任务的m×n样本矩阵,
其中,m代表任务的数目,n代表任务的维数,假设两个集合G=(G1,...,Gc)和 V=(v1,...,vc),如果满足以下两个条件:
步骤2:对样本矩阵参数进行规范化,
步骤3:初始化粒度值N以及初始的N个聚类中心
步骤4:对于每个样本任务分配到最近的聚类中心,
根据公式来分配样本到最近的聚类中心;
步骤5:更新相应N个类别的聚类中心,
根据公式来重新计算新的聚类中心;
步骤6:直到样本矩阵收敛,转到步骤7,否则转到步骤4,
其中,如果或收敛,则样本矩阵收敛;
步骤7:根据评价函数确定N值,如果N值过大,则减少N值,转到4, 否则转到8,
根据评判函数来判断QoS粒度是否合适;
步骤8:输出划分之后的任务矩阵。
基于模糊聚类的自适应QoS粒度划分方法,其特征进一步在于,所述步骤 3中粒度值N以及N个聚类中心是将样本随机分成N类,把每类的重心作为初 始的聚类中心。
本发明的有益效果如下:1、本发明缓和了用户满意度和资源利用率之间的 矛盾。2、本发明提高了任务调度的效率。
附图说明
图1是本发明的方法流程图。
具体实施方式
如图1所示,本发明提出了一种基于模糊聚类的自适应QoS粒度划分方法, 其包括如下步骤:
1、建立任务的样本矩阵
根据任务的QoS要求建立一个m×n的样本矩阵,其中m代表任务的数目, n代表任务的维数。假设两个集合G=(G1,...,Gc)和V=(v1,...,vc)。如果满足以下两个 条件:
2、样本的规范化
对样本数据的每个属性进行最小-最大规范化处理,也即:
3、初始化粒度值N以及初始的N个聚类中心
初始化N的取值。
初始化N个聚类中心
4、对于每个样本任务分配到最近的聚类中心
首先计算每个样本到N个聚类中心的附属函数
其中表示xk和之间的欧式距离。
而m是大于1的一个整数。
根据附属函数得到每个样本相对于聚类中心的附属程度。然后找到最优的 划分U使目标函数最小化:
5、更新N个类别的聚类中心
新的聚类中心:
根据附属度函数和样本矩阵计算新的聚类中心,也就是寻找最 优的V值使:
6、样本矩阵收敛
如果或收敛,则样本矩阵收敛。
对于收敛,也就是说
对于一个很小正值ε,满足其中是本次迭代附属函数向量, 是上次迭代附属函数向量。
对于收敛,也就是说
对于一个很小正值ε,满足其中是本次迭代聚类中心向量, 是上次迭代聚类中心向量。
7、评价函数的确定
本发明采用误差平方和聚类准则来作为评价函数,若Ni是第i聚类Γi中的 样本数目,mi是这些样本的均值,即
把Γi中的各样本y与均值mi间的误差平方和对所有类相加后为
对于不同的聚类,Je的值是不同的,使连续两次的Je差值满足一定误差 就结束。
虽然本发明已以较佳实施例公开如上,但实施例并不是用来限定本发明的。 在不脱离本发明之精神和范围内,所做的任何等效变化或润饰,同样属于本发 明之保护范围。因此本发明的保护范围应当以本申请的权利要求所界定的内容 为标准。
机译: 基于模糊聚类的医学图像解剖区域自适应分割
机译: 使用插值为基于处理器的系统中的分区资源提供细粒度的服务质量(QoS)控制
机译: 基于自适应规则的卫星互联网服务QoS计算引擎