基于模糊聚类的自适应QoS粒度划分方法
【技术领域】
[0001] 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】
[0002] 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。
[0003] 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。 Johann T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。Li Bing等人提出了一种基于QoS等级划分的任务调 度模型；对于Q0S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。
[0004] 为了解决上述问题，对Q0S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】
[0005] 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。
[0006] 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：
[0007] 步骤1 :根据用户的任务模型和QoS模型建立任务的mXn样本矩阵，
[0008] 其中，m代表任务的数目，η代表任务的维数，假设两个集合G = (G1, ...，GJ和V =(Vl，. . .，V。)，如果满足以下两个条件：
[0009] _
那么称G = (G1，…，Gc)为X -个划分； 1-1 ?
[0010] 步骤2 :对样本矩阵参数进行规范化，
[0011]
4.其中 minA、maxj别为属 性A的最小值和最大值，公式将A的值V映射到区间[new_minA, new_maxA]中的ν';
[0012] 步骤3 :初始化粒度值N以及初始的N个聚类中心7 =代，…，t);
[0013] 步骤4 :对于每个样本任务分配到最近的聚类中心，
[0014] 根据公式
分配样本到最近的聚类中心；
[0015] 步骤5 :更新相应N个类别的聚类中心，
[0016] 根据公式
较重新计算新的聚类中心；
[0017] 步骤6 :直到样本矩阵收敛，转到步骤7,否则转到步骤4，
[0018] 其中，如果疗或F收敛，则样本矩阵收敛；
[0019] 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，
[0020] 根据评判函娄
i判断QoS粒度是否合适；
[0021] 步骤8 :输出划分之后的任务矩阵。
[0022] 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。
[0023] 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】
[0024] 图1是本发明的方法流程图。
【具体实施方式】
[0025] 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：
[0026] 1、建立任务的样本矩阵
[0027] 根据任务的QoS要求建立一个mXη的样本矩阵，其中m代表任务的数目，η代表任 务的维数。假设两个集合G = (G1,. . .，G。）和V = (Vl，. . .，V。)。如果满足以下两个条件：
[0028]那么称 G = (G1, ···，Gc)为 X -个划分。 '
?：
[0029] 2、样本的规范化
[0030] 对样本数据的每个属性进行最小-最大规范化处理，也即：
[0031]
其中minA、max^别为属 -4 …一Λ , 性A的最小值和最大值，公式将A的值ν映射到区间[new_minA, new_maxA]中的ν'。规范 化可以帮助防止具有较大初始值域的属性与具有较小初始值域的属性相比权重过大。
[0032] 3、初始化粒度值N以及初始的N个聚类中心
[0033] 初始化N的取值。
[0034] 初始化N个聚类中心' =(?，…·[) I
[0035] 4、对于每个样本任务分配到最近的聚类中心
[0036] 首先计算每个样本到N个聚类中心的附属函数
[0037]
中0(?，R)表示xdP R之间的欧式距离。
[0038] 而m是大于1的一个整数。
[0039] 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：
[0040]
其中 Ueuf，
[0041]等价于 乂=1
：〇
[0042] 5、更新N个类别的聚类中心
[0043] 新的聚类中心：
[0044]
t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
[0046] 6、样本矩阵收敛 的V值&
[0045]
[0047] 如果疗或f收敛，则样本矩阵收敛。
[0048] 对于0收敛，也就是说
[0049] 对于一个很小正值ε，满足其中?7是本次迭代附属函数向量， I?是上次迭代附属函数向量。
[0050] 对于F收敛，也就是说
[0051] 对于一个很小正值ε，满足恐浩帏-則<6'其中F是本次迭代聚类中心向量，# 是上次迭代聚类中心向量。
[0052] 7、评价函数的确定
[0053] 本发明采用误差平方和聚类准则来作为评价函数，若N1是第i聚类Γ 的样本 数目，Hi1是这些样本的均值，即
[0054]
[0055] 把Γ\中的各样本y与均值Hi1间的误差平方和对所有类相加后为
[0056]
[0057] 对于不同的聚类，L的值是不同的，使连续两次的Je差值满足一定误差就结束。
[0058] 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。
【主权项】
1. 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mXn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=(匕，...，GJ和V= (Vl，...，V。)，如果满足以下两个条件：那么称G=叫，...，GJ为X-个划分； 步骤2 :对样本矩阵参数进行规范化，苳中minA、maxAU为属性A 的最小值和最大值，公式将A的值v映射到区间[new_minA,new_maxA]中的v'; 步骤3 :初始化粒度值N以及初始的N个聚类中心ZG…AJ; 步骤4 :对于每个样本任务分配到最近的聚类中心， 根据公￥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， 根据公另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，如果获或f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f宋判断QoS粒度是否合适； 步骤8 :输出划分之后的任务矩阵。2. 根据权利要求1所述的基于模糊聚类的自适应QoS粒度划分方法，其特征在于，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。
【专利摘要】本发明公开了一种基于模糊聚类的自适应QoS粒度划分方法，针对云计算面向用户，按需分配资源的要求，本发明提出了一种综合考虑用户满意度和资源利用率的用户任务预处理分类方法，该方法能根据用户任务的QoS需求，采用模糊聚类的算法对用户需求进行分类，这为之后的资源的分配提供了一种参考方法。
【IPC分类】G06F9/50
【公开号】CN105094989
【申请号】CN201510507147
【发明人】周宁宁, 赵科伟
【申请人】南京邮电大学
【公开日】2015年11月25日
【申请日】2015年8月18日