基于负载均衡的资源调度模型及其算法(3)
但是随着虚拟化技术的引入，云计算的环境中逐步出现了各种各样的虚拟资源，使得对资源的合理分配和高效管理问题变得异常复杂。因此，研究人员提出了各种各样的负载均衡模型，而本文采用的是基于负载均衡的任务调度模型。
云计算的一般体系架构如下图1所示：
图1 云计算的体系架构
用户界面是指用户请求服务的交互界面，服务目录包含服务商提供的所有服务，用户可以从这个列表中进行选择。管理系统用来对所有可用的资源和服务进行管理，部署工具具有自治性，能够根据用户的请求自动的整合资源（包括资源的部署、配置和回收），给用户提供相应的应用，监控系统用来监测系统中各种资源的实时信息，并根据具体的信号或指令信息快速做出相应的响应操作，提供各种不同服务的虚拟或物理的服务器组成了服务器集群，管理系统可以对所有服务器进行管理。
由于物理主机可以被划分成一个或多个虚拟机资源，并且虚拟机资源也可以由一个或多个物理主机组成，故用户不需要知道任务具体在哪个物理主机执行，只需将任务提交到虚拟机资源上即可，这使得资源和任务具有很强的可扩展性。但本文将虚拟机与物理主机合并到一起来考虑，这使得资源调度问题变得相对简单了。
云计算中基于负载均衡的任务调度模型的建立过程如下：
（1）用统一的标准度量出每台机器的计算能力大小。
（2）根据任务的具体情况预测出每个任务的负载量大小。
（3）设计出任务调度和资源分配的方案，进行预分配。
（4）评价调度和预分配方案的负载均衡优劣性。
（5）根据设置的负载均衡阀值，检查设计出的方案是否满足条件。若不满足，重新执行第（3）、（4）、（5）步；若满足条件，停止方案的设计，根据满足条件的方案进行实际的任务调度和资源分配。
其中每台机器的计算能力，综合考虑机器CPU的数量、核心数、型号等信息，最后用统一的标准算出度量值。而任务的负载量大小预测，则根据任务的预计执行时间、完成数据量的大小等情况进行度量。
根据预分配的方案计算每台机器的负载量和资源占用率。由于在现实环境中每台机器的资源实际利用率最高不能超过80%，所以对于资源使用率超过80%的方案不予考虑。根据设置的负载均衡阀值，检查设计的方案是否满足条件。如不满足重新设计、评价、检查方案。其中方案的评价方法采用每台机器上负载的方差形式： ，而 。其中 代表机器 上的负载量情况， 为所有机器上负载的平均值，n代表云计算环境共有n台机器数。这样求出每个设计方案的方差，方差越小，就代表负载越均衡，这样资源利用率就会越高，用户等待时间就会越小。
其中阀值的设定可以根据具体情况来定，若阀值太大，可能会出现负载不均衡的情况；若阀值太小，不仅会增加任务量，影响系统的性能，而且也不利于负载均衡的实现。因此，本文采用迭代次数来作为阀值，迭代次数一般在100-500之间。
2.2适应度函数
适应度用于评价个体的优劣程度，适应度越大个体越好，反之适应度越小则个体越差；根据适应度的大小对个体进行选择，以保证适应性能好的个体有更多的机会繁殖后代，使优良特性得以遗传。由于遗传算法是通过适应度函数来确定染色体的优劣，并且在一次调度过程中，求解的总任务完成时间makespan是一个最小值，故将适应度函数定义为： 其中， 为某一染色体编码的任务总完成时间，是makespan的缩写， 为总完成时间的最小估计值， 为总完成时间的最大估计值， 和 应取适当的值，使0<fit（ms）<1。总完成时间ms越小，适应度fit（ms）越大，该染色体被选中的可能性就越大。