云計算環(huán)境下負(fù)載均衡策略的研究.pdf

1、隨著信息技術(shù)的不斷發(fā)展，云計算已經(jīng)成為當(dāng)前廣泛應(yīng)用的計算模式和學(xué)術(shù)界研究的熱點。在云計算快速發(fā)展的同時，其規(guī)模不斷擴(kuò)大，所要處理的用戶任務(wù)量也越大，因而怎樣高效利用系統(tǒng)資源、提高整體性能，并保證用戶服務(wù)等級協(xié)議，已經(jīng)是云計算領(lǐng)域需要解決的重要問題之一。有效的負(fù)載均衡策略則是解決這個問題的一種重要措施。
　　本文針對云計算環(huán)境下負(fù)載均衡問題進(jìn)行了深入的研究。
　　1.基于負(fù)載評價對負(fù)載均衡算法的重要性，提出使用群決策層次分析法

2、對服務(wù)節(jié)點的負(fù)載狀態(tài)進(jìn)行評價。這其中，采用計算多人獨立構(gòu)造的判斷矩陣對應(yīng)元素的幾何平均法，構(gòu)造出群決策判斷矩陣，從而降低人為構(gòu)造判斷矩陣所產(chǎn)生的主觀性和片面性，使服務(wù)節(jié)點的負(fù)載評價更加客觀準(zhǔn)確。
　　2.提出采用HHGA-RBF神經(jīng)網(wǎng)絡(luò)針對負(fù)載進(jìn)行預(yù)測的方法，建立負(fù)載預(yù)測模型。在訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)方面，使用混合遞階遺傳算法，即遞階遺傳算法和遞推最小二乘法，利用遞階遺傳算法確定RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、隱藏層節(jié)點的中心和寬度，使用遞推最

3、小二乘法對隱藏層和輸出層之間的連接權(quán)值進(jìn)行構(gòu)造，使得RBF神經(jīng)網(wǎng)絡(luò)收斂更快、效率更高、預(yù)測精度高，從而有效預(yù)測節(jié)點負(fù)載情況。實驗結(jié)果表明，基于HHGA-RBF神經(jīng)網(wǎng)絡(luò)的負(fù)載預(yù)測值近似于負(fù)載評價值，平均相對誤差值＜0.01，比BP神經(jīng)網(wǎng)絡(luò)的負(fù)載預(yù)測效果更好。
　　3.在基于節(jié)點負(fù)載預(yù)測的基礎(chǔ)上，結(jié)合加權(quán)輪詢算法，提出一種新的動態(tài)負(fù)載均衡算法—DPWRR。該算法利用針對節(jié)點周期性的負(fù)載預(yù)測值計算出節(jié)點所對應(yīng)的權(quán)值并不斷更新，進(jìn)而保留靜