1、云计算环境下的模糊解耦能效优化算法 研究 邢文凯 高雪霞 侯小毛 翟萍 郑州大学西亚斯国际学院计算机科学系 武汉理工大 学计算机科学与技术学院 中南大学软件学院 郑州 大学信息工程学院 摘 要： 在保证云计算环境的高计算性能和较优服务质量的前提下, 系统能效优化成为 推广云计算所要重点解决的问题。为了适应多负载和多任务的云计算任务环境, 设计了一种模糊解耦能效优化方案。首先进行输入输出及中间变量参数的设定; 然后建立模糊神经网络 (Fuzzy Neural Network, FNN) 模型及解耦规则, 对影 响能效指标的关键参数进行提取和优化, 该方法能快速找到影响能效的关键因 素并对其进行评
2、估, 从而实现稳定可控的能效优化;最后加入模糊解耦的参数扰 动自调整设计, 对解耦运算遇到的参数扰动进行自适应调整, 提高系统的鲁棒 性。 关键词： 云计算; 模糊解耦; 能效优化; 隶属度; 模糊神经网络模型; 鲁棒性; 作者简介：邢文凯 (1973-) , 男, 硕士, 副教授, 主要研究方向为云计算、网 络技术; 作者简介：高雪霞 (1974-) , 女, 博士, 教授, 主要研究方向为网络数据库、 自然语言理解、云计算; 作者简介：侯小毛 (1975-) , 男, 硕士, 副教授, 主要研究方向为图像处理、 云计算及算法研究; 作者简介：翟萍 (1964-) , 女, 硕士, 副教授,
3、 主要研究方向为计算机网络、 云计算。 基金：河南省科学技术厅项目:云计算资源调度优化技术研究 (132300410445) Research on Fuzzy Decoupling Energy Efficiency Optimization Algorithm in Cloud Computing Environment XING Wen-kai GAO Xue-xia HOU Xiao-mao ZHAI Ping School of Electronics and Information Engineering, Sias International University, Zhengz
4、hou University; School of Computer Science and Technology, Wuhan University of Technology; School of Software, Central South University; School of Information Engineering, Zhengzhou University; Abstract： Under the premise of ensuring the high computing performance and excellent service quality of cl
5、oud computing environment, the optimization of system energy consumption has become the key problem for cloud computings wide promotion.In order to adapt to the multi-load and multi-task cloud computing environment, a fuzzy decoupling energy efficiency optimization scheme was designed.Firstly, the i
6、nput, output and intermediate variable parameters were set.Then FNN model and decoupling rules were established, key parameters for affecting the energy efficiency were extracted and optimized.This method can find and evaluate the key factors which affects the energy efficiency quickly, thus achievi
7、ng stable and controllable energy efficiency optimization.Finally, the parameter disturbance self adjustment design was added, and fuzzy decoupling is adopted to adjust the parameter disturbance of the decoupling operation to improve the robustness of the system. Keyword： Cloud computing; Fuzzy deco
8、upling; Energy efficiency optimization; Membership degree; FNN model; Robustness; 云计算作为互联网资源配置的新模式, 实现了按需分配的服务模式1。云端的 强大数据处理能力为云计算用户解决了因资源不足而导致的运算性能低的问题。 鉴于云计算的服务模式, 云服务器端和云用户端一般都是一对多或者多对多模 式, 在连接多用户并与之通信时, 一方面需保证数据通信服务质量, 另一方面 又需考虑通信的能耗, 特别是当移动设备的潜在用户增加时, 移动端的能耗问 题成为了移动设备的短板, 因此解决云计算环境的能耗问题非常关键。 如何
9、保证 云计算的运算性能、 服务质量和能耗能够平衡发展, 是当前云计算环境亟需解决 的关键问题。 本文基于此问题展开研究, 提出了一种基于模糊解耦的能效优化算 法。在此之前, 部分学者在云计算能效研究方面已经取得了一些成绩2, 如文 献3通过预测资源, 提出了一种用于预测时期的高斯过程回归方法;文献4对 连接云服务端和云客户端的所有通信设备的能耗进行优化, 以尽量减少整个云 计算环境的能量消耗;文献5和文献6分别从云计算能效保护、云计算能效监 控和管理方面展开研究。上述研究在能效指标优化过程中都取得了一定的成果, 但是在能效指标参数提取方面的研究甚少, 从而导致在能效优化过程中对指标 参数做优化
10、无侧重点。 本文将工业领域常用的模糊解耦方法运用于能效参数的提 取, 对关键因素进行评估, 以实现稳定可控的能效优化。 1 参数的设定及变量的选择 解耦方法主要有两种:直接解耦法和间接解耦法7-8。 云计算环境中的解耦设计 主要是在系统响应时间、 系统吞吐量和系统能耗三者之间进行平衡设计, 这既是 解耦设计的目的, 也是解耦设计的总体原则。 作为降低复杂度的重要手段, 解耦 以分工控制代替全面控制, 从而实现更精确的控制。 云计算环境能效优化的参数设计主要涉及系统响应时间、 系统吞吐量和系统能耗 9-10。下文将对参数及变量进行详细设计。 设云计算环境服务器点有N个计算中心, 将其表示为Ci,
11、 第i个计算中心的处理 器在t 时刻的晶振频率和使用频率分别为 fi (t) 和i (t) , 处理器的功率为 pi (t) , 在一段时间 T 内处理器所处理的任务量 L (T) 和能耗E (T) 的计算公 式如下: 从式 (1) 和式 (2) 可以看出, 云计算环境任务吞吐量与计算中心处理器的晶 振频率和使用频率均有关, 晶振频率和使用频率越高, 处理器的处理能力越强; 而能耗与处理器的功率有关, 功率越大, 能耗越大。但仅靠晶振频率、使用频率和功率三者来评估云计算环境的能效稍显粗糙。 在实际云计算环境中, 处理器的 这些指标参数并非同数量级别, 而且不同类处理器的指标参数也存在差异。 为
12、了尽可能完整地评估云计算环境能效影响的参数, 对计算中心的所有处理器 多维指标进行有效提取和量化处理。设计算中心输入为 x=x1, x2, x3, 其中x1, x2, x3分别为处理器的晶振频率、 使用频率和功率;系统输出设定为y=y1, y2, y3, y1, y2和y3分别为系统的任务处理频率、任务执行时间和能耗。则传递函数为: 从式 (3) 得到云计算系统的传递函数, 由于 L (T) 和E (T) 均为连续函数, 因 此x和 y也为连续函数。 为了分析系统的动态特性, 这里需要通过采样过程来进 行离散化11, 在处理过程中引入 算子12, 并设置采样周期T。算子的 计算公式为: 其中,
13、 q 表示移位算子。 2 解耦方案的设计 在对传递函数进行离散化处理后建立 FNN模型, 然后对系统的高耦合数据进行 解耦操作, 目的是将不同计算中心的晶振频率、使用频率和功率进行连接处理。 模型建立的步骤如下: 第一步模糊解耦提取各个计算中心的输入分量13, 建立输入集合 x。 第二步对各数据分量集合的隶属度进行计算, 公式如下: 式 (5) 是整个集合的隶属度。单个数据分量的隶属度计算公式如式 (6) 所示 14-15: 其中, xi和i分别表示函数的中心和偏移幅度。 计算机中心总数的计算公式如式 (7) 所示: 第三步运用规则匹配计算规则匹配度, 匹配条件为: 匹配的规则是以隶属度和输入
14、点的距离大小为准则16, 当0.01时, 0。 第四步对匹配度进行归一化处理, 计算公式如下: 第五步根据匹配度计算输出, 计算公式如下: 其中, ij表示隶属度中心。 在得到单路信号的输出向量之后进行多路解耦设计, 在解耦过程中, FNN 对多路 解耦进行补偿。补偿方法是各路信号对相邻通道信号进行补偿17。具体的补偿 方法如下: 其中, u1, u2和u3的输入可以通过相邻信号来进行优化和控制。鉴于 u1, u2和u3 的连续性, 下文对其进行离散化处理。处理方法参照式 (10) , 处理结果如下: 3 模糊解耦的自调整设计 在解耦过程中, 鉴于环境扰动及参数变化引起解耦的不稳定性, 在设计
15、过程中 加入自适应调整结构来增加系统的鲁棒性。 参数变换和环境扰动造成了误差 e, 如何将 e降到最小是调整设计的关键。考虑 到调整的时效性, 还需引入误差变化率 , 调整策略主要依据e和 的大小。 当e和较大时, 选择较小的误差优化因子Ke和误差变化因子K, 并增大比例 因子K018, 目的是加大调整力度, 尽快减小误差;反之, 当e和较小时, 选 择较大的Ke和K, 减小K0, 使系统尽快达到稳定状态。 为了尽可能地优化调整, Ke, K和K0分别引入了修正因子 , 和 , 并在此 基础上建立自适应调整策略。 4 实例仿真 本文先对所设计的解耦模型进行仿真, 以验证本文算法是否能够达到系统
16、的解 耦要求并在规定的时间内完成解耦, 以及多路解耦过程中的补偿设计的性能;接 着基于云计算多用户的特点, 在轻量负载和大量负载的情况下分别进行仿真实 验, 通过解耦设计找出影响能效的关键因素, 并在输入端实现关键因素的重点 控制;最后验证本文解耦设计方案自适应调整设计的性能, 以及在参数扰动的情 况下是否能排除干扰从而实现自适应解耦。 4.1 解耦实验 为了验证本文算法的解耦效果, 采用Matlab 进行实例仿真, 仿真的输入数据采 用随机变量, 然后对变量进行 FNN构建并解耦, 解耦之后对得到的输出变量进 行离散化处理, 连续信号的采样频率为 200。为了验证解耦效果, 设定输入变量 为
17、单位阶跃信号, 分别对输入变量解耦前和解耦后 1s内的曲线进行仿真。为了 验证晶振频率、 使用频率和功率对解耦效果的影响, 将三者分别作为 3路输入变 化参数进行实例仿真, 当3路输入分别为x=1, 0, 0, x=0, 1, 0, x=0, 0, 1时, 对解耦前后的曲线进行仿真, 输出y=y1, y2, y3的仿真结果, 分别如图 1-图3 所示。 图1 x=1, 0, 0时的解耦曲线 下载原图 从图1 可以看出, 在解耦前 y1, y2, y3均有阶跃响应, 设定x=1, 0, 0后解耦 发现, 在经过1路信号分别对2路和3路信号进行解耦之后只有y1有阶跃响应, y2和y3波动之后很快收
18、敛于0, 说明解耦之后系统使用频率和功率的耦合性被消 除。 图2 x=0, 1, 0时的解耦曲线 下载原图 从图2 可以看出, 设定 x=0, 1, 0后解耦发现, 在经过2路信号分别对 1路和 3路进行解耦之后, 只有y2有阶跃响应, y1和y3收敛于0。 图3 x=0, 0, 1时的解耦曲线 下载原图 由图3 可以看出, 设定 x=0, 0, 1并解耦后发现, 只有y3有阶跃响应, y1和y2 收敛于0。 综合图1-图3可知, 在系统计算机中心个数达到 100时, y1, y2和y3均达到了稳 定状态, 经过解耦之后对多路信号的输出影响最大的是该路的输入参数, 因此 要对能效指标进行优化。
19、 可以根据实际需要对输入进行优化控制, 以便达到适合 系统的能效分配比。 4.2 任务量差异下的解耦能效指标的对比 上文已经对算法的解耦功能进行了实验仿真。本节将对解耦性能指标进行仿真。 鉴于云计算环境多用户的特点, 将对不同任务量的解耦性能指标进行比较。 将实验仿真任务量分别设置为 300和3000, 分别对解耦的响应时间、系统吞吐 速率和能耗进行指标对比, 仿真结果如图4-图6所示。 图4 任务量为 300 和3000时的响应时间 下载原图 图5 任务量为 300 和3000时的吞吐率 下载原图 图6 任务量为 300 和3000时的能耗 下载原图 从图4 可以看出, 当任务量差异较大时,
20、 响应时间的差异并不明显。当输入 xi (i18) 时, 两者的响应时间几乎一致;而当 i=18, 任务量为300时, 响应时间 大约为900ms;而当 i=18, 任务量为3000时, 响应时间大约为1100ms。随着i 的增加, 响应时间表现出一定的差异, 但差别不大。 从图5 可以看出, 随着收入个数和任务量的增加, 系统吞吐率受到的影响较小, 两者表现出的差异较小。 由图6可以看出, 随着输入个数i和任务量的增加, 系统能耗增加, 说明系统能 耗是影响解耦的关键参数, 需要在输入设计时重点加以考虑, 以尽可能平衡响 应时间、吞吐率和能耗三者之间的关系。在计算大数据量时, 可以考虑将并发
21、任 务量作为主要控制参数。 4.3 参数扰动的自适应调整实验 为了验证模糊解耦自调整设计的功能, 与4.1 节一样, 设定输入信号为阶跃响 应;为了验证参数扰动对解耦的影响, 一组作为参考输出 y2, 另外一组在系统输 入时直接加入e和 的参数扰动输出y1, 对两组参考输出进行仿真。 考虑到干扰加入的时间, 下文将分别对解耦前加入参数扰动和解耦中加入参数 扰动进行实例仿真。 4.3.1 解耦前加入参数扰动 在仿真中为了验证 e和分别对解耦性能的影响, 第一次仿真时设置较小的误 差、 较大的误差变化率, 第二次仿真时设置较大的误差, 并将误差变化率设置为 0, 对e, =0.1, 1和e, =1
22、, 0进行仿真的结果如图 7、图 8所示。 图7 e=0.1, =1 时的解耦对比 下载原图 图8 e=1, =0 时的解耦对比 下载原图 从图7和图8可以看出, 在解耦过程之初, y1和y2的差异较大, 但最后均达到了 稳定状态, 而且两者后期的拟合性好;在误差较小但误差变化较快时, 系统解耦 输出y1和y2达到稳定所需的时间较长, 而当误差较大但误差变化率为 0时, 两 者达到拟合的时间较短。但是不论 e和如何变化, 扰动输出和在系统中不加 入e和 的参考输出均能达到拟合, 说明解耦实现了参数扰动的自适应, 能够 解决参数扰动给解耦带来的影响。 4.3.2 解耦中加入参数扰动 在解耦的过程
23、中也可能存在参数扰动。 为了验证解耦过程中的参数扰动问题, 下 文对其进行实例仿真。在解耦开始 100ms时加入 e=0.1的参数扰动, 结果如图9 所示。 图9 e=0.1 时的解耦对比 下载原图 从图9可以看出, 在解耦过程中加入了干扰, 系统在100ms后出现轻微抖动但接 着恢复稳定, 最终两者拟合, 鲁棒性好, 自适应调整设计达到要求。 云计算通信 环境复杂, 网络方式多样, 用户端设备种类复杂, 这势必造成云计算环境存在 较多干扰, 因此在解耦设计过程中加入参数扰动非常有必要, 可以提高解耦的 环境适应性。 结束语为了适应多负载和多任务的云计算任务环境, 设计了一种模糊解耦能效 优化
24、方案。实验证明, 通过模糊解耦可以找出影响系统能效的关键因素。结合解 耦过程, 在系统输入时对关键因素加以控制, 目的是尽可能提高系统能效, 围 绕响应时间、吞吐率和能耗三者做好方案设计。在设计过程中为了提高系统的鲁 棒性, 在解耦过程中加入自适应调整设计, 对系统的外加干扰进行自适应, 以 达到更好的解耦效果。 云计算作为大数据运算的一种重要服务模式, 特别是对于 移动用户设备端的资源和能耗问题, 本文的研究在移动云计算环境的设计中具 有广泛的实用价值。 后续的研究将在晶振频率、 使用频率和功率三者的基础上增加输入参数, 如磁盘 读写速度、 内存访问效率等, 通过模糊解耦设计找出影响能效的主
25、要因素并加以 控制, 以提高能效优化效率。 再者, 应充分考虑云计算环境的复杂性, 加大对系 统稳定性的研究。 参考文献 1HAN K, CAI X B, RONG H, et al.Energy efficiency evaluation method in cloud computing environmentJ.Application of Computer Systems, 2016, 25 (7) :247-253. (in Chinese) 韩珂, 蔡小波, 容会, 等.云计算环境中能效评估 方法J.计算机系统应用, 2016, 25 (7) :247-253. 2SINGH S,
26、 SWAROOP A, KUMAR A, et al.A survey on techniques to achive energy efficiency in cloud computingCInternational Conference on Computing, Communication and Automation.IEEE, 2017. 4PRAHIBHA S, LATHA B, SUMATHI G.Improving energy efficiency of computing servers and communication fabric in cloud data cen
27、tersCSecond International Conference on Research in Computational Intelligence and Communication Networks.IEEE, 2017. 5LI Y S, LIANG J M.Energy conservation research based on mobile cloud computing architectureJ.Fire and Command Control, 2015, 40 (8) :150-154. (in Chinese) 黎远松, 梁金明.基于移动云计算架构下的能效保护研究
28、J.火 力与指挥控制, 2015, 40 (8) :150-154. 6LV Y X, TIAN L Q, SUN S S.Trusted evaluation and control analysis of user behavior based on FANP in cloud computingJ.Computer Science, 2013, 40 (1) :132-135. (in Chinese) 吕艳霞, 田立勤, 孙珊珊.云计算环境下基于 FANP的用户行为的可信评估与控制分析J.计算机科学, 2013, 40 (1) :132-135. 7HAMDY M, RAMADAN A
29、.Design of Smith Predictor and Fuzzy Decoupling for Mimo Chemical Processes with Time DelaysJ.Asian Journal of Control, 2016, 19 (1) :57-66. 8AZAZA M, ECHAIEB K, TADEO F, et al.Fuzzy Decoupling Control of Greenhouse ClimateJ.Arabian Journal for Science and Engineering, 2015, 40 (9) :2805-2812. 9LI B
30、, FAN X, ZHANG D, et al.Modeling and fuzzy sliding decoupling control of looper multivariable systemCChinese Control and Decision Conference.2016:2467-2472. 10ZHANG Y, LIU H B.Research and design of intelligent optimization system based on decoupling controlJ.Control Engineering, 2015, 2 (s1) :131-1
31、34. (in Chinese) 张云, 刘红波.基于解耦控制的智能优化系统的 研究与设计J.控制工程, 2015, 2 (s1) :131-134. 11CHEN W N, LIU G F, LIN X Y, et al.Decoupling control and simulation analysis of 2DOF planar parallel robotJ.Journal of Mechanical Engineering, 2015, 51 (13) :152-157. (in Chinese) 陈炜楠, 刘冠峰, 林协 源, 等.平面2自由度并联机器人的解耦控制和仿真分析J.机
32、械工程学报, 2015, 51 (13) :152-157. 12HAMDY M, RAMADAN A, ABOZALAM B.A novel inverted fuzzy decoupling scheme for MIMO systems with disturbance:a case study of binary distillation columnJ.Journal of Intelligent Manufacturing, 2016, 4 (6) :1-13. 13CHEN Y, LIU M, GUO D L, et al.Design of high precision con
33、trol system based on fuzzy adaptiveJ.PID Motor and Control Applications, 2016, 43 (2) :13-17. (in Chinese) 陈云, 刘妹, 郭栋梁, 等.基于模糊自适应 PID高精 度控制系统设计J.电机与控制应用, 2016, 43 (2) :13-17. 14LIU K M, WU X J.A fuzzy support vector machine based on the new membership functionJ.Computer Engineering, 2016, 42 (4) :15
34、5-159. (in Chinese) 刘开旻, 吴小俊.一种基于新隶属度函数的模糊支持向量机J.计算 机工程, 2016, 42 (4) :155-159. 16LIN G, ZUO W L, TAO P.Overlapping Community Detection and Dynamic Group Evolution Analysis Based on the Degree of Membership in Social NetworkJ.Acta Electronica Sinica, 2016, 44 (3) :587-594. 17LIU C, HE L J, ZHU G Y.S
35、olution of High Dimension Multiobjective Optimization Problem Based on Entropy and Membership FunctionJ.Computer Engineering, 2016, 42 (6) :185-190. (in Chinese) 刘 超, 贺利军, 朱光宇.基于熵和隶属度函数的高维多目标优化问题求解J.计算 机工程, 2016, 42 (6) :185-190. 18HE D K, GAO F X, YANG L, et al.Improved adaptive quasisliding model
36、decoupling control for a class of unknown MIMO nonlinear discrete-time systemsJ.Control and Decision, 2016, 31 (5) :783-789. (in Chinese) 何 大阔, 高飞雪, 杨乐, 等.一类未知MIMO非线性离散系统的改进自适应准滑模 解耦控制J.控制与决策, 2016, 31 (5) :783-789. 19WANG Y, LV Q F, WANG Q, et al.An Improved Sequential Minimal Optimization Algorithm on Support Vector MachineJ.Journal of Chongqing University of Technology (Natural Science) , 2013, 27 (3) :76-79. (in Chinese) 王越, 吕奇峰, 王泉.一种改进的支持向量机序列最小优化算法J. 重庆理工大学学报 (自然科学) , 2013, 27 (3) :76-79.
