1、书书书基于多目标遗传算法的动态负载均衡方案G21金G22杉G21李G22秋G21中国广核集团有限公司信息技术中心G22广东深圳G21 G22 G23 G24 G25 G22G23摘G22要G21针对大型G21异构网络的资源负载均衡问题展开研究G22首先通过数学建模在理论上对问题进行分析G23设计了满足端系统和网络性能多重约束的目标函数G24其次将模型转化为多目标最小生成树问题G23并设计了一种多目标遗传算法对问题进行处理G23进而提出了基于该算法的动态资源负载均衡方案G26 G27 G28 G29G22仿真实验结果显示G23通过选择适当的实验参数G23方案可在轻载节点与重载节点间进行有效的负载
2、均衡G24同时与其它动态负载均衡方案相比G23通过运行G26 G27 G28 G29G23系统的节点资源占用率和瓶颈节点数比率两项指标均表现出良好的性能G22关键词G21负载均衡G24多目标G24遗传算法G24分布式G24动态中图分类号G21G2A G2B G25 G2C G25 G2DG24 G2E文献标志码G21G2FG21 G22 G23G24G22 G24 G2DG25 G2C G2E G2CG25G30 G2DG31G32 G32 G33 G2DG22 G24 G24 G34 G35 G22 G25 G24 G36 G2DG37 G24 G22 G25 G2DG22 G37 G2DG
3、24 G22 G2EG24G25G26 G27 G28 G23G29 G2A G22 G27 G21 G2B G27 G2A G27 G26 G29G23 G26G2CG2D G29 G2E G26 G27 G2FG23 G22 G2B G27 G2D G2E G21 G22 G26G28 G30 G2AG31G23G32 G22 G2BG33G2E G29 G31G23 G34 G2EG2CG2E G26 G2E G31G23G29 G27 G2AG2CG22 G2FG23G31 G35 G28G38 G39 G3A G27 G3B G3C G33G22G3D G39 G3E G31 G3F
4、G21G40 G41 G33 G42 G41 G43 G44 G45 G39 G33 G45 G44 G43 G46 G3C G42G31 G44 G33 G2A G41 G47 G3B G33 G44 G48 G44 G49 G4AG22G40 G3B G31 G33 G3C G29 G41 G33 G41 G43 G3C G48 G3A G3F G47G48G41 G3C G43 G40 G44 G43 G4B G44 G43 G3C G42G31 G44 G33G22G27 G3B G41 G33 G4C G3B G41 G33 G21 G22 G23 G24 G25 G22G22G40
5、 G3B G31 G33 G3CG23G36 G2B G2DG31 G2F G27 G29 G31G24G2A G3B G41 G43 G41 G32 G44 G3F G43 G47 G41 G48 G44 G3C G4D G4E G3C G48 G3C G33 G47G31 G33 G49 G4B G43 G44 G4E G48 G41 G46 G44 G45 G42 G3B G41 G48 G3C G43 G49 G41G35 G32 G47 G3C G48 G41 G3C G33 G4D G3B G41 G42 G41 G43 G44 G49 G41 G33 G41 G44 G3F G3
6、2 G33 G41 G42 G4F G44 G43 G50 G31G32 G32 G42 G3F G4D G35G31G41 G4D G2D G51 G31G43 G32 G42G48 G4AG22G42 G3B G41 G4B G43 G44 G4E G48 G41 G46 G31G32 G46 G44 G4D G41 G48 G41 G4D G3C G33 G4D G3C G33 G3C G48 G4A G4C G41 G4D G42 G3B G41 G44 G43 G41 G42G31G47 G3C G48G48 G4AG22G3C G33 G4D G3C G33 G44 G4E G30
7、G41 G47 G42G31 G52 G41 G45 G3F G33 G47 G42G31 G44 G33 G4F G3B G31G47 G3B G32 G3C G42G31G32 G45G31G41 G32G42 G3B G41 G3B G44 G32 G42 G3C G33 G4D G33 G41 G42 G4F G44 G43 G50 G47 G44 G33 G32 G42 G43 G3CG31 G33 G42 G32G22G31G32 G4D G41 G32G31 G49 G33 G41 G4D G2D G27 G41 G47 G44 G33 G4D G48 G4AG22G3C G46
8、 G3F G48G42G31G35 G44 G4E G30G41 G47 G42G31 G52 G41 G46 G31 G33 G31 G46 G3F G46 G32 G4B G3C G33 G33 G31 G33 G49 G42 G43 G41 G41 G4B G43 G44 G4E G35G48 G41 G46 G4E G3C G32 G41 G4D G44 G33 G42 G3B G41 G46 G44 G4D G41 G48 G31G32 G43 G41 G32 G41 G3C G43 G47 G3B G41 G4DG22G3C G33 G4D G3C G46 G3F G48G42G3
9、1G35 G44 G4E G30G41 G47 G42G31 G52 G41 G49 G41 G33 G41 G42G31G47 G3C G48 G49 G44 G43G31G42 G3B G46 G31G32 G4D G41 G52 G31G32 G41 G4D G3C G47 G47 G44 G43 G4D G31 G33 G49 G48 G4A G2D G2F G42G48 G3C G32 G42G22G3C G4D G4A G33 G3C G46 G31G47 G48 G44 G3C G4D G4E G3C G48 G3C G33 G47G31 G33 G49 G32 G47 G41
10、G33 G3C G43G31 G44 G33 G3C G46 G41 G4D G26 G27 G28 G29 G31G32 G4B G43 G44 G4B G44 G32 G41 G4D G4E G3C G32 G41 G4D G44 G33 G42 G3B G41 G3C G48 G49 G44 G43G31G42 G3B G46 G2D G2A G3B G41 G32G31 G46 G3F G48 G3C G35G42G31 G44 G33 G43 G41 G32 G3F G48G42 G32 G32 G3B G44 G4F G42 G3B G3C G42 G42 G3B G41 G26
11、G27 G28 G29 G47 G3C G33 G4E G3C G48 G3C G33 G47 G41 G42 G3B G41 G48 G44 G3C G4D G41 G45G45 G41 G47 G42G31 G52 G41 G48 G4A G4E G41 G42 G4F G41 G41 G33 G42 G3B G41 G48G31 G49 G3B G42G35G48 G44 G3C G4D G33 G44 G4D G41 G32 G3C G33 G4D G42 G3B G41 G44 G35G52 G41 G43G48 G44 G3C G4D G44 G33 G41 G32 G4E G4A
12、 G32 G41 G48 G41 G47 G42G31 G33 G49 G42 G3B G41 G3C G4B G4B G43 G44 G4B G43G31G3C G42 G41 G4B G3C G43 G3C G46 G41 G42 G41 G43 G32 G2D G53 G41 G32G31 G4D G41 G32G22G4E G44 G42 G3B G42 G3B G41 G43 G41 G32 G44 G3F G43 G47 G41 G47 G44 G33 G32 G3F G46 G4B G42G31 G44 G33 G43 G3C G42 G41 G3C G33 G4DG42 G3B
13、 G41 G54 G3F G3C G33 G42G31G42 G4A G4B G43 G44 G4B G44 G43 G42G31 G44 G33 G44 G45 G42 G3B G41 G4E G44 G42G42G48 G41 G33 G41 G47 G50 G33 G44 G4D G41 G32 G4B G41 G43 G45 G44 G43 G46 G54 G3F G31G42 G41 G4F G41 G48G48 G47 G44 G46 G4B G3C G43 G41 G4D G4F G31G42 G3B G44 G42 G3B G41 G43 G4D G4A G33 G3C G46
14、 G31G47 G48 G44 G3C G4DG4E G3C G48 G3C G33 G47G31 G33 G49 G32 G47 G41 G33 G3C G43G31 G44 G2DG37 G2E G25 G38 G22 G2F G21 G2DG24G48 G44 G3C G4D G4E G3C G48 G3C G33 G47G31 G33 G49G26G46 G3F G48G42G31G35 G44 G4E G30G41 G47 G42G31 G52 G41G26G49 G41 G33 G41 G42G31G47 G3C G48 G49 G44 G43G31G42 G3B G46G26G4
15、D G31G32 G42 G43G31 G4E G3F G42 G41 G4DG26G4D G4A G33 G3C G46 G31G47G39 G22引言随着计算机和网络技术的快速发展G22并行计算与分布式计算变得越来越流行G27然而G22面对日益增长的系统访问量和日趋复杂的业务处理需求G22单纯依靠提高网络服务器的性能来解决效率问题显得性价比越来越低G28G22 G29G27构建分布式系统G2A采用有效的负载均衡方案成为提高系统资源利用率和并行计算性能的关键G28G37 G29G27其中G22如何实现对逻辑数据资源的有效负载均衡是研究的难点问题之一G27与此同时G22许多应用系统对计算资源的
16、需求难以预测G22并且其网络通信模式也无固定规律可循G28G25 G22 G55 G29G27研究表明G22动态负载均衡策略可以充分利用系统资源解决上述难题G28G21 G22G2E G29G27在现实世界的大规模网络环境中G22端系统G2A网络和数据的变化都会对系统性能产生显著影响G22而综合考虑节点资源耗费G2A链路延时状况和网络通信干扰等方面因素的算法尚未见到G21收稿日期G21G37 G24 G22 G25 G35 G24 G23 G35 G24 G55G26修回日期G21G37 G24 G22 G25 G35 G22 G24 G35 G37 G23通讯地址G21G21 G22 G23
17、 G24 G25 G22广东省深圳市福田区上步中路G22 G24 G24 G22号科技大厦G21 G2FG36 G21 G21 G2F G2E G2D G2DG24G21 G2F G27 G47G31G41 G33 G47 G41 G53 G3F G31G48 G4D G31 G33 G49G22G22 G24 G24 G22 G27 G3B G3C G33 G49 G4E G3F G28 G31 G4D G4D G48 G41 G56 G4DG22G27 G3B G41 G33 G4C G3B G41 G33 G21 G22 G23 G24 G25 G22G22G29 G3F G3C G33
18、 G49 G4D G44 G33 G49G22G2B G2D G56 G2DG40 G3B G31 G33 G3CG22 G40 G3A G55 G25 G35 G22 G37 G21 G23G25G2A G2BG39 G27 G27 G3A G22 G24 G24 G34 G35 G22 G25 G24 G36G22 G22 G22 G22计算机工程与科学G40 G44 G46 G4B G3F G42 G41 G43 G57 G33 G49 G31 G33 G41 G41 G43G31 G33 G49 G58 G27 G47G31G41 G33 G47 G41第G25 G21卷第G22 G3
19、7期G37 G24 G22 G25年G22 G37月G22G59 G44 G48G5A G25 G21G22G3A G44G5A G22 G37G22G26 G41 G47G5A G37 G24 G22 G25 G22文章编号G21G22 G24 G24 G34 G35 G22 G25 G24 G36G21G37 G24 G22 G25G23G22 G37 G35 G24 G22 G24 G37 G35 G24 G21全面报道和深入研究G27因此G22设计一种有效的资源负载均衡方案以实现分布式系统资源的优化配置G22无疑具有十分重要的理论价值及现实意义G27本文针对传统资源负载均衡方案的不足G
20、22设计了一种基于多目标遗传算法的分布式动态资源负载均衡方案G26 G27 G28 G29G21G26 G4A G33 G3C G46 G31G47 G48 G44 G3C G4D G4E G3C G48 G3C G33 G47G31 G33 G49 G27 G47 G41 G35G33 G3C G43G31 G44 G4E G3C G32 G41 G4D G44 G33 G28 G3F G48G42G31G35 G44 G4E G30G41 G47 G42G31 G52 G41 G29 G41 G33 G41 G42G31G47 G3C G48 G49 G44 G35G43G31G42 G3
21、B G46G23 G27通过运行该方案G22整个系统可进行实时的网络拓扑调整G22各网络节点对自身承载的分布式资源进行负载调优G22使网络总体耗费达到近似最小化G22从而构建高可靠G2A高效率G2A可伸缩的分布式系统G27G3A G22数学模型及问题描述G3A G3BG39 G22模型构建G26 G27 G28 G29以多目标最小生成树G28G34 G29为基础模型构建网络拓扑结构G27设G21 G22G21G23G22G24G23为一个二维平面内的完全图G22其中G22G23 G22G2BG25 G22G22G25 G37G22 G2C G22G25 G26G2D为G21的顶点集合G22表示
22、系统中的网络节点G26G24 G22G2BG27 G22G22G27 G37G22 G2C G22G27 G28G2D为G21的边集合G22表示网络节点之间的链路G26每条边G27 G29与G2A个权重相关联G22表示为G21 G29 G22G2BG22 G29 G22G22G22 G29 G37G22G2C G22G22 G29G2AG2D G22G29 G22 G22G22G37G22 G2C G22G28G27令G2B G22G21G2C G22G22G2C G37G22 G2C G22G2C G28G23表示G21的任一生成树G2D的链接状态G22G2EG21G2DG23表示图G21中
23、所有生成树的集合G22G2F G29G21G2BG23 G21G29 G22 G22G22G37G22 G2C G22G2AG23表示目标函数G22则多目标最小生成树问题可以表述如下G24G46 G31 G33 G2F G22G21G2BG23G22G23G28G29 G22 G22G22 G29 G22G2EG2C G29G46 G31 G33 G2F G37G21G2BG23G22G23G28G29 G22 G22G22 G29 G37G2EG2C G29G2FG46 G31 G33 G2FG2AG21G2BG23G22G23G28G29 G22 G22G22 G29G2AG2EG2CG2
24、4G25G26G29G21G22G23G32 G2DG42 G2DG2BG27G2EG21G2DG23G22 G22从实际应用的可行性出发G22同时也为了便于数学建模G22规定节点通信的单跳路由延时阈值为G30 G46 G3C G5BG27以节点G25 G29为例G22定义其局部覆盖域为图G21中以G25 G29为圆心G2AG30 G46 G3C G5B为半径的二维圆面G22记为G21 G29 G22G21G23 G29G22G24 G29G23 G22G21 G29内的任一生成树记为G2D G29G27G26 G27 G28 G29将整个网络分割为若干局部覆盖域G21 G29G22在每个G2
25、1 G29内按照多目标最小生成树的要求独立地构建局部网络拓扑G22最终使得全局网络拓扑结构达到近似最优化G27G3A G3BG3A G22目标函数为了构建高可靠G2A高效率G2A可伸缩的分布式系统G22需要综合考虑节点资源耗费G2A链路延时状况和网络通信干扰等限制条件G22使多个优化目标在取得极值的同时G22各种限制条件也获得合理折衷G27对于任一局部覆盖域G21 G29G22若G23 G29 G22G2BG25 G29 G22G22G25 G29 G37G22 G2C G22G25 G29G26G2D G22G24 G29 G22G2BG27 G29 G22G22G27 G29 G37G22
26、 G2C G22G27 G29 G28G2D G22G2B G29 G22G21G2C G29 G22G22G2C G29 G37G22 G2C G22G2C G29 G28G23 G22则按照式G21G22G23的形式G22G26 G27 G28 G29目标函数定义如下G24G46 G31 G33 G31 G22G21G2B G29G23G22G23G29 G28G32 G22 G29 G22G22 G32 G22G2EG2CG32G46 G31 G33 G31 G37G21G2B G29G23G22G23G29 G28G32 G22 G29 G22G22 G32 G37G2EG2CG32G
27、46 G31 G33 G31 G25G21G2B G29G23G22G23G29 G28G32 G22 G29 G22G22 G32 G25G2EG2CG32G46 G31 G33 G31 G55G21G2B G29G23G22G23G29 G28G32 G22 G29 G22G22 G32 G55G2EG2CG24G25G26G32G21G37G23G32 G2DG42 G2DG2B G29G27G2EG21G2D G29G23G22 G22对于链路G27G32而言G22G22 G32 G22 G22 G33 G27 G34G21G2CG32G23 G22表示其已用带宽G26G22 G32
28、G37 G22 G30G29 G28 G27G21G2CG32G23 G22表示此链路的通信延时G26G22 G32 G25 G22 G32 G27 G30G21G2CG32G23 G22表示该链路的网络延时抖动值G26G22 G32 G55 G22G35 G36 G37 G37G21G2CG32G23 G22表示链路的数据传输丢包率G27G3C G22多目标遗传算法的设计与分析G3C G3BG39 G22生成树编码本文采用二进制字符串对节点进行编码G27根据G40 G3C G4A G48 G41 G4A定理G22在一个包含G26个节点的完全图中共有G26G26 G38 G37棵树G22因而可
29、用G26 G38 G37个数的排列来唯一表示一棵树G22其中每个数都是G22到G26之间的整数G22这个排列称为G2B G43 G3F G45 G41 G43数G27这种编码方式能够唯一表示图中所有可能的生成树G22并且在任何交叉或变异操作之后G22仍然表示一棵树G27因此G22G26 G27 G28 G29采用G2B G43 G3F G45 G41 G43数来表示问题的所有可行解G27G3C G3BG3A G22适应度函数在处理多目标优化问题时G22需要进行多个目标之间的权衡与折衷G22而权衡与折衷的依据是决策者的偏好G22因此在求解时需要用数学的方法将这种偏好表示出来G27本文采用一种妥协
30、方法G22不直接正向地描述如何权衡最理想G22而是根据某种距离度量方式来确定与理想解最近的解G22即反向地讨论如何选择最不后悔G22故其数学描述相应地称为后悔函数G27该函数的表达形式按照G3DG39范数定义如下G24G3AG21G3BG22G39G23G22 G3B G38 G3BG28G39 G22G28G23G2AG32 G22 G22G31G32 G38G31G28G32G39G29G22 G25 G39G21G25G23G25G24G22金G22杉等G24基于多目标遗传算法的动态负载均衡方案其中G22G2A为目标个数G26G39为范数参数G26G31G32为第G32个目标的取值G26
31、G31G28G32表示第G32个目标的理想值G22其表达式为G31G28G32G22 G31G46 G31 G33G32G27参数G39代表对较大后悔值的关心程度G22其值越大则对较大后悔值的关心程度越高G27为使各目标的后悔值均能被兼顾G28G23 G29G22须先通过归一化方法将各后悔值化为同一量级G22使其均在G28G24G22G22G29取值G22再选择适当的参数G39G27据此G22将公式G21G37G23按照公式G21G25G23的形式定义后悔函数如下所示G24G3AG21G3BG23G22G3B G38 G3BG28G3B G46 G3C G5B G38 G3B G46 G31
32、G33G39G22G23G55G32 G22 G22G31G32 G38G31G28G32 G3C G23G31G46 G3C G5BG32 G38G31G46 G31 G33G32 G3C G23G28 G29G39 G22G25G39G21G55G23其中G22参数G23为G21G24G22G22G23的正实数G22除可以避免公式G21G55G23产生被G24除错误外G22还可以将选择方式调整到纯粹随机选择G27对于许多复杂问题来说G22寻找理想点比较困难G22因此将G3BG28转化为代理理想点G22以此来替代理想点G27代理理想点不是给定问题的理想点G22而是当前代中相应的理想点G27若
33、设G3D表示当前种群集G22则代理理想点的计算方式如下G24G3BG28G22G21G31G46 G31 G33G22G22G31G46 G31 G33G37G22G31G46 G31 G33G25G22G31G46 G31 G33G55G23G31G46 G31 G33G22G22 G46 G31 G33G2BG31 G22G21G2BG23G2BG27G3DG2DG31G46 G31 G33G37G22 G46 G31 G33G2BG31 G37G21G2BG23G2BG27G3DG2DG31G46 G31 G33G25G22 G46 G31 G33G2BG31 G25G21G2BG23G
34、2BG27G3DG2DG31G46 G31 G33G55G22 G46 G31 G33G2BG31 G55G21G2BG23G2BG27G3DG24G25G26 G2DG21G21G23显然G22G31G46 G31 G33G32G22 G46 G31 G33G2BG31G32G21G2BG23G29 G2B G27 G3DG22G32 G22 G22G22G37G22G25G22G55G2D G22G31G46 G3C G5BG32G22G46 G3C G5BG2BG31G32G21G2BG23G29 G2B G27 G3DG22G32 G22 G22G22G37G22G25G22G55G2
35、D G27对于最小化问题G22由于后悔值越小个体越好G22因此需要将后悔函数转化为适应度函数以确保优秀个体具有较大的适应值G27适应度函数的定义如下所示G24G27 G25 G3E G35G21G3BG21G2BG23 G23G22 G41 G5B G4BG3A G46 G3C G5B G38 G3AG21G3BG21G2BG23 G23G3AG21G3BG21G2BG23 G23G38 G3AG28 G29G46 G31 G33G21G2EG23其中G22G3A G46 G3C G5B和G3A G46 G31 G33分别表示当前代中的最大后悔值和最小后悔值G27G3C G3BG3C G22初
36、始化种群遗传算法从一组随机产生的初始解开始搜索过程G27按此方式G22G26 G27 G28 G29从群体中随机选取规模为偶数G37G29 G31 G27的个体群作为初始种群G22再按特定方式对个体进行配对G22组成遗传的父代G27G3C G3BG3D G22遗传算子选择算子建立在对个体适应度进行评价的基础上G22其主要目的是为了避免基因缺失G22同时提高全局收敛性和计算效率G27在求解最小生成树问题时G22研究者常采用轮盘赌方法来选择个体G27在G26 G27 G28 G29中G22通过调整参数G39和G23可实现适应度变换G22从而起到限制早期竞争G2A加速晚期竞争的目的G22因此G26
37、G27 G28 G29仅用轮盘赌选择即可避免未成熟收敛现象G27设G3D G29表示个体G29被选中的概率G22按照前文有关定义G22其表达式如下所示G24G3D G29 G22G27 G25 G3E G35G21G3BG21G2B G29G23 G23G23G37G29 G31 G27G29 G22 G22G27 G25 G3E G35G21G3BG21G2B G29G23 G23G21G34G23G22 G22 G26 G27 G28 G29采用单点交叉方式G22即产生一个随机的交叉点G22以交叉概率G3D G47将双亲交叉点右端的基因整体交换G22形成两个新的个体G27变异算子的目的是执
38、行局部随机搜索G27G26 G27 G28 G29采用交换变异G22以变异概率G3D G46将亲代的编码串随机选择两个位置进行对换后形成新子代G27G3C G3BG3E G22拓扑控制与负载均衡G26 G27 G28 G29将网络分割为若干局部覆盖域G21 G29G22每个G21 G29根据实际系统环境中的各项性能指标设置拓扑调整频率G22并独立地运行生成树构造算法G22通过G3F G3E G2C G34 G27 G26次迭代使局部网络迭代收敛于非劣解G2B G24G22进而使整个网络根据每一个局部G2B G24的结构逼近全局最优解G27G26 G27 G28 G29进行一次拓扑控制的伪代码如
39、下所示G24G22 G22 G5C G5D G39 G3D G57G21G25 G29 G27 G23G23 G2BG37 G22 G22 G31 G33 G31G42G21 G23 G26G25 G25参数和种群初始化G25 G22 G22 G45 G44 G43G21G40 G22 G22G26G40 G2A G22 G3F G3E G2C G34 G27 G26G26G40 G22 G40 G3C G22G23 G2BG55 G22 G22 G22 G27 G25 G3E G35 G41 G3E G30G27G21 G23 G26G25 G25计算适应度G21 G22 G22 G22 G
40、45 G44 G43G21G32 G22 G37G26G32 G2A G22 G37G29 G31 G27G26G32 G22 G32 G3C G37G23 G2BG2E G22 G22 G22 G22 G2F G22 G22 G37 G27 G35 G27 G42 G30G29 G36 G26G21 G23 G26G2F G37 G22 G37 G27 G35 G27 G42 G30G29 G36 G26G21 G23 G26G25 G25选择G34 G22 G22 G22 G22 G42 G3A G36 G37G37 G36 G25 G27 G3AG21G2F G22G22G2F G37G
41、23 G26G25 G25杂交G23 G22 G22 G22 G22 G28 G41 G30 G3E G30G29 G36 G26G21 G23 G26G25 G25变异G2C G22 G22 G22G2DG22 G24 G22 G22 G31G45G21G3B G46 G31 G33G21G2BG23G2A G3B G46 G31 G33G21G2B G24G23 G23G22 G22 G22 G22 G22 G2B G24 G22 G2BG26G25 G25G2B G24为非劣解G22 G37 G22 G22G2DG22 G25 G22G2DG26 G27 G28 G29采用基于事件与消息
42、驱动的方式执行负载均衡操作G28G2C G29G27假设所有负载均能够按照需要被合理地分割成独立的数据片G22并且在网络中实现平滑传输G27以节点G25 G29为例G22其局部覆盖域中的轻载节点组成轻载节点集G43G21G25 G29G23 G22当存在负载均衡需求或者其他特定事件发生时G22节点G25 G29向G43G21G25 G29G23发送均衡请求以触发相应操作G22G25 G29将自身的重载资源按照数据片的形式逐一向G43G21G25 G29G23中的随机元素迁移G27对于每一次迁移G22需要保证迁移后局部覆盖域内节点负载占用率方差比迁移前小G27为防止因方G55G24G22 G40
43、 G44 G46 G4B G3F G42 G41 G43 G57 G33 G49 G31 G33 G41 G41 G43G31 G33 G49 G58 G27 G47G31G41 G33 G47 G41 G22计算机工程与科学G22 G37 G24 G22 G25G22G25 G21G21G22 G37G23差在若干次计算中均未减小而导致的死循环G22算法设置了一个常数G44用于规定方差计算比较的上限次数G27在一次迁移完成后G22对于G43G21G25 G29G23中接纳了数据片的节点G22若其资源占用比例达到系统规定的上限G22则将其从G43G21G25 G29G23中移出G27当G43G
44、21G25 G29G23为空G22或者需要迁移的数据片数量为G24G22亦或者方差计算比较次数达到G44时G22负载迁移动作终止G27最后G22对于G25 G29的局部覆盖域G22所有节点需要刷新本地和网络资源使用信息G22为新一轮计算提供准确的参考值G27至此G22节点G25 G29的一次完整的负载均衡操作完成G27G3D G22仿真实验G3D G3BG39 G22实验设置为验证算法的执行效果和效率G22进行了仿真实验G27底层网络采用随机拓扑结构G22节点间的网络延时与它们之间的几何距离成正比G27节点的负载是其工作时所消耗的资源G22可以是计算能力G2A接入带宽G2AG39G25G5E能
45、力或存储空间等指标G22抑或是这些指标的综合G27本文将节点负载抽象为度的概念G22每个节点的度最大值在G22 G21到G37 G21之间随机分布G22度的初始使用值在G37到G2E之间随机分布G22其它实验参数如表G22所示G27G3F G27 G2B G2AG2E G39 G22 G40 G41 G42 G2E G2FG23 G28 G2E G26 G31 G27 G2A G42 G27 G2F G27 G28 G2E G31G2E G2F G2D表G39 G22实验参数参数值描述G30 G46 G3C G5B G37 G24节点单跳路由延时阈值G33 G27 G34G21G2C G32G
46、23 G28G22 G24 G24G22G37 G24 G24G29链路G27G32的已用带宽G30G29 G28 G27G21G2C G32G23 G28G21G22G21 G24G29链路G27G32的单播延时G32 G27 G30G21G2C G32G23 G28G22 G24G22G55 G24G29链路G27G32的网络延时抖动值G35 G36 G37 G37G21G2C G32G23 G28G21 G5FG22G22 G24 G5FG29链路G27G32的数据传输丢包率G39 G37后悔函数对较大后悔值的关心程度G23 G24 G45G55搜索随机性选择增强参数G3D G47 G2
47、4 G45G2E交叉概率G3D G46 G24 G45G24 G24 G25变异概率G37G29 G31 G27 G55种群规模G3F G3E G2C G34 G27 G26 G22 G24 G24遗传算法迭代次数G3D G3BG3A G22实验结果及讨论比较不同节点规模下G22G26 G27 G28 G29和G26 G3D G53 G28G28G2C G29对节点负载占用率方差和瓶颈节点数比例的影响G27单个局部覆盖域的节点负载占用率方差概念如前文所述G22整个网络的负载占用率方差取每个局部覆盖域方差的算术平均值G27为便于图示G22此处瓶颈节点数比例为资源占用率大于或等于G21 G24 G
48、5F的节点数在整个网络中所占的比例G27实验分为三步进行G24G21G22G23针对随机生成的网络拓扑运行拓扑控制算法优化拓扑结构G26G21G37G23使所有节点已使用的度随机增加G24到G22 G24之间的任一整数G22并判断自身的资源使用情况G22若占用率大于或等于G23 G24 G5FG22则将一半的使用度G21可向上取整G23向G43G21G25 G29G23中的节点迁移G26G21G25G23迁移动作完成后G22重新执行拓扑控制算法形成新的网络拓扑G27将上述G21G37G23 G2A G21G25G23两步重复三次G22作为一次完整的实验G27此处G22G43G21G25 G29
49、G23为资源占用率在G2E G24 G5F以下的节点集合G22G26 G3D G53 G28中的G24和G23设置为G24 G2DG34和G24 G2DG55G27如图G22和图G37所示G22节点资源占用率方差和瓶颈节点数比例总体保持较平稳变化G27随着网络节点数的增加G22两个值均呈下降趋势G22说明算法更适合于大规模网络的应用G27同时可以看到G22G26 G27 G28 G29相比G26 G3D G53 G28G22性能存在较明显优势G22说明综合考虑了链路带宽G2A通信延时G2A延时抖动和丢包率的方案可以获得更优的均衡效果G27对于图中的某些数据点G22其取值并不符合曲线的总体变化趋
50、势G22这主要是由于算法在构造局部覆盖域时产生的信息孤岛所致G27G51 G31 G49 G3F G43 G41 G22 G22 G3D G44 G3C G4D G44 G47 G47 G3F G4B G3C G33 G47 G4A G43 G3C G42G31 G44 G52 G32 G2D G33 G3F G46 G4E G41 G43 G44 G45 G33 G44 G4D G41 G32图G22 G22负载占用率方差随节点规模的变化G51 G31 G49 G3F G43 G41 G37 G22 G3A G3F G46 G4E G41 G43 G44 G45 G4E G44 G42G42
