周含笑1 刘源2 王建勋3 于雷4 谢雨5 刘京京6
哈尔滨航天恒星数据系统科技有限公司 哈尔滨 150028
摘 要 ：在时空平台相关的关键技术领域，其QoS保障尤为重要，是其提供优质服务能力的基础，尤其是混合指标约束的场景，如服务执行周期、服务能源成本、服务迁移消耗等。现考虑时空平台服务的混合指标约束的QoS保障，该文设计了基于混合指标约束的时空平台QoS保障调度方法，首先设计混合指标约束降维策略，降低计算难度，然后设计优化算子的遗传求解策略，进行第一阶段求解，最后设计局部更新蚁群求解策略，进行精确求解，得到最终结果。通过算例分析，得出比传统解决方案效果较好的结论。
关键词：混合指标，时空平台，调度，服务质量，分层计算
中图法分类号： TP391
引言
在时空平台提供服务的过程中，其QoS保障是关注的重点，特别是混合指标约束场景，如执行周期、服务能源成本、服务迁移消耗等。在复杂环境下，影响任务执行的因素多、资源分配难度大，因此针对时空平台混合指标约束的QoS保障调度优化，成为该领域技术重点[1]。以往方法流程繁琐，忽略问题场景扩展性，未互补优势[2]，所以需设计一种方便快捷、可扩展、优势联动的解决方案[3]。本文设计方法首先引入指标降维策略，优先进行指标降维与简化，然后依据改良算子后的遗传算法进行第1阶段模糊结果的求解，最后，将第1阶段模糊结果作为输入，根据蚁群算法进行最终求解，最后通过模拟算例验证和分析。
相关问题定义
设虚拟资源池X个，资源池V={V1,V2,…Vx}；待执行服务由Y个任务 M={M1,M2,…,My}； T种资源能力的资源集R={R1,R2,…,Rt}。资源Rk执行任务Mj所需运算能力R(Mj,Rk)；虚拟资源池Vi的限制为S(Vi,Rk)；完成任务Mj的服务能源成本约束指标为Fj，服务迁移消耗约束指标为Qj。虚拟资源池与服务的任务分配FU=M*V；权重系数montij关联执行周期，weightij关联服务能源成本，cientij关联被服务迁移消耗。服务执行的QoS目标为：服务执行周期Min(Omont)，服务能源成本Min(Oweight)以及服务迁移消耗Min(Ocient)。
关键策略设计
混合指标约束降维策略
由于指标权重各有所需，因此需具备场景适应性，为化繁为简、优化预处理，进行降维策略设计及分析，参考各指标特点并结合隶属度计算模式，构建模型表示。
（1）服务执行周期，需尽量减少且满足虚拟资源能耗的限制。其最小期望值表示为Emontmin，其最大期望值表示为Emontmax，虚拟资源池Vi完成任务Mj的执行时间期望值表示为Emontij，服务执行周期的指标约束可表示为：
.png)
（2）服务能源成本，保障预设时尽量减少。其最小期望值表示为Eweightmin，虚拟资源池Vi完成任务Mj的执行能源消耗期望值表示为Eweightij，服务能源成本的指标约束可表示为：
.png)
（3）服务迁移消耗，保障预设时尽量减少。其小期望值表示为Ecientmin，虚拟资源池Vi完成任务Mj的迁移消耗期望值表示为Ecientij，服务迁移消耗的指标约束可表示为：
.png)
优化算子遗传求解策略
（1）先求上代基因座和，取串长模；
（2）在模内用随机量覆盖上代基因座值；
（3）代入遗传算法迭代求解阶段结果。
局部更新蚁群求解策略
（1）将第1阶段的结果作初始输入；
（2）求各资源池状态标志得到信息增量；
（3）大概率加随机得到信息素映射；
（4）局部更新约束；
（5）用降维后的约束进行校正；
（6）循环迭代，得最终计算结果。
主要方法流程
基于混合指标约束的时空平台QoS保障调度方法，分为三个环节。预处理环节：采用混合指标约束降维策略，进行降维处理；第1计算环节：采用优化算子遗传求解策略，进行阶段结果求解；第2计算环节，采用局部更新蚁群求解策略，进行最终求解。
模拟算例实验
随机模拟时空平台计算场景以及相关指标，同时对执行的任务分为三组进行随机设置，任务量设置分别为20、50、100、150和200。设定迭代运算次数为300次，种群交叉率参数82%，种群变异参数为18%，种群规模为120。分别使用本文中所涉及的方法与传统的遗传求解方案进行对比试验研究，本文所设计方法的在兼顾服务执行周期、服务能源成本、服务迁移消耗这三项指标约束的效果上表现较佳。
结束语
本文综合考虑混合指标对时空平台QoS保障的影响，分析相关资源调度问题场景。设计了基于混合指标约束的时空平台QoS保障调度方法，首先根据混合指标约束的降维策略，对指标进行降维与简化处理，根据优化算子后的遗传算法进行模糊结果计算。最后，模糊结果作为输入，根据蚁群算法进行最终求解。所设计的方法，可适当问题求解难度，适应了问题场景的扩展性；设计的方法，综合时空平台环境下，服务执行周期、服务能源成本、服务迁移消耗这三项指标约束，通过对资源的合理优化调度，有效的利用调度手段保障了平台QoS服务质量；设计的方法，通过分阶段的计算策略，将遗传算法模式与蚁群算法模式进行了阶段性融合，避免两种算法短板的浮现、互补优势，在相关问题处理上将更加有效。
参考文献
[1] 张杰，白光伟，沙鑫磊，等．基于时空特征的移动网络流量预测模型[J]．计算机科学，2019(12)：108-113．
[2] 李前，杨文柱，陈向阳，等．基于紧耦合时空双流卷积神经网络的人体动作识别模型[J]．计算机应用，2020(11)：3178-3183．
[3] 毛昕怡，钮俊，丁雪儿，等．基于模型检测的微服务组合平台QoS验证[J]．计算机应用，2020(11)：3267-3272．