基于改進(jìn)遺傳算法的云計(jì)算任務(wù)調(diào)度算法

胡艷華,唐新來,2

(1.廣西科技大學(xué)鹿山學(xué)院 電氣與計(jì)算機(jī)工程系，廣西 柳州 545616；2.廣西科技大學(xué) 教務(wù)處，廣西 柳州 545616)

基于改進(jìn)遺傳算法的云計(jì)算任務(wù)調(diào)度算法

胡艷華1,唐新來1,2

(1.廣西科技大學(xué)鹿山學(xué)院 電氣與計(jì)算機(jī)工程系，廣西 柳州 545616；2.廣西科技大學(xué) 教務(wù)處，廣西 柳州 545616)

任務(wù)調(diào)度是云計(jì)算的核心問題。云計(jì)算中的任務(wù)調(diào)度算法要求在提高系統(tǒng)吞吐量和最大跨度的同時(shí)又要兼顧資源的安全與負(fù)載均衡問題。傳統(tǒng)遺傳算法因具有強(qiáng)大的并行空間搜索能力而在云計(jì)算中得到廣泛應(yīng)用，但其亦存在明顯不足，即隨著計(jì)算機(jī)規(guī)模的不斷擴(kuò)大，收斂性逐漸降低，存在易早熟等不足，限制了其調(diào)度性能。而Min-Min和Max-Min算法簡(jiǎn)單易行，且具有較好的時(shí)間跨度，可以較好地彌補(bǔ)傳統(tǒng)算法的不足。在傳統(tǒng)遺傳算法的基礎(chǔ)上，結(jié)合Min-Min和Max-Min算法，提出了一種新的云計(jì)算任務(wù)調(diào)度算法，在產(chǎn)生初始化種群時(shí)引入Min-Min和Max-Min算法，并選取任務(wù)完成時(shí)間和負(fù)載均衡作為雙適應(yīng)度函數(shù)，提高了初始化種群的質(zhì)量、算法搜索能力以及收斂速度。仿真結(jié)果表明，該算法優(yōu)于傳統(tǒng)遺傳算法，是一種有效的云計(jì)算任務(wù)調(diào)度算法。

云計(jì)算;遺傳算法;任務(wù)調(diào)度;Min-Min算法;Max-Min算法

0 引 言

作為一種新興技術(shù),云計(jì)算已成為當(dāng)今計(jì)算機(jī)領(lǐng)域的一個(gè)研究熱點(diǎn)。云計(jì)算是在分布式處理、并行處理和網(wǎng)格計(jì)算等技術(shù)的基礎(chǔ)上[1-2]，整合了虛擬化、效用計(jì)算、IaaS、PaaS及SaaS等諸多概念發(fā)展而來[3]。所謂的“云”實(shí)際上是一個(gè)龐大的網(wǎng)絡(luò)，該網(wǎng)絡(luò)將用戶請(qǐng)求拆分成若干個(gè)子任務(wù)，交由至一個(gè)龐大服務(wù)器群構(gòu)成的高效處理系統(tǒng)進(jìn)行搜索并分析計(jì)算，然后再返回至用戶。它所面向的用戶群數(shù)量是巨大的，需要高效地處理海量的任務(wù)，故如何進(jìn)行合理而高效的任務(wù)調(diào)度是云計(jì)算的重點(diǎn)與難點(diǎn)。

由于云計(jì)算環(huán)境中資源的動(dòng)態(tài)異構(gòu)性，大規(guī)模的任務(wù)調(diào)度要求在盡量提高系統(tǒng)的吞吐量和最優(yōu)跨度的同時(shí)也要考慮資源的安全與負(fù)載均衡等問題。目前應(yīng)用較多的云計(jì)算調(diào)度算法主要有經(jīng)典的遺傳算法、Min-Min、Max-Min、Suffrage及蟻群算法等。異構(gòu)環(huán)境下的資源調(diào)度是個(gè)NP問題，在求解NP問題時(shí)，遺傳算法能夠得到很好的解，其在異構(gòu)環(huán)境下任務(wù)調(diào)度方面的研究較多，與模擬退火、蟻群等算法相比，遺傳算法能夠得到更優(yōu)的解。但傳統(tǒng)的遺傳算法亦存在明顯的不足，即隨著計(jì)算規(guī)模的不斷擴(kuò)大，其收斂性逐漸降低[4]。Min-Min和Max-Min這兩種算法的優(yōu)點(diǎn)是比較簡(jiǎn)單且容易實(shí)現(xiàn)，同時(shí)具有較好的時(shí)間跨度。因此，文中在傳統(tǒng)遺傳算法的基礎(chǔ)上，結(jié)合Min-Min和Max-Min兩種算法的優(yōu)點(diǎn)，提出了將Min-Min算法與Max-Min算法和遺傳算法(Genetic Algorithm,GA)相結(jié)合的改進(jìn)遺傳算法(MMGA算法)。該算法主要對(duì)初始種群的生成進(jìn)行了改進(jìn)，并設(shè)計(jì)出了與傳統(tǒng)自適應(yīng)遺傳算法不同的選擇和交叉算子，從而提高了算法的搜索能力和收斂速度。在CloudSim平臺(tái)下[5]的仿真實(shí)驗(yàn)證明此算法明顯優(yōu)于傳統(tǒng)遺傳算法。

1 云環(huán)境中的任務(wù)調(diào)度問題描述

目前，云計(jì)算的編程模式大多采用Google提出的Map/Reduce模型[6]，其主要原理是將要執(zhí)行的問題分解成Map和Reduce，通過Map程序?qū)?shù)據(jù)分割成若干獨(dú)立區(qū)域，再將其調(diào)度給大量的計(jì)算機(jī)處理，實(shí)現(xiàn)并行計(jì)算，然后通過Reduce程序匯整計(jì)算結(jié)果，最后輸出用戶需要的結(jié)果。顯然，在此模型中，合理的任務(wù)調(diào)度至關(guān)重要。盡量縮短用戶的響應(yīng)時(shí)間，同時(shí)也要達(dá)到良好的資源動(dòng)態(tài)負(fù)載均衡，這是文中要考慮的重點(diǎn)問題。傳統(tǒng)GA算法雖然在異構(gòu)環(huán)境下有著較好的調(diào)度性能，但有其天生的缺點(diǎn)，即收斂速度緩慢、易早熟等；而Min-Min算法和Max-Min算法都較易實(shí)現(xiàn)，同時(shí)又具有較好的時(shí)間跨度、良好的調(diào)度性能。文中以經(jīng)典的遺傳算法為基礎(chǔ)，引入Min-Min及Max-Min算法，提出了一種改進(jìn)遺傳算法，并考慮了響應(yīng)時(shí)間和負(fù)載均衡問題，旨在建立一個(gè)更優(yōu)的分配調(diào)度策略。

文中將云計(jì)算中的資源(包括處理器、存儲(chǔ)器、網(wǎng)絡(luò)等)統(tǒng)一視為計(jì)算資源，同時(shí)假定任務(wù)的輸入是由若干較大任務(wù)分解成的一批子任務(wù)，子任務(wù)數(shù)量遠(yuǎn)遠(yuǎn)大于資源數(shù)量，各個(gè)子任務(wù)所需的計(jì)算時(shí)間已知，且各個(gè)子任務(wù)的運(yùn)行時(shí)間差異不大。假如用T表示大型任務(wù)的數(shù)量，N表示子任務(wù)的總數(shù)量，M表示計(jì)算資源的數(shù)量，并用M*N的ETC(ExpectTimetoComplete)矩陣來計(jì)算各個(gè)計(jì)算資源上任務(wù)隊(duì)列完成所需時(shí)間，其中ETC(i,j)表示第j個(gè)子任務(wù)在第i個(gè)計(jì)算資源上運(yùn)行完成所需的時(shí)間。至此，將云計(jì)算中的任務(wù)調(diào)度問題定義為如何合理地將子任務(wù)分配到各個(gè)計(jì)算資源，使得任務(wù)運(yùn)行完成所需的時(shí)間最短、負(fù)載均衡最小。

2 云環(huán)境中遺傳調(diào)度算法的改進(jìn)

GA是根據(jù)生物遺傳和進(jìn)化規(guī)律提出的一種用于復(fù)雜系統(tǒng)的自適應(yīng)概率優(yōu)化技術(shù)。由于GA具有全局解空間搜索及并行性等優(yōu)勢(shì)，該算法以及以該算法為基礎(chǔ)的諸多算法在云計(jì)算任務(wù)調(diào)度中得到了廣泛應(yīng)用[7]。文獻(xiàn)[8]提出了一種雙適應(yīng)度的遺傳算法(DFGA)，在考慮最小任務(wù)完成時(shí)間的同時(shí)，亦兼顧了子任務(wù)平均完成時(shí)間，然而該算法求解效率不高；另外，目前多數(shù)改進(jìn)遺傳算法尚未考慮資源的負(fù)載均衡情況[9-11]。

文中參照Map/Reduce模型[6]，結(jié)合已有云計(jì)算環(huán)境下的改進(jìn)遺傳算法[9,12]，同時(shí)考慮到任務(wù)完成時(shí)間和負(fù)載均衡，將Min-Min與Max-Min算法引入到傳統(tǒng)遺傳算法中，提出了一種改進(jìn)遺傳算法，以提高云計(jì)算環(huán)境下的任務(wù)調(diào)度效率。

2.1 染色體編碼與染色體解碼

染色體的編碼方式包括直接與間接編碼。文中考慮到大規(guī)模任務(wù)處理的特性以及云計(jì)算環(huán)境的動(dòng)態(tài)異構(gòu)性等特點(diǎn)，采用間接編碼的染色體編碼方式，即任務(wù)-資源映射模式，對(duì)每個(gè)子任務(wù)所占資源進(jìn)行編碼，每條染色體的總長(zhǎng)等于子任務(wù)的總數(shù)量，染色體中的每一位基因都為正整數(shù)，代表子任務(wù)編號(hào)，此位置上的值代表該子任務(wù)所占資源編號(hào)，如圖1所示。

圖1 任務(wù)-資源編碼

圖中，Ti表示任務(wù)編號(hào)；Rj表示任務(wù)Ti執(zhí)行時(shí)所占第j個(gè)資源編號(hào)。

若有10個(gè)子任務(wù)，3個(gè)可用資源，則染色體長(zhǎng)度為10，每個(gè)基因取值為1～3之間的隨機(jī)數(shù)，例如隨機(jī)產(chǎn)生以下的染色體編碼：

則此染色體代表第2個(gè)資源運(yùn)行第1個(gè)子任務(wù)，第3個(gè)資源運(yùn)行第2個(gè)子任務(wù)，以此類推。得到染色體后，還須解碼，以得到各個(gè)資源上子任務(wù)分布的情況。上述染色體可解碼為：

R1:{T5,T6,T9}

R2:{T1,T3,T7,T10}

R3:{T2,T4,T8}

通過解碼，求得每個(gè)計(jì)算資源上的子任務(wù)序列，然后通過ETC矩陣，計(jì)算出每個(gè)子任務(wù)序列所需的完成時(shí)間，進(jìn)而得到總?cè)蝿?wù)完成時(shí)間函數(shù)為：

(1)

其中，time(i,j)為被分配到計(jì)算資源Ri上第j個(gè)子任務(wù)執(zhí)行所用的時(shí)間；n為分配到該計(jì)算資源Ri上的子任務(wù)數(shù)量。

2.2 改進(jìn)的初始種群生成

初始種群在遺傳算法中具有極為重要的作用，其生成方式是首要解決的問題。初始種群的平均適應(yīng)度越高，較優(yōu)個(gè)體就能越快地引導(dǎo)種群向理想的方向發(fā)展而得到最優(yōu)解，從而使其迭代過程變短、收斂性提高。獲取一個(gè)具有高平均適應(yīng)度值的初始種群，是文中的研究重點(diǎn)之一。

圖2 改進(jìn)后的種群初始化

2.3 適應(yīng)度函數(shù)

在進(jìn)化搜索中，遺傳算法一般單純使用適應(yīng)度函數(shù)為依據(jù)，使用個(gè)體的適應(yīng)度值進(jìn)行搜索。所以適應(yīng)度函數(shù)的選擇至關(guān)重要，將直接影響到收斂速度以及最終能否找到最優(yōu)解[13]。最優(yōu)跨度，即使任務(wù)的總執(zhí)行時(shí)間(makespan)最小，是文中調(diào)度算法涉及的一個(gè)重要內(nèi)容。故文中選用任務(wù)的總執(zhí)行時(shí)間函數(shù)作為遺傳算法的適應(yīng)度函數(shù)之一：即

(2)

(3)

其中，uLB為文中定義的平衡任務(wù)負(fù)載因子，代表各個(gè)計(jì)算資源的利用率情況。uLB的值越大，表示計(jì)算資源的利用率越高，那么F1(x)的值就相對(duì)越小。

資源負(fù)載均衡問題是資源調(diào)度中要考慮的另外一個(gè)重要方面，它能大大提高資源的利用效率。在設(shè)計(jì)適應(yīng)度函數(shù)時(shí)也應(yīng)考慮到資源負(fù)載均衡問題。文中參考文獻(xiàn)[12]，采用染色體上資源節(jié)點(diǎn)任務(wù)分配數(shù)標(biāo)準(zhǔn)差來衡量資源負(fù)載均衡。種群初始化后，設(shè)種群大小為Scale，子任務(wù)總個(gè)數(shù)為N，計(jì)算資源數(shù)即worker的個(gè)數(shù)為M，則每個(gè)染色體的資源節(jié)點(diǎn)平均分配任務(wù)數(shù)AT=N/M。對(duì)于任一個(gè)染色體，基于資源節(jié)點(diǎn)任務(wù)分配數(shù)標(biāo)準(zhǔn)差的適應(yīng)度函數(shù)為：

(4)

其中，AT'(j,i)為第j個(gè)染色體第i個(gè)資源節(jié)點(diǎn)所分配到的任務(wù)數(shù)。

由于在選擇復(fù)制階段必須選擇任務(wù)標(biāo)準(zhǔn)差較小的染色體，因此設(shè)定基于任務(wù)分配數(shù)標(biāo)準(zhǔn)差的適應(yīng)度函數(shù)為：

設(shè)計(jì)咨詢企業(yè)在履行合同的過程中，相關(guān)輔助人員及部分管理人員的投入，應(yīng)盡可能的增加當(dāng)?shù)赜霉け壤Ｒ环矫?，可滿足當(dāng)?shù)匾泼窈炞C管理部門要求。另一方面，可使得中方員工盡快融入當(dāng)?shù)匚幕h(huán)境，為設(shè)計(jì)咨詢服務(wù)的本土化帶來優(yōu)勢(shì)。最重要的是，適用當(dāng)?shù)貑T工，可最大化的節(jié)約合同成本，雇傭當(dāng)?shù)貑T工節(jié)約工作簽證辦理費(fèi)用的同時(shí)，增大了境外可列賬成本范圍，減少了當(dāng)?shù)厣绫Ｅc中國(guó)社保重復(fù)繳納的損失。

(5)

2.4 遺傳操作

2.4.1 選擇操作

選擇操作是指根據(jù)“優(yōu)勝劣汰”的法則，在種群中不斷選取適應(yīng)度較強(qiáng)的個(gè)體，逐漸用以產(chǎn)生新種群的過程。個(gè)體的適應(yīng)度越高，被篩選到下一代的概率就越大；反之亦然。如此反復(fù)，得到種群中個(gè)體的適應(yīng)度值的最優(yōu)解。

假設(shè)文中算法的種群大小為Scale，首先選擇父代中的最優(yōu)個(gè)體和Min-Min算法、Max-Min算法產(chǎn)生的個(gè)體，以保留較優(yōu)個(gè)體，其他的Scale-3個(gè)體則采用輪盤賭方式作為選擇操作算子，通過式(2)、(5)得出個(gè)體選擇概率為：

(6)

(7)

選擇下一代個(gè)體時(shí)，先以c1和c2的概率分別選擇P1和P2(其中0

2.4.2 交叉與變異操作

普通自適應(yīng)算法中，當(dāng)個(gè)體適應(yīng)度值趨向最大適應(yīng)度值時(shí)，交叉概率與變異概率減小。這對(duì)于種群進(jìn)化后期較為有利，但不利于初期進(jìn)化，因其能增加進(jìn)化走向局部最優(yōu)的幾率。因此，需要做進(jìn)一步修改，修改后的公式為：

(8)

(9)

當(dāng)f'=fmax時(shí),Pc=Pc2>0;當(dāng)f=fmax時(shí),Pm=Pm2>0。

這樣，種群中的較優(yōu)個(gè)體之間擁有更高的交叉與變異概率。同時(shí)采用最優(yōu)保存策略，將每一代的最優(yōu)個(gè)體直接復(fù)制到下一代中而保證其不被破壞。上述公式中，一般取Pc1=0.9;Pc2=0.6;Pm1=0.1;Pm2=0.001。

3 算法仿真結(jié)果與分析

文中采用云仿真器CloudSim[5]對(duì)上述提出的MMGA進(jìn)行驗(yàn)證和分析。

同時(shí)，在相同的環(huán)境條件下，對(duì)GA和MMGA進(jìn)行了比較實(shí)驗(yàn)，主要參數(shù)如表1所示。

算法初始條件：Scale取值為100，M取值為5～50，N取值為1 000～5 000。

算法終止條件：文中設(shè)最大進(jìn)化代數(shù)為200，當(dāng)算法連續(xù)50代沒有找到更好的解，認(rèn)定算法為基本收斂，將終止算法。

(1)若取M=20，N取1 000～5 000，實(shí)驗(yàn)過程中多次跟蹤記錄任務(wù)的完成時(shí)間，結(jié)果如圖3所示。

表1 實(shí)驗(yàn)參數(shù)設(shè)置

圖3 任務(wù)的完成時(shí)間曲線(時(shí)間單位：104 ms)

由圖3可以看出，與GA相比，MMGA的任務(wù)完成時(shí)間明顯較短。

(2)若N=4 000，M=20，考察算法的收斂迭代情況，如圖4所示。

圖4 算法的收斂結(jié)果比較(時(shí)間單位：104 ms)

由圖4可知，在算法進(jìn)化初期，GA和MMGA得出的任務(wù)完成時(shí)間相差不大，但MMGA算法在初始化種群產(chǎn)生時(shí)引入Min-Min算法和Max-Min算法，較好地提高了初始化種群的質(zhì)量，使收斂速度加快，縮短了尋找最優(yōu)解時(shí)間，MMGA在140次就開始收斂；隨著進(jìn)一步的進(jìn)化，在GA初始階段出現(xiàn)的超常個(gè)體誤導(dǎo)了種群的進(jìn)化方向，因而陷入了局部收斂，而MMGA隨著進(jìn)一步進(jìn)化，同任務(wù)完成時(shí)間明顯低于GA，得到的最優(yōu)解更好。

(3)若N=5 000，將任務(wù)分配到M=5個(gè)資源節(jié)點(diǎn)(R1,R2,R3,R4,R5)上，若其處理能力為(120,200,150,340,500)MFLOPS，實(shí)驗(yàn)過程中分別記錄5個(gè)資源節(jié)點(diǎn)上的資源負(fù)載情況，其結(jié)果如圖5所示。

圖5 多任務(wù)情況下節(jié)點(diǎn)的資源負(fù)載情況

由圖5可知，在任務(wù)量大、資源節(jié)點(diǎn)運(yùn)算能力差異較大的情況下，MMGA的資源負(fù)載均衡程度明顯好于GA。

綜上所述，文中提出的MMGA比GA收斂速度更快，且可以使得任務(wù)執(zhí)行時(shí)間較短，資源負(fù)載較均衡，能較好地應(yīng)用在云計(jì)算資源環(huán)境中。

4 結(jié)束語

文中在充分考慮大規(guī)模任務(wù)處理特性和云計(jì)算環(huán)境動(dòng)態(tài)異構(gòu)性的基礎(chǔ)上，提出了一種基于傳統(tǒng)遺傳算法的改進(jìn)任務(wù)調(diào)度算法-MMGA。該算法既可以保證種群具有較高的平均適應(yīng)度，又可以維護(hù)種群個(gè)體的多樣性；同時(shí)，算法中采用任務(wù)執(zhí)行時(shí)間和負(fù)載均衡作為雙適應(yīng)度函數(shù)，使得在提高收斂速度的同時(shí)，兼顧資源均衡。仿真結(jié)果表明，該改進(jìn)算法收斂性能較好、資源負(fù)載較均衡，具有良好的效率，能更有效地解決云計(jì)算環(huán)境下的任務(wù)調(diào)度問題。

[1]ChienA,CalderB,ElbertS,etal.Entropia:architectureandperformanceofanenterprisedesktopgridsystem[J].JournalofParallelandDistributedComputing, 2003, 63(5): 597-610.

[2]KimJS,NamB,MarshM,etal.Creatingarobustdesktopgridusingpeer-to-peerservices[EB/OL].[2009-10-16].ftp://ftp.cs.umd.edu/pub/hpsl/papers/papers-pdf/ngs07.pdf.

[3]ArmbrustM,FoxA,GriffithR,etal.Aviewofcloudcomputing[J].CommunicationsoftheACM,2009,53(4):50-58.

[4]CarreteroJ,XhafaF.Usegeneticalgorithmsforschedulingjobsinlargescalegridapplications[J].TechnologiesandEconomicDevelopmentofEconomy,2006,12(1):11-17.

[5]BuyyaR,RanjanR,CalheirosRN.ModelingandsimulationofscalablecloudcomputingenvironmentsandtheCloudSimToolkit:challengesandopportunities[C]//Proceedingsoftheseventhhighperformancecomputingandsimulationconference.NewYork,USA:IEEEPress,2009:21-24.

[6]DeanJ,GhemawatS.MapReduce:simplifieddataprocessingonlargeclusters[C]//Proceedingsofthe6thsymposiumonoperatingsystemdesignandimplementation.NewYork:ACM,2004:137-150.

[7] 王小平,曹立明.遺傳算法[M].西安:西安交通大學(xué)出版社,2002.

[8] 李建鋒,彭 艦.云計(jì)算環(huán)境下基于改進(jìn)遺傳算法的任務(wù)調(diào)度算法[J].計(jì)算機(jī)應(yīng)用,2011,31(1):184-186.

[9] 朱宗斌,杜中軍.基于改進(jìn)GA的云計(jì)算任務(wù)調(diào)度算法[J].計(jì)算機(jī)工程與應(yīng)用,2013,49(5):77-80.

[10] 葉春曉,陸 杰.基于改進(jìn)遺傳算法的網(wǎng)格任務(wù)調(diào)度研究[J].計(jì)算機(jī)科學(xué),2010,37(7):233-235.

[11] 王春蓮.基于改進(jìn)遺傳算法的網(wǎng)格任務(wù)調(diào)度算法[D].濟(jì)南:山東大學(xué),2009.

[12] 劉 愉,趙志文,李小蘭,等.云計(jì)算環(huán)境中優(yōu)化遺傳算法的資源調(diào)度策略[J].北京師范大學(xué)學(xué)報(bào):自然科學(xué)版,2012,48(4):378-384.

[13] 段衛(wèi)軍,付學(xué)良,王 芳,等.云計(jì)算環(huán)境下融合遺傳算法和蟻群算法QoS約束任務(wù)調(diào)度[J].計(jì)算機(jī)應(yīng)用,2014,34(S2):66-69.

[14] 鄒偉明,于 炯.云計(jì)算環(huán)境下基于用戶滿意度的遺傳算法[J].計(jì)算機(jī)應(yīng)用研究,2014,31(1):85-88.

A Task Scheduling Algorithm Based on Improved Genetic Algorithm in Cloud Computing Environment

HU Yan-hua1，TANG Xin-lai1,2

(1.Department of Electrical and Computer Engineering,Lushan College of Guangxi University of Science and Technology,Liuzhou 545616,China; 2.Office of Academic Affairs,Guangxi University of Science and Technology,Liuzhou 545616,China)

Task scheduling mechanism is one of the core issues in cloud computing.The task scheduling algorithm in cloud computing requires improvement of the system throughput and the largest span while considering resources security and load balancing problems.As a classical task scheduling algorithm with powerful and implicit parallel space search capability,genetic algorithm is widely used in cloud computing.However,it has many deficiencies,such as slow convergence and premature with the increasing calculation scale.Min-Min algorithm and Max-Min algorithm are simple and practicable with better makespan,which can well make up the deficiencies of traditional genetic algorithm.On this basis,an improved algorithm is put forward,which introduces Min-Min algorithm and Max-Min algorithm in the process of population initialization,and uses the minimizing makespan and the load balancing of resource as double-fitness function meanwhile.The simulation shows that this algorithm can elevate the quality of initial population,the search capability and the convergence rate,which is more efficient.

cloud computing;genetic algorithm;task scheduling;Min-Min algorithm;Max-Min algorithm

2015-12-22

2016-04-12

時(shí)間：2016-09-19

廣西壯族自治區(qū)自然科學(xué)基金項(xiàng)目(2013GXNSFAA019347);廣西科技大學(xué)鹿山學(xué)院科學(xué)基金項(xiàng)目(2015LSKY05)

胡艷華(1980-)，女，碩士研究生，講師，研究方向?yàn)樵朴?jì)算和計(jì)算機(jī)網(wǎng)絡(luò)；唐新來，博士，教授，研究方向?yàn)樵朴?jì)算。

http://www.cnki.net/kcms/detail/61.1450.TP.20160919.0839.010.html

TP393

A

1673-629X(2016)10-0137-05

10.3969/j.issn.1673-629X.2016.10.030