服務(wù)延遲保障的混合綠色云數(shù)據(jù)中心成本最小化方法

黃曉冬，端木帥飛，畢 敬+，苑海濤

(1.海軍航空大學(xué)，山東 煙臺 264001；2.北京工業(yè)大學(xué) 信息學(xué)部軟件學(xué)院，北京 100124；3.北京航空航天大學(xué) 自動化科學(xué)與電氣工程學(xué)院，北京 100191)

0 引言

隨著云計(jì)算技術(shù)的快速發(fā)展，工業(yè)界已將云計(jì)算視為提升經(jīng)濟(jì)發(fā)展的新途徑[1-3]，云計(jì)算正在成為許多組織和數(shù)據(jù)中心的主導(dǎo)技術(shù)，這些組織和數(shù)據(jù)中心在很大程度上適應(yīng)了私有和混合云計(jì)算模式[4]。隨著基礎(chǔ)設(shè)施即服務(wù)(Infrastructure as a Service, IaaS)和軟件即服務(wù)(Software as a Service, SaaS)的不斷商業(yè)化，目前云計(jì)算服務(wù)的定價多采用按需付費(fèi)的定價策略[5]。與此同時，越來越多的互聯(lián)網(wǎng)公司將基礎(chǔ)設(shè)施和應(yīng)用程序放在云端執(zhí)行和訪問，用戶按需付費(fèi)。例如，IBM、微軟、谷歌和亞馬遜等互聯(lián)網(wǎng)企業(yè)已經(jīng)為用戶提供了不同的云服務(wù)[6]。而私有云服務(wù)提供商的目標(biāo)是以最低的成本按需為用戶提供服務(wù)，并保證服務(wù)質(zhì)量(Quality of Service, QoS)。因此，最小化私有云服務(wù)提供商的成本是一項(xiàng)極具挑戰(zhàn)的工作[7]。

在云+物聯(lián)網(wǎng)時代，云數(shù)據(jù)中心對能源需求的日益增長使能源儲備逐漸減少，能耗問題成為制約私有云提供商發(fā)展的關(guān)鍵[8]。云數(shù)據(jù)中心消耗能源的主要是服務(wù)器、存儲設(shè)備、網(wǎng)絡(luò)設(shè)備和冷卻IT負(fù)載所需的電力設(shè)備，其在運(yùn)行成本較高的同時排放出更多的二氧化碳[9]，由此引發(fā)云服務(wù)提供商的關(guān)注，嘗試開發(fā)和利用新綠色能源(如太陽能和風(fēng)能)成為降低云服務(wù)提供商成本的一個重要途徑[10]。

混合云中應(yīng)用復(fù)雜、類型多樣、任務(wù)量大，每個應(yīng)用通常有嚴(yán)格的服務(wù)延遲要求，使得私有云和公有云中的許多因素隨時間不斷變化[11]，如收益、電價、太陽能和風(fēng)能，以及公有云虛擬機(jī)或容器的運(yùn)行價格等，最小化任務(wù)的執(zhí)行成本非常困難。另外，由于現(xiàn)實(shí)場景中存在多個公有云數(shù)據(jù)中心，每個公有云的資源使用價格不同且所提供的虛擬機(jī)類型多樣，導(dǎo)致私有云的能耗成本很難準(zhǔn)確估算。綜上，在混合云中最小化任務(wù)的執(zhí)行成本并滿足其用戶的響應(yīng)時間約束，是一項(xiàng)非常艱巨的任務(wù)。本文提出基于成本最小化算法(Cost Minimization Algorithm, CMA)的任務(wù)調(diào)度方法，從而最小化私有云的總成本。進(jìn)一步，為了確保云數(shù)據(jù)中心任務(wù)的服務(wù)延遲要求，本文給出基于遺傳學(xué)習(xí)機(jī)制的混合粒子群優(yōu)化(Genetic Learning Particle Swarm Optimization, GLPSO)算法，該算法結(jié)合了粒子群優(yōu)化(Particle Swarm Optimization, PSO)算法和遺傳算法(Genetic Algorithm, GA)。PSO屬于群體智能的范疇，其中的社會學(xué)習(xí)機(jī)制有助于提高集體學(xué)習(xí)的效率，因此被廣泛應(yīng)用于尋找各種優(yōu)化問題的全局極小值[12]；GA是基于自然選擇和自然遺傳機(jī)制的隨機(jī)搜索技術(shù)，其中的搜索策略和遺傳算子使其具有強(qiáng)大的全局搜索能力[13]。因此，將PSO和GA結(jié)合有助于找到問題的最優(yōu)解，大幅降低私有云服務(wù)提供商的成本。

綜上所述，本文工作主要有3方面貢獻(xiàn)，具體如下：

(1)建立了一個混合云中的任務(wù)調(diào)度模型，該模型能夠嚴(yán)格滿足任務(wù)的服務(wù)延遲約束要求，并將任務(wù)智能地調(diào)度到私有云或公有云中執(zhí)行。

(2)給出了私有云服務(wù)提供商成本最小化問題的表達(dá)式，通過罰函數(shù)進(jìn)一步將其轉(zhuǎn)化為無約束的混合整數(shù)非線性規(guī)劃問題。

(3)提出GLPSO算法求解該問題，得到每個時間間隔的最終解，并根據(jù)每個解給出一種新的CMA，該算法在能耗上優(yōu)先使用綠色能源，相比常規(guī)優(yōu)化算法可以大幅降低私有云服務(wù)提供商的成本。

1 相關(guān)工作

1.1 數(shù)據(jù)中心資源分配

WANG等[14]基于蟻群算法提出負(fù)載均衡技術(shù)，通過檢測服務(wù)器負(fù)載實(shí)現(xiàn)了對數(shù)據(jù)中心的負(fù)載均衡操作；WANG等[15]針對IaaS提出一種智能的動態(tài)資源分配方法，使競價在每一輪拍賣中都具有合理性，從而確定供應(yīng)商和消費(fèi)者之間的交易關(guān)系，并提出一種基于反向傳播神經(jīng)網(wǎng)絡(luò)的價格預(yù)測算法和價格匹配算法的形成機(jī)制，可以將不誠實(shí)的參與者排除在云市場之外；CHEN[16]提出一種支持突發(fā)和緊急需求的云資源分配方法，能夠及時、優(yōu)化地分配各種資源，以應(yīng)對緊急的應(yīng)用資源需求，該方法重建了資源分配的新優(yōu)先級，能夠?yàn)榫o急的應(yīng)用請求分配更早的虛擬機(jī)資源；WU等[17]提出高效的準(zhǔn)入控制和資源調(diào)度算法，其目標(biāo)是允許分析即服務(wù)(Analysis as a Service, AaaS)提供商在服務(wù)等級協(xié)議保證下交付AaaS，以增加市場份額、聲譽(yù)和用戶滿意度，并提高其利潤。以上研究主要針對資源分配問題，并未考慮私有云服務(wù)提供商的成本最小化問題，本文則通過將任務(wù)智能調(diào)度到公有云中執(zhí)行，最小化私有云服務(wù)提供商的總成本。

1.2 數(shù)據(jù)中心綠色節(jié)能

YEGANEH等[18]針對不同的節(jié)能降耗因素，提出動態(tài)定價算法的容量規(guī)劃，解決了權(quán)衡操作成本和服務(wù)延遲的問題；FARAHNAKIAN等[19]提出一個分布式系統(tǒng)架構(gòu)來合并動態(tài)虛擬機(jī)，以減少云數(shù)據(jù)中心的能耗，同時保持所需的QoS，最后采用一種蟻群系統(tǒng)的在線優(yōu)化元啟發(fā)式算法解決虛擬機(jī)合并問題；CHIANG等[20]在性能保證范圍內(nèi)控制服務(wù)速率并優(yōu)化操作成本，同時考慮功耗、系統(tǒng)擁塞和服務(wù)器啟動成本，提出一種高效的綠色控制算法，用于解決不同節(jié)能策略下的系統(tǒng)約束優(yōu)化問題。然而，以上研究不能有效利用綠色能源降低能耗，本文設(shè)計(jì)的模型優(yōu)先使用綠色能源，綠色能源不足時才考慮使用電能，該模型在治理日益突出的環(huán)境污染問題方面具有重要的意義。

1.3 分布式數(shù)據(jù)中心能耗優(yōu)化

LI等[21]通過Lyapunov優(yōu)化框架設(shè)計(jì)了一個在線動態(tài)供應(yīng)算法，解決了現(xiàn)實(shí)世界中沒有公有云租賃價格的先驗(yàn)信息和用戶請求未來概率未知的問題；XU等[22]提出一種能源感知的資源分配方法——EnReal，同時結(jié)合部署在多個云計(jì)算平臺的應(yīng)用，提出一個能耗模型及其相應(yīng)的能量感知資源分配算法，用于虛擬機(jī)調(diào)度，從而在跨云平臺甚至云平臺內(nèi)部以能源感知的方式執(zhí)行科學(xué)的工作流；LUO等[23]利用電力價格的空間和時間變化最小化電力市場管制下分布式云數(shù)據(jù)中心的能源成本；YAO等[24]提出一種大規(guī)模地理分布式數(shù)據(jù)中心的作業(yè)調(diào)度和服務(wù)器管理的隨機(jī)優(yōu)化方法，在處理延遲容忍型工作負(fù)載時有效降低了能耗。然而以上研究沒有綜合考慮能量成本、綠色能源和虛擬機(jī)資源價格在時間上的多樣性，本文的任務(wù)調(diào)度方法考慮了私有云電價、綠色能源和公有云價格在時間上的多樣性，并嚴(yán)格滿足服務(wù)延遲要求，通過將所有到達(dá)的任務(wù)智能地調(diào)度到私有云和公有云中執(zhí)行來最小化私有云服務(wù)提供商的成本。

2 混合云中任務(wù)調(diào)度的體系結(jié)構(gòu)

數(shù)據(jù)中心提供商通常擁有私有云和執(zhí)行一些額外任務(wù)的公有云，當(dāng)私有云中資源有限或在公有云的虛擬機(jī)中執(zhí)行任務(wù)更經(jīng)濟(jì)時，會將一些任務(wù)調(diào)度到公有云中執(zhí)行。本文提出了混合云中的任務(wù)調(diào)度架構(gòu)，如圖1所示。該架構(gòu)由私有云和公有云兩部分組成。私有云中包含了大量的虛擬資源，如CPU、內(nèi)存和存儲等，用戶到達(dá)的任務(wù)首先依次加入一個先進(jìn)先出(First Come First Served, FCFS)隊(duì)列中，架構(gòu)的主要組件是任務(wù)調(diào)度器，F(xiàn)CFS隊(duì)列的所有信息(如到達(dá)任務(wù)數(shù)量)會發(fā)送給任務(wù)調(diào)度器。私有云獲得的電能主要有網(wǎng)格能量(h)、太陽能(s)和風(fēng)能(w)3種來源，任務(wù)調(diào)度器會定期收集電網(wǎng)的價格、風(fēng)速、太陽輻射強(qiáng)度和現(xiàn)場空氣密度，根據(jù)收集的信息調(diào)度組件執(zhí)行任務(wù)調(diào)度，其中CMA確保每個任務(wù)在服務(wù)延遲約束下定期調(diào)度任務(wù)到私有云或公有云中，并確定每個時間間隔內(nèi)分別在私有云和公有云中調(diào)度執(zhí)行的任務(wù)數(shù)量。

3 系統(tǒng)模型和構(gòu)造成本最小化問題

本文重點(diǎn)是延遲容忍類型應(yīng)用的任務(wù)，包括大規(guī)模數(shù)據(jù)分析、科學(xué)計(jì)算、圖像處理等任務(wù)。隨著部署在數(shù)據(jù)中心的計(jì)算機(jī)越來越多，越來越多的云數(shù)據(jù)中心支持多核計(jì)算并趨向于并行化，本文將每個任務(wù)分解為功能相當(dāng)?shù)男∪蝿?wù)，每個小任務(wù)都可以在一個時間間隔內(nèi)執(zhí)行完畢。另外，所有到達(dá)的任務(wù)都有嚴(yán)格的服務(wù)延遲約束(B)，即t時刻到達(dá)的任務(wù)必須在t～t+B時間間隔內(nèi)被調(diào)度執(zhí)行。為了有效構(gòu)造模型，本文給出以下假設(shè)：

(1)任意t時刻內(nèi)到達(dá)的任務(wù)數(shù)量已知。

(2)任務(wù)調(diào)度器組件可以收集到任意t時刻私有云的電價、公有云的執(zhí)行價格、太陽能和風(fēng)能的能量、帶寬費(fèi)用和任務(wù)的執(zhí)行時間等信息。

(3)公有云處理任務(wù)的能力是無限的，每個時間間隔內(nèi)任意任務(wù)都可以在公有云中被調(diào)度執(zhí)行。

3.1 綠色能源模型

(1)

(2)

具體參數(shù)設(shè)置如表1所示。

表1 綠色能源計(jì)算的相關(guān)參數(shù)

3.2 成本最小化問題

為了解模型的功能，現(xiàn)對成本最小化問題中資源、任務(wù)、約束等參數(shù)和決定變量進(jìn)行詳細(xì)描述，如表2和表3所示。

表2 問題參數(shù)

續(xù)表2

表3 決策變量參數(shù)

本文工作的最終目標(biāo)是最小化私有云提供商的成本，該目標(biāo)函數(shù)定義為P1，包括私有云和公有云成本兩部分，即

Cost=Costprivate+Costpublic。

(3)

式中：Costprivate為私有云的成本；Costpublic為公有云的成本。

在任意t時刻，到達(dá)的任務(wù)會先進(jìn)入一個FCFS隊(duì)列，然后通過任務(wù)調(diào)度器被分別調(diào)度到私有云或公有云中執(zhí)行。令Δt為t時刻累積到達(dá)的任務(wù)數(shù)量，Dt為t時刻累積調(diào)度的任務(wù)數(shù)量，即

(4)

私有云中從t～t+m時間內(nèi)的成本包括執(zhí)行任務(wù)消耗的能源成本和帶寬費(fèi)用兩部分，即

(5)

對于私有云中的能耗，私有云會首先使用綠色能源，以最大程度降低對環(huán)境的污染，當(dāng)綠色能源不足時，將使用電網(wǎng)的能量。

公有云中在t～t+m時間內(nèi)的成本包括虛擬機(jī)的執(zhí)行價格和耗費(fèi)的帶寬費(fèi)用兩部分，即

(6)

由式(3)、式(5)和式(6)概括最終的成本最小化問題P1如下：

(7)

dtmemt≤memCap；

(8)

(9)

(10)

φdt≤?；

(11)

(12)

(13)

(14)

(15)

(16)

(17)

(18)

(19)

(20)

(21)

(22)

式中：augCost和Penalty分別為新的增廣函數(shù)和懲罰函數(shù)；σ是一個比較大的整數(shù)，主要表現(xiàn)為對augCost和Penalty的影響。

對于P2問題，每個等式或不等式約束對應(yīng)的懲罰均被添加到原始目標(biāo)函數(shù)Cost，其中懲罰函數(shù)

(23)

4 求解算法

算法1CMA算法偽代碼。

1: 初始化λt(0≤t≤B)為0

2: 初始化Δ0和DB為0

3: t←B+1

4: while t≤Length do

5: 用GLPSO算法解決P2

7: Δt-B←Δt-B-1+λt-B

8: Dt←Dt-1+dt

9: for c←1 to C do

11::end for

12::t←t+1

13::end for

算法2GLPSO算法偽代碼。

1: 初始化每個粒子的位置和速度

2: dN←(2*C+1)*(B+1)

3: Position←zeros(numParticles,dN+1)

4: w←wmax-(wmax-wmin)/numIters*iterIndex

5: for i←1 to numParticles do

6: Position(i, dN+1)←augProfit(t, Position(i, 1∶dN, Δt-B, Dt))

7: end for

8: 計(jì)算Positionlocal和Positionglobal

9: While iterIndex≤numIters do

10:for i←1 to numParticles do

11: 通過GA的交叉(Positionlocal，Positionglobal)、變異、選擇得到精英粒子Exemplar(E(i, 1∶dN))

12: if f(E(i, 1∶dN))在sg代后停止更新

13:通過錦標(biāo)賽策略從20%粒子中選擇最好的粒子E(j, 1∶dN)

14: E(i, 1∶dN)=E(i,1∶dN)

15:end if

16: Velocity(i,:)=w*Velocity(i,:)+c*rand*(E(i,1∶dN)-Position(i,1∶dN))

17:更新粒子i

18:i=i+1

19:end for

20: w=wmax-(wmax-wmin)/totalIterations*iterationIndex

21:end while

求解P2問題通常采用典型的元啟發(fā)式算法，如PSO算法和GA，這些算法不需要優(yōu)化問題數(shù)學(xué)結(jié)構(gòu)的任何輔助信息，并具有魯棒性和易于實(shí)現(xiàn)等特點(diǎn)，然而作為仿生優(yōu)化領(lǐng)域兩個著名分支，兩種算法都有各自的優(yōu)缺點(diǎn)。典型GA由選擇、交叉和突變3個基本算子組成。選擇算子復(fù)制高質(zhì)量的染色體，以提高種群的平均適應(yīng)度值，也被稱為進(jìn)化；交叉和突變是生殖操作，能夠?yàn)檫M(jìn)化中的種群提供質(zhì)量更高的遺傳物質(zhì)；PSO算法不使用選擇運(yùn)算符，而是通過將粒子更新到歷史最佳位置來表示進(jìn)化，其中粒子的飛行軌跡與遺傳物質(zhì)的變化相對應(yīng)。

GA和PSO算法因機(jī)制不同導(dǎo)致性能存在差異。標(biāo)準(zhǔn)GA隨機(jī)選取兩條染色體，采用交叉操作交換染色體相同位置的基因，使染色體中的一些基因通過突變獲得隨機(jī)變異，因此GA的復(fù)制過程在一定程度上是全方位的。PSO算法是一種基于種群的優(yōu)化算法，具有實(shí)現(xiàn)簡單、收斂速度快等特點(diǎn)，在標(biāo)準(zhǔn)PSO算法中，粒子由粒子之前的最佳位置(pbests)和群體發(fā)現(xiàn)的全局最佳位置(gbest)引導(dǎo)，搜索比GA更有方向性。因此，本文期望GA具有比PSO算法更好的尋優(yōu)能力，PSO算法具有比GA更快的收斂速度。

為了進(jìn)一步提高PSO算法性能，本文提出GLPSO算法，如圖2所示。在GLPSO算法中，GA和PSO算法以級聯(lián)方式雜交，該算法的主循環(huán)由兩個級聯(lián)層組成，一個通過GA生成范例，一個按照標(biāo)準(zhǔn)的PSO算法進(jìn)行粒子更新。該方法使PSO算法中的粒子不再簡單地用gbest和pbests，而是用GA構(gòu)造的樣本來指導(dǎo)。因此，GA和PSO算法以一種高內(nèi)聚的方式進(jìn)行雜交，

在GLPSO算法中，通過學(xué)習(xí)GA構(gòu)建樣本，使粒子搜索更加多樣化，可以避免PSO算法過早收斂，而且由于GA選擇算子的作用，使幸存的樣本質(zhì)量較高，能夠?qū)αＷ舆M(jìn)行有效引導(dǎo)，從而提高PSO算法的搜索效率。反之，粒子的搜索經(jīng)驗(yàn)(pbests和gbest)將更優(yōu)秀的遺傳物質(zhì)傳播回GA，幫助GA復(fù)制改進(jìn)的樣本。因此，在該級聯(lián)結(jié)構(gòu)中，PSO算法與GA之間的相互作用效果明顯，而且在優(yōu)化過程中不斷迭代又進(jìn)一步增強(qiáng)了PSO算法與GA之間的相互作用。

5性能評估

5.1 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置

為了評估所提CMA的性能，本文采用真實(shí)云計(jì)算中心的負(fù)載，如圖3所示。圖中數(shù)據(jù)集為2011年5月某天的1 440 min內(nèi)，谷歌數(shù)據(jù)中心集群中3種類型任務(wù)到達(dá)的數(shù)量，其中采集時間間隔為5 min，共產(chǎn)生288個數(shù)據(jù)點(diǎn)。本文采用類型3的任務(wù)來評估所提算法的性能。

CMA的不同參數(shù)設(shè)置如下：

(3)GLPSO算法的迭代次數(shù)numIters=1 000，粒子數(shù)numParticles=100，wmax=0.95，wmin=0.4，c1=2，c2=2，c=1.496 18，pm=0.1，vmax=500。

5.2 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)假設(shè)公有云數(shù)據(jù)中心的處理能力是無限的，其中圖4、圖5分別為每個時間間隔內(nèi)私有云數(shù)據(jù)中心和公有云數(shù)據(jù)中心調(diào)度的任務(wù)數(shù)量。由圖5可知，每個時間間隔內(nèi)只有一個公有云數(shù)據(jù)中心在運(yùn)行使用，其他公有云數(shù)據(jù)中心接受的任務(wù)數(shù)量為0。每個時間間隔內(nèi)私有云提供商的成本和罰函數(shù)的懲罰值如圖6所示，可見罰函數(shù)的懲罰值在每個時間間隔內(nèi)接近于0。因此，本文提出的混合云任務(wù)調(diào)度在每個時間間隔內(nèi)都能找到有效的解決方案，而且能夠降低私有云服務(wù)提供商的成本。圖7所示為每個時間間隔內(nèi)的累積到達(dá)任務(wù)和累積調(diào)度任務(wù)，實(shí)驗(yàn)中設(shè)置服務(wù)延遲為3個時間間隔，可見到達(dá)的任務(wù)在服務(wù)延遲要求內(nèi)可以被有效地調(diào)度。因此，CMA可以滿足任務(wù)服務(wù)延遲的要求。

私有云和公有云的累積調(diào)度任務(wù)數(shù)量如圖8所示。可見，私有云中調(diào)度的任務(wù)數(shù)量遠(yuǎn)大于任意一個公有云調(diào)度的任務(wù)數(shù)量。私有云提供商總是以最經(jīng)濟(jì)的方式在其中或公有云中智能地調(diào)度到達(dá)的任務(wù)，以保證成本最小化。當(dāng)其將任務(wù)調(diào)度給公有云時，需要向公有云支付費(fèi)用，公有云提供商同樣會選擇成本最小的公有云來執(zhí)行到達(dá)的任務(wù)。每個到達(dá)的任務(wù)都盡可能在私有云中執(zhí)行，有兩種情況可能將任務(wù)調(diào)度到公有云中：①私有云的能力有限，不足以調(diào)度到達(dá)的任務(wù)；②公有云執(zhí)行任務(wù)的成本足夠低。

5.3 對比實(shí)驗(yàn)結(jié)果

為了驗(yàn)證算法的有效性，本文將所提GLPSO算法與兩種典型算法——模擬退火粒子群優(yōu)化(Simulated Annealing Particle Swarm Optimization, SAPSO)算法[10]和GA[11]進(jìn)行對比。其中，SAPSO算法適用于求解局部最優(yōu)解，算法中的每個粒子均基于模擬退火(Simulated Annealing, SA)算法中的Metropolis準(zhǔn)則來更新自己的位置。在每個迭代中，比較當(dāng)前解決方案和新生成解決方案的目標(biāo)函數(shù)值，改進(jìn)解被直接接受，同時接受一些較差的解，以擺脫局部最優(yōu)而獲得全局最優(yōu)。

圖9所示為GLPSO算法和兩種基線算法的成本對比。明顯可見，在大部分時間間隔內(nèi)，結(jié)合了PSO算法和GA的GLPSO算法在求成本最小化的問題上表現(xiàn)良好，在3種算法中成本最低。與SAPSO算法相比，GLPSO算法的成本在89%的時間間隔內(nèi)大于SAPSO算法，最大成本差達(dá)到231.4 $；與GA相比，GLPSO算法的成本在93%的時間間隔內(nèi)大于GA，最大成本差達(dá)到301 $。

圖10所示為GLPSO算法和兩種基線算法的平均演化曲線，取自第10個時間間隔，即t=10。與SAPSO相比，GLPSO算法雖然收斂速度較慢(經(jīng)歷100次迭代才找到收斂的最終解)，但是所產(chǎn)生的成本比SAPSO低79.51%，其能夠?qū)⑺接性铺峁┥痰某杀緶p少150 $。相比之下，GA表現(xiàn)最差，該算法在收斂過程中一直在震蕩，始終不能收斂到最優(yōu)解。

圖11和圖12所示分別為GLPSO算法和兩種基線算法的CPU與內(nèi)存利用率的對比?？芍?，GLPSO算法的CPU和內(nèi)存利用率比較穩(wěn)定，在0.35附近波動，而且在81%時間間隔內(nèi)高于SAPSO算法和GA。

6 結(jié)束語

越來越多的互聯(lián)網(wǎng)公司將應(yīng)用程序部署到云數(shù)據(jù)中心，任務(wù)的不斷增長顯著增加了私有云服務(wù)提供商的能耗成本，現(xiàn)階段的云數(shù)據(jù)中心普遍采用混合云方案處理到達(dá)的任務(wù)，然而混合云中的私有云電網(wǎng)價格、太陽輻射強(qiáng)度、風(fēng)速和公有云虛擬機(jī)執(zhí)行價格的變化對混合云中的任務(wù)調(diào)度帶來了挑戰(zhàn)。為了盡可能減少私有云服務(wù)提供商的成本并滿足任務(wù)的服務(wù)延遲約束，本文提出一個成本最小化模型來調(diào)度到達(dá)的任務(wù)，該模型可以根據(jù)私有云成本和公有云中多因素的時間變化特性，智能地將所有任務(wù)調(diào)度到私有云或公有云中執(zhí)行。CMA采用混合啟發(fā)式優(yōu)化算法——GLPSO算法最小化成本，該混合算法采用遺傳算子，即交叉、變異和選擇構(gòu)造樣本，其中交叉利用粒子的歷史信息，包括之前的最佳位置和群體的全局最佳位置產(chǎn)生高質(zhì)量的后代，變異則通過向后代注入多樣化信息來加強(qiáng)全局搜索。基于真實(shí)數(shù)據(jù)的仿真實(shí)驗(yàn)證明，所提算法在滿足服務(wù)延遲約束的同時，能夠顯著降低私有云服務(wù)提供商的運(yùn)營成本。未來擬將該模型應(yīng)用到實(shí)際的云數(shù)據(jù)中心，進(jìn)一步改進(jìn)和完善任務(wù)調(diào)度的性能與執(zhí)行效率。