基于CloudSim的分類負(fù)載均衡調(diào)度模型

，，

(中國電子科技集團(tuán)公司 第五十四研究所，石家莊 050081)

0 引言

負(fù)載均衡技術(shù)是集群工作的關(guān)鍵技術(shù)，負(fù)載均衡算法是影響集群效率的決定性因素， 因此研究并提出一個(gè)性能良好的負(fù)載均衡調(diào)度算法對提高集群工作具有重要意義。

對于軟件負(fù)載均衡調(diào)度技術(shù)，研究學(xué)者一般重點(diǎn)解決節(jié)點(diǎn)數(shù)據(jù)傾斜問題以及數(shù)據(jù)分類問題[1-3]，采用改進(jìn)算法對資源進(jìn)行分類以實(shí)現(xiàn)“合適的資源服務(wù)于合適的任務(wù)”這一原則[4-5]，通過反饋機(jī)制實(shí)現(xiàn)負(fù)載的實(shí)時(shí)監(jiān)測以更精確表示節(jié)點(diǎn)負(fù)載情況[6-7]。

本論文將節(jié)點(diǎn)負(fù)載的研究和資源分配的研究結(jié)合起來，通過區(qū)分不同的任務(wù)請求，使得同一類型的請求分派到同一類型的服務(wù)器節(jié)點(diǎn)上處理，以此實(shí)現(xiàn)資源分配最優(yōu)，效率最大化實(shí)現(xiàn)，系統(tǒng)也達(dá)到更好的均衡效果。

1 分類負(fù)載均衡模型

根據(jù)集群任務(wù)調(diào)度的過程，本文抽象出一種負(fù)載均衡模型，即分類負(fù)載均衡調(diào)度模型(CLBM)。該模型共分為三層：應(yīng)用層、任務(wù)層和資源層。應(yīng)用層由獲取數(shù)據(jù)模塊構(gòu)成，包括提交請求和用戶登錄；任務(wù)層由請求分類模塊和任務(wù)調(diào)度模塊構(gòu)成，請求分類模塊包括接受用戶請求和算法分類，任務(wù)調(diào)度模塊包括任務(wù)指派和任務(wù)調(diào)度；資源層由資源分類模塊和返回模塊構(gòu)成，資源分類模塊包括服務(wù)器預(yù)分類(降維)和模糊關(guān)聯(lián)聚類，返回模塊包括服務(wù)器處理請求和返回用戶請求。該模型各模塊具體功能如下。

獲取數(shù)據(jù)模塊：該模塊主要功能是統(tǒng)計(jì)提交的用戶請求。用戶登錄系統(tǒng)并提交請求，用戶提交的請求就作為下一步分類的數(shù)據(jù)來源。

請求分類模塊：該模塊的主要功能是請求任務(wù)的分類。服務(wù)器間隔固定的時(shí)間統(tǒng)一接收用戶請求，分析任務(wù)請求的屬性特征，構(gòu)建指標(biāo)體系，根據(jù)請求分類算法對請求分類。

任務(wù)調(diào)度模塊：該模塊的主要功能是請求任務(wù)的調(diào)度。將分好類別的任務(wù)請求分派到對應(yīng)類別的任務(wù)指派器上，然后順序選擇服務(wù)器對任務(wù)請求進(jìn)行任務(wù)調(diào)度。

資源分類模塊：該模塊主要功能是對服務(wù)器進(jìn)行兩次分類。首先，對服務(wù)器功能特性對服務(wù)器進(jìn)行預(yù)分類，以減少冗余，降低后續(xù)工作的復(fù)雜度；然后根據(jù)服務(wù)器特征參數(shù)對其進(jìn)行模糊關(guān)聯(lián)聚類，使得服務(wù)器具有清晰的劃分。

返回模塊：該模塊主要功能是處理請求任務(wù)。首先屬于某一類別的服務(wù)器處理對應(yīng)類別的任務(wù)請求，并將處理結(jié)果反饋給用戶。

因此，在該模型下，負(fù)載均衡調(diào)度的全過程如下：首先登錄系統(tǒng)并提交請求，作為下一步分類的數(shù)據(jù)來源；服務(wù)器間隔固定的時(shí)間統(tǒng)一接收用戶請求，分析任務(wù)請求的屬性特征，構(gòu)建指標(biāo)體系，根據(jù)請求分類算法對請求分類；將分好類別的任務(wù)請求分派到對應(yīng)類別的任務(wù)指派器上，使得訪問同一類型的請求對應(yīng)相應(yīng)類型的服務(wù)器，然后順序選擇服務(wù)器對任務(wù)請求進(jìn)行任務(wù)調(diào)度；最后，屬于某一類別的服務(wù)器處理對應(yīng)類別的任務(wù)請求，并將處理結(jié)果反饋給用戶。分類負(fù)載均衡模型如圖1所示。

圖1 分類負(fù)載均衡模型

根據(jù)上述分類負(fù)載均衡模型各個(gè)模塊的主要實(shí)現(xiàn)功能，該模型主要實(shí)現(xiàn)構(gòu)建指標(biāo)體系、對請求分類、對服務(wù)器分類三大功能。

構(gòu)建指標(biāo)體系：確定任務(wù)請求的主要特征屬性，并根據(jù)這些屬性確定任務(wù)請求的指標(biāo)體系，作為下一步對請求分類的數(shù)據(jù)來源與數(shù)據(jù)依據(jù)。

對請求分類：按照由任務(wù)請求屬性構(gòu)建的指標(biāo)體系，采用某種有效的數(shù)學(xué)算法，對請求進(jìn)行分類。

對服務(wù)器分類：按照服務(wù)器的特征參數(shù)，對服務(wù)器進(jìn)行分類，并與對請求的分類形成呼應(yīng)。使得同一類大小的請求負(fù)載對應(yīng)同一類處理能力的服務(wù)器。

因此，對分類負(fù)載均衡模型建模過程如下：

設(shè)Web集群服務(wù)器由一個(gè)分配器和M個(gè)后臺(tái)服務(wù)器RS1,RS2,...,RSM組成，服務(wù)器按照處理負(fù)載能力大小分為c類。我們將用戶請求x={x1,x2,...,xn}按照任務(wù)量大小劃分為c個(gè)不相交的區(qū)間{[s0=0,s1],[s1,s2],...,[sN-1,sC]=∞}，并且讓第i(1≤i≤c)類服務(wù)器僅僅服務(wù)請求大小落在第i個(gè)區(qū)間[si-1,si]的請求，即實(shí)現(xiàn)訪問同一類型的請求分配到同一類型的服務(wù)器處理的初衷。

2 分類負(fù)載均衡模型的實(shí)現(xiàn)

2.1 構(gòu)建指標(biāo)體系

針對某項(xiàng)目系統(tǒng)，用戶基本操作主要有以下4種：登錄、增刪改查、提交和GPU計(jì)算。一般操作對象為視頻和文檔，針對某系統(tǒng)現(xiàn)狀，主要操作對象為文檔。傳統(tǒng)的調(diào)度算法只考慮了請求文檔的大小，忽略了文檔的其他屬性。比如請求文檔的緊急程度，文檔的是否涉密等。而實(shí)際應(yīng)用中，忽略這些屬性往往會(huì)產(chǎn)生較大的誤差，造成資源分配不合理，請求響應(yīng)時(shí)間增加，不滿足用戶需求。這里我們定義文檔屬性為文檔大小、緊急程度、涉密程度。因此本論文中我們定義4個(gè)指標(biāo)：視頻/文檔、大小、緊急程度和涉密程度。

定義4個(gè)指標(biāo)為請求數(shù)據(jù)的4個(gè)屬性，為了便于分析，我們將指標(biāo)量化數(shù)值表示優(yōu)先級(jí)高低，如表1所示。將屬性進(jìn)行加權(quán)求和，請求的任務(wù)量大小用每個(gè)請求的屬性加權(quán)和來表示，根據(jù)量化數(shù)據(jù)的加權(quán)和來劃分分類范圍。

表1 數(shù)據(jù)指標(biāo)的屬性及量化值

2.2 對任務(wù)請求分類

任務(wù)請求到達(dá)的方式有很多種，我們假定是在訪問量穩(wěn)定的情況下。以時(shí)間片為單位，將在某時(shí)間片內(nèi)的所有請求進(jìn)行分類。因此，請求的分類需要高頻隨時(shí)進(jìn)行，需要選用相對簡單復(fù)雜度低的算法，且算法運(yùn)行時(shí)間要短，這里我們選擇模糊C均值(FCM)聚類算法。

利用最小支撐樹(MST)算法可以得到請求數(shù)據(jù)的初始聚類中心，算法原理是在數(shù)據(jù)密集區(qū)選擇密度最大數(shù)據(jù)節(jié)點(diǎn)作為第一個(gè)類的初始中心，然后在距離第一個(gè)初始中心足夠遠(yuǎn)的區(qū)域內(nèi)選擇數(shù)據(jù)密集區(qū)最大的數(shù)據(jù)節(jié)點(diǎn)作為第二個(gè)類初始中心，以此類推[8]。

我們對MST算法進(jìn)行改進(jìn)，得到改進(jìn)的最小支撐樹算法(IMST)，該算法降低最小支撐樹算法(MST)的計(jì)算復(fù)雜度，解決了MST算法初始點(diǎn)選取的冗余問題?，F(xiàn)給出如下兩個(gè)定義：

定義一：用加權(quán)屬性和之差來定義兩節(jié)點(diǎn)的距離。即:

(1)

其中:dik表示節(jié)點(diǎn)xk到聚類中心vi的距離，m為屬性的個(gè)數(shù)，w屬性值大小。

定義二：定義所在節(jié)點(diǎn)的度與分離度之積為該節(jié)點(diǎn)的稀疏度，分離度指兩節(jié)點(diǎn)間的距離。即:

Sk=nk×dik

(2)

其中:Sk為節(jié)點(diǎn)xk相對于聚類中心vi的稀疏度，nk為節(jié)點(diǎn)xk的度，dik為節(jié)點(diǎn)xk到聚類中心vi的距離。

實(shí)際計(jì)算中，我們無須將所有節(jié)點(diǎn)都作為初始聚類中心的候選點(diǎn)，為減少計(jì)算量，我們選擇節(jié)點(diǎn)的度大于平均值的點(diǎn)作為候選點(diǎn)[9]。

這里采用類間最小距離原則：首先選取節(jié)點(diǎn)中度最大的值作為第一個(gè)初始聚類中心，然后更新候選點(diǎn)集合，去掉距離第一個(gè)聚類初始化中心為0的候選點(diǎn)，計(jì)算新候選點(diǎn)集合到第一個(gè)初始聚類中心的分離度，選擇分離度最大的點(diǎn)作為第二個(gè)初始聚類中心，繼續(xù)更新候選點(diǎn)集合，去掉距離第一、二初始聚類中心為0的候選點(diǎn)，然后從新候選點(diǎn)集合中選取分離度最大的點(diǎn)作為第三個(gè)初始聚類中心，如此反復(fù)直至候選點(diǎn)集合為空。此時(shí)得到準(zhǔn)初始聚類中心集合。根據(jù)有效測度指標(biāo)確定最佳聚類數(shù)，由此確定最終的初始聚類中心點(diǎn)。

算法1:IMST算法

輸入:請求數(shù)據(jù)Data

輸出:初始聚類中心

Step1:利用請求數(shù)據(jù)，以數(shù)據(jù)為節(jié)點(diǎn)，兩節(jié)點(diǎn)間距離作權(quán)值，構(gòu)造最小支撐樹;

Step2:求各請求節(jié)點(diǎn)的度nk及平均度navg，若nk>navg,則xk∈N(N為候選中心集合);

Step3:利用類間最小距離原則:取nmax的節(jié)點(diǎn)作為p01(p0i表示第i個(gè)初始聚類中心),然后更新N(為避免重復(fù),去掉d1k=0的節(jié)點(diǎn)),計(jì)算更新后N中元素到p01的稀疏度S1,取Smax1對應(yīng)的節(jié)點(diǎn)作為第二個(gè)初始中心p02;

Step4:重復(fù)Step3直至N為空集,輸出初始聚類中心;

Step5:算法停止。

針對FCM算法提出了很多有效性指標(biāo)，使用以下有效性測度指標(biāo)來確定其聚類個(gè)數(shù)，定義如下：

(3)

BP神經(jīng)網(wǎng)絡(luò)算法比較實(shí)際輸出與理想輸出的差值反向修改神經(jīng)元之間的權(quán)值來實(shí)現(xiàn)反饋迭代，因此算法具有較強(qiáng)的適應(yīng)性和學(xué)習(xí)能力，這彌補(bǔ)了FCM聚類算法因其模糊性造成的適應(yīng)能力差的缺陷，將BP算法應(yīng)用于FCM聚類算法可以增加其學(xué)習(xí)能力并提高準(zhǔn)確識(shí)別率。在FCM的輸出數(shù)據(jù)中，選取距離最佳聚類中心稀疏程度最小的部分?jǐn)?shù)據(jù)作為BP算法的訓(xùn)練輸入數(shù)據(jù)，使網(wǎng)絡(luò)具有對輸入請求分類的能力，然后用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)預(yù)測請求所屬類別。其算法流程圖如圖2所示。

算法2：模糊神經(jīng)網(wǎng)絡(luò)算法(MBFCM算法)

輸入：待分類請求數(shù)據(jù)Data，F(xiàn)CM停止閾值emps，模糊指數(shù)m，BP停止閾值e,BP算法學(xué)習(xí)速率η。

輸出：最佳聚類數(shù)c，正確識(shí)別率h。

Step1：輸入待分類請求數(shù)據(jù)Data，根據(jù)MSTZ算法求得初始聚類中心集合；

Step2：根據(jù)有效性測度確定初始分類中心v0和最佳分類個(gè)數(shù)c；

Step3：運(yùn)行從指定中心開始的模糊C均值(MFCM)聚類算法，得到最佳聚類中心v；

Step4：計(jì)算個(gè)體到聚類中心的分離度并選擇稀疏度程度最小的部分?jǐn)?shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練；

Step5：網(wǎng)絡(luò)預(yù)測與結(jié)果統(tǒng)計(jì)，得到正確識(shí)別率h。

圖2 MBFCM算法流程圖

2.3 對服務(wù)器分類

根據(jù)服務(wù)器結(jié)構(gòu)描述，現(xiàn)對服務(wù)器進(jìn)行兩次分類。首先對服務(wù)器進(jìn)行預(yù)聚類(功能分類)，從而避免因服務(wù)器屬性過于復(fù)雜導(dǎo)致算法計(jì)算復(fù)雜度過高，并且有效提高任務(wù)調(diào)度的精準(zhǔn)性；緊接著運(yùn)用模糊關(guān)聯(lián)聚類算法對服務(wù)器進(jìn)行性能分類，然后F統(tǒng)計(jì)量確定服務(wù)器分類個(gè)數(shù)，并用編網(wǎng)法獲取最佳聚類劃分。使同一類別的請求分派到后臺(tái)對應(yīng)類別的服務(wù)器上處理，避免小任務(wù)排在大任務(wù)后面受到巨大的響應(yīng)延時(shí)。

因服務(wù)器特征參數(shù)復(fù)雜繁瑣，且變化幅度較大，其分類個(gè)數(shù)用F統(tǒng)計(jì)量來獲取。F統(tǒng)計(jì)量根據(jù)樣本空間中數(shù)據(jù)的特征來劃分類別，通過類間距離和類內(nèi)距離比值量化分類效果的好壞，顯然，類與類之間的距離越大，類內(nèi)樣本數(shù)據(jù)之間的距離越小，同一類別的數(shù)據(jù)分布越稠密，不同類別的數(shù)據(jù)越分散，分類效果就越好[10]。

F統(tǒng)計(jì)量公式如下:

(4)

基于模糊等價(jià)關(guān)系的聚類算法基本原理是：首先對請求數(shù)據(jù)構(gòu)建數(shù)據(jù)矩陣并利用某種方法對數(shù)據(jù)矩陣建立模糊相似矩陣，然后對模糊相似矩陣作水平截集，通過改變截距的大小獲得不同精度的聚類劃分。

3 云仿真調(diào)度模型驗(yàn)證與結(jié)果分析

CloudSim是一款可以模擬實(shí)際仿真調(diào)度的工具，本章將使用CloudSim工具對分類負(fù)載均衡模型做實(shí)驗(yàn)驗(yàn)證。開發(fā)人員通過擴(kuò)展或者修改CloudSim中的基礎(chǔ)類，來優(yōu)化或者實(shí)現(xiàn)不同的調(diào)度算法，比如順序分配策略和貪心策略，將算法原理加入DataCenterBroker類中，然后調(diào)度分配算法，實(shí)現(xiàn)算法仿真。

用CloudSim模擬用戶數(shù)量為3，服務(wù)器數(shù)量為5的集群調(diào)度過程，如圖3所示，用戶列表為User1，User2，User3；虛擬機(jī)列表為Vm0,Vm1,Vm2,Vm3,Vm4;請求的任務(wù)列表為Task1，Task2,…Taskn；實(shí)際模擬過程中，數(shù)據(jù)中心并不直接參與調(diào)度，而是由數(shù)據(jù)代理管理和調(diào)度任務(wù)列表中的請求任務(wù)，分發(fā)給虛擬機(jī)處理，完成數(shù)據(jù)中心和虛擬機(jī)之間的交互。本文的仿真環(huán)境設(shè)置和實(shí)驗(yàn)參數(shù)設(shè)置表1所示。

圖3 CloudSim模擬集群調(diào)度過程

在相同實(shí)驗(yàn)環(huán)境及實(shí)驗(yàn)參數(shù)下分別運(yùn)行順序選擇策略、貪心策略和分類負(fù)載均衡策略，比較3種調(diào)度策略的性能優(yōu)劣。

在DataCenterBroker類中加入本文算法：

表1 實(shí)驗(yàn)軟硬件仿真環(huán)境

broker.bindCloudletsToVmsMBFCM-CLBM;//分類負(fù)載均衡調(diào)度算法

通過逐步增加任務(wù)請求個(gè)數(shù)來驗(yàn)證分類負(fù)載均衡調(diào)度策略的有效性?，F(xiàn)設(shè)計(jì)3種場景對3種算法進(jìn)行仿真調(diào)度實(shí)驗(yàn)，對比其最大運(yùn)行時(shí)間和資源利用率的變化情況。

1)針對高負(fù)載任務(wù)的實(shí)驗(yàn)仿真，任務(wù)的指令長度遠(yuǎn)大于服務(wù)器的處理速度。

對于場景(1),針對只有高負(fù)載任務(wù)的請求場景，如圖4～5所示，順序策略的最大運(yùn)行時(shí)間最長，貪心策略和CLBM策略的最大運(yùn)行時(shí)間相接近；順序選擇策略的資源利用率最低，在任務(wù)量較小時(shí)，貪心策略的資源利用率要高于CLBM策略，隨著任務(wù)量的增加，兩者資源利用率逐漸接近。因此，針對高負(fù)載任務(wù)場景，CLBM策略的性能和貪心策略的性能基本接近，且遠(yuǎn)大于順序選擇策略的性能。

圖5 資源利用率隨請求個(gè)數(shù)變化圖

圖4 最大運(yùn)行時(shí)間隨請求個(gè)數(shù)變化圖

2)針對低負(fù)載任務(wù)，服務(wù)器在單位時(shí)間內(nèi)就可以處理完成，任務(wù)的指令長度小于服務(wù)器單位時(shí)間處理速度。

對于場景(2)，針對低負(fù)載的任務(wù)請求場景，如圖6～7所示，順序策略的最大運(yùn)行時(shí)間大于貪心策略最大運(yùn)行時(shí)間，貪心策略最大運(yùn)行時(shí)間稍高于CLBM策略的最大運(yùn)行時(shí)間；順序選擇策略的資源利用率最低，隨著任務(wù)量增加，CLBM策略的資源利用率遠(yuǎn)大于貪心策略的資源利用率。說明，針對低負(fù)載的請求場景，CLBM策略的性能高于貪心策略的性能。

圖6 最大運(yùn)行時(shí)間隨請求個(gè)數(shù)變化圖

圖7 資源利用率隨請求個(gè)數(shù)變化圖

3)針對高負(fù)載任務(wù)和低負(fù)載任務(wù)混合調(diào)度，其中，高負(fù)載任務(wù)請求個(gè)數(shù)：低負(fù)載任務(wù)請求個(gè)數(shù)=1：1 。

對于場景(3)，針對既有高負(fù)載又有低負(fù)載的請求場景，根據(jù)圖8～9所示，隨著任務(wù)量的增加，順序選擇策略的最大運(yùn)行時(shí)間遠(yuǎn)大于其他兩種策略，貪心策略的最大運(yùn)行時(shí)間稍比CLBM策略的最大運(yùn)行時(shí)間稍高；順序選擇策略的資源利用率最低，CLBM策略的資源利用率高于貪心策略的資源利用率，說明CLBM策略的調(diào)度性能高于貪心策略的調(diào)度性能。

圖9 資源利用率隨請求個(gè)數(shù)變化圖

觀察并分析上述實(shí)驗(yàn)結(jié)果：順序分配策略不考慮任務(wù)的大小以及虛擬機(jī)的處理能力，僅僅以每個(gè)虛擬機(jī)上運(yùn)行任務(wù)數(shù)量作為衡量標(biāo)準(zhǔn)，為實(shí)現(xiàn)負(fù)載均衡，盡量滿足每個(gè)虛擬機(jī)上運(yùn)行任務(wù)數(shù)量相同，原理簡單，易于實(shí)現(xiàn)，但實(shí)際上不同的任務(wù)請求具有不同的負(fù)載大小，并且服務(wù)器的處理能力也不盡相同，因此順序選擇策略的調(diào)度性能很差。

相比于順序選擇策略，貪心策略加入任務(wù)的指令長度(MI)和虛擬機(jī)的執(zhí)行速度(MIPS)這兩個(gè)性能參數(shù)，將某任務(wù)在某虛擬機(jī)上的執(zhí)行時(shí)間(T)定義為指令長度與執(zhí)行速度的比值，即T=MI/MIPS[11]，該算法思想為指令長度越大的任務(wù)需要執(zhí)行速度越快的虛擬機(jī)處理，其目的是令所有任務(wù)的完成時(shí)間接近最短。

但是貪心策略僅僅以所有任務(wù)的完成時(shí)間作為衡量標(biāo)準(zhǔn)，沒有考慮資源的使用情況。本文提出的分類負(fù)載均衡策略同時(shí)考慮執(zhí)行時(shí)間和資源使用情況兩大性能，即將任務(wù)的完成時(shí)間和資源利用率作為衡量調(diào)度性能的標(biāo)準(zhǔn)，客觀全面地反映調(diào)度的性能，算法的最大運(yùn)行時(shí)間最短，資源利用率最高，最高可達(dá)99%。

綜上以上分析，理論和實(shí)驗(yàn)皆證明本文提出的分類負(fù)載均衡調(diào)度算法適用性更強(qiáng)，性能更好。

4 結(jié)束語

本文基于模糊聚類算法，提出一種分類負(fù)載均衡調(diào)度模型，分別對用戶請求和后臺(tái)服務(wù)器分類。用改進(jìn)的最小支撐樹算法獲取初始中心，F(xiàn)測度確定最佳聚類數(shù)，通過BP神經(jīng)網(wǎng)絡(luò)算法提高FCM算法的學(xué)習(xí)能力，預(yù)聚類以及模糊關(guān)聯(lián)聚類算法對資源有效分類。最后CloudSim下的仿真環(huán)境模擬，在3種場景下對比傳統(tǒng)算法和本文算法，具有更強(qiáng)的適應(yīng)性和更好的調(diào)度性能。實(shí)驗(yàn)表明該模型在作業(yè)調(diào)度和資源分配上有實(shí)際的指導(dǎo)意義。

[1] 李明陽，嚴(yán) 華. 改進(jìn)粒子群算法在云計(jì)算負(fù)載均衡中的應(yīng)用研究[J]. 計(jì)算機(jī)測量與控制, 2016,24(10)：219-221.

[2] I Konstantinou，D Tsoumakos, N Koziris. Fast and cost-effective online load balancing in diatributed range-queriable systems[J]. IEEE Transactions on Parallel and Distributed Syst. 2011,22(8):1350-1364.

[3] Wang X J,Wang Y,Hao Z,et al.The Research on Resource Scheduling Based on Fuzzy Clustering in Cloud Computing[A]. ICICTA 2015:2015 8th International Conference on Intelligent Computation Technology and Automation[C].2015:1025-1028.

[4] 曹鴻強(qiáng)，盧錫城. 多機(jī)服務(wù)器任務(wù)調(diào)度的經(jīng)濟(jì)學(xué)方法[J]. 計(jì)算機(jī)工程與科學(xué)，2001,23(2):4-9.

[5] 李春鴿，劉欣然, 張哲宇,等. 虛擬計(jì)算環(huán)境下一種基于模糊聚類的資源匹配模型[C].VARA 2013:The sixth Session of Information Security Vulnerability Analysis and Risk Assessment,2013:365-378.

[6] Wang Y,Wang J K,Wang G R,et al.Utility optimization strategy of resoutce scheduling in cloud computing[A].CCC 2016:Control Conference[C].2016 35th Chinese:5235-5238.

[7] 劉 健，徐 磊，張維明. 基于動(dòng)態(tài)反饋的負(fù)載均衡算法[J]. 計(jì)算機(jī)工程與科學(xué). 2003,25(5):65-68.

[8] 李春生．模糊聚類的組合方法及其應(yīng)用研究[D].長春：吉林大學(xué)，2010, 8.

[9] 李榮榮，孫紀(jì)敏. A Fuzzy Clustering Algorithm Based on Complex Synaptic Neural Network[A].2017 17th IEEE International Conference on Communication Technology(ICCT 2017)[C].China, 2017,1291-1295.

[10] 曲福恒，崔廣才，李巖芳,等．模糊聚類算法及應(yīng)用[M]．北京：國防工業(yè)出版社，2011．

[11] 劉 鵬．云計(jì)算(第二版)[M]．北京：電子工業(yè)出版社,2012．