Resumen

Un importante reto al que se enfrenta la computación en nube es cómo gestionar y atender correcta y eficazmente las peticiones de millones de usuarios. La programación eficiente de tareas en la computación en nube puede afectar intuitivamente a la configuración de los recursos y al coste operativo de todo el sistema. Sin embargo, la programación de tareas y recursos en un entorno de computación en nube es un problema difícil de resolver. En este trabajo, proponemos un modelo de programación de tres capas basado en la nube ballena-gaussiana. En la segunda capa del modelo, se utiliza una estrategia de optimización de ballenas basada en el modelo de nube gaussiana (GCWOAS2) para la programación de tareas multiobjetivo en un entorno de computación en nube, que consiste en minimizar el tiempo de finalización de la tarea mediante la utilización eficaz de los recursos de la máquina virtual y mantener el equilibrio de carga de cada máquina virtual, reduciendo el coste operativo del sistema. En la estrategia GCWOAS2, se utiliza primero un mecanismo de aprendizaje basado en la oposición para inicializar la estrategia de programación y generar el esquema de programación óptimo. A continuación, se propone un factor de movilidad adaptable para ampliar dinámicamente el rango de búsqueda. Se propone un algoritmo de optimización de ballenas basado en el modelo de nubes gaussianas para mejorar la aleatoriedad de la búsqueda. Por último, se presenta un algoritmo de programación de tareas multiobjetivo basado en la optimización de la nube gaussiana (GCWOA), de modo que la estrategia de programación completa no sólo puede ampliar el rango de búsqueda, sino también saltar fuera del máximo local y obtener la estrategia de programación óptima global. Los resultados experimentales muestran que, en comparación con otros algoritmos metaheurísticos existentes, nuestra estrategia no sólo puede acortar el tiempo de finalización de la tarea, sino también equilibrar la carga de los recursos de la máquina virtual, y al mismo tiempo, también tiene un mejor rendimiento en la utilización de los recursos.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:modelo gaussiano de la nube, recursos de máquinas virtuales, computación en la nube, rango de búsqueda, coste operativo, esquema de programación óptimo, millón de usuarios, entorno de computación en la nube, aleatoriedad de la búsqueda, estrategia de programación completa
• Keywords:gaussian cloud model, virtual machine resources, cloud computing, search range, operating cost, optimal scheduling scheme, million of user, cloud computing environment, randomness of search, entire scheduling strategy