[논문 리뷰] Hybrid Ant Colony Algorithm Clonal Selection in the Application of the Cloud's Resource Scheduling

Jianbiao Lin, Yukun Zhong외 3명|arXiv (Cornell University)|2014. 11. 10.

Artificial Immune Systems Applications참고 문헌 10인용 수 6

한 줄 요약

이 논문은 클라우드 리소스 스케줄링을 향상시키기 위해 클로날 선택 알고리즘(CSA)과 역방향 돌연변이를 통합한 하이브리드 항개미최적화(ACO) 알고리즘을 제안한다. CSA의 전역 수렴성과 다양성 유지 기능을 ACO의 페로몬 기반 경로 선택과 융합하고, 역방향 돌연변이 전략을 도입함으로써 수렴 속도를 가속화하고 국소 최적해를 피할 수 있으며, CloudSim 시뮬레이션에서 작업 실행 시간을 단축하고 자원 활용도를 향상시킨다.

ABSTRACT

In this paper, thinking over characteristics of ant colony optimization Algorithm, taking into account the characteristics of cloud computing, combined with clonal selection algorithm (CSA) global optimum advantage of the convergence of the clonal selection algorithm (CSA) into every ACO iteration, speeding up the convergence rate, and the introduction of reverse mutation strategy, ant colony optimization algorithm avoids local optimum. Depth study of the cloud environment ant colony clonal selection algorithm resource scheduling policy, clonal selection algorithm converges to solve optimization problems when sufficient condition for global optimal solution based on clonal selection algorithm for various applications such as BCA and CLONALG algorithm, using these sufficient condition to meet and simulation platform CloudSim achieve a simulation by extending the cloud. Experimental results show that this task can be shortened fusion algorithm running time cloud environment, improve resource utilization. Demonstrate the effectiveness of the method.

연구 동기 및 목표

• 표준 ACO가 클라우드 리소스 스케줄링에서 느린 수렴성과 국소 최적해에 취약한 점을 해결하기 위해.
• 클로날 선택 알고리즘(CSA)의 전역 수렴성과 개체군 다양성을 활용하여 ACO의 최적화 성능을 향상시키기 위해.
• 하이브리드 메타휴리스틱 통합을 통해 동적이고 이질적인 클라우드 환경에서 스케줄링 효율을 향상시키기 위해.
• CloudSim 시뮬레이션 플랫폼을 사용하여 제안된 하이브리드 알고리즘의 효과성을 검증하기 위해.

제안 방법

• 항개미최적화(ACO) 프로세스의 각 반복에 클로날 선택 알고리즘(CSA)을 통합하여 수렴 속도를 가속화하고 해의 다양성을 유지한다.
• 유망한 해를 변형하기 위해 역방향 돌연변이 전략을 적용하여 국소 최적해를 벗어나고 탐색 능력을 향상시킨다.
• 페로몬 농도 $\tau_j(t)$와 히우리스틱 정보 $\eta_j$를 사용하여 작업-리소스 할당을 안내하며, $p_{jk}^i$는 작업 $k$를 리소스 $j$에 할당할 확률을 나타낸다.
• 클로닝, 초고속 돌연변이(크로우-호프만 연산자(CRHO) 사용), 노화, 선택을 포함한 일반화된 CSA 프레임워크를 활용하여 세대 간 최적 해를 유지한다.
• 클라우드 시뮬레이션 플랫폼인 CloudSim을 확장하여 DataCenterBroker, Cloudlet, VmScheduler 등의 클래스를 수정하여 하이브리드 알고리즘을 구현하고 테스트한다.
• 세대 수 또는 수렴 기준에 기반한 종료 조건을 사용하여 알고리즘 실행을 제어한다.

실험 결과

연구 질문

• RQ1 항개미최적화(ACO)에 클로날 선택 알고리즘(CSA)을 통합하면 클라우드 리소스 스케줄링에서 수렴 속도와 해 품질이 향상되는가?
• RQ2 역방향 돌연변이 및 초고속 돌연변이 전략의 포함 여부가 알고리즘이 국소 최적해를 피하는 데 미치는 영향는 어떠한가?
• RQ3 하이브리드 ACO-CSA 알고리즘이 표준 ACO, 라운드 로빈, MACO에 비해 작업 실행 시간과 자원 활용도 측면에서 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 제안된 방법은 동적 클라우드 환경에서도 세대 간 최적 해를 유지하는가?

주요 결과

• CloudSim 시뮬레이션에서 하이브리드 ACO-CSA 알고리즘은 라운드 로빈 및 표준 ACO 알고리즘에 비해 평균 작업 실행 시간을 크게 단축시켰다.
• CSA의 전역 최적화 능력과 역방향 돌연변이에 의한 탐색 능력 향상 덕분에 알고리즘이 더 빠른 수렴을 보였다.
• 페로몬과 히우리스틱 정보를 기반으로 효율적으로 작업을 최적 리소스에 할당함으로써 자원 활용도가 향상되었다.
• 노화 및 선택 메커니즘이 고친연성 해를 손실하지 않도록 하여 알고리즘이 세대 간 최고의 해를 유지했다.
• 모든 시험 환경에서 라운드 로빈 및 표준 ACO보다 제안된 방법이 뛰어난 성능을 보였으며, 특히 고부하 조건에서 가장 두드러진 향상이 관찰되었다.