一种多CPU系统的隐私保护分布式资源调度方法

技术领域

本发明属于计算机技术领域，涉及一种多CPU系统的隐私保护分布式资源调度方法。

背景技术

中央处理器(即CPU)是计算机系统的基础和核心，其功能主要是解释计算机指令以及处理计算机软件中的数据。单个CPU由于其非常有限的计算能力，难以满足很多实际应用对高算力的需求。为解决单CPU的这一缺点，多个CPU通过网络一同组成CPU集群被广泛采用。由于集群里的CPU可能存在生产厂商不同、制造工艺不同、老化程度不同、工作地点不同等因素,每个CPU提供算力资源的成本不同，因此必须对多个CPU的算力资源进行调度，从而降低运行成本。

多CPU系统资源调度的方法主要分为集中式方法和分布式方法。集中式方法需要一个中心CPU单元来收集所有CPU单元的信息，并通过全局优化算法才能完成最优算力资源调度，这导致集中式方法存在单节点故障、可扩展性差、通信计算负担重等缺点。分布式方法通过CPU单元间的局部信息交换和局部协同优化算法，完成多CPU系统的最优算力资源调度，能有效克服集中式方法的缺点。因此多CPU系统的分布式资源调度方法受到越来越多的关注。例如，发表在IEEE Transactions on Network Science and Engineering期刊上的文献，题目为CPU scheduling in data centers using asynchronous finite-timedistributed coordination mechanisms。

现有的多CPU分布式资源调度方法存在如下一些不足：一是优化的目标函数是二次凸函数，而非更一般的凸函数，二次函数可能无法更精确的描述CPU的运行成本；二是调度以算力的一致均衡为目标，而非算力供需平衡为目标，一致均衡的调度可能导致算力供应过剩；三是调度未考虑CPU算力的有限性，因此得到的调度结果可能无法在实际中应用；四是调度算法未考虑信息传输中的隐私保护问题，可能导致数据泄露并引发相关安全问题。

发明内容

有鉴于此，本发明的目的针对隐私保护需求和算力上下限约束下多CPU系统的分布式资源调度问题，在于提供一种基于衰减扰动的分布式优化方法，实现多CPU系统在一般凸成本函数下运行成本最优。

为达到上述目的，本发明提供如下技术方案：

一种多CPU系统的隐私保护分布式资源调度方法，包括以下步骤：

S1：对于有多个CPU单元的系统，首先初始化每个CPU单元的状态变量、算力下限约束乘子变量、算力上限约束乘子变量的值，并初始化迭代次数k＝0，设置迭代总次数l；

S2：给定每个CPU单元的初始算力需求量，计算每个CPU单元在第k迭代步的算力供应量；

S3：计算每个CPU单元在第k迭代步的扰动虚拟梯度值、算力下限约束辅助变量、算力上限约束辅助变量；然后更新每个CPU单元在第k+1迭代步的状态变量、算力下限约束乘子变量、算力上限约束乘子变量；

S4：令k＝k+1，返回步骤S2，直到k＝l，得到第i个CPU单元在第l次迭代后估计的最优算力供应量。

进一步，步骤S1中，对于第i个CPU单元，给定的状态变量初始值z

进一步，步骤S2中，对于第i个CPU单元在第k迭代步的算力供应量计算步骤如下：

S21：计算第i个CPU单元在第k迭代步的扰动状态变量：

其中β

S22：计算第i个CPU单元在第k迭代步的算力供应量：

其中X

进一步，步骤S3所述的计算每个CPU单元在第k迭代步的扰动虚拟梯度值、算力下限约束辅助变量、算力上限约束辅助变量，具体包括：

对于第i个CPU单元，其在第k迭代步的扰动虚拟梯度值为：

其中，θ

其中，

其中，max{s,0}表示取实数s和0的最大值；ζ

进一步，步骤S3中所述更新每个CPU单元在第k+1迭代步的状态变量、算力下限约束乘子变量、算力上限约束乘子变量，具体包括以下步骤：

第i个CPU单元在第k+1迭代步的状态变量如下：

其中，ε

第i个CPU单元在第k+1迭代步的算力下限约束乘子变量如下：

其中α

第i个CPU单元在第k+1迭代步的算力上限约束乘子变量如下：

其中α

本发明的有益效果在于：

(1)CPU单元算力供应凸成本函数是更一般的形式，而不是现有方案采用的二次凸函数，这种更一般形式的凸函数能更精确的描述CPU的运行成本。

(2)提出的调度方法以算力总供应和总需求的平衡为目标，调度执行过程中能时刻保持该平衡目标满足，不会出现算力供应不足或过剩问题，有利于在线应用。

(3)CPU单元间需要交换的信息都通过衰减扰动进行了信息保护，使得邻居CPU单元和网络攻击者不能直接或间接的获取CPU单元的精确隐私信息。

(4)提出的方案考虑了CPU算力的有限性，能保证获得的算力调度结果的可应用性。

(5)该方案是完全分布式的，避免了中心CPU单元的协调问题，因此不存在集中式方案的单节点故障、可扩展性差、通信计算负担重等缺点。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为多CPU系统的分布式资源调度示意图；

图2为实施例CPU单元间的通信连接拓扑图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

本发明考虑一个系统包含n个CPU单元，每个CPU单元由设备层、优化层、通信层组成，其示意图如图1所示，在本实施例中，n＝5，CPU单元间的通信连接如图2所示。通信层用于在CPU单元间进行信息交换，优化层根据自身局部信息和通信获得的邻居信息，按照分布式资源调度算法计算CPU提供的最优算力，设备层根据优化层的最优算力命令控制CPU算力的供应。

第i(1≤i≤n且为整数)个CPU单元分布式资源调度算法如下：

其中，x

表1

表2

第i个CPU单元分布式资源调度算法在第k迭代步的扰动状态变量值如下：

其中，β

表3

第i个CPU单元分布式资源调度算法在第k+1迭代步的状态变量值如下：

其中，ε

第i个CPU单元分布式资源调度算法在第k迭代步的扰动虚拟梯度值如下：

其中，θ

第i个CPU单元分布式资源调度算法在第k迭代步的虚拟梯度值如下：

其中，

第i个CPU单元分布式资源调度算法在第k迭代步的算力下限约束辅助变量如下：

其中，max{s,0}表示取实数s和0的最大值，ζ

第i个CPU单元分布式资源调度算法在第k+1迭代步的算力下限约束乘子变量如下：

其中，α

第i个CPU单元分布式资源调度算法在第k迭代步的算力上限约束辅助变量如下：

其中，ζ

第i个CPU单元分布式资源调度算法在第k+1迭代步的算力上限约束乘子变量如下：

其中，α

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。