號專利權(quán)人國網(wǎng)河南省電力公司信息通信公司國網(wǎng)重慶市電力公司信息通信分公司國家電網(wǎng)有限公司王皓民姜媛謝云澄高峰戴誠朱海珠所(普通合伙)32341專利代理師李建芳CloudEnvironment.《InternationalJournalofComputerSciencesandE.2019,第7卷(第5期),第1363-1371頁.庫經(jīng)濟(jì)與管理科學(xué)輯》.2017,(第2017年11期),正文第29-48頁.(續(xù))一種基于安全云的多目標(biāo)優(yōu)化任務(wù)調(diào)度方法本發(fā)明公開了一種基于安全云的多目標(biāo)優(yōu)優(yōu)解的能力，保證了網(wǎng)絡(luò)安全的實(shí)時性與有效fff?fsDDos滲透測試態(tài)勢感知組件資源池申調(diào)度中心f2WeiLi,etal..Multi-ObjecH.Krishnaveni,etal..ModArtificialFishSwarmAlgorithmfor頁.31.一種基于安全云的多目標(biāo)優(yōu)化任務(wù)調(diào)度方法，其特征在于：包括如下步驟：1)構(gòu)建安全云環(huán)境下的任務(wù)調(diào)度模型；2)對人工魚群算法進(jìn)行優(yōu)化，生成以執(zhí)行成本、負(fù)載均衡和任務(wù)完成時間為指標(biāo)的最優(yōu)分配方案，實(shí)現(xiàn)基于安全云的多目標(biāo)優(yōu)化任務(wù)調(diào)度；任務(wù)調(diào)度模型包括：大小、類別以及風(fēng)險等級；102:虛擬安全組件資源，后面簡稱虛擬資源，R={r?,r?,..,r;,..第j個虛擬資源，j∈{1,2,3,...,n},n為虛擬資源的數(shù)量，r的屬性值可以表示為：r;=103:任務(wù)在虛擬資源上的執(zhí)行時間，其中，由于任務(wù)有不同的風(fēng)險等級，因此執(zhí)行時間不僅與任務(wù)的長度有關(guān)，還與該任務(wù)的風(fēng)險等級有關(guān)：104:任務(wù)在虛擬資源上的傳輸時間：105:虛擬資源處理一個任務(wù)所要消耗的時間為傳輸時間與執(zhí)行時間之和：106:分配在虛擬資源上的多個任務(wù)是串行處理的，而多個虛擬資源是并行運(yùn)行的，表達(dá)式如下：107:任務(wù)的執(zhí)行成本包括在虛擬資源上的計算成本、帶寬成本、內(nèi)存成本與存儲成本之和，考慮到安全云環(huán)境下的異構(gòu)性，存在多種不同性能的虛擬資源，因此，使用單位成本進(jìn)行累計：exeCost;=exe?;×rjmins×Ijs-pesNumbtransCost;=trans;;×rj-bw×rUniramCost;=ci;×rj-ram×rUnit4別為虛擬資源r;完成任務(wù)f所需的計算成本、帶寬成本、內(nèi)存成本與存儲成本；108:虛擬資源的負(fù)載不僅僅要考慮分配在該虛擬資源上的任務(wù)長度，還需要考慮該虛擬資源的性能，其中，n?、n?分別為虛擬資源的計算能力與帶寬大小的權(quán)重系數(shù)，loadEvaluation值越小，說明每個虛擬資源的負(fù)載越均衡，虛擬機(jī)負(fù)載公式如下：109:考慮到任務(wù)完成時間、成本、負(fù)載均衡是不同的評價指標(biāo)，具有不同的量綱與量綱單位，因此，為了消除多個指標(biāo)之間的量綱影響，需要對其進(jìn)行歸一化處理，以解決不同指標(biāo)之間的可比性，各指標(biāo)歸一化處理公式如下：衡，totalTimemin、totalCostin分別為任務(wù)完成時間與執(zhí)行成本的最小值，tota1TimemaxtotalCostmx分別為任務(wù)完成時間與執(zhí)行成本的最大值；引入線性權(quán)重動態(tài)分配策略，對時間、成本和負(fù)載均衡這三個指標(biāo)進(jìn)行動態(tài)權(quán)重分配，表達(dá)式如下：大迭代次數(shù)，itercu為人工魚群的當(dāng)前迭代次數(shù)；表1上述各表達(dá)式中縮寫字母的含義5所需要消耗的時間的分配關(guān)系虛擬資源r處理完的傳輸時間任務(wù)f所要消耗的時間單位計算成本單位帶寬成本單位內(nèi)存成本單位存儲成本虛擬資源r的性能虛擬資源r的負(fù)載所有虛擬資源的平均負(fù)載系統(tǒng)負(fù)載評價指標(biāo)2.如權(quán)利要求1所述的基于安全云的多目標(biāo)優(yōu)化任務(wù)調(diào)度方法，其特征在于：步驟2)步驟202:Tent混沌初始化：隨機(jī)產(chǎn)生一個m維的隨機(jī)向量，,按照式(a)進(jìn)行的迭代，得到混沌序列S;式(a)為：,其中i為人步驟203:將混沌序列S按照式(b)映射到原空間，產(chǎn)生初始種群X;式(b)為：步驟204:對每條人工魚的適應(yīng)度進(jìn)行計算，并將具有最優(yōu)目標(biāo)函數(shù)的人工魚狀態(tài)記錄到公告板；步驟205:對每條人工魚聚群和追尾行為進(jìn)行評價對比，選擇當(dāng)下人工魚最合適的行為進(jìn)行運(yùn)動，若不滿足約束條件時，則執(zhí)行覓食行為或隨機(jī)游動行為；步驟206:人工魚執(zhí)行所選擇的行為，并更新人工魚的狀態(tài)信息，同時，更新公告板上最優(yōu)的人工魚狀態(tài)；步驟207:若算法連續(xù)迭代t次后，全局最優(yōu)解未發(fā)生改變且當(dāng)前迭代次數(shù)小于最大迭步驟208:判斷是否滿足終止條件，若不滿足則跳轉(zhuǎn)步驟205,反之跳轉(zhuǎn)步驟209;步驟209:返回最優(yōu)分配方案。63.如權(quán)利要求2所述的基于安全云的多目標(biāo)優(yōu)化任務(wù)調(diào)度方法，其特征在于：步驟202在原有的Tent混沌映射中引入一個隨機(jī)變量，改進(jìn)后的Tent混沌映射表達(dá)式如下：經(jīng)過貝努力移位變換后表達(dá)式如下：其中，N為人工魚群的個數(shù)；引入隨機(jī)變量不僅保持了Tent混沌映射的隨機(jī)性、遍歷性、規(guī)律性，而且能夠有效避免迭代落入小周期點(diǎn)和不穩(wěn)定周期點(diǎn)內(nèi)；針對以上對改進(jìn)后的Tent映射特性的描述，結(jié)合安全云環(huán)境下的人工魚群算法特征，對公式調(diào)整如下：其中i為人工魚的編號，j為任務(wù)編號；步驟202-203的具體步驟如下：①:隨機(jī)產(chǎn)生一個m維的隨機(jī)向量，②:按照式(a)進(jìn)行迭代，產(chǎn)生一個混沌序列S;③:按照式(b)將混沌序列S中的各混沌分量映射回原空間，其中，a、b;為第j維變量的④:由這些混沌序列可以得到由s:經(jīng)過Tent映射后的初始種群X。4.如權(quán)利要求2所述的基于安全云的多目標(biāo)優(yōu)化任務(wù)調(diào)度方法，其特征在于：步驟204采用Sigmoid函數(shù)并對其進(jìn)行變形，變形后的Sigmoid函數(shù)表達(dá)式為：由于算法初期在函數(shù)的作用下，人工魚的視野和步長都進(jìn)行了放大，有助于算法的快速收斂以及跳出局部最優(yōu)解，變形后的Sigmoid函數(shù)初期衰減速度比較緩慢，從而人工魚有較長的時間采用較大的視野和步長了解尋優(yōu)空間的信息，跳出局部最優(yōu)前往全局最優(yōu)；隨著算法的執(zhí)行人工魚的視野和步長在函數(shù)作用下逐漸減少，但依舊能夠保持一個相對緩慢的速度進(jìn)行衰減，從而讓人工魚有充足的時間在全局最優(yōu)鄰域進(jìn)行細(xì)化搜索，使得最優(yōu)解精度提高；改進(jìn)后的步長與視野表達(dá)式如下：75.如權(quán)利要求4所述的基于安全云的多目標(biāo)優(yōu)化任務(wù)調(diào)度方法，其特征在于：步驟204(F(X)>F(X)),根據(jù)當(dāng)前狀態(tài)X,與視野中所感知的下一個前往狀態(tài)X的目標(biāo)函數(shù)值大小(X)時，說明人工魚當(dāng)前處于最優(yōu)點(diǎn)的鄰域，因此僅需要對于人工魚當(dāng)前狀態(tài)X?={x,x?,…,x和所探索的下一個狀態(tài)=[x1,x?,…,x],6.如權(quán)利要求2所述的基于安全云的多目標(biāo)優(yōu)化任務(wù)調(diào)度方法，其特征在于：步驟207Mutation(X;,p.q)=(x,x?,…,xp-1,q,x3+2…,x),p=Rand(m),qc:將F(Xne)與最差狀態(tài)F(Xorst)進(jìn)行比較；d:若新狀態(tài)F(Xne)<F(Xorst),則將新狀態(tài)X添加至解集合中，并刪除最差狀8.如權(quán)利要求2所述的基于安全云的多目標(biāo)優(yōu)化任務(wù)調(diào)度方法，其特征在于：步驟2078c:若新狀態(tài)F(Xne)<F(Xorst),則將新9技術(shù)領(lǐng)域[0001]本發(fā)明涉及一種基于安全云的多目標(biāo)優(yōu)化任務(wù)調(diào)度方法，屬于人工智能技術(shù)領(lǐng)背景技術(shù)[0002]隨著網(wǎng)絡(luò)技術(shù)的飛速發(fā)展，計算機(jī)網(wǎng)絡(luò)的安全問題已成為嚴(yán)重的現(xiàn)實(shí)問題。因此，安全云應(yīng)運(yùn)而生。安全云是提供安全防護(hù)服務(wù)的云，將安全基礎(chǔ)設(shè)施云化后，向客戶提供整體的安全服務(wù)。它采用云計算技術(shù)，通過新建和整合虛擬安全組件資源，利用軟件定義網(wǎng)絡(luò)到用戶業(yè)務(wù)側(cè)，從而保證了網(wǎng)絡(luò)安全。[0003]在安全云中，任務(wù)調(diào)度是一個組合優(yōu)化問題，任務(wù)調(diào)度的結(jié)果關(guān)系到整個安全云設(shè)施的效率，并且在提高用戶服務(wù)質(zhì)量中起到十分關(guān)鍵的作用。安全云的任務(wù)調(diào)度是指將各種海量異常流量經(jīng)過安全云數(shù)據(jù)中心代理、均衡分配到安全組件資源池中的各虛擬資源上執(zhí)行的過程，該過程實(shí)現(xiàn)的是異常流量到安全虛擬資源的映射關(guān)系。任務(wù)調(diào)度策略的好壞會直接影響用戶滿意度和安全虛擬資源處理任務(wù)的效率，好的任務(wù)調(diào)度策略能夠有效減少任務(wù)的完成時間，從而提高網(wǎng)絡(luò)安全的實(shí)時性與有效性，并且能夠提高各種虛擬安全資源的利用率，大幅降低能耗和節(jié)省運(yùn)營成本。因此，如何在多種約束下滿足復(fù)雜的調(diào)度需求是目前云安全調(diào)度要解決的關(guān)鍵問題。[0004]由于，安全云的任務(wù)調(diào)度屬于NP問題，計算所有可能的任務(wù)調(diào)度策略并選擇一個最佳的調(diào)度策略是不可行的，因?yàn)檫@種方法的復(fù)雜性會隨任務(wù)數(shù)量與虛擬安全資源數(shù)量的增加而呈指數(shù)增加。因此，在解決這類問題時，常規(guī)的確定性時間復(fù)雜度的算法不在適用。而啟發(fā)式算法這類非確定性時間復(fù)雜度的算法，能夠通過算法的改進(jìn)和迭代得到無限接近最優(yōu)解的次優(yōu)解。因此，啟發(fā)式算法是解決這類問題的較好方法之一。[0005]目前現(xiàn)有的調(diào)度策略大多以完成時間為主要指標(biāo)，并未考慮到執(zhí)行成本與負(fù)載均衡，因此雖然保證了任務(wù)的實(shí)時性，但造成了虛擬資源的浪費(fèi)以及昂貴的執(zhí)行成本，并且該情況隨著任務(wù)數(shù)量的增加而惡化。發(fā)明內(nèi)容[0006]本發(fā)明提出一種基于安全云的多目標(biāo)優(yōu)化任務(wù)調(diào)度方法，該方法以完工時間、執(zhí)行成本、負(fù)載均衡為評價指標(biāo)進(jìn)行多目標(biāo)優(yōu)化，從而得到當(dāng)前條件下相對最優(yōu)的安全云任務(wù)調(diào)度方法，保證了網(wǎng)絡(luò)安全的實(shí)時性與有效性，提高了虛擬安全組件資源的利用率，節(jié)省了運(yùn)營成本。[0007]為解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案如下：[0008]一種基于安全云的多目標(biāo)優(yōu)化任務(wù)調(diào)度方法，包括如下步驟：[0009]1)構(gòu)建安全云環(huán)境下的任務(wù)調(diào)度模型；[0010]2)對人工魚群算法進(jìn)行優(yōu)化，生成以執(zhí)行成本、負(fù)載均衡和任務(wù)完成時間為指標(biāo)度策略主要是研究云環(huán)境下的任務(wù)調(diào)度問題，對于安全云環(huán)境下的任務(wù)調(diào)度問題并沒有深入研究。上述方法針對現(xiàn)有的安全云環(huán)境下的虛擬安全資源與調(diào)度任務(wù)之間的匹配問題，[0020]105:虛擬資源處理一個任務(wù)所要消耗的時間為傳輸時間與執(zhí)行時間之和：[0022]106:分配在虛擬資源上的多個任務(wù)是串行處理的，而多個虛擬資源是并行運(yùn)行[0028]exeCosti=exe;;×rjmips×r[0029]transCosti=transi×sizeCost;分別為虛擬資源r;完成任務(wù)f:所需的計算成本、帶寬成本、內(nèi)存成本與存儲成本。[0033]108:虛擬資源的負(fù)載不僅僅要考慮分配在該虛擬資源上的任務(wù)長度，還需要考慮該虛擬資源的性能，其中，η?、η2分別為虛擬資源的計算能力與帶寬大小的權(quán)重系數(shù)，loadvaluation值越小，說明每個虛擬資源的負(fù)載越均衡，虛擬機(jī)負(fù)載公式如下：[0037]109:考慮到任務(wù)完成時間、成本、負(fù)載均衡是不同的評價指標(biāo)量綱單位，因此，為了消除多個指標(biāo)之間的量綱影響，需要對其進(jìn)行歸一化處理，以解決不同指標(biāo)之間的可比性，各指標(biāo)歸一化處理公式如下：分別為任務(wù)完成時間與執(zhí)行成本的最小值，totalTimemax、totalCostmx分別為任務(wù)完成時間與執(zhí)行成本的最大值。[0042]針對任務(wù)完成時間、成本、負(fù)載均衡三個評價指標(biāo)，多目標(biāo)轉(zhuǎn)化為單一目標(biāo)最常采用的方法是線性加權(quán)法、約束法和線性規(guī)劃法，考慮到安全云環(huán)境的異構(gòu)性與動態(tài)性，引入線性權(quán)重動態(tài)分配策略，對時間、成本和負(fù)載均衡這三個指標(biāo)進(jìn)行動態(tài)權(quán)重分配，表達(dá)式如[0045]適應(yīng)度函數(shù)F的值越小，說明分配方案越合理，其中，λ1為算法對任務(wù)完成時間的群的最大迭代次數(shù)，iterc為人工魚群的當(dāng)前迭代次數(shù)；[0046]表1上述各表達(dá)式中縮寫字母的含義所需要消耗的時間的傳輸時間的分配關(guān)系虛擬資源處理完任務(wù)f所要消耗的時間單位計算成本單位內(nèi)存成本虛擬資源的性能所有虛擬資源的平均負(fù)載系統(tǒng)負(fù)載評價指標(biāo)[0049]上述步驟2)以步驟1)所提出的適應(yīng)度函數(shù)F作為步驟2)人工魚群算法的優(yōu)化目標(biāo)，生成以執(zhí)行成本、負(fù)載均衡和任務(wù)完成時間為指標(biāo)的最優(yōu)分配方案，實(shí)現(xiàn)基于安全云的多目標(biāo)優(yōu)化任務(wù)調(diào)度。[0050]上述步驟2)中，對人工魚群算法進(jìn)行優(yōu)化，包括如下步驟：[0051]步驟201:初始化人工魚群算法中的各個參數(shù)：人工魚總數(shù)Sum、步長Step、視野[0052]步驟202:Tent混沌初始化：隨機(jī)產(chǎn)生一個m維的隨機(jī)向量，按照式(a)進(jìn)行的迭代，得到混沌序列S;[0053]步驟203:將混沌序列S按照式(b)映射到原空間，產(chǎn)生初始種群X;[0054]步驟204:對每條人工魚的適應(yīng)度進(jìn)行計算，并將具有最優(yōu)目標(biāo)函數(shù)的人工魚狀態(tài)記錄到公告板；[0055]步驟205:對每條人工魚聚群和追尾行為進(jìn)行評價對比，選擇當(dāng)下人工魚最合適的行為進(jìn)行運(yùn)動，若不滿足約束條件時，則執(zhí)行覓食行為或隨機(jī)游動行為；[0056]步驟206:人工魚執(zhí)行所選擇的行為，并更新人工魚的狀態(tài)信息，同時，更新公告板上最優(yōu)的人工魚狀態(tài)；[0057]步驟207:若算法連續(xù)迭代t次后，全局最優(yōu)解未發(fā)生改變且當(dāng)前迭代次數(shù)小于最[0058]步驟208:判斷是否滿足終止條件，若不滿足則跳轉(zhuǎn)步驟205,反之跳轉(zhuǎn)步驟209[0059]步驟209:返回最優(yōu)分配方案。[0060]人工魚群算法在解決優(yōu)化問題時，通常利用隨機(jī)產(chǎn)生的數(shù)據(jù)作為初始種群信息，這會導(dǎo)致種群分布不均勻，難以保留種群的多樣性，易陷入局部最有解的情況，從而會造成算法的尋優(yōu)結(jié)果較差。因此，本發(fā)明在人工魚群的初始化過程中引入混沌映射機(jī)制。[0061]混沌是存在于非線性系統(tǒng)中的一種普遍現(xiàn)象，一個混沌變量在一定范圍內(nèi)具有隨機(jī)性、遍歷性和規(guī)律性的特點(diǎn)。根據(jù)研究表明Tent映射相比于其他映射能產(chǎn)生更好的效果。因此，針對人工魚群算法的特性，步驟202中，采用具有良好遍歷性和較快收斂速度的Tent映射來產(chǎn)生混沌序列，其表達(dá)式如下：[0064]由于Tent混沌序列中存在小周期，并且存在不穩(wěn)周期點(diǎn)，為避免Tent混沌序列在迭代時落入小周期點(diǎn)和不穩(wěn)定周期點(diǎn)，在原有的Tent混沌映射中引入一個隨機(jī)變量，改進(jìn)后的Tent混沌映射表達(dá)式如下：[0066]經(jīng)過貝努力移位變換后表達(dá)式如下：[0068]其中，N為人工魚群的個數(shù)；引入隨機(jī)變量不僅保持了Tent混沌映射的隨機(jī)性、遍歷性、規(guī)律性，而且能夠有效避免迭代落入小周期點(diǎn)和不穩(wěn)定周期點(diǎn)內(nèi)；[0069]針對以上對改進(jìn)后的Tent映射特性的描述，結(jié)合安全云環(huán)境下的人工魚群算法特[0072]步驟202-203利用Tent映射初始化人工魚群的具體步驟如下：[0073]①:隨機(jī)產(chǎn)生一個m維的隨機(jī)向量，[0074]②:按照式(a)進(jìn)行迭代，產(chǎn)生一個混沌序列S;[0075]③:按照式(b)將混沌序列S中的各混沌分量映射回原空間，其中，a魚有較長的時間采用較大的視野和步長了解尋優(yōu)空間的信息，跳出局部最優(yōu)前往全局最最優(yōu)解精度提高；位置距離全局最優(yōu)點(diǎn)較遠(yuǎn)，因此盡可能移動較大的步長靠近狀態(tài)X,從而加快算法的收斂[0095]Mutation(X;,p,q)=(x{,x?,…,附圖說明[0131]106:分配在虛擬資源上的多個任務(wù)是串行處理的，而多個虛擬資源是并行運(yùn)行sizeCost;分別為虛擬資源r;完成任務(wù)f所需的計算成本、帶寬成本、內(nèi)存成本與存儲成該虛擬資源的性能，其中，n?、n?分別為虛擬資源的計算能力與帶寬大小的權(quán)重系數(shù)，載均衡，totalTimemin、totalCostmin分別為任務(wù)完成時間與執(zhí)行成本的最小值，[0154]適應(yīng)度函數(shù)F的值越小，說明分配方案越合理，所需要消耗的時間r的分配關(guān)系虛擬資源r處理完的傳輸時間任務(wù)f所要消耗的時間單位計算成本單位帶寬成本單位內(nèi)存成本單位存儲成本虛擬資源r的性能虛擬資源r的負(fù)載所有虛擬資源的平均負(fù)載系統(tǒng)負(fù)載評價指標(biāo)[0164]步驟207:若算法連續(xù)迭代t次后，全局最優(yōu)解未發(fā)生改變且當(dāng)前迭代次數(shù)小于最[0167]人工魚群算法在解決優(yōu)化問題時，通常利用隨機(jī)產(chǎn)生的數(shù)據(jù)作為初始種群信息，[0179]步驟202-203利用Tent映射初始化人工魚群的具體步驟如下：[0181]②:按照式(a)進(jìn)行迭代，產(chǎn)生一個混沌序列[0182]③:按照式(b)將混沌序列S中的各混沌分量映射回原空間，其中，a,、b;為第j維變量的取值范圍，即虛擬資源的范圍；[0183]x'=aj+s'×(bj-a;)[0184]④:由這些混沌序列可以得到由s:經(jīng)過Tent映射后的初始種群X。[0185]人工魚群算法前期期望人工魚較大的視野和步長，使得算法具有快速收斂并且跳出局部最優(yōu)解的能力，而算法后期期望人工魚有較小的視野和步長，使得算法能有精確搜索，提高算法精度。因此，人工魚群算法的視野與步長具有相似的性質(zhì)，針對該現(xiàn)象，步驟[0186]步驟204中，采用Sigmoid函數(shù)并對其進(jìn)行變形，變形后的Sig[0188]由于算法初期在函數(shù)的作用下，人工魚的視野和步長都進(jìn)行了放大，有助于算法的快速收斂以及跳出局部最優(yōu)解，變形后的Sigmoid函數(shù)初期衰減速度比較緩慢，從而人工魚有較長的時間采用較大的視野和步長了解尋優(yōu)空間的信息，跳出局部最優(yōu)前往全局最優(yōu)；隨著算法的執(zhí)行人工魚的視野和步長在函數(shù)作用下逐漸減少，但依舊能夠保持一個相對緩慢的速度進(jìn)行衰減，從而讓人工魚有充足的時間在全局最優(yōu)鄰域進(jìn)行細(xì)化搜索，使得最優(yōu)解精度提高；[0189]改進(jìn)后的步長與視野表達(dá)式如下：[0193]上述步驟204中，人工魚獲得了動態(tài)的步長與視野，提高了算法的收斂速度以及優(yōu)化精度。但依舊會存在這樣一種情況：考慮到人工魚在從局部最優(yōu)前往全局最優(yōu)的途中，由于移動步長的固定，可能會導(dǎo)致人工魚越過全局最優(yōu)點(diǎn)奔向另一個局部最優(yōu)點(diǎn)，或者是在全局最優(yōu)點(diǎn)處徘徊，直到移動步長逐漸衰減才收斂至全局最優(yōu)點(diǎn)處，從而影響了收斂速度。針對這一情況，本申請?zhí)岢鲎赃m應(yīng)移動步長，在覓食行為、追尾行為和聚群行為中，若人工魚從狀態(tài)X前往X時(F(X:)>F(X)),根據(jù)當(dāng)前狀態(tài)X:與視野中所感知的下一個前往狀態(tài)X;的目標(biāo)函數(shù)值大小作為比例系數(shù)進(jìn)行移動，即當(dāng)F(X:)遠(yuǎn)遠(yuǎn)大于F(X)時，說明該人工魚當(dāng)前位置距離全局最優(yōu)點(diǎn)較遠(yuǎn)，因此盡可能移動較大的步長靠近狀態(tài)X,,從而加快算法的收斂速度；當(dāng)F(X)接近F(X)時，說明人工魚當(dāng)前處于最優(yōu)點(diǎn)的鄰域，因此僅需要較小的步長對其附近鄰域進(jìn)行細(xì)化搜索，使其算法的優(yōu)化精度提高；其表達(dá)式如下：[0198]步驟207中，針對人工魚群算法后期易陷入局部最優(yōu)解的情況，引入交叉變異機(jī)操作，對當(dāng)前迭代的所有解集合進(jìn)行從優(yōu)至差的排列，然后選取最優(yōu)解Xbest與次優(yōu)解[0207]d:若新狀態(tài)F(Xn)<F(Xorst),則將新狀態(tài)X[0210]b:計算F(Xn[0211]c:若新狀態(tài)F(Xne)<F個任務(wù)分配至各安全組件資源池內(nèi)的虛擬安全組件資源上。[0218]我們使用云計算仿真模擬器CloudSim對任務(wù)調(diào)度實(shí)驗(yàn)進(jìn)行仿真，CloudSim是一種可擴(kuò)展、通用的仿真框架，能夠?qū)υ骗h(huán)境下的任務(wù)調(diào)度實(shí)驗(yàn)進(jìn)行模型構(gòu)建和仿真模擬。[0220]我們在Linux64位操作系統(tǒng)上進(jìn)行的實(shí)驗(yàn)操作，處理器是IntelXeonE5-2680,內(nèi)存為64GB,實(shí)驗(yàn)環(huán)境語言為Java。[0222]仿真實(shí)驗(yàn)創(chuàng)建了15個相互獨(dú)立的虛擬資源，50-500個相互獨(dú)立的任務(wù)(任務(wù)數(shù)量好地模擬真實(shí)的安全云平臺，構(gòu)建出合理有效的安全云任務(wù)調(diào)度策略，在創(chuàng)建虛擬資源、任務(wù)時，實(shí)驗(yàn)參數(shù)在滿足均勻分配的條件下從取值范圍內(nèi)隨機(jī)抽取，用來模擬了不同性能計算資源以及不同長度的任務(wù)。[0223]表2安全云模型參數(shù)表虛擬資源及任務(wù)參數(shù)取值虛擬資源處理速度(MIPS):Tmips帶寬(Mb/s):rw內(nèi)存(GB):Tram存儲容量(GB):Tsize任務(wù)執(zhí)行后任務(wù)大小(MB):風(fēng)險等級：fievel[0225]由于算法的參數(shù)對算法性能影響很大，因此在保證相同實(shí)驗(yàn)環(huán)境的情況下，算法公共的參數(shù)應(yīng)設(shè)為一致。算法的具體參數(shù)設(shè)置如表3所示。[0226]表3調(diào)度算法參數(shù)表CN114741955B算法(algori