面向成本效益与碳足迹削减的多臂赌博机超启发式云调度优化研究

《IEEE Access》：Towards Cost-Efficiency and Reduced Carbon Footprint: A Multi-Armed Bandit Hyper-Heuristic for Cloud Scheduling Problems

　　本文针对全球变暖背景下云计算环境中的任务调度优化问题，提出了一种名为HHCSP（Hyper-Heuristic for Cloud Scheduling Problems）的多目标超启发式算法。该研究将低层启发式（LLH）选择建模为多臂赌博机（MAB）问题，结合改进的上置信界（UCB）选择策略和适应度比率排序（FRR）信用分配机制，旨在同时最小化任务完成时间（Makespan）、经济成本（Cost）和碳排放（Carbon）。研究利用真实AWS数据和Teads碳足迹数据集进行验证，结果表明HHCSP在超体积（Hypervolume）和IGD+指标上均优于NSGA-II、SPEA2等主流多目标优化算法，为云服务用户实现经济高效与环境可持续的平衡计算提供了创新解决方案。

　　

随着全球变暖对生态系统和人类社会构成的威胁日益加剧，《巴黎协定》明确提出将全球温升控制在工业化前水平2°C以内的目标。云计算作为数字经济的核心基础设施，其能耗与碳排放问题日益凸显——仅AWS云平台若优化使用，年减排潜力可达5900万吨CO₂，相当于减少2200万辆汽车排放。然而，现有云任务调度研究多聚焦于性能与成本权衡，鲜有将碳排放作为核心优化目标，且缺乏适应多云环境的动态优化方法。

为应对这一挑战，圣保罗大学的研究团队在《IEEE Access》发表题为"Towards Cost-Efficiency and Reduced Carbon Footprint: A Multi-Armed Bandit Hyper-Heuristic for Cloud Scheduling Problems"的研究，提出一种创新超启发式算法HHCSP。该算法首次将碳排放与成本、时间并列作为三重优化目标，通过多臂赌博机框架动态选择最优算子组合，在真实云环境中实现帕累托最优调度。

研究采用超启发式框架整合八组低层启发式（LLH），包含任务排序交叉（TaskCrossover）与实例类型变异（InstanceTypeMutation）等算子。算法核心通过改进的FRRMAB（Fitness Rate Ranking Multi-Armed Bandit）机制计算算子贡献度，结合UCB（Upper Confidence Bound）策略平衡探索与利用。实验使用CloudSim模拟器，以Montage、CyberShake等五种科学工作流为基准，对比NSGA-II、SPEA2、MOEA/DD和MOMBI2四种算法。碳排放数据源自Teads发布的AWS EC2碳足迹数据集，涵盖Scope 2（间接排放）和Scope 3（全生命周期排放）计算。

超体积与IGD+性能分析

HHCSP在15组工作流测试中，12组超体积指标显著领先（如Epigenomics_46达0.999283），且在Inspiral_100等复杂场景下与NSGA-II统计相当。IGD+指标显示其解集与真实帕累托前沿平均距离最小（Sipht_30仅0.000462），证明算法收敛性与分布性俱佳。

帕累托前沿分布特征

三维散点图显示HHCSP解集在makespan-cost-carbon空间形成连续曲面，尤其在Sipht工作流中完全支配对比算法。NSGA-II虽在Montage_100获得最佳IGD+（0.001145），但其解集多被HHCSP解集支配，表明超启发式策略能更全面探索解空间。

低层启发式动态选择

LLH7（空变异+任务交叉）和LLH3（任务排序变异+任务交叉）使用频率最高（分别占Sipht_100的31%和Inspiral_100的28%），验证了MAB机制能自适应匹配工作流特征。所有LLH参与度均超7%，保障算法多样性。

碳感知调度实践

通过归一化权重法选择均衡解显示，巴西圣保罗（sa-east-1）区域因碳强度低（74g CO₂eq/kWh）被10组工作流优先选择。典型方案如CyberShake_100使用c5.metal实例组合，在makespan 66.58秒下实现碳排126.40g，成本0.19美元，证实低碳区域与高性能实例的协同效应。

本研究通过理论创新与实践验证，首次将多目标超启发式框架应用于碳感知云调度领域。HHCSP算法不仅突破传统算法在解集多样性上的局限，更通过真实碳数据建模，为《巴黎协定》目标下的云计算可持续发展提供技术支撑。未来工作将扩展至混合云场景，并集成HEFT等专业调度器，进一步强化算法在动态环境中的适应性。