网格服务资源多维性能聚类任务调度

网格计算是当前一个重要的研究领域,其中任务调度是一个基本组成部分,其性能直接影响到网格服务质量.为了缩短任务调度完成时间,提高任务调度性能,提出了一种网格资源多维性能聚类任务调度算法MPCGSR (task scheduling algorithm based on multidimensional performance clustering of grid service resources).该算法根据网格环境下服务资源数量庞大、异构、多样的特点,预先以构建的网格服务资源超图模型为基础,结合小世界理论对服务资源进行多维性能聚类,将任务与聚类资源相匹配并实施调度.模拟实验结果表明,算法较之同类算法具有优越性,是一种有效的网格任务调度算法.     

基于遗传算法的多性能目标网格服务调度算法

在分析状态图工作流模型的基础上，提出了一种网格环境下多QoS（服务质量）约束的组合服务模型，根据提出的模型归纳出了动态服务调度问题的形式化描述，并提出了一种基于遗传算法的动态服务调度算法进行求解.该算法采用基于服务区域及服务实例个数的编码方式，以组合方案的有效性和组合服务的综合QoS参数的效用值作为适应度函数，从而保证组合服务调度的全局QoS要求.与其它算法进行了比较.实验结果显示该算法是可行和有效的．     

基于聚类和改进共生演算法的云任务调度策略

针对云计算环境中一些基于服务质量（QoS）调度算法存在寻优速度慢、调度成本与用户满意度不均衡的问题,提出了一种基于聚类和改进共生演算法的云任务调度策略。首先将任务和资源进行模糊聚类并对资源进行重排序放置,依据属性相似度对任务进行指导分配,减小对资源的选择范围;然后依据交叉和旋转学习机制改进共生演算法,提升算法的搜索能力;最后通过加权求和方式构造驱动模型,均衡调度代价与系统性能间关系。通过不同任务量的云任务调度仿真实验,表明该算法相比改进遗传算法、混合粒子群遗传算法和离散共生演算法,有效减少了进化代数,降低了调度成本并提升了用户满意度,是一种可行有效的任务调度算法。     

Web服务聚类方法的研究和改进

Web服务的聚类能够改善基于服务的应用如服务发现、组合和QoS预测等.然而目前的聚类方法在相似度度量和信息预处理方面存在一些不足.提出Web服务的QoS和功能两种相似度模型,从不同角度度量服务间的相似度.在此基础上,提出一种特殊的考虑到编程风格和命名规则的预处理方法.最后结合SCAN算法实现了本方法并设计了对比实验对提出的方法进行验证.实验结果表明提出的模型和方法能够有效地提高Web服务的聚类效果.     

Web集群中基于接纳控制的QoS-aware请求调度算法

集群系统的设计主要涉及任务调度与资源调度两方面,以往的大部分算法都只是孤立地考虑其中一个方面。针对这种不足提出了一种基于接纳控制的QoS-aware动态请求调度算法。该算法结合网络自相似访问特征,引入接纳概率Pa作为连接任务调度与资源调度的桥梁,将两种调度结合了起来。Pa是一个以任务服务类别与负载为自变量的二元函数,随着负载的增加,Pa非增变化,对于不同QoS需求的队列,Pa的变化速率不同,这样就可以达到在不同负载情况下动态地为各服务类分配带宽的目的。最后通过仿真实验测试了结果。     

支持QoS保障的可信服务组合调度算法

随着分布式服务组合技术的迅速发展和广泛应用,大多数服务组合调度算法仅考虑性能QoS,已难以满足应用需要,服务实例可能是带有不确定性或恶意性的,对整个服务组合QoS性能有较大的影响.提出一种支持QoS保障的可信服务组合调度算法,该算法首先利用Dempster-Shafer理论、Shapley熵和Pignistic概率转换理论,提出一种服务实例的可信评估模型,然后利用此评估结果对传统服务组合调度算法进行改进得到该可信算法.仿真实验结果证实该可信算法可以有效地提高服务组合调度的成功率和QoS性能.     

基于多QoS约束的网格任务调度算法

提出一种基于QoS的网格资源管理模型和此模型下基于多QoS约束的网格任务调度算法。引入效益函数对QoS描述建模,为网格任务调度算法提供合理的优化目标。在此基础上改进传统调度算法得到基于多QoS约束的调度算法。实验表明,改进后的算法有更好的性能,更适合应用于网格环境中。     

网格环境下基于QoS的协作型任务调度算法研究

在深入研究网格环境下任务调度算法的基础上,提出一种基于QoS的协作型任务调度遗传算法并通过引入协作型任务的形式化描述DAG图构造了QoS参数模型.该参数模型提出了任务完成时间、价格和可靠性三个QoS参数并将这些QoS参数引入遗传算法,实现了网格环境下协作型任务调度对服务质量的优化并保证了协作型任务之间的数据依赖.通过与DAG-MIN和DAG-GSA算法的对比实验表明,该算法能在保证较优调度性能的同时大幅度提高调度的服务质量.     

改进K-means聚类的云任务调度算法

针对云任务调度中存在的效率低、费用高等问题,提出一种基于改进K-means聚类算法的云任务调度算法。依据虚拟资源的硬件属性,使用改进聚类算法对虚拟资源进行聚类划分;计算任务偏好,使不同偏好的任务在不同的聚类中选择资源;考虑到调度费用问题,对每个聚类使用改进后的Min-min算法进行任务调度。针对K-means聚类算法初始聚类中心随机选取,易陷入局部最优解的问题,对聚类算法进行改进。最后,利用云仿真平台CloudSim进行实验,结果表明,与无聚类的调度算法相比,本文提出的算法在执行效率方面有所提高。     

基于D-S理论的区间值模糊多QoS测量与网格任务调度算法

非凡的服务质量是网格的基本特征,基于QoS的网格任务调度问题已成为国内外研究的热点.由于网格环境的复杂性和用户主观判断的模糊性,传统基于QoS的网格调度算法不能处理具有多个模糊QoS需求的调度问题.用区间值模糊来描述用户的主观QoS需求信息,提出基于D-S理论的区间值模糊多QoS测量方法,对区间值模糊数表达的用户多QoS需求进行融合与处理,再将这些区间值模糊数QoS融合值作为任务的优先级加入到任务调度算法中,提出一种基于D-S理论的网格任务多匹配调度算法.研究结果和仿真实验表明,该算法不仅可以处理区间值模糊不确定性信息,在满足用户多QoS需求的情况下还可大大减小任务调度的时间跨度.