云计算资源调度研究综述

资源调度是云计算的一个主要研究方向.首先对云计算资源调度的相关研究现状进行深入调查和分析;然后重点讨论以降低云计算数据中心能耗为目标的资源调度方法、以提高系统资源利用率为目标的资源管理方法、基于经济学的云资源管理模型,给出最小能耗的云计算资源调度模型和最小服务器数量的云计算资源调度模型,并深入分析和比较现有的云资源调度方法;最后指出云计算资源管理的未来重要研究方向:基于预测的资源调度、能耗与性能折衷的调度、面向不同应用负载的资源管理策略与机制、面向计算能力(CPU、内存)和网络带宽的综合资源分配、多目标优化的资源调度,以便为云计算研究提供有益的参考.     

云计算环境下任务调度研究综述

云计算是一种新的商业计算模型。将计算任务分布在大量计算机构成的资源池上,使各种应用系统能够根据需要获取计算资源、数据资源、存储资源和应用服务资源等。大数据时代,云计算的另一个特点是其将处理大规模的任务。如何实现在满足用户Qo S的前提条件下,对海量任务进行高效调度并对大量云资源进行合理的分配,使得云任务占用尽量少的云资源是云计算领域的一个研究热点。主要论述了云计算环境下任务调度的目标和新特性,分析总结了云计算任务调度的研究现状并以调度目标为侧重点归纳总结了四类调度策略,即侧重性能的调度、侧重服务质量的调度、侧重经济原则的调度和侧重能耗优化的调度,给出了云任务调度的研究展望,为下一步更深入的研究指出方向。     

基于openstack的云计算实训平台

对基于OpenStack的云计算实训平台进行了研究，为了解决云计算实训平台资源调度方案设计不合理而出现的资源利用率低、能耗过高等问题，分别对平台整体的物理架构与逻辑架构进行设计，并提出了一种基于HGQP算法的最佳放置方案求解方法，继而获取资源利用率最高、能量消耗最低的虚拟机调度方案，来实现提高云计算实训平台资源利用率和降低能耗的目的。最后分别对HGQP算法与遗传算法、量子粒子优化算法进行实验对比，并对基于OpenStack的云计算实训平台进行了功能测试。结果表明：HGQP算法适用于虚拟机调度问题，当虚拟机增加到300时，最优调度方案获取时间仅需16 s, CPU利用率为0.45,能量消耗为0.81,在三种算法中计算速度最快、耗时最短、稳定性更高，且当虚拟机请求增加越多，HGQP算法的优势更强。同时，基于OpenStack的云计算实训平台的各个功能模块能够反应迅速并正常运行。     

基于能耗感知的包簇资源分配算法研究

随着数据中心的扩大,现有的云计算资源的分配与调度机制,带来了许多庞大的工作调度问题,针对该问题,本文采用基于包簇框架的资源调度分配方式,并在此框架上,通过提出非线性能耗模型,在最大限度地不违背服务级别协议(SLAS)的情况下,并且同时以降低能耗为目标,提出基于BFDP(Best-Fit-Decreasing-Power)算法进行包簇资源的分配。通过实验表明,基于本文提出的包簇框架的能耗感知算法比较其他的适应算法,簇的使用个数降低,能耗根据系统各组件的利用率增高而降低。     

一种自适应粒子群算法在云资源调度中的应用

通过资源调度优化提升云计算的效率并降低数据中心能耗是云计算领域的主要研究内容之一。粒子群算法常用于解决资源调度问题,然而粒子群算法在云计算资源调度应用中算法初期收敛速度快,后期收敛速度缓慢,易陷入局部寻优。本文提出了一种自适应改进的粒子群算法用于云计算资源调度问题的研究,该算法通过自适应改进粒子的个体学习因子和社会学习因子,以提高算法的全局探索能力,使得粒子逼近更优解。实验结果表明：本文提出的自适应粒子群算法不仅具备良好的收敛性和全局寻优能力,同时能够大幅度降低云资源调度中任务队列的总完成时间。     

云计算中基于NSGA Ⅱ的虚拟资源调度算法

云计算环境下将物理资源抽象为同一的虚拟资源,如何将虚拟资源调度到物理资源上是云计算中一个基本且复杂的问题.对虚拟资源的调度进行建模并证明其难解性,将该模型的求解转化以系统负载均衡为优化目标的多目标优化问题,提出采用改进的基于非支配排序的遗传算法(NSGA Ⅱ)来求解该问题.与针对具体环境的调度算法相比,抽象的模型更能代表典型的云计算环境中的虚拟资源调度问题.对提出模型进行了仿真,实验结果表明了该模型的有效性和NSGA Ⅱ算法求解该问题的可行性,同时对比随机算法、静态算法和排序匹配调度算法,NSGA Ⅱ算法优于其他算法.     

云计算环境下多DAG调度的资源分配进化算法

现有多DAG调度研究主要在多个DAG共享资源调度的时间最小化、公平性最大化、吞吐量最大化等问题方面提出了相关的解决方案,然而,现有的方法还不能很好地解决云计算环境下多DAG共享资源调度的资源分配优化问题.为此,首先分析讨论了一组多DAG共享云计算资源调度中的多DAG数量、属性结构分布特点与资源需求量之间的关系,并在此基础上提出了基于资源需求强度预测变异方法的进化算法EFRD,有效地解决了云计算环境下多DAG共享资源调度的资源分配优化问题,既保证了多DAG的调度执行时间最小化,也避免了资源的浪费.实验表明,EFRD算法能够有效地收敛到最优解.     

云计算中调度问题研究综述

云计算中资源、任务的调度对云计算的整体性能和运营发展有重要影响。主要讨论云计算中的调度方法和策略问题;归纳了云计算调度的目标与特点,指出了云计算调度研究的主要进展,并从三类调度目标侧重点出发,即以性能为中心、以服务质量为中心和以经济原则为中心,对当前调度研究现状进行了归纳;讨论了现有云计算平台所采用的调度策略,总结了现有调度研究中存在的问题。在此基础上从资源评估、任务建模、动态综合算法和兼顾调度双方利益等方面对云计算调度的研究前景进行了展望。     

基于狮子优化和GSA混合的多目标任务调度算法

针对现有云计算环境中调度算法资源利用率低,调度成本高的问题,提出了一种基于狮子优化和引力搜索算法(gravity search algorithm,GSA)混合的多目标任务调度算法,该算法使用成本、能耗、资源利用作为目标函数,将狮子搜索和引力搜索算法进行有效地组合来执行智能过程调度,改善调度过程中的优化问题,避免陷入局部最优.实验结果表明,相对于其他调度算法,提出的多目标任务调度算法的性能具有明显的优势,解决了传统单目标资源调度算法存在的缺陷,最终优化方案可以获得最低成本、最低能耗和最高利润.     

面向云计算的任务调度算法综述

介绍了云计算,对任务调度在云计算中的地位做了分析,并由任务调度出发,对云计算任务调度算法的研究现状进行分类、梳理和总结.根据调度目标的不同,将算法分为单目标优化的任务调度算法和多目标的任务调度算法,对每类方法的代表性算法进行了分析介绍,并详细总结了每类方法的基本思想,对其优缺点做了分析、对比,并对改进方式进行了归纳.