一种基于自动回归的改进网格主机负载预测模型

提出了一种基于自动回归（AR）改进的主机负载预测模型,它不仅具有AR模型本身的计算成本小、预测性能稳定的优点,还对AR模型只对未来某个固定时间段的负载预测进行了改进,使之能根据作业的预测执行时间进行主机负载动态预测,同时该模型还充分体现了主机负载变化的自相似性和长期依赖性。实验结果表明,该模型达到了预期的效果。     

一种基于预测的反馈网格作业调度模型*

网格计算中的资源是动态和异构的,常规的静态作业调度方法不适宜网格计算环境,对于网格计算中一类并行计算的有效执行有赖于网格资源（CPU和网络带宽等）与作业的有效匹配。提出了一种基于资源预测结果对作业进行调度的策略,首先阐述了网格主机负载预测的研究成果——IAR模型,并提出了一种预测网络带宽的工具——网络性能平面,利用资源预测结果构造了一种反馈作业调度模型并对一类基于时间平衡的作业进行实验。结果表明,该模型在与其他诸多方法比较中,取得了执行时间较短和稳定性较好的效果。     

基于主机负载的任务执行时间预测研究

在网格计算中,预测网格节点性能的动态变化和网格任务的执行情况是影响网格任务高效调度是否成功的最重要因素之一.结合主机负载和任务执行时间的线性关系,研究分析了一种基于主机负载的任务执行时间预测算法.利用仿真实现了这种算法,对基于主机负载实现任务执行时间预测的可靠性进行了实验论证,并给出了预测精度的评价结果.     

基于基因表达式编程的网格主机负载时间序列分析

针对网格主机负载的特性,本文提出基于基因表达式编程和滑动窗口法构造网格主机负载时间序列模型的方法,扩充美国Din＆所开发的RPS的实验环境以支持基因表达式编程模型,并用该系统对Dinda和O＇Halloran在1997年和1998年对39台DECAlphaDUX主机进行抽样所获得的主机负载信息进行实验。结果表明,用本文所提出的方法所构造的预测模型同自动回归模型（AR）相比,具有更高的预测精确度。     

基于资源预测的网格任务调度模型

跨越虚拟组织中多个域(或集群)的网格任务调度由于资源的不确定性（如动态性和异构性）而成为网格应用中亟待解决的问题。提出了一种有效的基于资源预测的网格任务调度模型——RPTS,该模型利用加权最小二乘方法进行参数估计的自回归滑动平均(ARMA)预测方法对网格环境下的主机负载进行预测。利用上述资源预测结果和一类数据并行性网格任务的建模结果,对它们进行预处理、匹配并调度执行。RPTS充分考虑了网格环境下资源的动态性和异构性,为解决网格环境下任务调度问题提供了一种较好的方法。与其他一些网格任务调度方法进行了一系列的仿真实验,结果表明RPTS模型具有任务执行时间最短和稳定性较好的特点。     

面向云测试的主机预测技术

云测试用于云上管理和执行测试任务。由于云上的计算资源能够较为方便的扩展，而负载测试通常需要大量计算资源，因此负载测试非常契合基于云的测试方法。为了保证负载测试能够按照测试计划成功发起，并且不会出现资源不足或闲置，需要在测试执行前确定云上虚拟主机数目，而现有的研究还缺少此类技术。为此，提出了一种面向脚本化负载测试的云主机预测技术，在负载测试开始前执行小规模的负载测试，收集计算资源与测试负载的基础数据，在此基础上使用机器学习方法进行数据训练并预测主机数量。结果表明：提出的主机预测方法能够较好地预测出负载测试所需主机数目。     

一种基于历史信息的自适应动态网格作业调度方法

目前,国内外围绕着网格中的作业调度算法已做了大量研究,先后提出了很多调度算法.但是,这些算法并不能很好地适应网格的动态性、自治性和分布性等特征.对此,提出了一种动态的网格作业调度方法-基于历史信息的自适应动态网格作业调度方法ASHI.该方法利用每个资源上最近作业的执行信息自适应调整预测模型,然后再根据网格的动态性和实时性等因素,对资源进行反馈选择后将作业提交负载较轻的资源上执行.实验证明,ASHI不但能及时有效地对作业进行调度,而且还可有效提高整个网格的吞吐量和均衡系统的负载.     

网格环境中节点CPU负载的分形预测

网格环境下，常常需要知道网格资源在未来某一时刻具有什么样的性能，比如，调度器需要该性能估测以便进行高效的资源调度、提供满足要求的QoS以及保证整个网格系统的负载平衡。正如在其他任何计算环境中一样，计算能力是所有网格资源中最为重要的资源，通常用CPU负载来刻画节点主机的忙碌程度、衡量节点所能提供的计算能力。已有的研究表明CPU负载具有自相似性和长相关性，这启发我们使用本文介绍的分形的方法进行CPU负载的预测。实验结果证明该方法具有较高的预测精度，因而具有较好的实用价值。     

基于蚁群优化算法的服务网格的作业调度

提出了利用蚁群算法来优化服务网格的作业调度系统的方法和一个两层的作业调度模型，该模型可以在网格的动态和异构环境下实现对作业执行时间的预测，然后根据作业的预测执行时间并利用蚁群优化算法使适应函数取得最小值，从而得到最优化的作业调度。基于开发的校园网格实验床，通过实验显示该方法可以优化服务网格的性能，减少作业的平均执行时问，提高系统的吞吐率。     

一种基于任务复制方法的网格调度算法

根据Intemet上存在大量空闲主机的情况，结合流行的P2P的思想给出了一种基于资源代理的网格系统模型，该模型能提供超级计算能力给一般的用户。针对在像网格这样的大规模系统中部署大量监控组件的困难性，设计了一种基于任务复制的调度算法。该算法无需任何有关环境的预测信息，仅需知道任务的相对长度，就可在执行过程中自动地适应网格的动态性，并且具有容错功能。     

An adaptive scheme for predicting the usage of grid resources

In order to manage the grid resources more effectively and provide a more suitable job scheduling strategy, the prediction information is needed for applications in the Grid computing system, such as the high performance computing and sharing computational resources, etc. In this paper, we propose a prediction system that can predict most information in the grid environment. Whether the repetitive time series pattern of the information exists or not, the proposed system can provide prediction results. We label the environment information in the grid and use the periodicity detector to detect the iterative patterns. The detected patterns can be used to predict several future values. Before the repetitive patterns have been found, a simple scheme that does not require a lot of resource has been used to generate prediction values. A prototype of this model is developed and tested with several test cases. The experimental results by the simulation show that our prediction system is able to capture different kinds of time series patterns and provide accurate prediction for the grid environment.     

基于移动代理的网格作业管理模型的研究

网格作业管理是网格的最主要的功能之一,主要涉及到网格计算环境下作业调度和分配、作业分解和迁移、负载平衡等问题.介绍了一种引用移动代理Agent技术的网格作业管理模型,并针对该系统依次详细地描述了其中的作业提交与发布、作业调度以及作业的分解和迁移,最后给出基于移动代理的网格作业管理模型的原型系统,并对该系统作单机与联机的性能进行分析和比较.     

基于动态预测和任务流整形的网格调度算法

针对网格环境下计算节点的自治性、异构性、分布性等特征,提出一种基于任务响应时间的动态修正预测和任务流整形的网格调度算法,该调度方法依据历史数据和最近访问过计算节点的任务请求提交时间、任务完成时间、网络通信延迟等信息,预测计算节点的将来任务响应时间,将任务提交给预测的轻负载或性能较优的计算节点完成。通过使用动态修正算法和任务流整形算法降低预测误差,提高资源利用率。实验结果表明,该方法在任务响应时间、任务的吞吐率等方面优于随机调度等传统算法,具有较好的综合性能。     

计算网格中动态负载平衡的分布调度模式

网格计算下对资源进行有效的管理和调度可以提高系统的利用率.在对现有若干调度方法的研究和分析基础上,针对计算网格中的负载平衡问题,提出了一种分布式网格作业调度模型,并给出相关算法.算法通过建立主从模式的负载信息收集机制,提供给节点全局负载信息,加速重负载节点的负载转移速度.通过有效的负载平衡模式,解决资源调度中负载平衡及其可靠性问题.     

网格计算技术研究

目前,网格技术快速发展,从科学研究领域正在逐步进入商业应用领域。文中从网格技术的发展入手,阐述了网格技术的发展过程中的重要变迁;以网格技术中动态作业调度技术为例,分析网格在动态变化的网络环境中资源共享和协同工作的技术原理,分析网格技术的真正优越性;从未来几年软件技术、信息设备、应用场景的发展为背景,针对网格技术发展趋势,简述了自适应和自主计算、网格编程环境、网格的管理策略和系统性等网格技术发展中的关键技术。     

基于LSTM网络的移动云计算多元负载预测模型

针对移动云主机负载变化大、难以精准预测的问题,提出一种联合特征选择下基于长短期记忆网络的AR-LSTM-ED负载预测模型,能够对云主机负载进行单步和长时间多步预测。首先采用联合特征选择的方法得到与目标预测负载序列相关的其他负载序列,并且利用适用于在线预测的无抽取的小波变换方法将目标预测特征分解成更加易于预测的子序列。最后将这些序列和目标预测序列一起输入AR-LSTM-ED模型中,AR-LSTM-ED模型利用长短期记忆编-解码网络对目标负载进行预测,具有能够捕捉负载中的长期依赖关系的优点,且进一步结合了自回归模型（AR）以预测负载中的线性数据。在真实的Google云计算数据集上验证算法,对比实验结果表明,本文提出的方法取得了更好的性能。