网络环境下跨域信任调度模型

针对跨域资源调度过程中不同域之间信任度评价差异,域与域之间实体信任度无法比较的现象,提出了一个域间信任度计算模型,并由域代理完成不同信任机制的相互转换。通过对不同域之间资源调度历史记录以及推荐信任度进行综合评价,把域间信任度进行规范化,使域之间的信任度有了可比性;给出了跨域信任体系结构;提出了实现跨域调度的算法。实验表明,提出的信任模型和调度算法在跨域范围内选择了信任度高的资源,提高了任务满足率和调度成功率。     

网格环境的一种跨域信任模型

针对跨域资源调度中不同信任模型之间的差异,提出了一个由域间代理完成的不同信任机制之间的转换模型,将跨域和域内信任一致处理,实现了跨域信任度的转换和评估。给出了跨域信任中的上下文定义,提出了实现跨域调度并体现上下文含义的调度算法。实验表明,所提出的转换模型和调度算法在跨域范围内选择了信任度高的资源,缩短了任务完成时间,提高了任务满足率,使调度过程得到了优化。     

基于信誉度的网格资源调度算法的实现

为了解决资源调度过程中,消费者与生产者之间的信任问题。提出了把信誉度融入经济模型的资源调度算法。基于信任度的算法,让用户可以选择性价比比较好的资源,而不是把任务分配给出价低但是性能比较差的资源．以免造成任务无法完成且浪费时间的后果。把信誉度融入资源调度算法中,不仅提高了任务的完成率。也提高了资源和消费者之间进行交易的安全性。     

信任约束下的网格工作流任务调度算法*

提出了信任约束下的网格工作流任务调度算法。该算法结合直接经验和推荐经验计算资源的信任度,根据任务在候选资源上的执行时间确定关键任务,然后选择满足执行时间和信任综合函数的资源。实验结果表明。该算法不仅缩短了工作流的完成时间,而且提高了调度的成功率。     

一种受约束的网格资源调度经济模型

针对网格计算经济的不足，提出了一个基于信任约束和价格控制的资源调度经济模型(RCMM)。该模型以资源信任度、GSC和GSP信誉度为基础，进行资源选择。在价格协商过程中，以供求关系控制Tâtonnement过程。仿真实验证明，RCMM模型改进了调度违约率，促进了价格稳定性并为任务选择了可靠性高的资源。     

基于信任机制的资源调度模型

资源调度模型是计算网格资源管理系统的主要部分之一.当前计算网格中资源调度模型的调度机制和信任机制相分离,忽略了信任的缺失引发的恶意行为会影响到整个网格系统的运行效率和调度安全.定义了域间和域内信任度的计算方法,设计了信任机制模块的调度算法.在分析现有的网格资源调度模型的基础上,增加了安全调度控制模块-信任机制模块,提出了基于信任机制的网格资源调度模型.这样大大地提高了任务调度的成功率,增强了系统的可靠性和安全性.     

网格环境下基于信任模型的动态级调度

网格用户、资源和服务的不确定性潜在地影响网格应用任务的正常执行,这样使得设计既能减小应用任务执行时间又能减小欺骗可能性的调度算法十分困难．参考社会学的人际关系信任模型,建立网格节点信任推荐机制,并利用D-S理论对推荐证据进行综合分析,从而定义出基于不确定性推理理论的信任度计算函数．将该函数并入DLS算法得到“可信”动态级调度算法(TDLS),从而在计算调度级别时考虑网格节点的可信程度．仿真结果证实,提出的TDLS算法以小的时间花费为代价,能有效提高任务在信任方面的服务质量需求．     

网格环境下基于信任机制的资源调度研究

信任是网格资源调度中一个很重要的因素,也是影响网格计算有效性和性能的关键技术之一。将信任机制引入到网格资源调度中,提出了网格环境下的信任模型和基于信任机制的资源调度模型,在调度策略上对传统的Min-Min算法进行了改进,提出了基于信任机制的Trust-Min-Min算法。仿真结果表明,算法不仅可以缩短任务的总执行时间,而且可以有效地平衡负载,是网格环境下一种有效的资源调度方法。     

信任驱动机制下的网格负载调度算法

利用网格信任模型与效益函数,结合资源当前负载状况,提出一种基于负载均衡的任务调度算法——Trust-Driven_Load（TD_Load）,在满足最大信任效益值的条件下,采用预计最短完成时间对多个资源进行选择。实验结果表明,在相同的条件设置下,TD_Load算法在资源负载、makespan和任务平均等待时间上优于基于信任效益值的传统算法,而且算法时间花费小,当任务数量增多时,综合调度性能更优。     

信任驱动的网格调度算法

针对目前网格资源管理中任务与资源匹配问题的不足,基于信任效益函数与匹配概念,提出了信任驱动的网格调度匹配算法。在调度中同时还考虑了任务和资源效益值,对已经提出的两种信任驱动的网格调度算法进行改进。结果证明:该算法较传统基于的信任驱动调度算法而言,信任效益值,资源效益值,负载平衡和失效服务数等方面有较好的综合性能。     

基于信任机制的网格资源调度算法

针对目前网格资源调度中忽视信任机制的缺陷,在行为信任模型和能力信任评估的基础上,提出一种信任驱动的资源调度算法TDS。该算法同时兼顾了性能QoS和信任QoS。仿真实验结果表明,TDS算法与传统的基于性能QoS的算法和基于信任QoS的算法相比,在最小完工时间和服务请求提交成功率方面具有较好的性能。     

网格环境下安全约束的资源调度研究

提出了一个网格信任模型,用主观逻辑理论进行信任值的推导、综合。针对现有网格任务调度算法存在的问题,设计了一种任务和资源安全等级匹配的调度算法。通过安全需求对资源进行筛选,并使它满足最早完成时间。仿真实验表明,与传统经典网格任务调度算法比较,该算法提高了任务成功率,减少了任务完成时间,是网格环境下一种有效的资源调度模型。     

网格资源信任审计

根据网格资源信任评价的主观性特点，引入一种网格环境下的资源信任审计模型。对资源信任评价值进行异常判定并对异常评价值进行追踪，查找异常原因。在此基础上，给出审计反馈和审计算法。该模型降低用户不公正评价带来的影响，使资源信任评价更准确地反映其服务质量，以便用户做出正确选择。实验结果表明，该模型的引入可提高资源的利用率，保证调度的成功率，缩短任务的平均完成时间，进而提高系统的稳定性。     

基于模糊聚类思想的网格独立任务调度算法

任务调度是网格研究的核心问题之一,在研究网格任务调度问题的基础上,利用模糊聚类思想提出将网格任务与资源进行混合模糊聚类的网格独立任务调度算法,该算法将最适合的资源分配给与之相适应的任务,即尽量将任务调度到恰好满足其需求的资源上执行,从而把综合能力大大超过当前任务的资源“预留”给将来的任务使用,算法具有良好的性能和负载均衡效果,为网格任务调度提供一种新的思路。     

云环境下基于Bayesian主观信任模型的动态级调度算法

针对云环境下存在的信任问题,提出了一种基于Bayesian方法的主观信任模型,用于量化和评估节点的可信程度。该模型给出了信任传递与合成的数学表述和实现方法,同时考虑云资源节点具有动态性、异构性、欺骗性等特征,引入了惩罚机制和分级剪枝过滤机制。最后将该模型应用于DLS算法得到基于Bayesian主观信任模型的动态级调度算法(BST-DLS)。分析及仿真实验结果表明,提出的BSTDLS算法能够以较小的调度长度为代价,有效地提高云环境下任务执行的成功率。     

实时异构系统的动态分批优化调度算法

提出了一种实时异构系统的动态分批优化调度算法,该算法采用的是在每次扩充当前局部调度时,按一定规则在待调度的任务集中选取一批任务,对该批任务中的每项任务在每个处理器上的运行综合各种因素构造目标函数,将问题转化为非平衡分配问题,一次性为这些任务都分配一个处理器或为每个处理器分配一项任务,使得这种分配具有最好的“合适性”,以增大未被调度任务的可行性.这种方法有效地提高了算法调度成功率.同时,为了评估该算法的性能,对其进行了大量的模拟,分析了一些任务参数的变化对算法调度成功率的影响,并与老算法的调度成功率进行了比较.模拟结果显示,新算法优于老算法.     

一种规避风险的网格信任调度模型

网格资源调度中,调度的可靠性不仅依赖资源本身,还受制于调度的环境。针对可靠性问题,将调度中环境带来的影响归纳为风险,以网络拥塞、病毒警报和系统可靠性为参数,给出了风险模型;提出了支撑该模型的体系结构;在信任度基础上,给出了规避风险的资源调度算法。实验表明,所提出的调度算法尽可能规避了存在的风险,大幅度提高了调度的成功率,实现了调度的优化。     

基于网格资源预测的任务优先级调度算法

根据网格工作流中任务的依赖关系和截止时间,以及资源的有效度和MIPS（每秒百万条指令）,提出基于网格资源预测的任务优先级调度算法。把网格任务工作流抽象为有向无环图,找到该工作流的关键路径,计算每个任务的最迟开始执行时间,作为任务的优先级。在算法中考虑用户的要求和资源的类型,以及任务调度失败后重新分配的问题。实验验证了该算法的有效性。     

基于区块链的云制造系统内可信资源调度方案

针对目前云制造系统中存在的各参与主体间信任问题以及资源调度效率问题,研究了将区块链技术应用于云制造系统中.首先,阐述了区块链技术应用于云制造系统的意义,提出了一种基于区块链技术的云制造系统;其次,设计了基于智能合约的制造资源调度方式,构建制造成本最小、时间最短、合格率最高的资源调度模型并用差分进化算法进行求解;最后,进行实验仿真.结果表明,基于区块链技术的智能合约内进行资源调度方法在保证了系统内各参与主体间相互信任的同时,有效地提高了云制造系统的资源调度效率和资源调度方案的优越性.