网格计算中任务调度研究综述*

阐述了网格计算领域任务调度的特点和目标；综述了现有的任务调度技术和算法，包括启发性智能任务调度，基于Agent的任务调度，基于Petri网的任务调度，基于成本的任务调度等算法，以及任务调度的负载均衡问题，最后给出任务调度的研究展望。  

容错计算网格作业调度模型的研究

网格技术的发展对网格系统的效率和服务质量提出了更高要求．在综合研究目前网格作业调度环境的基础上，提出一种容错计算网格作业调度的随机Petri网模型，并给出了网格作业分派策略和计算站点内的作业选择策略，以及容错计算网格的性能评价指标．仿真实验对容错计算网格的性能进行有效的分析，反映故障对网格中不同类别作业的影响．  

多QoS约束网格作业调度问题的多目标演化算法

针对网格计算中的多QoS约束网格作业调度问题，以独立作业为研究对象，将其规约为多目标组合最优化问题．通过深入剖析多目标最优化理论及其演化算法，结合网格作业调度自然特征，提出了一种解决多QoS约束网格作业调度问题的多目标演化算法．该算法求解多个QoS维度效用函数指标的非劣解集，尝试解决多管理域间网格用户、资源管理者等网格实体的多目标协同问题．仿真结果表明，在时间维度、可靠性维度、安全性维度QoS效用值等用户级QoS指标，以及丢弃作业数等系统级指标方面该算法与QoS-Min-min和QoS-Sufferage等同类算法相比具有较好的综合性能．  

网络集群计算系统中的并行任务调度

基于多处理机并行任务调度模型，探讨网络集群计算系统中的并行任务调度问题，首先证明了一般网络集群计算系统中调度算法的可近似性难度，然后提出了三种不同的启发式算法：最大长度优先调度算法、最大宽度优先调度算法和最大面积优先调度算法；然后根据大量的模拟实验对这些算法以及文献中已提出的调度算法进行了比较分析，结果表明该文的启发式算法比文献中的算法在性能上效果更好。  

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。  

基于遗传算法的自适应网格任务调度方法

文章提出了一种以资源代理为基础的任务调度方法—GMBSA,该方法先对任务执行时间进行预测,然后运用遗传算法结合多队列Backfilling方法进行任务调度,达到最小化任务执行时间(MinimumExecutionTime)的要求,最终实现网格资源的优化分配。试验中采用Simgrid任务调度模拟器对GMBSA的性能进行了测试,并比较了轻重负载情况下GMBSA,多队列Backfilling和FCFS三种调度方案的性能差异。  

基于工作站的分布式系统中的负载分配和平衡策略

作为分布式系统部自动系统决策的基础，提出了一个新的基于多种资源尺度的用户监控的负载平衡调度器，并讨论了远程过程执行的具体实现方法。采用该文所述策略和方法可使系统性能显著提高。  

移动网格发展研究

论述了移动网格的基本概念和研究背景,综述了移动网格的体系结构、资源管理、任务调度、中间件、安全与容错等关键技术,尤其是资源的巨大数量和间歇连接特性为移动网格的实现带来最大挑战.详细地介绍了移动网格的国内外研究现状,对各种关键技术的研究成果进行了深入分析.最后对移动网格的发展进行了归纳,提出移动网格研究对象的扩展,即通过有线方式连接的普通节点如PC机也应容纳到移动网格中,并基于覆盖网的思想提出分布式体系结构.  

用于并行计算的PC机群

随着计算机技术的高速发展，使用机群进行并行计算也越来越流行，尤其是利用工作站机群进行并行计算已经十分普遍。但使用ＰＣ机群进行并行计算的系统还很少，这种ＰＣ机群由一组ＰＣ机（４８６，５８６）通过网络互连组成。本文介绍现有的几个ＰＣ机群和我们研制的一个ＰＣ机群计算环境  

Characterization of Bandwidth-Aware Meta-Schedulers for Co-Allocating Jobs Across Multiple Clusters

In this paper, we present a bandwidth-centric job communication model that captures the interaction and impact of simultaneously co-allocating jobs across multiple clusters. We compare our dynamic model with previous research that utilizes a fixed execution time penalty for co-allocated jobs. We explore the interaction of simultaneously co-allocated jobs and the contention they often create in the network infrastructure of a dedicated computational multi-cluster.We also present several bandwidth-aware co-allocating meta-schedulers. These schedulers take inter-cluster network utilization into account as a means by which to mitigate degraded job run-time performance. We make use of a bandwidth-centric parallel job communication model that captures the time-varying utilization of shared inter-cluster network resources. By doing so, we are able to evaluate the performance of multi-cluster scheduling algorithms that focus not only on node resource allocation, but also on shared inter-cluster network bandwidth.