一种基于能耗优化的云计算系统任务调度方法

服务器执行任务产生的能耗是云计算系统动态能耗的重要组成部分。为降低云计算系统任务执行的总能耗,提出了一种基于能耗优化的最早完成时间任务调度方法,建立了服务器动态功率计算模型,基于动态功率的服务器执行能耗模型,以及云计算系统的能耗优化模型。调度策略根据任务的截止时间要求和在不同服务器上的执行能耗,选择不同的调度算法,以获得最小任务执行总能耗。实验结果证明,提出的任务调度方法,能够较好地满足任务截止时间的要求,降低云计算系统任务执行的总能耗。     

边缘计算系统中延时敏感型任务调度策略

为降低边缘计算系统中卸载任务的调度代价,以满足任务延时需求和系统代价最小为目标,建立边缘计算系统代价优化模型。证实该问题是NP-hard问题,提出一种基于两阶段代价优化任务调度算法TTSCO。根据改进BF算法求解初步任务调度方案,降低首阶段的非必要代价,生成调度最终解。分析算法时间复杂度,通过仿真实验验证了算法性能,实验结果表明,与LINGO理论最优解相比,调度解的近似比在95%情况下均小于1.2,该算法可以进一步降低系统代价。     

云工作流系统中能耗感知的任务调度算法*

云工作流系统研究集中在工作流任务执行的时间效率优化,然而时间最优的任务调度方案可能存在不同能耗,因此,文中求解满足时间约束时能耗最优的调度方案。首先改进任务执行能耗模型,设计适用于评价任务调度方案执行能耗的适应度计算方法。然后基于精准调整粒子速度的自适应权重,提出解决任务调度能耗优化问题的自适应粒子群算法。实验表明,文中算法收敛稳定,调度方案执行能耗较低。     

基于改进遗传算法的云计算任务调度方法

云计算环境中可能存在大量的计算节点与不确定性因素,需要进行大规模的任务调度和管理,增加了调度的复杂度和难度。为了满足任务调度的实时性需求,降低过程中产生的能耗,提出一种基于改进遗传算法的云计算任务调度方法。对不同的任务属性进行结合,重新设定各个云计算节点的任务属性,并计算节点的综合属性值。根据计算结果以全部任务完成时间最小化作为调度目标,构建云计算任务调度模型。改进传统遗传算法,优化种群的初始形成方式,通过改进后的遗传算法求解调度模型,判断获取的解是否满足终止条件,如果满足直接输出最优云计算任务调度方案,实现云计算任务优化调度。由实验结果可知,该方法的任务调度完成时间较低,其调度时间最高值仅为16 min,说明该方法能够满足任务调度的实时性需求,且能耗较低,能够实现任务的高效执行和资源的合理利用。     

边缘计算中基于能耗感知的容错协同任务执行算法

边缘计算已被设想成为增强资源贫乏的智能设备计算能力的有效解决方案.通过任务卸载用户可以将计算复杂的任务卸载到边缘云端执行来满足其对资源的需求.然而,其仍然需要解决能量消耗、可靠性和延时的问题.文中提出了一种基于能耗感知的容错协同任务执行算法,以在减少设备能耗的同时保证卸载到边缘云上的任务成功执行.具体地,首先设计了一种具有容错能力的能耗感知协同任务执行模型,该模型通过将计算卸载模型和容错模型相结合,从而在应用程序的截止完成时间内减少设备能耗.然后,提出了一种基于能耗感知的容错协同任务执行调度算法,该算法包括协同任务执行、初始化调度和在线调度.协同任务执行是通过部分关键路径分析和one-climb策略来确定任务的执行决策;初始化调度是从副本和重新提交中为在边缘端执行的任务选择容错策略,以在发生故障时可针对任务采取相应容错措施;在线调度是在发生故障时实时调整容错策略以确保任务成功处理.最后,在3种具有代表性的任务拓扑上进行了广泛的仿真实验,评估了3种不同方案在任务完成率、能耗比方面的性能差异.结果表明,无论是截止完成时间、传输速率还是容错率的变化,该方法都可以保证任务在截止时间内顺利完成,相比协同任务执行更可靠,而且相比本地执行设备消耗的能量可至少减少30％.     

边缘环境下基于模糊理论的科学工作流调度研究

作为一种新型计算范式,边缘计算已成为解决大规模科学应用程序的重要途径.针对边缘环境下的科学工作流调度问题,考虑到任务计算过程中的服务器执行性能波动和数据传输过程中的带宽波动造成的不确定性,文中基于模糊理论,使用三角模糊数表示任务计算时间和数据传输时间,同时提出一种基于遗传算法算子的自适应离散模糊粒子群优化算法(Adap...     

基于遗传蚁群算法的雾计算任务调度研究

雾计算是部署在网络边缘的分布式系统,任务调度是雾计算中最重要的研究问题之一.针对雾计算环境下任务请求的合理调度问题,提出基于雾计算的遗传蚁群算法.算法前期利用遗传算法快速搜索能力避免蚁群算法前期搜索能力不足的问题,后期利用蚁群算法正反馈的特性进行解空间的搜索.仿真实验结果表明,该算法在CPU执行时间和分配内存方面优于传统的遗传算法和蚁群算法.     

基于混合蚁群优化的边缘计算细粒度任务调度方法

为缓解中心服务器的压力,制定合理的调度方案,基于混合蚁群优化算法提出了边缘计算细粒度任务调度方法。描述边缘计算任务调度问题,并设置假设条件,简化调度求解难度。通过计算任务的优先指数,按照从大到小的顺序排列后组成任务队列。分析边缘服务器性能特征,明确边缘服务器处理能力。构建能耗以及时延多目标函数,并设置约束条件,利用混合蚁群优化算法求解多目标函数,完成边缘计算细粒度任务调度方案设计。结果表明：该方法应用下的任务调度能耗和时延更小,说明所提方法性能更优,所获得的调度方案更合理。     

异构边缘资源的任务卸载和协同调度

边缘计算广泛应用于物联网、车联网和在线游戏等新兴领域,通过网络边缘部署计算资源为终端设备提供低延迟计算服务.针对如何进行任务卸载以权衡任务执行时间与传输时间、如何调度多个不同截止期任务以最小化总延迟时间等挑战性问题,提出1种异构边缘协同的任务卸载和调度框架,包括边缘网络拓扑节点排序、边缘节点内任务排序、任务卸载策略、任务调度和结果调优等算法组件;设计多种任务卸载策略和任务调度策略;借助多因素方差分析（multi-factor analysis of variance,ANOVA）技术在大规模随机实例上校正算法算子和参数,得到统计意义上的最佳调度算法.基于EdgeCloudSim仿真平台,将所提出调度算法与其3个变种算法从边缘节点数量、任务数量、任务分布、截止期取值区间等角度进行性能比较.实验结果表明,所提出调度算法在各种情形下性能都优于对比算法.     

云—边缘系统中跨域大数据作业调度技术研究

为了降低因处理这些跨域大数据带来的作业完成时延,首先提出了以最小化系列跨域作业平均完成时间为优化目标的在线随机调度算法ranTA。ranTA基于跨域资源的异构性在线地计算出各计算任务调度至不同位置的偏好,并以此偏好作为概率调度每个计算任务;更进一步,为了避免将“热点”数据积压在边缘集群造成性能瓶颈,提出基于ranTA的捎带式数据重分布机制ranTA-data,其将部分数据随任务执行留存至云数据中心。ranTA-data不仅优化了当前作业的完成时间,也能证明在该机制下系列作业的平均完成时间以大概率汇聚于最优解附近。大规模仿真实验表明,所提出的在线随机化算法与数据重部署机制相比传统方法,平均降低系列作业完成时间近30%。     

基于数据驱动的管道云边协同泄漏检测方法

随着管道运输规模的不断扩大和泄漏检测流程的日趋复杂,管道泄漏检测系统中数据采集、传输和处理等任务难度呈几何级数上升.鉴于此,针对基于数据驱动的管道云边协同泄漏检测方法展开研究,首先针对系统在数据获取方面中压力数据采集量大、数据之间存在冗余的问题,提出一种自适应数据压缩与采集算法;然后依据云边协同调度策略的需求,对云边协同系统中各个环节进行任务细粒度划分,并根据划分后子任务的计算时延和传输时延提出云边协同下管道泄漏检测系统的任务拓扑模型;最后将系统的优化目标定义为在任务执行时间限制下的边缘控制器利用率,进而通过遗传算法求解时间限制下的最优调度策略.仿真分析验证了管道云边协同泄漏检测方法的有效性,所提出方法可以实现管道泄漏事件快速报警.     

一种多重约束下确保成功率的云工作流调度方法

为提高多重约束下的调度成功率,提出一种满足期限和预算双重约束的云工作流调度算法。将可行工作流调度方案求解分解为工作流结构分层、预算分配、期限分配、任务选择和实例选择。工作流结构分层将所有工作流任务划分层次形成包任务,以提高并行执行程度;预算分配对整体预算在层次间进行分割;期限分配将全局期限在不同层次间分割;任务选择基于任务最早开始时间确定优先级,得到任务调度次序;实例选择根据时间和代价均衡因子,获取任务执行最佳实例。仿真结果证明,该算法在调度成功率、同步优化工作流执行时间与执行代价上相较对比算法更好。     

基于入侵杂草蝙蝠双子群优化的装备保障编组协同任务规划

针对装备保障编组协同任务规划问题,构建以时效优先为目标,考虑保障任务时序逻辑关系、任务执行质量和保障编组占用冲突等复杂约束以及保障编组能力更新机制的数学模型,提出一种基于入侵杂草蝙蝠混合算法的双子群任务规划方法.首先,采用佳点集初始化方法,在解空间生成具有均匀分布特征的种群;其次,设计具有修复操作的解编码和任务优先排序,实现任务-编组-时间的匹配和冲突消解;再次,划分双子群,利用入侵杂草优化算法和Fuch混沌蝙蝠优化算法协同进化;最后,应用重组算子引导种群进化,均衡算法全局探索和局部搜索能力.仿真算例表明,所提方法可对大规模复杂任务分配方案进行精确高效的求解.     

云中截止时间动态分配的工作流调度成本优化算法

现如今,如何在满足截止时间约束的前提下降低工作流的执行成本,是云中工作流调度的主要问题之一。三步列表调度算法可以有效解决这一问题。但该算法在截止时间分配阶段只能形成静态的子截止时间。为方便用户部署工作流任务,云服务商为用户提供了的三种实例类型,其中竞价实例具有非常大的价格优势。为解决上述问题,提出了截止时间动态分配的工作流调度成本优化算法(S-DTDA)。该算法利用粒子群算法对截止时间进行动态分配,弥补了三步列表调度算法的缺陷。在虚拟机选择阶段,该算法在候选资源中增加了竞价实例,大大降低了执行成本。实验结果表明,相较于其他经典算法,该算法在实验成功率和执行成本上具有明显优势。综上所述,S-DTDA算法可以有效解决工作流调度中截止时间约束的成本优化问题。     

基于改进DPSO算法的并行测试任务优化调度研究

并行测试以减少测试时间和降低测试成本的强大优势,已成为当前自动测试系统发展的方向。针对并行自动测试过程中,测试任务调度复杂,难以优化的问题,以PSO算法为基础,通过对问题空间编码的重新定义,并运用交叉、变异算子给出了新的粒子位置的更新公式,提出了一种改进后的DPSO算法。依据并行测试完成时间极限定理,给出了并行测试任务调度的目标函数与约束条件。以某雷达电子装备并行测试系统中三块电路板并行测试为例,对改进的DPSO算法进行了仿真验证,得到了最优调度测试序列。结果表明：与遗传算法相比,改进后的DPSO算法迭代次数更少,寻优性能更好,适用于工程应用。     

基于云科学工作流调度的代价与能效优化算法

为了降低云环境中科学工作流调度的执行代价与数据中心能耗,提出了一种基于能效感知的工作流调度代价最优化算法CWCO-EA。算法在满足截止时间约束下,以最小化工作流执行代价与降低能耗为目标,将工作流的任务调度划分为四步执行。首先,通过代价效用的概念设计虚拟机选择策略,实现了子makespan约束下的任务与最优虚拟机间的映射;其次,通过串行与并行任务合并策略,同步降低了工作流的执行代价与能耗;然后,通过空闲虚拟机重用机制,改善了租用虚拟机的利用率,进一步提高了能效;最后,通过任务松驰策略实现了租用虚拟机的能力回收,节省了能耗。通过四种科学工作流的仿真实验,结果表明,CWCO-EA算法比较同类型算法,在满足截止时间的同时,可以同步降低工作流的执行代价与执行能耗。     

基于粒子群优化的异构多处理器任务调度算法

为提高异构多处理器任务调度的执行效率,充分发挥多处理器并行性能,提出一种基于粒子群优化的异构多处理器任务调度算法——FPSOTTS算法。该算法以求得任务最短完成时间为目标,首先通过建立新的编码方式和粒子更新公式实现粒子搜索空间到离散空间的映射,使连续的粒子群优化算法适用于离散的异构多处理器任务调度问题;同时通过引入禁忌算法进行局部搜索,克服粒子群算法的早熟收敛现象,避免陷入局部最优。实验结果表明,FPSOTTS算法的执行效率优于Min-min算法和遗传算法,有效地降低任务的执行时间。FP-SOTTS算法很好地解决了异构多处理器任务调度问题,并且适合于大规模并行任务调度。     

一种考虑截止期的METCD业务组合调度方法

海洋设备检定、校准和检测（Marine Equipment Testing, Calibrate & Detection, METCD）业务规模大、紧急情况多,如何对业务进行合理的调配是海洋计量检定行业亟待解决的问题。本文提出了一种考虑截止期的任务组合METCD业务调度方法。在建立业务调度问题数学模型的基础上,采用最早截止时间优先-蚁群算法(EDF-PACO)对模型求解,在最早截止日期的约束条件下对任务组合处理的最优调度方案,达到降低任务总完成时间和减少执行空间浪费双重优化目标。为了验证方法的可行性,以国家海洋局东海标准技术中心的业务为实例,将EDF-PACO算法与传统的最早截止时间优先算法和蚁群算法进行比较,结果表明本文所提出的调度方法在满足截止期的约束条件下能高效地对海洋设备的计量检定业务进行组合调度。     

基于自组织劳动分工的边云协同任务调度与资源缓存算法

针对边缘计算环境中,边缘设备的计算和存储资源有限的问题,探讨高效的边云协同任务调度和资源缓存策略,研究自组织劳动分工群智能算法模型机理,并以此为基础,提出基于蜂群劳动分工“激发-抑制”模型的边云协同任务调度算法(edge cloud collaborative task scheduling algorithm based on bee colony labor division‘activator-inhibitor’ model, ECCTS-BCLDAI)和基于蚁群劳动分工“刺激-响应”模型的边云协同资源缓存算法(edge cloud collaborative resource caching algorithm based on ant colony labor division ‘stimulus-response’ model,ECCRC-ACLDSR).仿真实验结果表明:所提出的ECCTS-BCLDAI任务调度算法在降低平均任务执行时长、减少边云协同费用上相较于传统算法有更好的表现;所提出的ECCRC-ACLDSR资源缓存算法在降低任务平均时长、优化网络带宽占用率、减少...