物联网感知层节点任务分布式调度算法研究

针对传统节点任务调度效率低的问题,笔者设计了物联网感知层节点任务分布式调度算法。通过选取任务节点,本算法减少任务集中出现在同一节点的情况,构建任务调度机制,提高调度过程中的资源整合能力。为保证调度的实时性需求,该算法设定调度时间约束,以此完成物联网感知层节点任务分布式调度。实验结果表明,该算法节点任务分布式调度的效率比传统算法效率高,具有实际应用意义。     

虚拟计算环境中的多机群协同调度算法

基于虚拟计算环境的核心机理,提出由自主调度单元、域调度共同体、元调度执行体为核心的多机群协同系统框架.剖析多机群任务并发运行性能模型,设计了多机群协同调度算法框架,提出最大空闲节点优先、最小网络拥塞优先、最小异构因子优先与最小异构空闲节点优先4种启发式资源选择策略.实验验证了协同调度模型与算法在任务集完成时间与系统平均利用率的测度上的有效性.     

一种基于任务响应时间预测的网格调度算法的研究

针对网格环境下计算节点的自治性、异构性、分布性等特征,提出了一种动态的基于任务响应时间预测的调度算法。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,预测计算节点将来的任务响应时间,将任务提交给轻负载或性能较优的计算节点完成。实验结果表明,该方法不但可以有效减少不必要的延迟,而且在任务响应时间、任务的吞吐率及任务在调度器内等待被调度的时间方面比随机调度等传统算法要优。     

P2P分发网中大容量实时数据传输调度算法

当P2P分发网中一个节点同时从若干个其他节点获取数据时,需要对数据下载任务进行合理调度,并尽量按时完成更多的下载任务.本文提出了一种基于多任务负载均衡的调度算法,该算法在调度下载任务时,将尚未被调度的下载任务也作为调度依据,从而能够有效地解决下载任务之间对带宽资源的恶意竞争,合理地利用各个其他节点提供的下载带宽,最终完成更多的下载任务.实验结果表明该算法能够减少超时下载任务的数目,提高P2P分发网的实时数据分发性能.     

基于节点集计算能力差异的Hadoop自适应任务调度算法

针对异构集群任务推测式执行算法存在的任务进度比例固定、落后任务被动选取等问题,提出基于快慢节点集计算能力差异的自适应任务调度算法。该算法量化节点集计算能力差异实现分集调度,并通过节点与任务速率的动态反馈及时更新快慢节点集,提高节点集资源利用率与任务并行度。在两节点集中,利用动态调整任务进度比例判别落后任务,主动选择采用替代执行方式为落后任务执行备份任务的快节点,从而提升任务执行效率。与最长近似结束时间(LATE)算法的实验对比结果表明,该算法在短作业集、混合型作业集、出现节点性能下降的混合型作业集执行时间上比LATE算法分别缩短了5.21%、20.51%、23.86%,启用的备份任务数比LATE算法明显减少。所提算法可使任务主动适应节点差异,在减少备份任务的同时有效提高作业整体执行效率。     

动态物联网节点任务实时传输分簇调度算法

为解决传统互联网节点任务实时传输分簇调度管理进程和内存管理效率低的问题,笔者提出了动态物联网节点任务实时传输分簇调度算法,通过构建互联网节点任务传输信息流的模型,进行传输信息流的融合处理,能够实现动态物联网节点任务传输信息流的分簇处理。实验数据表明,分簇调度算法较传统调度算法效率更高,适用于动态物联网节点下的实时传输分簇调度。     

异构环境下自适应Reduce任务调度算法的研究*

在异构环境下的MapReduce编程模型中,Reduce任务的调度存在随机性,通常在分配任务时既没有考虑数据本地性,也没有考虑计算节点对当前任务的计算能力。针对以上问题,提出一种异构环境下自适应Reduce任务调度算法(SARS),该算法首先根据Reduce任务的输入数据分布选择所含数据量最大的机架;在选择计算节点的过程中,结合节点所含任务的数据量、节点的计算能力和当前节点的忙碌状态来选出任务的执行节点。最后实验结果表明,SARS算法减少了Reduce任务执行时的网络开销,同时也减少了Reduce任务的执行时间。     

云计算环境下基于路径优先级的任务调度算法

为了最小化云计算系统的任务调度长度,结合表启发式调度技术和任务复制的思想提出基于路径优先权的任务调度算法.采用一种新方法计算DAG图中任务节点及边的权值,从最高优先权的路径开始依次选择任务进行调度,并通过有选择性地复制任务节点的父任务来减少任务间信息传送的时间花费,最后将任务安排到使其执行完成时间最早的虚拟机上.通过随机产生的DAG图与HEFT算法进行对比分析,实验结果表明了该算法能获得较短的调度长度.     

物联网环境下具有顺序约束关系的静态任务表调度算法

针对物联网异构调度环境下并行计算的静态任务调度问题,提出了一种基于最早完成时间策略改变调度顺序的表调度算法HDPTS。该算法针对现有表调度算法在调度前不能准确地确定调度顺序的问题,在IHEFT算法的基础上添加了一个动态优先级调度策略,当节点的前驱任务都已经完成调度任务时,就改变该节点的调度优先级。任务优先级的计算在所有前驱任务到达这个任务的最晚完成时间与所有资源上最大可以使用时间之间取最大值的基础上,同时考虑到分配到各个资源上的任务对后继任务的影响和资源上的负载情况,以及上行权重的计算值和对出口任务的影响,使得优先级计算更加合理,能够根据任务分配动态合理改变任务调度顺序。通过随机生成一个算例进行测试,结果表明HDPTS比IHEFT、HEFT在调度长度方面减少14.29%;对大量随机产生的特定结构的有向无环图(DAG)进行测试,测试结果显示HDPTS算法比IHEFT、HEFT和LDCP算法更有效。     

Map/Reduce下快速剪枝算法在复杂任务调度中的应用

云环境下传统任务分配与调度算法对于复杂任务调度的整体效率较低,为了提高Map/Reduce对复杂任务分配调度的整体效率,提出了一种基于任务处理时间的快速剪枝算法。该算法首先将复杂任务按照任务依赖关系大小进行最佳拓扑排序,使任务按顺序执行,从而提高调度准确率。然后使用节点处理任务的预测时间与节点处理能力的比值作为子任务在每个节点的处理时间进行量化建模,建立任务和处理时间的度量矩阵,通过采用按阶剪枝方法逐渐缩小任务分配规模,对N个节点处理N个任务的分配问题,进行N-1次操作可获得任务分配的最优解。运用Hadoop平台进行实验验证,从任务调度效率与资源使用率角度将剪枝算法与公平调度算法、遗传算法和GRAPHENE算法进行对比验证。实验结果表明剪枝算法能明显提高任务调度的整体效率,充分利用各节点的计算能力提高Map/Reduce调度效率。     

异构计算环境下基于优先队列划分的调度算法

人工智能的飞速发展对高性能计算提出了更高的要求,异构计算环境下任务调度问题一直是高性能计算中的关键问题.本文提出一种基于优先队列划分的调度算法(PQDSA),该算法根据DAG(有向无循环图)任务集的入口节点数量确定优先队列数,通过任务的通信开销和计算开销划分任务队列,进而将关键节点任务分配给合适的队列,以产生效果较佳的任务调度队列,从而提高任务间的并行性,降低任务集的完工时间.与此同时,进一步基于插入策略将任务调度到处理器上,使任务调度更加高效地执行.PQDSA算法可以减少任务间的时间消耗,提高处理器的调度效率.通过与两个经典算法的性能对比,实验结果表明本文提出的PQDSA算法在任务完工时间和调度效率方面都要明显优于对比的算法.     

移动微云任务迁移与调度

为了解决移动微云中时间期限约束下的任务能效调度问题,提出一种基于自适应概率的分布式任务调度算法。算法分为两个阶段:资源发现阶段和自适应概率调度阶段。第一阶段主要通过修正的QoS OLSR协议,使发送任务执行请求的源节点周期性地收集邻近处理节点的资源信息;第二阶段主要根据源节点的任务到达率,以概率计算方式选择最优的处理节点执行任务,在满足时间约束的同时,达到最优的能效。经过大量仿真场景的验证,结果表明该算法在维持较高的任务完成率的同时,还可以降低任务完成的平均能耗。     

基于关键路径链和PACGA的网络总线资源调度方法研究

针对传统工业控制网络总线资源调度算法在节点数量逐渐增加时收敛速度慢和搜索精度不高,且准确度及效率低等问题,提出了一种基于关键路径链和多态蚁群遗传算法(PACGA)的资源调度方法,采用关键路径链的调度算法获取需求调度的节点,不同节点间采用多态蚁群遗传算法进行资源的调度,依据照工业控制网络资源调度的特征,用自适应调整挥发系数增强节点的全局搜索性能,通过候选节点集方法缩小搜索区域提高算法的搜索效率,完成工业控制网络总线资源的高效调度;仿真实验说明,该种方法在工业控制过程中任务数量较多的情况下仍然具备较高的运行效率和精度,并且具有较低的运行时间,具有较强的应用价值。     

某演练评估系统中云计算任务调度研究

研究合同战术演练评估系统应用中的云计算任务调度问题。针对目前的云计算调度算法研究大都是基于通用性或者商业需求,对军事应用特点考虑不多,应用到合同战术演练评估系统中无法满足系统对于调度实时性等性能的要求的问题,通过分析云计算的任务调度特点,引入数据存储节点优先和节点效能的概念提出了一种改进的基于负载均衡的任务调度算法,算法减少了数据存取时间并采用节点效能的概念能更准确地描述主机性能。仿真结果验证了改进后的算法在任务数量增大时任务执行的速度有所提升,能更好地满足合同战术演练评估系统复杂度和规模增大对实时性的需求。     

基于动态自适应蚁群算法的云计算任务调度

针对蚁群算法求解云计算任务调度问题存在收敛速度慢和容易陷入局部最优解的缺陷,提出一种动态自适应蚁群算法的云计算任务调度策略。算法在选择资源节点中引入混沌扰乱,依据节点信息素浓度自适应调整信息素挥发因子,由解的优劣性动态更新信息素。当任务数量超过150时,动态自适应蚁群算法与蚁群算法结果相比较,时间效率最大提高319%,资源负载率为0.51。仿真结果表明,所提算法提高了解的收敛速度和全局搜索能力。     

信息物理融合系统的动态多优先级调度

信息物理融合系统(Cyber-physical Systems,CPS)的复杂和异构性给设计者带来了不少挑战,其中任务的多样性使得传统的调度策略不能满足CPS的性能需求.提出了专门针对基于大规模传感器网络的CPS的动态多优先级调度策略.根据任务类型分配4级缓存队列:第1级是来自控制器待处理的实时任务,拥有最高的可抢占式优先级;第2级是来自控制器待转发的实时任务,拥有次高的可抢占式优先级;第3级是来自其他节点待转发的非实时任务,拥有第三高的非抢占式优先级;第4级是来自本地待发送的非实时任务,拥有最低的非抢占式优先级.设计了抢占与非抢占混合的动态调度策略来减少任务的平均等待时间,加入了等待时间阈值机制来保证第4级任务的公平性.通过理论分析和仿真实验对调度策略的性能做了评价.仿真结果显示,动态多优先级调度策略在提高系统性能和稳定性上要优于传统优先级调度.     

基于任务进度感知的异构Hadoop云平台任务调度方案

针对异构Hadoop云计算平台的任务调度问题,对Hadoop 推测执行调度和LATE调度方案进行研究,提出一种基于任务进度感知的自适应任务调度方案。首先,根据当前计算节点上的任务进度情况,估计任务近似完成时间(ATE),以此确定掉队者(Straggler)任务。然后,以平均节点任务进度的25%为阈值,将节点分为慢节点和快节点。当Straggler后备任务达到一定阈值时,将其优先分配到快节点中执行。实验结果表明,提出的方案能够为异构Hadoop平台合理分配任务,有效降低了任务完成时间和响应延迟,同时提高了平台吞吐量。     

基于压缩感知的移动群智感知任务分发机制

针对移动群智感知任务中区域全覆盖感知成本过高问题，提出基于压缩感知的移动群智感知任务分发（CS-TD）机制。首先提出了感知任务整体成本模型，该模型综合考虑了参与感知任务的节点个数、节点的感知次数与数据上传次数；然后基于成本模型，分析感知节点的日常移动轨迹，结合压缩感知数据采集技术，提出了一种基于感知节点轨迹的压缩感知采样方法；其次通过区域全覆盖最少节点（RCLN）算法，选出最佳节点集合，对节点进行任务分配，利用压缩感知技术恢复节点数据；最后在多次感知任务的迭代中对感知节点的可信程度进行评定，保证任务方案的最优性。对CS-TD分发模型进行多次实验验证，与已有的CrowdTasker算法相比，CS-TD算法平均成本降低了30%以上。CS-TD模型能有效降低感知节点的消耗，能在全覆盖感知任务中降低整体感知成本。