基于负载均衡度的云计算任务调度算法

针对当前云计算环境中用户群与数据量庞大的特点,如何设计高效的负载均衡调度算法是云计算领域一直探索的重要课题.提出一种基于负载均衡度的云计算任务调度算法(TS-CCLB),该算法首先依据空间案投影分析计算了集群的负载均衡度,以此给出调度决策变量,并依据任务的执行代价完成时限赋予任务不同的优先级别.任务调度时将任务按优先级调度到最大决策变量值所对应的虚拟机上.实验结果表明,该算法可有效提高云计算集群的负载均衡性,缩短总任务的完成时间,尤其当任务数与节点规模较大时,优势更为明显.     

一种改进的实时任务调度算法

针对现有的表调度算法优先级选取单一、优先级相同时任务随机调度导致某些重要任务延迟处理的问题,提出了一种双优先级任务调度算法(DPSA)。DPSA根据任务到入口任务的路径长度和IHEFT算法上行权重作为任务优先级安排任务调度顺序。采用随机生成的有向无环图(DAG),与HEFT算法进行对比实验,实验结果表明,DPSA能获得更短的调度长度。     

云数据中心面向实时任务的节能调度算法

针对云计算环境下的独立实时任务的节能调度问题进行了研究,设计了一种基于松弛时间的任务调度算法,该算法由实时任务的分配、虚拟机资源的动态扩展以及虚拟机的动态整合3个部分组成,通过计算任务的松弛时间保证任务在截止期限内完成,保证任务的时效性. 同时提出了一种基于多阈值的虚拟机整合策略,以平衡系统负载并降低系统完成任务集合的能耗. 实验表明,与其他算法相比,该算法在保证了任务能够按时完成的基础上,有效降低了系统的整体能耗.     

基于遗传算法的云任务调度改进算法

云计算环境下任务的调度是目前研究的热点,针对任务完成时间和虚拟机资源负载的均衡情况,对云任务调度遗传算法作出改进.根据云环境下虚拟机资源的性能引入虚拟机相对适应度的概念;将标准遗传算法的随机变异操作改进为有目标的变异操作,使虚拟机相对适应度大的虚拟机资源获得更大的变异可能,加快算法的收敛.仿真实验表明,该算法在降低任务完成时间的同时提高了虚拟机资源的负载均衡,是一种有效的云任务调度算法.     

基于权值的Hadoop调度算法改进与实现

针对当前Hadoop集群自带的任务级调度分配方法在实际处理作业时存在资源分配不均的问题,提出了一种基于权值的任务调度分配算法。该算法结合节点当前的负载状态、节点物理性能和任务优先级等作为依据,通过权值排序当前的作业队列并将空闲资源优先分配给权值高的任务,从而实现运行过程中作业任务的自适应动态调度。实验结果表明,改进算法相比原来的FIFO算法有30％的性能提升。     

混合关键任务可靠调度方法与调度性分析

为了解决云计算环境下混合关键性任务的可靠调度问题,提出了一种基于主副版本两阶段的混合关键任务可靠调度方法．算法首先对需要调度的混合关键性任务进行优先级划分,按照调度截止期最短的原则将主版本任务调度到目标虚拟机上,对副版本任务按照复制成本最低的原则使用重叠方法进行调度;再对调度到不同虚拟机上的主副版本任务进行可调度分析,对于不能满足分析的任务启动更高关键性等级进行处理．实验结果表明了混合关键任务可靠调度方法具有较高的可靠性和负载平衡能力．     

基于优先排队论网络延迟云计算资源调度算法

针对虚拟机在实际应用环境中,对于不同数据在不同情况下需要不同优先级输出的问题,采用运筹学优先制Ｍ／Ｍ／１排队模型,对虚拟机请求作出网络延迟分析并对传统的顺序输出方法加以改进。结合数据资源在云计算环境下的Ｍａｐ Ｒｅｄｕｃｅ模型,提出新的调度算法以及不同于传统算法的度量指标。经过ＣｌｏｕｄＳｉｍ仿真软件进行模拟实验,结果表明,新的算法将网络延迟以及物理机和虚拟机的ＣＰＵ、内存等资源综合考虑,在性能上要优于随机算法、转轮算法等传统算法,大大改善了负载均衡度,缩短任务调度总时间,并使总调度时间的负载效率得以提高。     

CloudSim中基于偏序关系的调度算法研究

云计算是在海量数据的存取研究中比较热门的技术,任务调度则是云计算中的一个关键技术.在云仿真平台CloudSim中,任务调度算法忽略了任务本身的依赖关系和优先级.给CloudSim任务添加了相关的依赖关系和优先级,并提出了带偏序关系的任务调度算法POA.     

DAG任务模型的粒子群优化调度算法

在并行多处理器系统中,通常用有向无环图(DAG)表示任务之间的依赖关系.为了提高该任务模型调度算法的性能,基于粒子群优化算法,提出一种新的调度算法.算法将任务高度和粒子位置作为任务优先级,使用表调度策略生成有效的调度方案,在满足任务间依赖关系的条件下,使所有任务的完成时间最小.仿真实验结果表明,与遗传算法相比,所提出的算法提高了解的质量和收敛速度,特别适合于规模较大的多处理器任务调度.     

基于模糊聚类的云计算集群资源调度算法

针对现有的云计算集群资源调度算法具有的负载不均衡和在线动态适应能力不强的缺点,提出了一种基于模糊聚类的云计算动态集群资源调度算法。首先,构建了云计算环境下的资源调度模型。然后采用模糊聚类对云计算集群资源进行聚类,根据节点与所有聚类中心的距离判断是否需要增减聚类数量。当新任务到来时,自动计算其到各个聚类中心的距离,将具有最小聚类距离的聚类中心分配给该任务。在Cloudsim环境下进行仿真试验,结果表明该方法能有效地实现云计算集群资源的动态调度,且较其它方法相比,具有反应实时和负载均衡的优点,是一种适合云计算环境的可行任务调度方法。     

云计算下区分服务的演化博弈调度算法

提出了一种基于区分服务的云计算演化博弈调度算法.算法中云任务方通过偏好类型参与对资源的竞争,虚拟机资源方依据其计算型、存储型、带宽型等各类服务评分高低竞争任务,构成一个混合博弈,然后再依据任务调度信息和用户反馈的评分不断演化改进虚拟机资源及其所属种群的各项服务评价,最终得到博弈的均衡.仿真实验结果表明,该算法是有效、可行的,能根据任务类型的差异分配不同特性的虚拟机资源,再依据用户对各项服务的评价,确保不同类别的用户任务的服务质量.     

基于蚁群算法的云任务调度研究

针对云计算中任务分配算法效率不高的问题,提出了一种改进的蚁群算法来解决云计算中的任务分配问题。首先假定要分配的任务为蚂蚁的起点,执行任务的虚拟机为蚂蚁的终点,任务分配的过程就是蚂蚁从起点走到终点的过程。然后随机选择一个任务作为蚂蚁的起点,用改进的蚁群算法计算后把任务分配给相应的虚拟机,直到所有任务都分配完成。最后当所有蚂蚁都把任务分配完成后,选择代价最小的路径作为本次任务分配的方案。通过使用cloudsim仿真器进行仿真实验,证明了蚁群算法能够有效的解决云计算中任务分配的问题。     

基于蚁群模拟退火算法的云环境任务调度

针对云计算的MapReduce编程框架,提出一种融合蚁群算法和模拟退火算法的混合调度算法（ACOSA）。该算法以最小化调度时间为目标,引入了任务与资源的匹配因子和负载均衡度,先利用蚁群算法得到一组任务到资源的优化解,然后通过模拟退火算法对解进行路径的优化和信息素的更新。通过扩展Cloudsim云计算仿真平台,对其进行重新编译,实现了所提出的算法,实验结果表明该算法在调度时间、负载均衡等方面表现良好。     

改进的DBSCAN聚类算法在云任务调度中的应用

针对云计算环境中任务调度中存在的执行效率低的问题,提出了一种基于改进的基于密度的聚类算法(DB-SCAN)的云任务调度策略.首先使用改进的基于密度的聚类算法DBSCAN对云任务进行聚类,然后与已经分类的资源进行匹配,解决资源与任务匹配程度低的问题.实验结果表明,对任务进行聚类后进行任务调度,任务在终端上的平均执行时间减少了大约35.2％,任务的调度时间也有了明显减少.     

基于SLA的云计算多数据中心任务调度算法

针对现有的云计算任务调度策略仅考虑单数据中心内部负载均衡及平等看待各项任务的问题,研究了基于服务等级协议（ service level agreements ,SLA）的多云数据中心任务调度机制,设计了相应的任务调度效益模型和任务准入控制策略,提出了基于SLA的最大化收益任务调度算法（ SLA-MPS算法）,实现了在多个云数据中心间调度资源、优先处理紧急任务的同时保证云服务商利益最大化。在CloudSim上的实验证明,SLA-MPS算法能加快任务响应速度,降低云服务商违约率并提高其收益。     

一种基于通信开销的网格任务调度算法

针对网格中通信密集型任务调度存在的通信开销的不稳定性问题,在网格同构计算环境下,基于Min-min算法,采用动态调度策略,提出了一种相适应的基于通信开销的任务调度算法.实验结果证明,该算法在解决通信密集型应用的任务调度问题时效果明显.     

基于DAG图的任务调度算法

描述了一种基于有向非循环图（ＤＡＧ）的任务调度算法,该算法将整个计算任务分解成为一个ＤＡＧ图,根据ＤＡＧ图计算出每个子任务的最早开始时间,然后根据每个子任务的最早开始时间和处理机的数量进行调度。该算法可以实现子任务集在ＤＡＧ图限制下的最优调度。