云计算环境下的资源调度研究

云计算是近年来商业和科研机构关注的热点,其通过虚拟化等技术构建统一的资源池,屏蔽底层资源细节,向用户提供服务,从而达到提高设备利用率、节能减排、快速部署业务等目的。文章针对云计算环境下资源调度问题进行了介绍,包括资源调度的建模和方法,并重点介绍了资源层面的调度。     

云计算数据中心资源调度解析

云计算是建立在计算机界长期的技术积累基础之上,包括软件和平台作为一种服务的虚拟化和大规模的数据中心技术。文章通过对云计算数据中心资源多方面多层次调度方案分析,深入进行项目研究与小结,为云计算数据资源调度提供一定解析。     

云计算环境下差异化资源的合理调度模型改进

在云计算环境下,需要对链路节点之间差异化资源进行合理调度,以提高云计算中心网络的负载均衡性及进程管理效率。针对当前调度模型的实时性和均衡性不好的问题,提出一种基于时分多址协议的云计算环境下差异化资源合理调度模型。首先构建云计算环境下差异化资源的传输信道模型,进行资源传输的负载均衡设计,采用时分多址协议进行时隙均衡分配,提高差异化资源的调度合理性。仿真结果表明,采用该模型进行云计算环境下差异化资源调度,资源信息的召回性较好,数据传输的保真度较高,具有一定的优越性。     

提高全局资源调度和本地资源调度的效能的云计算资源调度方案分析

设计分析可以提高当前全局资源调度、本地资源调度效能的云计算资源调度方案。在云计算资源调度中,能够优化分析,提高全局资源调度和本地资源调度的效能的调度方案,分析调度方案设计需求,设计实现提升云计算资源调度效能。结果证实,在云计算资源调度方案设计中,确保提高全局资源调度和本地资源调度的效能,全局资源调度效能提高20%,提高本地资源调度效能达到32%,发挥积极影响。结论表达出在进行云计算资源调度方案设计中,优化设计其全局资源调度、本地资源调度,可以提升资源调度效能,有助于提升云计算资源调度方案质量,发挥实用价值。     

基于金豺优化算法的云计算资源调度研究

基于云计算环境下资源利用率低的问题,将一种新提出的金豺优化算法应用于云计算资源调度策略。研究采用Cloudsim作为仿真实验平台,以减少任务总完成时间为优化目标。实验中以猎物位置模拟任务对虚拟机序号的选择,在一定的迭代次数后根据猎物位置得出每个任务对虚拟机序号的最终选择和最终任务总完成时间。改变金豺优化算法的迭代次数并进行实验,结果表明,在迭代次数达100次时,金豺优化算法在云计算资源调度模型上的效果达到最优。将调用金豺优化算法与应用贪心算法和遗传算法下的实验结果进行对比,结果表明,在任务数量大于1 000时,金豺优化算法在云计算资源调度模型上的效果优于贪心算法和遗传算法,效率相较于遗传算法提升了约20%。     

基于MABC算法的云计算资源调度策略

为了提高云计算服务集群资源调度和任务分配的优化效果,提出一种基于改进的人工蜂群优化算法的云计算资源调度策略。针对ABC算法后期收敛速度慢,容易陷入局部最优的问题,引入了控制因子调度策略,通过自适应调整搜索空间,动态地调整蜜蜂之间的信息度,不断地进行信息交换跳出局部最优从而获得全局最优解。在云计算仿真平台CloudSim进行实验,结果表明,此方法能够缩短云环境下的任务平均运行时间,有效地提高了资源利用率。     

云计算Hadoop平台中基于遗传算法的高校师资培训管理

如何在提高云计算服务资源调度效率的同时尽量降低工作能耗,成为当前必须解决的问题。因此,提出一种基于遗传算法的云计算资源调度方法,适用于高校师资培训资源管理。首先,搭建基于云服务的高校教师师资培训系统模式;其次,利用具有较强NP问题解决能力的遗传算法设计大规模集群的资源调度方法,并采用粒子群算法对其全局寻优能力进行改进;最后,设计了由质量和成本构成的双指标约束适应度函数。CloudSim平台的Hadoop实验仿真结果显示,提出的遗传云计算资源调度方法在约束条件下获得了最佳的调度结果。     

基于改进遗传算法的资源优化调度方法

资源优化调度对于充分发挥电子战飞机作战效能,取得较好对抗效果具有重要作用。文中以雷达目标优先度、干信比、频率等为要素,构建作战效能的目标函数,并建立电子战资源优化调度模型,然后利用改进遗传算法求解出上述模型的资源优化调度方案。仿真结果表明,该资源调度方法能有效提高电子战飞机的整体作战效能。     

云计算环境下虚拟机资源均衡调度方法研究

虚拟机资源是云计算环境下的一类主要云服务资源,有效的资源调度方法对于改善负载均衡和提高资源利用率具有重要意义.针对虚拟机资源的调度问题进行分析,利用任务到达触发任务分配,当任务到达时,首先判断云服务资源池的运行状态,分为饱和与不饱和两种;然后针对当前任务请求下的云服务资源池状态,分别给出资源调度策略,并通过算例分析验证所提方法的有效性.所提虚拟机资源调度方法将有助于云服务资源池中虚拟机资源的均衡利用.     

“云计算”环境中的网络安全优化策略

随着经济的迅速发展以及科学技术水平的不断进步,我国云计算产业取得了一定程度的发展。云计算的发展促进了IT领域逐步向集约化、规模化以及专业化的方向转变。然而,在其发展的过程当中,仍然出现了一系列的安全问题。因此,当前状况下应当对云计算网络安全进行进一步的优化。本文主要针对"云计算"环境中的网络安全优化策略进行研究与分析。     

基于蚁群算法的云计算资源调度分析

当前,云计算资源调度中常用的算法包括遗传算法、蚁群算法、粒子群算法以及综合优化算法等。不同算法所关注的角度存在一定的差异,遗传算法和粒子群算法主要从资源调度的效率方面进行优化,而蚁群算法则是从云计算资源调度的计算成本方面进行考虑。论文讨论了基于优化蚁群算法的云计算资源调度,在兼顾任务效率的基础上,能够进一步降低计算成本。     

云计算中基于Shapley值改进遗传算法的虚拟机调度模型

云计算系统具有服务器规模大、用户范围广的特点,但同时也消耗了大量的能源,导致云供应商的高运营成本和高碳排放等问题。云计算高度虚拟化,如何分配和管理其虚拟资源,从而保证高效的物理资源利用和能耗控制,是一个多参数博弈过程,同时也是该领域的一个研究热点。提出了一种虚拟机调度模型及基于Shapley 值的遗传算法（SV-GA）,可通过经济学概念Shapley 值计算出参与工作的物理机贡献值,并通过该贡献值修正遗传算法中变异步骤的概率参数,从而完成虚拟机调度的任务。实验结果表明,与Max-Min、LrMmt及DE算法相比,SV-GA在虚拟机调度过程中的迁移时间、次数、SLA违背率、能耗等多参数博弈中具有优异的表现。     

基于遗传算法的云计算任务调度策略

云计算服务中的任务调度问题一直是学者们的研究重点。使用传统遗传算法进行任务调度时,算法的收敛速度慢、进化速率不高,很难达到理想的结果。文中使用基因空间均匀分布策略对遗传算法初始化种群步骤进行了优化,提高了基因的多样性,有效地改善了传统遗传算法进化效率低的问题,提升了收敛速度。     

基于改进遗传算法的异构环境混合调度策略研究

异构环境下任务调度是NP问题,它关注大规模的资源和任务调度,要求采用的调度算法能够具有高效性.随着任务数和资源数的增加,遗传算法表现出慢速收敛的缺点.为了克服其缺点,在改进的遗传算法的基础上,增加了分组和负载平衡处理策略,提出了一种混合遗传调度策略.仿真实验表明,基于改进遗传算法的混合调度策略比传统的调度策略性能更优,其算法更符合复杂的异构环境,能更好满足系统的时间特性和最小化资源开销的问题.     

云计算环境下资源需求预测与优化配置方法研究

在信息化时代背景下,计算机技术的发展促使云计算诞生,作为一种全新的互联网信息资源服务系统,能够通过可定制虚拟资源服务的提供来满足用户的实际需求。而基于多元化需求下,要求云计算环境下能够实现对资源需求的预测,进而实现对海量资源需求进行优化配置,以此来实现对资源的优化且高效管理。文章基于云计算环境下,在对资源需求预测进行分析的基础上,为如何实现云资源的优化配置提出了具体的方法 。     

基于云计算的短信平台资源调度技术研究

基于云计算的短信平台进行资源调度技术研究,通过分析平台特点,从实际需求出发,建立资源调度模型,构成核心调度中心四大模块的架构体系,同时进行调度策略规划,包括从一般调度、节能调度以及容灾调度等三个方面进行策略研究,充分探讨基于云计算的短信平台资源调度技术。     

基于改进遗传算法的分布式资源动态调度技术

在网络中心战条件下,为了解决分布式作战资源的动态最优部署问题,提出了一种分布式资源的动态调度算法。首先针对资源动态调度问题建立了数学模型,接着,借鉴粒子群算法的思想,使用遗传算法解决了资源调度任务指派的快速寻优问题。仿真验证表明资源调度算法是有效的,并且该算法可使分布式系统的任务处理能力和处理资源利用率大幅度提高。     

云计算环境下资源需求分析与配置策略研究

对于云计算技术而言,其主要是从并行、网格、效用、虚拟等计算中衍化而来,是根据需求提供服务的模式。从云计算商业价值来看,为了满足用户需求,实现资源的优化配置成为云计算研究的焦点。文章结合云计算的概念,分析了基于云计算环境下的资源需求分析,并就资源优化配置策略进行了探讨。     

多态蚁群算法优化的云资源调度策略研究

针对传统蚁群算法易陷于早熟收敛等问题,提出了采用自适应多态蚁群算法(APACA)来寻求一组最优的资源调度方案,并与轮循(RR)调度算法和传统的蚁群(ACA)算法通过CloudSim仿真平台进行对比,结果表明:APACA在任务处理的平均完成时间更具有优势。     

基于蚁群的云计算资源调度研究

针对云计算环境中资源调度的问题,提出了一种基于改进蚁群的云计算资源调度算法。在算法中添加了查找表,存储其他蚂蚁推荐的节点。当任务分类比较明确的时候,查找表的优点更加地突出。在信息素的计算中加入了成功率因子,成功率越高的节点被选中的概率就越大。本文使用Cloud Sim对算法进行了仿真,仿真结果表明提出的算法缩短了搜寻资源节点的时间,从而使任务可以更快地获得资源并执行,保证了任务能够按时完成。