基于任务分类的虚拟CPU调度模型

为了桥接语义鸿沟,提升I/O性能,需要对执行不同类型负载的虚拟CPU（vCPU）采取不同的调度策略,故而虚拟CPU调度算法亟需优化。基于KVM虚拟化平台提出一种基于任务分类的虚拟CPU调度模型STC（virtual CPU scheduler based on task classification）,它将虚拟CPU（vCPU）和物理CPU分别分为两个类型,分别为short vCPU和long vCPU,以及short CPU 和long CPU,不同类型的vCPU分配至对应类型的物理CPU上执行。同时,基于机器学习理论,STC构建分类器,通过提取任务行为特征将任务分为两类,I/O密集型的任务分配至short vCPU上,而计算密集型任务则分配至long vCPU上。STC在保证计算性能的基础上,提高了I/O的响应速度。实验结果表明,STC与系统默认的CFS相比,网络延时降低18%,网络吞吐率提高17%~25%,并且保证了整个系统的资源共享公平性。     

基于状态转移图的虚拟集群节点可用性分析

针对虚拟集群节点的可用性评价,提出了一种基于状态转移图的虚拟集群节点可用性模型。首先,通过分析虚拟集群节点的部署方式和运行过程,确立了虚拟集群节点的5种生命周期状态,并阐明了5种生命周期状态之间的转移关系;然后,对于无备用节点和有备用节点两种情况下的虚拟集群节点,分别给出了相应的状态转移图,并建立了一系列的可用性模型。根据实际虚拟集群系统的运行日志,设定所提出的虚拟集群节点可用性模型的参数值,然后进行了多次数值模拟实验。实验结果表明,所提出的虚拟集群节点可用性模型的分析结果与实际可用性水平一致,能够正确地反映虚拟集群节点的可用性规律。     

基于TETRA数字集群的调度系统开发与应用

TETRA数字集群通信系统技术是一种非常有前景的技术,因此,针对其调度系统的研究具有重要的意义。本文对TETRA数字集群系统进行了概述,并重点分析了TETRA调度系统的功能、需求以及开发,希望能够给这方面的研究起到一定的指导作用。     

基于负荷感知的虚拟机集群部署方法

传统的部署算法会受部署资源关系的影响导致部署时间过长,为此设计一个基于负荷感知的虚拟机集群部署方法。通过基于SVD(Singular Value Decomposition,奇异值分解)的系统性能预测模型判断和预测虚拟机资源的性能,根据资源性能的描述,以降低成本和减少资源浪费为目标,合理选择虚拟机。计算物理主机与虚拟机的相关系数,同时采用负荷感知法结合虚拟机内存与宽带之间关联性,通过加权处理计算资源权重和对主机排序,进而完成物理主机与虚拟机之间资源匹配,实现基于负荷感知的虚拟机集群部署。实验将部署时间与部署的失败次数作为对比指标,结果表明论文方法在短时间内就能够完成集群部署,并且失败次数较少,满足方法设计的需求。     

基于映像的集群部署系统设计与实现

使用基于映像的安装技术和Intel的PXE协议,基于分布式网络模型设计并实现了一个Linux集群部署系统,能够快速部署大规模集群。系统具有良好的可扩展性、单一控制点。经过实践使用表明,该系统能够简化集群安装和维护工作,降低系统管理员工作量。     

基于节点能力的Hadoop集群任务自适应调度方法

针对当前Hadoop集群固有的任务级调度分配方法在运行中存在的负载分布不均的现象,着重对集群节点的执行能力进行了分析与研究.提出了一种基于节点能力的任务自适应调度分配方法.该方法根据节点历史和当前的负载状态,以节点性能、任务特征、节点失效率等作为节点任务量调度分配的依据,并使各节点能自适应地对运行的任务量进行调整.实验结果表明集群的总任务完成时间明显地缩减,各节点的负载更加均衡,节点资源的利用更为合理.     

Linux环境下基于Qt和xCAT的集群部署系统

随着集群技术在石油勘探、航空航天工程、生物工程等领域的应用越来越广泛, 集群环境中各种类型节点不同的应用需求使得集群系统的管理难度也越来越大. 采用集群技术的概念, 在Linux环境下, 利用xCAT+shell技术和Qt平台, 设计和实现了集群部署系统, 对集群中各种类型的节点进行集中配置和分发.     

异构集群中基于优先级的任务容错调度算法

提出一种基于任务优先级的容错调度算法,任务的优先级并不是由用户指定,而是由任务的开始时间、执行时间和截止期限决定的。该算法能够容忍异构集群系统中一个节点故障,采用主动/被动副版本相结合的执行方式和重叠技术的备份方式,提高系统资源利用率。通过实验证明了该算法在容错调度中的可靠性和高效性。     

UNIDEN集群调度系统计费软件开发

引进的ＵＮＩＤＥＮ集群调度系统设备除有调度功能外，还有一般意义上的通话功能，与电信局“大哥大”功能相似。本文简要介绍了通话计费软件的开发。     

面向大数据复杂应用的虚拟集群动态部署模型

针对计算负载的时变性和复杂性导致虚拟集群的资源利用率不高的问题,为提高虚拟集群资源的全局利用率,采用弹性资源管理策略来吸收多种计算模式混杂时的资源需求突变。在Docker容器技术的支持下提出一个根据作业需求变化的动态部署模型。该模型根据资源的动态需求变化,实时调整虚拟集群的计算形态,具体包括计算节点的类型及规模。该模型不仅实现用户作业执行环境的动态定制,而且达到错峰计算的目的。仿真实验表明,该模型使得虚拟节点CPU利用率提升5.3%,并且优化了计算作业的执行效率。该动态部署模型适合应用到数据中心或大规模集群中,能够有效提高计算资源的利用率。     

基于Kubernetes的RISC-V异构集群云任务调度系统

随着在云计算领域得到广泛的应用和关注,集群容器编排管理平台Kubernetes已广泛应用于容器化应用服务的自动部署和发布、应用弹性扩展和回滚更新、故障检测和自我修复等服务场景.第5代精简指令集计算机(fifth-generation reduced instruction-set computer, RISC-V)具有精简化、模块化、可扩展和开源4大技术特点和优势,已经得到学术界和工业界的广泛关注.本文立足于Kubernetes生态和RISC-V生态的协同研究点,为Kubernetes调度器提供异构指令集架构(instruction set architecture, ISA)的云服务任务调度支持.本文通过对生产环境中RISC-V指令集架构的各类计算任务需求进行了量化分析,发现现有的集群容器编排平台Kubernetes不具备调度RISC-V指令集架构的计算任务的能力,尤其是其调度算法无法利用RISC-V用户自定义的可扩展指令集架构特性提供高性能的可靠服务.为解决上述问题,本文提出了一种创建时调度的ISAMatch模型,综合考虑指令集亲和性、同种指令集架构节点数量和节点资源利用率等多个方...     

基于 OpenStack 的虚拟资源调度技术研究

传统的高能物理计算系统基于物理机集群,主要通过 Torque、Condor、LSF 等资源管理和作业调度系统将作业调度到物理机器上运行,缺少对虚拟化计算的接口支持。我们选取 OpenStack 作为底层虚拟化平台,设计并实现上层调度系统与 OpenStack 之间的桥梁,采用推拉结合的作业运行方式,构建虚拟计算集群。     

动态任务分配虚拟企业生产调度研究

针对虚拟企业环境下生产调度具有动态变化的特点,采用多智能体技术,构建了虚拟企业任务调度运行模型.模型中引入了一种动态任务分配技术,以资源智能体所承担的生产任务为对象,构建了以制造时间最小化为目标的Markov博弈模型,并用一系列静态势力场博弈来近似Markov博弈,从而减少了算法的复杂性.实验表明,该调度方法基本等同于集中式任务分配法,并且具有更佳的通信和交流鲁棒性.     

基于Forth虚拟机的嵌入式多核任务调度研究

由于传统多核任务调度系统对于突发事件的处理,都是基于CPU进行调度的,严重影响了操作系统中任务切换的实时性.于是提出一种基于Forth虚拟机架构的嵌入式多核任务调度系统.为了保证Forth操作系统兼容轮询调度,根据突发事件创建中断任务,并与相应的任务执行程序建立连接.依据中断、终端和后台三种任务间的关联构建循环链表.最后,当突发事件触发中断任务就绪后,Forth系统将调度中断任务去执行突发事件,当中断任务程序运行完毕后,系统继续执行当前任务,执行到原语pause时,当前任务的用户变量将寻找下一任务的TCB首地址,直到所有任务执行完毕.实验结果表明,改进后的Forth虚拟机操作系统响应速度良好,不受任务数量影响,且系统等待时间明显降低,说明所设计的Forth虚拟机操作系统具有良好的多核任务调度性能.     

基于周期虚拟缩减的实时任务调度和分析方法

针对航天器等安全关键系统中实时任务调度和可调度性分析的实际问题, 提出基于任务周期虚拟缩减的可调度性判定方法, 构建SHT (strong-hard task)任务模型对强硬实时任务进行精确描述, 并根据任务时间特性分配优先级. 虚拟化所有强实时任务为一个硬实时任务, 对此硬实时任务周期虚拟缩减并计算出其最差虚拟执行时间, 然后按RMS可调度性判定公式判定. 给出了判定方法的严格证明, 可对包含n个SHT任务的任务集进行快速可调度性判定, 此算法时间复杂度仅为O(n²). 在我国空间站计算机进行了对比验证, 实验表明判定效率优于现有可调度性判定方法, 平均运行时间开销降低了41.8%, 可调度率提高了5.7%.     

基于强化蚁群算法的任务DAG在线网格集群资源调度

网格集群资源调度是一个NP难题,而现有的调度方法通常具有任务调度效率低和负载不均衡的问题,由此设计了一种基于强化学习算法和蚁群算法融合的协同依赖型任务调度方法;首先对基于DAG的网格集群协同调度数学模型进行了定义,然后,采用改进的一步TD算法即Q-Learning算法实现集群资源的初始分配,从而得到最优调度方案以及对应的Q值,在此基础上提出一种改进的蚁群算法实现网格集群资源到任务分配的进一步优化,将Q-Learning算法得到的分配方案的Q值用于初始化蚁群路径中的信息素,以避免蚁群的盲目搜索,同时将Q值引入路径概率函数中使得蚂蚁具有启发式的搜索能力,从而获得协同依赖多任务集群调度的最终方案;在Gridsim环境下进行仿真试验,结果表明文中方法能有效地实现网格集群调度,且较其它方法具有任务调度效率高、CPU利用率高和负载均衡的优点,具有较大的优越性.     

基于异构多核系统的混合关键任务调度算法

针对目前混合关键系统任务调度过程中处理器利用率不高、对非关键任务消极处理、不允许关键任务核间迁移等问题,提出一种适用于异构多核系统的混合关键任务调度算法。在处理器映射阶段优先将关键任务分配到强核上,并以处理器最大剩余带宽为指标进行任务分配,在系统模式切换时考虑关键任务的核间迁移,引入回收队列对被丢弃非关键任务进行回收再分配。仿真结果表明,该算法能最大限度保证关键任务在截止期前完成,同时提高非关键级任务的执行率和系统的任务接受能力。     

基于可重构系统的亚可抢占任务调度算法

针对目前在线调度算法忽略预留任务特殊性的问题,基于现有的放置策略,定义并证明一个可靠的基于最大邻接边数的放置策略。提出一种基于亚可抢占性的任务调度算法,即剥夺预留任务所占用的可重构资源再进行统一离线调度。实验表明,与已有算法相比,该算法具有更高的任务接受率和芯片利用率,且并未明显增加运行时的开销。