Kubernetes资源调度算法的改进与实现

Kubernetes是Google主导的容器编排引擎,其资源调度算法分为预选和优选两个过程.针对预选过程要遍历所有节点比较耗时的问题,改进的资源调度算法提出在选出满足条件的节点数量时直接进行优选而无需遍历所有节点,从而提高资源调度效率;针对优选过程只考虑了pod自身申请的CPU和内存使用情况,并且未考虑节点本身的资源利用率的问题,改进的资源调度算法综合考虑CPU、内存、网络、IO指标,通过实验验证了改进算法能适应更加复杂的互联网应用环境,进而提高集群的负载均衡效率.     

云计算环境下虚拟资源自适应调度策略

由于云计算环境下的资源调度与以往网格调度存在巨大差异,提出了一种适应云计算环境的虚拟资源调度方法;首先定义了虚拟资源调度数学模型,然后给出了一种改进的遗传算法,该算法采用经典网格任务调度算法Min-min获取初始最优解,通过海明距离约束产生初始种群,并将调度模型对应的目标函数改进为适应度函数,对交叉算子、变异算子、交叉概率和变异概率等都进行了改进;最后,通过实验证明文中方法能获得全局最早完成时间,与其它方法相比,文中方法所求解的最早完成时间提高了近20%,是一种适合云计算环境的虚拟资源调度方法。     

云计算环境下的资源调度优化模型研究

为了提高了云计算资源调度效率,提出一种基于混沌粒子群算法的云计算资源调度模型.首先将资源调度可行方案作为粒子的位置向量,云计算资源的负载均衡度作为目标函数,然后通过粒子之间的信息共享、交流,最后找到最优资源调度方案,并引入混沌机制对粒子进行扰动操作,保证粒子群的多样性,防止早熟现象、局部最优解等缺陷出现.在CloudSim平台进行了仿真,结果表明,混沌粒子群算法可以快速找到云计算资源最优调度方案,提高了资源利用的效率,具有较好的实用性和可行性.     

云计算资源调度研究综述

资源调度是云计算的一个主要研究方向.首先对云计算资源调度的相关研究现状进行深入调查和分析;然后重点讨论以降低云计算数据中心能耗为目标的资源调度方法、以提高系统资源利用率为目标的资源管理方法、基于经济学的云资源管理模型,给出最小能耗的云计算资源调度模型和最小服务器数量的云计算资源调度模型,并深入分析和比较现有的云资源调度方法;最后指出云计算资源管理的未来重要研究方向:基于预测的资源调度、能耗与性能折衷的调度、面向不同应用负载的资源管理策略与机制、面向计算能力(CPU、内存)和网络带宽的综合资源分配、多目标优化的资源调度,以便为云计算研究提供有益的参考.     

云计算环境下的服务调度和资源调度研究

云计算中的服务调度与资源调度对云计算的性能有重要影响,在分析现有云计算调度模式的基础上,针对云计算数据密集与计算密集的特点,提出分层调度策略以实现云计算中的服务与资源调度。分层调度策略对任务进行划分确定作业优先级,并通过数据局部性和总任务完成率对资源进行分配。数值评价部分应用分层调度与已有调度进行比较。实验结果表明,所采用的调度有效提高了资源利用率,为云服务的进一步研究提供了思路。     

云计算环境下的资源调度算法探究

详细针对云计算进行了分析,同时分析了当前各种云计算的调度及算法,并总结了遗传算法所存在的优点与缺点,充分结合计算产业运营中存在的的缺点,提出了遗传算法在云资源的调度中的改进措施,将元胞的自动机和遗传算法进行优化结合,从而达到对遗传算法进行改进的目的。经过实验与分析,证实改进以后的遗传算法具有更多的运行成本和更短的运行时间,在云环境下的计算中具有较强的适用性。     

云计算环境下资源的节能调度

在云计算环境下,如何在有效地进行资源调度,缩短任务执行时间的同时,降低能耗,已经成为一个重要问题。对此,以任务执行时间与能耗作为优化目标,建立了一个节能调度模型,并通过采用特殊的种群初始化方法以及引入学习机制等方法对非支配排序遗传算法(NSGA-Ⅱ)进行改进,将其应用于云计算的节能调度问题。最后通过算例测试,验证了所提算法能够在减少任务执行时间的同时,有效降低能耗。     

气象环境下的云计算调度算法

针对气象计算的特点,提出气象计算的云模型,在这个模型之上,提出气象云计算（Weather Cloud）的启发式调度算法。调度算法对气象作业按照时间紧迫型、CPU紧迫型、内存紧迫型和硬盘空间紧迫型进行分类,计算资源综合紧迫指数,相应地赋予不同调度优先权限。与CMMS（Cloud Min min Scheduling）、AFCFS（Adaptive First Come First Service）、Fair的调度算法对比表明,Weather Cloud的调度算法不但减少了计算的等待时间,而且增加了完成的指令数量。     

云计算环境下的PSO可信资源调度

对云计算环境下的资源调度问题进行了研究。针对云计算环境下资源调度的特点,结合节点失效以及任务间的网状结构特点,建立资源调度问题数学模型,运用离散粒子群算法求解该问题。针对模型特点结合云计算服务运营实情,设计算例进行仿真测试。验证表明了所建立模型的合理性及该算法求解的可行性和有效性。     

云计算环境下资源调度系统设计与实现

在云计算环境下,对开放的网络大数据库信息系统中的数据进行优化调度,提高数据资源的利用效率和配置优化能力;传统的资源调度算法采用资源信息的自相关匹配方法进行资源调度,当数据传输信道中的干扰较大及资源信息流的先验数据缺乏时,资源调度的均衡性不好,准确配准度不高;提出一种基于云计算资源负载均衡控制和信道自适应均衡的资源调度算法,并进行调度系统的软件开发和设计;首先构建了云计算环境下开放网络大数据库信息资源流的时间序列分析模型,采用自适应级联滤波算法对拟合的资源信息流进行滤波降噪预处理,提取滤波输出的资源信息流的关联维特征,通过资源负载均衡控制和信道自适应均衡算法实现资源调度改进;仿真结果表明,采用资源调度算法进行资源调度系统的软件设计,提高了资源调度的信息配准能力和抗干扰能力,计算开销较小,技术指标具有优越性。     

一种面向SLA的云计算环境下虚拟资源调度方法

云计算环境下,应用提供者可以根据需要决定租用虚拟资源的数量。租用大量资源会得到Qo S保障,从而获得较好的收益,但应用提供者需要为租用资源付费。同样,租用少量资源,会节省租用资源投入,但资源不足难以保障Qo S,SLA(Service Level Agreement)违背会带来经济损失。因此,租用多少虚拟资源才能使得资源得到充分利用,达到应用提供者的收益最大化成为亟待解决的问题。针对此问题,从应用提供者收益角度考虑,兼顾SLA收益损失和服务器租用成本投入,提出虚拟机资源调度方法,旨在使得应用租用者收益最大化。该方法利用排队论建模目标云应用的性能,并引入SLA收益损失函数估算在租用一定虚拟资源情况下的SLA收益损失,最后,利用爬山算法动态调整物理资源租用数量以达到收益最大化的目标。实验结果表明,与当前常见的虚拟机资源调度方法 1VMPer Job、1VM4All和Bin Packing相比,所提出的方法使得云应用提供者的成本投入分别降低了17.92%、22.85%和10.74%。     

基于遗传算法的Kubernetes资源调度算法

Kubernetes在优选阶段仅根据节点CPU和内存的利用率来决定节点的分值,这只能保证单节点的资源利用率,无法保证集群资源的负载均衡.针对该问题,提出一种基于遗传算法的Kubernetes资源调度算法,该算法加入了网络带宽和磁盘IO两项评价指标,同时为评价指标赋予不同权重值,并且引入校验字典校验并修复遗传算法生成的新...     

基于QPSFLA算法的云计算环境资源调度策略

针对云计算环境下的资源调度优化问题,提出了一种基于量子粒子群策略的混洗蛙跳改进算法(简称QPSFLA算法),旨在引入量子粒子群搜索策略防止传统混洗蛙跳算法容易陷入局部最优的问题。在CloudSim平台上的模拟试验结果表明,QPSFLA算法能够达到预期效果,而且比平台自带算法和传统混洗蛙跳算法效率更高。     

云计算环境下基于ABC-QPSO算法的资源调度模型

为了提高云计算资源的利用率,保证节点负载均衡,提出一种人工蜂群算法和量子粒子群算法相融合的云计算资源调度模型(ABC-QPSO)。首先将人工蜂群算法的搜索算子作为变异算子引入到量子粒子群算法中,以解决量子粒子群算法早熟收敛缺陷,然后以任务完成时间最短作为量子粒子群的适应度函数对云计算资源调度进行优化,最后在Cloud Sim平台上对ABC-QPSO的性能进行测试。结果表明,ABC-QPSO算法不仅克服了QPSO算法的不足,而且有效缩短了任务的完成时间,提高了云计算资源利用率,适合于进行大规模任务的云计算资源调度。     

Kubernetes异构资源细粒度调度策略的设计与实现

在异构资源环境中高效利用计算资源是提升任务效率和集群利用率的关键。Kuberentes作为容器编排领域的首选方案,在异构资源调度场景下调度器缺少GPU细粒度信息无法满足用户自定义需求,并且CPU/GPU节点混合部署下调度器无法感知异构资源从而导致资源竞争。综合考虑异构资源在节点上的分布及其硬件状态,提出一种基于Kubernetes的CPU/GPU异构资源细粒度调度策略。利用设备插件机制收集每个节点上GPU的详细信息,并将GPU资源指标提交给调度算法。在原有CPU和内存过滤算法的基础上,增加自定义GPU信息的过滤,从而筛选出符合用户细粒度需求的节点。针对CPU/GPU节点混合部署的情况,改进调度器的打分算法,动态感知应用类型,对CPU和GPU应用分别采用负载均衡算法和最小最合适算法,保证异构资源调度策略对不同类型应用的正确调度,并且在CPU资源不足的情况下充分利用GPU节点的碎片资源。通过对GPU细粒度调度和CPU/GPU节点混合部署情况下的调度效果进行实验验证,结果表明该策略能够有效进行GPU调度并且避免资源竞争。     

云计算能耗资源调度优化关键技术研究

针对当前云计算能耗资源浪费严重的现象,本文对云计算在资源调度过程产生的能耗进行了详细的分析。对现有云计算能耗资源调度模型进行了深入的研究,对云计算能耗资源调度的优化算法进行了合理的规划与总结,对现有算法的优势与不足进行了深刻的探讨。并在此基础上,提出及设计了一种分层的云计算能耗资源调度优化的模型。模型分别对每层进行了详细研究,定义了相关层的关键因子,且分析了每一层次之间的关系。最后对全文进行了总结并对未来提出了展望。     

云计算下的基于萤火虫-遗传算法的资源调度

如何能够最大限度发挥云计算中资源调度效率是目前研究的热点之一.首先建立云计算环境下的资源调度模型,将萤火虫算法中的个体与云计算节点资源进行对应,其次在算法中个体初始化中引入遗传算法优化初始解,对算法中的位置更新设定感觉阀值用来调节个体选择最优路径的概率;最后针对挥发因子的改进使得荧光素的值进行更新.仿真实验表明,该算法能够有效的提高云计算中的资源调度性能,缩短了任务完成的时间,提高系统整体处理能力.     

云计算环境下多区域资源的混合调度模型设计与实现

为了提高云计算环境下多区域资源的混合调度的负载均衡性与资源利用率,提出一种基于网格优先级列表控制及副本相关性检验的云计算环境下多区域资源的混合调度模型,构建多区域资源混合调度的网格拓扑结构,采用最小合计成本约束方法构建综合调度策略,采用网格优先级列表控制方法进行资源调度的副本优化管理和资源分布的站点定位,采用副本相关性检验方法选择最佳区域,实现混合调度模型优化设计.实验结果表明,采用该模型进行云计算环境下多区域资源的混合调度,负载均衡性较好,资源利用率得到有效提升.     

云计算环境下动态资源碎片管理机制

针对云计算环境下用户所需资源与服务资源规格不完全相符以及在资源预留过程中完整资源被切割而产生的资源碎片问题,提出一种云环境下考虑碎片资源重利用的动态资源管理策略。研究了云计算环境下资源碎片的形成原因,构建了碎片资源池,制定了任务对碎片资源接收的度量标准,在充分考虑当前任务对资源查找、调度、匹配的同时,进一步讨论了任务调度对资源的分割情况,进而指出资源碎片对后续任务接收能力的影响,搭建了云计算环境下动态资源碎片调度模型。理论分析和Cloudsim仿真实验证明,该资源管理策略能有效实现碎片资源的优化重组,提高了资源对后续任务的接收能力,与此同时保证了较高的资源利用率。     

云计算资源调度算法仿真

针对云计算的资源调度问题,有效利用云网络结构,是分布式结构与网格技术中的主要问题.大量资源调度算法使用任务结构对云计算环境下的负载进行分配,但较少考虑网络节点的动态信任度问题使得云计算资源存在一定的安全隐患.首先基于云计算任务串并联结构对网络动态资源进行分配,然后使用粒子群算法并结合节点置信度指标进行改进.通过仿真进行验证,证明了改进方法在增加节点信任度指标后提高了云计算资源的利用率,降低了网络资源负载.