云环境中面向随机任务的用户效用优化模型

资源分配方法和技术一直是云计算领域中的热点问题,现有的解决方案在资源分配与调度方面未能充分考虑用户的实际需要,首先通过引入用户效用的概念,建立了云环境中用户效用的描述模型,给出了用户对任务执行时间和费用满意程度的量化方法,并针对用户任务到达时间和任务类型的随机性,基于线性规划理论提出了云环境中面向用户效用的任务调度优化模型.该模型以任务完成的总效用值为目标,以用户任务的预期时间、费用和并行加速比为约束条件,能真实描述用户任务的随机性,面向时间和费用两个现实目标,求解出最合适的计算资源和排队秩序.最后通过实验表明,这种云环境中的任务调度方法能有效地满足用户对任务执行时间和费用的需求.     

基于多QoS属性的分类优化调度算法

实现用户的服务质量（Qos）是网格计算中力求达到的重要目标,网格资源的分布性、异构性、动态性等特征使网格环境下以服务质量为指导的资源调度成为一个复杂的问题,尤其是在用户的任务具有多种QoS属性的情况下。该文利用经济模型研究网格QoS控制的资源分配问题。以效用最大化为目标通过综合效用函数量化服务质量,设计了在时间和费用受限情况下对任务进行分类的优化调度算法,该调度算法满足用户多QoS属性。仿真实验显示了该算法的有效性。     

一种多QoS目标约束的云计算任务调度策略

针对云计算环境下大量用户任务请求各异的服务质量（Quality of Service, QoS）调度目标要求,通过综合考虑云用户任务的截止时间底线、调度预算等QoS目标约束条件以及各类可用资源的性能参数,对任务调度的多QoS目标约束条件进行形式化建模,基于构造的隶属度函数将多QoS目标约束的优化求解问题转化成一个单目标约束的优化问题,对转化后的单目标约束优化问题进行近似求解,最终提出一种多QoS目标约束的云计算任务调度策略。在CloudSim模拟器上的仿真结果表明,提出的多QoS目标约束的云计算任务调度策略总体上优于传统的Min-min算法以及改进的以QoS为导向的Min-min算法。     

基于任务复制的多维QoS云计算任务调度

为了满足云计算环境下用户服务质量(QoS)需求和提高虚拟资源空闲时间段的利用率,提出了一种基于任务复制的多维QoS任务调度策略。首先,构建云资源模型和用户QoS模型,然后根据虚拟资源的利用情况和QoS的满意度对虚拟机进行性能测评,选择综合性能更高的虚拟资源进行任务的分配;在任务执行时为了缩短任务的完成时间,在调度过程中引入了在空闲时间段复制父任务的方式。通过仿真实验将该算法与HEFT、CPOP进行比较,实验结果显示：当用户偏好可靠性执行时,该算法平均可靠性比HEFT和CPOP高;当用户偏好完成时间和费用花费执行时,该算法平均完成时间比HEFT和CPOP少;当用户无偏好执行时,该算法平均完成时间和平均花费均比HEFT和CPOP少。结果表明该算法能有效提高资源利用率和用户的满意度。     

网格环境下基于QoS需求的关联任务调度算法*

首先描述QoS调度问题,建立QoS需求模型;然后通过分析任务的依赖性,提出时间花费、资源价格和可靠性三种QoS参数的映射机制;最后针对网格环境的新特征,提出一种以优化用户效用为目标,基于QoS的关联任务调度算法(QBDTS_UO).仿真实验结果表明,该算法能以较小的时间花费为代价,有效满足用户的QoS需求,并能大大提高网格资源的使用率.     

云环境下结合模糊商空间理论的资源调度算法

考虑到云计算商业化和虚拟化特点,针对云环境中的高效资源调度问题,提出一种基于模糊商空间理论的资源调度算法.在进行资源调度时,算法首先将虚拟机资源抽象为不同的属性信息粒,再根据用户任务QoS特征分层进行粒度融合,最后结合模糊商空间理论建立模糊等价类和距离函数,并据此进行资源匹配.实验结果分析表明,该算法能有效的满足用户任务QoS,提高资源利用率.     

一种基于效用最优的计算网格资源调度算法

针对具有时间和费用约束的网格资源调度问题，通过分析任务的执行时间和执行费用与用户效用函数的关系，建立了效用函数模型，在此基础上提出了一种针对task farming应用程序模式的基于效用函数最优的启发式调度算法——效用最优调度算法。实验表明，与费用 时间均衡调度算法相比，本算法能给用户带来更高的效用。     

基于李雅普诺夫优化的容器云队列在线任务和资源调度设计

为在保证任务服务质量（QoS）的条件下提高容器云资源利用率，提出一种基于李雅普诺夫的容器云队列任务和资源调度优化策略。首先，在云计算服务排队模型的基础上，通过李雅普诺夫函数分析任务队列长度的变化；然后，在任务QoS的约束下，构建资源功耗的最小化目标函数；最后，利用李雅普诺夫优化方法求解最小资源功耗目标函数，获得在线的任务和容器资源的优化调度策略，实现对任务和资源调度进行整体优化，从而保证任务的QoS并提高资源利用率。CloudSim仿真结果表明，所提的任务和资源调度策略在保证任务QoS的条件下能获得高的资源利用率，实现容器云在线任务和资源优化调度，并且为基于排队模型的云计算任务和资源整体优化提供必要的参考。     

基于接纳控制和ILP资源调度模型的BDAaaS系统架构

为了使云计算平台为大数据分析提供有效支持,提出一种大数据分析即服务(BDAaaS)的系统架构;首先,当用户向系统提交大数据分析应用(BDAA)时,通过接纳控制器评估任务的执行时间和成本并作出接纳决策;然后,通过服务等级协议(SLA)管理器根据任务的服务质量(QoS)需求制定SLA;最后,利用提出的整数线性规划(ILP)资源调度模型,以最小化执行成本为目标,在满足SLA下合理调度资源来执行任务;仿真结果表明,提出的方案能够有效降低任务执行时间,具有有效性和可行性。     

网格调度中的QoS参数容错

基于QoS参数的资源调度在执行中由于参数不满足要求导致调度失败,可靠性不强,而部分QoS参数具有累加属性,可实现不同任务之间的参数容错。基于此,在考虑用户偏好的基础上,分析参数特性,提出一个在时间和成本上实现多任务之间容错的调度算法。该算法在不增加预算的基础上可以提高任务执行的成功率,并能够根据用户的偏好更好地满足用户的需求。实验结果表明,在QoS参数上的调度容错能够较大地提高调度的可靠性。     

网格环境下一种可调目标的启发式调度策略

针对网格环境下不同类型的任务执行时间相差较大的问题,提出了基于任务平均执行时间的忍耐度的概念,重新构造了启发式规则,体现了任务QoS的要求;并将这种服务质量的需求与任务完成时间相结合,给出了一个可调节的局部目标函数,实现了一种基于任务完成时间和任务服务质量的启发式调度算法OA-Sufferage;最后,给出了服务率(service ratio)的概念和定义,定量地衡量任务得到的服务质量.实验结果表明,该策略优先调度那些等待时间相对于执行时间较大的任务,提高了任务的服务率;而且可以通过调节局部目标函数中的偏好因子(preference factor),追求任务完成时间和QoS的不同目标,更加适合开放复杂的网格环境.     

基于多QoS需求驱动的网格资源调度研究

为解决网格用户多QoS需求的资源调度问题,引入了满意度函数模型和经典Min-Min算法。将众多网格QoS分为性能和信任两类,选取性能QoS中的优先级、时效性、精度性和信任QoS中的安全性、可靠性共五个指标,分别构建每一维QoS参数的满意度函数模型并形成QoS综合满意度函数模型,由此设计多QoS约束的网格资源调度(Q-Min-Min)算法,以期将Min-Min算法中按照期待执行时间(ETC)进行调度改为按照服务质量综合满意度(QSM)进行调度。仿真实验表明,改进的Q-Min-Min算法在任务的跨度和成本两项性能指标上均比Min-Min算法更具优势,取得了较为理想的结果,证明了基于多QoS需求驱动的网格资源调度的有效性。     

云环境下的基于Min-Max的节能资源调度算法的研究

针对云计算环境下的高能耗问题,从系统节能的角度提出一种节能资源调度算法(energy-saving scheduling algorithm based on min-max,ESSAMM)。在Min-Max算法的基础上综合考虑了用户对于任务期望的完成时间和能量消耗两个因素,以节省任务执行过程中产生的能量消耗,并提高用户的时间QoS满意度,实现负载均衡。将任务集合中各任务按照长度从小到大排序,并根据时间QoS为该集合中长度最大和最小的任务选出符合用户期望的物理资源;根据能量估算模型,计算出这两个任务在各物理机上的执行能耗;选择最小能耗对应的物理机来执行该任务;将这两个任务在任务集合中删除,并重复上述过程,直到任务集合为空。仿真结果表明,相比于Min-Max和Min-Min资源调度算法,该算法能够有效降低系统执行任务产生的总能耗,提高用户时间服务质量,并实现调度系统负载均衡。     

基于聚类和改进共生演算法的云任务调度策略

针对云计算环境中一些基于服务质量（QoS）调度算法存在寻优速度慢、调度成本与用户满意度不均衡的问题,提出了一种基于聚类和改进共生演算法的云任务调度策略。首先将任务和资源进行模糊聚类并对资源进行重排序放置,依据属性相似度对任务进行指导分配,减小对资源的选择范围;然后依据交叉和旋转学习机制改进共生演算法,提升算法的搜索能力;最后通过加权求和方式构造驱动模型,均衡调度代价与系统性能间关系。通过不同任务量的云任务调度仿真实验,表明该算法相比改进遗传算法、混合粒子群遗传算法和离散共生演算法,有效减少了进化代数,降低了调度成本并提升了用户满意度,是一种可行有效的任务调度算法。     

车联网数据流的多维服务质量改进异构计算最早完成时间调度算法

针对车联网中数据流分布式处理的调度问题,提出了多维服务质量(QoS)改进异构计算最早完成时间(HEFT)调度算法.首先,分别建立了车联网中数据流的分布式处理任务的带权有向无环图模型和车联网分布式计算资源的七维QoS属性带权无向拓扑结构图模型.其次,改进经典的HEFT调度算法中的列表构造方法为最高层最小后继任务优先列表构造方法; 同时,将车联网分布式计算资源的七维QoS属性进行分组、降维,转化为两维综合属性优先权:计算性能优先权和通信性能优先权,形成了两种不同用户偏好的多维QoS改进HEFT调度算法.最后,通过算例分析表明:两种不同用户偏好的多维QoS改进HEFT调度算法综合性能优于经典的HEFT调度算法和轮询调度算法.     

基于SLA和双向拍卖机制的云计算服务资源分配

针对云计算环境下现有的服务资源分配方法在采用SLA约束时未能考虑到市场因素的问题,设计了一种基于SLA约束并采用双向拍卖机制来实现服务提供商利润最大化的服务资源分配方法;首先,定义了云计算环境下基于SLA的双向拍卖服务资源分配模型,然后设计了服务提供商与用户签约的SLA并实现了到其资源提供商的映射,为了保证资源提供商提供真实可靠的信息,设计了分配函数和支付函数对其进行激励约束;最后,定义了采用SLA和双向拍卖机制对云计算资源进行分配的具体算法;仿真实验表明,文中方法的任务执行成功率最高,平均约为78.2%,在具有较少的SLA违约率的同时服务提供商能获取较多的利润,同时较其它方法具有较高的任务成功率,具有很强的可行性。     

基于蚁群优化算法的MapReduce集群调度策略

在云计算环境中,MapReduce集群已成为强大的大规模数据集处理平台。针对其在任务调度过程中存在用户QoS、集群资源利用率等方面的缺陷,提出了一种基于蚁群优化算法的调度策略(ACO-SS)。该调度策略同时考虑了优先级计算模型和任务调度过程,能有效地满足用户QoS,平衡集群节点负载,使分布在节点上的任务利用资源更加合理,提高了系统的调度性能。最后,通过CloudSim仿真实验表明,该调度策略在作业完成总体时间﹑资源利用率等重要指标上都具有明显优势。     

云虚拟机资源分配的效用最大化模型

随着云计算和虚拟化技术的发展,为云资源管理提供了一种更高层次的调度选择:一个作业不再只能分配到一台物理机上,而是可将一台或多台物理机的计算资源虚拟化成一台虚拟机来运行该作业.根据作业需要,高效分配定量的物理资源放置虚拟机,是决定云系统性能的关键因素,即云资源调度问题实质就是一个虚拟机和物理机之间的映射问题.文中借鉴网络效用最大化模型,提出了一种云资源调度模型——云效用最大化(Cloud Utility Maximization,CUM)模型,与传统调度模型相比,目标函数不再是最小化最大完工时间,而是以达到效用最大为调度目标,可以充分提高用户的满意程度.通过求解CUM优化问题得到最优的虚拟机和物理机映射关系.设计了针对该模型的分解优化算法——简化次梯度算法求解拉格朗日对偶问题,证明了该算法可以获得原始模型问题的最优解.仿真实验表明算法可行且具有良好的收敛特性,并给出了CUM模型在真实云环境下的应用场景.     

网格QoS控制的效用模型及优化

基于经济模型研究网格QoS控制的资源分配问题,给出多QoS属性多任务的资源分配优化的效用模型,通过定义任务的多QoS属性效用模型来描述动态需求和偏好,计算需要提供QoS的资源分配。用多属性优化方法,求解优化多QoS属性效用函数。     

基于效益函数的网格任务调度算法

在动态、异构、分布广泛的网格环境中,对资源的调度是一个非常复杂而重要且具有挑战性的问题。本文针对网格环境中的动态性特点,特别是用户QoS要求的动态变化性,提出了一种基于效益函数的网格任务调度算法,并采用GridSim模拟器分别对该调度算法和模拟器自带的代价最优和时间最优的网格任务调度算法进行模拟。实验的结果表明：该调度算法更能体现用户对QoS要求的动态变化;在系统完成相同数量的网格任务时,消耗相同时间的情况下,该调度算法在代价上优于基于时间优化的调度算法;而花费相同预算的情况下,在时间上优于基于代价优化的调度算法。