SIG框架基于多线程技术分布式系统的任务调度

空间信息网格是利用网格技术实现空间信息资源的共享、管理和提供空间信息服务的系统和各种的空问信息服务的基础设施,任务调度是分布式系统和网格系统最具有挑战的问题之一,Java语言里的多线程机制很好地解决了这一问题。该文主要研究了SIG中的任务调度技术,通过实验确定分布式系统里的线程数目,使系统性能获得局部最优。     

分布式系统下的启发式任务调度算法

为了提升异构分布式环境下处理具有依赖关系的任务的性能,提出一种基于关键任务和处理器选择参数的启发式任务调度算法（HCNPSV）。该算法结合表调度和任务复制调度的思想,改进了关键任务的计算方法,并按照是否为关键任务、上行权重值递减、关联任务数递增的顺序获得调度序列,资源选择阶段综合考虑了任务的最早完成时间和到出口节点的最短距离,最后将任务调度到处理器选择参数最小的资源上执行。实验结果表明,HCNPSV有效地提高了系统的调度性能。     

面向CPUs-GPUs系统的OpenCL任务调度框架

为解决OpenCL多任务环境的自适应调度问题,分析资源竞争导致的内核执行效率下降情况,提出一个可在CPU-GPU异构平台上高效调度多个程序内核的OpenCL任务调度框架。通过随机森林模型分析OpenCL任务在不同设备上的运行状态,提出一套量化OpenCL内核数据传输的公式,提高OpenCL任务分析的准确性;采用负载均衡程度和单任务调度时间混合指标策略,保证系统执行效率,保障单个任务的执行效率。通过实验验证该框架的良好性能,实验结果表明,在不同程度的资源竞争的情况下,与两种常见的调度策略相比,该框架在负载均衡和任务执行效率指标方面均有提升。     

面向边缘设备的高能效深度学习任务调度策略

近年来,深度学习在图像和自然语言处理等诸多领域表现出色,与深度学习相关的各类移动应用发展迅速,但由于移动网络状态的不稳定性及网络带宽的限制,基于云计算的深度模型任务可能出现较大响应延迟,严重影响用户体验.与此同时,深度模型对设备的计算及存储能力有较高的要求,无法直接在资源受限的移动设备中进行部署.因此,亟须设计一种新的计算模式,使得基于深度模型的移动应用能够满足用户对快速响应、低能耗及高准确率的期望.本文提出一种面向边缘设备的深度模型分类任务调度策略,该策略通过协同移动设备与边缘服务器,充分利用智能移动终端的便捷性和边缘服务器强大的计算能力,综合考虑分类任务的复杂度和用户期望,完成深度模型在移动设备和边缘服务器中的动态部署,并对推理任务进行动态调度,从而提升任务执行效率,降低深度学习模型推理开销.本文以基于卷积神经网络的图像识别应用为例,实验结果表明,在移动环境中,相比于准确率最高的深度模型,本文提出的高能效调度策略的推理能耗可降低93.2%、推理时间降低91.6%,同时准确率提升3.88%.     

一个基于PVM的异构型智能分布式任务调度系统

1引言分布计算环境是基于分布式系统上进行的计算服务系统,分布式任务调度问题就是寻找将一组相互协作的任务分配到一组处理器上运行的最优解。在任意多个处理器组成的系统中,求最佳的分布     

大规模分布式系统的测试实践

飞天测试的挑战 飞天开放平台基于一个核心系统,即飞天大规模分布式计算系统（简称飞天）。飞天期望把几千台PC构成一台“超级计算机”,为上层多种不同的开放服务和云应用提供通用的分布式存储、计算和任务调度等多重功能。由此可以看出,飞天具有平台化、通用性和大规模的特性,于是,飞天测试的挑战也由此而来。     

分布式系统下的DAG任务调度研究综述

近年来随着网格、云计算工作流等分布式计算技术的发展,关于DAG(有向无环图)模型任务在分布式系统环境下的调度问题逐渐成为备受关注的研究热点。根据最新研究进展,对分布式系统下的DAG任务调度问题和有关技术进行了研究与讨论,主要包括四个方面:系统地描述了分布式系统和异构分布式系统的有关概念,异构分布式系统下的DAG任务调度问题、调度模型及其典型应用;对现有分布式系统下DAG任务调度的研究按照不同的方式进行了分类;探讨了多DAG共享异构分布式资源调度的研究现状;讨论了目前多DAG共享异构分布式资源调度研究存在的问题和未来可能的研究方向。     

基于动态多处理节点的分布式系统任务调度

针对固定处理节点分布式系统动态调控能力弱的问题,给出一种分布式系统任务调度模型,讨论单处理节点任务调度问题,提出平均处理强度指标,用于更准确地刻画处理节点的承载能力。推导出动态多处理节点的任务分配方法,优化分布式系统中任务处理的时间响应特性。模拟实验证明,该算法有较好的动态调控能力,能根据需要降低处理器负载、改善任务处理延时并更合理地利用系统资源。     

基于深度强化学习改进的任务调度算法

关于计算机系统与网络中的资源管理问题的研究无处不在,其中计算集群的调度算法一直是研究的热点。目前大多数解决方案为启发式调度算法,但启发式算法无法全面地感知系统中调度作业之间的关联性,而深度强化学习可以通过数据自主学习这些潜在的关联性。本文使用了一种基于动作分支架构改进的深度强化学习调度算法,在Spark调度模型中取得了不错的效果。该算法通过将一个完整的调度过程分解为相对独立的分支动作,从而简化各个动作设计过程并有效降低动作空间的维度。实验结果表明,在相同的训练时间内,该模型取得了较好的调度性能。     

基于深度学习的动态优先级任务调度算法

工业互联网中设备任务的处理需要大量计算资源,有低时延需求的任务显著增多.边缘计算将算力等资源放置到靠近需求一侧,为任务处理提供有效支撑.但由于边缘计算资源有限,无法同时满足设备任务的低时延和高完成率需求.如何确定合理的卸载决策与任务调度,仍然存在巨大挑战.针对以上问题,本文提出了一种基于深度学习的动态优先级任务调度算法DPTSA,首先根据动态优先级选择待处理任务,通过神经网络产生任务调度决策,然后通过交叉变异等操作产生一组可行解,再筛选最优解存储到经验缓冲区,最后通过经验缓冲区样本优化神经网络参数.基于Google的Brog任务调度数据集的实验结果表明,相比于4种基准算法, DPTSA在任务等待时间和任务完成率方面都有出色表现.     

Framework for Task Scheduling in Heterogeneous Distributed Computing Using Genetic Algorithms

An algorithm has been developed to dynamically schedule heterogeneous tasks on heterogeneous processors in a distributed system. The scheduler operates in an environment with dynamically changing resources and adapts to variable system resources. It operates in a batch fashion and utilises a genetic algorithm to minimise the total execution time. We have compared our scheduler to six other schedulers, three batch-mode and three immediate-mode schedulers. Experiments show that the algorithm outperforms each of the others and can achieve near optimal efficiency, with up to 100,000 tasks being scheduled     

分布式网格系统的任务调度算法DE Scheduling

目前研究的动态任务调度算法都基于集中式或部分分布式网格系统,系统中心节点(组)进行资源管理。该文提出一种面向无资源管理的完全分布式网格系统动态任务调度算法DE Scheduling。该算法使用任务冗余调度算法屏蔽解决系统的动态性问题,通过动态调节冗余量减少无效计算和保证系统负载均衡。使用给定平均连接度的无标度网络演化模型构造具有1 000个节点的Internet网络模型仿真任务处理过程。仿真结果表明,任务数为10 000~100 000时该系统冗余调度次数均为2次,冗余计算量占总计算量的比例不超过0.35%,且随着任务数增加而递减。     

基于移动Agent的分布式测控系统任务调度研究

动态任务调度是分布式测控系统中的一项关键技术。基于移动Agent提出了一种新的分布式测控系统动态任务调度算法。算法采用IBM Aglets系统设计和执行移动Agent,利用移动Agent-Aglet在系统运行过程中动态迁移任务,从而有效地提高了系统效率,实现了负载均衡的目标。详细介绍了任务迁移的实现及Aglet通信机制。     

分布式计算平台中任务调度的模拟器研究

提出与描述一个分布式计算平台中任务调度的模拟器,该模拟器可以用来仿真与评测网络计算平台上的主-从模式的并行分布式应用.它采用任务跟踪的方式,周期性的收集任务相关的收据来实现.该模拟器支持多种运行场景、根据应用的需求来控制输入参数;能够完成不同任务调度策略分析与检查点文件共享策略分析.分析了两种类型的任务调度算法在模拟器上的仿真:FCFS(First Come First Served)策略和MinMax(unassigned min-max)策略.模拟与性能结果表明:该模拟器可以仿真因特网上的大规模分布式计算平台的调度策略与检查点策略对通信轮回时间的影响,是一种接近真实世界的仿真结果,方便了程序员的操作.     

基于蚁群算法的分布式CPS系统任务调度设计

针对CPS系统中资源和任务的复杂性,同时为了保证CPS系统资源管理和任务调度的快速性、准确性和有效性,构建了分布式CPS系统结构模型,并设计和实现了基于蚁群算法的资源分配策略,在算法中设计了局部和全局信息素更新规则,将资源管理、任务调度和执行相结合,同时兼顾网络的负载平衡问题和服务质量问题.利用Matlab对基于蚁群算法的分布式CPS系统任务调度策略进行了仿真实验,实验结果证明该策略缩短了整体任务调度的总完成时间,并随着任务数的增加,任务时间缩短的效果更加明显.     

新型分布式计算系统中的异构任务调度框架

随着大数据和机器学习的火热发展,面向机器学习的分布式大数据计算引擎随之兴起.这些系统既可以支持批量的分布式学习,也可以支持流式的增量学习和验证,具有低延迟、高性能的特点.然而,当前的一些主流系统采用了随机的任务调度策略,忽略了节点的性能差异,因此容易导致负载不均和性能下降.同时,对于某些任务,如果资源要求不满足,则会导...     

基于实数编码免疫算法的分布式任务调度

任务调度问题是一个NP难题,其算法是一个重要研究方向。该文通过对任务调度模型及已有免疫算法进行研究和比较,提出一种基于实数编码免疫算法的任务调度算法。讨论问题的编码方式、种群的生成及更新、记忆细胞的更新及部分参数的取值,探讨亲和度函数和浓度函数。采用VC++实现该算法,并通过实例分析对比,证明了其有效性和可行性。     

基于Quartz的网管系统任务调度的实现

网管系统的大部分功能都需要以任务调度的形式实现,介绍了基于Quartz框架的网管系统任务调度的实现方法.实践证明,该方法具有较好的扩展性,在大量任务并发的网管系统中执行效率较高.