基于网格计算的自适应负载均衡策略研究

为了融合大量网络资源并有效地计算,解决网格计算中的负载均衡问题成为关键性的技术.论文提出了一种自适应负载均衡策略,采用了以静态为辅,动态自适应负载均衡算法为主的服务,可根据具体计算任务的情况,对任务重定向分配,提高了系统的伸缩性和响应时间,并采用基于CORBA体系机构的设计,在网格中间件层服务,灵活选择负载均衡算法,达到系统透明性.通过仿真模拟,证实了此策略的实用性和有效性.     

一种基于预测和激励机制的网格任务调度框架

随着网格技术的发展,在解决了资源的异构性、规模可扩展性、可靠性等方面的同时,也以其资源的动态性和自治性给传统的任务调度领域带来了新的挑战.参考了著名的网格资源经济系统理论以及一些成熟的调度预测算法和故障处理机制,并在此基础上考虑了实际环境下的网络延迟和人工干预等因素,提出了改进后的基于预测的任务调度思想和基于激励的故障恢复机制,并依此搭建了一个网格任务调度中间件应用实例.     

基于QoS的网格负载调度算法

针对多数启发式算法不能满足任务紧迫性需求的问题,基于Min-min算法和Sufferage算法的优点提出基于紧迫性需求的系统损失与任务复杂度平衡(QoS-based BSLTC)算法。在网格任务中加入QoS参数,在任务调度过程中,基于任务的分配损失和权衡系数,比较最大损失任务和最高计算复杂度任务,选出对系统性能影响最大的任务,并将该任务映射到完成时间最早的资源。分析结果表明,与Min-min算法和Sufferage算法相比,QoS-based BSLTC算法具有执行效率高、任务完成总时间短、负载均衡度高、兼顾任务紧迫性的优点。     

基于任务的网格资源调度研究

本文详细的介绍了网格环境下资源调度的实质;阐述了基于任务的调度原则与体系结构．并总结了若干重要调度算法;分析了目前研究中的问题,并讨论了其未来的发展问题,为进一步的理论研究、实际应用提供一定的基础与方向。     

一种负载均衡的网格在线调度算法

任务调度是网格领域的一个核心问题。针对网格资源及任务高度异构环境下的负载失衡问题,设计一种负载均衡的在线任务调度算法BOS。BOS算法在进行任务调度时,综合考虑任务到达频率、任务计算量、任务的完成时刻以及任务开始执行时刻等因素。任务周转时间由执行时间和等待时间2个部分组成。对于长任务,执行时间占更大比重。而对于短任务,等待时间的影响更大。算法根据长任务和短任务的各自特点,引入适应度的概念来指导调度。实验结果表明,与MCT算法相比,BOS算法的调度跨度、任务周转时间、响应比更小,资源利用率更高,负载也更加均衡。     

负载控制的网格资源调度

针对网格环境下的系统负载管理,将网格系统模型描述为节点和通信链路组成的无向图.在此基础上,提出了节点和通信负载的度量方法,给出了相应的阈值定义以及网格负载水平的计算方法.由此构成了资源选择中对节点、通信链路的选择条件,实现节点、通信的负载控制;网格负载水平则是判定拒绝服务的条件,控制系统任务总量.针对该方法,设计了实现管理的体系结构,讨论了模型计算的时间周期,给出了实现控制的调度算法.实验结果表明,该方法在提高系统吞吐量、控制调度失败率等方面表现出良好的性能,特别是在重载情况下,提高了系统的运行效率,增强了系统的健壮性.     

一种基于任务复制方法的网格调度算法

根据Intemet上存在大量空闲主机的情况，结合流行的P2P的思想给出了一种基于资源代理的网格系统模型，该模型能提供超级计算能力给一般的用户。针对在像网格这样的大规模系统中部署大量监控组件的困难性，设计了一种基于任务复制的调度算法。该算法无需任何有关环境的预测信息，仅需知道任务的相对长度，就可在执行过程中自动地适应网格的动态性，并且具有容错功能。     

基于优先级的任务调度与负载均衡模型研究

在分布式计算环境下，为了有效地利用计算资源、快速完成协同计算任务，提出了基于优先级的任务调度与负载均衡模型．首先根据就绪任务队列和任务调度器所处的位置以及两者之间的关系，将任务调度划分为集中式任务调度和非集中式任务调度两种方式，在此基础上，利用时间Petri网建模技术，分别给出了采用这两种任务调度方式的、基于优先级的任务调度与负载均衡模型，并对各种模型的特点进行了详细分析．以此模型为基础，可以利用现有的时间Petri分析技术，对采用上述任务调度方式的任务调度算法进行模拟和分析，以便找出满足给定条件的最优的任务调度算法．     

基于网格资源预测的任务优先级调度算法

根据网格工作流中任务的依赖关系和截止时间,以及资源的有效度和MIPS（每秒百万条指令）,提出基于网格资源预测的任务优先级调度算法。把网格任务工作流抽象为有向无环图,找到该工作流的关键路径,计算每个任务的最迟开始执行时间,作为任务的优先级。在算法中考虑用户的要求和资源的类型,以及任务调度失败后重新分配的问题。实验验证了该算法的有效性。     

网格任务的脉冲响应模型与预测控制调度策略

采用反馈控制策略,处理网格环境中的任务调度问题.利用任务并行度等内部结构信息,在任务接纳速度与网格计算资源使用量之间,建立了任务脉冲响应模型.采用预测控制策略对任务接纳速度进行在线调节,以消除网格动态不确定性因素对于任务执行的影响.采用人工免疫算法进行优化求解,最大化网格吞吐能力.仿真结果验证了模型的正确性和本文算法的有效性.     

基于比特表的RTCS多任务调度算法研究

实时控制系统（RTCS）中的实时性和并行性非常重要。可以采用有效的任务调度算法程序来协调两者之间的矛盾,保证系统的实时性和并行性。提出了一种基于Bit Map的调度算法,能较好地满足复杂系统的实时性与并行性要求。对调度算法程序设计中应注意的关键问题也作了讨论。     

基于改进遗传算法的网格任务调度研究

网格任务调度是一个NP完全问题,它关注大规模的资源和任务调度,要求采用具有高效性的调度算法.提出了一种基于改进遗传算法的网格任务调度算法,在算法初始化种群产生时引入min-min算法和max-min算法,从而提高初始化种群的质量;算法迭代过程中采用了一种新的局部收敛判断以及改进的变异操作来防止局部收敛.仿真结果表明,该改进算法能更有效地解决网格任务调度问题.     

一种基于期货市场理论的网格资源分配机制

在比较了计算网格资源和期货特点的基础上,提出了一种基于期货市场理论的网格资源分配机制,避免了现货市场价格的大幅波动。提出了基于期货市场的资源竞价交易算法,通过在电力网格系统上的模拟实验以及与“蛛网模型”的对比,表明本文提出的竞价算法具有资源的利用率高、稳定性高的优点。针对资源域内任务调度,提出了基于期货合约任务调度算法,通过实验比较了群集循环法、先来先服务、Max-min调度算法的完成时间,基于期货合约的任务调度算法完成时间最短。最后讨论了网格技术及期货市场理论在电力系统的应用。     

基于模糊数学的网格资源分析

网格是当前研究的热点问题,资源的充分利用是网格技术的目标,因此,有必要对网格资源进行分类研究。该文提出了基于模糊数学的模型聚类分析法,可以应用于网格资源的聚类分析,使网格资源得到合适的整合归类,论文用一个实例详细说明了这种方法。     

基于任务复制的网格任务调度算法

网格中资源之间存在着通信延迟,通过任务复制的冗余,可以减少任务之间的通信开销,缩短整个计算程序的计算时间。目前网格中的任务调度算法基本上是没有考虑任务复制的;而基于任务复制调度算法往往会产生过多的复制任务,增大系统开销,甚至有可能延迟计算时间。由于基于任务复制的任务调度是一个NP问题,因此本文提出了一种基于任务复制的网格资源调度算法,以减少调度长度为主要目标、减少任务复制量和资源占用量为次要目标。该算法在调度长度和任务复制数量以及占用资源数量方面都等于或优于其它算法。     

一种网格环境下的多级资源调度策略

网格计算是近年来得到快速发展的技术,其目标是把因特网整合成一种超大规模的巨大计算机系统,以实现各种资源的全面共享,阐述了网格调度的基本概念,分析了各种资源调度策略,并提出一种基于分布式调度算法的多级资源调度策略。通过对模拟仿真实验中三种技术指标的分析,表明了该算法的高效性。     

基于模糊解耦的火电单元机组负荷控制

讨论了火电单元机组负荷控制问题．根据火电单元机组工况多变的特点,提出一种基于模糊解耦的火电单元机组负荷控制方案,以提高控制系统适应负荷变化的能力．针对300MW仿真机的实测表明,与传统的PID定值控制相比,该方法改善了负荷控制性能,是一种具有实用价值的火电机组负荷控制方法．     

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。     

实时控制任务的模糊反馈调度系统研究

分析了实时控制任务的控制性能在不同控制阶段与处理器利用率需求间的关系,提出一种实时控制任务的模糊反馈调度系统.模糊控制器通过监测实时控制任务的误差及其变化率,查询模糊决策表,动态决定任务的优先级,反馈调度器根据优先级分配任务的利用率.仿真结果表明，在计算资源有限时，该方法能有效改善实时控制任务的控制性能.