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.     

物流云服务下基于改进蝙蝠算法的任务调度

针对物流云服务模式中调度任务多、信息量大、需求广的特点,提出了一种改进蝙蝠算法求解物流云服务调度问题的方案,其优化目标为最小化调度时间和最大化资源利用率.根据设计的算法流程,首先基于工件升序排列(ranked order value,ROV)规则对蝙蝠个体进行重新编码;然后调整初始化数据范围来减少分配任务超载和资源闲置现象,并在迭代过程中增加约束条件来均衡任务量,最终实现了资源与任务的智能调度.通过和遗传、粒子群以及基本蝙蝠算法的对比分析,体现了改进算法的优越性.最后利用Witness对方案进行仿真,证明了改进蝙蝠算法在解决物流云服务任务调度中的有效性,同时扩展了蝙蝠算法的应用领域.     

云计算中基于排队系统的任务调度模型研究

为缩短云计算中任务调度过程任务等待时间及提高虚拟机任务调度系统的执行效率,提出一种云环境下基于 排队系统的任务调度模型。对该模型中系统稳态分布和条件随机分解结果进行了分析,给出该模型的稳态队长的随机分解和稳态等待时间,结合数值例子,准确的找到服务率与期望队长、期望等待时间及其它性能指标之间的关系。通过云任务调度系统的仿真,实验结果验证了该模型能够快速地完成云任务的调度,提高了虚拟机资源的平均利用率。     

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。     

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。     

基于微服务架构FPGA云平台的并发请求调度机制

基于微服务架构的现场可编程门阵列（FPGA）云平台在被大规模推广后积累了许多用户。针对FPGA云平台存在大量用户并发请求的问题,建立一种基于优先级调度的自定义参数响应指数计算模型。将5个请求关键影响因素作为自定义参数,采用层次分析法确定各参数权重,根据响应指数函数计算各请求的响应指数。在该模型的基础上,设计一种高并发请求调度（HCRS）算法,通过响应指数阈值对请求类别进行划分,使得高优先级请求优先得到处理,次优先级请求加入先进先出队列等待,低优先级请求暂时挂起,从而缩短请求响应时间以及请求响应延时,缓解由高并发请求带来的硬件节点资源分配压力。在真实运营的FPGA云平台中实现该算法并在实际环境中进行测试,结果表明,在并发请求量相同时,与先来先服务调度算法相比,HCRS算法的平均响应延时降低29 074 ms,平均请求响应时间缩短12 605 ms,其在提升系统吞吐量与并发度的同时可以有效优化硬件节点资源利用率。     

云中多媒体应用中基于混合DAG的最优任务调度研究

云计算的平台优势使得它在多媒体应用中得到广泛使用。由于多媒体服务的多样性和异构性,如何将多媒体任务有效地调度至虚拟机进行处理成为当前多媒体应用的研究重点。对此,研究了云中多媒体最优任务调度问题,首先引入有向无环图来模拟任务中的优先级及任务之间的依赖性,分别对串行、并行、混合结构任务调度模型进行任务调度研究,根据有限资源成本将关键路径中任务节点融合,提出一种实用的启发式近似最优调度方法。实验结果表明,所提调度方法能够以最短的执行时间在有限的资源成本下完成最优的任务分配。     

基于Kriging代理模型的动态云任务调度方法

任务调度在云计算环境中发挥着重要作用。提出一种基于Kriging代理模型的动态云任务调度方法。通过对云任务在不同资源组合下的性能表现进行Kriging代理模型建模并优化,从而得到对应于该云任务的最优资源分配方案;利用云平台的API,可动态对该云任务实施资源调度。基于OpenStack开源云平台,对两个工程计算应用进行了任务调度性能测试,结果表明该方法可有效动态调整云任务中的资源配给,按需按优对平台中的云任务进行资源调度。     

基于多参数的μC/OS-Ⅱ任务优先级和调度方法

在μC/OS-Ⅱ进行实时任务调度时,可以使用单一的调度算法分配任务优先级。优先级判定标准的片面性、“错过率”较高的截止期,影响了μC/OS-Ⅱ的实时调度性能。该文提出了多参数任务优先级分配策略和μC/OS-Ⅱ任务的调度方法,实验证明,该方法截止期的平均错过率为60.1%,有效地改善了μC/OS-Ⅱ的实时调度性能。     

基于信息熵的容器云平台监控模型设计

为了提高容器云平台监控和数据调度分配能力，提出基于信息熵的容器云平台监控模型。采用资源冗余度分析和CPU物理核心资源检测方法，提取容器云平台监控的信息熵，采用负载均衡控制的方法，分析容器云平台的负载变化和资源调度延迟，将容器云平台的运行数据分为决策类数据、计算资源池数据以及监控服务数据类，采用类型化的特征匹配和数据聚类方法，建立器云平台监控模型的信息熵和关联信息特征匹配模型，通过多个复杂均衡的任务调度序列进行随机链路动态分配，采用容器云的任务排队模型，实现容器云平台监控模型的优化设计。仿真测试结果表明，采用该方法进行容器云平台监控的云数据调度能力较好，资源利用率达到100%,收敛值达到12 000以上，提高了资源利用率和云资源的在线调度能力。     

云计算环境任务调度方法研究综述

随着应用程序计算需求的快速增长,异构计算资源不断地增多,任务调度成为云计算领域中重要的研究问题。任务调度负责将用户任务匹配给合适的虚拟计算资源,算法的优劣将直接影响响应时间、最大完工时间、能耗、成本、资源利用率等一系列与用户和云服务供应商经济利益密切相关的性能指标大小。针对独立任务和科学工作流这两类云环境主流任务,结合不同云环境特征对任务调度算法研究进展进行综述和讨论。回顾梳理已有的任务调度类型、调度机制及其优缺点;归纳单云环境和混合云、多云及联盟云等跨云环境下任务调度特征,并对部分相关典型文献的使用方法、优化目标、优缺点等方面进行阐述,在此基础上讨论各个环境下任务调度研究现状;进一步对各类环境下文献使用的调度优化方法进行梳理,明确其使用范围;总结并指出需要对计算数据密集型应用在跨云环境下的任务调度研究进行重点关注。     

Map/Reduce下快速剪枝算法在复杂任务调度中的应用

云环境下传统任务分配与调度算法对于复杂任务调度的整体效率较低,为了提高Map/Reduce对复杂任务分配调度的整体效率,提出了一种基于任务处理时间的快速剪枝算法。该算法首先将复杂任务按照任务依赖关系大小进行最佳拓扑排序,使任务按顺序执行,从而提高调度准确率。然后使用节点处理任务的预测时间与节点处理能力的比值作为子任务在每个节点的处理时间进行量化建模,建立任务和处理时间的度量矩阵,通过采用按阶剪枝方法逐渐缩小任务分配规模,对N个节点处理N个任务的分配问题,进行N-1次操作可获得任务分配的最优解。运用Hadoop平台进行实验验证,从任务调度效率与资源使用率角度将剪枝算法与公平调度算法、遗传算法和GRAPHENE算法进行对比验证。实验结果表明剪枝算法能明显提高任务调度的整体效率,充分利用各节点的计算能力提高Map/Reduce调度效率。     

一种基于三支决策的云任务调度优化算法

云任务调度作为云计算体系的一个重要组成部分,其调度策略的效果直接影响到云平台资源利用率及用户服务质量。为解决当前云调度策略中Min-Min算法和Ma-Min算法容易因云任务分布导致负载不均衡、资源综合使用率低和任务总体完成时间较大等问题,提出一种基于三支决策的云任务调度优化算法(Cloud Task Scheduling Algorithm based on three-Way Decision, CTSA-3WD)。根据云任务的执行时间和计算资源的实际情况来标定任务集合中的轻负载任务和重负载任务。借鉴三支决策基本思想,根据两种任务在其任务集合中所占比例进行三支划分,有针对性地对划分后的3个任务集合设计合适的调度策略:针对轻负载任务占比高的任务集合,使用Max-Min算法;针对重负载任务占比高的任务集合,使用Min-Min算法;针对轻重负载任务接近的任务集合,采用基于Min-Min和Max-Min的改进任务调度算法。对分配完毕的节点中的关键资源进行重新调度,在满足总体完成时间减少的前提下选择最匹配的任务分配给轻负载资源。CloudSim仿真平台的实验结果表明,所提出的云任务调度优化算法...     

云环境下基于偏好的资源公平分配策略

资源分配策略是云计算领域的一个重要研究热点,其主要目标是同时考虑云用户和云提供商双方的利益,有效满足系统用户和任务的公平性,同时尽可能达到系统资源的充分利用。考虑到云环境中的用户需求各异,每个用户的任务请求数量不同,各个任务的资源需求也不同,设计了一种基于偏好的公平分配策略FABP,并给出了用户优先级和任务优先级的定义。实验分析表明,该算法不仅能缩短平均任务调度时间,而且还可以保证任务调度过程中用户和任务的公平性,实现综合资源利用率的最大化。     

异构云环境中的实时密码服务调度策略

针对异构云环境中运算节点性能各异、密码服务处理命令和密码算法组合多样且随机高并发的问题,综合考虑用户请求任务与云中运算节点的多项属性,从任务和节点角度优化整体调度系统的服务质量及任务调度成功率,设计一种同时支持多种密码处理命令和算法的二级调度策略。通过任务与运算节点之间功能属性的映射,保障密码服务请求功能的正确实现。在此基础上,利用节点优先级算法提高任务处理实时性和随机高并发密码服务系统的任务调度成功率。仿真结果表明,该策略能够在保证任务调度成功率的基础上,有效提高任务执行效率和负载均衡性能,其任务执行时间较优先级动态分派策略和遗传算法分别减少约4%和17%。     

分布式计算中基于资源分级的自适应Min-Min算法*

Min-Min任务调度算法的思路总是优先调度执行时间较短的小任务,无法得到理想的最优跨度及资源负载平衡．针对该问题,提出基于资源分级的自适应Min-Min算法．分配任务前,先参考现有资源的属性进行分级处理,再与任务在资源中的最小完成时间作乘积得到的最小任务资源组合进行调度;在任务调度过程中,引入自适应阈值,调节长任务的调度等级,从而达到优化效果．通过模拟仿真实验,表明该算法在时间跨度和负载平衡上均有较好性能．     

基于车联网应用的云平台任务调度算法

在云平台车联网优化调度问题的研究中,车联网具有多用户、多业务、高并发等特点.为了保障车联网应用在云平台上快速、稳定和可靠的运行,在云计算的基础上,提出一种基于车联网应用的MCT-LB-GSA(Minimum Completion Time-Load Balance-Greedy Scheduling Algorithm)任务调度算法.算法以虚拟机资源的当前负载作为约束条件,依照贪心策略将任务调度到当前负载较轻且具有最小任务完成时间上的虚拟机资源上.在CloudSim环境下进行了仿真,结果表明,改进算法在保证最优任务调度跨度的同时也有效地实现了资源负载均衡,提高了资源利用率.     

端到端时间约束的实时任务动态调度算法

在单处理机系统中,由于计算高优先级任务抢占的时间相对比较简单,所以单处理机调度理论取得了长足的进步.提出一个端到端时间约束的实时任务调度算法,当实时任务到达系统时,算法为任务的每个子任务在相应的处理机上预约一定的计算资源,把端到端的多处理机调度问题转换成单处理机调度问题,从而可以利用单处理机调度理论判定实时任务的可调度性.实验表明,该算法明显地提高了CPU利用率和任务接收率.     

一种异构多核处理器启发式综合任务调度算法

针对现有异构多核处理器(CMP)任务调度算法中存在的优先级排序机制不健全、任务调度效率不高的问题,提出一种基于启发式的综合任务调度算法。该算法以表调度为基础,面向平台异构性和依赖任务特性,给出一种按照加权优先级构造任务调度列表的方式。在此基础上,采用多任务复制技术减少核间依赖任务的通信时延,提早任务的最早开始时间,并在任务分配阶段采取区间插入的方式将任务分配到合适的处理器内核上执行,以提高处理器资源利用率。设计模拟实验对该算法性能和已有的2个较为高效的启发式任务调度算法进行对比实验,结果证明该算法能有效提升任务调度性能。     

基于双层优先级的中继卫星系统任务调度算法

中继卫星系统在天基信息网中起着桥梁的作用。为充分利用卫星资源以提供快速可靠的数据中继服务,需要对高价值、高紧迫性的任务开展调度方法研究。首先,在分析中继卫星系统任务与资源的基础上,建立了多任务、多资源的调度模型。而后,提出了任务调度优先级和时间窗口选择优先级模型,并在此基础上提出了一种基于双层优先级的中继卫星系统调度算法。最后,根据算法在仿真算例中的应用可见：相比对照算法,基于双层优先级的调度算法更有利于满足高价值、高紧迫性任务的执行条件,从而提高了任务成功率和调度综合收益。