基于新颖性排名和多服务质量的云工作流调度算法

针对现有研究未能综合考虑以用户成本和系统利用率为目标进行优化调度的问题,提出基于新颖性排名和多服务质量(QoS)目标的云工作流调度算法.将资源节点执行任务的频度、任务的等待时间和执行时间作为因子加入推荐模型;使用模拟退火算法训练得到推荐模型,计算出优先级因子;调度器根据优先级因子表进行调度并对其进行更新.在CloudSim平台上进行模拟调度仿真实验,结果证明:所提出算法的任务执行时间优于Q值学习(Qlearning)算法,且用户成本和系统使用率的综合指标更好.     

智慧医疗场景下考虑终端移动性的任务卸载策略

针对工作流任务、边缘服务器无线信号覆盖范围、智慧医疗场景以及终端移动路径,分别构建模型进行描述,根据移动终端的实时位置和移动速率构建基于移动路径的工作流任务执行时间及能耗模型. 根据边缘服务器的无线通信模型,引入任务执行延迟和任务迁移2种情况以保障服务的连续性和执行时间限制. 从全局角度综合考虑任务在云端、边缘服务器和本地的执行效益,设计工作流任务优先级划分算法和边缘服务器卸载优化算法,并使用遗传算法设计基于最佳移动路径的工作流任务卸载决策及调度算法,在可选路径中搜索满足用户响应时间约束,且移动端能耗最低的最佳路径和相应的任务卸载、调度方案. 仿真结果说明：该算法能够合理地分配计算资源,在用户响应时间约束下充分降低移动终端能耗,相较未考虑终端移动性的卸载算法,移动端能耗降低了19.8%.     

基于可靠性约束的工作流调度算法

移动边缘计算(Mobile Edge Computing, MEC)环境中,工作流调度算法存在可靠性约束的问题,为此,提出一种基于可靠性约束的工作流调度算法。首先,根据工作流子任务依赖关系生成优先级就绪队列;其次,根据不同服务器的故障率建立可靠性模型,保证工作流调度方案满足工作流可靠性的要求;然后,针对未分配调度位置的任务,根据服务器可靠性信息,按照执行队列顺序进行初始化,得到满足可靠性约束的初始种群;最后,采用改进的非支配排序遗传算法(Non-dominated Sorting Genetic AlgorithmⅡ,NSGA-Ⅱ)求解工作流的最优卸载位置,并生成调度方案。仿真实验表明,相较于轮询调度算法、贪心算法和粒子群算法,提出算法降低了移动设备的能耗,减少了任务时延,提高了工作流执行可靠性。     

不确定执行时间的云计算资源调度

针对执行时间不确定情况下的云计算资源调度问题,基于模糊规划理论建立了时间-成本约束条件下的模糊云资源调度模型,使用三角模糊数表示不确定的任务执行时间,以最小化评价函数的平均值和不确定度作为调度目标。提出一种改进的混沌蚁群算法对模型进行求解,算法引入精英策略优化了信息素的更新,采用折叠次数无穷大的混沌映射进行混沌搜索,并设计了自适应混沌扰动机制以增强算法的全局搜索能力。在Cloudsim平台上用仿真数值实例对模型和算法进行验证,证明了模型的可靠性,实验结果表明改进算法在收敛速度、求解能力和负载均衡上均有较好的性能。     

基于二次聚类的多目标混合云任务调度算法

针对混合云环境包含大量异构云计算节点的情况,提出二次聚类方法,依据资源的综合特性,将异构资源进行分簇,将任务分发到合适的资源聚类,缩小任务搜索空间.在此基础上,结合私有云的安全可靠性、公有云的可扩展性以及用户需求的多样性,提出混合云环境下多目标优化的任务调度算法.该算法首先在私有云优先调度截止时间短的任务,对于每个聚类,将任务分配给完成时间最接近于其结束时间的资源,以完成更多的任务;将溢出的高负载任务转移到公有云聚类执行,结合任务的计算成本、通信开销和截止时间的约束,选择费用最低的资源.实验结果表明,与传统无聚类的算法相比,该算法降低了执行费用,同时提高了资源利用率和用户满意度.     

一种多目标约束条件的云计算资源调度算法

针对基于云平台下资源调度互不相同的约束条件问题,文中提出了一种新的云计算资源调度算法。根据用户提出的各种约束要求,构造多目标约束条件,利用一个隶属度函数将多目标问题转化成单目标优化问题,重新设计了进化算子,对其遗传算法应用进行改进,对单目标问题进行求解,得到了策略的最优解,在CloudSim平台进行仿真实验,实验结果表明,该算法降低了任务调度的截止时间底线违背率,缩短了平均任务执行时间以及节约了平均执行成本。     

云计算环境下多目标约束的虚拟资源动态调度

为了解决静态资源调度所导致的CPU利用率不高的问题,研究了多目标约束的虚拟资源动态调度方法。给出了云计算虚拟资源调度模型,设计了多目标约束的虚拟资源表示方法,采用马尔科夫链对虚拟资源的下一时刻状态进行预测,从而得到可用资源向量;最后,计算任务与可用资源向量之间的匹配向量,将任务分配给匹配向量中具有最大各维分量之和的虚拟资源进行调度,并提出了具体的采用基于马尔科夫链预测的云计算虚拟资源动态调度算法。实验结果表明:该算法能有效解决云环境下多目标约束的虚拟资源动态调度问题,具有较小的负载均衡离差和任务执行跨度,较其它方法具有较大的优越性。     

改进多目标进化算法的云工作流调度

针对云计算和云存储资源复杂变化的定价机制给云工作流调度带来了极大的挑战问题,建立了考虑定价机制的多目标云工作流调度模型。针对云工作流调度问题的特点,设计了一种实数编码机制,使得现有的基于实数编码的交叉算子能够直接用于求解云工作流调度问题,从而避免了现有组合优化方法需要进行解的可行性修正的问题。进一步在MOEA/D算法框架下,设计了一种启发式局部搜索策略,提出了一种新的进化多目标云工作流调度算法。仿真试验结果表明,与目前主流的进化多目标优化算法相比,该算法在求得帕累托最优解集的宽广性和均匀性上具有明显的优势,且算法稳定性更好。该方法对于云平台资源利用率的提升具有重要的应用价值。     

模糊云资源调度的CMA-PSO算法

针对多目标云资源调度问题,以优化任务的总完成时间和总执行成本为目标,采用模糊数学的方法,建立了模糊云资源调度模型.利用协方差矩阵能够解决非凸性问题的优势,采取协方差进化策略对种群进行初始化,并提出了一种混合智能优化算法CMA-PSO算法(covariance ma-trix adaptation evolution s...     

具有禁止时间窗口的资源受限水利工程项目调度

水利工程项目的调度属于资源受限的项目调度,但又具有特殊的时间约束,称之为禁止时间窗口的约束,该约束假设某些任务不能在某个特定的时间段内执行.针对此类问题建立了一种带有禁止时间窗口约束的资源受限的项目调度问题模型,并提出了一种改进的类电磁算法,对局部搜索、电荷、合力及粒子移动的方式进行改进.基于PSPLIB实例库设计了仿真数据,将改进的类电磁算法与启发式优先规则、遗传算法进行比较,仿真结果表明了改进的类电磁算法的优化效果优于对比算法.     

云计算中多层次公平性QoS约束任务调度算法

针对传统云任务调度算法只注重执行效率忽略分配公平性的问题,提出了一种满足多重公平性约束的任务调度QoS算法CTS_QFC.该算法利用社会资源分配的公平性理论模型,从用户任务与云资源提供方两个角度,将云任务调度问题建模为一种多重公平性QoS约束模型.第一层QoS按用户QoS偏好对任务分类,并按照任务分类建立一般期望效用函数.第二层QoS定义资源公平性评估函数,评估资源分配的公平性.结果表明,CTS_QFC算法不仅可以确保用户任务的高效执行,还可以提高资源分配与任务调度方案的公平性.     

高速旋转相控阵雷达基于资源预规划的任务调度算法

针对传统时间指针调度算法应用于高速旋转相控阵雷达任务调度时,任务执行时间偏移率高引起探测性能下降的问题,提出一种资源预规划的任务调度算法。首先,按照调度间隔对应的任务扇区进行资源预规划,将任务饱和扇区的任务按照时间偏移率最小原则调配到相邻空闲扇区,在任务调度阶段根据扇区总资源限制优先选择高优先级任务;然后,根据任务期望执行时刻排序形成任务执行列表。该算法时间利用率高于传统的算法,任务执行偏移率低于传统算法,工程实现简单、计算量低。仿真实验表明了算法的正确性和有效性。     

改进的DBSCAN聚类算法在云任务调度中的应用

针对云计算环境中任务调度中存在的执行效率低的问题,提出了一种基于改进的基于密度的聚类算法(DB-SCAN)的云任务调度策略.首先使用改进的基于密度的聚类算法DBSCAN对云任务进行聚类,然后与已经分类的资源进行匹配,解决资源与任务匹配程度低的问题.实验结果表明,对任务进行聚类后进行任务调度,任务在终端上的平均执行时间减少了大约35.2％,任务的调度时间也有了明显减少.     

改进CS算法结合决策树的云工作流调度

对云计算环境下工作流任务调度的现有方案进行分析,针对存在运行时间长、资源利用率低等不足,提出一种结合改进型布谷鸟搜索算法和决策树的工作流任务调度方案。首先,根据工作流任务属性分配截止期限;其次,利用改进型布谷鸟搜索算法将工作流分割成多个子工作流,最小化数据依赖性,再利用决策树选择出满足任务QoS约束的资源;最后,根据任务的计算时间、排队时间和通信延迟的总和来判断是否满足截止期限约束,以此配置相应的资源。实验结果表明,该方案具有较短的总运行时间和较高的任务完成率。     

基于资源回收的容错单调比率调度

基于时间冗余的容错实时调度算法,其可调度条件是以任务的最坏执行时间和为任务预留容错操作的时间为分析基础,且任务拒绝率高,系统资源利用率低。该文提出的基于资源回收的容错单调比率调度,以容错实时调度算法FT-RM为基础,利用任务的实际执行时间低于最坏执行时间的特性,收集已完成任务释放的资源供等待任务使用,在保证系统容错要求的同时,提高了任务吞吐量和系统资源利用率,并通过模拟实验分析算法性能,研究了影响算法调度性能的若干因素。     

Spark框架并行度推断算法

分布式计算集群Spark宽依赖并行度取决于用户设定参数,对于不同的作业类型或数据集,硬编码的并行度参数设定难以发挥集群的最大计算能效。针对这一问题,首先对Spark作业执行方式进行深入分析,建立作业调度模型,提出宽依赖计算代价、资源空置率和溢写概率的定义;然后分析任务并行度对作业执行时间的影响,证明并行度取值具有合理区间,提出并行度推断算法的优化目标。最后根据模型定义进行目标求解,设计批处理内存计算框架的并行度推断算法（parallelism deduction algorithm,PDA）,通过构建的数据总量、执行区预留比、操作闭包集合、资源表等多个基础数据,计算符合资源需求表且具有最大资源利用率和最小开销的任务并行度;PDA算法在作业的各个Stage中迭代执行,根据计算环境优化调度方案提高性能。实验表明,PDA算法提高了Spark框架的作业执行效率,针对不同类型作业均具有良好的普适性。     

负载均衡优先的改进优先级表调度算法

针对当前云计算环境下DAG任务调度时存在的负载失衡、任务调度效率不高的问题,提出了一种负载均衡优先的改进优先级表调度算法(LS-IPLB).算法将云计算集群中虚拟机的状态参数变化抽象成空间中的参数向量变化,给出实时衡量云计算集群的负载均衡性方法,并作为虚拟机选择权值的重要参数.同时以任务执行代价、任务的出度和任务间的通信代价作为参数计算任务优先级,并在任务调度时采用任务复制策略进一步优化调度过程.结果表明,LS-IPLB算法能有效缩短DAG任务图的完成时间,并实现了良好的负载均衡性.     

改进多种群进化算法求解移动边缘计算中任务调度问题

移动边缘计算通过在靠近用户端的网络边缘部署服务器,为用户提供低时延的网络通信服务和类似云的计算服务。移动设备通过网络接入点将任务卸载到边缘服务器进行处理,能够有效地减少移动设备的能耗以及任务的完成时间。然而,用户在卸载任务时需要支付一定的通信成本。本文在构建包含多个用户和多个边缘计算节点的移动边缘计算环境的基础上,建立了最小化移动设备的任务完成时间、能耗以及通信成本的数学模型。为了解决上述问题,本文提出了一种改进多种群进化算法的任务调度优化算法。该调度算法通过优化卸载决策和资源分配决策来达到降低移动设备综合成本的目的。大量仿真实验说明,该任务调度算法与其他几种的任务调度算法相比,能够更有效地降低移动设备的综合成本。     

Energy Optimization Oriented Three-Way Clustering Algorithm for Cloud Tasks

Cloud computing has developed as an important information technology paradigm which can provide on-demand services.Meanwhile,its energy consumption problem has attracted a growing attention both from academic and industrial communities.In this paper,from the perspective of cloud tasks,the relationship between cloud tasks and cloud platform energy consumption is established and analyzed on the basis of the multidimensional attributes of cloud tasks.Furthermore,a three-way clustering algorithm of cloud tasks is proposed for saving energy.In the algorithm,first,the cloud tasks are classified into three categories according to the content properties of the cloud tasks and resources respectively.Next,cloud tasks and cloud resources are clustered according to their computation characteristics (e.g.computation-intensive,data-intensive).Subsequently,greedy scheduling is performed.The simulation results show that the proposed algorithm can significantly reduce the energy cost and improve resources utilization,compared with the general greedy scheduling algorithm.