基于PVM的并行分布计算中的任务调度策略

在工程计算中,并行分布计算越来越显得重要,而任务调度策略是影响并行分布计算性能至关重要的因素。在分析了现有的任务调度策略的基础上,结合复杂机电系统耦和问题,提出了两层调度和主动报告的策略。     

基于自适应与主动消息的任务调度策略研究与实现

在并行分布计算中，任务调度策略是影响并行分布计算性能的重要因素，结合现有任务调度法存在的问题，运用有效聚合与充分释放的思想，提出并实现了一种具有自适应和主动消息的任务调度策略，有效地提高了系统的整体性能。     

PVM任务迁移协议的研究

被作为ＭＰＩ“事实标准”的ＰＶＭ是一个优秀的异构多机分布计算环境支持软件,出于最初系统设计的考虑,它具极好的静态可伸缩性,但是它不支持负载在系统内部浮动,严重影响了系统资源利用率和并行效率的提高。因此,为ＰＶＭ增加任务迁移功能,使它成为可负载均衡的动态ＰＶＭ系统是近年来的研究热点。     

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     

调度PVM任务

本文介绍了一个自行设计和实现的ＰＶＭ任务调度系统，可进行空间机选择，对任务池和动态生成的子任务进行调度，提高处理机资源利用率，改进作业响应时间和简化用户编程过程。     

一种基于PVM的主动的任务动态调度策略

近年来,随着分布并行计算的迅速发展,许多优秀的分布并行计算环境不断涌现,如PVM,Express,Linda等。其中PVM在科学计算等领域得到最广泛的应用,并成为事实上的标准。并行任务的调度策略是影响分布并行系统效率和负载均衡的重要因素之一。PVM系统原来采用一种“轮转法”的策略进行任务分配,相应的算法和实现比较简单,由于此策略本身固有的静态性和强制性,系统负载均衡的问题几乎没有考虑,所以PVM系统的效率得不到充分的发挥。目前国内外对任务调度的研究成果在提高系统效率和负载均衡上有所改善,但     

启发式任务调度中的处理器选择策略

任务调度是并行分布计算中最为基本、最为关键,也最具有挑战性的问题之一,是影响并行分布计算执行效率的一个关键因素.现有的基于任务静态优先级的启发式任务调度方法都是以“当前任务具有最早起始执行时刻”为目标来选择执行处理器.该文在详细分析讨论该种调度方法的基础上,指出了以该目标选择处理器存在的问题及缺点,并提出了以“当前任务的直接后继具有最早起始执行时刻”为目标选择处理器的方法,并给出了相应的约束条件.     

并行分布计算中的分布式动态任务调度

1.引言并行分布计算中静态的启发式任务调度算法都要求并行分布程序任务在执行前是比较确定的。但一般情况下,实际并行应用程序并不满足这一限制条件,在执行前存在着许多不确定性因素,主要有:并行程序任务中的循环次数事先并不确定;条件分支语句到底执行哪个分支,在程序执行前不能完全了解;每个任务的工作负载大小事先不能确定;任务间的数据通讯量大小只有在运行时才能决定;有些任务是动态产生的。虽然能通过某些技术把这些不确定性转化为确定性,如对条件分支的归纳,但是,并行分布程序中存在的许多不确定性是不能在     

异构型并行分布计算系统PVM的结构分析

本文描述了异构型并行分布计算系统ＰＶＭ的组成和特征，详细分析了它的软件结构、工作流程和消息通信机制，并提出了它存在的不足之处。     

PVM的安全机制分析

随着互联网的高速发展，基于异构计算环境的并行计算模型PVM正在得到广泛的应用，该文通过对PVM并行虚拟机的安全功能和流程的分析，提出了对PVM的安全扩展方案，并给出了备选的替换算法。     

PVM网络并行计算实现方案

使用双网卡方案实现了基于PVM平台的网络并行计算环境，并在该环境下测试了并行整体光照算法。对实际的测试结果进行了分析，讨论了利用PVM进行网络并行计算的机制和优化方法。     

一种基于改进遗传算法的雾计算任务调度策略

任务的调度与分配一直以来都是云计算技术发展中的关键问题。然而,随着物联网连接设备的爆炸式增长,云计算已不能满足一些任务的调度需求,如健康检测、应急响应等都需要较低的延迟,雾计算应运而生。雾计算将云的服务扩展到网络边缘。雾计算架构下的任务调度与分配目前还是一个较新的研究热点。文中介绍了一种改进的遗传算法(IGA),该算法将适应度判断引入到亲代变异操作中,克服了基本遗传算法(SGA)在变异操作中的盲目性。在雾计算架构下采用该算法调度任务时考虑了服务等级目标(SLO)中响应时间的约束(FOG-SLO-IGA)。实验结果表明,FOG-SLO-IGA调度用户任务时在时延、SLO违规率以及服务提供商的花费上均低于云计算架构下采用IGA的调度(CLOUD-IGA);同时,在雾端调度任务时,IGA算法在执行速度上要快于传统SGA算法和轮询调度算法(RRSA)。     

云计算环境下基于模糊聚类的并行调度策略研究

并行任务调度是分布式计算研究的核心问题之一,其结合大规模的石油地震勘探数据在处理过程中对高性能计算的需求,研究云计算环境下地震资料数据的并行调度问题。由于地震资料数据规模较大,因此通常将大作业进行分割,通过并行处理获得较高的处理效率。对任务进行并行处理的一个关键问题是如何将划分后的任务分配到合适的调度节点,最高效的情况是使云计算环境中的每一个资源节点都在进行计算,并且计算性能高的节点执行作业块大且复杂的任务,性能相对低的资源节点则运行对计算性能要求不高的任务或小任务,以达到整体上的负载平衡。因此基于模糊聚类思想,提出一种任务与资源混合聚类的调度优化策略,以作业与资源节点属性的匹配程度为基准,对并行作业进行聚类划分求解,在缩小任务调度规模的同时,为动态调度任务奠定基础。在划分完成后引入基于改进的贝叶斯分类调度算法,将资源节点依据其实时负载情况与队列中的作业进行快速的匹配。实验证实,此方案具有较高的执行效率。     

云计算环境下的节能任务调度策略的随机Petri网分析

针对当前云计算异构服务器集群环境下的高能耗问题,提出一种最小能耗优先的任务调度策略(first sche-duling with minimum energy)。该策略在调度任务时优先考虑处于运行状态的服务器,并以任务响应时间为约束,按照最小能耗原则将任务分配到相应的服务器上执行。当处于运行状态的服务器都不能满足任务对响应时间的要求时,则考虑处于休眠状态的服务器;同时,也基于最小能耗原则进行调度。采用随机Petri网工具对节能任务调度策略进行分析建模,考虑其能耗和相关性能指标。实验结果表明,该方法不仅能满足任务的QoS性能要求,而且具有较好的节能效果。     

基于主机负载预测的动态任务调度算法研究

提出一种基于遗传神经网络的主机负载预测模型,并基于该模型设计了集中式任务调度算法CJD—HLP。CJD—HLP采用预测法提前获得主机负载信息,保证了任务调度时使用决策信息的实时性、准确性,避免了负载迁移的抖动问题。实验结果表明,该算法较基于实测法的其他任务调度算法在性能上有较大提高。     

基于云环境的高效任务调度算法

高效的任务调度是云服务提供商高效处理业务并降低运营成本的关键。针对云环境下的任务调度问题,提出一种贪心模拟退火的新型算法。首先,利用贪心算法求出局部最优解,并用它来初始化所提新型算法的当前最优解及模拟退火算法的初始解;然后,采用模拟退火算法来不断更新当前最优解。实验结果表明,与传统调度算法相比,所提算法能够更快地达到全局收敛,并得到更加稳定的寻优结果,提高了寻优的质量和效率;同时,该算法不仅减少了总任务时间开销,而且使虚拟机的平均资源利用率稳定在99%以上,负载也更加均衡。     

一种基于分簇复制的DAG任务图调度算法

并行任务调度是影响机群计算效率的关键因素之一，机群环境DAG(Directed Acyclic Graph)任务图调度是一个NP完全问题，只能寻求启发式算法。已有的研究中，图解重构算法在允许任务复制的条件下，通过对DAG图递归分解与子图重构，初步实现了一个可行的调度方案。该文在此基础上，提出了以调度长度增量为依据的任务复制策略，利用该策略调整受制约节点的同簇前驱，解决了任务簇间的时间制约问题，缩短了调度长度；通过合理地选择任务簇进行合并，增大任务簇的粒度，提高了处理器的利用率。提出的以任务簇扩展-合并为特征、以分簇复制为手段的DAG图调度算法，改进和拓展了图解重构方法。实例分析表明本算法复杂度与TDS (Task Duplication Scheduling)相同，但性能更优。