基于动态阈值和占优资源的云资源调度方法研究

为了适应云资源动态变化和不确定的特性,解决静态阈值方法中调节滞后和以单资源作为度量带来的调度偏差问题,提出了以调度频率和负载率作为反馈值的动态阈值法,通过动态更新阈值确定调度的触发时机;提出了基于占优资源的调度方案,通过综合考虑多种异构资源对负载的影响实施调度。通过分别与静态阈值法和仅考虑单资源的调度方案进行比较,本文提出的调度算法分别获得了17.7%和30.7%的性能提升,这表明动态阈值法和基于占优资源的调度方案能够适应动态变化的云环境。     

基于迁移技术的云资源动态调度策略研究

现有云资源管理平台存在着瞬时资源利用率峰值易引发迁移、动态负载效果不佳等问题。依据云资源动态调度模型,提出了有效的基于迁移技术的虚拟机动态调度算法。算法将物理节点负载与虚拟机迁移损耗评估、多次触发控制、目标节点定位三者有机结合,实现云计算数据中心高效的动态负载均衡。实验结果表明,该算法优于CloudSim的DVFS调度策略,在保证应用服务水平的同时能减少虚拟机迁移次数和物理机启用数量。     

基于Map-Reduce模型的云资源调度方法研究

为提高Map-Reduce模型资源调度问题的求解效能,分别考虑Map和Reduce阶段的调度过程,建立带服务质量(QoS)约束的多目标资源调度模型,并提出用于模型求解的混沌多目标粒子群算法。算法采用信息熵理论来维护非支配解集,以保持解的多样性和分布均匀性;在利用Sigma方法实现快速收敛的基础上,引入混沌扰动机制,以提高种群多样性和算法全局寻优能力,避免算法陷入局部最优。实验表明,算法求解所需的迭代次数少,得到的非支配解分布均匀。Map-Reduce资源调度问题的求解过程中,在收敛性和解集的多样性方面,所提算法均明显优于传统多目标粒子群算法。     

基于用户云服务集群的资源动态调度研究

用户购买云服务器设施来搭建用户服务器集群,并将业务迁移到云服务器上后,很大程度上没有充分利用购买的计算资源。而随着业务量访问增加,传统的用户集群往往会通过增加服务节点来应对此情况,此时又需购买额外的云服务设施。论文基于传统用户的集群系统,使用改进的TOPSIS（逼近理想解排序法）算法结合集群监控信息来动态调度集群中节点上的应用。实验表明,该方案可以充分发挥用户购买的云服务器设施的计算资源,利用用户私有闲置资源来应对业务的突发访问,合理的调度用户服务器集群之间的业务应用分配,提高用户集群资源利用率的同时也保证了应用服务质量,节约了用户成本。     

基于延迟任务云资源调度方法的研究

基于云任务的动态延迟到达,到达时间具有随机性,进行任务分配到虚拟机执行的仿真模拟。仿真任务是基于排队论的指数分布到达方式,虚拟机的处理速度存在差异。实验思路是高优先级尽可能早的执行,同时避免低优先级任务饿死的思路,并定义了一个消费量作为对比点,对比基于一定等待的调度与贪心调度的差异。通过设置动态等待时间的设置来进行实验,同时测试多组输入数据减少样本的偶然性。对比分析各种数据,验证实验的有效性。并通过CloudSim进行云仿真实验模拟。     

基于BP神经网络的气象云资源调度系统

人工调度气象云资源会造成资源浪费。本文设计一种基于BP神经网络的气象云资源调度系统。该系统使用BP神经网络学习虚拟机负载历史数据,并对其进行预测;基于预测的虚拟机负载,设计一种面向多类资源的虚拟机非增排序策略;使用首次适应算法对排序后的虚拟机进行云资源调度。该系统在江西省气象云平台中进行了实验和功能验证。     

基于组合双向拍卖的云资源调度方法

针对跨数据中心的资源调度问题，提出了一种基于组合双向拍卖（PCDA）的资源调度方案。首先，将云资源拍卖分为三个部分：云用户代理报价、云资源提供商要价、拍卖代理组织拍卖；其次，在定义用户的优先级及任务紧迫度的基础上，在拍卖过程中估算每一个工作发生的服务等级协议（SLA）违规并以此计算云提供商的收益，同时每轮竞拍允许成交多项交易；最终达到根据用户等级合理分配云资源调度的效果。仿真实验结果表明该算法保证了竞拍成功率，与传统一次拍卖成交一项的组合双向拍卖方案相比，PCDA在竞拍时间段产生的能耗降低了35.00%，拍卖云提供商的利润提高了约38.84%。     

一种云环境中的动态细粒度资源调度方法

云计算平台中普遍采用固定资源量的粗粒度资源分配方式,由此会引起资源碎片、过度分配、低集群资源利用率等问题.针对此问题,提出一种细粒度资源调度方法,该方法根据相似任务运行时信息推测任务资源需求;将任务划分为若干执行阶段,分阶段匹配资源,从分配时间和分配资源量两方面细化资源分配粒度;资源匹配过程中,基于资源可压缩特性进一步提高资源利用率和性能;采用资源监控、策略调整、约束检查等机制保证资源使用效率和负载性能.在开源云资源管理平台中,基于细粒度资源调度方法实现了调度器.实验结果表明:细粒度资源调度方法可以在不丧失公平性且调度响应时间可接受的前提下,细化资源匹配的粒度,有效提高云计算平台资源利用率和性能.     

基于IaaS的云资源调度优化研究

随着4G时代的到来,IDC建设也愈发重要。在扩展IDC能力的同时,能源消耗问题也日益严重。以x86化、基于IaaS虚拟化以及优化的Min-Min资源调度算法为主要依据,讨论了以上技术在实现IDC节能化中起到的作用。     

基于EMD-TCN的云资源预测研究

云计算资源的负载预测有助于数据中心灵活智能地配置资源,保障数据中心安全平稳运行。该文提出一种基于经验模态分解和时间卷积网络的云资源组合预测模型,使用历史的资源负载预测未来的资源需求。对负载进行经验模态分解,以降低原云资源负载序列的复杂度,得到反映原负载序列趋势和变化信息的本征模态分量和残余分量;将这些分量构造后输入到时间卷积网络中进行建模预测。以Google集群数据集中的CPU负载序列为例,将该模型与常用的云资源预测模型进行对比验证。实验结果发现,相比于长短时记忆网络和时间卷积网络,该模型在平均绝对百分比误差指标上降低了36.32%和35.37%,预测精度有了明显提升。     

面向云计算的任务调度算法综述

介绍了云计算,对任务调度在云计算中的地位做了分析,并由任务调度出发,对云计算任务调度算法的研究现状进行分类、梳理和总结.根据调度目标的不同,将算法分为单目标优化的任务调度算法和多目标的任务调度算法,对每类方法的代表性算法进行了分析介绍,并详细总结了每类方法的基本思想,对其优缺点做了分析、对比,并对改进方式进行了归纳.     

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。     

炼钢连铸动态智能调度系统的研究与开发

介绍了炼钢连铸生产调度系统研究现状，叙述炼钢连铸生产流程，并指出其动态调度的难点。提出了炼钢连铸动态智能调度系统的软件结构、功能结构和技术架构，并提出了人机协调、多种方法的组舍、四维一体的综合集成方案。最后把该方案应用到某钢铁企业的炼钢连铸调度系统中，得到了很好的应用效果。     

基于云计算的作业调度算法研究

通过对现有云计算进行系统的研究,设计出一套作业调试算法解决方案,实现云计算作业调试算法,并应用在云计算模型上,通过模拟平台进行实验分析,证明解决方案是可行的。     

基于动态关键路径的云工作流调度算法

为了提高资源行为动态异构的云环境中工作流任务的调度效率,提出了一种基于动态关键路径的工作流调度算法CWS-DCP。算法将工作流任务结构定义为有向无循环图DAG模型,改进了传统关键路径的一次性搜索模式,结合云资源可用性动态可变的特征,以动态自适应方式搜索关键路径,并确定关键任务。同时,在关键任务调度后,局部DAG的关键路径搜索根据资源可用性再次迭代更新,从而动态决策任务与资源间的调度方案。通过仿真实验,构建了三种不同类型的工作流结构作为测试数据源,并与其他六种同类型的启发式和元启发式算法进行了性能比较。实验结果表明,在资源可用性动态改变和工作流规模不断增大的情况下,CWS-DCP算法在多数工作流结构中均能得到执行跨度更好的调度方案和更少的调度开销。     

云环境下计算资源动态能耗感知的并行任务调度方法

云计算是一种新兴的计算模式,倡导一切皆服务.要实现低成本、高效、安全、易用的云计算系统,依然面临诸多挑战,其中,高能耗已成为云计算不可忽视的问题.在计算资源电压可动态调整的环境下,为截止完成时间有要求的并行任务,提出两种满足并行任务截止时间要求的降低并行任务执行能耗的调度方法Ssef和Egsa.模拟实验表明,提出的算法在保证并行任务截止完成时间要求的条件下能够有效降低并行任务的执行能耗,从而大幅度降低云计算系统的能耗开销.     

基于改进GEP和资源改变量的局部云任务调度算法

针对云计算中一些现有的基于批量调度模式和进化算法的动态云任务调度算法计算量较大,计算时间成本较高的现象,提出了一种基于改进基因表达式编程(GEP)和资源改变量的局部云任务调度算法.首先结合云任务调度的特点对普通GEP算法做出了相应的改进,然后采用加权求和的方式构造了一个基于综合利用率和能耗的适应度函数,最后依据物理机综合利用率的差异给出了基于改进GEP和资源改变量的局部云任务调度算法.基于资源改变量的局部云任务调度算法,通过对任务运行情况和物理资源使用情况进行监控,合理设定阈值,以减少参与调度物理机的个数,从而降低任务调度算法的时间成本.基于RH(rolling horizon)模型,通过实验将所提出的算法与普通遗传算法、全局GEP算法进行了比较,可知该算法不仅可以降低寻优时间,不易陷入局部最优解,且具有较快的收敛速度.     

基于云计算的海量碎片资源动态调度仿真

传统的资源调度方法处理的碎片资源偏散乱,对静态调度效果较好,但资源动态调度耗时长。提出基于云计算的海量碎片资源动态调度方法。量化处理海量碎片资源,并计算碎片资源对应的权值,判断碎片资源调用的优先级。依据碎片资源的优先级计算结果,利用云计算技术重组海量碎片资源。发布资源分配调度任务,确定资源调度的初始位置和速度,最后通过调度信息素更新、资源动态循环迭代控制和决策调度区间自适应调整三个步骤,实现海量碎片资源的动态调度。经过实验对比得出结论:传统的调度方法调度任务的平均时间为520秒,而基于云计算的海量碎片资源动态调度方法的平均消耗时间为350秒,相比之下节省了170秒,资源利用率较高。     

基于粒子群算法和RBF神经网络的云计算资源调度方法研究

为了获得云计算资源调度的多目标优化方案,提出了一种云计算资源的动态调度管理框架;然后给出了本系统的基本架构形式,并对其进行了详细设计;其次,建立了以提高应用性能、保证云应用的服务质量和提高资源利用率为目标的多目标优化模型,并结合最新的RBF神经网络和改进粒子群算法对其求解;最后,在CloudSim平台进行了仿真,实验结果表明提出的框架及算法能有效减少虚拟机迁移次数和物理结点的使用数量,在提高资源利用率的同时,能保证云应用的服务质量。