一种基于能耗优化的云计算系统任务调度方法

服务器执行任务产生的能耗是云计算系统动态能耗的重要组成部分。为降低云计算系统任务执行的总能耗,提出了一种基于能耗优化的最早完成时间任务调度方法,建立了服务器动态功率计算模型,基于动态功率的服务器执行能耗模型,以及云计算系统的能耗优化模型。调度策略根据任务的截止时间要求和在不同服务器上的执行能耗,选择不同的调度算法,以获得最小任务执行总能耗。实验结果证明,提出的任务调度方法,能够较好地满足任务截止时间的要求,降低云计算系统任务执行的总能耗。     

基于云计算的资源延迟感知任务调度优化

针对网络任务调度不合理延迟率高的问题,笔者提出基于云计算的资源延迟感知任务调度优化研究,通过构建任务模型和资源消耗模型,建立云计算的资源延迟感知任务调度模型,将资源延迟感知任务调度集成到滚动优化,形成具有资源延迟感知能力的调度优化算法,对模型进行求解实现任务的合理调度。经实验证明,使用基于云计算的资源延迟感知任务调度优化方法,有效降低了网络延迟率。     

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。     

基于改进遗传算法的云计算任务调度方法

云计算环境中可能存在大量的计算节点与不确定性因素,需要进行大规模的任务调度和管理,增加了调度的复杂度和难度。为了满足任务调度的实时性需求,降低过程中产生的能耗,提出一种基于改进遗传算法的云计算任务调度方法。对不同的任务属性进行结合,重新设定各个云计算节点的任务属性,并计算节点的综合属性值。根据计算结果以全部任务完成时间最小化作为调度目标,构建云计算任务调度模型。改进传统遗传算法,优化种群的初始形成方式,通过改进后的遗传算法求解调度模型,判断获取的解是否满足终止条件,如果满足直接输出最优云计算任务调度方案,实现云计算任务优化调度。由实验结果可知,该方法的任务调度完成时间较低,其调度时间最高值仅为16 min,说明该方法能够满足任务调度的实时性需求,且能耗较低,能够实现任务的高效执行和资源的合理利用。     

基于云计算的多路网络流媒体分布式最优存储与分配策略

针对云计算系统在执行任务过程中的能量消耗过多、处理速度不理想等情况,提出一种基于云计算的多路网络流媒体分布式最优存储与分配策略.通过构建基于云计算的数学模型来分析执行任务时的能量消耗情况,采用基于虚拟调度机制的分布式最优存储策略来实现在满足存储需求的情况下减少服务器进行存储时的能量消耗总量,最小化存储成本,并采用基于动态决策规则的分配策略来根据服务器的功率、性能以及负载情况进行任务调度,使云计算系统在满足服务质量要求的条件下,充分利用系统运作能耗,不产生过多空闲能耗.实验及结果分析表明,所提出的分布式最优存储与分配策略在节省能量消耗、提升运行速度上发挥了较好的效果.     

一种能量收集嵌入式系统自适应调度算法

能量收集嵌入式系统(energy harvesting embedded system,简称EHES)的任务调度算法需要考虑能量收集单元的能量输出、能量存储单元的能量水平和能量消耗单元的能耗.实时任务在满足能量约束的条件下,才可能满足时间约束.在这个背景下,传统固定优先级调度算法不再适用于EHES.提出一种基于分组的自适应任务调度算法,它能根据能量收集单元由于能量输出的不确定性而造成的非能量约束情况和能量约束情况,自适应地选择任务调度算法.在非能量约束的情况下,减少任务抢占次数,增强任务的可调度性;在能量约束情况下,减少电池模式切换次数,提高能量存储单元的平均能量水平,从而降低系统能量约束.在一个可进行大范围任务集合仿真的实验环境下对提出的算法进行验证,并将基于分组的自适应调度算法与现有的两个经典算法进行了对比.     

云计算平台中面向车联网应用的能耗感知调度算法

针对面向车联网应用的云计算平台的高能耗问题,提出一种采用节能整合策略的能耗感知调度算法——任务集整合算法(Task Set Consolidation Algorithm)。该算法的主要思想是通过减少活跃物理服务器的数目,有效降低云平台的能量消耗。建立了云平台模型、车联网任务集模型和能耗模型,确定了云平台的节能目标函数和变量因子。仿真实验通过模拟多维资源多并发任务集的云平台环境,以物理服务器的活跃时间和活跃数目、云平台的能量消耗作为性能指标,将任务集整合算法与现有算法进行了比较。实验结果表明,TSC算法能够在避免任务集资源发生冲突的情况下,使面向车联网应用的云平台激活的物理服务器数量达到最少,能耗降到最低。     

云计算资源调度:策略与算法

资源调度是云计算的关键问题之一,它的调度策略与算法直接影响到云系统的性能及成本。首先,根据现有云计算资源调度中的各种策略和算法归纳出4大热点问题:本地性感知任务调度、可靠性感知任务调度、能量感知资源调度以及工作流调度。然后,根据不同的优化目标(性能和成本)将这4个问题划分成3大类型,并对每一类问题中的策略及算法进行了详细描述和比较分析。其次,对4个问题中的相关算法进行了总体比较。最后,对云资源调度的未来研究方向进行了展望。     

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。     

面向云计算环境的能耗测量和管理方法

云计算引领了计算机科学的一场重大变革,但与此同时,也不可避免地带来了日益凸显的能源消耗问题,因此,云计算能耗管理成为近几年的研究热点.云计算系统的能耗测量和管理直接关系到云计算的可持续发展,能耗数据不仅关系到能耗模型的建立,而且也是检验云计算资源调度算法的基础.为此,在广泛研究现有能耗测量方法的基础上,归纳总结了当前云计算环境的4种能耗测量方法:基于软件或硬件的直接测量方法、基于能耗模型的估算方法、基于虚拟化技术的能耗测量方法、基于仿真的能耗评估方法,并分析和比较了它们的优势、缺陷和适用环境.在此基础上,指出了云计算能耗管理的未来重要研究趋势:智能主机电源模块、面向不同类型应用的能耗模型、混合任务负载的能耗模型、可动态管理的高效云仿真工具、动态异构分布式集群的能耗管理、面向大数据分析处理和任务调度的节能方法以及新能源供电环境下的节能规划,为云计算节能领域的研究指明了方向.     

能耗优化的流媒体传输任务调度研究

随着信息技术和网络技术的迅速发展,三网融合使得智能电视系统迅速发展,随着云计算技术的出现,基于云计算构架的流媒体平台成为智能电视主流发展方向。智能电视系统提供的视频点播业务迅猛增长,其相应的流媒体传输任务无论在性能上,还是能耗上都成为需要解决的问题。针对智能电视系统中视频点播业务的流媒体传输任务调度问题,提出了一种能耗优化的流媒体传输任务调度算法。该算法根据预测任务时间长度区分不同类型的任务并分别分配到各自类型的节点执行,将碎片化的任务集中调度,让尽可能少的服务器以较高负载状态执行任务从而达到整体能耗减少的目的。相关实验结果表明,该算法可以在不影响服务质量的前提下对能耗实现一定程度的优化。     

基于混合蚁群优化的边缘计算细粒度任务调度方法

为缓解中心服务器的压力,制定合理的调度方案,基于混合蚁群优化算法提出了边缘计算细粒度任务调度方法。描述边缘计算任务调度问题,并设置假设条件,简化调度求解难度。通过计算任务的优先指数,按照从大到小的顺序排列后组成任务队列。分析边缘服务器性能特征,明确边缘服务器处理能力。构建能耗以及时延多目标函数,并设置约束条件,利用混合蚁群优化算法求解多目标函数,完成边缘计算细粒度任务调度方案设计。结果表明：该方法应用下的任务调度能耗和时延更小,说明所提方法性能更优,所获得的调度方案更合理。     

随机任务在云计算平台中能耗的优化管理方法

针对云计算系统在运行过程中由于计算节点空闲而产生大量空闲能耗,以及由于不匹配任务调度而产生大量“奢侈”能耗的能耗浪费问题,提出一种通过任务调度方式的能耗优化管理方法.首先,用排队模型对云计算系统进行建模,分析云计算系统的平均响应时间和平均功率,建立云计算系统的能耗模型.然后提出基于大服务强度和小执行能耗的任务调度策略,分别针对空闲能耗和“奢侈”能耗进行优化控制.基于该调度策略,设计满足性能约束的最小期望执行能耗调度算法ME3PC(minimum expectation execution energy with performance constraints).实验结果表明,该算法在保证执行性能的前提下,可大幅度降低云计算系统的能耗开销.     

基于李雅普诺夫优化的容器云队列在线任务和资源调度设计

为在保证任务服务质量（QoS）的条件下提高容器云资源利用率，提出一种基于李雅普诺夫的容器云队列任务和资源调度优化策略。首先，在云计算服务排队模型的基础上，通过李雅普诺夫函数分析任务队列长度的变化；然后，在任务QoS的约束下，构建资源功耗的最小化目标函数；最后，利用李雅普诺夫优化方法求解最小资源功耗目标函数，获得在线的任务和容器资源的优化调度策略，实现对任务和资源调度进行整体优化，从而保证任务的QoS并提高资源利用率。CloudSim仿真结果表明，所提的任务和资源调度策略在保证任务QoS的条件下能获得高的资源利用率，实现容器云在线任务和资源优化调度，并且为基于排队模型的云计算任务和资源整体优化提供必要的参考。     

双层虚拟化云架构下任务调度能耗优化算法

虚拟机上部署容器的双层虚拟化云架构在云数据中心中的使用越来越广泛。为了解决该架构下云数据中心的能耗问题,提出了一种工作流任务调度算法TUMS-RTC。针对有截止时间约束的并行工作流,算法将调度过程划分为时间利用率最大化调度和运行时间压缩两个阶段。时间利用率最大化调度通过充分使用给定的时间范围减少完成工作流所需的虚拟机和服务器数量;运行时间压缩阶段通过压缩虚拟机空闲时间以缩短虚拟机和服务器的工作时间,最终达到降低能耗的目标。使用大量特征可控的随机工作流对TUMS-RTC算法的性能进行了测试。实验结果表明,TUMS-RTC算法相较于对比算法有更高的资源利用率,虚拟机数量减少率和能耗节省率,并且可以很好地处理云计算中规模大且并行度高的工作流。     

边缘环境下计算密集型任务调度研究综述

随着移动设备数量的急剧增长及计算密集型应用如人脸识别、车联网以及虚拟现实等的广泛使用,为了实现满足用户QoS请求的任务和协同资源的最优匹配,使用合理的计算密集型应用的任务调度方案,从而解决边缘云中心时延长、成本高、负载不均衡和资源利用率低等问题。阐述了边缘计算环境下计算密集型应用的任务调度框架、执行过程、应用场景及性能指标。从时间和成本、能耗和资源利用率以及负载均衡和吞吐量为优化目标的边缘计算环境下计算密集型应用的任务调度策略进行了对比和分析,并归纳出目前这些策略的优缺点及适用场景。通过分析5G环境下基于SDN的边缘计算架构,提出了基于SDN环境下的边缘计算密集型数据包任务调度策略、基于深度强化学习的计算密集型应用的任务调度策略和5G IoV网络中多目标跨层任务调度策略。从容错调度、动态微服务调度、人群感知调度以及安全和隐私等几个方面总结和归纳了目前边缘计算环境中任务调度所面临的挑战。