Hadoop环境下节点负载均衡调度策略的设计与实现

本文提出一种计算节点负载的任务调度策略,通过节点的本地任务预计完成时间与全部节点执行本地任务的预计完成时间的平均值做比较,小于平均值即为负载较轻的节点,反之较重。在任务的执行过程中根据计算节点的负载情况来进行任务调度,把负载较重的任务适当分给负载较轻的任务,合理进行任务分配,该策略可以减少非本地任务数量的产生,从而减少数据的迁移次数,也可以避免出现某些节点空闲而其他节点任务繁重的情况,从而提高集群处理数据的能力。理论分析和实验验证表明基于数据本地化的节点负载均衡任务调度策略可以提高数据本地性,使数据间的传输更高效,提高系统中资源的利用率。     

云环境下一种基于任务类型匹配的负载均衡策略研究

针对云计算环境下大量并行计算节点容易产生计算节点之间的负载不均问题,本文提出了一种基于任务类型匹配的负载均衡方案。该方案针对任务集中的多种不同长度的子任务类型情况进行判定,并对当前主流的Max-Min和Min-Min两种启发式负载均衡算法进行分析,综合其优缺点,并针对任务集的类型采用不同的算法进行任务调度。实验结果表明在该负载均衡的策略下,提出的方案具有比单一应用Max-Min或者Min-Min算法具有更好的负载均衡特性和更短的完成时间。     

基于动态能量感知的移动云计算任务调度模型

传统云计算任务调度忽略了对总完成时间和总能耗目标的加权，导致任务调度的负载均衡性较差。为此，设计基于动态能量感知的移动云计算任务调度模型。将任务调度总完成时间和总能耗作为加权优化目标，引入基于能量感知的多适应度动态遗传算法，求解数学模型。通过遗传算子与再选择策略的相互协作获得新优势种群，并对其更新，寻找最佳移动云计算任务调度结果。实验结果显示，该模型的移动云计算任务调度总完成时间和总能耗较低，具有较好调度效果；负载均衡性良好，可适用于大规模移动云计算任务调度。     

云环境下任务调度算法对比研究

云计算是完全基于互联网的新兴技术。云计算环境中的任务调度问题一直都是该领域的研究热点。合理高效的任务调度算法在云环境中能有效的缩短任务完成时间,提高系统负载均衡,更好的满足用户与云提供商的需求。本文研究了云平台的任务调度机制,探究了任务调度过程中的关键性指标。通过云仿真平台CloudSim实现并分析了顺序调度算法、Min-Min算法和Max-Min算法,对比其在随机生成用户任务负载与虚拟机计算资源的情况下的任务完成时间,实验证明Min-Min算法与Max-Min算法均优于顺序调度算法。以此为未来研究提供实验支撑和方向。     

基于信息素动态调整的云任务调度方法

为使云计算环境中任务处理时间较短,同时资源负载较均衡,提出一种基于信息素动态调整的改进蚁群算法。该算法以任务大小作为任务调度顺序,综合考虑当前任务的完成时间以及资源处理已分配任务花费的时间。通过动态调整信息素挥发程度使算法在前期有较好的寻优能力,后期有较快的收敛速度。结果表明改进后的算法缩短了云环境中的任务完成时间,提高了资源的负载均衡程度,是一种有效的云计算任务调度方法。     

基于Nash均衡的网格多调度节点的任务调度算法

 目前网格任务调度算法主要是针对1×n型即单调度节点多资源的网格环境,而针对m×n型的网格环境研究较少.论文用M/M/1排队系统对m×n型网格环境建模,然后以每个调度节点调度任务的平均完成时间为优化目标,提出了m×n型网格环境任务调度的Nash均衡问题,并利用粒子群算法求得该Nash均衡解.通过仿真验证了该算法在单位时间内平均完成的任务数,网络平均负载,以及系统的平均负载上均优于基于均匀调度策略的调度算法.     

电力云计算中关联任务调度算法

针对传统电力系统计算平台在计算、存储、信息集成和分析等方面的不足,建立基于云计算的电力系统计算平台。针对电力云计算平台中对关联任务调度进行调度时出现任务执行延迟的问题,提出了一种基于任务分层算法DAG。算法将任务按任务集合优先级的高低顺序调度至具有最小完成时间的资源上。试验证明关联任务调度算法能够有效地减缓关联任务延迟。     

基于云计算和动态贝叶斯博弈的WSN恶意程序传播优化抑制方法

为有效地应用入侵检测系统检测WSN（wireless sensor network,无线传感网络）恶意程序从而抑制WSN恶意程序传播,在考虑WSN节点资源有限和云计算平台资源几乎无限的现状基础上,借助云计算平台提出WSN入侵检测网络结构。依据传感节点和WSN入侵检测代理之间博弈过程的分析,使用动态贝叶斯博弈建立了考虑WSN入侵检测代理监控数据发送能耗和传感节点隐私保护需求的WSN恶意程序传播抑制博弈模型。依据建立的博弈类型,并基于精炼贝叶斯均衡提出抑制WSN恶意程序传播的优化策略,并给出具体的算法。实验分析了影响WSN入侵检测代理选择优化策略的因素,为具体应用提供了实验依据。     

面向服务可靠性的云资源调度方法

随着云计算成为重要的信息基础设施,越来越多的应用迁移到云上,云服务的可靠性日益重要,尤其是边缘计算新模式的引入,对云服务可靠性提出了更高的要求.如何通过资源调度保障服务可靠性成为了当前研究的热点.为此,针对云-边协同的应用场景,开展面向服务可靠性的云资源调度方法研究,提出基于马尔科夫预测模型的云资源调度算法,实现节点负载判断、待迁移任务和节点选择、迁移路由的决策,以解决云服务节点失效情况下的任务调度和负载均衡问题,实现快速的云服务故障恢复,提高云服务的可靠性.实验结果表明,本文所提方法能够有效保证节点失效情况下的服务可靠性.     

社会属性感知的边缘计算任务调度策略

边缘计算服务器的负载不均衡将严重影响服务能力,该文提出一种适用于边缘计算场景的任务调度策略(RQ-AIP)。首先,根据服务器的负载分布情况衡量整个网络的负载均衡度,结合强化学习方法为任务匹配合适的边缘服务器,以满足传感器节点任务的资源差异化需求;进而,构造任务时延和终端发射功率的映射关系来满足物理域的约束,结合终端用户社会属性,为任务不断地选择合适的中继终端,通过终端辅助调度的方式实现网络的负载均衡。仿真结果表明,所提出的策略与其他负载均衡策略相比能有效地缓解边缘服务器之间的负载和核心网的流量,降低任务处理时延。

     

负载均衡技术在统一采集平台中的应用研究与实现

随着高性能网络技术的飞速发展,动态负载均衡作为集群系统中的重要技术,逐渐成为一种高性价比的并行/分布式计算的技术焦点。通过对动态负载均衡原理的诠释、任务调度算法的研究、云资源池硬件搭建方案的阐述、不同场景下设计机制的实现以及灵活权重因子的配置说明和负荷监控说明,成功解决了统一采集平台在基于x86私有云资源池中动态负载均衡技术的实现。最后对统一采集平台中动态负载均衡技术应用的效果进行了分析和展示。     

基于粒子群算法的嵌入式云计算资源调度

随着移动互联网的发展,基于嵌入式设备的云计算服务成为研究热点。在国内,嵌入式云计算目前正处于探索研究阶段,云资源管理调度是嵌入式云计算的核心技术之一,其效率直接影响嵌入式云计算系统的性能。为了提高云计算性能,本文提出一种基于粒子群优化算法的云计算任务调度模型。粒子群算法中粒子位置代表可行的资源调度方案,以云计算任务完成时间及资源负载均衡度作为目标函数,通过粒子群优化算法,找出最优资源调度方案。在matlab实验平台进行了仿真,通过大量数据模拟实验表明,该模型可以快速找到最优调度方案,提高资源利用率,具有较好的实用性和可行性。     

ALP:一种面向CometCloud平台的自适应负载均衡方法

在云平台中,动态负载均衡对分配任务工作量、提高系统吞吐量、加强网络处理能力以及缩短任务处理时间起到了很重要的作用,然而由于工作节点资源运行信息的不断变化,现有的动态负载均衡策略难以很好地获得节点信息,因此提出了一种基于CometCloud系统平台的自适应负载均衡策略(ALP),ALP可以很好地获得工作节点的运行信息,并精确计算其负载状态。通过模拟实验与其他动态负载策略进行比较,ALP对云平台负载的调控效果良好。     

云计算虚拟化技术研究

本文对云计算虚拟化技术的概念及其发展现状进行了阐述,并对虚拟化技术在云计算中的应用进行了具体分析。虚拟化技术包括虚拟整合、虚拟拆分和虚拟迁移。云计算使用虚拟整合技术将云平台中异构的物理资源整合成一个资源池,方便对资源的管理和分配;虚拟拆分将每台服务器拆分为多个虚拟机,通过虚拟桌面技术,每个用户能独占一个虚拟机,运行自己的应用,互不影响;虚拟迁移技术能够帮助云平台进行负载均衡和节约运行成本。最后对几种虚拟软件的性能进行了测试对比,分析了虚拟化带来的资源损耗问题。     

LBAA: A novel load balancing mechanism in cloud environments using ant colony optimization and artificial bee colony algorithms

Recently, cloud computing has been recognized as an effective paradigm for offering an on-demand platform, software services, and an efficient infrastructure to cloud clients. Due to the exponential growth of cloud tasks and the rapidly increasing number of cloud users, scheduling and balancing these tasks among involved heterogeneous virtual machines becomes an Non-deterministic Polynomial hard (NP-hard) optimization problem considering significant constraints, such as high rate of resource usage, low scheduling time, and low implementation cost. Therefore, various meta-heuristic algorithms have been widely used to tackle the issue. The current paper proposes a novel load balancing mechanism using the ant colony optimization and artificial bee colony algorithms, called LBAA, which aims to balance the load division among systems in data centers. The simulation outcomes confirm that our algorithm outperforms previous works regarding response time, imbalance degree, makespan, and resource utilization up to 25%, 15%, 12%, and 10%, respectively.     

An Energy-Aware Hybrid Approach for Wireless Sensor Networks Using Re-clustering-Based Multi-hop Routing

In recent years, cloud computing provides a spectacular platform for numerous users with persistent and alternative varying requirements. In the cloud environment, security and service availability are the two most significant factors during the data encryption process. For providing optimal service availability, it is necessary to establish a load balancing technique that is capable of balancing the request from diverse nodes present in the cloud. This paper aims in establishing a dynamic load balancing technique using the APMG approach. Here in this paper, we integrated adaptive neuro-fuzzy interference system-polynomial neural network as well as memory-based grey wolf optimization algorithm for optimal load balancing. The memory-based grey wolf optimization algorithm is employed to enhance the precision of ANFIS-PNN and to maximize the locations of the membership functions respectively. Also, two significant factors namely the turnaround time and CPU utilization involved in optimal load balancing scheme are evaluated. Finally, the performance evaluation of the proposed MG-ANFIS based dynamic load balancing approach is compared with various other load balancing approaches to determine the system performances.