排序方式: 共有5条查询结果,搜索用时 15 毫秒
1
1.
2.
虚拟化发展呈现出多样化的发展趋势,主要包括Hypervisor和Container两类.前者隔离型好,操作便捷;后者轻量级,供给快捷.随着IT技术的快速发展和应用深入,复杂应用需要协调两类虚拟化对外界提供服务.提出了一种两级资源管理方法,第一级调度用以解决物理资源监测、统计、分配决策和隔离,使得单一物理资源具有多种虚拟化资源抽象能力;第二级调度用于解决用户资源需求与底层物理资源的放置,以达到提高物理资源利用率的目的.同时第一级调度还考虑异构物理资源的差异性,引入加权DRF算法评价异构物理资源对应用性能的影响.基于CloudSuite测试基准显示,在保障QoS前提下,该系统整个资源利用率有效的提升了20%左右. 相似文献
3.
云计算已成为大数据分析作业的主流运行支撑环境,选择合适的云资源优化其性能面临巨大挑战.当前研究主要考虑大数据分析框架(如Hadoop,Spark等)的多样性,采用机器学习方法进行资源供给,但样本少容易陷入局部最优解.提出了大数据环境下基于负载分类的启发式云资源供给方法RP-CH,基于云资源共享特点,获取其他大数据分析作业的运行时监测和云资源配置信息,建立负载分类与优化云资源配置的启发式规则,并将该规则作用到贝叶斯优化算法的收益函数.基于HiBench,SparkBench测试基准的结果显示:RP-CH相对于已有方法 CherryPick、大数据分析作业的性能平均提升了58%,成本平均减少了44%. 相似文献
4.
并行作业是大规模资源调度的研究热点.已有研究工作通常采用队列进行资源调度建模,仅能满足局部最优解,只能适应调度目标固定不变的场景,灵活性不够.提出了一种基于最小费用最大流的大规模资源调度建模方法,将任务的资源需求和物理资源供给问题转换成最小费用最大流图的构造和求解问题.首先,选择公平性、优先级和放置约束三种典型度量作为切入点,从资源视角映射为图的构造问题,通过改变图的结构使其具备适应性调整能力.其次,针对图的求解时间复杂度高的问题,实现了一种增量式优化算法.最后,实验对比公平性、优先级和放置约束三种资源调度典型系统,验证了本方法可通过按需配置,支持多种调度目标,具备灵活性.并通过实验仿真验证了万级规模下基于图的资源调度延迟,比基于未优化图算法的资源调度延迟最多降低10倍. 相似文献
5.
1