胡艳丽[1]2004年在《计算网格中基于时间均衡的任务调度方法研究》文中指出网格计算技术是目前国际计算机界的热门研究领域。网格任务调度以一定的优化目标为指导,解决如何合理匹配网格资源和网格任务,并将任务调度到资源上运行的问题。任务调度是提高任务运行性能、实现网格资源共享的关键技术之一,长期以来都是计算网格的核心和难点,对它的研究在基础理论和系统开发等方面具有很大意义。 本文针对任务放牧(task farming)问题,提出基于时间均衡(time balancing)的任务调度算法,实现系统高吞吐率,为日后的大规模任务调度、信息处理提供优化服务。 首先研究计算网格应用的特征,剖析任务放牧问题的实质;接下来分析由于网格资源的自治、动态等特性引起的任务服务策略差异,在调度过程中区分远程任务和本地任务,建立考虑中断的任务时间模型;在此基础上,建立基于数学期望的任务预期完成时间预测模型,用具有最大期望完成时间的子任务预测任务预期完成时间;进而以任务预期完成时间最小为目标,提出基于时间均衡的任务划分策略,在考虑资源处理能力的情况下,将任务分解为具有相同期望完成时间的并行子任务进行调度,并对任务划分进行进一步优化;采用批模式和重复调度策略,提出基于时间均衡的任务调度算法(Time-Balancing Based Schedul ing Algorithm,简称TBBS算法)。 然后通过仿真实验检验TBBS算法性能,并与Min-Min算法和Sufferage算法进行比较。 最后,讨论基于时间均衡调度算法的任务调度服务在基于服务的网格资源管理与调度系统中的实现问题。
胡艳丽, 张维明, 肖卫东, 汤大权[2]2008年在《计算网格中基于时间均衡的并行粗粒度任务调度算法》文中研究表明考虑网格资源异构、自治、动态等特性,讨论本地用户具有强占优先权情况下的任务调度问题,提出了TBBS(Time-Bal-ancing Based Scheduling Algorithm)算法.建立调度优化模型,以期望完成时间最小为目标选择执行任务的最佳资源组合.以时间均衡策略将任务分解并调度到资源上执行,减少了子任务同步时因等待而产生的延时,获得较好的并行计算性能.采用重复调度策略,适应计算网格中资源的特性.
邓科峰[3]2014年在《云数据中心环境下并行应用与并行负载调度算法研究》文中认为近年来,云计算在资源模式上的弹性、灵活和高效吸引着越来越多的科学应用迁移到云数据中心执行。尽管资源按需获取、按使用量计费和广域网互连等独特优势有利于实现科学合作和高性价比科学计算,但科学计算同时也面临大数据、资源虚拟化、类型多样化和周期计费问题。资源获取与任务调度是科学应用获得高效执行的关键。针对现有研究工作在多数据中心协同调度、满足多方面QoS需求以及应对波动负载模式等方面存在的不足,本文对云数据中心环境下并行应用与并行负载调度算法开展了相关研究,主要工作包括:(1)提出了基于加权K均值聚类的科学工作流数据与任务协同调度算法。该算法基于加权的数据与任务依赖关系构建依赖关系矩阵,利用K均值聚类算法和矩阵分割树在满足存储均衡约束下将依赖度高的数据与任务放置在一起,通过重调整、任务复制和数据预导入进一步优化跨数据中心的数据传输;(2)提出了基于K割的多层图剖分科学工作流数据与任务协同调度算法。该算法通过固定节点融合生成图K割算法所需的端点,利用多层粗粒度化技术压缩工作流图规模,采用图K割算法直接对粗粒度图进行剖分,利用多层细粒度化技术逐层调整剖分结果并对计算任务均衡约束进行处理;(3)提出了基于生物地理学优化的DAG(Directed Acyclic Graph)调度算法。该算法以最近提出的生物地理学优化技术为基础,利用单结构部分编码方式缩小问题求解的搜索空间,通过引入比较函数间接计算适应度来提高算法框架的灵活性,并通过将启发式调度算法作为基准算法来提高求解质量,基于DAG最大并行度初始化资源池以应对按需获取下资源类型和数量不确定的情况;(4)提出了基于算法组合优化的并行负载调度方法。该方法通过在调度器中包含大量不同类型的调度算法来应对波动的负载模式,通过合理的效用函数设计来折衷并行负载执行性能和费用,利用在线仿真调度对组成算法进行性能评估和选择,使用基于算法性能动态分类的时间约束仿真来提高算法选择的质量。综上所述,本文针对当前云数据中心环境下并行应用与并行负载调度中亟待解决的几个关键问题给出了解决方案,并通过标准的并行应用与并行负载验证了提出算法的有效性。本文的工作对于推进并行调度算法研究和推动科学计算发展具有较高的理论意义和应用价值。
陈曙东[4]2005年在《网格环境中的资源管理和调度算法若干关键技术研究》文中研究指明随着计算机技术和网络技术的发展,以及日益增长的计算力需求,诞生了网格计算。构建一个网格系统,需要研究信息服务、数据管理、安全机制等技术。资源管理对高效合理利用计算资源起着十分重要的作用。网格资源具备动态性、异构性和自治性的特征,需要对网格资源管理和调度的关键技术做相关研究。网格资源的动态性、异构性、和自治性,使得网格资源提供者和使用者具有对等网络的特点,因此有必要将对等网络方法引入到网格资源管理中。为此,本文基于对等网络技术提出了一系列网格资源管理和调度策略。根据网格的发展历史以及研究工作的针对性,网格可以划分为两大类,一类是专用网格,例如计算网格;另一类是通用网格,即在业界参与之下基于Web服务和OGSA的网格系统。本文的研究工作适用于这两类网格的资源管理和调度。本文首先介绍了网格资源管理和调度策略的一些基本概念和主要的研究内容,然后结合网格自身特点和发展趋势,对其中的几个关键问题进行了深入的研究,包括网格系统的体系结构,网格资源信息的表示方法、资源管理和调度算法,以及负载均衡。为了验证本文提出的模型和算法的有效性,基于网格实验平台DDGrid——新药研发网格,我们进行了大量的实验,实验结果证明了本文提出的模型和算法的有效性。本文的贡献和创新性工作主要体现在以下几个方面:1.首先,在分析了网格自身特点和发展趋势的基础上,本文将对等网络方法引入网格的资源管理和调度,结合对等网络的完全分布式的资源管理方式的优点,设计了基于超级结点对等网络的网格资源管理体系结构。这种集中式和分布式的混合结构设计,能够解决现有网格系统采用的集中式管理的容易引起的单点失效、性能瓶颈等问题,从而可以更好地描述网格资源的动态性、自治性等特点,使网格系统具有更强的鲁棒性和自适应性,并且有利于制定优化网格资源管理和调度的策略、算法。进一步地,根据网格资源提供者的IP层信息生成含有路由信息的overlay network拓扑,并且使用有向图表示该拓扑结构。这种使用有向图进行网格拓扑结构表示的方式在能够准确描述网格资源提供者的计算能力的同时,还能够弥补其他现有的资源信息表示模型的overlay层路由信息不能精确反映IP层路由情况的不足,同时这种简单的描述方式利于网格资源调度器发掘网格资源提供者和网格任务之间的对应关系。2.提出了基于树匹配的nTreeMatch算法。算法结合DAG图的任务表示形式,通过树形数据结构匹配的方法解决了网格资源和网格任务间的映射问题。同时算法充分利用overlay拓扑中结点的路由信息,以轻量附加开销来有效减少overlay层上的路由跳数,使得overlay层上的路由跳数尽量接近IP层上的路由跳数,降低RDP。理论和模拟实验表明在大规模的网格系统中,算法在进行资源调度时可以获得较高的路由效率,为路由的状态与效率折衷问题提供了一个可行的解决方案。该算法尤其适用于为特定的科学应用而设计的专用计算网格的资源调度。3.针对基于Web Service的通用网格系统的资源调度,本文提出了基于资源发现的GChord算法。考虑到网格的动态性特征,GChord算法采用服务发现的方式解决资源调度问题,将资源需求按照Chord路由协议在网格中转发,改变了传统的集中式调度方法采取的信息收集方式,能够实时反映网格结点的工作负载状态,有效解决由于信息过时、数据不一致而引起的任务再调度问题。实验证明,GChord算法可以实现网格系统的实时资源调度,并且使得网格系统保持良好的负载均衡状态。4.为解决网格资源调度中动态负载均衡的挑战,在研究了多代理技术和网格计算相互融合的发展趋势的基础上,本文提出了基于多代理协同计算的rwAgent算法。算法利用多代理技术,通过代理的自治性和智能学习,实现网格资源的分散调度,同时可以获得很好的负载均衡效果。严格的数学建模和理论分析证明,rwAgent算法可以实现资源调度过程中网格系统的全局负载均衡,实验结果证明了算法的有效性和优越性。
马少静[5]2007年在《网格计算中任务调度算法的研究与实现》文中研究说明网格计算技术是目前国际计算机界的热门研究领域。网格是以资源共享为目的，支持对各种资源的远程和并发访问，利用互联网把地理上广泛分布的各种资源连成的一个具有单一系统镜像的高性能计算和信息服务环境。由于网格中的资源具有分布性、动态性、多样性，自治性以及管理的多重性等特征，所以网格环境下如何对任务进行调度以满足用户的需求是一个极具挑战的问题。任务调度技术是网格核心服务之一。网格任务调度以一定的优化目标为指导，解决如何合理地将任务映射到网格资源上，并将任务调度到资源上运行的问题。一个良好的调度策略能高效地协调和分配网格资源，使资源利用率较高，并有效降低网格计算的总执行时间和总耗费，从而使网格达到最佳性能。论文重点研究了以下叁方面的内容：(1)深入研究了叁种网格体系结构，并分析了叁者的区别，同时介绍了典型的网格资源管理模型和资源管理系统。(2)详细探讨了几种经典任务调度算法，并重点阐述了Min-Min算法。Min-Min算法是最基础的启发式调度算法之一，该算法的思想是尽可能把每一个任务分配给最早可用且执行最快的机器，算法的不足在于会导致负载不均衡，资源利用率低和较高的总执行时间。针对该算法的不足本文提出了基于任务优先级的Min-Min算法，算法首先将需调度的任务列表按任务长度降序排序，并平均分为若干段，其中长任务段具有较高的优先级，首先被调度到处理能力强的资源上，而短任务段被分配到处理能力相对差的资源上，这样会使任务总的执行时间缩短。(3)由于搭建一个实际的网格测试床即费时又昂贵，而且需要各种各样的资源，而资源又是动态变化的等多方面的原因，所以使用实际网格系统验证调度算法的有效性和性能是比较困难的，一般会采用网格模拟器来完成这一工作，所以文章中还详细分析了几种常用的网格模拟器，重点介绍了GridSim这一仿真工具，并阐述了它的体系结构和它提供的叁种基于经济模型的调度算法。最后借助GridSim工具箱，使用Java语言设计了Min-Min算法和改进后的Min-Min算法，并对两种算法的性能进行了比较。实验结果证明，对于大规模任务调度，本文提出的基于任务优先级的Min-Min算法在具有真实网格平台特征的模型中是可行的，并且在不增加额外开销的情况下，降低了任务总执行时间。
徐丽俊[6]2013年在《两层网络学习控制系统的快速优化调度策略、分布式计算及扩展应用》文中指出飞速发展的网络和通信技术，与传统控制相互融合，应运而生了适合新世纪需求的网络控制系统。网络控制系统具有设计灵活、资源共享和实用性强等诸多优点，已经逐步应用于先进自动化制造、电力、航天和机器人等领域。然而，由通信网络所支撑的网络控制系统，受到网络容量和通信参量的约束，系统性能不仅取决于控制算法，很大程度上还取决于网络通信资源的合理有效调度。此外，随着控制需求的不断深化，控制算法和优化调度方法也趋于复杂，对有限的计算资源提出了严峻的挑战，系统无法满足算法的快速计算要求，影响整体性能。于是，本文在网络通信和计算资源有限的条件下，针对系统实时性的目标要求，提出基于快速计算平台的两层网络学习控制系统架构，研究公平优化调度策略，设计快速计算平台。主要工作概括如下：首先，提出了基于快速计算平台的控制系统架构，分析了与传统网络控制系统相比所具有的不同特点，并在通信约束下，建立了具有公平性的多目标带宽优化调度模型。针对用户需求提高造成算法复杂的发展趋势和网络控制系统的实时性要求，在传统网络学习控制系统基础上引入快速计算平台，不但可以保证底层网络本地控制的高可靠性要求，也为计算资源的共享、控制优化的计算实时性提供架构保障。在此基础上，考虑通信约束下两层网络学习控制系统带宽调度问题，提出了具有公平性的非合作博弈模型，同时结合专家知识，设计了适合此控制系统架构的带宽调度效用函数，形成了兼具控制、网络多约束的多目标带宽调度优化策略方案。其次，针对上述最优网络带宽调度问题的求解，提出了一种新的基于量子演化的优化方法。与传统的智能优化方法不同，基于量子演化的优化方法通过引入研究微观粒子的量子力学理论，使用量子态概率幅对搜索群的当前位置进行编码，由此增加解空间的遍历性；采用量子旋转门实现对群位置的变异和最优位置的搜索，这样可以进一步增加搜索种群的多样性，以避免优化算法早熟收敛，得到网络带宽调度问题的全局最优解；同时，通过适当设置量子旋转门的转角步长函数，可使算法实现任意精度的搜索。第叁，针对最优网络带宽调度的快速求解，提出了两种新的优化算法解决方案带有加速因子的混合蛙跳算法和分层阶级市场竞争算法。由于带有量子演化的优化方法虽能很好的提升最优解的质量，但其计算时间不稳定，仅适合两层网络学习控制系统带宽调度的离线优化。因此，提出了一种新的基于模因演化的加速混合蛙跳算法，模因演化用于进行个体和全局之间的信息交流，该算法集遗传模因算法和基于全局行为的粒子群算法的优点于一身，在保证解的质量的基础上，实现快速收敛。但是带有加速因子的混合蛙跳算法对重约束、尤其是大规模电力系统应用中的维度困境无能为力。受到微观经济学市场理论启发，由此提出了一种新的分层阶级市场竞争算法，通过分层的市场竞争过程，有效降低优化问题的维度和复杂度，同时又能保证解的质量和计算时间，适合快速求解大规模、重约束优化问题。第四，为了进一步提高两层网络学习控制系统中复杂算法的计算速度，在本地计算资源有限的条件下，提出了基于合作博弈的网格并行计算与负载均衡策略。将网格计算融入两层网络学习控制系统，建立了计算任务并行化的计算模型，包含自私网格数学模型和外来作业计算成本模型，然后利用合作博弈理论进行模型的公平性分析，验证了负载均衡为全局最优策略；同时，提出了一种新的基于合作博弈的有界迭代负载均衡算法，给出了多集群自私网格负载的均衡方案，解决异构负载集群在自私网格中的负载均衡难题；最后，利用网格技术将分布式计算资源整合为高性能计算环境，通过计算任务的有效调度，来满足系统的实时计算要求。仿真结果验证了所提方案的有效性。第五，提出了一种新的基于弹性计算云的两层网络学习控制系统的快速虚拟化计算方案。由于自私网格仍需要消耗一定的本地计算资源，同时整合分布式计算资源对整体系统的要求高，带来了居高不下的计算成本。因此，本文根据两层网络学习控制系统可变的计算需求，提出了一种高性能的具有虚拟化特征的集群架构，该架构支持设计灵活、成本低廉、通用性和可扩展性强的云计算，能动态地提供异构计算环境和集群负载均衡，并且能够避免对实际复杂分布式物理架构的讨论；其次，提出了一种新的弹性集群云资源性能评价模型，该模型能有效的计划分配集群来满足计算性能需求和成本要求；最后，设计了虚拟化外部弹性计算云平台，灵活地管理计算资源，同时满足可靠性和实时性要求，高效地完成两层网络学习控制系统中的动态计算任务。最后，在上述理论研究和仿真结果验证所提方案有效性的基础上，将各项性能最优的分层阶级市场竞争算法结合专家系统的方法来解决电力系统中的难题机组组合调度问题。首先分析了电力系统机组组合调度的优化需求，确定总成本目标函数和优化约束，结合多条专家规则组成专家系统来处理机组组合调度问题的多个复杂约束，并通过决策发电机组的初始运行状态的预调度处理，保证所有搜索区域为靠近最优解的可行解集，提高搜索效率，减少执行时间。通过在虚拟化弹性计算云仿真平台上对10台至100台机组的电力系统调度进行实验，表明提出的分层阶级市场竞争算法结合专家系统的新方法能更快更优的解决机组组合调度问题，不仅大大节省了计算时间，对机组组合调度成本的减少也十分有效，具有良好的应用前景。
胡周君[7]2010年在《计算网格中面向QoS的资源可用性评估模型研究》文中认为作为下一代并行与分布式计算平台,网格聚集大量地理上分布的、异构的、各种各样的资源解决大规模科学计算与商业应用问题。在这样一个非集中式、动态和自治的环境中,为用户提供QoS有保障的计算服务是当今面向服务架构下网格计算的一个重大挑战。针对这一问题,过去的大量研究中缺少考虑以下2个方面的资源量化信息：(1)由于软硬件故障、安全、资源提供者或网格组织的自主使用策略等因素导致网格资源在一定时间内无法为网格用户提供服务,需要根据资源的历史行为来确定资源在未来时期内的可用或不可用状态信息；(2)在网格资源为用户提供服务时,由于资源负载的动态变化以及资源能力的异构性,需要从用户的角度来确定资源动态可用能力大小的信息。因此,本文提出资源可用性评估模型,为面向QoS的任务调度提供有效、准确的依据,以期解决服务网格环境中用户QoS保障问题。本文主要工作与创新如下：1、QoS增强的基于可用度预测的作业执行服务部署从应用的角度提出了一种资源可用度量化方法,并结合监测分析资源可用度历史数据中噪声的影响,提出了一种基于灰色模型的资源可用度预测模型MRAPGM。MRAPGM首先利用小波分析方法对资源可用度历史数据进行噪声过滤,再利用灰色预测模型预测出资源在未来某一时间段内的资源可用度,并通过大量实验确定了模型中使用的小波以及相关参数。在资源可用度预测基础上,借鉴冗余思想,提出了可用度增强的作业执行服务AEJES的概念及其确定方法。基于AEJES提出一种可用度增强的作业执行模型AEMJE,该模型在资源收益和用户QoS之间取得了一定的平衡,从而既保障了用户的QoS需求又避免了过多的资源浪费。2、面向QoS的资源动态可用能力评估提出了一种基于排队系统的网格资源动态服务模型RSMQT,提取了刻画资源(集)动态可用能力的评估指标。基于资源服务模型,提出了一种面向用户QoS的动态资源能力评估机制RPEMQT,根据对资源可用能力评估指标进行监控与统计分析得到的历史数据,从用户和资源提供者的角度对资源(集)可用能力进行量化。理论分析和实验结果表明,基于排队理论的资源服务模型和评估机制提高了用户资源选择的满意度。3、基于可用能力评估的资源筛选策略基于资源(集)可用能力评估得到的可用能力评估指标,利用基于PSO的聚类方法对具有等价指标值的AEJES服务进行聚类,提出了一种逻辑服务组织结构LSC,以降低服务选择的时间复杂度。基于可用能力评估结果和逻辑服务组织结构,提出一种满足用户QoS要求的服务筛选策略。通过实验验证了逻辑服务簇内服务相似性对服务选择效率的影响,并确定了最佳逻辑服务簇数目、聚类周期等相关参数。同时,实验结果还表明引入本文服务组织结构的调度算法可显着降低任务的执行时间。4、基于可用性评估的资源分配与任务调度基于可用度增强的作业执行模型,利用服务筛选得到的候选AEJES集合,将资源分配描述为一个非合作博弈过程,提出了一种可用性增强的资源分配方案。最后,将该分配方案应用到工作流任务调度问题中。实验结果表明,利用资源可用性评估的调度算法能显着增强用户的QoS保障水平。本文建立了一套较完整的基于实际系统的网格资源可用度和动态可用能力量化评估分析模型,为QoS约束条件下的任务调度提供高效、准确的资源可用性信息,为当前新兴网格应用提供可信的理论和实践支持,以期解决已有研究成果中难以为各类商业网格用户提供高满意度的QoS问题,进一步推动新型网格技术走向更为广泛的商业应用。
左利云[8]2016年在《云计算中基于任务特性和资源约束的调度方法研究》文中提出在云计算这种商业化的计算模型和服务模式中,如何根据用户提交的任务需求,对资源进行合理的按需分配是云计算调度的重要研究内容,但目前该领域还存在很多如资源的动态性、超大规模、高能耗、任务对资源需求的多样性及任务的多样化约束等问题,这些问题会影响云计算中的调度效率乃至云计算的服务质量并成为云计算发展的制约因素,因此在考虑调度问题时若能面向这些问题考虑任务和资源的相关特性有针对性地提出相应调度优化方法将有利于调度效率和服务质量的提高,更有利于云计算的发展。本文首先对论文的主要研究问题——云计算中的调度问题进行了比较全面的调研分析。探讨了目前云计算调度的研究现状,并从以性能为中心、服务质量为中心和经济原则为中心这叁个方面对相关研究工作以及当前主流云计算平台所采用的云计算调度方法进行深入分析,归纳总结了现有云计算调度的研究中存在的一些问题。针对这些问题,本文在考虑任务特性和资源约束的基础上提出了一系列的调度优化方法。(1)为了更好的描述和体现云计算中资源的动态性、任务的多样性、资源和任务的多约束等特性,本文提出了一个基于熵优化的资源任务模型。对任务和资源特性进行分析挖掘,根据任务和资源特性对资源进行预处理。针对任务多样性采用聚类的方法对任务进行分类,并利用动态评估指标按照资源的计算能力对资源进行动态聚类,同时根据资源的负载对资源进行动态评估,将资源负载分为过载、过闲和正常叁种状态。在对资源和任务预处理的基础上提出了一个基于熵优化原理的资源任务模型,根据不同任务分布对应的熵值,从熵最大时满足的任务和资源约束的角度,反映了任务对资源的需求特性和任务本身的特点,并实现了保障用户和资源提供者双方利益的目标。该模型具有一定通用性,可适合各种不同的云计算应用中。(2)为解决资源的动态性、超大规模特性和能耗等问题,本文提出了一个能耗感知的动态调度优化方法——STDWEM(Self-adaptive Threshold Dynamic Weighted Evaluation and Scheduling Mothod)。针对云资源的动态性和超大规模特性,在资源任务模型的动态负载评估基础上,提出了一个能耗感知的动态调度优化方法。该方法对评估结果将过载资源迁移以均衡负载,提高资源利用率;将过闲资源释放以节省能耗,从而实现多目标的资源整合优化。在资源迁移时引入了任务迁移系数及自适应阈值,即在任务分配时考虑资源的负载状态。同时该调度方法还包括一个能耗评估模型,该模型可以定量描述资源整合前后的能耗。为验证该调度方法的有效性,实验分别验证了该方法在调度性能、动态自适应性、能耗等方面的效果。实验结果证明对资源动态聚类和任务调度时考虑资源负载都有利于调度效率的提高。相对于类似采用资源评估和考虑能耗的调度方法,该方法能明显减少能耗,最大有近31.5%的能耗节省。而且在响应时间和系统利用率方面都有非常大的优势,尤其是当资源动态加入或退出时,表现出很好的稳定性和自适应性。(3)针对资源动态性及其任务对资源需求的多样化差异问题,本文提出了一个多队列错峰调度方法——MIPSM(Multi-queue Interlacing Peak Scheduling Method)。首先利用资源任务模型中的任务分类方法将任务划分为叁个队列——CPU密集型、I/O密集型和内存密集型,在任务分类时可以根据权重调节因子调整CPU、I/O和内存的权重,从而对不同应用的任务体现不同的侧重。在任务分类的基础上根据任务对资源的差异需求有针对性地分配资源,同时考虑资源的负载状态,对资源按CPU、I/O和内存负载进行排序,调度时将叁个队列的任务分别调度至该指标负载较轻的资源上,通过错峰调度满足任务对资源的差异化需求。本文在仿真环境和真实日志上分别验证了调度方法的效果,实验结果证明,任务分类明显有利于提高调度效率,相对于其它采用任务分类的类似方法,本文的调度方法在响应时间、资源利用率、截止时间违反率等方面都有很好的表现,尤其是随着任务数的增多,表现出更大的优势。(4)针对云计算中任务的面临来自用户、资源等多样性约束问题,本文提出了一个面向任务约束多样性的多目标优化调度方法——MOSACO(Multi-objective Optimization Scheduling Method Based on Ant Colony Optimization Algorithm)。首先提出了两种单目标调度优化策略—Time-First和Cost-First,分别以截止时间和费用优先满足任务的截止时间、预算费用等多样性约束。同时为最大化用户QoS和资源提供商利益,采用资源任务模型中提出的熵优化模型中用户和资源提供商的目标函数约束,结合两个调度优化方法建立了多目标优化调度模型,并通过蚁群算法来求解。实验分别采用了仿真实验和混合云应用实例实验进行验证,结果显示,相比其它考虑费用和截止时间约束的类似方法,单目标优化策略Cost-First和Time-First分别在费用和调度完成时间方面表现出较大优势,而且本文的多目标优化方法无论在调度完成时间、费用、截止时间超出率和资源利用率等方面都表现很好,证明了本文所提调度方法的有效性。
于传涛[9]2008年在《基于网格计算的负载均衡策略的研究》文中认为随着人们求解问题领域的不断扩展,所遇到的问题越来越复杂,而且规模也越来越大,解决这些问题所要求的计算能力也在大幅度提高。又由于考虑到高成本超大型计算机没有得到充分地利用,所以人们便试图研究分布式计算环境来利用网络中的空闲资源解决这些需要大量计算的复杂问题。网格计算正是人们正在研究的利用网络并联合分散在网络中各个区域的空闲资源来为网格系统应用软件服务,从而解决这些科学问题。为了融合这些大量网络资源并有效地计算,解决网格计算中的负载均衡问题成为关键性的技术。本文在网格计算环境中解决负载均衡问题的服务中,其主要的创新点有以下几个方面:(1)结合网格计算的多种负载均衡算法,提出一种新的层次式负载均衡算法,并根据一级代理和二级代理的负载情况,灵活采用各种负载均衡算法,从而提高负载均衡效率和系统的稳定。(2)基于CORBA体系结构的设计,在网格中间件层服务,使负载均衡系统达到很好的透明性。(3)采用了以静态为辅,动态自适应负载均衡算法为主的服务,可根据具体计算任务的情况,对任务重定向分配,提高了系统的伸缩性和响应时间。(4)利用了网格资源的分散性服务,有效地避免了单点失效对整体服务的影响。本文通过仿真模拟,证实了在网格计算中的基于CORBA的层次式自适应负载均衡策略的实用性和有效性。
郑爱卿[10]2008年在《基于执行时间方差的元任务网格调度算法研究》文中进行了进一步梳理网格计算是一种特殊的具有重要创新思想和巨大发展潜力的分支网络计算。从概念上讲,网格计算的目标是资源共享和分布协同工作。而任务调度作为网格高性能计算的一个重要方面,它的性能好坏直接影响到网格计算的性能优劣。随着网格方向逐步走向标准化、大型化和多技术融合化,对任务调度的性能提出了更高的要求。网格任务调度算法成为网格研究的一个热点。网格的任务调度问题一直是一个NP问题,目前采用的大多是启发式调度算法。网格任务调度一般分为静态调度和动态调度两大类。在动态调度中任务调度又分在线模式和批模式两种,批模式具有动态在线模式算法的实时性,又具有静态映射调度算法的高效性,在很多计算系统中得到了广泛应用,比在线方式更能充分利用计算资源。但是对于传统的批调度算法如最小最短算法MIN-MIN、最大最短算法MAX-MIN、最大间距算法MAX-INT,从负载均衡度和调度跨度这两个重要的网格性能角度看,它们在调度跨度取得较好成果的同时,在负载均衡度上并不尽如人意。针对网格的异构性,本文提出了一种改进的算法——Q VARIANCE(Queued Variance algorithm)。该算法在总结了经典算法优点及缺点的基础上,负载均衡度有了显着提高,并且调度跨度也得到改善。任务分配到各个机器上执行时间会有差异,方差是反映该差异的数学变量。该算法首先将执行时间的方差作为任务执行优先级的评判基础。每个任务都存在一个方差,将各个方差求得的期望作为任务分组的分界线,从而将批量任务分为方差大组和方差小组。每一次任务分配以基数因子为基准分成几轮。每个轮次,每个组按照相应比例进行任务调度,增强任务的负载均衡度,缩短任务的调度跨度。然后以MIN-MIN、MAX-INT算法为测评基准,利用网格调度的模拟工具包GRIDSIM,在NETBEANS环境下,进行大量的仿真实验,结果证明:Q VARIANCE算法具有很好的调度性能,能够适用于网格异构偏差大条件下的网格任务调度,并且能得到比MIN-MIN、MAX-INT更优的调度结果。论文最后除了对研究工作进行了相应的总结外,还对今后的研究方向进行了展望。
参考文献：
[1]. 计算网格中基于时间均衡的任务调度方法研究[D]. 胡艳丽. 国防科学技术大学. 2004
[2]. 计算网格中基于时间均衡的并行粗粒度任务调度算法[J]. 胡艳丽, 张维明, 肖卫东, 汤大权. 小型微型计算机系统. 2008
[3]. 云数据中心环境下并行应用与并行负载调度算法研究[D]. 邓科峰. 国防科学技术大学. 2014
[4]. 网格环境中的资源管理和调度算法若干关键技术研究[D]. 陈曙东. 上海交通大学. 2005
[5]. 网格计算中任务调度算法的研究与实现[D]. 马少静. 太原理工大学. 2007
[6]. 两层网络学习控制系统的快速优化调度策略、分布式计算及扩展应用[D]. 徐丽俊. 上海大学. 2013
[7]. 计算网格中面向QoS的资源可用性评估模型研究[D]. 胡周君. 中南大学. 2010
[8]. 云计算中基于任务特性和资源约束的调度方法研究[D]. 左利云. 华南理工大学. 2016
[9]. 基于网格计算的负载均衡策略的研究[D]. 于传涛. 江南大学. 2008
[10]. 基于执行时间方差的元任务网格调度算法研究[D]. 郑爱卿. 北京交通大学. 2008
标签：互联网技术论文; 网格计算论文; 负载均衡论文; 云计算架构论文; 网格系统论文; 用户研究论文; 能力模型论文; 优化策略论文; 动态模型论文; 时间计算论文; qos论文;