一種云計(jì)算中基于任務(wù)分類(lèi)的多隊(duì)列錯(cuò)峰調(diào)度模型及方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種云計(jì)算中基于任務(wù)分類(lèi)的多隊(duì)列錯(cuò)峰調(diào)度模型及方法。
【背景技術(shù)】
[0002] 云計(jì)算中的應(yīng)用任務(wù)具有多樣性，對(duì)資源的需求也有很大差異，有的對(duì)存儲(chǔ)需求 較大，有的對(duì)計(jì)算能力即CPU有要求，有的則是數(shù)據(jù)密集型的，即其I/O比較明顯。任務(wù)的 多樣性及對(duì)資源的需求差異會(huì)造成負(fù)載不均衡。另一方面，資源及其負(fù)載有很多動(dòng)態(tài)和不 確定因素，如資源節(jié)點(diǎn)的負(fù)載是隨時(shí)間動(dòng)態(tài)變化的，隨著年份、季節(jié)、節(jié)假日的變化資源請(qǐng) 求量也會(huì)發(fā)生變化；而資源自身也有諸多變化，可能隨時(shí)有資源加入或退出，這些都將會(huì)導(dǎo) 致一系列問(wèn)題。如果過(guò)多的資源節(jié)點(diǎn)負(fù)載過(guò)低，那么無(wú)疑會(huì)造成資源浪費(fèi)；如果負(fù)載過(guò)高， 就會(huì)影響其上層服務(wù)的性能。以上這些都會(huì)導(dǎo)致負(fù)載不均衡，并影響用戶(hù)滿(mǎn)意度和資源利 用率。
[0003] 目前在云計(jì)算中實(shí)現(xiàn)負(fù)載均衡的方法大多是采用虛擬機(jī)迀移的方式，但是虛擬機(jī) 迀移的開(kāi)銷(xiāo)會(huì)比較大，因此如果在資源任務(wù)調(diào)度時(shí)考慮負(fù)載的均衡問(wèn)題將會(huì)取得更好的效 果。而現(xiàn)有關(guān)于云計(jì)算中調(diào)度方面的研宄要么是對(duì)虛擬資源的迀移調(diào)度，要么是僅從任務(wù) 的角度進(jìn)行一些任務(wù)調(diào)度的優(yōu)化研宄。而云計(jì)算中任務(wù)的多樣性和資源的動(dòng)態(tài)性使得這樣 單一優(yōu)化的調(diào)度方法是十分有限的。因此，針對(duì)云任務(wù)的多樣性和資源負(fù)載的動(dòng)態(tài)性提出 能實(shí)現(xiàn)負(fù)載均衡和提高調(diào)度性能的調(diào)度方法將是極其必要的。
[0004] 關(guān)于云計(jì)算中任務(wù)調(diào)度的研宄，根據(jù)調(diào)度目標(biāo)主要分為三類(lèi)：一是以調(diào)度時(shí)間為 主，包括響應(yīng)時(shí)間、最優(yōu)跨度和完成時(shí)間等；二是以系統(tǒng)性能為主，如負(fù)載均衡和資源利用 率等；三是多目標(biāo)的優(yōu)化，除了以上目標(biāo)外，同時(shí)兼顧經(jīng)濟(jì)成本、Q〇s、能耗等，以下分別介紹 三種任務(wù)調(diào)度：
[0005] 1)以調(diào)度時(shí)間為主要目標(biāo)：
[0006] 以調(diào)度時(shí)間為主要目標(biāo)的研宄主要是通過(guò)一些啟發(fā)式算法、智能優(yōu)化算法等對(duì)任 務(wù)調(diào)度從算法層面進(jìn)行優(yōu)化，以減少調(diào)度相關(guān)的時(shí)間；文獻(xiàn)[1] "Tsai C, Huang W, Chiang M. A Hyper-Heuristic Scheduling Algorithm for Cloud^i IEEE TRANSACTIONS ON CLOUD COMPUTING, 2014,2(2)，提出一種超級(jí)啟發(fā)式算法，主要目標(biāo)是實(shí)現(xiàn)最優(yōu)跨度。文獻(xiàn)
[2]uTang ZjJiang LjZhou J. A self-adaptive scheduling algorithm for reduce start time"，F(xiàn)uture Generation Computer Systems，2015, 43 在 Hadoop 平臺(tái)上提出一種自適應(yīng) 調(diào)度算法，主要目標(biāo)是減少完成時(shí)間。文獻(xiàn)[3] "Tripathy B，Dash S，Padhy S K. Dynamic task scheduling using a directed neural network''，Journal of Parallel and Distributed Computing，2015, 75在已提出的直接優(yōu)化搜索算法（DSO)的基礎(chǔ)上結(jié)合神經(jīng) 網(wǎng)絡(luò)提出三層人工神經(jīng)網(wǎng)絡(luò)（ANN)和RBF神經(jīng)網(wǎng)絡(luò)兩個(gè)調(diào)度算法，主要目標(biāo)是實(shí)現(xiàn)最優(yōu)跨 度。文獻(xiàn)[4]"Topcuoglu H，Hariri Sj Wu M. Performance-effective and low-complexity task scheduling for heterogeneous computing''，IEEE Transactions on Parallel and Distributed Systems，2002, 13(3)為滿(mǎn)足高性能和快速調(diào)度的需求，提出了兩個(gè)調(diào)度算 法，第一個(gè)是每次選擇能最早完成的任務(wù)優(yōu)先調(diào)度，第二個(gè)是關(guān)鍵路徑算法（CPOP)以最小 化關(guān)鍵路徑任務(wù)的總的執(zhí)行時(shí)間為主要目標(biāo)。
[0007] 2)以系統(tǒng)性能為主要目標(biāo)：
[0008] 目前云計(jì)算中以系統(tǒng)性能為主要目標(biāo)的調(diào)度主要是針對(duì)負(fù)載均衡和系統(tǒng)資源 利用率等方面的一些改進(jìn)D 文獻(xiàn)[5] "Li C C，Wang K·· An SLA-aware load balancing scheme for cloud datacenters''，2014International Conference on Information Networidng(ICOIN). IEEE，2014提出一個(gè)兩級(jí)集中式負(fù)載均衡框架（具有較好的可擴(kuò) 展性和高可用性），并提出了一個(gè)基于神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)負(fù)載平衡算法，根據(jù)負(fù)載指標(biāo)和 神經(jīng)網(wǎng)絡(luò)指標(biāo)給每一個(gè)VM分配權(quán)重，為滿(mǎn)足SLA，動(dòng)態(tài)調(diào)整更新每一個(gè)VM的權(quán)重。文 獻(xiàn)[6] uMesbahi M，Rahmani A M，Chronopoulos A T.Cloud light weight:A new solution for load balancing in cloud computing''，2014International Conference on Data Science&Engineering(ICDSE). IEEE，2014 提出了 一個(gè)負(fù)載均衡算法，以平衡 VM負(fù)載并保證QoS，它降低了 VM迀移的數(shù)量，減少了任務(wù)執(zhí)行過(guò)程中的迀移時(shí)間。文 獻(xiàn)[7] "Wen Y Fj Chang C L.Load balancing job assignment for cluster-based cloud computing''，2014Sixth International Conference on Ubiquitous and Future Networks (ICUFN). IEEE，2014同時(shí)考慮了網(wǎng)絡(luò)和系統(tǒng)負(fù)載均衡的處理，將任務(wù)分配至同類(lèi) 節(jié)點(diǎn)中處理和傳輸延遲最小的鏈接，將該策略與FCFS、Min-Min和Min-Max算法相結(jié)合。 文獻(xiàn)[8] uWang Tj Liu Zj Chen Y，et al. Load Balancing Task Scheduling Based on Genetic Algorithm in Cloud Computing''，2014IEEE 12th International Conference on Dependable，Autonomic and Secure Computing(DASC). IEEE，2014 為實(shí)現(xiàn)云計(jì)算中跨 節(jié)點(diǎn)的負(fù)載均衡并減少平均完成時(shí)間，提出結(jié)合遺傳算法來(lái)實(shí)現(xiàn)。文獻(xiàn)[9] "Chen H，Wang F，Helian N，et al. User-priority guided min-min scheduling algorithm for load balancing in cloud computing''，2013National Conference on Parallel Computing Technologies (PARC0MPTECH). IEEE，2013提出了一種基于用戶(hù)優(yōu)先級(jí)的改進(jìn)的Min-Min算 法，來(lái)實(shí)現(xiàn)負(fù)載均衡、最優(yōu)跨度和提高資源利用率；假設(shè)用戶(hù)可根據(jù)自己的需求選擇不同等 級(jí)的服務(wù)，相應(yīng)成本也不同，即劃分出一些VIP用戶(hù)及資源來(lái)優(yōu)先調(diào)度，但該方法復(fù)雜度比 較高。
[0009] 3)多目標(biāo)優(yōu)化調(diào)度：
[0010] 更多的研究是多目標(biāo)優(yōu)化調(diào)度的研究。如兼顧QoS約束、能耗、經(jīng)濟(jì)成本和系統(tǒng) 性能等D 文獻(xiàn)[10] "Hu M，Veeravalli B.Dynamic Scheduling of Hybrid Real-Time Tasks on Clusters"，IEEE TRANSACTIONS ON COMPUTERS，DECEMBER 2014,63(12)針對(duì) 集群中可分割和不可分割的兩種實(shí)時(shí)任務(wù)提出了一種動(dòng)態(tài)實(shí)時(shí)調(diào)度算法，主要目標(biāo)是保 障 QoSd 文獻(xiàn)[11] "Hung P P，Bui T A，Huh E N. A New Approach for Task Scheduling Optimization in Mobile Cloud Computing''，F(xiàn)rontier and Innovation in Future Computing and Communications. Springer Netherlands，2014 針對(duì)移動(dòng)云計(jì)算提出了 一種客戶(hù)端與云端的協(xié)同調(diào)度算法，主要目標(biāo)是減少處理時(shí)間和云服務(wù)的成本。文獻(xiàn) [12] uXiaoyong TjLi KjZeng Zj et al.A novel security-driven scheduling algorithm for precedence-constrained tasks in heterogeneous distributed systems''，IEEE Transactions on Computers，2011，60(7)基于優(yōu)先級(jí)約束的任務(wù)和風(fēng)險(xiǎn)概率提出了一個(gè) 安全驅(qū)動(dòng)的調(diào)度算法，主要目標(biāo)是減少完成時(shí)間并增強(qiáng)安全性。文獻(xiàn)[13]"Liu Z，Qu W，Liu Wj et al. Resource preprocessing and optimal task scheduling in cloud computing environments''，Concurrency and Computation:Practice and Experience，2014 提出 了一個(gè)通過(guò)資源分割和預(yù)算的方法來(lái)最小化任務(wù)長(zhǎng)度，以減少任務(wù)執(zhí)行時(shí)間，提高資源 利用率。該方法考慮了資源的情況。其它大部分沒(méi)有考慮