基于Flink平台的资源感知任务调度策略

针对Flink平台下先来先服务任务调度算法忽略任务资源需求与节点可用资源之间的关系,导致不同节点任务负载不均,从而影响系统吞吐量的问题,提出了基于Flink流式计算环境下资源感知任务调度策略.首先,以GlobalState模块监测的资源数据为依据,考虑任务资源需求与节点可用资源间的匹配关系,提出一种任务选择算法与节点选择算法选取待执行任务与最佳调度节点;其次,通过资源感知调度策略把待执行任务调度至最佳调度节点;最后,通过实验验证算法的有效性.实验结果表明,相比Flink平台现有的调度算法,本文所提出的算法在大数据基准测试WordCount以及TeraSort下的吞吐量平均提高了约29.32%和35.86%.     

云计算环境下改进加权轮转任务调度算法研究

为提高云计算环境下节点负载的均衡性,提出改进加权轮转任务调度算法.该算法在传统加权轮转任务调度算法的基础上,针对MapReduce作业调度模式,考虑到云计算环境任务的多样性,Worker节点处理能力的多样性,引入权值影响因子,在任务分配前对任务的权值进行调整,使权值较高的任务对应处理能力较高的节点,实现负载均衡.通过实验验证,该算法与加权轮转任务调度算法相比,能够使节点负载更加均衡.     

集中式动态负载均衡算法的研究

目前的负载均衡算法中难以探测节点终端的实际负载,导致难以有效地满足负载均衡集群系统实时需求.通过分析集群系统中的资源管理优化技术和负载均衡调度算法,对集群系统的模型结构进行了分析,提出了一种改进的集群系统的负载均衡算法,该算法较好地解决了集群的资源调度问题.     

基于负载均衡的任务调度算法

基于传统任务调度算法, 通过在调度过程中增设服务器最佳期望序列及负载均衡指数, 采用任务连接数约束服务器选择, 解决了传统任务调度算法对于集群负载均衡性能的忽略问题. 实验结果表明, 该改进算法能达到较高负载均衡度, 同时缩短任务完成时间, 并提高了集群对于批量级任务的处理能力, 从而达到了优化的目的.     

禁忌搜索在遥感任务调度中的应用研究

针对目前遥感产品生产集群负载不均衡、调度效果不理想的问题,提出了一种基于禁忌搜索的遥感任务调度算法.在调度算法中引入禁忌搜索思想,并增加任务需求与节点服务能力因素,将任务需求与生产节点服务能力分别用相应值描述.最后依据遥感影像和遥感产品生产流程的特点,使用禁忌搜索算法寻找任务分配全局最优解.本算法与传统的轮转法、使用率乘积法等调度算法相比,具有调度效率高、集群不均衡度小的优点,显著提高了遥感产品的生产效率.     

Linux集群下基于改进多态蚁群负载均衡算法研究

建立了集群负载均衡问题的数学模型,并提出改进多态蚁群算法来对其进行求解的策略.首先,算法中侦察蚁以每个处理节点为中心,作局部侦察并设置侦察信息素;其次,搜索蚁利用侦察蚁提供的辅助信息做全局搜索,通过多态蚂蚁间的协作,能更快地搜索到问题的优化解.最后,通过一个试验与最小加权连接算法,传统多态蚁群算法进行了对比.结果表明,对于负载均衡问题,改进多态蚁群算法比前述算法在算法稳定性,负载的均衡能力,计算速度方面更具有优势.     

基于OPNET的集群负载均衡仿真

为了分析比较集群负载均衡中随机调度算法、轮转算法、加权轮转算法等3种基本算法,介绍了OPNET的建模方法,给出了基于OPNET进行网络仿真的建模层次和步骤,并运用OPNET建立集群系统模型,对其进行仿真测试.仿真结果表明:3种算法均能实现负载的平衡分配,在同构集群中,轮转算法有较好的负载均衡效果;但在异构的集群系统中,加权轮转算法具有最好负载均衡效果.     

云中心基于Nginx的动态权重负载均衡算法

为了解决云中心的服务器端在高并发情况下各节点的负载失衡问题,在对负载均衡技术Nginx自带的负载均衡策略和主流的负载均衡策略进行研究、分析的基础上,提出了一种动态调节权重的负载均衡策略.该策略基于加权轮询策略进行改进,同时考虑服务器的本身硬件性能与工作时的负载情况,设计了静态权值和动态权值的计算方法,将两者结合得到节点最终权值.静态权值主要考虑了各服务器的硬件性能情况,动态权值的计算则是收集各后端服务器节点工作时的CPU利用率、内存利用率、网络性能情况及磁盘I/O等性能情况,由此,动态地调节各后端服务器节点权重.测试结果表明,相较于原加权轮询算法,该算法在高并发情况下的响应时间和实际并发数等方面表现更好.     

负载均衡的分布式系统任务调度优化算法

针对当前分布式系统任务调度算法存在节点负载不平衡,资源利用率低等缺陷,提出一种基于负载均衡的分布式系统任务调度优化算法.首先分析了当前分布式系统任务调度优化算法的研究现状;然后对节点的实时性能指标进行估计,并根据估计结果分配不同的任务;最后通过仿真实验与其他算法进行对比.实验结果表明,相比于经典分布式系统任务调度算法,该算法缩短了任务完成时间,使得系统各节点的负载更均衡,提高了节点资源的利用率.     

基于Pareto蚁群算法的MVB周期轮询表优化设计

合理的多功能车辆总线(MVB)周期轮询表有助于均衡网络负荷、提高网络处理偶发信息的能力、保证实时通信的可靠性.为此提出一种有效的轮询表设计方法.将MVB周期轮询表的设计抽象成离散优化问题,根据IEC 61375-1国际标准和可调度性要求建立约束条件,将均匀度和相邻基本周期时间差作为优化目标,利用Pareto蚁群(Pareto ant colony,P-AC)算法求解.每个优化目标对应自己的信息素,信息素采用蚁群系统的规则更新,总信息素由两者加权得到,非劣解基于拥挤距离方法维护.与已有的优化算法相比,Pareto蚁群算法优化得到的轮询表均匀度更好,能够更有效地均衡网络负荷.     

Linux集群下基于改进多态蚁群负载均衡算法研究

建立了集群负载均衡问题的数学模型，并提出改进多态蚁群算法来对其进行求解的策略。首先，算法中侦察蚁以每个处理节点为中心，作局部侦察并设置侦察信息素；其次，搜索蚁利用侦察蚁提供的辅助信息做全局搜索，通过多态蚂蚁间的协作，能更快地搜索到问题的优化解。最后通过一个试验与最小加权连接算法，传统蚁群算法进行了对比。结果表明：对于负载均衡问题，改进多态蚁群算法比前述算法在算法稳定性，负载的均衡能力，计算速度方面更具有优势。     

基于函数约束的云任务分配的研究

为了解决云环境下的资源调度问题,提出了一种改进的蚁群资源调度算法(RRLB-ACO),该算法在综合参考各种云计算任务调度算法的基础上,利用资源约束函数改进信息素的更新,并且通过负载均衡差函数来改进启发信息,使虚拟机经过算法多次迭代以后能够处于一种负载均衡的状态,利用Cloud Sim工具进行仿真测试,与标准的蚁群算法BACO、最新的ACOSA算法做仿真对比,实验结果表明RRLB-ACO算法在任务的执行时间、成本以及系统负载均衡方面均优于BACO算法和ACOSA算法。     

面向GPU异构集群的自学习负载均衡调度算法

由于GPU的高性能计算能力,越来越多地被用于集群系统中,但同时也给集群带来节点级的异构问题,使原来适用于同构集群的调度算法在异构集群中性能大大降低。为使异构节点间的负载均衡,降低总的作业执行时间,提出了一个面向GPU异构集群的自学习负载均衡调度算法。首先对Torque调度器进行扩展,使其支持GPU作业调度,然后将提出的自学习调度算法在Rocks操作系统及Torque调度器软件中实现。真实物理集群上的实验结果表明,扩展后的Torque调度器很好地支持GPU任务的调度,自学习调度算法较原来的Torque调度算法能达到更好的负载均衡。     

异常网络环境下云计算资源需求策略

针对常规云计算资源预测算法不能在异常网络环境下做到精准预测的难题,提出一种基于改进蚁群算法的调度策略.该策略融入了信息数的概念,既能快速均衡负载,又能保障用户在多条件下云计算的需要,合理降低能耗,提高云计算性能.实验结果表明,基于改进的蚁群调度算法提高了云计算资源利用率,降低了能量消耗,使单节点处理任务量有较大提升,极大提高了云计算的性能和服务质量.     

基于谱聚类的BaaS资源负载均衡调度算法

Fabric作为超级账本的核心项目,以其多通道的设计为用户提供更为隐私的交易空间,为了解决基于分布式架构下的多通道资源负载均衡问题,提出了基于NJ W谱聚类的区块链即服务(BaaS)负载均衡调度算法SC-channel.该算法将平台子节点的数量作为划分类簇数量的依据,首先,基于通道采用peer之间的Jaccard系数构造相似矩阵;其次,计算拉普拉斯矩阵,求取前k个特征值和特征向量并将特征向量单位化;最后,用基于数量加权的k-means算法完成聚类.在Kubernetes平台上对这种方法进行验证,并与采用经典k-meansi的NJW算法默认调度算法下的资源负载均衡度做了比较分析.结果表明,采用基于谱聚类的BaaS资源负载均衡调度算法可提高资源利用的均衡程度,增强了平台的可用性与可靠性.     

基于节点实时负载的开源大数据负载均衡优化算法

为保证网络访问稳定,减少资源浪费,提出了基于节点实时负载的开源大数据负载均衡优化算法。建立开源大数据节点计算能力模型,按照节点负载大小及时反馈和调整,根据该区域服务器收到的请求数量预测下一步行动,利用指数平滑方法算出每秒服务器请求数量的预测值,完善一阶指数平滑法滞后偏差问题,计算服务器综合负载。在节点上添加一个负载代理和监控器,用于平衡组块的数目和分片节点负载,并将不能删除的分片和组块放入最小单元候选名单,实现负载均衡优化。通过实验证明,所提算法能提高网络资源利用率和负载均衡性,在访问中保证网络更加稳定安全。     

基于不同分配策略的云计算任务调度性能比较与分析

形式化描述了云计算环境下的负载均衡任务调度问题,借助动态规划方法形式化推导了最早完成时间的启发式优先分配策略,给出了基于先易后难优先分配策略、先难后易优先分配策略的启发式云计算任务调度算法。阐述了基于顺序调度策略、先易后难优先分配策略、先难后易优先分配策略等启发式任务调度算法和基于禁忌搜索策略、元胞演化策略等智能任务调度算法。针对不同分配策略的云计算任务调度进行性能比较与分析,提出了完成时间可改进百分比和资源负载平衡因子的调度性能评价指标,实验数据对比充分表明:与启发式调度算法相比,智能调度算法能减少任务执行时间,优化资源负载均衡性能。     

一种新的处理能力优先的权值分配调度算法

针对加权最小连接数算法中服务节点权值不准确而直接影响负载均衡效率和整个集群系统性能的问题, 提出一种新的改进算法--处理能力优先的权值分配调度算法. 给出了改进算法的工作流程和要点, 分析并设计了算法的主要技术、 主要模块及原理. 实验结果表明: 该算法解决了LVS(Linux virtual server)负载调度的负载不平衡问题, 提高了LVS集群的性能和稳定性; 改进算法比加权最小连接数算法具有更优化的动态平衡性.     

一种改进的动态负载均衡算法

设计并实现了一种基于发送者表与接收者表的可迁移动态负载均衡算法.该算法依据混合式动态任务调度策略,由实时监测系统下各结点的负载信息,借助检查点保存的状态参数实现系统任务的动态迁移.理论证明它能有效降低调度过程中的额外开销,保证负载信息的及时和准确,避免迁移中的颠簸现象,有效改善动态任务的调度和成功率,提高系统的并行运行性能.     

一种基于自适应权值的负载均衡算法

网络集群环境下的负载均衡优化问题是一个各种软、硬件参数优化整合的结果。首先针对加权轮询算法和加权最少连接数算法的实现原理进行分析,得出两种典型算法的不足。再提出一种基于自适应权值的负载均衡算法。并利用OP-NET软件对上述3种算法进行仿真对比,证明新算法在CPU的利用率、服务器负载、服务延迟等方面都优于已有算法。