一种基于任务竞争力的工作流调度算法

网格计算聚集了大量的异构分布式的计算或存储资源,为科学研究提供了一个高性能环境.然而,网格资源的异构性和自治性特征使得任务调度变得极其复杂.针对DAG表示的科学工作流调度问题,根据任务可用资源率确定任务调度的优先级,以任务竞争力刻画任务对资源的最佳匹配度,基于分层调度策略提出了一种基于任务竞争力的工作流调度算法.采用GridSim模拟实验表明该算法相对于其他两个算法,具有更小的执行时间.     

一种改进的基于动态信任的分布式调度模型

任务调度是分布式计算系统研究的核心内容之一,而基于动态信任的任务调度算法在志愿计算和网格计算系统中具有很好的性能,这种算法能够较好地处理节点的不确定性.首先介绍了现有的基于动态信任的任务调度模型,分析了经典调度模型中没有考虑任务大小、执行期限和计算冗余组计算能力等缺点.在经典模型的基础之上,提出了一种在BOINC系统中适用于独立计算任务的基于动态信任的分布式任务调度改进模型.该模型对经典模型中可靠度的定义作了优化,并且考虑了任务大小、执行期限、计算冗余组计算能力等因素,从而提高了计算的吞吐量,减少了计算时间.     

支持资源协同分配的网格任务调度研究

提出通用的网格和任务执行模型,并以此为基础,给出一种支持资源协同分配的任务调度算法。算法通过定义临界资源的概念,改进了传统的列表调度算法。模拟实验结果表明该调度策略更符合网格计算的复杂环境,能得到较短的任务执行时间,并更好的支持不同类型资源的协同分配。     

分布式系统中基于非合作博弈的调度算法

针对分布式系统中任务调度问题,根据分布式环境下的任务调度特性,建立了一个非合作博弈的多角色任务调度框架,在此基础上提出了一种基于纳什均衡联合调度策略的分布式强化学习算法.相比于静态调度算法,该算法需要更少的系统知识.能使调度器主动学习任务到达和执行的相关先验知识,以适应相邻调度器的分配策略,目标是使得调度器的策略趋向纳什均衡.模拟实验结果表明:所提出的算法在任务的预期时间和公平性上相对于OLB(机会主义负载均衡)、MET(最小执行时间)、MCT(最小完成时间)等同类调度算法具有更好的调度性能.     

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%.     

云计算环境中优化遗传算法的资源调度策略

资源调度是云计算的核心问题,传统遗传算法(GA)、Sufferage算法等都可以用于云计算环境中的资源调度,但传统遗传算法存在收敛慢、易早熟等缺点,Sufferage算法则不适用于多聚类环境的密集型任务调度.本文在充分考虑云计算环境的动态异构性和大规模任务处理特性的基础上,提出了一种基于染色体编码方式和适应度函数的改进遗传算法(IGA),并在云仿真器CloudSim上对3种算法进行了仿真.仿真结果表明,该算法在性能和服务质量QoS(Qualityof Service)方面都优于传统遗传算法和Sufferage,能更好地适用于大规模任务下的云计算环境资源调度.     

基于数据依赖和触发器的简单子任务调度算法

针对在数据库管理系统环境下实现的分布式子任务计算平台,提出了一种基于数据依赖、采用触发器实现的简单分布式子任务调度算法,可有效保证分布式子任务调度的准确性和一定程度的及时性.首先介绍了采用人工划分的基于执行阶段的子任务调度思想,并结合数据依赖调度算法,证明了两者之间的相似性和密切联系,然后进一步提出基于执行阶段的分布式子任务调度算法,为在数据库环境下实现的分布式子任务计算提供了一种简单、快捷、正确的调度算法.     

网格资源调度中基于云模型的蚁群算法

针对异构网格资源下任务的调度最小化执行时间问题(NP难题),提出了一种基于云模型的自适应蚁群调度算法.该算法在定性知识的指导下,权衡提高收敛速度和保持解的多样性之间的矛盾,能够自适应控制搜索范围,较好地避免了传统蚁群算法易陷入局部最优解和选择压力过大造成的早熟收敛等问题,提高其快速寻优能力.实验结果表明该算法在保证有效的加速比的同时具有精度高、收敛速度快等优点,极大地提高了网格任务调度的规模和效率.     

经济网格中基于剪枝策略的时间-费用优化任务调度

由于在经济网格环境下,存在着资源异构和分布的特征,网格任务调度变成了一个复杂的问题.为此,针对独立任务,在考虑用户的服务质量经济需求偏好的基础上,提出了一个优化用户时间和费用的任务调度方案选择算法.该算法首先将网格中兼顾时间和费用的任务调度方案形式化为一个n层m叉树,然后将调度方案的选择问题转化为树的遍历问题,最后利用剪枝方法避免无效路径的搜索,降低了时间复杂度,实现了任务的优化调度.结果表明该算法能按照用户的时限和费用需求偏好选择优化的调度方案,且在性能上优于传统的未剪枝算法.所以该算法是一种可行的任务调度算法.     

基于多智能体技术的虚拟企业任务调度

采用多智能体技术构建了虚拟企业任务调度运行模型,该模型包括管理智能体、任务智能体、资源智能体等.针对模型中的调度优化问题,以资源智能体所承担的生产任务为对象,综合考虑资源智能体自身已确定的生产任务、完成虚拟企业生产任务所需作业时间及转运时间等因素,建立了以制造时间最小化为目标的优化调度模型,并给出了粒子群优化求解算法.最后以工业机械手制造实例说明了任务调度模型及求解算法的有效性.     

一种基于任务分解的时间均衡调度算法

网格环境下的任务调度是一个NP完全问题,它一直是网格领域研究的核心。针对计算网格中的任务放牧调度这类问题,提出了一种基于任务分解的时间均衡调度算法。该算法在调度过程中充分考虑了网格资源的特点,采用重复调度和任务分解策略,并进行了仿真实验。在任务完成时间和系统吞吐率两方面与Max-min和Max-int算法进行比较,实验结果证明该算法优于Maxmin和Max-int,是一种性能较好的任务调度算法。     

多DAG任务调度算法

多DAG任务调度问题是当前研究的热点,为了提高任务调度的效率以及资源利用率,各个DAG的调度顺序以及每个DAG内部任务之间的调度顺序成为研究任务调度问题的关键。提出了一种基于分布式异构计算环境的多DAG任务调度模型和多DAG任务调度算法MDTS(multi-dags task scheduling algorithm)算法。算法首先对多个DAG任务进行合并,通过增加一个入口任务节点和出口任务节点的方法将多个DAG合并为一个DAG;然后根据每个任务节点的计算代价的方差以及平均通信开销对任务进行排序;最后基于HEFT算法降序对各个任务进行处理机调度。实验证明,MDTS算法在任务调度跨度、任务调度平均等待时间以及平均Slack方面均优于Sequential、Interleave算法。     

一种基于贪心策略的启发式云计算任务调度算法

提出了一种基于贪心策略的启发式任务调度算法,用于优化云计算环境下任务调度中执行时间。首先,给出了云计算环境下任务调度问题的形式化描述及其最早完成时间的启发式优先分配原则;接着,基于最早完成时间的优先分配原则,采用贪心策略难易交错地分配任务求得任务调度的初始解;进而,引入了任务对交换的收益值概念,采用贪心策略选择收益值大的任务对交换优化任务调度初始解的执行时间;最后,在Cloud Sim云计算仿真实验平台下进行了顺序调度算法、Min-Min算法、Max-Min算法和本文算法的对比实验,实验数据对比充分验证了本文算法既能减少任务执行时间,又能使资源负载相对平衡。     

一种面向通信开销的网格工作流调度算法

采用任务—资源分配图定义了网格任务调度模型,运用动态规划的方法提出了面向通信开销的工作流任务调度算法。采用扩展的拓扑排序算法对具有依赖关系的工作流任务进行划分,根据划分的任务子集得到相应的调度阶段,在每一阶段选择满足约束条件和以计算开销、通信开销以及任务执行成功率为最优目标函数的资源节点进行任务分配,从而使工作流任务调度目标函数最优。应用Grid Sim工具包实现了该调度算法,并与Min-Min算法进行对比分析。仿真结果表明,基于动态规划的网格工作流调度算法具有良好的适应性,且能较好地处理不同网络环境下任务间存在大量数据传输的网格调度问题。     

基于重复异构最早完成时间的云计算任务调度算法

针对云计算任务调度算法时间成本消耗大的问题,提出了一种新的算法,即重复异构最早完成时间(Duplication based Heterogeneous Earliest Finish Time,DHEFT)任务调度方法.该方法结合异构最早完成时间算法和任务重复算法,可以大大减少任务最早开始时间和最早完成时间.由于任务优先级对于相关任务调度算法的重要性,该算法中提出了乐观成本表的方法来计算任务优先级,根据优先级调度任务,并复制父任务以降低通信成本并获得最佳调度解决方案.实验结果表明,该文提出的DHEFT在调度长度比和完成时间性能方面优于其他算法,说明该文方法的可行性与有效性.     

基于LBT的网格依赖任务调度算法

文章将任务调度分为资源分配和调度执行2个阶段,定义了网格环境下的调度执行最晚开始时间、调度执行开始时间和任务依赖图中边的权值;分析了任务图冻结消减和执行消减对任务图结构的影响;提出了基于LBT的网格依赖任务调度算法;实验表明该算法有效地减弱了网格动态性对调度结果的影响。     

一种基于动态聚合方法的网格任务调度算法

网格中的资源都是动态的,传统的静态任务调度算法不能适应网格的动态特性。通过对资源在未来一段时间内的状态进行预测,可以提高调度算法的性能。文中提出了一种用动态聚合进行调度的算法。首先对处理器的负载进行取样,然后根据网格任务的执行时间,对处理器的取样值进行动态聚合,再利用AR(p)模型进行预测,最后利用预测到的值作为参数对网格任务进行调度,把网格任务分配给每个处理器,使得每个处理器完成子任务的时间都相同,从而使得整个任务的执行时间最短。实验表明,这种算法能很好地适应处理器负载高度变化的情况。     

云计算任务调度算法研究

云计算是一种新型的商业计算模式,应用大规模的虚拟化资源通过计算机网络向用户提供不同服务。云计算面对的用户众多,系统要处理的任务量与数据量十分巨大,并且云计算系统结构复杂,对大量任务进行高效调度是云计算中一个必须解决的难题。云计算任务调度算法决定了用户任务的执行效率和系统资源的使用效率,直接关系到云计算系统的整体稳定性和整体效果。在对云计算任务调度算法的相关研究现状进行深入分析和研究的基础上,从模型高效和算法高效2个层面上指出未来云计算任务调度算法的发展趋势,提出构建基于多目标优化的云计算任务调度模型。     

一种成本驱动的云计算任务调度策略

为了使得云计算不仅满足调度任务的QoS要求,且尽可能地最大化其服务收益,从云服务提供方的角度出发,提出了一种成本驱动的云计算任务调度策略.提出的方法在满足用户任务QoS约束的前提下,以最大化云环境单位计算开销的服务收益作为其调度目标,在此基础上建立相应的任务调度模型,最后通过遗传算法在多项式时间复杂度内对上述调度目标进行优化求解.在Cloudsim模拟器上完成了一系列仿真测试.结果表明:提出的方法在任务完成时间、调度完成时间超过调度截止时间底线的任务比例,以及云环境单位计算开销的服务收益等指标上均优于传统的Min-min算法和改进的QoS约束的Min-min算法.     

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。