An Energy-Saving Task Scheduling Strategy Based on Vacation Queuing Theory in Cloud Computing

High energy consumption is one of the key issues of cloud computing systems. Incoming jobs in cloud computing environments have the nature of randomness, and compute nodes have to be powered on all the time to await incoming tasks. This results in a great waste of energy. An energy-saving task scheduling algorithm based on the vacation queuing model for cloud computing systems is proposed in this paper. First, we use the vacation queuing model with exhaustive service to model the task schedule of a heterogeneous cloud computing system.Next, based on the busy period and busy cycle under steady state, we analyze the expectations of task sojourn time and energy consumption of compute nodes in the heterogeneous cloud computing system. Subsequently, we propose a task scheduling algorithm based on similar tasks to reduce the energy consumption. Simulation results show that the proposed algorithm can reduce the energy consumption of the cloud computing system effectively while meeting the task performance.     

云平台调度能耗测量研究*

针对云计算平台利用异构网络资源建设资源池,带来的针对IPv4/IPv6异构网络资源的云计算平台进行能耗度量问题,提出了一种基于分析随机任务变化带来的CPU能耗变化的动态能耗度量数学模型。采用以测试节点为基础,确定数学模型参数值的方法对测试节点CPU频率、CPU使用率进行实时监测;并进行了IPv4/IPv6同构云计算平台虚拟机迁移实验。实验结果得出了IPv4/IPv6过渡前期、中期与后期云计算平台虚拟机迁移能耗;符合云计算能耗测量需求。     

面向云环境中任务负载的粒子群优化调度策略

随着云环境中任务规模的不断扩大,云计算中心高能耗问题变得日益突出.如何解决云环境中任务分配问题从而有效降低能耗,本文提出了一种改进的粒子群优化算法(Modified Particle Swarm Optimization,M-PSO).首先构建出一个云计算能耗模型,同时考虑处理器的执行能耗和任务传输能耗.基于该模型,对任务分配问题进行定义描述,并采用粒子群优化算法对问题进行求解.此外,构建动态调整的惯性权重系数函数以克服标准PSO算法的局部最优和收敛速度慢的问题,有效提高系统性能.最后通过仿真实验对该算法模型的性能进行了评估,结果表明M-PSO算法与其他算法相比能有效地降低系统总能耗.     

基于能耗感知的虚拟机迁移管理软件

【目的】在云计算环境中,通过虚拟机在线迁移可以实现服务器的节能优化。【方法】对多种虚拟机迁移模型进行综合分析,研发一个虚拟机在线迁移管理软件,实现云环境的监控与虚拟机迁移模拟,并采用cloudsim作为云仿真平台对虚拟机在线迁移管理软件(Energy-aware Live-migration of Virtual Machine Manager Software,ELVMan)的应用进行测试。【结果】该软件可有效指导降低能源损耗。【结论】通过该软件可以为现实的云环境集群选择最优的迁移策略,达到最大化节能。     

云计算下深空通信网络的能耗感知调度方法研究

云计算下深空通信网络中,通常同时要求低能耗和低反应时间,当前调度方法一般无法同时满足上述两种条件,导致调度性能不佳。为此,提出一种新的云计算下深空通信网络的能耗感知调度方法,将云计算系统抽象地表示成一个四元组,给出云计算平台拓扑图,介绍了云计算系统的能耗感知模型。将能耗感知理论引入min-min任务调度方法,依据深空通信网络对任务截止时间要求的满足程度,优先选择任务队列中的最短任务,将其分配至能耗最小的服务器上执行,求出该任务在各服务器上的执行能耗,通过完成时间是否满足截止时间要求判断是否结束调度。给出基于能耗感知的最早完成时间任务调度方法的详细实现过程。实验结果表明,所提方法能耗低,时间跨度优。     

一种融合虚拟机选择的虚拟机放置方法

为了节省云数据中心的能量消耗,提出一种融合虚拟机选择的虚拟机放置方法.该策略将虚拟机迁移过程划分为物理主机状态检测,虚拟机选择和虚拟机放置3个步骤;在物理主机状态检测和虚拟机选择阶段,选取了Cloudsim项目中已有的且被证明是优秀的鲁棒局部归约检测方法和最小迁移时间选择方法;在最后的虚拟机放置阶段,以虚拟机和物理主机...     

基于电力物联网的边缘计算任务卸载优化

为了解决传统卸载模型仅涉及用户设备和边缘计算资源,而在云端资源利用上存在局限性的问题,通过有效利用计算任务时延、能耗及计算资源配置,提出了基于深度强化学习算法的计算任务卸载策略和资源配置优化算法,建立了边云协同的时延、能耗及能效模型,研究了用户设备数量、任务量、任务优先级等对时延、能耗及能效的影响。结果表明：边缘计算服务器资源配置为30 GHz较为合理;高级计算任务优先处理策略和计算资源优化分配,使得时延、能耗均较低;所提出的优化算法在时延、能耗及能效方面均优于其他3个对比算法,表明针对不同用户设备数量和计算任务量场景,所提出的优化算法和建立的模型能够更有效的实现基于电力物联网的计算任务卸载策略和资源配置优化。     

云数据中心基于负载预测的物理主机状态检测策略

针对云数据中心现有物理主机状态检测算法对提高云数据中心物理资源的利用率效果不明显问题,提出了基于负载预测的物理主机状态检测策略(load prediction based physical host status detection,LP-PHSD),LP-PHSD利用时间序列和二次指数平滑法预测出物理主机在未来一段时间内的资源利用率情况,同时结合绝对中位差方法,确定资源利用率动态阈值边界,选择适当的时刻进行迁移,提高物理资源的利用效率,降低能量消耗.LP-PHSD包括源物理主机状态检测和目标物理主机状态检测2个部分,可以很好地判断出虚拟机迁移的时刻.实验表明,经LP-PHSD策略优化后的新虚拟机迁移方法与近几年的BenchMark迁移模型比较起来,云数据中心的总体能量消耗降低,虚拟机迁移次数减少,云服务质量明显提高.     

异构边缘网络中基于服务器休眠的协同计算策略

在异构边缘网络中,基站和边缘服务器的密集部署使系统功耗激增,为移动运营商带来了高额成本.同时,由于异构系统中任务的多样性和复杂性,高效的资源分配和任务迁移构成了严峻的挑战.针对上述问题,建立了服务器间的任务迁移和服务器睡眠模型,提出了一种面向异构边缘网络中服务器多睡眠模式的任务迁移算法.该算法先将问题按时隙划分为多个子...     

VANET云环境下基于人工神经网络的车辆任务卸载策略

在VANET(vehicular ad-hoc network)云环境中,由于车辆自身资源受限等原因需要将部分计算密集型任务卸载至周围车辆协同处理。而车辆移动的随机性是影响车辆任务卸载性能好坏的重要因素之一,对此,提出了一种车辆间的卸载任务分配策略。考虑到车辆之间连接时间的随机性,提出一种基于人工神经网络的连接时间预测方法,该方法能够通过对历史数据的学习,较为准确地对未来车辆行驶轨迹进行预测。此外,车辆将空闲资源进行共享意味着自身能耗增加,由于车辆本身的自私性使得车辆不会无偿为周围车辆提供服务。为了激励车辆之间进行协作,制定了一种分布式买卖博弈方法达到车辆资源需求与收益之间的平衡,还设计了一种集中式任务分配策略以获得任务卸载的最大效用。仿真显示,提出的方法在最大化卸载效用与提高任务卸载成功率方面都有较好的性能。     

高校云计算数据处理中虚拟机迁移与轮转模式研究

针对高校云计算数据处理应用中的虚拟器迁移和数据处理任务调度问题,首先提出一种新颖且高效的数据依赖感知的虚拟机迁移方案(简称为DataAware)。在进行虚拟机迁移时,DataAware考虑了虚拟机之间的数据依赖性和服务器的剩余容量,以此减少迁移产生的网络流量。然后,为了进一步提高云计算中数据处理的性能,提出一种基于轮转模式的同步并行轮转(SPR)调度算法,以减少由数据汇聚而形成的通信瓶颈。最后分别采用仿真实验和理论分析评估所提出方法的性能。仿真实验结果表明,DataAware能够大大地减少网络流量,提高网络性能。通过推导出SPR策略的误差上界,说明采用SPR模式对数据处理任务进行调度能使数据处理算法收敛。     

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.     

数据中心启发式反向人工蜂群虚拟机整合节能策略

针对数据密集型作业的特点,提出一个基于CPU和图形处理器(GPU)两个影响因素构建计算节点的能耗评估模型.该模型基于原虚拟机选择节能算法(ABCS)在虚拟机选择节能策略中的能效优势,进一步利用启发式思想改进蜂群优化算法,寻求虚拟机整合的最优解.在CloudSim 3.0云计算模拟器中的实验结果表明,启发式反向蜂群算法能在保证服务质量的前提下,有效降低虚拟机迁移次数,进而降低数据中心的能耗(节能25%~30%).     

基于分组遗传算法的数据中心虚拟机节能映射

近年来,随着人们对云计算业务需求持续增长,数据中心能耗日益增加,由此不仅增加了运营成本,巨大的 碳排放对生态环境也产生严重的影响,数据中心节能已成为当前亟须解决的重要难题。 对云数据中心的虚拟机放 置(Virtual Machine Placement, VMP)进行优化能有效地提高资源利用率,同时,VMP 也是减少数据中心能耗的重 要技术之一;针对数据中心的能耗感知 VMP 问题,提出一种基于分组遗传算法的节能算法 EEGGA (Energy - Efficient Grouping Genetic Algorithm),算法将节能 VMP 问题视为装箱问题(Bin Packing Problem,BPP),并应用基于 分组编码的遗传算法对其进行求解,通过减少活动物理主机的数量(装箱数量)以实现降低数据中心能耗的目标; 在算法迭代过程的交叉和变异等阶段,设计了多种启发优化策略提升子代染色体的适应度,从而提高算法的节能 性能和加快迭代收敛的速度;通过仿真实验,在收敛速度和求解性能等方面将提出的算法与传统的节能遗传算法 进行对比,实验结果表明:提出的算法能够有效地减少数据中心的能耗,在节能性能和求解收敛速度方面均优于其 他算法。     

北京地铁亦庄线列车节能驾驶研究

降低列车牵引能耗是减少城市轨道交通系统耗能的重要途径之一,单列车的牵引能耗由列车在站间的驾驶策略决定,因此,本文以北京市地铁亦庄线为例,介绍了地铁列车的节能驾驶研究.首先调研并收集了亦庄线线路、运营、车辆、供电、能耗等数据,掌握了亦庄线整体节能背景.然后结合地铁运营的特点,给出了北京地铁亦庄线能耗评估的3个指标.并以蚁群算法为核心,开发了列车驾驶的仿真系统,该仿真系统以收集到的亦庄线实际运行数据为输入,离线优化列车自动运行(Automatic Train Operation,ATO)的推荐速度曲线和控制策略.最终将优化后的ATO控制策略在亦庄线进行夜间实验,结果显示,优化后的列车ATO控制策略可以减少单车运行能耗5.67%.     

云计算中时间感知应用的资源分配与调度算法

现有数据中心中时间感知型云计算应用的资源分配算法能耗较高,严重影响了数据中心的服务上限以及云服务商的经济效益,对此提出一种低能耗的云计算资源分配与调度优化算法.算法分为两个阶段:第一阶段,释放并更新请求集的服务器与链接的剩余容量,同时更新能量辅助图中相应的权重;第二阶段,将所有新到达请求按所需时间段以降序排列,为各请求分配资源;第三阶段,检查资源可用性,并基于能量辅助图采用最短权值路径选择算法为资源请求分配虚拟机与流量.基于思科真实设备参数的仿真实验结果表明,本文云计算资源分配与路由算法的能量效率与资源分配性能均优于其他算法.     

基于能量惩罚的多机器人任务分配优化方法

针对多机器人任务分配中存在的能量消耗不均衡问题,提出了基于能量惩罚策略的遗传算法完成任务分配与任务序列的优化过程.首先,建立多机器人任务分配的数学模型,每项任务设定不同的难度系数,以机器人完成任务所消耗的总能量为优化目标,并确定安全能量的约束条件;然后在每次迭代中通过计算每个机器人相对平均能耗的超额进行能量惩罚以寻求能...     

兼顾网络带宽的节能云数据副本布局算法

由于云数据中心作为云应用服务的重要基础设施,在满足日益增长的用户需求的同时,也导致了云数据中心能耗的急剧上涨。为了降低能耗和提高云应用服务质量,文中通过全面考虑云数据中心的服务器和网络设备的能耗,兼顾网络带宽建立了云数据中心的能耗计算模型,提出了一种全新的以能耗优化为目标的云数据副本的布局算法,并通过GreenCloud验证了所提出的节能模型和算法的有效性。实验结果表明：文中提出的布局算法能有效地降低云数据中心的能耗和对网络带宽的消耗,从而提升了用户对云应用服务质量的满意度。     

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。     

Efficient Location-Aware Data Placement for Data-Intensive Applications in Geo-distributed Scientific Data Centers

Recent developments in cloud computing and big data have spurred the emergence of data-intensive applications for which massive scientific datasets are stored in globally distributed scientific data centers that have a high frequency of data access by scientists worldwide. Multiple associated data items distributed in different scientific data centers may be requested for one data processing task, and data placement decisions must respect the storage capacity limits of the scientific data centers. Therefore, the optimization of data access cost in the placement of data items in globally distributed scientific data centers has become an increasingly important goal.Existing data placement approaches for geo-distributed data items are insufficient because they either cannot cope with the cost incurred by the associated data access, or they overlook storage capacity limitations, which are a very practical constraint of scientific data centers. In this paper, inspired by applications in the field of high energy physics, we propose an integer-programming-based data placement model that addresses the above challenges as a Non-deterministic Polynomial-time(NP)-hard problem. In addition we use a Lagrangian relaxation based heuristics algorithm to obtain ideal data placement solutions. Our simulation results demonstrate that our algorithm is effective and significantly reduces overall data access cost.