排队时间感知的动态网格工作流调度

网格资源站点的可靠性将影响站点上任务执行性能,从而影响其他任务的排队等待时间.利用可修排队系统对网格资源站点进行可靠性建模,通过模型求解获得稳态下各资源站点的排队等待时间,提出了排队时间感知的动态网格工作流调度算法并设计了动态网格工作流调度的原型系统.基于GridSim进行了不同网格系统环境设置场景下的仿真实验.实验结果表明,本算法在不同负载和不同失效率的情况下其完成时间明显优于HEFT和CPOP算法,且在平均等待时间方面也比这2种算法高出了50%左右.     

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。     

基于风险估计模型的网格任务动态级调度算法

网格中的各种资源的失效是不可避免的,为尽可能减少由于资源失效导致任务执行失败带来的影响,网格的任务调度算法的目标不仅要最小化任务执行的时间,还要兼顾考虑任务在资源上执行失败的风险.提出了Risk-DIS(Dynamic Level Scheduling)算法是将资源的风险估计模型与DIS算法相结合,通过仿真试验与DIS算法相比较,新算法在选择适当的参数的情况下,不仅能够最小化DAG型应用的完成时间,还能提高任务执行的成功率,有效的减少网格环境的不确定性对任务执行的影响.     

网格工作流中基于优先级的调度方法研究

根据网格用户的身份、信誉，以及网格工作流中应用程序的时间紧迫度和依赖关系，提出了网格工作流中应用程序的优先级计算方法．其中，完全优先级调度算法根据网格工作流中的应用程序优先级向量生成调度序列，而且每次只将队列中优先级最高的应用程序提交给网格，而非完全优先级调度算法可同时调度若干无依赖的网格应用程序进入网格，以弥补完全优先级调度算法的并行化问题．实验表明，当网格中的资源较少且资源的性能差异较大时，使用完全优先级调度算法可以保证优先级较高的工作流的应用程序优先使用优势资源；当网格中的资源性能差异不大时，非完全优先级调度算法可解决因资源未充分利用而造成工作流完成时间大幅增加的问题．     

一种基于网格的工作流系统

基于网格的工作流系统采用混合式的体系结构,在工作流引擎上集中管理,在任务处理上进行分布执行.工作流引擎通过解析树实现对过程模型中活动的处理,并给出遍历算法.工作流图形化建模工具支持模型向XML文件的转换,并支持XPDL标准.系统基于开放源码的Globus Toolkit 3.9.1实现,对于过程模型定义工具和工作流引擎,通过Web服务封装技术,把已有工作流系统的相关COM组件实现为网格服务,并把支持工作流的网格资源发布到协同设计环境中.对于工作流过程模型中的XML表示,采用C#实现为Web服务.多个Web服务结合在一起,实现网格环境下的工作流的布置.     

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。     

QoS约束的云工作流调度算法

将云计算和工作流两者结合起来,并根据用户关心的QoS中执行时间和执行费用问题,针对工作流调度策略在云环境下调度实例密集型工作流时效率不高的问题优化资源调度策略,给出云工作流调度模型,提出一种基于QoS约束的云工作流调度算法MSCWQ(modifiedschedulingalgorithmforcloudworkflowbasedonQoS).该算法利用DAG(directedacyclicgraph)进行建模,优化资源策略,保证在最晚结束时间内使整个工作流实例的执行费用尽可能小.实验结果表明,在调度实例密集型云工作流时,该算法能有效提升科学工作流的执行效率,并能减少资源的使用费用.     

网格工作流资源层次模型与访问机制

针对网格协同计算的新需求,网格工作流建模既要考虑过程建模,也要考虑资源和服务建模.提出了面向服务的网格层次资源模型:物理资源、服务资源和虚资源,并在此基础上给出了网格应用执行过程中的资源访问机制,使实现过程模型中网格工作流和网格资源的分离并动态映射,增强了网格工作流执行的灵活性和动态适应性,同时也便于对跨地域的网格资源进行管理,提高网格服务的可重用性.     

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。     

基于路由表的网格工作流自组织策略

在现有的网格工作流的自组织策略中,通常是在网格中心节点实现服务的选择策略.为了改善网格中心节点的负载问题,提高工作流的效率,在网格工作流客户端中引入路由表机制.根据候选服务的质量,通过MDS的组件服务使网格中的资源信息反映到工作流的客户端节点,减少网格中心节点的服务选择过程,解决负载问题,同时可以有效地组合适当的网格服务.实验结果表明在客服端增加资源信息,由于记录了中心结点的信息,在工作流工作的后期可以有效地减轻服务结点的负担,提高工作流的效率.     

交通流预测网格自适应负载平衡研究

交通流预测从理论研究到投入实际应用,需要满足大规模路网交通流预测对计算资源的需求,同时能以较低的代价使用这些资源,网格技术提供了这种可能性。但是网格是一个动态共享的环境,负载失衡会使得交通流预测的实时性无法得到保障。由于路网交通流预测任务是由一组不断被执行的相互独立任务组成的。提出了一种结合网格节点动态负载信息与任务执行时间反馈的自适应网格负载平衡算法,根据系统负载变化来分配任务到各个主机,同时根据各个节点上任务执行时间的差距来调节各个节点的负载。并且在此算法的基础上构建了大规模路网的交通流预测网格系统,验证了算法在实际运用中的可行性。     

面向云工作流的两阶段资源调度方法

为提高云计算系统的资源利用率,优化系统性能,同时兼顾用户的服务质量(Qo S)需求约束,文中结合云计算和工作流建立了云工作流系统,给出了具有两个调度阶段的系统资源调度模型.在第1阶段中,考虑了Qo S的时间及价格约束、工作流内各个任务之间的依赖关系以及各个任务所产生的中间数据的处理,提出了改进的粒子群优化(MPSO)算法,并利用Pareto获得最优解,以提高调度效率;在第2阶段中,考虑了资源在主机上的分配情况,提出了具有负载感知的调度策略,根据系统的负载情况进行资源调度,以提高系统的资源利用率.实验结果表明:在云工作流系统的资源优化调度中,与经典的异构最早完成时间算法、单目标优化的遗传算法相比,MPSO算法的任务执行速度更快、资源利用率更高,能满足用户的Qo S需求;具有负载感知的调度策略能更有效地根据负载情况进行调度,提高任务执行的效率和资源利用率.     

网格工作流调度关键技术综述

网格工作流将工作流管理和网格计算结合起来提供了一种更有前景的分布式协作的工作流系统的解决方案。网格工作流调度是网格工作流管理中的一个关键问题,它直接影响网格工作流的执行成功与否和效率的高低。详细总结了网格工作流调度中的关键技术：（1）工作流设计;（2）调度体系结构;（3）调度决策机制;（4）计划模式;（5）调度策略;（6）性能评估,并对各关键技术进行了分析和探讨,其次阐述了几个典型网格工作流调度系统,且指出了网格工作流规范与调度算法存在的问题及其发展方向。     

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。     

网格工作流调度关键技术综述

网格工作流将工作流管理和网格计算结合起来提供了一种更有前景的分布式协作的工作流系统的解决方案.网格工作流调度是网格工作流管理中的一个关键问题,它直接影响网格工作流的执行成功与否和效率的高低.详细总结了网格工作流调度中的关键技术:(1)工作流设计;(2)调度体系结构;(3)调度决策机制;(4)计划模式;(5)调度策略;(6)性能评估,并对各关键技术进行了分析和探讨,其次阐述了几个典型网格工作流调度系统,且指出了网格工作流规范与调度算法存在的问题及其发展方向.     

一种基于经济模型的网格资源调度算法

将贪婪算法推广,针对计算网格提出了一种基于经济模型的资源调度算法.将网格计算环境下一组相互独立的计算任务（Meta-Task）的资源调度问题看作是具有限定条件的最优化问题,根据网格用户提供的“deadline”和“budget”,每次选择使得执行最短的任务进行调度.通过在Gridsim环境下的分析与比较,该算法在满足用户要求的QoS需求同时,能够以尽可能少的时间完成任务.     

洪水灾变模拟中的调度技术研究

为保障洪水灾变模拟系统各分布式计算资源的负载均衡,提高计算资源的利用效率,通过分析网格环境中实体之间的信任关系,本文对经典网格任务调度算法MCT进行了重新设计,提出基于信任机制的Trust MCT算法．算法分别根据MCT的特性,采用不同的划分机制划分信任值区间,对同一信任值区域的任务和资源进行匹配．实验结果表明：基于信任机制的任务调度算法可有效降低任务执行失败率,从而减少任务完成时间．     

基于混合微粒群算法的网格服务工作流调度

采用微粒群优化的种群搜索方式,融合了局部搜索和全局搜索,引入了模拟退火算法和遗传算法思想,利用模拟退火随机概率来避免陷入局部最优,提出了一种混合微粒群优化算法,以便更好地满足用户期望的服务质量,解决网格服务工作流调度问题.网格仿真试验结果显示:对于具有全局QoS约束条件的Web服务选择,在执行效率上混合微粒群优化算法明显优于其他混合遗传算法,可在较短时间内获得较好的解,是求解多目标网格服务工作流调度问题的有效方法.     

基于马尔可夫决策过程的云平台资源调度

云计算平台可以动态地配置资源,适合基于工作流的科学计算。当前云平台的资源调度研究更多考虑运行时长和成本的最优化,而较少提到鲁棒性。本文提出了一种基于马尔可夫决策过程理论的资源调度算法,对工作流任务进行分组,按照任务的计算量和依赖关系将任务期限分配给各个任务组,在满足工作流总期限的基础上,将异构环境中的云资源分配给工作流的各个任务,通过最大化每个任务组的容忍时间使得整个工作流的鲁棒性达到最优。实验结果表明:该调度算法在异构环境中可以在任务期限和开销内提高调度的鲁棒性。