网格任务调度中的信任值计算算法研究

通过对网格环境中实体之间的信任关系进行分析,提出了一种信任值计算模型.该模型能根据用户和资源间已有执行经验计算节点的信任值,实现了网格环境下信任值的分布式计算,有效解决了网格动态性引起的信任值计算开销问题.     

一种基于遗传算法的网格任务调度算法

任务调度问题是一类NP问题,经典调度理论一般仅能获得问题的近似最优解.尽管已有用于任务调度的遗传算法的求解质量优于传统方法,但多数是考虑单任务或独立多任务调度的遗传算法.采用理论分析与仿真实验相结合的方法,提出了一种改进的遗传算法解决网格的任务调度问题.这种遗传算法所处理的任务不仅可以包含多个有前后约束关系的子任务,并且每个子任务可以需要多种资源.通过对比实验可以看到本文所提出的算法在网格任务调度方面要优于传统的HEFT和DLS算法.     

基于蚂蚁算法的网格计算任务调度方法设计

网格环境中的资源情况和任务情况异常复杂,难以用实验测试各种资源管理和任务调度方法的有效性.文中提出一种网格仿真系统结构,并设计和实现了基于蚂蚁算法的任务调度策略,将任务调度和资源管理相结合,兼顾系统的负载平衡和QOS,取得了较理想的实验结果.     

基于信任驱动的网格资源调度算法

针对当前网格资源管理中作业与资源匹配的缺陷,基于信任效益函数和作业响应比,提出了同时兼顾性能QoS和信任QoS的资源调度算法.不仅考虑到作业资源对的信任考虑,还考虑到每个作业的性能QoS,解决了长时间等待作业不断被推迟运行的问题.实验表明,该算法较传统的Min-Min算法在总信任效益函数、总执行时间和作业提交失败率方面有较好的综合性能.     

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。     

网格工作流任务调度策略和算法研究综述

在当前如火如荼的分布式计算和工作流技术研究背景下,网格环境下工作流任务协同工作机制的研究具有重要的理论与应用价值,本文根据网格环境下协同工作中任务调度的基本功能需求,并结合基于WEB SERVICE的Globus平台对其中的关键技术进行分析,给出了调度系统的基本原型设计,并把任务调度的典型算法做了综述性的分析,为后续研究打好基础。     

网格的任务调度算法研究与分析

介绍网格计算中的任务调度技术,通过三个典型的调度模式,分析了适合各种环境下网格任务调度的基本模式。并给出几种经典的网格任务调度算法,通过对比各种算法的优缺点,指出调度问题进一步研究的方向。     

网格任务调度算法比较研究

网格任务调度是根据采集到的信息将不同的策略任务分配到其对应的资源节点上加以运行。良好的调度策略能够充分的利用系统资源并行处理能力,保证用户任务能够按期完成,对网络应用的发展具有重要意义和深远影响。首先分析了网格任务调度模型和调度策略,然后对网格任务调度算法进行了比较分析,最后给出了各种网格任务调度算法的适用范围和网格技术发展方向,为进一步研究提供参考。     

基于信任度的网格动态访问控制研究

针对网格环境下的访问控制技术需要解决与陌生实体建立动态信任关系等问题,提出了一种基于信任度的动态访问控制(TBDAC)模型.TBDAC模型综合了信任管理和RBAC模型的优势,首先通过自动信任协商为用户分配普通角色,从而有机结合了认证和访问控制.TBDAC模型将普通角色派生系列临时角色,为临时角色分配带有信任阈值的权限集,通过实时计算出的用户信任值激活临时角色,实现了细粒度和动态授权.TBDAC模型已投入测试,运行正常.     

信息网格环境下的综合信任度评价模型

网格环境下的实体动态变化使得在实体的可靠运行与资源合理使用方面存在安全隐患,为了解决在动态网格环境下的安全问题,该文针对网格环境的动态特性,提出了一种评价动态实体信任度的模型。在给出了信任机制的几个主要概念的基础上,利用直接信任度、间接信任度、综合信任度构建了综合信任度评价模型(STDEM),并具体量化了各种信任度的评价参数,为网格系统中节点的可信性提供了一种评价方案。通过仿真实验对STDEM模型的相关参数进行了分析,并将综合信任度评价模型应用到了具体的数据网格系统中,验证了模型的有效性。     

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.     

基于QoS约束的网格任务调度算法

针对网格环境下不同类型的用户任务执行时间差异较大的问题,在对现有网格调度算法研究之后,基于Min-min算法和Sufferage算法提出了基于任务QoS约束与任务损失度的最小最早完成时间算法QDSM。算法克服了Min-min算法仅追求局部最优而忽视了全局的缺点。分析测试结果表明,算法实现了调度跨度与负载均衡、用户QoS约束的统一,在综合性能上有较大提高。     

基于免疫遗传算法的网格任务调度

研究了网格环境下任务调度问题,提出了一个任务调度机制:基于任务图将每一个可能的任务调度方案表示成一个任务-资源分配图,将网格任务调度问题转化为任务-资源分配图优化选取问题.提出了一种基于免疫遗传算法的、实现任务-资源分配图优化选取的任务调度算法.该算法将任务-资源分配图的最长路径作为抗原,每一个任务-资源分配图对应一个抗体.实验结果表明这个算法在全局优化能力及收敛速度上均有显著提高.     

网格环境下的静态启发式任务调度算法

针对网格环境中,任务调度的目标系统通常为任意连接的网络,程序大多数为密集型的并行分布式应用程序,提出了一个新的基于复制的启发式任务调度算法,该算法减少了任务在执行过程中重复查找最佳处理器的时间花费,可以同时执行多个应用程序,缩短了应用程序总的执行时间,并且平衡了处理器间的负载。实验结果表明:该算法能很好地符合网格的复杂环境,也能够更好地满足不同用户的实际需要。     

A Hybrid Task Scheduling Algorithm in Grid

Task scheduling in Grid has been proved to be NP- complete problem. In this paper, to solve this problem, a Hybrid Task Scheduling Algorithm in Grid （HTS） has been presented, which joint the advantages of Ant Colony and Genetic Algorithm.Compared with the related work, the result shows that the HTS algorithm significantly surpasses the previous approaches in schedule length ratio and speedup.     

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.     

一种基于蚁群算法动态均衡的网格任务调度

网格资源分配属于NP-难问题,为了更好地解决该问题,首先建立一种性能QoS优化的作业级网格任务调度模型和目标函数,并对资源和任务数进行了分析.提出了基于动态信誉度的改进蚁群算法RACO(reputation-based ACO)进行网格任务调度,RACO引入空间效率和时间效率的动态调节因子,同时采用局部和全局信息素更新策略.仿真实验表明,RACO在资源利用率、动态均衡方面优于Min-min,Max-min和ACO算法.