云计算环境中三层架构的资源负载均衡研究简

为了使云环境中资源能更加高效、合理地运转,该文探求使用新的调度策略来使系统达到负载均衡,提出了一个在三层架构云计算网络环境中的两阶段调度算法.该算法结合了随机负载均衡算法和Min-Min负载均衡调度算法的特性,从而能更高效率地执行任务并使系统达到负载均衡.     

任意可分负载的多轮调度算法

为了提高并行计算中具有负载任意可分特性的大规模应用的任务响应速度,提出了一种针对带传输和计算延迟的三阶段多轮调度模型求解近似最优调度轮数的算法(DCMR).通过对特定的调度时序分析,得出闭合式方程组,然后利用二分法快速搜索并结合回溯调整法求解近似最优调度轮数,使计算时间尽可能多地与传输时间重叠,从而缩短了整个应用的执行时间.算法经仿真表明:在多种参数变化的情况下,可以求解出近似最优的调度方案;与经典的FIFO和LIFO算法相比具有更强的自适应能力;在计算时间明显大于传输时间的情况下,能够稳定地保持任务响应时间为理想时间的1.1倍左右.     

计算网格中基于负载平衡的调度模式

对资源进行有效的管理和调度可以提高网格系统的利用率.针对计算网格中的负载平衡问题,为减少网络通信量,提出一种分布式的网格作业调度模型,并给出了其相关算法：将轻负载节点逐个收集到一个队列,并设定一个可调节的刷新时间,当重负载节点提出调度请求时,直接从轻载节点队列中取一轻载节点并把负载转移到该节点上,从而解决了资源调度中的负载平衡问题.     

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.     

无线传感器网络可分负载调度算法

为了节省传感器节点能量,提高网络资源利用率,提出了一种无线传感器网络可分负载调度(DLSW)算法.DLSW算法以LEACH协议为基础,分群内和群间两阶段进行任务调度.在群内调度阶段,群内节点共享同一信道,相继向群首发送数据;在群间调度阶段,群首节点和SINK节点之间独立的信道使得群首将群内节点报告的数据融合后,并行向SINK节点传送结果,同时完成数据发送.DLSW算法通过去除节点间的通信干扰使得总任务完成时间减少、资源利用率提高.实验结果表明,在大规模的网络环境下,DLSW算法可以使总任务完成时间减少20％,网络能耗减少10％.     

一种分布式动态负载均衡调度算法

目前计算机应用服务系统经常采用集群系统,负载均衡调度是集群系统的关键。在通用负载均衡调度算法的基础上,提出一种分布式动态负载均衡调度算法.该算法动态收集、统计和分析服务器的信息,以此为根据完成服务器负载均衡的任务,能够实现集群正常调度.在此基础上,采取分布式调度的策略,提高负载均衡调度的效率、性能,以使其对业务系统整体性能的影响最小。     

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.     

一种支持负载均衡的存储调度算法

针对应用层存储聚合中的调度问题,提出了一种支持负载均衡的存储调度(LBS)算法.LBS是一种基于策略的调度算法,它将应用对存储资源的需求转换为一系列约束,再通过分析约束之间的关系选择合适的存储节点或者已有的调度方案,从而提高了调度方案的复用率,维护了策略复用与节点负载之间的平衡关系,寻找到最佳的负载均衡策略.模拟测试表明,LBS算法在负载均衡方面和策略耦合方面明显优于Least和Random算法,负载均衡指标最高可提升10倍左右.     

基于作业类型和优先级权重的容量调度算法

针对Hadoop平台默认调度器在异构环境中不能根据作业类型和资源使用情况进行资源调度的问题,进行了Hadoop容量调度算法资源调度机制研究,提出一种基于作业类型和优先级权重的容量调度算法。首先通过作业负载分类,将用户提交的作业划分为CPU(central processing unit,中央处理器)负载类型作业和I/O(input/output,输入/输出)负载类型作业,并将不同类型作业分配到相应队列中;然后根据权重公式为超过等待时间阈值的作业更新作业优先级,实现队列中的作业排序;最后结合节点实时负载情况优先为优先级高的作业分配资源,从而实现集群性能的提升。结果表明,在异构环境下,相比容量调度算法,本算法将单作业类型和混合作业类型的作业平均完成时间分别缩短了9.7%和30.8%,从而有效地提高了作业执行效率和系统的资源利用率。本算法优化了Hadoop系统的负载均衡,可为后续相关调度算法的优化研究提供参考。     

一种基于处理时间的Map/Reduce动态均衡调度算法

提出了一种基于处理时间的Map/Reduce动态均衡调度算法.在该算法中,为参与计算的各节点建立处理总时间指标;当节点的子任务返回时动态更新当前节点的处理时间,并按照最小处理总时间来选择子任务处理的节点.实验证明:该算法不仅减少了节点与云中心服务器的负载信息传递,而且充分利用了各计算节点的处理能力,提高了Map/Reduce调度效率,对于提升云计算服务的质量具有十分重要的理论意义.