基于成本的云计算任务调度策略
基于成本的云计算任务调度策略
云计算服务的商用对用户来说最关键的是成本问题。文章提出了基于粒子群算法的云计算任务调度策略。采用了间接编码的方式，设置参数，考虑经济成本和时间成本因素，选取了适应度函数，实验结果表明，文章算法具有较强的寻优能力，可以解决云计算任务调度问题。
标签：云计算；任务调度；成本粒子群算法
引言
在这大数据的时代，云计算已是学术界、商界的新贵。虽然云计算技术在商业中应用的比较广泛，但是就云计算技术，还有许多需要完善和改进的。云计算是一种商业计算模型，它将计算任务分布在大量计算机构成的资源池上，是各种应用系统能够根据需要获取计算力、存储空间和信息服务。
1 任务调度问题描述
在云计算环境下，一个大规模的任务计算必须在逻辑上划分成许多个子任务进行，然后通过处理子任务来完成主任务。任务调度是将云计算中用户提交的任务请求分配到多个资源的过程。在云计算的应用中，大多数是商业的应用，因此在云计算的任务调度更多的考虑成本指标，同时满足用户的需求。成本由时间成本和经济成本等组成。
2 基于本文算法的云计算任务调度
粒 子 群 优 化 算 法（Particle Swarm Optimization，簡称PSO）是由美国的J.Kennedy 博士和 R.C.Eberhart受鸟群觅食行为的启发提出的一種基于群体智能的优化算法。因算法程序结构简单、需要调节的参数较少、高效等特点，被广泛应于到科学研究。
2.1 粒子编码方式
本文采用间接编码方式，采用离散数值编码，编码长度等于子任务数量。设有M个任务，N个资源，每个任务又划分为多个子任务。
子任务的总数量：
其中，TNum（t）为第 t 个任务划分子任务的个数。
对每个子任务的编码方式为：
采用自然数编码，即按任务自然数顺序进行编码。第i个任务中的第 j 个子
任务的序号是 R[i，j]。
文中使用ETC 矩阵[1]表示任务的运行时间，ETC（i，j）表示子任务i在第j个资源上执行的时间。其中，ETC（i，j）表示子任务i在云资源j上执行的时间，ETC（i，j）=0表示子任务i不在资源j上执行。用RUC数组表示计算资源单位时间内任务执行的成本[3]，根据粒子解码结果和ETC矩阵[2]，可看出资源j运行完被分配到本资源的全部子任务的时间Time（j）：
所有资源上的子任务全部执行完后，表示全部任务运行完毕，则任务的总完成时间FTime：
第r个资源运行本资源上的全部子任务所花费的总时间为：
完成全部任务的总花费成本为：
2.2 粒子速度和位置的更新
标准粒子群算法的速度和位置更新公式为：
其中[2]，ω代表惯性权重，v表示第i个粒子在第k+1次迭代时在j维的速度，c1、c2表示粒子个体的学习因子和粒子群体的学习因子，r1，r2为0到1之间均匀分布的随机数，x表示第i个粒子在第k+1次迭代时在j维的位置，pbest表示第i个粒子在第k次迭代时个体历史最优位置，gbest表示第k次迭代时的全局最优位置。其次为了防止粒子飞出最大解空间，通常限制vij∈（-vmax，vmax）。
为了增加搜索过程中的种群的多样性，优化最优解的搜索能力，本文提出自适应的惯性权重，如下的更新公式
其中rand为0，1之间的随机数
3 实验仿真与结果
本文实验使用Matlab生成ETC矩阵和RCU数组。运用CloudSim-3.0对传统粒子群算法和本文算法进行云环境下的仿真实验，实验在任务数相同、任务大小相同、计算资源的计算能力相同的情况下进行。实验测试执行200次，采用200次实验的实验结果的平均值作为作图的数据。实验参数设置：种群规模P为50个，计算资源数N为10个，任务数M为20个，惯性权重ωstart、ωend为0.95、0.4，学习因子c1、c2为2、2，最大迭代次数为1000次。
实验结果如下图：
由以上实验结果可以看出，与传统的PSO算法相比，本文算法寻优能力更强，收敛速度较快。
4 结束语
本文研究了云计算任务调度模型，改进了粒子群算法，并应用到云计算任务调度上，主要考虑了时间成本和经济成本。仿真结果显示本文算法具有较强的寻优能力。
参考文献
[1]封良良，张陶，贾振红，等.云计算环境下基于改进粒子群的任务调度算法[J].计算机工程，2013，39（5）：183-186.
[2]娄建峰，高岳林，李飞，等.基于改进粒子群算法的云计算任务调度算法[J].微电子学与计算机，2016，33（8）：112-116.
[3]封良良，夏晓燕，贾振红，等.实验基于资源预先分类的云计算任务调度算法[J].计算机仿真，2013，30（10）：363-367.
作者简介：常贺（1993-），男，硕士研究生，研究方向：计算机网络与控制工程。
基于可靠性的云工作流调度策略
Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ａｐｐｌｉｃａｔｉｏｎｓ 计算机应用，２０１４，３４（３）：６７３—６７７ ＩＳＳＮ １００１—９０８１ ＣＯＤＥＮ ＪＹＩＩＤＵ ２０１４—０３—１０ ｈｔｔｐ：／／ｗｗｗ．ｊｏｃａ．ｅｎ
文章编号：１００１—９０８１（２０１４）０３—０６７３—０５ ｄｏｉ：１０．１１７７２／ｊ．ｉｓｓｎ．１００１—９０８１．２０１４．０３．０６７３
基于可靠性的云工作流调度策略
闫歌。，于炯，杨兴耀
（新疆大学信息科学与工程学院，乌鲁木齐８３００４６） （ 通信作者电子邮箱ｙａｎｇｅｌ２０３ｍａｉｌ＠ｓｉｎａ．ｅｎ）
摘要：经过对已有云工作流调度算法中可靠性问题进行分析研究，针对一些算法在任务调度过程中只考虑提 高整个工作流的可靠性而牺牲了时间或增加花费的问题，结合云计算的特点，提出一种基于可靠性的工作流调度策 略。该策略结合了工作流中任务的可靠性，充分考虑任务的优先顺序并结合复制的思想，在减少传输过程失败率的 同时降低传输时间，使整个３＂－作流在降低完成时间的同时，提高整体可靠性。通过实验和分析表明，通过该策略云工
作流在不同任务数和通信运算比（ＣＣＲ）的可靠性比异态最早结束时间算法（ＨＥＦＴ）算法及其改进算法——ｓＨＥＦＴＥｘ 都有所提升，完成时间比ＨＥＦＴ算法有所减少。
关键词：云计算；工作流；可靠性；任务分配；调度策略 中图分类号：ＴＰ３０１．６ 文献标志码：Ａ
Ｒｅｌｉａｂｉｌｉｔｙ－ａｗａｒｅ ｗｏｒｋｆｌｏｗ ｓｃｈｅｄｕｌｉｎｇ ｓｔｒａｔｅｇｙ ｏｎ ｃｌｏｕｄ ｃｏｍｐｕｔｉｎｇ ｐｌａｔｆｏｒｍ
ＹＡＮ Ｇｅ。，ＹＵ Ｊｉｏｎｇ，ＹＡＮＧ Ｘｉｎｇｙａｏ
（Ｓｃｈｏｏｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｘｉｎｊｉａｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｕｒｕｍｑｉ Ｘｉｎｊｉａｎｇ ８３００４６，Ｃｈｉｎａ）
基于改进DE的云计算任务调度算法
第３２卷第１期 ２０１３年２月 兰州交通大学学报 Ｊｏｕｒｎａｌ ０ｆ Ｌａｎｚｈｏｕ Ｊｉａｏｔｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ Ｖ０Ｌ ３２ Ｎｏ．１ Ｆｅｂ．２０１３
文章编号：１００１－４３７３（２０１３）０１－０１０１－０６ ［ｘ３Ｉ：１０．３９６９￣．ｉｓｓｎ．１００１－４３７３．２０１３．０１．０２３
基于改进ＤＥ的云计算任务调度算法
朱宇航，郑丽英，邬开俊
（兰州交通大学电子与信息工程学院，甘肃兰州７３００７０）
摘要：差分进化算法ＤＥ（Ｉ）ｉｆｆｅｒｅｎｔｉａｌ Ｅｖｏｌｕｔｉｏｎ）具有记忆个体最优解和种群内部信息共享的特点，是一种基于实 数编码的、具有保优思想的简单、高效的新型进化算法．针对云计算任务调度问题，提出了一种考虑时间和成本约 束的基于改进ＤＥ的调度算法（ＴｃＤＥ）．该算法采用随机初始化种群，合法化修复变异个体，并采用贪婪直接交叉， 在变异操作之后，加入新的选择机制，防止交叉操作破坏变异出的优良个体．在仿真实验中分别进行了 ｎＤＥ与只 考虑时间的１１）Ｅ、只考虑成本的ＣＤＥ的功能验证实验，ＴＤＥ与遗传算法的性能对比实验．实验结果证明：改进后 的差分进化算法能够适用于云计算环境下的任务调度问题，并取得良好的调度效果． 关键词：云计算；差分进化算法；任务调度；时间；成本 中图分类号：ＴＰ３９３ 文献标志码：Ａ
云计算是一种商业计算模型，它将计算任务分
布在大量计算机构成的资源池上，使用户能够按需 获取计算力、存储空间和信息服务［１剖．其基本思想
是透过网络将庞大的计算处理程序自动拆分成多个
较小子任务，然后按照适当的算法分配到虚拟计算 资源上处理，最后分析整合处理结果，回传给用户．
云计算面向的用户类型多样，计算任务数量巨
大，而各分布式的虚拟计算资源的处理能力、运行成 本又各不相同，如何将众多任务进行调度，使得满足
用户对服务质量的要求，并使得运行成本较小变得
十分困难． 本文通过对云计算模型和任务调度问题的分
云计算资源调度：策略与算法
第４０卷第１１期 ２０１３年１１月 计算机科学 Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ Ｖｏ１．４０ Ｎｏ．１１ ＮＯＶ ２０１３ 云计算资源调度：策略与算法 储雅 马廷淮 赵立成。 （南京信息工程大学计算机与软件学院 南京２１００４４） （南京信息工程大学江苏省网络监控中心 南京２１００４４）。 （中国气象局国家气象信息中心 北京１０００８１）。 摘要资源调度是云计算的关键问题之一，它的调度策略与算法直接影响到云系统的性能及成本。首先，根据现有 云计算资源调度中的各种策略和算法归纳出４大热点问题：本地性感知任务调度、可靠性感知任务调度、能量感知资 源调度以及工作流调度。然后，根据不同的优化目标（性能和成本）将这４个问题划分成３大类型，并对每一类问题中 的策略及算法进行了详细描述和比较分析。其次，对４个问题中的相关算法进行了总体比较。最后，对云资源调度的 未来研究方向进行了展望。 关键词云计算，资源调度，数据本地性，可靠性，能源有效性，工作流调度 中图法分类号ＴＰ３９３ 文献标识码Ａ Ｃｌｏｕｄ Ｃｏｍｐｕｔｉｎｇ Ｒｅｓｏｕｒｃｅ Ｓｃｈｅｄｕｌｉｎｇ：Ｐｏｌｉｃｙ ａｎｄ Ａｌｇｏｒｉｔｈｍ ＣＨＵ Ｙａ ＭＡ Ｔｉｎｇ－ｈｕａｉ。ＺＨＡＯ Ｌｉ－ｃｈｅｎｇａ （Ｓｃｈｏｏｌ ｏｆ Ｃｏｍｐｕｔｅｒ ａｎｄ Ｓｏｆｔｗａｒｅ，Ｎａｍｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，Ｎａｎｊｉｎｇ ２１００４４，Ｃｈｉｎａ） （Ｊｉａｎｇｓｕ Ｅｎｇｉｎｅｅｒｉｎｇ Ｃｅｎｔｒｅ ｏｆ Ｎｅｔｗｏｒｋ Ｍｏｎｉｔｏｒｉｎｇ，Ｎａｍｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，ＮａＮｉｎｇ ２１００４４，Ｃｈｉｎａ）。 （Ｎａｔｉｏｎａｌ Ｍｅｔｅｏｒｏｌｏｇｉｃａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｃｅｎｔｅｒ，Ｃｈｉｎａ Ｍｅｔｅｏｒｏｌｏｇｙ Ａｄｍｉｎｉｓｔｒａｔｉｏｎ，Ｂｅｉｊｉｎｇ １０００８１，Ｃｈｉｎａ）。 Ａｂｓｔｒａｃｔ Ｒｅｓｏｕｒｃｅ ａｌｌｏｃａｔｉｏｎ ａｎｄ ｓｃｈｅｄｕｌｉｎｇ（ＲＡＳ）ａｒｅ ｔｈｅ ｋｅｙ ｉｓｓｕｅ ｏｆ ｃｌｏｕｄ ｃｏｍｐｕｔｉｎｇ，ａｎｄ ｔｈｅｉｒ ｐｏｌｉｃｙ ａｎｄ ａｌｇｏｒｉｔｈｍ ｈａｖｅ ａ ｄｉｒｅｃｔ ｅｆｆｅｃｔ ｏｎ ｃｌｏｕｄ ｐｅｒｆｏｒｍａｎｃｅ ａｎｄ ｃｏｓｔ．Ｆｉｒｓｔｌｙ，ｆｏｕｒ ｈｏｔ ｔｏｐｉｃｓ ｏｆ ｃｌｏｕｄ ＲＡＳ，ｌｏｃａｌｉｔｙ－ａｗａｒｅ ｔａｓｋ ｓｃｈｅｄｕｌｉｎｇ， ｒｅｌｉａｂｉｌｉｔｙ－ａｗａｒｅ ｓｃｈｅｄｕｌｉｎｇ，ｅｎｅｒｇｙ－ａｗａｒｅ ＲＡＳ，ａｎｄ ｗｏｒｋｆｌｏｗ ｓｃｈｅｄｕｌｉｎｇ，ｗｅｒｅ ｐｒｅｓｅｎｔｅｄ．Ａｎｄ ｔｈｅｎ ｔｈｅｓｅ ｆｏｕｒｓ ｗｅｒｅ ｃｌａｓｓｉｆｉｅｄ ｉｎｔｏ ｔｈｒｅｅ ｐａｒｔｓ ａｃｃｏｒｄｉｎｇ ｔｏ ｄｉｆｆｅｒｅｎｔ ｏｐｔｉｍｉｚａｔｉｏｎ ｏｂｊｅｃｔｉｖｅｓ（ｐｅｒｆｏｒｍａｎｃｅ ａｎｄ ｃｏｓｔ），ａｎｄ ｖａｒｉｏｕｓ ｅｘｉｓｔｉｎｇ ＲＡＳ ｐｏｌｉｃｉｅｓ ａｎｄ ａｌｇｏｒｉｔｈｍｓ ｗｅｒｅ ｄｉｓｃｕｓｓｅｄ ｉｎ ｄｅｔａｉｌｓ．Ｉｎ ａｄｄｉｔｉｏｎ，ａ ｃｏｍｐａｒａｔｉｖｅ ａｎａｌｙｓｉｓ ｏｆ ｆｏｕｒ ｐｒｏｂｌｅｍｓ ｗｉｔｈ ｔｈｅｉｒ ｒｅｐｒｅｓｅｎｔａｔｉｖｅ ａｌｇｏｒｉｔｈｍｓ ｗａｓ ｍａｄｅ．Ｆｉｎａｌｌｙ，ｓｏｍｅ ｆｕｔｕｒｅ ｒｅｓｅａｒｃｈ ｄｉｒｅｃｔｉｏｎｓ ｏｆ ｃｌｏｕｄ ＲＡＳ ｗｅｒｅ ｐｏｉｎｔｅｄ ｏｕｔ． Ｋｅｙｗｏｒｄｓ Ｃｌｏｕｄ ｃｏｍｐｕｔｉｎｇ，Ｒｅｓｏｕｒｃｅ ａｌｌｏｃａｔｉｏｎ ａｎｄ ｓｃｈｅｄｕｌｉｎｇ，Ｄａｔａ ｌｏｃａｌｉｔｙ，Ｒｅｌｉａｂｉｌｉｔｙ，Ｅｎｅｒｇｙ ｅｆｆｉｃｉｅｎｃｙ，Ｗｏｒｋｆｌｏｗ ｓｃｈｅｄｕｌｉｎｇ １ 引言 云计算是一种新兴的商业分布式计算模型，它通过互联 网为远程用户按需提供低成本、高可靠性、规模可伸缩的计算 资源及服务。数据中心管理、虚拟技术、资源调度、ＱｏＳ保证、 安全与隐私保护等已经成为云计算的研究重点和难点。其 中，资源调度的策略及算法会直接影响云系统的性能和成本。 在云环境中，云提供商（如Ｇｏｏｇｌｅ、Ａ＿ｔ／ｌａＹ，ｏｎ和Ｍｉｃｒｏｓｏｆｔ） 提供计算资源及服务，用户可以像访问那些被租用或释放的 一般应用程序一样来访问它们。同时，云提供商必须对资源 进行管理、存储并保证其可靠性，而用户只需要在执行任务时 根据使用情况进行相应付费。为了满足用户的请求并且能够 获得最大利润，云提供商必须在资源调度过程中考虑云系统 的性能和成本。目前，已经有大量学者从多个方面对云计算 资源调度进行了深入研究。例如，为了提高任务执行效率增 强云系统的可靠性，数据本地性调度和可靠性感知调度分别 得到了广泛研究；为了最小化运营成本，有些研究者对能源消 耗资源调度进行了大量研究；为了满足由用户提出的多个 ＱｏＳ请求，如何为工作流任务分配资源成为云计算资源调度 的热点。 ２问题和描述 为了解决云计算资源调度问题，研究者从各个方面作了 大量的研究工作。从这些工作中可以总结出以下４个热点问 题：１）本地性感知任务调度；２）可靠性感知任务调度；３）能量 感知资源调度；４）工作流调度。 问题１）：本地性感知任务调度问题～一如何在云资源调 度中采用数据本地性来提高执行效率以及节约网络带宽。 在云计算中，将计算迁移到靠近本地数据的地方所需的 开销少于将数据移动到运行应用程序的地方所需的开销。此 到稿日期：２０１３—０１—２５返修Ｈ期：２０１３—０５—０４ 本文受江苏省“六大人才高峰”高层次人才项目（２０１２一ｗＩ Ｗ一０２２），江苏省“青蓝工程”中青年 学术带头人资助 储雅（１９８９一），女，硕士，主要研究方向为气象数据网格、气象私有云存储，Ｅ－ｍａｉｌ：ｄｍ＿ｙａ＠ｆｏｘｍａｉｌ．ｃｏｍ；马廷淮（１９７４一），男，博士，教授，主 要研究方向为计算智能、分布式数据共享存储；赵立成（１９６２～），男，研究员，主要研究方向为气象信息化。 ・
云计算任务冗余调度优化模型
计算机系统应用 ｈｔｔｐ：／／ｗｗｗ．ｃ—Ｓ－ａ．ｏｒｇ．Ｃｌｌ ２０１２年第２ｌ卷第７期
云计算任务冗余调度优化模型①
孙健美，曾碧卿
（华南师范大学计算机学院，广州５１０６３１）
摘要：为了解决现有云计算平台的高度动态性和异构性带来的可靠性低的问题，提出了一种基于冗余调度的
可靠云计算模型。针对云计算按需付费的特点，基于该可靠模型，建立了基于服务费用约束的冗余调度优化模 型，以保证在该费用约束下获得最大的云计算服务可靠性。最后，用遗传算法解决该最优冗余分配问题。
关键词：云计算；可靠性；冗余调度；最优冗余分配；遗传算法
Ｏｐｔｉｍａｌ Ｍｏｄｅｌ Ｒｅｄｕｎｄａｎｔ Ｔａｓｋ Ｓｃｈｅｄｕｌｉｎｇ ｆｏｒ Ｃｌｏｕｄ Ｃｏｍｐｕｔｉｎｇ
ＳＵＮ Ｊｉａｎ—Ｍｅｉ，ＺＥＮＧ Ｂｉ－Ｑｉｎｇ
（Ｓｃｈｏｏｌ ｏｆＣｏｍｐｕｔｅｒ，Ｓｏｕｔｈ ＣｈｉｎａＮｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ，Ｇｕａｎｇｚｈｏｕ ５１０６３１，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｉｎ ｏｒｄｅｒ ｔｏ ｓｏｌｖｅ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｌｏｗ ｒｅｌｉａｂｉｌｉｔｙ ｏｆ Ｃｌｏｕｄ Ｃｏｍｐｕｔｉｎｇ Ｐｌａｔｆｏｒｍ ｆｏｒ ｉｔｓ ｏｗｎ ｄｙｎａｍｉｃ ａｎｄ
ｈｅｔｅｒｏｇｅｎｅｏｕｓ，ａ ｒｅｌｉａｂｌｅ Ｃｌｏｕｄ Ｃｏｍｐｕｔｉｎｇ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｒｅｄｕｎｄａｎｔ ｓｃｈｅｄｕｌｉｎｇ ｉｓ ｐｒｏｐｏｓｅｄ．Ｆｏｒ ｔｈｅ ｐａｙ－ａｓ・ｎｅｅｄ
ｆｅａｔｕｒｅｓ ｏｆ Ｃｌｏｕｄ Ｃｏｍｐｕｔｉｎｇ，ａｌｌ ｏｐｔｉｍａｌ ｍｏｄｅｌ ｒｅｄｕｎｄａｎｔ ｔａｓｋ ｓｃｈｅｄｕｌｉｎｇ ｆｏｒ Ｃｌｏｕｄ Ｃｏｍｐｕｔｉｎｇ ｂａｓｅｄ ｏｎ ｔｈｅ ｇｉｖｅｎ ｃｏｓｔ
ｏｆ ｓｅｒｖｉｃｅｓ ｉｓ ｅｓｔａｂｌｉｓｈｅｄ ｔｏ ｍａｘｉｍｉｚｅ ｔｈｅ ｒｅｌｉａｂｉｌｉｔｙ ｏｆ Ｃｌｏｕｄ Ｃｏｍｐｕｔｉｎｇ．Ｆｉｎａｌｌ￣Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍｓ ｉｓ ｕｓｅｄ ｔｏ ｓｏｌｖｅ
基于 DPSO 的云工作流任务自适应调度策略
２０１３年第１２期 计算机与现代化 ＪＩＳＵＡＮＪＩ ＹＵ ＸＩＡＮＤＡＩＨＵＡ 总第２２０期
文章编号：１００６－２４７５（２０１３）１２－０１２５－０５
基于ＤＰＳＯ的云工作流任务白适应调度策略
贺智明，杨书金
（江西理工大学计算机科学与技术系，江西赣州３４１０００）
摘要：云工作流系统中的任务调度问题属于典型的ＮＰ难题，同时由于计算资源异构性、复杂性及用户需求的动态性可能 导致系统过载。为了解决或避免此类问题的发生，本文提出一种带动态反馈机制的任务自适应分配方法，并结合离散粒 子群优化算法（Ｄｉｓｃｒｅｔｅ Ｐａｒｔｉｃｌｅ Ｓｗａｒｍ Ｏｐｔｉｍｉｚａｔｉｏｎ，ＤＰＳＯ），利用任务预测执行时间模型来优化任务分配方案。仿真实验 表明该方法可保证系统负载平衡，当任务数大于１５０时能够使任务调度时间最短。 关键词：任务调度；动态反馈；负载平衡；离散粒子群算法 中图分类号：ＴＰ３０１．６ 文献标识码：Ａ ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００６－２４７５．２０１３．１２．０２９
Ｓｅｌｆ－ａｄａｐｔｉｖｅ Ｓｃｈｅｄｕｌｉｎｇ Ｓｔｒａｔｅｇｙ ｏｆ Ｃｌｏｕｄ Ｗｏｒｋｆｌｏｗ Ｔａｓｋ Ｂａｓｅｄ ｏｎ ＤＰＳＯ
ＨＥ Ｚｈｉ—ｍｉｎｇ，ＹＡＮＧ Ｓｈｕ－ｊｉｎ
（Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｊｉａｎｇｘｉ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｇａｎｚｈｏｕ ３４１０００，Ｃｈｉｎａ）
Ａｂｓｔｒａ￣：Ｔｈｅ ｔａｓｋ ｓｃｈｅｄｕｌｉｎｇ ｉｎ ｃｌｏｕｄ ｗｏｒｋ￣ｏｗ ｓｙｓｔｅｍ ｉｓ ａ ｔｙｐｉｃａｌ ＮＰ—ｃｏｍｐｌｅｔｅ ｐｒｏｂｌｅｍ，ａｎｄ ｔｈｅ ｈｅｔｅｒｏｇｅｎｅｉｔｙ ｏｆ ｃｏｍｐｕｔｉｎｇ ｒｅｓｏｕｒｃｅ ａｎｄ ｔｈｅ ｃｏｍｐｌｅｘｉｔｙ ａｎｄ ｄｙｎａｍｉｃｓ ｏｆ ｔｈｅ ｒｅｑｕｉｒｅｍｅｎｔ ｍａｙ ｌｅａｄ ｔｏ ｓｙｓｔｅｍ ｏｖｅｄｏａｄｓ．Ｗｅ ｐｒｅｓｅｎｔ ａ ｓｅｌｆ－ａｄａｐｔｉｖｅ ｔａｓｋ ｓｃｈｅｄｕｌｉｎｇ ｍｏｄｅｌ ｗｈｉｃｈ ａｄｏｐｓ Ｄｉｓｃｒｅｔｅ Ｐａｒｔｉｃｌｅ Ｓｗａｒｍ Ｏｐｔｉｍｉｚａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｔｏ ｓｃｈｅｄｕｌｅ ｔａｓｋｓ ｔｏ ｖｉｒｔｕａｌ ｍａｃｈｉｎｅｓ．Ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ｓｔｒａｔｅｇｙ ｇｕａｒａｎｔｅｅｓ ａ ｇｏｏｄ ｌｏａｄ ｂａｌａｎｃｅ ａｎｄ ａｃｈｉｅｖｅｓ ｓｈｏｒｔｅｒ ｓｃｈｅｄｕｌｉｎｇ ｔｉｍｅ ｗｈｅｎ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｔａｓｋｓ ｉＳ ｍｏｒｅ ｔｈａｎ １５０． Ｋｅｙ ｗｏｒｄｓ：ｔａｓｋ ｓｃｈｅｄｕｌｉｎｇ；ｄｙｎａｍｉｃ ｆｅｅｄｂａｃｋ；ｌｏａｄ ｂａｌａｎｃｅ；ｄｉｓｃｒｅｔｅ ｐａｒｔｉｃｌｅ ｓｗａＩ／ｎ ｏｐｔｉｍｉｚａｔｉｏｎ
云计算资源调度优化算法研究
云计算资源调度优化算法研究
云计算技术的快速发展为各行各业的信息化建设带来了巨大的机遇和挑战。随着云计算规模的扩大和应用场景的增多，如何高效地利用云计算资源成为了一个迫切需要解决的问题。云计算资源调度优化算法的研究就成为了关注的焦点。
一、背景介绍
云计算是一种通过互联网提供计算资源和服务的技术，可以将大规模的计算资源进行集中管理和利用。云计算资源调度是云计算领域的核心问题之一，其目的是合理分配云计算中的资源，提高资源利用效率，降低成本，同时保证用户的服务质量。
传统的资源调度算法主要基于静态资源需求进行调度，无法适应云计算环境下动态变化的请求和资源情况。因此，需要对云计算资源调度进行优化，以提高系统的整体性能。
二、优化目标和挑战
优化目标：云计算资源调度的优化目标主要包括以下几个方面：
1. 提高系统的资源利用率：通过动态调度和合理分配资源，最大限度地提高资源的利用效率，减少资源的浪费。
2. 降低系统的延迟和响应时间：合理地安排任务的调度顺序，减少任务的等待时间和执行时间，提高系统的响应速度。
3. 保证服务质量：根据不同任务的优先级和资源需求，合理地分配资源，确保用户的服务质量和用户体验。 挑战：云计算资源调度的优化算法面临着以下几个挑战：
1. 动态资源变化：云计算环境下，资源的变化是动态的和不确定的，资源需求和供给会随着时间变化。因此，调度算法需要能够实时监测和调整资源的分配。
2. 多任务调度：云计算系统通常有多个任务需要同时调度，各任务之间有不同的优先级和资源需求，因此需要找到一个合适的平衡策略，提高整体系统的性能。
3. 决策复杂性：调度算法需要对大量的数据进行分析和决策，算法的复杂性较高，需要考虑效率和可扩展性的问题。
三、优化算法研究
优化算法研究是云计算资源调度的重要方向之一，主要包括以下几个方面：
1. 遗传算法：遗传算法是一种模拟自然界进化过程的优化算法，通过对个体进行选择、交叉和变异等操作，从而找到最优解。在云计算资源调度中，可以使用遗传算法对任务进行调度和资源分配。
云计算中的资源调度策略综述
云计算中的资源调度策略综述
云计算作为一种新兴的计算模式，已经在各个行业中广泛应用。在云计算环境下，资源调度策略起着至关重要的作用，能够有效地优化资源利用，提高系统性能，降低能源消耗。本文将对云计算中的资源调度策略进行综述，包括静态调度策略和动态调度策略两个方面。
静态调度策略是在任务刚开始执行之前就确定分配到各个可用资源的策略。静态调度策略通常基于用户需求或者任务的特征来进行决策。其中的一个常用策略是基于优先级的调度策略。该策略根据任务的优先级将资源分配给不同的任务。优先级可以根据任务的重要性、紧急程度或者其他标准来确定。另外一个常用的策略是基于负载均衡的调度策略。该策略通过动态地调整资源的分配，使得各个资源之间的负载保持均衡，避免资源利用率过高或者过低。
动态调度策略是在任务执行过程中根据当前系统状态和任务需求来调整资源分配的策略。动态调度策略主要包括任务迁移和资源队列管理两个方面。任务迁移是指将正在执行的任务从一个资源节点迁移到另一个资源节点的过程。任务迁移可以根据资源利用率、网络延迟等因素进行调度决策，以优化系统的性能。资源队列管理是指对任务的排队和调度，以保证每个任务都能够得到相应的资源。常见的资源队列管理策略包括先来先服务（FCFS）、最短作业优先（SJF）、最高响应比优先（HRRN）等。
除了静态调度策略和动态调度策略之外，还有一些特殊的资源调度策略被广泛应用于云计算中。其中之一是基于能耗的资源调度策略。该策略通过动态地调整资源分配，以降低系统的能源消耗。常见的能耗调度策略包括最小化能耗（MEC）、节能型任务调度（ETS）等。另外一个特殊的资源调度策略是基于容错性的资源调度策略。该策略通过在不同的资源节点之间备份任务，以增强系统的可靠性。容错性调度策略常用的方法包括冗余调度（RD）、复制调度（CD）等。
综上所述，云计算中的资源调度策略对于提高系统性能、优化资源利用具有重要意义。静态调度策略和动态调度策略是两个主要的调度策略。静态调度策略在任务开始执行之前确定资源的分配策略，而动态调度策略在任务执行过程中动态调整资源的分配策略。此外，基于能耗和容错性的特殊调度策略也在云计算中得到广泛应用。未来，随着云计算技术的不断发展，资源调度策略将继续优化和创新，以应对日益增长的资源需求和复杂的应用场景。
基于云计算的“用户期待”任务调度算法的研究
２０１１年第４期 （总第１４０期） 大众科技 ＤＡＺＨＯＮＧ ＫＥＪＩ （Ｃｕ Ｎｏ．４。２０１１ ＢＩｙ ＮＯ．１４０）
基于云计算的“用户期待 ＂任 务调度算法的研究
刘之家张体荣谢雄程
（广西师范学院计算机与信息工程学院，广西南宁５３０００１）
【摘要】文章在云计算提供的各项服务质量基础上，提出了云计算任务调度的用户期待函数，并根据用户期待函数和服
务质量的任务分类，提出了用户期待函数的任务调度算法，最后在云计算仿真平台ＣｌｏｕｄＳｉｍ上进行仿真实验与分析。实验结
果表明，该任务调度算法在调度时间、可靠性与费用等方面具有一定的优势。
【关键词】云计算；服务质量；任务调度；仿真
【中图分类号】ＴＰ３０１．６ 【文献标识码】Ａ 【文章编号】１００８－１１５１（２０１１）０４－００７５—０３
（一）引言
云计算是由分布式计算、并行计算、网格计算、虚拟技
术、普适计算等概念混合演化而来的一种新型的计算模型。
它将计算任务分布在大量计算机、存储设备等组成的资源池
上，用户可以根据需要获取计算能力、存储空间和各种软件
服务，是一种以Ｉｎｔｅｒｎｅｔ为基础向用户提供信息服务的商业
模式，其目标是为用户动态地提供可靠的、可定制的、服务
质量（ＯｏＳ）保证的ＩＴ计算服务环境。然而，不同的用户有不
同的需求，云计算必须提供用户满意的服务，服务质量ＱｏＳ
成为了衡量用户使用云计算服务满意程度的标准。这样对云
计算的作业调度和资源分配提出了更高的要求。
多任务调度问题是计算机界公认的ＮＰ难题，采用启发式
方法可以得到次最优解，而固定优先级调度策略可能会引起
低优先级线程饥饿和短程任务滞后，先到先处理调度策略可
能会引起高价值任务错失最佳处理时刻。因此，对云计算的
任务调度进行研究具有重要的意义。
（二）基本理论
１．用户期待函数的定义
在云计算中，服务质量ＯｏＳ是衡量用户使用云计算服务
满意程度的标准。云计算为互联网上的各类用户提供不同的
云计算平台的资源调度与管理技巧
云计算平台的资源调度与管理技巧
云计算是一种基于互联网的计算模式，它通过共享计算资源和数据存储提供可扩展的计算能力和服务。云计算平台的资源调度与管理是确保云计算系统高效运行的关键。本文将探讨云计算平台的资源调度与管理技巧，以帮助提高云计算系统的性能和效果。
云计算平台的资源调度是指将用户的请求分配给最合适的资源进行处理，并在需要时根据资源的可用性进行动态调整。资源调度的目标是最大化资源利用率，提高系统的性能和效率，同时保证用户的服务质量。以下是一些云计算平台资源调度与管理的技巧：
1. 资源监控与预测：云计算平台需要实时监控资源的使用情况，并通过数据分析和预测来预测未来的资源需求。这样可以及时调整资源分配，避免资源浪费和瓶颈。
2. 动态资源分配：根据用户的需求和资源的可用性，动态分配和释放资源。这种动态资源分配的机制可以根据用户的需求和系统的负载情况进行自动调整，从而提高资源利用率和系统的灵活性。 3. 负载均衡：负载均衡是将用户请求分布到不同的资源上，以实现资源的均衡利用。负载均衡可以通过轮询、随机、最小连接数等算法来实现，以保持资源的平衡和避免单点故障。
4. 弹性扩展：云计算平台需要根据用户的需求和系统负载情况来进行弹性扩展。这意味着根据资源需求的增加或减少，自动增加或减少系统的计算和存储能力。这可以通过自动化的扩展策略来实现，以提高系统的可用性和灵活性。
5. 故障恢复与容错：云计算平台需要具备故障恢复和容错机制，以保证系统在故障发生时能够快速恢复并保证服务的连续性。这种机制可以包括备份和恢复策略、容错机制和冗余系统等。
6. 资源利用统计与优化：云计算平台需要对资源的利用情况进行统计和分析，并根据统计结果对资源进行优化。这可以包括资源的分配策略、任务的调度策略和网络的带宽管理等。 7. 虚拟化技术的应用：云计算平台往往使用虚拟化技术来实现资源的共享和灵活性。虚拟化技术可以将物理资源划分为多个虚拟资源，从而提高资源的利用率和系统的灵活性。
基于用户优先级的云计算任务调度策略
第３９卷 、厂０ｌ＿３９ 第８期 Ｎｏ．８ 计算机工程 Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ２０１３年８月 Ａｕｇｕｓｔ ２０１３
・先进计算与数据处理・ 文章缡号。１０００—－３４２８（２０１３）ｏ８—ｏ０６４—０５ 文献标识码ｔ Ａ 中田分类号ｚ ＴＰ３１１
基于用户优先级的云计算任务调度策略
蒲汛 ，杜嘉 ，卢显良
（１．电子科技大学计算机科学与工程学院，成都４１００７３；２．西南大学计算机与信息科学学院，重庆４００７１６； ３．重庆交通大学研究生部，重庆４０００７４）
摘要：根据云计算环境中用户任务调度的不同需求，提出一种基于改进离散粒子群优化算法的任务调度策略，可实现在短时间 内对云计算任务的相对较优调度。将用户费用与该任务的截止时间相结合，构建相对合理的用户优先级，以引导算法的适应度函 数的偏好。引入重优化判断准则，在保证算法有能力跳出局部最优的同时保持解的多样性，最终求出满足用户优先级偏好的任务 调度映射。仿真实验结果表明，该策略更符合云计算调度的复杂环境，能得到全局较优的任务调度方案。
关健词：云计算；任务调度；ＱｏＳ约束；Ｈａｄｏｏｐ架构；离散粒子群优化；用户优先级
Ｔａｓｋ Ｓｃｈｅｄｕｌｉｎｇ Ｐｏｌｉｃｙ ｆｏｒ Ｃｌｏｕｄ Ｃｏｍｐｕｔｉｎｇ
Ｂａｓｅｄ ０ｎ Ｕｓｅｒ Ｐｒｉｏｒｉｔ、，Ｌｅｖｅｌ
ＰＵ Ｘｕｎ ‘，ＤＵ Ｊｉａ ，ＬＵ Ｘｉａｎ－ｉｉａｎｇ
（１．Ｓｃｈｏｏｌ ｏｆＣｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｕｎｉｖｅｒｓｉｔｙ ｏｆＥｌｅｃｔｒｏｎｉｃ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ ｏｆＣｈｉｎａ，Ｃｈｅｎｇｄｕ ４１００７３，Ｃｈｉｎａ； ２．Ｃｏｌｌｅｇｅ ｏｆＣｏｍｐｕｔｅｒ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ，Ｓｏｕｔｈ—Ｗｅｓｔ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｏｎｇｑｉｎｇ ４００７１６，Ｃｈｉｎａ；