CN104915407A - 一种基于Hadoop多作业环境下的资源调度方法 - Google Patents
一种基于Hadoop多作业环境下的资源调度方法 Download PDFInfo
- Publication number
- CN104915407A CN104915407A CN201510297019.1A CN201510297019A CN104915407A CN 104915407 A CN104915407 A CN 104915407A CN 201510297019 A CN201510297019 A CN 201510297019A CN 104915407 A CN104915407 A CN 104915407A
- Authority
- CN
- China
- Prior art keywords
- computing node
- monitoring period
- job
- node
- task
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/14—Error detection or correction of the data by redundancy in operation
- G06F11/1402—Saving, restoring, recovering or retrying
- G06F11/1446—Point-in-time backing up or restoration of persistent data
- G06F11/1458—Management of the backup or restore process
- G06F11/1461—Backup scheduling policy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
Abstract
本发明公开了一种基于Hadoop多作业环境下的资源调度方法,包括:(1)实时采集集群负载、Hadoop平台以及硬件三方监控信息,(2)实时采集集群各计算节点上用户的作业执行监控信息,(3)汇总集群三方监控数据,建模评估节点的计算能力,并将集群节点划分为优势计算节点和劣势计算节点,(4)若节点为优势计算节点,则启动基于相似度评估的作业任务资源需求配置策略,(5)若节点为劣势计算节点,则还原为Yarn默认的资源需求配置策略。本发明解决了Yarn现有资源调度器中任务资源需求划分粒度过大导致的资源碎片问题,能够综合考虑集群节点和作业的异构性,通过合理、有效地分配节点资源增加集群执行并发度,从而提高Hadoop集群多作业的执行效率。
Description
技术领域
本发明属于大数据技术领域,更具体地,涉及一种基于Hadoop多作业环境下的资源调度方法。
背景技术
随着大数据与互联网时代来临,大数据技术目前已成为学术界和产业界的研究热点,而Hadoop作为开源的大数据处理平台不论在企业还是学术科研领域都已经得到了广泛应用。但是第1代Hadoop在使用中存在单点故障、资源利用率低、无法支持多种计算框架等实际问题。为克服上述缺点,Apache推出了第2代Hadoop,将资源管理模块构建成了一个独立的通用资源管理系统Yarn,统一负责集群的资源分配以及任务调度。Yarn能够让多种计算框架(MapReduce、内存计算框架Spark、流式计算框架Strom和图计算框架等)运行在一个集群中,为不同的并行化计算提供统一的资源分配服务,使得集群具有易于运维、资源弹性可伸缩和数据可共享等优点。其中,资源调度器是Hadoop Yarn中最核心的组件之一,Yarn的资源调度策略会直接影响集群的任务分配,从而影响Hadoop集群整体性能。
目前Yarn主要自带以下三种常用资源调度器:①FIFO调度器(First InFirst Out Scheduler):先来先服务资源调度器,Hadoop按照作业提交顺序依次运行这些作业;②计算能力调度器(Capacity Scheduler):是Yarn中默认的资源调度器,适用于多用户共享集群,采用队列的形式分配和调度集群资源,每个队列可设定一定比例的资源最低保证和使用上限,同时,每个用户也可设定一定的资源使用上限以防止资源滥用;③公平调度器(FairScheduler):以队列为单位划分资源,支持分级队列,允许每个队列单独配置调度策略,包括FIFO、Fair和DRF,即先来先服务、公平调度和主资源公平调度。
Yarn已有的资源调度策略虽然十分多样化,但仍存在明显的缺陷。一方面,在实际运行环境中,Hadoop集群多为异构集群,集群中各计算节点的综合计算能力存在较大差异,而Yarn常规的静态任务资源分配策略无法感知不同节点的异构性,无法根据集群中异构节点的计算能力、作业执行监控状况和资源使用情况动态调整节点上运行的任务数目,间接导致集群所有计算节点上的并发度一样;另一方面,Yarn现有的资源调度算法并未考虑用户提交的作业之间的区别,即未考虑不同类型的作业以及同作业不同执行阶段实际资源需求的异构性,存在大量资源碎片的现象,导致Hadoop平台无法充分利用集群资源,例如很多作业任务可能是io密集型的,消耗的cpu资源非常少,如果此时资源调度器为它分配一整个单位的cpu,剩余的cpu碎片资源无法让其他作业任务使用,是一种严重的资源浪费,会极大程度上地降低系统资源的利用率,减少作业任务执行的并发度,从而直接影响集群作业的执行效率,最终导致Hadoop整体性能下降。
综上所述,Hadoop2.0现有的资源调度策略未考虑集群节点和作业的异构性,无法根据节点的处理能力、作业执行监控状况和资源使用情况动态改变作业的资源需求,无法同时保证作业任务的高效并发和集群资源的充分利用,从而导致系统整体性能下降。
发明内容
针对现有资源调度技术的缺陷,本发明的目的在于提供一种能够根据集群节点异构性、作业执行监控状况和资源使用情况动态调整资源需求的资源调度方法,旨在解决目前已有资源调度策略导致的集群整体资源利用率低、系统性能差的问题。
本发明提供了一种基于Hadoop多作业环境下的资源调度方法,其具体步骤如下:
(1)实时采集集群负载、Hadoop平台以及硬件三方监控信息,并按照数据采集的先后顺序进行存储,生成三方监控输出反馈文件;
(2)实时采集集群各计算节点上用户的作业执行监控信息,生成作业执行监控输出反馈文件;
(3)汇总、解析步骤(1)中得出的三方监控输出反馈文件,建模评估节点的计算能力,并根据计算能力评分的高低将集群计算节点划分为优势计算节点和劣势计算节点;
(4)若节点为优势计算节点,则根据步骤(2)中得出的作业执行监控输出反馈文件启动基于相似度评估的作业任务资源需求配置策略;
(5)若节点为劣势计算节点,则还原为Yarn默认的资源需求配置策略。
其中,所述步骤(1)中,集群负载监控信息和硬件监控信息的采集是通过搭建集群分布式监控系统实现,其中集群负载监控信息为计算节点平均负载信息,硬件监控信息包括监控周期内节点cpu、磁盘、内存和网络平均利用率。
进一步地,所述步骤(1)中,计算节点上自定义的Hadoop平台监控信息项的获取是通过在计算框架源码中植入监控代码实现,具体包括计算节点上多作业任务执行的成功率、投放新任务的平均等待时间以及任务的平均响应时间。
进一步地,所述步骤(1)中,三方监控输出反馈文件中的每一条监控数据记录表示为:
record=(Host,Monitor_Id,Load_Info,Platform_Info,Hardware_Info)
其中,Host表示计算节点主机名,Monitor_Id表示计算节点所处监控周期的序列号,Load_Info表示当前时刻计算节点的负载信息,Platform_Info表示计算节点在Hadoop平台上的自定义监控信息,包括多作业任务执行的成功率、投放新任务的平均等待时间以及任务的平均响应时间,Hardware_Info表示节点的硬件监控信息,包括cpu、内存、网络和磁盘平均利用率。
进一步地,所述步骤(2)中,用户的作业执行监控信息是通过在计算框架源码中内嵌自定义监控代码实现,作业的执行监控输出反馈文件中的每一条监控记录表示为如下格式:
record=(Job_Id,Host,Monitor_Id,x1,x2,x3,x4,x5,x6,x7,x8,x9)
其中,Job_Id表示作业序列号,Host表示计算节点主机名,Monitor_Id表示计算节点所处的监控周期序列号,x1、x2分别表示该计算节点对应监控周期下作业执行Map任务map子阶段、sort子阶段的平均响应时间,x3、x4、x5分别表示该计算节点对应监控周期下作业执行Reduce任务copy子阶段、sort子阶段和reduce子阶段的平均响应时间,x6、x7分别表示该计算节点对应监控周期下作业执行Map任务的平均cpu消耗和平均内存消耗,x8、x9分别表示该计算节点对应监控周期下作业执行Reduce任务的平均cpu消耗和平均内存消耗。
进一步地,所述步骤(2)中,包括生成集群上用户作业的历史执行监控信息实例库,实例库中保存集群所有作业在不同计算节点、不同监控周期下的执行状况,即保存有集群历史作业执行监控输出反馈文件中的每一项监控记录。
进一步地,所述步骤(3)具体包括以下子步骤:
(3-1)汇总、解析步骤(1)中得出的三方监控输出反馈文件,在线建模计算节点的计算能力评分,具体采用以下公式:
其中,t表示计算节点的计算能力评分,表示集群在当前监控周期下负载信息,表示在当前监控周期下自定义的Hadoop平台监控信息,suc表示计算节点执行任务的成功率,wait_time表示在该计算节点投放新任务的平均等待时间,response_time表示节点上任务执行的平均响应时间,表示在当前监控周期下节点的硬件监控信息,cpu_util、io_util、mem_util、net_util分别表示计算节点上cpu、磁盘、内存和网络的平均利用率,FJ则是节点计算能力评分t关于三个变量的一个复杂函数;
(3-2)采用排序函数对节点计算能力评分t按照从高到低的顺序进行重新排列,形成计算节点主机名、监控周期序列号和计算能力评分三者之间的映射关系,具体可以通过以下键值对表示:
(键,值)=((Host,Monitor_Id),t)
其中,Host表示计算节点主机名,Monitor_Id表示节点所在监控周期的序列号,t表示建模得出的节点计算能力评分;
(3-3)计算集群节点计算能力评分均值at,具体公式如下:
其中,tz表示计算节点z的计算能力评分,N表示集群计算节点总个数;
(3-4)将排序后的前K个节点判定为集群的优势计算节点,后(N-K)个节点判定为劣势计算节点,其中,N表示当前集群所有节点个数,K表示集群中计算能力评分高于(β*at)的计算节点个数,β取经验值。
进一步地,所述步骤(4)具体包括以下子步骤:
(4-1)初始对各计算节点上用户提交的作业的Map类型任务和Reduce类型任务均采取Yarn默认的任务资源需求配置策略;
(4-2)假定当前优势计算节点为n,待处理的作业为i,集群所处监控周期为Tx,其历史相邻监控周期为Ty;
(4-3)读取并解析步骤(2)中获取的作业执行监控输出反馈文件,对记录进行抽取、重排,将计算节点n上的作业i在当前监控周期Tx下对应的执行监控信息表示为以下特征向量的形式:
其中,x1、x2分别表示该优势计算节点上作业i在监控周期Tx下执行Map任务map子阶段、sort子阶段的平均响应时间,x3、x4、x5分别表示该优势计算节点上作业i在监控周期Tx下执行Reduce任务copy子阶段、sort子阶段和reduce子阶段的平均响应时间,x6、x7分别表示该优势计算节点上作业i在监控周期Tx下执行Map任务的平均cpu消耗和平均内存消耗,x8、x9分别表示该优势计算节点上作业i在监控周期Tx下执行Reduce任务的平均cpu消耗和平均内存消耗。
查询集群历史作业执行监控信息实例库,获取作业i在相邻监控周期Ty下的执行监控信息特征向量,具体表示为:
(4-4)利用余弦相似度公式计算节点n上作业i在当前监控周期Tx与历史相邻监控周期Ty下执行监控信息的相似度,具体公式如下:
其中,为作业i在计算节点n的监控周期Tx下对应的作业执行监控信息特征向量,为作业i在计算节点n的相邻监控周期Ty下对应的作业执行监控信息特征向量;
(4-5)若说明该计算节点上作业i在当前监控周期Tx与其相邻监控周期Ty下的执行状况类似,可判定上一个监控周期中作业i对应的任务资源需求配置策略合理,作业执行稳定、性能良好,因此选定相邻监控周期Ty作为当前监控周期Tx的基准参考周期,其中取经验值,
(4-6)若说明该计算节点上作业i在当前监控周期Tx与其相邻监控周期Ty下的执行状况不类似(作业任务类型转换、负载过重、节点自身故障等原因),可判定上一个监控周期下作业i的任务资源需求配置策略不合理或作业执行不稳定,则查找该计算节点上对应的作业历史执行监控信息实例库,遍历获取历史监控周期下作业i的执行监控信息,并计算作业i在当前监控周期Tx和待匹配的历史监控周期下的作业执行监控信息相似度,选取满足如下条件的唯一历史监控周期Ty’:
其中,表示该计算节点上作业i在当前监控周期Tx与第1个监控周期T1下的作业执行监控信息相似度,表示该计算节点上作业i在当前监控周期Tx与第2个监控周期T2下的作业执行监控信息相似度…以此类推,表示该计算节点上作业i在当前监控周期Tx与第y’个监控周期Ty’下具有最大的作业执行监控信息相似度,则选定监控周期Ty’作为当前监控周期Tx的基准参考周期;
(4-7)根据作业i在该计算节点上的基准参考监控周期Ty(或Ty’)下对应的cpu资源和内存资源平均使用情况修改下一轮监控间隔内作业i对应的Map任务和Reduce任务的cpu资源需求和内存资源需求,具体可以表示为如下公式:
map_r_d=(ε*x6,λ*x7)
reduce_r_d=(ε*x8,λ*x9)
其中,map_r_d表示作业i在计算节点n下一轮监控周期内Map任务对应的cpu资源需求和内存资源需求,reduce_r_d表示作业i在计算节点n下一轮监控周期内Reduce任务对应的cpu资源需求和内存资源需求,x6、x7分别表示作业i在基准参考监控周期Ty(或Ty’)下Map任务的cpu资源和内存资源的平均消耗,x8、x9分别表示作业i在基准参考监控周期Ty(或Ty’)下Reduce任务的cpu资源和内存资源的平均消耗,ε、λ分别为cpu资源需求和内存资源需求的弹性调整因子,依据用户经验值设定;
进一步地,在所述步骤(4-6)中,若没有找到符合条件的基准参考监控周期Ty(或Ty’),则将该计算节点上作业i对应的Map任务和Reduce任务的cpu资源需求和内存资源需求还原为集群初始的资源需求配置策略。
进一步地,所述步骤(5)中,Yarn中作业任务的资源需求均默认为如下配置策略:<”memory:1024MB”,”core:1”>,即作业单个Map任务或者Reduce任务可申请的最少物理内存量是1024MB,最少cpu资源为1。
通过本发明所构思的以上技术方案,与现有技术相比,具有以下显著优点:
(1)本发明在优势计算节点上对执行状况类似、性能稳定的作业基于历史资源消耗水平调整作业资源需求份额,对作业任务类型转换、负载过重、节点自身故障等原因导致的执行状况差异大的作业还原为Yarn默认的资源配置,避免启动过多任务增加延迟,这种基于作业执行监控信息相似度评估的资源需求配置策略能够有效地感知集群节点、作业之间以及同作业不同执行阶段的异构性,充分考虑了作业资源需求随时间的变化,为集群作业的资源调度提供了真实而准确的依据,最大程度上减少了集群计算节点上的资源碎片,在保证集群资源高效利用的同时有利于促进集群作业任务的高效并发,缩短了多作业环境下系统运行时间,从而提高了Hadoop平台整体的执行效率。
(2)本发明通过对集群的全面监控能够准确地识别当前负载环境下异构集群中节点性能的优劣,同时对优势计算节点启动基于相似度评估的资源需求配置策略、对劣势计算节点还原为Yarn默认的资源需求策略;一方面在高水平节点上根据作业实际执行情况动态改变任务的资源需求,在保证较高资源利用率的同时直接控制任务拉取的份额,另一方面避免在低水平节点上频繁切换作业资源需求引起任务执行的延迟,能够有效减少弱势节点因过多失败任务而启动的异地节点备份任务带来的网络传输开销。该系统方案在充分利用集群整体资源的同时保证了作业的高效并发执行,确保了Hadoop异构集群始终具有良好的性能。
(3)本发明对Yarn的三种核心资源调度器(FIFO、Capacity Scheduler以及Fair Scheduler)均适用:本发明能够作为一个子级资源调度方案嫁接在Yarn现有核心资源调度器下,使得整个Hadoop系统在继承Yarn核心资源调度器优点的同时能够综合考虑集群各计算节点、各用户作业以及同作业不同执行阶段的异构性,充分考虑了作业资源需求随时间的变化,能够在保证集群资源利用率的同时促进集群用户作业执行的高效并发。
(4)本发明对Hadoop 2.0支持的多个上层计算框架具有普遍适用性,由于Hadoop Yarn资源框架与上层计算逻辑无关,因此本发明不仅适用于MapReduce类型的计算任务,同样还适用于Spark任务、SparkStreaming任务等其他类型的大数据任务,具有很高的研究和实用价值。
附图说明
图1是本发明基于Hadoop多作业环境下的资源调度系统的架构示意图;
图2是本发明基于Hadoop多作业环境下的资源调度系统工作流程图;
图3是本发明在优势计算节点上启动的基于相似度评估的作业任务资源需求配置策略流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,本发明中,基于Hadoop多作业环境下的资源调度系统架构为三方架构:客户端、Hadoop2.0集群平台和监控服务器端,其中Hadoop集群包括一个主节点和多个计算节点,Resource Manager是主节点独立运行的负责管理集群资源到调度的进程,Node Manager是计算节点上独立运行的负责管理并汇报节点状态的进程,Application Master则是运行在计算节点上的组件,客户端提交的每一个应用程序都对应一个App Master。
如图2所示,本发明中,基于Hadoop多作业环境下的资源调度系统工作流程如下:
步骤201,Hadoop集群启动,分布式集群监控系统启动,各作业的Map任务和Reduce任务均采用Yarn默认的cpu资源需求和内存资源需求配置策略,格式为:<”memory:1024MB”,”core:1”>,即表示作业单个Map任务或者Reduce任务可申请的最少物理内存量是1024MB,最少cpu资源为1;
步骤202,集群各计算节点开启后台三方监控线程和作业执行监控线程,按照规定监控时间间隔将所有监控信息发送至监控服务器,本实施例中,监控时间间隔设置为30s;
步骤203,判断一个新的监控周期是否到来,否则循环等待;
步骤204,监控服务器在特定端口接收、汇总集群各计算节点的三方监控输出反馈信息,并表示为如下数据记录的格式:
record=(Host,Monitor_Id,Load_Info,Platform_Info,Hardware_Info)
其中,Host表示计算节点主机名,Monitor_Id表示计算节点所处监控周期的序列号,Load_Info表示当前时刻计算节点的负载信息,Platform_Info表示计算节点在Hadoop平台上的自定义监控信息,包括多作业任务执行的成功率、投放新任务的平均等待时间以及任务的平均响应时间,Hardware_Info表示节点的硬件监控信息,包括cpu、内存、网络和磁盘平均利用率;
步骤205,监控服务器在特定端口接收、汇总集群各计算节点的作业执行监控输出反馈信息,并表示为如下数据记录的格式:
record=(Job_Id,Host,Monitor_Id,x1,x2,x3,x4,x5,x6,x7,x8,x9)
其中,Job_Id表示作业序列号,Host表示计算节点主机名,Monitor_Id表示计算节点所处的监控周期序列号,x1、x2分别表示该计算节点对应监控周期下作业执行Map任务map子阶段、sort子阶段的平均响应时间,x3、x4、x5分别表示该计算节点对应监控周期下作业执行Reduce任务copy子阶段、sort子阶段和reduce子阶段的平均响应时间,x6、x7分别表示该计算节点对应监控周期下作业执行Map任务的平均cpu消耗和平均内存消耗,x8、x9分别表示该计算节点对应监控周期下作业执行Reduce任务的平均cpu消耗和平均内存消耗;
步骤206,将步骤205中采集的作业执行监控信息项添加到集群的作业历史执行监控信息实例库;
步骤207,利用步骤204中采集的集群节点三方监控信息,建模评估节点的计算能力,具体公式如下:
其中,t表示计算节点的计算能力评分,表示集群在当前监控周期下负载信息,表示在当前监控周期下自定义的Hadoop平台监控信息,suc表示计算节点执行任务的成功率,wait_time表示在该计算节点投放新任务的平均等待时间,response_time表示节点上任务执行的平均响应时间,表示在当前监控周期下节点的硬件监控信息,cpu_util、io_util、mem_util、net_util分别表示计算节点上cpu、磁盘、内存和网络的平均利用率,FJ则是节点计算能力评分t关于三个变量的一个复杂函数。
步骤208,采用排序函数对节点计算能力评分t按照从高到低的顺序进行重新排列,形成计算节点主机名、监控周期序列号和计算能力评分三者之间的映射关系,具体可以通过以下键值对表示:
(键,值)=((Host,Monitor_Id),t)
其中,Host表示计算节点主机名,Monitor_Id表示节点所在监控周期的序列号,t表示建模得出的节点计算能力评分;
步骤209,按照如下公式计算集群节点计算能力评分均值at:
其中,tz表示计算节点z的计算能力评分,N表示集群计算节点总个数;
步骤210,将前K个节点判定为集群优势计算节点,启动基于相似度评估的作业任务资源需求配置策略,其中,K表示集群中计算能力评分高于(β*at)的计算节点个数,本实施例中,β取经验值60%;
步骤211,将后(N-K)个节点判定为集群劣势计算节点,则还原为Yarn默认的资源需求配置策略。
如图3所示,本发明在优势计算节点上启动的基于相似度评估的作业任务资源需求配置策略包括以下步骤:
步骤301,假定当前优势计算节点为n,待处理的作业为i,集群所处监控周期为Tx,其历史相邻监控周期为Ty;
步骤302,读取并解析步骤(2)中获取的作业执行监控输出反馈文件,对记录进行抽取、重排,将计算节点n上的作业i在当前监控周期Tx下对应的执行监控信息表示为以下特征向量的形式:
其中,x1、x2分别表示该优势计算节点上作业i在监控周期Tx下执行Map任务map子阶段、sort子阶段的平均响应时间,x3、x4、x5分别表示该优势计算节点上作业i在监控周期Tx下执行Reduce任务copy子阶段、sort子阶段和reduce子阶段的平均响应时间,x6、x7分别表示该优势计算节点上作业i在监控周期Tx下执行Map任务的平均cpu消耗和平均内存消耗,x8、x9分别表示该优势计算节点上作业i在监控周期Tx下执行Reduce任务的平均cpu消耗和平均内存消耗;
步骤303,查询集群历史作业执行监控信息实例库,获取作业i在相邻监控周期Ty下的执行监控信息特征向量,具体表示为:
其中,x1'、x2'分别表示该优势计算节点上作业i在监控周期Ty下执行Map任务map子阶段、sort子阶段的平均响应时间,x3'、x4'、x5'分别表示该优势计算节点上作业i在监控周期Ty下执行Reduce任务copy子阶段、sort子阶段和reduce子阶段的平均响应时间,x6'、x7'分别表示该优势计算节点上作业i在监控周期Ty下执行Map任务的平均cpu消耗和平均内存消耗,x8'、x9'分别表示该优势计算节点上作业i在监控周期Ty下执行Reduce任务的平均cpu消耗和平均内存消耗;
步骤304,利用余弦相似度公式计算节点n上作业i在当前监控周期Tx与历史相邻监控周期Ty下执行监控信息的相似度,具体公式如下:
其中,为作业i在计算节点n的监控周期Tx下对应的作业执行监控信息特征向量,为作业i在计算节点n的相邻监控周期Ty下对应的作业执行监控信息特征向量;
步骤305,若(本实施例中,取经验值0.5),说明该计算节点上作业i在当前监控周期Tx与其相邻监控周期Ty下的执行状况类似,可判定上一个监控周期中作业i对应的任务资源需求配置策略合理,作业执行稳定、性能良好,因此选定相邻监控周期Ty作为当前监控周期Tx的基准参考周期,转步骤308;
步骤306,若说明该计算节点上作业i在当前监控周期Tx与其相邻监控周期Ty下的执行状况不类似(作业任务类型转换、负载过重、节点自身故障等原因),可判定上一个监控周期下作业i的任务资源需求配置策略不合理或作业执行不稳定,则查找该计算节点上对应的作业历史执行监控信息实例库,遍历获取历史监控周期下作业i的执行监控信息,并计算作业i在当前监控周期Tx和待匹配的历史监控周期下的作业执行监控信息相似度,选取满足如下条件的唯一历史监控周期Ty’:
其中,表示该计算节点上作业i在当前监控周期Tx与第1个监控周期T1下的作业执行监控信息相似度,表示该计算节点上作业i在当前监控周期Tx与第2个监控周期T2下的作业执行监控信息相似度…以此类推,表示该计算节点上作业i在当前监控周期Tx与第y’个监控周期Ty’下具有最大的作业执行监控信息相似度,则选定监控周期Ty’作为当前监控周期Tx的基准参考周期,转步骤308;
步骤307,若没有找到符合条件的基准参考监控周期Ty(或Ty’),则将该计算节点上作业i对应的Map任务和Reduce任务的cpu资源需求和内存资源需求还原为集群初始的配置策略:<”memory:1024MB”,”core:1”>,即作业单个Map任务或者Reduce任务可申请的最少物理内存量是1024MB,最少cpu资源为1,转步骤309;
步骤308,解析步骤(2)中从监控服务器上获取的作业执行监控输出反馈文件(或查询集群历史作业执行监控信息实例库),获取基准匹配监控周期Ty(或Ty’)下节点n上作业i对应的cpu资源和内存资源的平均消耗,以此修改下一轮监控间隔内对应的Map任务、Reduce任务的cpu资源需求和内存资源需求,具体可表示为如下公式:
map_r_d=(ε*x6,λ*x7)
reduce_r_d=(ε*x8,λ*x9)
其中,map_r_d表示作业i在计算节点n下一轮监控周期内Map任务对应的cpu资源需求和内存资源需求,reduce_r_d表示作业i在计算节点n下一轮监控周期内Reduce任务对应的cpu资源需求和内存资源需求,x6、x7分别表示作业i在基准参考监控周期Ty(或Ty’)下Map任务的cpu资源和内存资源的平均消耗,x8、x9分别表示作业i在基准参考监控周期Ty(或Ty’)下Reduce任务的cpu资源和内存资源的平均消耗,ε、λ分别为cpu资源需求和内存资源需求的弹性调整因子,依据用户经验值设定;
步骤309,判断当前监控周期下节点n上正运行的作业是否遍历完成,如果未完成,选取节点n的下一个作业作为新的作业i,转步骤301。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于Hadoop多作业环境下的资源调度方法,其特征在于,包括以下步骤:
(1)实时采集集群负载、Hadoop平台以及硬件三方监控信息,并按照数据采集的先后顺序进行存储,生成三方监控输出反馈文件;
(2)实时采集集群各计算节点上用户的作业执行监控信息,生成作业执行监控输出反馈文件;
(3)汇总、解析步骤(1)中得出的三方监控输出反馈文件,建模评估节点的计算能力,并根据计算能力评分的高低将集群计算节点划分为优势计算节点和劣势计算节点;
(4)若节点为优势计算节点,则根据步骤(2)中得出的作业执行监控输出反馈文件启动基于相似度评估的作业任务资源需求配置策略;
(5)若节点为劣势计算节点,则还原为Yarn默认的资源需求配置策略。
2.根据权利要求1所述的基于Hadoop多作业环境下的资源调度方法,其特征在于,所述步骤(1)中,集群负载监控信息和硬件监控信息的采集通过搭建集群分布式监控系统实现,其中集群负载监控信息为计算节点平均负载信息,硬件监控信息包括监控周期内节点cpu、磁盘、内存和网络平均利用率。
3.根据权利要求1或2所述的基于Hadoop多作业环境下的资源调度方法,其特征在于,所述步骤(1)中,Hadoop平台监控信息项的获取通过在计算框架源码中植入监控代码实现,具体包括计算节点上多作业任务执行的成功率、投放新任务的平均等待时间以及任务的平均响应时间。
4.根据权利要求1或2所述的基于Hadoop多作业环境下的资源调度方法,其特征在于,所述步骤(1)中,三方监控输出反馈文件中的每一条 监控数据记录表示为:
record=(Host,Monitor_Id,Load_Info,Platform_Info,Hardware_Info)
其中,Host表示计算节点主机名,Monitor_Id表示计算节点所处监控周期的序列号,Load_Info表示当前时刻计算节点的负载信息,Platform_Info表示计算节点在Hadoop平台上的自定义监控信息,包括多作业任务执行的成功率、投放新任务的平均等待时间以及任务的平均响应时间,Hardware_Info表示节点的硬件监控信息,包括cpu、内存、网络和磁盘平均利用率。
5.根据权利要求1或2所述的基于Hadoop多作业环境下的资源调度方法,其特征在于,所述步骤(2)中,用户的作业执行监控信息通过在计算框架源码中内嵌自定义监控代码实现,作业的执行监控输出反馈文件中的每一条监控记录表示为如下格式:
record=(Job_Id,Host,Monitor_Id,x1,x2,x3,x4,x5,x6,x7,x8,x9)
其中,Job_Id表示作业序列号,Host表示计算节点主机名,Monitor_Id表示计算节点所处的监控周期序列号,x1、x2分别表示该计算节点对应监控周期下作业执行Map任务map子阶段、sort子阶段的平均响应时间,x3、x4、x5分别表示该计算节点对应监控周期下作业执行Reduce任务copy子阶段、sort子阶段和reduce子阶段的平均响应时间,x6、x7分别表示该计算节点对应监控周期下作业Map任务的平均cpu消耗和平均内存消耗,x8、x9分别表示该计算节点对应监控周期下作业Reduce任务的平均cpu消耗和平均内存消耗。
6.根据权利要求1或2所述的基于Hadoop多作业环境下的资源调度方法,其特征在于,所述步骤(2)中,还包括生成集群上用户作业的历史执行监控信息实例库,实例库中保存集群所有作业在不同计算节点、不同监控周期下的执行情况,即保存有集群作业执行监控历史输出反馈文件中的每一项监控记录。
7.根据权利要求1或2所述的基于Hadoop多作业环境下的资源调度方法,其特征在于,所述步骤(3)包括以下子步骤:
(3-1)汇总、解析步骤(1)中得出的三方监控输出反馈文件,在线建模计算节点的计算能力评分,具体采用以下公式:
其中,t表示计算节点的计算能力评分,表示集群在当前监控周期下负载信息,表示在当前监控周期下自定义的Hadoop平台监控信息,suc表示计算节点执行任务的成功率,wait_time表示在该计算节点投放新任务的平均等待时间,response_time表示节点上任务执行的平均响应时间,表示在当前监控周期下节点的硬件监控信息,cpu_util、io_util、mem_util、net_util分别表示计算节点上cpu、磁盘、内存和网络的平均利用率,FJ则是节点计算能力评分t关于ll、三个变量的一个复杂函数;
(3-2)采用排序函数对节点计算能力评分t按照从高到低的顺序进行重新排列,形成计算节点主机名、监控周期序列号和计算能力评分三者之间的映射关系,具体通过以下键值对表示:
(键,值)=((Host,Monitor_Id),t)
其中,Host表示计算节点主机名,Monitor_Id表示节点所在监控周期的序列号,t表示建模得出的节点计算能力评分;
(3-3)计算集群节点计算能力评分均值at,具体公式如下:
其中,tz表示计算节点z的计算能力评分,N表示集群计算节点总个数;
(3-4)将排序后的前K个节点判定为集群的优势计算节点,后(N-K) 个节点判定为劣势计算节点,其中,N表示当前集群所有节点个数,K表示集群中计算能力评分高于(β*at)的计算节点个数,β取经验值。
8.根据权利要求1或2所述的基于Hadoop多作业环境下的资源调度方法,其特征在于,所述步骤(4)包括以下子步骤:
(4-1)初始对各计算节点上用户提交的作业的Map类型任务和Reduce类型任务均采取Yarn默认的任务资源需求配置策略;
(4-2)假定当前优势计算节点为n,待处理的作业为i,集群所处监控周期为Tx,其历史相邻监控周期为Ty;
(4-3)读取并解析步骤(2)中获取的作业执行监控输出反馈文件,对记录进行抽取、重排,将计算节点n上的作业i在当前监控周期Tx下对应的执行监控信息表示为以下特征向量的形式:
其中,x1、x2分别表示该优势计算节点上作业i在监控周期Tx下执行Map任务map子阶段、sort子阶段的平均响应时间,x3、x4、x5分别表示该优势计算节点上作业i在监控周期Tx下执行Reduce任务copy子阶段、sort子阶段和reduce子阶段的平均响应时间,x6、x7分别表示该优势计算节点上作业i在监控周期Tx下执行Map任务的平均cpu消耗和平均内存消耗,x8、x9分别表示该优势计算节点上作业i在监控周期Tx下执行Reduce任务的平均cpu消耗和平均内存消耗;
查询集群上用户作业的历史执行监控信息实例库,获取作业i在相邻监控周期Ty下的执行监控信息特征向量,具体表示为:
(4-4)利用余弦相似度公式计算节点n上作业i在当前监控周期Tx与历史相邻监控周期Ty下执行监控信息的相似度,具体公式如下:
其中,为作业i在计算节点n的监控周期Tx下对应的作业执行监控信息特征向量,为作业i在计算节点n的相邻监控周期Ty下对应的作业执行监控信息特征向量;
(4-5)若说明该计算节点上作业i在当前监控周期Tx与其相邻监控周期Ty下的执行状况类似,可判定上一个监控周期中作业i对应的任务资源需求配置策略合理,作业执行稳定、性能良好,因此选定相邻监控周期Ty作为当前监控周期Tx的基准参考周期,其中取经验值,
(4-6)若说明该计算节点上作业i在当前监控周期Tx与其相邻监控周期Ty下的执行状况不类似(作业任务类型转换、负载过重、节点自身故障等原因),可判定上一个监控周期下作业i的任务资源需求配置策略不合理或作业执行不稳定,则查找该计算节点上对应的作业历史执行监控信息实例库,遍历获取历史监控周期下作业i的执行监控信息,并计算作业i在当前监控周期Tx和待匹配的历史监控周期下的作业执行监控信息相似度,选取满足如下条件的唯一历史监控周期Ty’:
其中,表示该计算节点上作业i在当前监控周期Tx与第1个监控周期T1下的作业执行监控信息相似度,表示该计算节点上作业i在当前监控周期Tx与第2个监控周期T2下的作业执行监控信息相似度…以此类推,表示该计算节点上作业i在当前监控周期Tx与第y’个监控周期Ty’下具有最大的作业执行监控信息相似度,则选定监控周期Ty’作为当前监控周期Tx的基准参考周期;
(4-7)根据作业i在该计算节点上的基准参考监控周期Ty或Ty’下对应的cpu资源和内存资源平均使用情况修改下一轮监控间隔内作业i对应的Map任务和Reduce任务的cpu资源需求和内存资源需求,具体表示为如下公式:
map_r_d=(ε*x6,λ*x7)
reduce_r_d=(ε*x8,λ*x9)
其中,map_r_d表示作业i在计算节点n下一轮监控周期内Map任务对应的cpu资源需求和内存资源需求,reduce_r_d表示作业i在计算节点n下一轮监控周期内Reduce任务对应的cpu资源需求和内存资源需求,x6、x7分别表示作业i在基准参考监控周期Ty或Ty’下Map任务的cpu资源和内存资源的平均消耗,x8、x9分别表示作业i在基准参考监控周期Ty或Ty’下Reduce任务的cpu资源和内存资源的平均消耗,ε、λ分别为cpu资源需求和内存资源需求的弹性调整因子,依据用户经验值设定。
9.根据权利要求8所述的基于Hadoop多作业环境下的资源调度方法,其特征在于,在所述步骤(4-6)中,若没有找到符合条件的基准参考监控周期Ty或Ty’,则将该计算节点上作业i对应的Map任务和Reduce任务的cpu资源需求和内存资源需求还原为集群初始的资源需求配置策略。
10.根据权利要求1或2所述的一种基于Hadoop多作业环境下的资源调度方法,其特征在于,所述步骤(5)中,Yarn中作业任务的资源需求均默认为如下配置策略:<”memory:1024MB”,”core:1”>,即作业单个任务可申请的最少物理内存量是1024MB,最少cpu资源为1,其中所述作业任务包括Map任务和Reduce任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510297019.1A CN104915407B (zh) | 2015-06-03 | 2015-06-03 | 一种基于Hadoop多作业环境下的资源调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510297019.1A CN104915407B (zh) | 2015-06-03 | 2015-06-03 | 一种基于Hadoop多作业环境下的资源调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104915407A true CN104915407A (zh) | 2015-09-16 |
CN104915407B CN104915407B (zh) | 2018-06-12 |
Family
ID=54084470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510297019.1A Active CN104915407B (zh) | 2015-06-03 | 2015-06-03 | 一种基于Hadoop多作业环境下的资源调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104915407B (zh) |
Cited By (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260243A (zh) * | 2015-10-30 | 2016-01-20 | 浪潮(北京)电子信息产业有限公司 | 一种集群作业调度方法与系统 |
CN105487930A (zh) * | 2015-12-01 | 2016-04-13 | 中国电子科技集团公司第二十八研究所 | 一种基于Hadoop的任务优化调度方法 |
CN105608138A (zh) * | 2015-12-18 | 2016-05-25 | 贵州大学 | 一种优化阵列数据库并行数据加载性能的系统 |
CN105868025A (zh) * | 2016-03-30 | 2016-08-17 | 华中科技大学 | 一种解决大数据处理系统中内存资源激烈竞争的系统 |
CN105868070A (zh) * | 2015-12-25 | 2016-08-17 | 乐视网信息技术(北京)股份有限公司 | 确定任务消耗资源的方法及装置 |
CN106095646A (zh) * | 2016-06-27 | 2016-11-09 | 江苏迪纳数字科技股份有限公司 | 基于多元线性回归模型的Hadoop集群节点性能计算方法 |
CN106648871A (zh) * | 2016-12-28 | 2017-05-10 | 北京奇艺世纪科技有限公司 | 一种资源管理方法及系统 |
CN106790368A (zh) * | 2016-11-17 | 2017-05-31 | 北京奇艺世纪科技有限公司 | 一种分布式系统中的资源调度方法和装置 |
CN106933664A (zh) * | 2017-03-09 | 2017-07-07 | 北京搜狐新媒体信息技术有限公司 | 一种Hadoop集群的资源调度方法及装置 |
CN107038069A (zh) * | 2017-03-24 | 2017-08-11 | 北京工业大学 | Hadoop平台下动态标签匹配DLMS调度方法 |
WO2017161984A1 (zh) * | 2016-03-24 | 2017-09-28 | 中兴通讯股份有限公司 | 数据集群的部署方法、装置、系统及计算机存储介质 |
CN107291546A (zh) * | 2016-03-30 | 2017-10-24 | 华为技术有限公司 | 一种资源调度方法及装置 |
CN107451039A (zh) * | 2016-03-31 | 2017-12-08 | 阿里巴巴集团控股有限公司 | 一种对集群中执行设备评价的方法和设备 |
CN107491448A (zh) * | 2016-06-12 | 2017-12-19 | 中国移动通信集团四川有限公司 | 一种HBase资源调整方法和装置 |
CN107704318A (zh) * | 2017-09-20 | 2018-02-16 | 北京京东尚科信息技术有限公司 | 实例调度的方法和装置 |
CN107807853A (zh) * | 2017-10-16 | 2018-03-16 | 北京航空航天大学 | 一种基于机器实时负载和任务状态机的节点筛选方法及装置 |
CN107885595A (zh) * | 2016-09-30 | 2018-04-06 | 华为技术有限公司 | 一种资源分配方法、相关设备及系统 |
CN108021450A (zh) * | 2017-12-04 | 2018-05-11 | 北京小度信息科技有限公司 | 基于yarn的作业分析方法和装置 |
CN105718364B (zh) * | 2016-01-15 | 2018-07-17 | 西安交通大学 | 一种云计算平台中计算资源能力动态评估方法 |
CN108446169A (zh) * | 2017-02-16 | 2018-08-24 | 阿里巴巴集团控股有限公司 | 一种作业调度方法及装置 |
CN108469988A (zh) * | 2018-02-28 | 2018-08-31 | 西北大学 | 一种基于异构Hadoop集群的任务调度方法 |
CN108920269A (zh) * | 2018-07-19 | 2018-11-30 | 中国联合网络通信集团有限公司 | 容器的i/o传输任务的调度方法和装置 |
CN108960641A (zh) * | 2018-07-10 | 2018-12-07 | 康成投资(中国)有限公司 | 电商平台作业调度方法及系统 |
CN108989080A (zh) * | 2018-05-29 | 2018-12-11 | 华为技术有限公司 | 管理节点的方法和装置 |
WO2018234941A1 (en) * | 2017-06-20 | 2018-12-27 | International Business Machines Corporation | USE OF RESOURCES IN COMPUTER ENVIRONMENTS DISTRIBUTED BY DYNAMICALLY ADJUSTING THE SIZE OF A RESOURCE UNIT |
CN109254842A (zh) * | 2017-07-12 | 2019-01-22 | 腾讯科技(深圳)有限公司 | 分布式流式系统的资源管理方法、装置及可读存储介质 |
CN109274711A (zh) * | 2018-08-13 | 2019-01-25 | 中兴飞流信息科技有限公司 | 集群计算方法、装置及计算机可读存储介质 |
CN109298932A (zh) * | 2018-08-29 | 2019-02-01 | 华中科技大学 | 基于OpenFlow的资源调度方法、调度器及系统 |
CN109408217A (zh) * | 2018-11-13 | 2019-03-01 | 杭州数梦工场科技有限公司 | 一种spark任务运行时间调整方法、装置及设备 |
CN110308988A (zh) * | 2019-05-17 | 2019-10-08 | 开放智能机器(上海)有限公司 | 一种应用于异构计算平台的动态调度方法及系统 |
CN110618861A (zh) * | 2019-09-16 | 2019-12-27 | 山东科技大学 | 一种Hadoop集群节能系统 |
CN110888732A (zh) * | 2018-09-10 | 2020-03-17 | 中国移动通信集团黑龙江有限公司 | 一种资源配置方法、设备、装置和计算机可读存储介质 |
WO2020119649A1 (zh) * | 2018-12-14 | 2020-06-18 | 中国科学院深圳先进技术研究院 | 一种任务调度模拟系统 |
CN111798063A (zh) * | 2020-07-09 | 2020-10-20 | 北京理工大学 | 一种基于作业双层冗余时间削减的研发资源配置方法 |
CN111857990A (zh) * | 2020-06-23 | 2020-10-30 | 苏州浪潮智能科技有限公司 | 一种加强yarn长类型服务调度的方法、系统 |
CN111930493A (zh) * | 2019-05-13 | 2020-11-13 | 中国移动通信集团湖北有限公司 | 集群中NodeManager状态管理方法、装置及计算设备 |
US10901797B2 (en) | 2018-11-06 | 2021-01-26 | International Business Machines Corporation | Resource allocation |
CN113127289A (zh) * | 2019-12-31 | 2021-07-16 | 奇安信科技集团股份有限公司 | 一种基于yarn集群的资源管理方法、计算机设备和存储介质 |
CN114064294A (zh) * | 2021-11-29 | 2022-02-18 | 郑州轻工业大学 | 移动边缘计算环境下的动态资源分配方法和系统 |
CN114640690A (zh) * | 2022-05-17 | 2022-06-17 | 浙江省公众信息产业有限公司无线运营分公司 | 一种文件存储方法、系统、介质和设备 |
CN117555586A (zh) * | 2024-01-11 | 2024-02-13 | 之江实验室 | 一种算法应用发布、管理及评分方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102004670A (zh) * | 2009-12-17 | 2011-04-06 | 华中科技大学 | 一种基于MapReduce的自适应作业调度方法 |
CN103440167A (zh) * | 2013-09-04 | 2013-12-11 | 福州大学 | Hadoop多作业环境下自学习反馈的任务调度方法 |
US20140245298A1 (en) * | 2013-02-27 | 2014-08-28 | Vmware, Inc. | Adaptive Task Scheduling of Hadoop in a Virtualized Environment |
CN104298550A (zh) * | 2014-10-09 | 2015-01-21 | 南通大学 | 一种面向Hadoop的动态调度方法 |
CN104317658A (zh) * | 2014-10-17 | 2015-01-28 | 华中科技大学 | 一种基于MapReduce的负载自适应任务调度方法 |
-
2015
- 2015-06-03 CN CN201510297019.1A patent/CN104915407B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102004670A (zh) * | 2009-12-17 | 2011-04-06 | 华中科技大学 | 一种基于MapReduce的自适应作业调度方法 |
US20140245298A1 (en) * | 2013-02-27 | 2014-08-28 | Vmware, Inc. | Adaptive Task Scheduling of Hadoop in a Virtualized Environment |
CN103440167A (zh) * | 2013-09-04 | 2013-12-11 | 福州大学 | Hadoop多作业环境下自学习反馈的任务调度方法 |
CN104298550A (zh) * | 2014-10-09 | 2015-01-21 | 南通大学 | 一种面向Hadoop的动态调度方法 |
CN104317658A (zh) * | 2014-10-17 | 2015-01-28 | 华中科技大学 | 一种基于MapReduce的负载自适应任务调度方法 |
Cited By (64)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260243A (zh) * | 2015-10-30 | 2016-01-20 | 浪潮(北京)电子信息产业有限公司 | 一种集群作业调度方法与系统 |
CN105260243B (zh) * | 2015-10-30 | 2018-10-12 | 浪潮(北京)电子信息产业有限公司 | 一种集群作业调度方法与系统 |
CN105487930B (zh) * | 2015-12-01 | 2018-10-16 | 中国电子科技集团公司第二十八研究所 | 一种基于Hadoop的任务优化调度方法 |
CN105487930A (zh) * | 2015-12-01 | 2016-04-13 | 中国电子科技集团公司第二十八研究所 | 一种基于Hadoop的任务优化调度方法 |
CN105608138A (zh) * | 2015-12-18 | 2016-05-25 | 贵州大学 | 一种优化阵列数据库并行数据加载性能的系统 |
CN105608138B (zh) * | 2015-12-18 | 2019-03-12 | 贵州大学 | 一种优化阵列数据库并行数据加载性能的系统 |
CN105868070A (zh) * | 2015-12-25 | 2016-08-17 | 乐视网信息技术(北京)股份有限公司 | 确定任务消耗资源的方法及装置 |
CN105718364B (zh) * | 2016-01-15 | 2018-07-17 | 西安交通大学 | 一种云计算平台中计算资源能力动态评估方法 |
WO2017161984A1 (zh) * | 2016-03-24 | 2017-09-28 | 中兴通讯股份有限公司 | 数据集群的部署方法、装置、系统及计算机存储介质 |
CN107291546B (zh) * | 2016-03-30 | 2020-07-14 | 华为技术有限公司 | 一种资源调度方法及装置 |
CN105868025B (zh) * | 2016-03-30 | 2019-05-10 | 华中科技大学 | 一种解决大数据处理系统中内存资源激烈竞争的系统 |
CN107291546A (zh) * | 2016-03-30 | 2017-10-24 | 华为技术有限公司 | 一种资源调度方法及装置 |
CN105868025A (zh) * | 2016-03-30 | 2016-08-17 | 华中科技大学 | 一种解决大数据处理系统中内存资源激烈竞争的系统 |
CN107451039A (zh) * | 2016-03-31 | 2017-12-08 | 阿里巴巴集团控股有限公司 | 一种对集群中执行设备评价的方法和设备 |
CN107491448A (zh) * | 2016-06-12 | 2017-12-19 | 中国移动通信集团四川有限公司 | 一种HBase资源调整方法和装置 |
CN106095646A (zh) * | 2016-06-27 | 2016-11-09 | 江苏迪纳数字科技股份有限公司 | 基于多元线性回归模型的Hadoop集群节点性能计算方法 |
CN107885595A (zh) * | 2016-09-30 | 2018-04-06 | 华为技术有限公司 | 一种资源分配方法、相关设备及系统 |
CN106790368A (zh) * | 2016-11-17 | 2017-05-31 | 北京奇艺世纪科技有限公司 | 一种分布式系统中的资源调度方法和装置 |
CN106648871A (zh) * | 2016-12-28 | 2017-05-10 | 北京奇艺世纪科技有限公司 | 一种资源管理方法及系统 |
CN108446169A (zh) * | 2017-02-16 | 2018-08-24 | 阿里巴巴集团控股有限公司 | 一种作业调度方法及装置 |
CN108446169B (zh) * | 2017-02-16 | 2022-04-26 | 阿里巴巴集团控股有限公司 | 一种作业调度方法及装置 |
CN106933664A (zh) * | 2017-03-09 | 2017-07-07 | 北京搜狐新媒体信息技术有限公司 | 一种Hadoop集群的资源调度方法及装置 |
CN107038069A (zh) * | 2017-03-24 | 2017-08-11 | 北京工业大学 | Hadoop平台下动态标签匹配DLMS调度方法 |
CN107038069B (zh) * | 2017-03-24 | 2020-05-08 | 北京工业大学 | Hadoop平台下动态标签匹配DLMS调度方法 |
WO2018234941A1 (en) * | 2017-06-20 | 2018-12-27 | International Business Machines Corporation | USE OF RESOURCES IN COMPUTER ENVIRONMENTS DISTRIBUTED BY DYNAMICALLY ADJUSTING THE SIZE OF A RESOURCE UNIT |
CN109254842B (zh) * | 2017-07-12 | 2023-06-16 | 腾讯科技(深圳)有限公司 | 分布式流式系统的资源管理方法、装置及可读存储介质 |
CN109254842A (zh) * | 2017-07-12 | 2019-01-22 | 腾讯科技(深圳)有限公司 | 分布式流式系统的资源管理方法、装置及可读存储介质 |
CN107704318A (zh) * | 2017-09-20 | 2018-02-16 | 北京京东尚科信息技术有限公司 | 实例调度的方法和装置 |
CN107807853A (zh) * | 2017-10-16 | 2018-03-16 | 北京航空航天大学 | 一种基于机器实时负载和任务状态机的节点筛选方法及装置 |
CN107807853B (zh) * | 2017-10-16 | 2021-07-02 | 北京航空航天大学 | 一种基于机器实时负载和任务状态机的节点筛选方法及装置 |
CN108021450A (zh) * | 2017-12-04 | 2018-05-11 | 北京小度信息科技有限公司 | 基于yarn的作业分析方法和装置 |
CN108469988B (zh) * | 2018-02-28 | 2021-12-17 | 西北大学 | 一种基于异构Hadoop集群的任务调度方法 |
CN108469988A (zh) * | 2018-02-28 | 2018-08-31 | 西北大学 | 一种基于异构Hadoop集群的任务调度方法 |
CN108989080A (zh) * | 2018-05-29 | 2018-12-11 | 华为技术有限公司 | 管理节点的方法和装置 |
CN108960641B (zh) * | 2018-07-10 | 2021-07-02 | 康成投资(中国)有限公司 | 电商平台作业调度方法及系统 |
CN108960641A (zh) * | 2018-07-10 | 2018-12-07 | 康成投资(中国)有限公司 | 电商平台作业调度方法及系统 |
CN108920269A (zh) * | 2018-07-19 | 2018-11-30 | 中国联合网络通信集团有限公司 | 容器的i/o传输任务的调度方法和装置 |
CN109274711B (zh) * | 2018-08-13 | 2021-05-25 | 中兴飞流信息科技有限公司 | 集群计算方法、装置及计算机可读存储介质 |
CN109274711A (zh) * | 2018-08-13 | 2019-01-25 | 中兴飞流信息科技有限公司 | 集群计算方法、装置及计算机可读存储介质 |
CN109298932B (zh) * | 2018-08-29 | 2020-07-10 | 华中科技大学 | 基于OpenFlow的资源调度方法、调度器及系统 |
CN109298932A (zh) * | 2018-08-29 | 2019-02-01 | 华中科技大学 | 基于OpenFlow的资源调度方法、调度器及系统 |
CN110888732A (zh) * | 2018-09-10 | 2020-03-17 | 中国移动通信集团黑龙江有限公司 | 一种资源配置方法、设备、装置和计算机可读存储介质 |
CN110888732B (zh) * | 2018-09-10 | 2023-04-25 | 中国移动通信集团黑龙江有限公司 | 一种资源配置方法、设备、装置和计算机可读存储介质 |
US10901797B2 (en) | 2018-11-06 | 2021-01-26 | International Business Machines Corporation | Resource allocation |
CN109408217A (zh) * | 2018-11-13 | 2019-03-01 | 杭州数梦工场科技有限公司 | 一种spark任务运行时间调整方法、装置及设备 |
CN111324445A (zh) * | 2018-12-14 | 2020-06-23 | 中国科学院深圳先进技术研究院 | 一种任务调度模拟系统 |
WO2020119649A1 (zh) * | 2018-12-14 | 2020-06-18 | 中国科学院深圳先进技术研究院 | 一种任务调度模拟系统 |
CN111324445B (zh) * | 2018-12-14 | 2024-04-02 | 中国科学院深圳先进技术研究院 | 一种任务调度模拟系统 |
US11455189B2 (en) | 2018-12-14 | 2022-09-27 | Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | Task scheduling simulation system |
CN111930493A (zh) * | 2019-05-13 | 2020-11-13 | 中国移动通信集团湖北有限公司 | 集群中NodeManager状态管理方法、装置及计算设备 |
CN111930493B (zh) * | 2019-05-13 | 2023-08-01 | 中国移动通信集团湖北有限公司 | 集群中NodeManager状态管理方法、装置及计算设备 |
CN110308988A (zh) * | 2019-05-17 | 2019-10-08 | 开放智能机器(上海)有限公司 | 一种应用于异构计算平台的动态调度方法及系统 |
WO2021051441A1 (zh) * | 2019-09-16 | 2021-03-25 | 山东科技大学 | 一种Hadoop集群节能系统 |
CN110618861A (zh) * | 2019-09-16 | 2019-12-27 | 山东科技大学 | 一种Hadoop集群节能系统 |
CN113127289A (zh) * | 2019-12-31 | 2021-07-16 | 奇安信科技集团股份有限公司 | 一种基于yarn集群的资源管理方法、计算机设备和存储介质 |
CN113127289B (zh) * | 2019-12-31 | 2024-04-12 | 奇安信科技集团股份有限公司 | 一种基于yarn集群的资源管理方法、计算机设备和存储介质 |
CN111857990B (zh) * | 2020-06-23 | 2023-01-10 | 苏州浪潮智能科技有限公司 | 一种加强yarn长类型服务调度的方法、系统 |
CN111857990A (zh) * | 2020-06-23 | 2020-10-30 | 苏州浪潮智能科技有限公司 | 一种加强yarn长类型服务调度的方法、系统 |
CN111798063A (zh) * | 2020-07-09 | 2020-10-20 | 北京理工大学 | 一种基于作业双层冗余时间削减的研发资源配置方法 |
CN114064294A (zh) * | 2021-11-29 | 2022-02-18 | 郑州轻工业大学 | 移动边缘计算环境下的动态资源分配方法和系统 |
CN114640690A (zh) * | 2022-05-17 | 2022-06-17 | 浙江省公众信息产业有限公司无线运营分公司 | 一种文件存储方法、系统、介质和设备 |
CN114640690B (zh) * | 2022-05-17 | 2022-08-23 | 浙江省公众信息产业有限公司无线运营分公司 | 一种文件存储方法、系统、介质和设备 |
CN117555586A (zh) * | 2024-01-11 | 2024-02-13 | 之江实验室 | 一种算法应用发布、管理及评分方法 |
CN117555586B (zh) * | 2024-01-11 | 2024-03-22 | 之江实验室 | 一种算法应用发布、管理及评分方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104915407B (zh) | 2018-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104915407A (zh) | 一种基于Hadoop多作业环境下的资源调度方法 | |
Lin et al. | Ant colony algorithm for multi-objective optimization of container-based microservice scheduling in cloud | |
CN109491790B (zh) | 基于容器的工业物联网边缘计算资源分配方法及系统 | |
CN1956457B (zh) | 用于安排网格计算系统中的网格作业的方法和设备 | |
CN1956456B (zh) | 用于在网格计算系统中呈现资源要求的方法和设备 | |
Chaurasia et al. | Comprehensive survey on energy-aware server consolidation techniques in cloud computing | |
Al-Dulaimy et al. | Type-aware virtual machine management for energy efficient cloud data centers | |
CN104050042A (zh) | Etl作业的资源分配方法及装置 | |
CN101263458A (zh) | 用于网格网络节流和负载收集器的方法和装置 | |
Li et al. | An effective scheduling strategy based on hypergraph partition in geographically distributed datacenters | |
CN105446816A (zh) | 一种面向异构平台的能耗优化调度方法 | |
Al-Sinayyid et al. | Job scheduler for streaming applications in heterogeneous distributed processing systems | |
Cheng et al. | Heterogeneity aware workload management in distributed sustainable datacenters | |
Mansouri | A threshold-based dynamic data replication and parallel job scheduling strategy to enhance data grid | |
Peng et al. | A reinforcement learning-based mixed job scheduler scheme for cloud computing under SLA constraint | |
Alshathri et al. | A New Reliable System For Managing Virtual Cloud Network. | |
Barlaskar et al. | Energy-efficient virtual machine placement using enhanced firefly algorithm | |
Ajmera et al. | Energy-efficient virtual machine scheduling in IaaS cloud environment using energy-aware green-particle swarm optimization | |
He et al. | Energy-efficient framework for virtual machine consolidation in cloud data centers | |
CN113014649B (zh) | 一种基于深度学习的云物联负载均衡方法、装置及设备 | |
Vashisht et al. | Efficient dynamic replication algorithm using agent for data grid | |
Hao et al. | Evaluation of nine heuristic algorithms with data‐intensive jobs and computing‐intensive jobs in a dynamic environment | |
Devagnanam et al. | Design and development of exponential lion algorithm for optimal allocation of cluster resources in cloud | |
Qin et al. | Joint energy optimization on the server and network sides for geo-distributed data centers | |
Ramezani et al. | Task Scheduling in cloud environments: a survey of population‐based evolutionary algorithms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |