CN107317836A - 一种混合云环境下时间可感知的请求调度方法 - Google Patents
一种混合云环境下时间可感知的请求调度方法 Download PDFInfo
- Publication number
- CN107317836A CN107317836A CN201710356130.2A CN201710356130A CN107317836A CN 107317836 A CN107317836 A CN 107317836A CN 201710356130 A CN201710356130 A CN 201710356130A CN 107317836 A CN107317836 A CN 107317836A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msubsup
- mover
- request
- 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.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
- H04L67/61—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources taking into account QoS or priority requirements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
- H04L67/63—Routing a service request depending on the request content or context
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种混合云环境下时间可感知的请求调度方法，该方法综合考虑了公有云和私有云中虚拟机单位时间执行成本、私有云的能量价格等因素在请求延迟时间要求内的变化。针对延迟容忍型应用的请求，该方法将私有云和公有云建模为一个由等长时间间隔构成的离散时间系统，基于此，建立了混合云环境下最大化私有云利润的请求调度的非线性约束优化模型，采用罚函数方法将其转化为无约束优化模型，然后采用基于模拟退火和粒子群优化算法的混合元启发式优化算法求解该无约束优化模型，实现混合云环境下时间可感知的请求调度。本发明能够智能地将所有到达的请求调度到公有云和私有云中执行，最大化私有云提供商的利润并保证所有请求的延迟时间要求。
Description
技术领域
本发明涉及云计算资源调度技术领域。更具体地，涉及一种混合云环境下时间可感知的请求调度方法。
背景技术
云计算服务可以通过网络向海量的用户提供按需的资源。云数据中心中的资源通常采用一种按需付费使用的方式动态地向用户提供服务。此外，云计算提供的规模经济吸引了越来越多的公司将其应用部署在云数据中心中。作为一个典型的云计算模式，基础设施云服务提供商(如Rackspace和Amazon EC2)按照按需付费的方式向用户提供服务。
根据美国国家标准技术研究院(National Institute of Standards andTechnology,NIST)的定义，私有云通常指其基础设施资源被由不同用户构成的单一组织所独占的云。公有云通常指其基础设施资源可以对外开放使用的云。实际情况下，私有云和公有云是相对的概念。在本发明中私有云指资源相对有限并且面向特定应用请求的基础设施云服务提供商。由于管理政策和效益等因素的考虑，特定应用的请求首先需到达私有云，然后由其决定在混合云环境下如何最优地调度这些请求。本发明中私有云直接面对的是用户。这些用户发送特定应用的请求，典型的应用包括高性能科学计算、大规模仿真、基于MapReduce的大数据分析处理等。私有云自身的资源总是有限的，因此在其资源不足时会利用公有云中大规模的基础设施资源。当私有云无法满足所有请求的性能要求时需要将部分请求调度到外部的公有云中执行。每一个私有云提供商总是以一种符合成本效益的方式向用户的请求提供服务，并且保证对应请求的服务质量。因此，利润最大化是私有云提供商的一个非常重要的目标。
云数据中心中请求的到达是无规律的和非周期的，因此很难精确地预测将来到达的请求的信息，这给私有云提供商带来了很大的挑战。由于私有云提供商的资源是有限的，因此在某一时刻私有云提供商无法满足所有到达的请求的资源需求。由于云数据中心实际的负载具有很大的波动性，即应用负载随时间动态地变化。如果按照最大可能负载配置服务器资源会造成服务器资源的浪费；同样，按照最低的可能负载配置服务器资源会造成体验服务级目标(Service Level Objective，SLO)的违背。现有的方法通常提供访问控制机制来拒绝超过私有云处理能力的请求。然而，这样会降低私有云提供商的吞吐量，并且会给私有云提供商带来利润的损失。然而，目前的混合云机制给私有云提供商提供了一种方法，即允许私有云提供商当其资源不足时将部分请求放到公有云上执行。
延迟容忍型应用的请求通常含有一个严格的服务延迟时间要求，比如大规模图像处理、科学计算和海量级数据分析等。云提供商比如亚马逊弹性计算云以虚拟机的形式向付费用户提供资源。实际上，私有云和公有云提供的虚拟机的单位时间使用价格随着时间变化而变化。此外，私有云的能量价格也同样随着时间而变化。因此私有云提供商可以利用一种时间可感知的请求调度方法，从而在满足每一个请求的延迟时间要求的同时最大化私有云提供商的利润。该方法需要保证在请求延迟时间要求内，将请求调度到私有云和公有云中执行。
因此，需要提供一种在满足延迟容忍型请求的延迟时间要求的同时最大化私有云提供商利润的混合云环境下时间可感知的请求调度方法。
发明内容
本发明的目的在于提供一种混合云环境下时间可感知的请求调度方法，综合考虑公有云和私有云的单位时间使用成本、私有云的能量价格在请求延迟时间要求内的变化，能够智能地将所有到达的请求调度到公有云和私有云中执行，从而最大化私有云的利润并且保证所有请求的延迟时间要求。
为达到上述目的，本发明采用下述技术方案：
根据本发明的一个方面，建立了混合云环境下最大化私有云利润的请求调度的非线性约束优化模型，包括：将面向延迟容忍型应用请求的私有云和公有云建模为一个由等长时间间隔构成的离散时间系统；确定私有云提供商利润的定义方式；对私有云资源(CPU和内存)的约束、调度到公有云中的请求数量约束、延迟容忍型应用请求的延迟时间约束等进行建模。进而最终得到混合云环境下最大化私有云利润的请求调度的非线性约束优化模型。
根据本发明的另一方面，提供了一种时间可感知的请求调度方法，包括：设计一种惩罚函数方法，可将非线性约束优化模型转化为无约束优化模型；采用一种基于模拟退火和粒子群优化算法的混合元启发式优化算法来求解转化得到的无约束优化模型，获得时间可感知的请求调度策略，从而最大化私有云提供商的利润。
根据本发明的上述方面，针对目前混合云环境下处理延迟容忍型应用请求的架构模式的特点，在混合云环境下时间可感知的请求调度方法基础上，通过综合考虑公有云和私有云的单位时间使用成本、私有云的能量价格在请求延迟时间要求内的变化等因素，使得混合云环境下私有云提供商的利润最大化。
综上，一种混合云环境下时间可感知的请求调度方法，包括如下步骤：
S1、针对延迟容忍型应用的请求，将私有云和公有云建模为一个由等长时间间隔构成的离散时间系统；
S2、根据离散时间系统，建立混合云环境下最大化私有云利润的请求调度的非线性约束优化模型；
S3、采用罚函数将非线性约束优化模型转化为无约束优化模型；
S4、采用基于模拟退火和粒子群优化算法设计的混合元启发式优化算法求解无约束优化模型，实现混合云环境下时间可感知的请求调度，从而最大化私有云提供商的利润并且保证所有请求的延迟时间要求。
优选地，所述非线性约束优化模型的优化目标为最大化私有云提供商的利润Profit，所述非线性约束优化模型为：
其中，Revenue表示从时间间隔t到时间间隔t+B执行请求所带来的收益；B表示应用请求的延迟时间要求；Cost表示从时间间隔t到时间间隔t+B，私有云执行请求所消耗的能量成本与向公有云支付的虚拟机使用成本之和；dt表示在时间间隔t内调度到私有云中执行的请求的个数，表示在时间间隔t+m内调度到私有云中执行的请求的个数，1≤m≤B；表示在时间间隔t内私有云的单位时间执行价格，表示在时间间隔t+m内私有云的估计的单位时间执行价格；rt表示在时间间隔t内每一个请求的平均执行时间，表示在时间间隔t+m内估计的每一个请求的平均执行时间；K表示公有云的个数；是二进制决策变量，如果在时间间隔t(t+m)内该请求被调度到公有云k中则否则 表示在时间间隔t内调度到公有云k中执行的请求的个数，表示在时间间隔t+m内调度到公有云k中执行的估计的请求的个数；表示在时间间隔t内公有云k的虚拟机的单位时间执行价格，表示在时间间隔t+m内公有云k的估计的虚拟机的单位时间执行价格；表示私有云执行每一个请求所消耗的能量大小；表示在时间间隔t内私有云的能量价格，表示在时间间隔t+m内私有云的估计的能量价格。
优选地，所述非线性约束优化模型的约束包括：在时间间隔t和时间间隔t+m，调度到私有云上执行的所有请求的总CPU和内存需求均不能超过私有云对应资源的容量限制：
dtCPUt≤CPUCap
dtmemt≤memCap
其中，CPUt表示在时间间隔t内私有云执行每个请求所需要的CPU的平均个数；CPUt+m表示在时间间隔t+m内私有云执行每个请求所需要的CPU的平均个数；memt表示在时间间隔t内私有云执行每个请求所需要的内存的平均大小；memt+m表示在时间间隔t+m内私有云执行每个请求所需要的CPU的平均个数；memCap表示私有云的CPU的容量限制；memCap表示私有云的内存的容量限制。
优选地，所述非线性约束优化模型的约束还包括：如果有请求需要调度到公有云中执行则该请求只能调度到一个公有云上，即或如果没有请求需要调度到公有云中，则或具体为：
优选地，所述非线性约束优化模型的约束还包括：在每个时间间隔t-1后需更新下一个时间间隔t的参数Δt-B和Dt：
Δt-B←Δt-B-1+λt-B
Dt←Dt-1+dt
其中，Δt-B表示到时间间隔t-B时累计到达的请求的个数，λt-B表示在时间间隔t-B到达的请求的个数；Dt-1表示到时间间隔t-1时累计调度的请求的个数。
优选地，所述非线性约束优化模型的约束还包括：到时间间隔t时，所有在时间间隔t-B或之前到达的请求均已经被调度到私有云或者公有云中执行；到时间间隔t+m时，所有在时间间隔t+m-B或之前到达的请求均已经被调度到私有云或者公有云中执行；到时间间隔t+B时累计调度的请求的个数必须等于到时间间隔t时累计到达的请求的个数，具体为：
优选地，采用罚函数将非线性约束优化模型转化为无约束优化模型具体为：将非线性约束优化模型及其约束中每个不等式或者等式约束均对应一个惩罚项，进行如下罚函数计算：
其中，Penalty表示对应于非线性约束优化模型的罚函数的值；q表示等式约束的个数；p表示不等式约束的个数；α和β均为常数；表示每个不等式约束所对应的惩罚项；表示每个等式约束所对应的惩罚项。
优选地，采用基于模拟退火和粒子群优化算法设计的混合元启发式优化算法求解无约束优化模型具体为：在每次迭代中，当前粒子的位置(解)所对应的目标函数值与该粒子新产生的位置所对应的目标函数值进行比较：如果该粒子新产生的位置所对应的目标函数值较优则直接按照新产生的位置更新该粒子的位置，如果该粒子新产生的位置所对应的目标函数值较差则按照模拟退火算法中的Metropolis接受法则决定是否接受该粒子新产生的位置；该混合算法中每个粒子按照模拟退火算法中的Metropolis接受法则来更新其自身的位置，从而期望该混合算法能够从局部最优解处跳出来并最终收敛于全局最优解。在该法则中，如果接受该新位置，则直接更新该粒子的位置，否者不更新该粒子的位置。以此循环，直到满足该混合优化算法的迭代终止条件，即得到能够最大化私有云利润并保证所有请求延迟时间要求的请求调度策略。
本发明的有益效果如下：
本发明所述技术方案能够解决云数据中心中请求到达的无规律性和私有云自身资源的有限性给请求调度带来的难题，并使得私有云提供商能够智能地调度延迟容忍型应用的请求，从而有选择性地将部分到达的请求放置到公有云中执行以严格保证每个请求的延迟时间要求。且本发明所述技术方案综合考虑了公有云和私有云的单位时间使用成本、私有云的能量价格在请求延迟时间要求内的变化特点，能够智能地将所有到达的请求在其延迟时间要求内调度到公有云和私有云中执行，从而能够最大化私有云提供商的利润并提高其吞吐量。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明；
图1示出混合云环境下时间可感知的请求调度方法的流程图。
图2示出面向延迟容忍型应用的混合云架构图。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
如图1和图2所示，本发明公开的一种混合云环境下时间可感知的请求调度方法，包括如下步骤：
S1、针对延迟容忍型应用的请求，将私有云和公有云建模为一个由等长时间间隔构成的离散时间系统：
上述离散时间系统主要针对延迟容忍型应用的请求(比如大规模图像处理、科学计算和海量级数据分析等)。这些请求的延迟时间要求可持续多个时间间隔，在请求的延迟时间要求内，公有云和私有云的单位时间价格随时间而变化。随着高性能的物理服务器在云数据中心中的大规模部署，越来越多的云数据中心提供多核计算，进而并行化地运行应用。该系统中每个请求均可以分解为多个功能上相似的子任务来并行地得到处理，这些子任务可以同时地执行在多个不同的物理服务器上。因此，本发明中的离散时间系统中每个请求可以在一个时间间隔内完成。根据此，本发明公开的请求调度方法周期性地在每个时间间隔内智能地调度所有到达的请求。
S2、根据离散时间系统，建立混合云环境下最大化私有云利润的请求调度的非线性约束优化模型：
本发明采用一种私有云提供商利润Profit的计算方法，来刻画在请求延迟时间要求内执行应用请求为私有云提供商带来的利润，非线性约束优化模型的优化目标为最大化私有云提供商的利润Profit，非线性约束优化模型为：
其中，Revenue表示从时间间隔t到时间间隔t+B执行请求所带来的收益；B表示应用请求的延迟时间要求；Cost表示从时间间隔t到时间间隔t+B，私有云执行请求所消耗的能量成本与向公有云支付的虚拟机使用成本之和；dt表示在时间间隔t内调度到私有云中执行的请求的个数，表示在时间间隔t+m内调度到私有云中执行的请求的个数，1≤m≤B；表示在时间间隔t内私有云的单位时间执行价格，表示在时间间隔t+m内私有云的估计的单位时间执行价格；rt表示在时间间隔t内每一个请求的平均执行时间，表示在时间间隔t+m内估计的每一个请求的平均执行时间；K表示公有云的个数；是二进制决策变量，如果在时间间隔t(t+m)内该请求被调度到公有云k中则否则 表示在时间间隔t内调度到公有云k中执行的请求的个数，表示在时间间隔t+m内调度到公有云k中执行的估计的请求的个数；表示在时间间隔t内公有云k的虚拟机的单位时间执行价格，表示在时间间隔t+m内公有云k的估计的虚拟机的单位时间执行价格；表示私有云执行每一个请求所消耗的能量大小；表示在时间间隔t内私有云的能量价格，表示在时间间隔t+m内私有云的估计的能量价格。
上述非线性约束优化模型的约束包括下述(1)～(4)：
(1)在时间间隔t和时间间隔t+m，调度到私有云上执行的所有请求的总CPU和内存需求均不能超过私有云对应资源(CPU和内存)的容量限制：
dtCPUt≤CPUCap
dtmemt≤memCap
其中，CPUt表示在时间间隔t内私有云执行每个请求所需要的CPU的平均个数；CPUt+m表示在时间间隔t+m内私有云执行每个请求所需要的CPU的平均个数；memt表示在时间间隔t内私有云执行每个请求所需要的内存的平均大小；memt+m表示在时间间隔t+m内私有云执行每个请求所需要的CPU的平均个数；memCap表示私有云的CPU的容量限制；memCap表示私有云的内存的容量限制。
(2)如果有请求需要调度到公有云中执行则该请求只能调度到一个公有云上，即或如果没有请求需要调度到公有云中，则或具体为：
(3)在每个时间间隔t-1后需更新下一个时间间隔t的参数Δt-B和Dt：
Δt-B←Δt-B-1+λt-B
Dt←Dt-1+dt
其中，Δt-B表示到时间间隔t-B时累计到达的请求的个数，λt-B表示在时间间隔t-B到达的请求的个数；Dt-1表示到时间间隔t-1时累计调度的请求的个数。
(4)到时间间隔t时，所有在时间间隔t-B或之前到达的请求均已经被调度到私有云或者公有云中执行；到时间间隔t+m时，所有在时间间隔t+m-B或之前到达的请求均已经被调度到私有云或者公有云中执行；到时间间隔t+B时累计调度的请求的个数必须等于到时间间隔t时累计到达的请求的个数，具体为：
S3、采用罚函数将非线性约束优化模型转化为无约束优化模型：
将步骤S2得到的非线性约束优化模型及其约束中每个不等式或者等式约束均对应一个惩罚项，进行如下罚函数计算：
其中，Penalty表示对应于非线性约束优化模型的罚函数的值；q表示等式约束的个数；p表示不等式约束的个数；α和β均为常数；表示每个不等式约束所对应的惩罚项；表示每个等式约束所对应的惩罚项。
令augProfit表示转化后的无约束优化模型的新的增广目标函数值：其中参数σ是一个非常大的正数，该参数突出了Penalty对augProfit的影响。
S4、采用基于模拟退火和粒子群优化算法设计的混合元启发式优化算法求解无约束优化模型，实现混合云环境下时间可感知的请求调度，从而最大化私有云提供商的利润并且保证所有请求的延迟时间要求：
在每次迭代中，当前粒子的位置(解)所对应的目标函数值与该粒子新产生的位置所对应的目标函数值进行比较：如果该粒子新产生的位置所对应的目标函数值较优则直接按照新产生的位置更新该粒子的位置，如果该粒子新产生的位置所对应的目标函数值较差则按照模拟退火算法中的Metropolis接受法则决定是否接受该粒子新产生的位置；该混合算法中每个粒子按照模拟退火算法中的Metropolis接受法则来更新其自身的位置，从而期望该混合算法能够从局部最优解处跳出来并最终收敛于全局最优解。在该法则中，如果接受该新位置，则直接更新该粒子的位置，否者不更新该粒子的位置。以此循环，直到满足该混合优化算法的迭代终止条件，即得到能够最大化私有云利润并保证所有请求延迟时间要求的请求调度策略。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (8)
1.一种混合云环境下时间可感知的请求调度方法，其特征在于，该方法包括如下步骤：
S1、针对延迟容忍型应用的请求，将私有云和公有云建模为一个由等长时间间隔构成的离散时间系统；
S2、根据离散时间系统，建立混合云环境下最大化私有云利润的请求调度的非线性约束优化模型；
S3、采用罚函数将非线性约束优化模型转化为无约束优化模型；
S4、采用基于模拟退火和粒子群优化算法设计的混合元启发式优化算法求解无约束优化模型，实现混合云环境下时间可感知的请求调度。
2.根据权利要求1所述的混合云环境下时间可感知的请求调度方法，其特征在于，所述非线性约束优化模型的优化目标为最大化私有云提供商的利润Profit，所述非线性约束优化模型为：
<mrow>
<munder>
<mrow>
<mi>M</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<msub>
<mi>d</mi>
<mi>t</mi>
</msub>
<mo>,</mo>
<msub>
<mover>
<mi>d</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>,</mo>
<msubsup>
<mi>d</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mover>
<mi>d</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>y</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mover>
<mi>y</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
<mi>k</mi>
</msubsup>
</mrow>
</munder>
<mo>{</mo>
<mi>Pr</mi>
<mi>o</mi>
<mi>f</mi>
<mi>i</mi>
<mi>t</mi>
<mo>=</mo>
<mi>Re</mi>
<mi>v</mi>
<mi>e</mi>
<mi>n</mi>
<mi>u</mi>
<mi>e</mi>
<mo>-</mo>
<mi>C</mi>
<mi>o</mi>
<mi>s</mi>
<mi>t</mi>
<mo>}</mo>
</mrow>
<mrow>
<mi>Re</mi>
<mi>v</mi>
<mi>e</mi>
<mi>n</mi>
<mi>u</mi>
<mi>e</mi>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>p</mi>
<mi>t</mi>
<mrow>
<mi>c</mi>
<mi>h</mi>
<mi>a</mi>
<mi>r</mi>
</mrow>
</msubsup>
<mo>(</mo>
<mrow>
<msub>
<mi>r</mi>
<mi>t</mi>
</msub>
<msub>
<mi>d</mi>
<mi>t</mi>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>y</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
<msub>
<mi>r</mi>
<mi>t</mi>
</msub>
<msubsup>
<mi>d</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>B</mi>
</munderover>
<mo>(</mo>
<mrow>
<msubsup>
<mover>
<mi>p</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
<mrow>
<mi>c</mi>
<mi>h</mi>
<mi>a</mi>
<mi>r</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mover>
<mi>r</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
</msub>
<msub>
<mover>
<mi>d</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mover>
<mi>y</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
<mi>k</mi>
</msubsup>
<msub>
<mover>
<mi>r</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
</msub>
<msubsup>
<mover>
<mi>d</mi>
<mo>~</mo>
</mover>
<mi>t</mi>
<mi>k</mi>
</msubsup>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
其中，Revenue表示从时间间隔t到时间间隔t+B执行请求所带来的收益；B表示应用请求的延迟时间要求；Cost表示从时间间隔t到时间间隔t+B，私有云执行请求所消耗的能量成本与向公有云支付的虚拟机使用成本之和；dt表示在时间间隔t内调度到私有云中执行的请求的个数，表示在时间间隔t+m内调度到私有云中执行的请求的个数，1≤m≤B；表示在时间间隔t内私有云的单位时间执行价格，表示在时间间隔t+m内私有云的估计的单位时间执行价格；rt表示在时间间隔t内每一个请求的平均执行时间，表示在时间间隔t+m内估计的每一个请求的平均执行时间；K表示公有云的个数；是二进制决策变量，如果在时间间隔t(t+m)内该请求被调度到公有云k中则否则 表示在时间间隔t内调度到公有云k中执行的请求的个数，表示在时间间隔t+m内调度到公有云k中执行的估计的请求的个数；表示在时间间隔t内公有云k的虚拟机的单位时间执行价格，表示在时间间隔t+m内公有云k的估计的虚拟机的单位时间执行价格；表示私有云执行每一个请求所消耗的能量大小；表示在时间间隔t内私有云的能量价格，表示在时间间隔t+m内私有云的估计的能量价格。
3.根据权利要求2所述的混合云环境下时间可感知的请求调度方法，其特征在于，所述非线性约束优化模型的约束包括：在时间间隔t和时间间隔t+m，调度到私有云上执行的所有请求的总CPU和内存需求均不能超过私有云对应资源的容量限制：
dtCPUt≤CPUCap
dtmemt≤memCap
<mrow>
<msub>
<mover>
<mi>d</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
</msub>
<msub>
<mi>CPU</mi>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>&le;</mo>
<msub>
<mi>CPU</mi>
<mrow>
<mi>C</mi>
<mi>a</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mi>m</mi>
<mo>&le;</mo>
<mi>B</mi>
</mrow>
<mrow>
<msub>
<mover>
<mi>d</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
</msub>
<msub>
<mi>mem</mi>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>&le;</mo>
<msub>
<mi>mem</mi>
<mrow>
<mi>C</mi>
<mi>a</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mi>m</mi>
<mo>&le;</mo>
<mi>B</mi>
</mrow>
其中，CPUt表示在时间间隔t内私有云执行每个请求所需要的CPU的平均个数；CPUt+m表示在时间间隔t+m内私有云执行每个请求所需要的CPU的平均个数；memt表示在时间间隔t内私有云执行每个请求所需要的内存的平均大小；memt+m表示在时间间隔t+m内私有云执行每个请求所需要的CPU的平均个数；memCap表示私有云的CPU的容量限制；memCap表示私有云的内存的容量限制。
4.根据权利要求3所述的混合云环境下时间可感知的请求调度方法，其特征在于，所述非线性约束优化模型的约束还包括：如果有请求需要调度到公有云中执行则该请求只能调度到一个公有云上，即或如果没有请求需要调度到公有云中，则或具体为：
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msubsup>
<mi>y</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
<mo>&le;</mo>
<mn>1</mn>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msubsup>
<mover>
<mi>y</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>&le;</mo>
<mn>1</mn>
</mrow>
<mrow>
<msubsup>
<mi>y</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mover>
<mi>y</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>&Element;</mo>
<mo>{</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>}</mo>
<mo>.</mo>
</mrow>
5.根据权利要求4所述的混合云环境下时间可感知的请求调度方法，其特征在于，所述非线性约束优化模型的约束还包括：在每个时间间隔t-1后需更新下一个时间间隔t的参数Δt-B和Dt：
Δt-B←Δt-B-1+λt-B
Dt←Dt-1+dt
其中，Δt-B表示到时间间隔t-B时累计到达的请求的个数，λt-B表示在时间间隔t-B到达的请求的个数；Dt-1表示到时间间隔t-1时累计调度的请求的个数。
6.根据权利要求5所述的混合云环境下时间可感知的请求调度方法，其特征在于，所述非线性约束优化模型的约束还包括：到时间间隔t时，所有在时间间隔t-B或之前到达的请求均已经被调度到私有云或者公有云中执行；到时间间隔t+m时，所有在时间间隔t+m-B或之前到达的请求均已经被调度到私有云或者公有云中执行；到时间间隔t+B时累计调度的请求的个数必须等于到时间间隔t时累计到达的请求的个数，具体为：
<mrow>
<msub>
<mi>&Delta;</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>B</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>B</mi>
</mrow>
</msub>
<mo>&le;</mo>
<msub>
<mi>D</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>d</mi>
<mi>t</mi>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<mo>(</mo>
<mrow>
<msubsup>
<mi>y</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
<msubsup>
<mi>d</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&Delta;</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>B</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>=</mo>
<mi>t</mi>
<mo>-</mo>
<mi>B</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>B</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
</munderover>
<msub>
<mi>&lambda;</mi>
<mi>u</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>D</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>d</mi>
<mi>t</mi>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<mo>(</mo>
<mrow>
<msubsup>
<mi>y</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
<msubsup>
<mi>d</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>=</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>d</mi>
<mo>~</mo>
</mover>
<mi>u</mi>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<mo>(</mo>
<mrow>
<msubsup>
<mover>
<mi>y</mi>
<mo>~</mo>
</mover>
<mi>u</mi>
<mi>k</mi>
</msubsup>
<msubsup>
<mover>
<mi>d</mi>
<mo>~</mo>
</mover>
<mi>u</mi>
<mi>k</mi>
</msubsup>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&Delta;</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>B</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>=</mo>
<mi>t</mi>
<mo>-</mo>
<mi>B</mi>
</mrow>
<mi>t</mi>
</munderover>
<msub>
<mi>&lambda;</mi>
<mi>u</mi>
</msub>
<mo>=</mo>
<msub>
<mi>D</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>d</mi>
<mi>t</mi>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<mo>(</mo>
<mrow>
<msubsup>
<mi>y</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
<msubsup>
<mi>d</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>=</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>d</mi>
<mo>~</mo>
</mover>
<mi>u</mi>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<mo>(</mo>
<mrow>
<msubsup>
<mover>
<mi>y</mi>
<mo>~</mo>
</mover>
<mi>u</mi>
<mi>k</mi>
</msubsup>
<msubsup>
<mover>
<mi>d</mi>
<mo>~</mo>
</mover>
<mi>u</mi>
<mi>k</mi>
</msubsup>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
2
<mrow>
<msub>
<mi>d</mi>
<mi>t</mi>
</msub>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
<mo>,</mo>
<msub>
<mover>
<mi>d</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
<mo>,</mo>
<msubsup>
<mi>d</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
<mo>,</mo>
<msubsup>
<mover>
<mi>d</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>&GreaterEqual;</mo>
<mn>0.</mn>
</mrow>
7.根据权利要求6所述的混合云环境下时间可感知的请求调度方法，其特征在于，采用罚函数将非线性约束优化模型转化为无约束优化模型具体为：将非线性约束优化模型及其约束中每个不等式或者等式约束均对应一个惩罚项，进行如下罚函数计算：
<mrow>
<mi>P</mi>
<mi>e</mi>
<mi>n</mi>
<mi>a</mi>
<mi>l</mi>
<mi>t</mi>
<mi>y</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>{</mo>
<mn>0</mn>
<mo>,</mo>
<mo>-</mo>
<msub>
<mi>g</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mover>
<mi>x</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>)</mo>
<mo>}</mo>
<mo>)</mo>
</mrow>
<mi>&alpha;</mi>
</msup>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>q</mi>
</munderover>
<mo>|</mo>
<msub>
<mi>h</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mover>
<mi>x</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>)</mo>
</mrow>
<msup>
<mo>|</mo>
<mi>&beta;</mi>
</msup>
</mrow>
其中，Penalty表示对应于非线性约束优化模型的罚函数的值；q表示等式约束的个数；p表示不等式约束的个数；α和β均为常数；表示每个不等式约束所对应的惩罚项；表示每个等式约束所对应的惩罚项。
8.根据权利要求7所述的混合云环境下时间可感知的请求调度方法，其特征在于，采用基于模拟退火和粒子群优化算法设计的混合元启发式优化算法求解无约束优化模型具体为：在每次迭代中，当前粒子的位置所对应的目标函数值与该粒子新产生的位置所对应的目标函数值进行比较：如果该粒子新产生的位置所对应的目标函数值较优则直接按照新产生的位置更新该粒子的位置，如果该粒子新产生的位置所对应的目标函数值较差则按照模拟退火算法中的Metropolis接受法则决定是否接受该粒子新产生的位置；以此循环直到满足迭代终止条件，得到请求调度策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710356130.2A CN107317836A (zh) | 2017-05-16 | 2017-05-16 | 一种混合云环境下时间可感知的请求调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710356130.2A CN107317836A (zh) | 2017-05-16 | 2017-05-16 | 一种混合云环境下时间可感知的请求调度方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107317836A true CN107317836A (zh) | 2017-11-03 |
Family
ID=60183200
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710356130.2A Pending CN107317836A (zh) | 2017-05-16 | 2017-05-16 | 一种混合云环境下时间可感知的请求调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107317836A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108123995A (zh) * | 2017-11-17 | 2018-06-05 | 北京交通大学 | 分布式绿色云数据中心中空间觉察的请求调度与优化方法 |
| CN108170531A (zh) * | 2017-12-26 | 2018-06-15 | 北京工业大学 | 一种基于深度信念网络的云数据中心请求流调度方法 |
| CN108769105A (zh) * | 2018-04-12 | 2018-11-06 | 昆明理工大学 | 一种云环境下的知识服务多任务调度优化方法及其构建的调度系统 |
| CN109218439A (zh) * | 2018-10-11 | 2019-01-15 | 北京交通大学 | 分布式绿色云数据中心利润和性能敏感的多目标任务调度方法 |
| CN110891019A (zh) * | 2019-12-10 | 2020-03-17 | 重庆邮电大学 | 一种基于负载均衡的数据中心流量调度方法 |
| CN115237592A (zh) * | 2022-07-12 | 2022-10-25 | 苏州大学 | 隐私感知的混合云服务流程调度方法 |
| WO2023165056A1 (zh) * | 2022-03-03 | 2023-09-07 | 环球数科集团有限公司 | 一种基于凸优化的混合容器云调度系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104065663A (zh) * | 2014-07-01 | 2014-09-24 | 复旦大学 | 一种基于混合云调度模型的自动伸缩、费用优化的内容分发服务方法 |
| CN104102544A (zh) * | 2014-06-30 | 2014-10-15 | 武汉理工大学 | 混合云环境下多QoS约束的并行任务调度成本优化方法 |
| CN104657220A (zh) * | 2015-03-12 | 2015-05-27 | 广东石油化工学院 | 混合云中基于截止时间和费用约束的调度模型及方法 |
| CN106056294A (zh) * | 2016-06-06 | 2016-10-26 | 四川大学 | 一种基于任务概率聚簇和多约束工作流划分的混合云科学工作流调度策略 |
| CN106611277A (zh) * | 2016-05-13 | 2017-05-03 | 四川用联信息技术有限公司 | 混合云模式下的一种云资源调度方法 |
-
2017
- 2017-05-16 CN CN201710356130.2A patent/CN107317836A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104102544A (zh) * | 2014-06-30 | 2014-10-15 | 武汉理工大学 | 混合云环境下多QoS约束的并行任务调度成本优化方法 |
| CN104065663A (zh) * | 2014-07-01 | 2014-09-24 | 复旦大学 | 一种基于混合云调度模型的自动伸缩、费用优化的内容分发服务方法 |
| CN104657220A (zh) * | 2015-03-12 | 2015-05-27 | 广东石油化工学院 | 混合云中基于截止时间和费用约束的调度模型及方法 |
| CN106611277A (zh) * | 2016-05-13 | 2017-05-03 | 四川用联信息技术有限公司 | 混合云模式下的一种云资源调度方法 |
| CN106056294A (zh) * | 2016-06-06 | 2016-10-26 | 四川大学 | 一种基于任务概率聚簇和多约束工作流划分的混合云科学工作流调度策略 |
Non-Patent Citations (1)
| Title |
|---|
| HAITAO YUAN，JING BI，WEI TAN，BO HU LI: ""Temporal Task Scheduling With Constrained Service Delay for Profit Maximization in Hybrid Clouds"", 《IEEE TRANSACTION ON AUTOMATION SCIENCE AND ENGINEERING》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108123995A (zh) * | 2017-11-17 | 2018-06-05 | 北京交通大学 | 分布式绿色云数据中心中空间觉察的请求调度与优化方法 |
| CN108123995B (zh) * | 2017-11-17 | 2020-02-21 | 北京交通大学 | 分布式绿色云数据中心中空间觉察的请求调度与优化方法 |
| CN108170531A (zh) * | 2017-12-26 | 2018-06-15 | 北京工业大学 | 一种基于深度信念网络的云数据中心请求流调度方法 |
| CN108170531B (zh) * | 2017-12-26 | 2021-07-02 | 北京工业大学 | 一种基于深度信念网络的云数据中心请求流调度方法 |
| CN108769105A (zh) * | 2018-04-12 | 2018-11-06 | 昆明理工大学 | 一种云环境下的知识服务多任务调度优化方法及其构建的调度系统 |
| CN109218439A (zh) * | 2018-10-11 | 2019-01-15 | 北京交通大学 | 分布式绿色云数据中心利润和性能敏感的多目标任务调度方法 |
| CN110891019A (zh) * | 2019-12-10 | 2020-03-17 | 重庆邮电大学 | 一种基于负载均衡的数据中心流量调度方法 |
| CN110891019B (zh) * | 2019-12-10 | 2021-11-30 | 重庆邮电大学 | 一种基于负载均衡的数据中心流量调度方法 |
| WO2023165056A1 (zh) * | 2022-03-03 | 2023-09-07 | 环球数科集团有限公司 | 一种基于凸优化的混合容器云调度系统 |
| CN115237592A (zh) * | 2022-07-12 | 2022-10-25 | 苏州大学 | 隐私感知的混合云服务流程调度方法 |
| CN115237592B (zh) * | 2022-07-12 | 2023-07-11 | 苏州大学 | 隐私感知的混合云服务流程调度方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Dynamic resource scheduling in mobile edge cloud with cloud radio access network | |
| Liu et al. | Online multi-workflow scheduling under uncertain task execution time in IaaS clouds | |
| CN107317836A (zh) | 一种混合云环境下时间可感知的请求调度方法 | |
| Prem Jacob et al. | A multi-objective optimal task scheduling in cloud environment using cuckoo particle swarm optimization | |
| Zeng et al. | Joint optimization of task scheduling and image placement in fog computing supported software-defined embedded system | |
| Zhu et al. | Scheduling stochastic multi-stage jobs to elastic hybrid cloud resources | |
| Zuo et al. | A multi-objective optimization scheduling method based on the ant colony algorithm in cloud computing | |
| US9571347B2 (en) | Reactive auto-scaling of capacity | |
| Chen et al. | DGLB: Distributed stochastic geographical load balancing over cloud networks | |
| Masdari et al. | Efficient task and workflow scheduling in inter-cloud environments: challenges and opportunities | |
| CN104657220B (zh) | 混合云中基于截止时间和费用约束的调度模型及方法 | |
| Lin et al. | On scientific workflow scheduling in clouds under budget constraint | |
| Yuan et al. | Temporal task scheduling of multiple delay-constrained applications in green hybrid cloud | |
| US20180329741A1 (en) | Task scheduling in a green data center | |
| Wang et al. | Joint server assignment and resource management for edge-based MAR system | |
| Ran et al. | SLAs-aware online task scheduling based on deep reinforcement learning method in cloud environment | |
| Bohez et al. | Discrete-event simulation for efficient and stable resource allocation in collaborative mobile cloudlets | |
| Cheng et al. | Heterogeneity aware workload management in distributed sustainable datacenters | |
| Mehrotra et al. | Towards an autonomic performance management approach for a cloud broker environment using a decomposition–coordination based methodology | |
| Emmanuel et al. | Cost optimization heuristics for deadline constrained workflow scheduling on clouds and their comparative evaluation | |
| Karthik et al. | Resource scheduling approach in cloud Testing as a Service using deep reinforcement learning algorithms | |
| Navaneetha Krishnan et al. | Multi‐objective task scheduling in fog computing using improved gaining sharing knowledge based algorithm | |
| Saravanan et al. | Improving map reduce task scheduling and micro-partitioning mechanism for mobile cloud multimedia services | |
| Kumar et al. | Convergence of user and service provider perspectives in mobile cloud computing environment: taxonomy and challenges | |
| Liu et al. | A novel deadline assignment strategy for a large batch of parallel tasks with soft deadlines in the cloud |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171103 |