CN107562537B - 一种基于万有引力搜索的云计算任务调度方法 - Google Patents
一种基于万有引力搜索的云计算任务调度方法 Download PDFInfo
- Publication number
- CN107562537B CN107562537B CN201710719566.3A CN201710719566A CN107562537B CN 107562537 B CN107562537 B CN 107562537B CN 201710719566 A CN201710719566 A CN 201710719566A CN 107562537 B CN107562537 B CN 107562537B
- Authority
- CN
- China
- Prior art keywords
- load
- virtual machine
- particles
- current
- tasks
- 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.)
- Active
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Multi Processors (AREA)
Abstract
本发明公开了一种基于万有引力搜索的云计算任务调度方法,本方法将用户需求的任务高效的分布在云系统的各个虚拟机上,由于云计算负载均衡方法或者云计算任务调度方法本身是一个NP问题。任务分配过程中,主要需要解决的是服务器的选择问题。而万有引力算法中个体是呈分布式的状态,个体之间具有较高的自组织性,符合云计算的特点。利用模拟万有引力相互吸引的过程,尽可能找到合适的虚拟机和服务器,从而提升系统性能,并且根据虚拟机反馈的信息尽可能做出正确的决定,同样虚拟机在每次分配任务结束之后更新自己信息,并通知后来的云任务,保证算法的高效。
Description
技术领域
本发明涉及一种基于万有引力搜索的云计算任务调度方法。
背景技术
云计算的思想是将运算任务分布在由大量服务器构成的资源池上,并且 这些资源可以按需分配给用户使用。因为云计算中存在庞大的用户群,因此 在网络计算中,常常会涉及到服务器节点的选择以及当前网络拥塞情况的调 整,负载均衡的目的正是为了解决网络环境和服务器的问题。云计算任务的 有效调度不仅可以减少执行成本和时间,也可以获得更好的经济效益。负载 均衡的算法一般都是基于动态启发式算法。但目前的万有引力搜索算法容易 早熟,算法精度不高,运行效率偏低。
发明内容
为了解决目前万有引力搜索算法存在容易早熟,算法精度不高,运行效 率偏低的技术问题,本发明提供一种利用模拟万有引力相互吸引的过程,尽 可能找到合适的虚拟机和服务器,从而提升系统性能,并且根据虚拟机反馈 的信息尽可能做出正确的决定,同样虚拟机在每次分配任务结束之后更新自 己信息,并通知后来的云任务,保证算法的高效的基于万有引力搜索的任务 调度方法。
为了实现上述技术目的,本发明的技术方案是,
一种基于万有引力搜索的云计算任务调度方法,包括以下步骤:
步骤一,选择:随机选择所有任务的n%作为样本,0<n<100,按照ETC 矩阵来得到执行任务花费时间最少的方式,按这个方式来选择虚拟机去执行 任务;
步骤二,判断平衡:如果当前系统处于平衡状态,则直接将当前批次任 务分配到步骤一中选择的虚拟机上,若不平衡,则执行步骤三;
步骤三,迭代:为当前批次预分配的任务通过迭代方式来选择更为合适 的虚拟机,并根据该迭代方式为虚拟机分配合适的服务器;
步骤四,判断当前物理机是否超过负载,若当前系统处于平衡状态则执 行步骤六,否则执行步骤五;
步骤五,限制系统负载,更新当前的系统,重新选择虚拟机调度执行任 务,返回步骤三;
步骤六,分配任务到虚拟机上;
步骤七,结束调度。
所述的一种基于万有引力搜索的云计算任务调度方法,所述的步骤二中, 用于判断平衡的公式为:
其中Ti VM为第i个虚拟机的当前负载,N为虚拟机个数;
Tj C为第j个物理机的当前负载,M为物理机个数;
EL(X)VM为当前时刻虚拟机负载均值;
EL(X)C为当前时刻物理主机负载均值;
DL(X)VM为当前时刻虚拟机负载方差;
DL(X)C为当前时刻物理机负载方差;
其中λ为0-1之间的实数,S为系统稳定值。
所述的一种基于万有引力搜索的云计算任务调度方法,所述的步骤三中, 用于选择虚拟机及分配服务器的迭代是通过万有引力算法来进行,包括以下 步骤:
步骤1)、初始化:引力常数初始值G0、调节引力常数G的衰减速度来控 制搜索精度的参数值α、任务的个数M、虚拟机的个数N、服务器的个数j、 阈值c及作为万有引力算法中粒子的任务、虚拟机和服务器的位置;
步骤2)、计算各任务、虚拟机和服务器这些粒子的适应度,然后根据适 应度计算各粒子的质量,再根据质量得到各粒子所受引力,
步骤3)、更新变量G(t)、best(t)、worst(t),G(t)为当前时刻引力常 数,best(t)为当前时刻适应度最小值,worst(t)为当前时刻适应度最大值;
步骤4)、更新各物体位置;
步骤5)、如果存在作为任务的粒子和作为虚拟机的粒子之间的距离小于阈 值c,则将该粒子所代表的任务分配给该虚拟机,直到所有代表任务的粒子分 配完毕,则迭代过程结束。
所述的一种基于万有引力搜索的云计算任务调度方法,所述的步骤2)中, 计算各任务、虚拟机和服务器的适应度包括以下步骤:
将任务分配到虚拟机上时:任务的适应度为任务长度,虚拟机的适应度为 虚拟机计算速度*CPU可用核数;
将虚拟机分配到服务器上时:适应度函数为
所述的一种基于万有引力搜索的云计算任务调度方法,所述的步骤2)中, 根据适应度计算各粒子的质量包括以下步骤:
Mai=Mpi=Mi,其中Mai为第i个粒子的主动引力质量,Mpi为第i个粒子 的被动引力质量,Mi为第i个粒子的质量;
其中mi(t)是根据适应度更新的第i个粒子的质量,fiti(t)是第i个粒子在t时刻的适应度值,best(t)为当前时刻所有粒子的 适应度中的最小值,即其中Z为粒子总数,worst(t) 为当前时刻所有粒子的适应度中的适应度最大值,即其中Z为粒子总数;
所述的一种基于万有引力搜索的云计算任务调度方法,所述的步骤2)中, 根据质量得到各粒子所受引力包括以下步骤:
以X表示所有粒子x的集合,有X=(x1,x2,...,xZ-1,xZ),其中Z为粒子总 数,
在当前时刻t,第j个粒子Xj作用在d维上对第i个粒子Xi上的引力大 小为:其中,Rij表示两个粒子之间的欧 氏距离Rij=||Xi(t),Xj(t)||2,ε取大于0小于0.001,和分别表示在维度d 下Xj和Xi的位置,其中d的取值范围为1-D;
所述的一种基于万有引力搜索的云计算任务调度方法,判断当前物理机是 否超过负载的公式为:
第i个物理机Pi上的负载如下所示:
其中mi表示物理机Pi上虚拟机的总数。
所述的一种基于万有引力搜索的云计算任务调度方法,所述的步骤五中, 用于限制系统负载的公式为:
LOADi=LOADi+r*(LOADMAX-LOADMIN)
其中,LOADi为第i次迭代时的系统负载,LOADMax为系统允许运行的最 大负载,LOADMin为系统允许运行的最小负载,r为0-1之间的随机数。
本发明的技术效果在于,本方法充分利用了当前环境下的有效节点,提 高了算法效率,任务完成总时间最少,平均任务完成时间最低,且违反SL A次数最少。同时算法运行时间低于传统万有引力里搜索算法,可大大减小 程序运算时间。
下面结合附图对本发明作进一步说明。
附图说明
图1为云计算的任务调度模型示意图;
图2为云计算的任务调度流程图。
具体实施方式
本发明将用户需求的任务高效的分布在云系统的各个虚拟机上,云计算 负载均衡方法或者云计算任务调度方法本身是一个NP问题。任务分配过程中, 主要需要解决的是服务器的选择问题。万有引力算法中个体是呈分布式的状 态,个体之间具有较高的自组织性,符合云计算的特点。利用模拟万有引力 相互吸引的过程,尽可能找到合适的虚拟机和服务器,从而提升系统性能, 并且根据虚拟机反馈的信息尽可能做出正确的决定,同样虚拟机在每次分配 任务结束之后更新自己信息,并通知后来的云任务,保证算法的高效。
云计算的任务调度模型可以简化为图1所示。User1、User2、...、Useri, 表示共有i个用户在使用云计算资源,他们向云平台提交自己需要运行的任务。 T1、T2、T3、...、Tm表示这i个用户所提交的任务,每一个用户可以提交许 多个任务。WM1、WM2、...、WMn表示有n个虚拟机,每一个虚拟机上可 运行多个任务,每个任务只能被安排在一个虚拟机上运行。Host1、Host2、...、 Hostj表示有j个物理主机,每一个虚拟机都只对应着一个物理主机,而在一 个物理主机上能同时存在多个虚拟机。在云任务和虚拟机之间由数据中心代 理负责任务的调度,在虚拟机和物理主机之间也存在一个虚拟机的调度。
任务调度模型的流程如图2所示。任务调度器的调度策略是由云服务提 供商定制的,任务调度器负责把可用的资源分配给任务并安排任务的执行。 而云服务商负责接收用户的任务需求,然后交给任务调度器进行调度。
在实际仿真调度的过程中,任务虽然是一个真实存在的实体,但是这个 实体并不能直接拿给调度算法进行调度表的生成,所以获取这个任务实体上 相关的属性,可把任务抽象成下表1。
表1任务属性表
还有虚拟机也是如此,调度算法并不是把整个的虚拟机都拿来运算,而 是虚拟机上的相关属性,所以虚拟机可以抽象为下表2。
表2虚拟机属性表
根据虚拟机和任务的参数,可以得到一个m*n的矩阵ETC(Expected Time toCompute),ETC矩阵的值可由以下计算。
lengthc表示Tc任务的长度,mipsr表示WMr虚拟机的速度,则ETCc,r表示 Tc任务在WMr虚拟机上运行的时间。若用Er表示虚拟机WMr运行完分配给 它的任务所需要的时间,而虚拟机上分配的任务数为cntr,任务集合为task, 那么Er可由以下公式计算。
其中taski表示分配到WMr虚拟机的第i个任务。
由于每一个虚拟机都是并行运行的,那么整个任务的完成时间则由运行 时间最长的那个虚拟机决定,完成所有任务所需要的时间用Etotal来表示,则 由公式(2)计算。
若虚拟机的单位时间花费是cost,用costtotal表示完成当前所有任务的花 费,则由公式(3)计算。
其中costi为第i个虚拟机的单位时间花费。
虚拟机的负载可表示为:
LOAD=Mips*NumCPU+Bw+Ram (4)
LOAD——CPU所有核的处理能力
Mips——计算速度
NumCPU——CPU核数
Bw——虚拟机的带宽
Ram——虚拟机内存大小
一般云计算上的资源都是以虚拟机的形式提供给任务,所以研究任务调 度的任务调度问题就是研究任务和虚拟机之间的分配问题。调度方法如下所 示。
执行步骤:
(1)初始化:设置云任务、虚拟机和服务器的所有参数,参数符合实际;
(2)选择:随机选择所有任务的n%作为样本,按照ETC矩阵,单位时
间花费最少的方法选择负载最优的虚拟机去执行任i
(因为初始化时系统资源利用率低,虚拟机大多处于闲置状态,n可自行 设定,可以适当减少任务的分配次数)
(3)判断平衡如果当前系统处于平衡状态,则直接将当前批次任务分 配到(2)中的虚拟机上,若不平衡,则执行下一步(4)
判断平衡的公式:
根据实际情况设定阈值,超过阈值则判断为当前系统不平衡。
(4)迭代:此时系统处于不平衡状态,需为当前批次预分配的任务利用 迭代公式选择更为合适的虚拟机,迭代公式见最后;同时按照此迭代公式为 虚拟机分配合适的服务器;
(5)判断当前物理机是否超过负载,若当前系统处于平衡状态则执行(7), 否则需重新限定系统,避免进入死循环;
物理机的状态可分为:过载、正常、轻载
(仿真过程认为虚拟机资源占用超过0.9为过载,低于0.2为轻载)
总结第i个物理机Pi上的负载如下所示:
(前一时刻和当前时刻的平均值,因为虚拟机资源是动态变化的)
其中mi表示物理机Pi上虚拟机的总数。本地迁移代理会监控物理机的负 载状况。如果物理机的负载超过了预先设定的门槛,就会发起迁移。门槛的 大小预先设定。
(5)限制系统负载,利用限制公式更新当前的系统,重新选择虚拟机调 度执行任务,返回(4),限制公式如下所示
虚拟机限制公式:
LOADi=LOADi+r*(LOADMAX-LOADMIN)
其中,LOADi为第i次迭代时的系统负载,LOADMax为系统允许运行的最 大负载,LOADMin为系统允许运行的最小负载,r为0-1之间的随机数。
(1)分配任务到虚拟机上
(2)判断结束
仿真结果同随机调度算法、贪心算法、万有引力搜索算法相比,在虚拟 机、云任务数量增加时,四种方法下任务运行时间基本都随着任务数量的增 长呈线性增长趋势,但由于改进万有引力算法充分利用了当前环境下的有效 节点,提高了算法效率,任务完成总时间最少,平均任务完成时间最低,且 违反SLA次数最少。
同时算法运行时间低于传统万有引力里搜索算法。且设置比例n合理时, 可大大减小程序运算时间
仿真平台:CloudSim3.0
传统的万有引力算法如下所示:
其中F表示万有引力大小,G为引力常数,M1、M2表示两个惯性物体 的质量,R为欧氏距离
假设Z为空间中存在Z个粒子,以X表示所有粒子x的集合,则有: X=(x1,x2,...,xZ-1,xZ)
定义在D个维度下,第i个粒子的位置集合为:
在当前时刻t,第j个粒子作用在第d个维度上对第i个粒子上的引力大 小为:其中Rij表示两个粒子之间的欧 氏距离Rij=||Xi(t),Xj(t)||2,ε取大于0小于0.001,和分别表示在维度d 下Xj和Xi的位置,其中d的取值范围为1-D;
其中G0表示引力常数的初始值,α表示调节引力常数G的衰减速度来控 制搜索精度的参数值,t为当前时刻,T为最大迭代次数,exp表示指数函数;
GSA中粒子更新速度和位置的公式为:
质量是根据适应度值大小来计算和更新的:
Mai=Mpi=Mi,其中Mai为第i个粒子的主动引力质量,Mpi为第i个粒子 的被动引力质量,Mi为第i个粒子的质量;
其中mi(t)是根据适应度更新的第i个粒子的质 量,fiti(t)是第i个粒子在t时刻的适应度值,best(t)为当前时刻所有粒 子的适应度中的最小值,即其中Z为粒子总数,worst (t)为当前时刻所有粒子的适应度中的适应度最大值,即 其中Z为粒子总数;
可以得到一对多的情况,即存在多个任务分配到同一个虚拟机上的情况
迭代过程:
1、初始化:将引力常数初始值G0、调节引力常数G的衰减速度来控制 搜索精度的参数值α、任务的个数M、虚拟机的个数N、服务器的个数j、阈 值c及作为万有引力算法中粒子的任务、虚拟机和服务器的位置全部进行初 始化;
2、(不计算虚拟机之间的互相吸引力)计算各任务、虚拟机和服务器这 些粒子的适应度,然后根据适应度计算各粒子的质量,再根据质量得到各粒 子所受引力;
将任务分配到虚拟机上时:任务的适应度为任务长度,虚拟机的适应度为 虚拟机计算速度*CPU可用核数;
将虚拟机分配到服务器上时:适应度函数为
3、更新变量G(t)、best(t)、worst(t)
4、更新各物体位置
存在M中粒子和N中粒子距离小于c,则将该粒子分配给d,直到所有 粒子分配完毕,则迭代过程结束(设置阈值c可以减少不必要的算法迭代时 间)。
Claims (7)
1.一种基于万有引力搜索的云计算任务调度方法,其特征在于,包括以下步骤:
步骤一,选择:随机选择所有任务的n%作为样本,0<n<100,按照ETC矩阵来得到执行任务花费时间最少的方式,按这个方式来选择虚拟机去执行任务;
步骤二,判断平衡:如果当前系统处于平衡状态,则直接将当前批次任务分配到步骤一中选择的虚拟机上,若不平衡,则执行步骤三;
步骤三,迭代:为当前批次预分配的任务通过迭代方式来选择更为合适的虚拟机,并根据该迭代方式为虚拟机分配合适的服务器;
步骤四,判断当前物理机是否超过负载,若当前系统处于平衡状态则执行步骤六,否则执行步骤五;
步骤五,限制系统负载,更新当前的系统,重新选择虚拟机调度执行任务,返回步骤三;
步骤六,分配任务到虚拟机上;
步骤七,结束调度;
所述的步骤三中,用于选择虚拟机及分配服务器的迭代是通过万有引力算法来进行,包括以下步骤:
步骤1)、初始化:引力常数初始值G0、调节引力常数G的衰减速度来控制搜索精度的参数值α、任务的个数M、虚拟机的个数N、服务器的个数J、阈值d及作为万有引力算法中粒子的任务、虚拟机和服务器的位置;
步骤2)、计算各任务、虚拟机和服务器这些粒子的适应度,然后根据适应度计算各粒子的质量,再根据质量得到各粒子所受引力;
步骤3)、更新变量G(t)、best(t)、worst(t),G(t)为当前时刻引力常数,best(t)为当前时刻适应度最小值,worst(t)为当前时刻适应度最大值;
步骤4)、更新各物体位置;
步骤5)、如果存在作为任务的粒子和作为虚拟机的粒子之间的距离小于阈值c,则将该粒子所代表的任务分配给该虚拟机,直到所有代表任务的粒子分配完毕,则迭代过程结束。
5.根据权利要求4所述的一种基于万有引力搜索的云计算任务调度方法,其特征在于,所述的步骤2)中,根据质量得到各粒子所受引力包括以下步骤:
以X表示所有粒子x的集合,有X=(x1,x2,...,xZ-1,xZ),其中Z为粒子总数,
在当前时刻t,第j个粒子Xj作用在第d个维度上对第i个粒子Xi上的引力大小为:其中,Rij表示两个粒子之间的欧氏距离Rij=||Xi(t),Xj(t)||2,ε取大于0小于0.001,和分别表示在维度d下Xj和Xi的位置,其中d的取值范围为1-D;
7.根据权利要求1所述的一种基于万有引力搜索的云计算任务调度方法,其特征在于,所述的步骤五中,用于限制系统负载的公式为:
LOADi=LOADi+r*(LOADMAX-LOADMIN)
其中,LOADi为第i次迭代时的系统负载,LOADMax为系统允许运行的最大负载,LOADMin为系统允许运行的最小负载,r为0-1之间的随机数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710719566.3A CN107562537B (zh) | 2017-08-21 | 2017-08-21 | 一种基于万有引力搜索的云计算任务调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710719566.3A CN107562537B (zh) | 2017-08-21 | 2017-08-21 | 一种基于万有引力搜索的云计算任务调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107562537A CN107562537A (zh) | 2018-01-09 |
CN107562537B true CN107562537B (zh) | 2020-11-06 |
Family
ID=60976159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710719566.3A Active CN107562537B (zh) | 2017-08-21 | 2017-08-21 | 一种基于万有引力搜索的云计算任务调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107562537B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108802814B (zh) * | 2018-06-20 | 2019-10-25 | 成都理工大学 | 一种隧道围岩微震波速的获取方法 |
CN109358964B (zh) * | 2018-09-21 | 2022-02-11 | 中建材信息技术股份有限公司 | 一种服务器集群资源调度方法 |
CN110147274B (zh) * | 2019-05-21 | 2022-01-18 | 长沙雷电云网络科技有限公司 | 多目标云任务均衡调度方法、服务器及存储介质 |
CN111045785B (zh) * | 2019-11-25 | 2023-04-07 | 哈尔滨工业大学 | 一种基于二进制引力搜索的节能虚拟机放置方法 |
CN114995162B (zh) * | 2022-08-01 | 2022-11-08 | 季华实验室 | 多机器人的任务分配方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6076174A (en) * | 1998-02-19 | 2000-06-13 | United States Of America | Scheduling framework for a heterogeneous computer network |
CN102708011A (zh) * | 2012-05-11 | 2012-10-03 | 南京邮电大学 | 一种面向云计算平台任务调度的多级负载评估方法 |
CN102780759A (zh) * | 2012-06-13 | 2012-11-14 | 合肥工业大学 | 基于调度目标空间的云计算资源调度方法 |
CN103095599A (zh) * | 2013-01-18 | 2013-05-08 | 浪潮电子信息产业股份有限公司 | 一种云计算操作系统中动态反馈加权综合负载调度方法 |
CN106095529A (zh) * | 2016-06-08 | 2016-11-09 | 西安电子科技大学 | 一种c‑ran架构下的载波迁移方法 |
CN106790726A (zh) * | 2017-03-30 | 2017-05-31 | 电子科技大学 | 一种基于Docker云平台的优先级队列动态反馈负载均衡资源调度方法 |
WO2017091116A1 (en) * | 2015-11-26 | 2017-06-01 | Telefonaktiebolaget Lm Ericsson (Publ) | Balancing processing loads of virtual machines |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9513939B2 (en) * | 2014-05-19 | 2016-12-06 | International Business Machines Corporation | Agile VM load balancing through micro-checkpointing and multi-architecture emulation |
US9537788B2 (en) * | 2014-12-05 | 2017-01-03 | Amazon Technologies, Inc. | Automatic determination of resource sizing |
-
2017
- 2017-08-21 CN CN201710719566.3A patent/CN107562537B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6076174A (en) * | 1998-02-19 | 2000-06-13 | United States Of America | Scheduling framework for a heterogeneous computer network |
CN102708011A (zh) * | 2012-05-11 | 2012-10-03 | 南京邮电大学 | 一种面向云计算平台任务调度的多级负载评估方法 |
CN102780759A (zh) * | 2012-06-13 | 2012-11-14 | 合肥工业大学 | 基于调度目标空间的云计算资源调度方法 |
CN103095599A (zh) * | 2013-01-18 | 2013-05-08 | 浪潮电子信息产业股份有限公司 | 一种云计算操作系统中动态反馈加权综合负载调度方法 |
WO2017091116A1 (en) * | 2015-11-26 | 2017-06-01 | Telefonaktiebolaget Lm Ericsson (Publ) | Balancing processing loads of virtual machines |
CN106095529A (zh) * | 2016-06-08 | 2016-11-09 | 西安电子科技大学 | 一种c‑ran架构下的载波迁移方法 |
CN106790726A (zh) * | 2017-03-30 | 2017-05-31 | 电子科技大学 | 一种基于Docker云平台的优先级队列动态反馈负载均衡资源调度方法 |
Non-Patent Citations (3)
Title |
---|
《云环境下面向负载均衡的分布式虚拟机迁移研究》;王光波 等;《计算机应用与软件》;20131031;第30卷(第10期);正文第1页右栏第3段-第4页右栏第1段 * |
《云计算环境下QoS保障机制技术的研究与实现》;张绍林;《中国优秀硕士学位论文全文数据库(电子期刊)》;20170215;第2017年卷(第2期);正文第45页倒数第1段-第50页倒数第3段 * |
《基于动态规划的云任务调度机制研究》;史少锋;《万方智搜》;20131231;正文第14页第2段-第37页最后一段 * |
Also Published As
Publication number | Publication date |
---|---|
CN107562537A (zh) | 2018-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107562537B (zh) | 一种基于万有引力搜索的云计算任务调度方法 | |
Saleh et al. | IPSO task scheduling algorithm for large scale data in cloud computing environment | |
CN106790726B (zh) | 一种基于Docker云平台的优先级队列动态反馈负载均衡资源调度方法 | |
CN107239336B (zh) | 一种实现任务调度的方法及装置 | |
Chien et al. | Load balancing algorithm based on estimating finish time of services in cloud computing | |
US20190324819A1 (en) | Distributed-system task assignment method and apparatus | |
WO2018076791A1 (zh) | 一种资源负载均衡控制方法及集群调度器 | |
CN110134495B (zh) | 一种容器跨主机在线迁移方法、存储介质及终端设备 | |
WO2016078178A1 (zh) | 一种虚拟cpu调度方法 | |
CN110474966B (zh) | 处理云平台资源碎片的方法及相关设备 | |
CN107273211B (zh) | 一种云计算环境下基于虚拟机的数据处理方法 | |
Aruna et al. | An improved load balanced metaheuristic scheduling in cloud | |
Aladwani | Types of task scheduling algorithms in cloud computing environment | |
Pattanaik et al. | Performance study of some dynamic load balancing algorithms in cloud computing environment | |
KR101557747B1 (ko) | 클라우드에서 다중 자원의 효율적인 활용을 위한 가상머신 할당 시스템 및 방법 | |
Muthusamy et al. | Cluster-based task scheduling using K-means clustering for load balancing in cloud datacenters | |
WO2013123650A1 (zh) | 虚拟机分配方法和虚拟机分配装置 | |
Shahapure et al. | Load balancing with optimal cost scheduling algorithm | |
Phi et al. | Load balancing algorithm to improve response time on cloud computing | |
Manikandan et al. | Virtualized load balancer for hybrid cloud using genetic algorithm | |
CN114625500A (zh) | 云环境下拓扑感知的微服务应用调度的方法及应用 | |
CN112559122A (zh) | 一种基于电力专用安防设备的虚拟化实例管控方法及系统 | |
CN110493317B (zh) | 处理云平台资源碎片的方法及相关设备 | |
CN106201681A (zh) | Hadoop平台下基于预释放资源列表的任务调度算法 | |
Mylavarapu et al. | An optimized capacity planning approach for virtual infrastructure exhibiting stochastic workload |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |