CN108595255B - 地理分布式云中基于最短路径算法的工作流任务调度方法 - Google Patents
地理分布式云中基于最短路径算法的工作流任务调度方法 Download PDFInfo
- Publication number
- CN108595255B CN108595255B CN201810329344.5A CN201810329344A CN108595255B CN 108595255 B CN108595255 B CN 108595255B CN 201810329344 A CN201810329344 A CN 201810329344A CN 108595255 B CN108595255 B CN 108595255B
- Authority
- CN
- China
- Prior art keywords
- vertex
- hypergraph
- shortest path
- workflow
- task scheduling
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- 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
-
- 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
- G06F9/4893—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues taking into account power or heat criteria
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种地理分布式云中基于最短路径算法的工作流任务调度方法,该方法能使所有部分的工作流任务的执行时间和执行能耗最少,从而使整个工作流任务的执行时间和执行能耗最优。本发明结合工作流任务的特点和地理分布式云资源的特点提出来基于斐波拉契堆的最短路径工作流任务调度方法。本调度方法适用于地理分布式云中的工作流任务调度,它通过将工作流任务的有向无环图转换为超图,对超图进行划分之后,对每个划分使用Dijkstra算法得出任务执行时间和执行能耗最小的调度方法。这一优化调度方法充分利用了系统资源,缩短了工作流任务的执行时间,最小化了工作流任务的执行能耗。
Description
技术领域
本发明涉及计算机云存储技术领域,特别涉及一种地理分布式云中基于最短路径算法的工作流任务调度方法。
背景技术
云计算的诞生是信息技术革命的产物。云计算应用了成熟的虚拟化技术,可以将大量的分布在不同区域位置的服务器、存储设备、网络设施和软件系统等IT资源整合成逻辑上统一的虚拟资源池,为大量用户提供各类安全可靠、成本低廉、交付简单、高可扩展的计算或存储服务。用户则基于“按量付费”的原则,通过互联网从云计算系统获取相应服务。随着信息技术的快速发展以及网络带宽的日益提高,人们对于计算和存储的要求越来越高,传统的计算模式已经不能有效满足人们对于高性能计算能力或海量数据存储空间的迫切需求,地理分布式云的概念应运而生。地理分布式云由许多位于不同地理位置的云构成,例如Google拥有分布在8个不同国家的13个云数据中心。地理分布式云比传统的云计算模式具有更大的存储能力和更快的处理速度,能为用户提供更好的服务。如今越来越多的应用依赖于地理分布式云,比如媒体流应用、传感器网络和在线社交网络等。
地理分布式云中的任务调度问题是当前重要的研究,研究地理分布式云中的工作流任务调度方法具有重要的意义。在地理分布式云中选择合适的任务调度方法,可以有效提高任务执行效率的同时降低任务执行能耗。近年来,地理分布式云中的任务调度问题得到了许多学者们的广泛关注,并提出了多种任务调度方法。当前的地理分布式云中的任务调度方法通常将计算任务迁移到数据所在数据中心,通过传输处理后的中间结果减少数据量的传输成本,但是这些设计都是在假设数据中心之间的链接不会发生瓶颈的前提下进行设计的。设计离线最优任务调度算法可以使作业完成时间全局最小化。然而,这种离线优化不可避免地依赖于中间结果的任务执行时间和传送时间的先验知识,如果没有复杂的预测算法,这两者都不是现成的。即使有这样的知识,地理分布式云中的大数据处理工作也可能涉及一个包含数百个任务的有向无环图而对于这样一个有向无环图进行调度的最优解决方案通常是NP-难问题。
发明内容
本发明的目的是针对现有技术的不足,提出一种地理分布式云中基于最短路径算法的工作流任务调度方法,通过充分利用系统资源,能提高任务执行效率的同时减少任务执行能耗。
为实现上述目的,本发明所设计的地理分布式云中基于最短路径算法的工作流任务调度方法,其特殊之处在于,包括如下步骤:
1)根据任务数量和任务的执行顺序将有向无环图工作流任务图转化为超图的形式;
4)依次对平面超图H0中的每条路径的任务调度建立任务调度模型,并计算每条路径中所有划分的工作流任务的完成时间T和执行能耗E,使用T+E作为调度模型中的边的权值;
5)对每条路径按照Dijkstra算法选择最短路径的工作流任务调度策略,具体包括:
5.1)初始化路径v中每个顶点的最短路径估计d(vi),其中除了源点s的最短路径估计d(vs)初始化为0外,与源点s直接相连的顶点的最短路径估计初始化为边的长度,其他点的最短路径估计均被初始化为正无穷;
5.2)创建一个空斐波拉契堆Q,按照5.1)中初始化顺序和最短路径估计依次将顶点插入到斐波拉契堆Q中;
5.3)选取斐波拉契堆Q中的最小值点u,计算(s,u)的最短路径,并将u添加到顶点集合S;
5.4)对Q中的每个顶点vi,若经过u后,源点s到顶点vi的最短路径变短,则更改d(vi)为经过u后的路径长度d(u)加边(u,vi)的长度,并删除Q中顶点u,调整斐波拉契堆Q;
5.5)重复步骤5.3)和5.4)直至斐波拉契堆为空,找出所有顶点的最短路径;
6)重复步骤4)和步骤5),找出基于所有路径的最优任务调度方案。
优选地,所述步骤2)中每个初始划分Vk∈Π(k=1,2,...,K)满足的平衡准则:
Wk≤Wavg(1+ε)
其中ε为所允许的最大不平衡率,Wk为划分Vk中所有顶点的权重之和,Wavg为所有顶点权重均匀分布时各个划分的权重,已知w[v]为顶点的权重,Wk和Wavg的计算方式为:
Wavg=∑v∈Vw[v]/K。
优选地,所述步骤3)中超图顶点移动增益计算的具体步骤包括:
3.1)通过迭代所有与顶点vi连接的边来计算顶点vi的离开增益leave-gain;
3.2)若没有正的离开增益,则返回,否则执行步骤3.3);
3.3)通过迭代所有与顶点vi连接的边来计算顶点vi的最大到达损失;
3.4)计算每个至少连通一条包含顶点vi的切割边的划分的移动增量,返回顶点vi的最大移动增量和对应移动到的划分。
优选地,所述步骤4)中工作流任务的完成时间T的计算方法为:
其中workload为一条路径中某个划分的工作负载,mj为数据中心j中当前活跃的物理机的数量,数据中心j中每台物理机的平均服速率为μj,该划分中所有数据的平均传输距离为distance。
优选地,所述步骤4)中工作流任务执行能耗E的计算方法为:
E=Ej(t)=PUEj·mj(t)[αjμj+βj]
已知活跃的服务器的数量mj,参数αj、βj和vj,并且给定数据中心j的功率使用效率度量PUEj。
优选地,所述步骤2)中切割尺寸度量定义x(Π)的计算方式为:
目前广泛使用并被证明可以精确模拟并行稀疏矩阵向量乘法的超图划分尺寸为连通度-1度量。在这个度量中,每条切割边n对切割尺寸的影响为c[n](λn-1)。
传统的工作流任务调度方法都是直接对工作流任务的有向无环图进行调度,但是简单的有向无环图只能体现两个任务的先后执行关系,无法从全局的角度考虑系统资源的利用和任务执行的能耗问题。在地理分布式云环境中,考虑到系统资源的利用和任务执行效率以及任务执行的能耗是为用户提供更好服务的关键因素。在任务调度过程中,将工作流任务的有向无环图通过任务的执行关系和任务量的大小转化为工作流任务超图,然后对工作流任务超图进行K-路划分,转化为更小的超图。通过对划分后的每个部分建立任务调度模型,求解任务执行时间和执行能耗最低的任务调度方法,使任务调度达到最优。本发明提出基于斐波拉契堆的最短路径工作流任务调度方法,该方法能使所有部分的工作流任务的执行时间和执行能耗最少,从而使整个工作流任务的执行时间和执行能耗最优。
本发明结合工作流任务的特点和地理分布式云资源的特点提出来基于斐波拉契堆的最短路径工作流任务调度方法。本调度方法适用于地理分布式云中的工作流任务调度,它通过将工作流任务的有向无环图转换为超图,对超图进行划分之后,对每个划分使用Dijkstra算法得出任务执行时间和执行能耗最小的调度方法。这一优化调度方法充分利用了系统资源,缩短了工作流任务的执行时间,最小化了工作流任务的执行能耗。
附图说明
图1为本发明地理分布式云中基于最短路径算法的工作流任务调度方法的流程图。
图2为地理分布式云中基于最短路径算法的工作流任务调度模型。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细描述。
本发明提出的地理分布式云中基于最短路径算法的工作流任务调度方法,是以当前地理分布式云中的任务调度方法为基础,结合工作流任务的特点而提出来的。如图1所示,本算法包括如下步骤:
1)根据任务数量和任务的执行顺序将有向无环图工作流任务图转化为超图的形式;
切割尺寸度量定义x(Π)的计算方式为:
每个初始划分Vk∈Π(k=1,2,...,K)满足的平衡准则:
Wk≤Wavg(1+ε)
其中ε为所允许的最大不平衡率,Wk为划分Vk中所有顶点的权重之和,Wavg为所有顶点权重均匀分布时各个划分的权重,已知w[v]为顶点的权重,Wk和Wavg的计算方式为:
Wavg=∑v∈Vw[v]/K。
超图顶点移动增益计算的具体步骤包括:
3.1)通过迭代所有与顶点vi连接的边来计算顶点vi的离开增益leave-gain;
3.2)若没有正的离开增益,则返回,否则执行步骤3.3);
3.3)通过迭代所有与顶点vi连接的边来计算顶点vi的最大到达损失;
3.4)计算每个至少连通一条包含顶点vi的切割边的划分的移动增量,返回顶点vi的最大移动增量和对应移动到的划分。
4)依次对平面超图H0中的每条路径的任务调度建立任务调度模型,并计算每条路径中所有划分的工作流任务的完成时间T和执行能耗E,使用T+E作为调度模型中的边的权值。
工作流任务的完成时间T的计算方法为:
工作流任务执行能耗E的计算方法为:
E=Ej(t)=PUEj·mj(t)[αjμj+βj]
已知活跃的服务器的数量mj,参数αj、βj和vj,并且给定数据中心j的功率使用效率度量PUEj。
5)对每条路径按照Dijkstra算法选择最短路径的工作流任务调度策略,具体包括:
5.1)初始化路径v中每个顶点的最短路径估计d(vi),其中除了源点s的最短路径估计d(vs)初始化为0外,与源点s直接相连的顶点的最短路径估计初始化为边的长度,其他点的最短路径估计均被初始化为正无穷;
5.2)创建一个空斐波拉契堆Q,按照5.1)中初始化顺序和最短路径估计依次将顶点插入到斐波拉契堆Q中;
5.3)选取斐波拉契堆Q中的最小值点u,计算(s,u)的最短路径,并将u添加到顶点集合S;
5.4)对Q中的每个顶点vi,若经过u后,源点s到顶点vi的最短路径变短,则更改d(vi)为经过u后的路径长度d(u)加边(u,vi)的长度,并删除Q中顶点u,调整斐波拉契堆Q;
5.5)重复步骤5.3)和5.4)直至斐波拉契堆为空,找出所有顶点的最短路径;
6)重复步骤4)和步骤5),找出基于所有路径的最优任务调度方案。
下面详述本发明的研究过程:
在地理分布式云中进行工作流任务调度之前,需要对工作流任务的特征进行分析,从而合理资源分配,提高任务执行效率,减少任务执行能耗。对于有向无环图的工作流任务调度问题已有学者研究,但目前的研究中少有考虑工作流任务每条路径之间的关联性对任务执行造成的影响。常见的地理分布式云中的工作流任务调度方法将计算任务迁移到数据所在数据中心,通过传输处理后的中间结果减少数据量的传输成本,但是这些设计都是在假设数据中心之间的链接不会发生瓶颈的前提下进行设计的。虽然设计离线最优任务调度算法可以使作业完成时间全局最小化,但是这种离线优化不可避免地依赖于中间结果的任务执行时间和传送时间的先验知识,如果没有复杂的预测算法,这两者都不是现成的。即使有这样的知识,地理分布式云中的大数据处理工作也可能涉及一个包含数百个任务的有向无环图而对于这样一个有向无环图进行调度的最优解决方案通常是NP-难问题。超图不仅可以表示任务之间的先后执行关系,还可以表示不同执行路径间的关系。如果根据任务的执行特征将工作流任务转化为超图,根据超图中每个子任务的执行时间和执行能耗对超图进行划分,对每个划分按照最短路径算法找出任务调度策略,保证每个划分的最短执行时间和执行能耗最小,则最终可使整个工作流任务的执行时间和执行能耗最小。
本发明提出的地理分布式云中基于最短路径算法的工作流任务调度方法模型由两部分组成:(1)将工作流任务的有向无环图转化为超图,对超图进行K-路划分。首先根据任务的数量和任务的执行顺序将工作流任务的有向无环图表示转化为超图表示,然后在满足超图平衡的前提下对超图进行K-路划分。(2)对划分后的超图的每个部分进行任务调度。为了提高任务执行效率的同时减少任务执行能耗,对每个部分建立任务到云数据中心的调度模型之后,采用Dijkstra最短路径算法寻找执行时间和执行能耗最小的调度方法。其调度模型如图2所示。
调度方法中的相关参数定义
(1)云数据中心之间的通信时间地理分布式云中云之间的数据传输时间不可忽略,本发明中任务传输时间随地理距离线性增长,已知区域i和区域j之间的距离Li,j和线性函数的斜率为0.02,则可计算两个云之间的通信时间。
(2)云数据中心j的功率消耗Ej(t):能耗是当前研究中的热点问题,本发明中认为每个云数据中心都完全由电网供电。已知运行速度为μ的服务器消耗的功率量可以用αμv+β表示,其中α是正因子,β为空闲状态下的功耗,指数参数v是经验值,一般v>1。根据云数据中心中活跃的服务器的数量mj和云数据中心j的功率使用效率度量PUEj,以及参数αj、βj和vj,则可以计算云数据中心j的功率消耗。
(3)划分Vk中所有顶点的权重之和Wk:w[v]为顶点的权重,则可计算划分Vk中所有顶点的权重之和Wk。同时可计算当所有顶点权重均匀分布时各个划分的权重Wavg。
Wavg=∑v∈Vw[v]/K (4)
如果超图划分Π满足ε平衡,其中ε为所允许的最大不平衡率,则每个划分Vk∈Π(k=1,2,...,K)满足平衡准则:
Wk≤Wavg(1+ε) (5)
(4)切割尺寸度量定义x(Π):目前广泛使用并被证明可以精确模拟并行稀疏矩阵向量乘法的超图划分尺寸为连通度-1度量。在这个度量中,每条切割边n对切割尺寸的影响为c[n](λn-1)。
(5)工作流任务的完成时间T(u,v):
其中workload为一条路径中某个划分的工作负载,mj为数据中心j中当前活跃的物理机的数量,数据中心j中每台物理机的平均服速率为μj,该划分中所有数据的平均传输距离为distance,则D=0.02·distance+5。
本专利提出的地理分布式云中基于最短路径算法的工作流任务调度方法,是以超图的划分为基础结合地理分布云中的最短路径算法而提出来的。本方法首先根据工作流任务的执行顺序和子任务数的数量将工作流作业转化为超图表示,然后按照公式(5)的约束对超图进行划分。通过对超图划分后的每个部分建立任务调度模型,按照公式(2)计算任务的执行能耗,公式(7)计算任务的执行时间,任务的执行时间和执行能耗之和为调度模型中边的长度。然后利用基于斐波拉契堆的最短路径算法寻找最优的任务调度方法。本方法具体描述如下:
(1)根据任务数量和任务的执行顺序将工作流任务的有向无环图转化为超图H0的形式;
(3)计算超图中所有顶点的最大移动增量和对应移动到的划分。
(5)对超图中的某条路径的任务建立任务调度模型,并计算该路径中所有划分的工作流任务的完成时间T(u,v)和执行能耗E(u,v),使用T(u,v)+E(u,v)作为调度模型中的边的权值;
(6)对每条路径按照基于斐波拉契堆的Dijkstra算法选择最短路径工作流任务调度策略
调度方法的伪代码描述
由算法的伪代码描述可以得到,第1行将工作流任务的有向无环图转化为超图工作流任务;第2到10行,将工作流任务对应的超图进行m次粗化,得到m个粗化超图序列H1,H2,...,Hm;第11到18行通过计算超图中每个顶点的最大移动增益对粗化后的超图进行细化,最终得到划分后的超图。第19到38行对划分后的超图的每个部分进行基于最短路径算法的工作流任务调度。其中第20到22行通过计算任务在每个云数据中心的执行时间和执行能耗来表示任务调度模型中边的权重。第23行到27行使用基于斐波拉契堆的最短路径算法寻找执行时间和执行能耗最小的工作流任务调度顺序。通过保证超图中每个划分的任务执行时间和执行能耗最小化使得整个工作流任务的执行时间和执行能耗最小,到达提高任务执行效率的同时降低执行能耗。
本领域的技术人员应当理解,此处所述的具体实施方案仅用解释本发明专利,并不用于限制本发明专利。在本发明专利的精神和原则之内作出的任何修改、等同替换和改进等,均应包含在本发明专利的保护范围之中。
Claims (3)
1.一种地理分布式云中基于最短路径算法的工作流任务调度方法,其特征在于:包括如下步骤:
1)根据任务数量和任务的执行顺序将有向无环图工作流任务图转化为超图的形式;
3)通过选择超图Hm顶点的移动增益最大的部分移动K个顶点分区中的顶点来细化分区∏l,尽量最小化切割大小同时维持平衡约束,获得具有分区∏0的平面超图H0;
4)依次对平面超图H0中的每条路径的任务调度建立任务调度模型,并计算每条路径中所有划分的工作流任务的完成时间T和执行能耗E,使用T+E作为调度模型中的边的权值;
5)对每条路径按照Dijkstra算法选择最短路径的工作流任务调度策略,具体包括:
5.1)初始化路径v中每个顶点的最短路径估计d(vi),其中除了源点s的最短路径估计d(vs)初始化为0外,与源点s直接相连的顶点的最短路径估计初始化为边的长度,其他点的最短路径估计均被初始化为正无穷;
5.2)创建一个空斐波拉契堆Q,按照5.1)中初始化顺序和最短路径估计依次将顶点插入到斐波拉契堆Q中;
5.3)选取斐波拉契堆Q中的最小值点u,计算(s,u)的最短路径,并将u添加到顶点集合S;
5.4)对Q中的每个顶点vi,若经过u后,源点s到顶点vi的最短路径变短,则更改d(vi)为经过u后的路径长度d(u)加边(u,vi)的长度,并删除Q中顶点u,调整斐波拉契堆Q;
5.5)重复步骤5.3)和5.4)直至斐波拉契堆为空,找出所有顶点的最短路径;
6)重复步骤4)和步骤5),找出基于所有路径的最优任务调度方案。
3.根据权利要求1所述的地理分布式云中基于最短路径算法的工作流任务调度方法,其特征在于:所述步骤3)中超图顶点移动增益计算的具体步骤包括:
3.1)通过迭代所有与顶点vi连接的边来计算顶点vi的离开增益leave-gain;
3.2)若没有正的离开增益,则返回,否则执行步骤3.3);
3.3)通过迭代所有与顶点vi连接的边来计算顶点vi的最大到达损失;
3.4)计算每个至少连通一条包含顶点vi的切割边的划分的移动增量,返回顶点vi的最大移动增量和对应移动到的划分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810329344.5A CN108595255B (zh) | 2018-04-13 | 2018-04-13 | 地理分布式云中基于最短路径算法的工作流任务调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810329344.5A CN108595255B (zh) | 2018-04-13 | 2018-04-13 | 地理分布式云中基于最短路径算法的工作流任务调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108595255A CN108595255A (zh) | 2018-09-28 |
CN108595255B true CN108595255B (zh) | 2022-01-21 |
Family
ID=63622152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810329344.5A Expired - Fee Related CN108595255B (zh) | 2018-04-13 | 2018-04-13 | 地理分布式云中基于最短路径算法的工作流任务调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108595255B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800072B (zh) * | 2019-01-22 | 2021-07-09 | 深圳市简智联信息科技有限公司 | 基于边缘计算的任务调度优化方法和装置 |
CN110347511B (zh) * | 2019-07-10 | 2021-08-06 | 深圳大学 | 含隐私约束条件的地理分布式进程映射方法、装置及终端 |
CN110445574A (zh) * | 2019-07-26 | 2019-11-12 | 北京邮电大学 | 一种基于超图结构的光网络传输方法及系统 |
CN111860898A (zh) * | 2020-08-06 | 2020-10-30 | 江苏华邦网络科技有限公司 | 一种设备更新决策的方法、装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103365983A (zh) * | 2013-07-04 | 2013-10-23 | 上海交通大学 | 获取路网上单反向最远邻居的层次分区方法及系统 |
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 |
CN105210058A (zh) * | 2012-12-14 | 2015-12-30 | 微软技术许可有限责任公司 | 使用多个引擎来进行图查询处理 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060224668A1 (en) * | 2005-03-10 | 2006-10-05 | International Business Machines Corporation | Methods and apparatus for efficiently placing stream transforms among broker machines comprising an overlay network in a publish-subscribe messaging system |
-
2018
- 2018-04-13 CN CN201810329344.5A patent/CN108595255B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105210058A (zh) * | 2012-12-14 | 2015-12-30 | 微软技术许可有限责任公司 | 使用多个引擎来进行图查询处理 |
CN103365983A (zh) * | 2013-07-04 | 2013-10-23 | 上海交通大学 | 获取路网上单反向最远邻居的层次分区方法及系统 |
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 |
Non-Patent Citations (2)
Title |
---|
knowledeg-based routing in mechanical transportation systems;Belyakov等;《2014 12th IEEE International Conference on Industrial Informatics》;20140730;全文 * |
云计算环境下的大规模图数据处理技术;于戈等;《计算机学报》;20111031;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108595255A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108595255B (zh) | 地理分布式云中基于最短路径算法的工作流任务调度方法 | |
Hussain et al. | Energy and performance-efficient task scheduling in heterogeneous virtualized cloud computing | |
Kaur et al. | Container-as-a-service at the edge: Trade-off between energy efficiency and service availability at fog nano data centers | |
Li et al. | Load balance based workflow job scheduling algorithm in distributed cloud | |
Xue et al. | An ACO-LB Algorithm for Task Scheduling in the Cloud Environment. | |
Abd Elaziz et al. | IoT workflow scheduling using intelligent arithmetic optimization algorithm in fog computing | |
Ykman-Couvreur et al. | Fast multidimension multichoice knapsack heuristic for mp-soc runtime management | |
Liu et al. | A survey on workflow management and scheduling in cloud computing | |
CN107168770B (zh) | 一种低能耗的云数据中心工作流调度与资源供给方法 | |
CN108170530B (zh) | 一种基于混合元启发式算法的Hadoop负载均衡任务调度方法 | |
CN103338228A (zh) | 基于双加权最小连接算法的云计算负载均衡调度算法 | |
CN114138486A (zh) | 面向云边异构环境的容器化微服务编排方法、系统及介质 | |
US20130024573A1 (en) | Scalable and efficient management of virtual appliance in a cloud | |
CN110362388A (zh) | 一种资源调度方法及装置 | |
Quang-Hung et al. | Epobf: energy efficient allocation of virtual machines in high performance computing cloud | |
Shadi et al. | Ready-time partitioning algorithm for computation offloading of workflow applications in mobile cloud computing | |
de Souza Toniolli et al. | Resource allocation for multiple workflows in cloud-fog computing systems | |
Kaur et al. | Optimized PSO-EFA algorithm for energy efficient virtual machine migrations | |
CN107070965A (zh) | 一种虚拟化容器资源下的多工作流资源供给方法 | |
Sanabria et al. | New heuristics for scheduling and distributing jobs under hybrid dew computing environments | |
Mesri et al. | Hierarchical adaptive multi-mesh partitioning algorithm on heterogeneous systems | |
Mikram et al. | Server consolidation algorithms for cloud computing: taxonomies and systematic analysis of literature | |
Ali et al. | FollowMe@ LS: Electricity price and source aware resource management in geographically distributed heterogeneous datacenters | |
Setia et al. | Literature survey on various scheduling approaches in grid computing environment | |
Durairaj et al. | MOM-VMP: multi-objective mayfly optimization algorithm for VM placement supported by principal component analysis (PCA) in cloud data center |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220121 |