CN109254836A - 面向云计算系统优先依赖任务的期限约束成本优化调度方法 - Google Patents

面向云计算系统优先依赖任务的期限约束成本优化调度方法 Download PDF

Info

Publication number
CN109254836A
CN109254836A CN201810812147.9A CN201810812147A CN109254836A CN 109254836 A CN109254836 A CN 109254836A CN 201810812147 A CN201810812147 A CN 201810812147A CN 109254836 A CN109254836 A CN 109254836A
Authority
CN
China
Prior art keywords
task
cloud
virtual machine
time limit
cloud computing
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
Application number
CN201810812147.9A
Other languages
English (en)
Other versions
CN109254836B (zh
Inventor
唐小勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Agricultural University
Original Assignee
Hunan Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Agricultural University filed Critical Hunan Agricultural University
Priority to CN201810812147.9A priority Critical patent/CN109254836B/zh
Publication of CN109254836A publication Critical patent/CN109254836A/zh
Application granted granted Critical
Publication of CN109254836B publication Critical patent/CN109254836B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • 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
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
    • 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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • G06F2009/45579—I/O management, e.g. providing access to device drivers or storage
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/48—Indexing scheme relating to G06F9/48
    • G06F2209/482—Application
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/48—Indexing scheme relating to G06F9/48
    • G06F2209/484—Precedence

Abstract

本发明公开了一种面向云计算系统优先依赖任务的期限约束成本优化调度方法。第一步，建立I/O数据感知的云应用程序DDAG任务模型；第二步，首先提出综合云计算系统虚拟资源计算能力、I/O读写能力和计费价格的异构因子Ψ，然后利用广度优先搜索技术实现基于异构因子的DDAG模型各任务所在层级最大执行完成时间计算，以此计算各任务子期限；第三步，基于云应用程序DDAG模型的期限约束成本优化任务调度。采用该方法在标准化计算成本上明显优于现有的LHCM和PCP方法，能有效节约计算成本，对提高云计算系统应用效率具有重要意义。

Description

面向云计算系统优先依赖任务的期限约束成本优化调度方法
技术领域
本发明属于计算机软件以及云计算系统资源管理与任务调度技术领域，特别涉及一种面向云计算系统优先依赖任务的期限约束成本优化调度方法。
背景技术
云计算凭借其强大的计算能力、高效的资源利用率和低廉的成本，通过通信网络按商业需求向用户提供弹性、便利、快捷的按需服务，是继并行计算、网格计算、分布式计算后发展起来的新兴商业计算模式，深深影响着社会经济生活各领域。云计算提供的服务类型可概括为基础设施即服务(IaaS)、平台即服务(PaaS)和软件即服务(SaaS)等。近年来，国际IT巨头如IBM、Amazon、Facebook、Google、微软、思科等纷纷推出并应用云计算系统。国内信息产业公司如万国数据、腾讯、中国电信、阿里巴巴等也拥有大量云计算系统。这些云计算系统都承担着核心运营支持、数据存储和备份、计算、信息资源服务等以实现云计算按需服务、灵活计费等功能。
然而，随着以虚拟化技术为核心的云计算飞速发展，其功能日新月异。传统静态资源分配、服务器负载管理、应用与基础平台紧耦合运维管理方式已无法适应现代云计算发展要求。特别是大规模云计算系统拥有成千上万的计算核，每天提供服务超过1000万，这些必然要求云计算系统进行动态的资源管理。其次，云计算系统是高性能计算商业发展的产物，因而计算成本是云计算系统的技术要点。大部分实际云计算系统如Amazon EC2,阿里云等，其计费周期都基于粗粒度策略，如1小时或30分钟。然而，很多用户任务实际无法拥有完整计费周期，因而共享部分计算费周期以最优化云用户计算成本已成为其资源管理与任务调度的关键。
发明内容
本发明针对云应用程序任务优先约束依赖关系、云计算系统资源管理与任务调度的低效性和粗粒度计费周期的共享性问题，提出云应用程序考虑数据读写的DDAG任务模型、动态共享计费周期方法和任务子期限松弛化技术的期限约束成本优化任务调度方法。采用该方法在标准化计算成本上明显优于现有的LHCM和PCP方法，能有效节约计算成本，对提高云计算系统应用效率具有重要意义。
为实现上述技术目的，本发明所采用的技术方案为：
一种面向云计算系统优先依赖任务的期限约束成本优化调度方法，包括如下步骤：
步骤一，针对涉及大量数据读写的云计算应用程序，通过包含任务集、带权值的约束边、计算量和I/O数据量的数据建立基于I/O数据感知的云应用程序DDAG任务模型；
步骤二，计算综合云计算系统虚拟资源计算能力、I/O读写能力和计费价格的异构因子，得到标准化的云计算系统虚拟机处理能力和I/O数据读写能力，并基于此标准化虚拟机为基础，计算应用程序DDAG模型各任务执行时间，然后利用广度优先搜索技术计算DDAG模型各任务所在层级的最大执行完成时间，并将此最大执行完成时间做为各层任务的子期限计算基础，计算各任务子期限；
步骤三，基于应用程序DDAG模型进行任务调度，将入口任务放入可调度任务集做为初始数据，对于可调度任务集中的每个任务，计算其在所有云虚拟机上的最早执行完成时间和任务执行成本，然后为每个任务选择具有最小任务执行成本的云虚拟机进行配对来做为任务的可调度虚拟机，按照所有任务和云虚拟机配对的任务执行成本进行升序排列，按照任务和云虚拟机配对来依次查找最先满足任务子期限约束的任务和云虚拟机配对，并将任务调度到相应的云虚拟机上执行，再更新云虚拟机为已调度，从可调度任务集中移出任务，并依次检查该任务的后继任务的所有前驱任务是否都已调度，如是，则此任务放入可调度任务集ω，最后，断续检查调度任务集ω是否为空，如非空则回到本步骤的计算任务在所有云虚拟机上的最早执行完成时间和任务执行成本来循环执行。
所述的方法，所述的步骤一中，基于I/O数据感知的云应用程序DDAG任务模型为G＝＜T,E,MI,D＞，其中T是任务集，E是带权值的约束边，MI是计算量，D是I/O数据量，其中|E|用来表示共有多少条边，eij表示任务tj能够执行的前提条件是任务ti必须执行完成，任务ti的计算量MIi∈MI，任务在执行过程中从云虚拟存储系统读取的数据量为写的数据量为
所述的方法，所述的步骤二中，异构因子Ψ表示为：
其中，w(vmj)表示云计算系统虚拟机vmj的计算能力，表示系统所有虚拟机的平均计算能力；WR(vmj)表示虚拟机vmj向存储系统的数据读写能力，表示平均数据读写能力；c(vmj)表示虚拟机vmj计费价格，表示平均计费价格。
所述的方法，所述的步骤二中，所述的标准化的云计算系统虚拟机vmst处理能力和I/O数据读写能力通过以下公式计算：
所述的方法，所述的步骤二中，所述的应用程序DDAG模型各任务执行时间ET(ti,vmst)为：
其中，GWR(vmst)为云计算虚拟机vmst对读写虚拟存储系统数据的速度，对于入口任务为tentry，其任务执行完成时间为：EFT(tentry,vmst)＝0，对DDAG模型其他任务，其任务执行完成时间为：
所述的方法，pred(ti)表示任务ti的直接前驱任务集，succ(ti)为任务ti的直接后继任务集，如果则任务ti便称作入口任务，表示为tentry；如果则任务ti便称作出口任务，表示为texit。
所述的方法，所述的步骤二中，采用如下公式计算各任务子期限：
其中d，di分别为应用程序期限和各任务子期限，te[ti]为任务ti所在层级的最大执行完成时间，te[texit]为应用程序最大执行完成时间。
所述的方法，所述的步骤三中，计算可调度任务集中的每个任务计算其在所有云虚拟机上的任务执行成本通过以下公式计算：
其中τ是计费周期，c(vmj)是云虚拟机每周期计费价格。
本发明的技术效果在于，针对云计算系统应用程序任务的优先依赖性，提出期限约束成本优化调度方法，该方法首先利用标准化云虚拟机计算各任务子期限；然后，提出考虑云计算系统计费周期的任务成本计算方法；以实现成本最优化任务调度。该方法最大实用之处是从云计算系统实际计算周期出发，有效利用应用程序所有的计算周期，因而能节约计算成本，对提高云计算系统应用效率具有重要意义。
下面结合附图对本发明作进一步说明。
附图说明
图1为任务子期限计算算法
图2为任务子期限计算算法；
图3为期限约束成本优化任务调度方法；
图4为典型云计算应用程序DDAG任务图；
图5为物信息学领域Epigenomics应用实验结果；
图6为地震灾害特征分析领域CyberShake应用实验结果。
具体实施方式
本发明针对云应用程序任务优先约束依赖关系、云计算系统资源管理与任务调度的低效性和粗粒度计费周期的共享性问题，提出云应用程序考虑数据读写的DDAG任务模型、动态共享计费周期方法和任务子期限松弛化技术的期限约束成本优化任务调度方法。采用该方法在标准化计算成本上明显优于现有的LHCM和PCP方法，能有效节约计算成本，对提高云计算系统应用效率具有重要意义。
为解决上述技术问题，本发明所采用的技术方案为：
1、随着云计算在社会经济生活中的广泛应用，其支持的服务越来越复杂。很多传统计算和新型应用，如社交网络、数据挖掘、基因组测序和大数据分析等，都已部署到云计算系统中。此类应用主要利用MapReduce、MPI、OpenCL、CUDA等编程框架实现，计算过程中还将涉及大量数据的读写。本专利将扩展传统的并行应用程序优先约束关系DAG模型，建立I/O数据感知的云应用程序DDAG任务模型G＝＜T,E,MI,D＞，这里T是任务集，E是带权值的约束边，MI是计算量，D是I/O数据量。|T|表示云应用程序任务数。表示任务之间相互依赖关系，同样|E|用来表示共有多少条边。例如,eij表示任务tj能够执行的前提条件是ti必须执行完成。一个任务可能有多个前驱，必须所有的前驱都执行完成后该任务才能开始执行。此模型中任务ti的计算量MIi∈MI，以百万指令数为单位，是任务执行时间的重要参数。同时，任务在执行过程中从云虚拟存储系统读取的数据量为写的数据量为本专利用pred(ti)表示任务ti的直接前驱任务集，succ(ti)为任务ti的直接后继任务集。如果那么任务ti便称作入口任务，表示为tentry。相应的，如果那么任务ti便称作出口任务，表示为texit。
2、期限约束的DDAG任务调度要求云应用程序各任务都要在相应的子期限前完成计算，而任务相互依赖约束、云计算系统各虚拟机处理能力、存储能力、通信能力和计费价格的异构性，使任务子期限计算具有复杂性。本专利针对此问题提出综合云计算系统虚拟资源计算能力、I/O读写能力和计费价格的异构因子Ψ，如公式(1)所示。
其中w(vmj)表示云计算系统虚拟机vmj的计算能力，表示系统所有虚拟机的平均计算能力；WR(vmj)表示虚拟机vmj向存储系统的数据读写能力，表示平均数据读写能力；c(vmj)表示虚拟机vmj计费价格，表示平均计费价格。因而标准化的云计算系统虚拟机vmst处理能力和I/O数据读写能力为：
本实施例以此标准化虚拟机vmst为基础，计算应用程序DDAG模型各任务执行时间：
其中，GWR(vmst)为云计算虚拟机vmst对读写虚拟存储系统数据的速度。对于入口任务为tentry，其任务执行完成时间为：EFT(tentry,vmst)＝0。对DDAG模型其他任务，其任务执行完成时间为：
本实施例将以此任务执行完成时间为基础，利用广度优先搜索技术计算DDAG模型各任务所在层级的最大执行完成时间，并将此最大执行完成时间做为各层任务的子期限计算基础，采用如下公式计算各任务子期限：
其中d，di分别为应用程序期限和各任务子期限，te[ti]为任务ti所在层级的最大执行完成时间，te[texit]为应用程序最大执行完成时间。其具体实现算法如Algorithm 1所示(见图2)。
3、基于应用程序DDAG模型的任务调度。本实施例首先把入口任务tentry放入可调度任务集ω做为初始数据。第2，对于可调度任务集ω中的每个任务计算其在所有云虚拟机vmj上的最早执行完成时间EFT(ti,vmj)，方法如公式4。同时，还要计算任务执行成本c(ti,vmj)，其计算方法如下式所示。
其中τ是计费周期，c(vmj)是云虚拟机每周期计费价格。其计费分三种情形，任务执行时间多于其周期数、刚好等于其周期数和与其他任务共享周期数。本专利试图在满足任务优先约束条件下获得应用程序最小执行成本。第3，本专利为每个任务选择具有最小任务执行成本的任务云虚拟机对做为任务的可调度虚拟机。然后按照所有任务云虚拟机对的任务执行成本进行升序排列。第4，按照任务云虚拟机对依次查找最先满足任务子期限约束di的任务云虚拟机对，并把任务调度到相应的云虚拟机上执行。第5，算法将更新云虚拟机为已调度，任务从可调度任务集中移出，并依次检查该任务的后继任务是否满足可调度条件，即此任务的所有前驱任务都已调度，如满足就把此任务放入可调度任务集ω。最后，算法将断续检查调度任务集ω是否为空，如非空将继续执行本步骤的第2、3、4、5。其具体实现算法如Algorithm 2所示(见图3)。
本实施例的实验主要针对图4所示的典型云计算应用程序DDAG任务图。其中图4(a)是应用在生物信息学领域的Epigenomics，能自动化执行不同基因组测序操作；图4(b)是地震灾害特征分析领域的CyberShake，其运行需要大规模内存和计算。图5、图6是本专利提出的CETSS任务调度方法与现有的LHCM、PCP算法实验比较结果，这里期限Deadline取最小Deadline的1.25、1.5、1.75、2、2.25、2.5、2.75和3倍。Epigenomics生物信息学领域的一个重要应用程序，其各任务具有流水线和独立操作特性，各并行数据块的执行时间因基因组学任务规模而表现很大的差异性，图5是其任务调度实验结果。从图5可知，对于小规模应用程序，本专利提出的CETSS方法在标准化计算成本上优于LHCM约3.8％、PCP约8％。然而对于大规模应用程序，本专利提出的CETSS方法优势就比较明显，其在标准化计算成本上优于LHCM约9.7％、PCP约23％。对于地震灾害特征分析领域CyberShake应用(如图6)，实验结果同样也表明本专利提出的CETSS方法明显优于LHCM、PCP方法。

Claims (8)

1.一种面向云计算系统优先依赖任务的期限约束成本优化调度方法，其特征在于，包括如下步骤：
步骤一，针对涉及大量数据读写的云计算应用程序，通过包含任务集、带权值的约束边、计算量和I/O数据量的数据建立基于I/O数据感知的云应用程序DDAG任务模型；
步骤二，计算综合云计算系统虚拟资源计算能力、I/O读写能力和计费价格的异构因子，得到标准化的云计算系统虚拟机处理能力和I/O数据读写能力，并基于此标准化虚拟机为基础，计算应用程序DDAG模型各任务执行时间，然后利用广度优先搜索技术计算DDAG模型各任务所在层级的最大执行完成时间，并将此最大执行完成时间做为各层任务的子期限计算基础，计算各任务子期限；
步骤三，基于应用程序DDAG模型进行任务调度，将入口任务放入可调度任务集做为初始数据，对于可调度任务集中的每个任务，计算其在所有云虚拟机上的最早执行完成时间和任务执行成本，然后为每个任务选择具有最小任务执行成本的云虚拟机进行配对来做为任务的可调度虚拟机，按照所有任务和云虚拟机配对的任务执行成本进行升序排列，按照任务和云虚拟机配对来依次查找最先满足任务子期限约束的任务和云虚拟机配对，并将任务调度到相应的云虚拟机上执行，再更新云虚拟机为已调度，从可调度任务集中移出任务，并依次检查该任务的后继任务的所有前驱任务是否都已调度，如是，则此任务放入可调度任务集ω，最后，断续检查调度任务集ω是否为空，如非空则回到本步骤的计算任务在所有云虚拟机上的最早执行完成时间和任务执行成本来循环执行。
2.根据权利要求1所述的方法，其特征在于，所述的步骤一中，基于I/O数据感知的云应用程序DDAG任务模型为G＝＜T,E,MI,D＞，其中T是任务集，E是带权值的约束边，MI是计算量，D是I/O数据量，其中|E|用来表示共有多少条边，eij表示任务tj能够执行的前提条件是任务ti必须执行完成，任务ti的计算量MIi∈MI，任务在执行过程中从云虚拟存储系统读取的数据量为写的数据量为
3.根据权利要求1所述的方法，其特征在于，所述的步骤二中，异构因子Ψ表示为：
其中，w(vmj)表示云计算系统虚拟机vmj的计算能力，表示系统所有虚拟机的平均计算能力；WR(vmj)表示虚拟机vmj向存储系统的数据读写能力，表示平均数据读写能力；c(vmj)表示虚拟机vmj计费价格，表示平均计费价格。
4.根据权利要求3所述的方法，其特征在于，所述的步骤二中，所述的标准化的云计算系统虚拟机vmst处理能力和I/O数据读写能力通过以下公式计算：
5.根据权利要求4所述的方法，其特征在于，所述的步骤二中，所述的应用程序DDAG模型各任务执行时间ET(ti,vmst)为：
其中，GWR(vmst)为云计算虚拟机vmst对读写虚拟存储系统数据的速度，对于入口任务为tentry，其任务执行完成时间为：EFT(tentry,vmst)＝0，对DDAG模型其他任务，其任务执行完成时间为：
6.根据权利要求5所述的方法，其特征在于，pred(ti)表示任务ti的直接前驱任务集，succ(ti)为任务ti的直接后继任务集，如果则任务ti便称作入口任务，表示为tentry；如果则任务ti便称作出口任务，表示为texit。
7.根据权利要求5所述的方法，其特征在于，所述的步骤二中，采用如下公式计算各任务子期限：
其中d，di分别为应用程序期限和各任务子期限，te[ti]为任务ti所在层级的最大执行完成时间，te[texit]为应用程序最大执行完成时间。
8.根据权利要求1所述的方法，其特征在于，所述的步骤三中，计算可调度任务集中的每个任务计算其在所有云虚拟机上的任务执行成本通过以下公式计算：
其中τ是计费周期，c(vmj)是云虚拟机每周期计费价格。
CN201810812147.9A 2018-07-23 2018-07-23 面向云计算系统优先依赖任务的期限约束成本优化调度方法 Active CN109254836B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810812147.9A CN109254836B (zh) 2018-07-23 2018-07-23 面向云计算系统优先依赖任务的期限约束成本优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810812147.9A CN109254836B (zh) 2018-07-23 2018-07-23 面向云计算系统优先依赖任务的期限约束成本优化调度方法

Publications (2)

Publication Number Publication Date
CN109254836A true CN109254836A (zh) 2019-01-22
CN109254836B CN109254836B (zh) 2022-06-14

Family

ID=65049693

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810812147.9A Active CN109254836B (zh) 2018-07-23 2018-07-23 面向云计算系统优先依赖任务的期限约束成本优化调度方法

Country Status (1)

Country Link
CN (1) CN109254836B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110008023A (zh) * 2019-03-26 2019-07-12 湖南农业大学 基于遗传算法的云计算系统预算约束随机任务调度方法
CN110147280A (zh) * 2019-05-14 2019-08-20 河南城建学院 基于安全与成本感知的大数据应用调度方法
CN110515720A (zh) * 2019-09-04 2019-11-29 湖南农业大学 云计算系统服务成本与可靠性驱动的作业调度方法
CN110688224A (zh) * 2019-09-23 2020-01-14 苏州大学 混合云服务流程调度方法
CN112181623A (zh) * 2020-09-30 2021-01-05 清华大学 跨云遥感应用程序调度方法及应用

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110153824A1 (en) * 2009-12-17 2011-06-23 Chikando Eric N Data Processing Workload Administration In A Cloud Computing Environment
CN103024048A (zh) * 2012-12-17 2013-04-03 南京邮电大学 一种云环境下的资源调度方法
CN103853618A (zh) * 2014-03-06 2014-06-11 南京理工大学 基于截止日期驱动的云系统代价最小化资源分配方法
CN105577572A (zh) * 2014-10-11 2016-05-11 南京理工大学 基于预算限制自组织云任务执行时间最短化资源分配方法
CN106789118A (zh) * 2016-11-28 2017-05-31 上海交通大学 基于服务等级协议的云计算计费方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110153824A1 (en) * 2009-12-17 2011-06-23 Chikando Eric N Data Processing Workload Administration In A Cloud Computing Environment
CN103024048A (zh) * 2012-12-17 2013-04-03 南京邮电大学 一种云环境下的资源调度方法
CN103853618A (zh) * 2014-03-06 2014-06-11 南京理工大学 基于截止日期驱动的云系统代价最小化资源分配方法
CN105577572A (zh) * 2014-10-11 2016-05-11 南京理工大学 基于预算限制自组织云任务执行时间最短化资源分配方法
CN106789118A (zh) * 2016-11-28 2017-05-31 上海交通大学 基于服务等级协议的云计算计费方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
唐小勇等: "Energy-Efficient Reliability-Aware Scheduling Algorithm on Heterogeneous Systems", 《SCIENTIFIC PROGRAMMING》 *
唐小勇等: "Scheduling Precedence Constrained Stochastic Tasks on Heterogeneous Cluster Systems", 《IEEE TRANSACTIONS ON COMPUTERS》 *
唐小勇等: "云环境中面向随机任务的用户效用优化模型", 《计算机研究与发展》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110008023A (zh) * 2019-03-26 2019-07-12 湖南农业大学 基于遗传算法的云计算系统预算约束随机任务调度方法
CN110008023B (zh) * 2019-03-26 2022-11-15 湖南农业大学 基于遗传算法的云计算系统预算约束随机任务调度方法
CN110147280A (zh) * 2019-05-14 2019-08-20 河南城建学院 基于安全与成本感知的大数据应用调度方法
CN110147280B (zh) * 2019-05-14 2023-01-31 河南城建学院 基于安全与成本感知的大数据应用调度方法
CN110515720A (zh) * 2019-09-04 2019-11-29 湖南农业大学 云计算系统服务成本与可靠性驱动的作业调度方法
CN110515720B (zh) * 2019-09-04 2022-11-22 湖南农业大学 云计算系统服务成本与可靠性驱动的作业调度方法
CN110688224A (zh) * 2019-09-23 2020-01-14 苏州大学 混合云服务流程调度方法
CN110688224B (zh) * 2019-09-23 2021-11-23 苏州大学 混合云服务流程调度方法
CN112181623A (zh) * 2020-09-30 2021-01-05 清华大学 跨云遥感应用程序调度方法及应用

Also Published As

Publication number Publication date
CN109254836B (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
CN109254836A (zh) 面向云计算系统优先依赖任务的期限约束成本优化调度方法
Taylor Distributed simulation: state-of-the-art and potential for operational research
Kaur et al. Container-as-a-service at the edge: Trade-off between energy efficiency and service availability at fog nano data centers
Rimal et al. Workflow scheduling in multi-tenant cloud computing environments
CN102591712B (zh) 一种云计算中依赖任务的解耦并行调度方法
CN104239144A (zh) 一种多级分布式任务处理系统
Chen et al. Deep learning research and development platform: Characterizing and scheduling with qos guarantees on gpu clusters
Magoulès et al. Cloud computing: Data-intensive computing and scheduling
CN107633125B (zh) 一种基于带权有向图的仿真系统并行性识别方法
Liu et al. Cloud-based simulation: The state-of-the-art computer simulation paradigm
CN101271405A (zh) 基于QoS约束的双向分级网格资源调度方法
Chakravarthi et al. TOPSIS inspired budget and deadline aware multi-workflow scheduling for cloud computing
CN104793993A (zh) 基于Levy飞行的人工蜂群粒子群算法的云计算任务调度方法
Dubey et al. A priority based job scheduling algorithm using IBA and EASY algorithm for cloud metaschedular
Mekala et al. DAWM: Cost-aware asset claim analysis approach on big data analytic computation model for cloud data centre
Saeedizade et al. DDBWS: a dynamic deadline and budget-aware workflow scheduling algorithm in workflow-as-a-service environments
CN109710372A (zh) 一种基于猫头鹰搜索算法的计算密集型云工作流调度方法
CN106845746A (zh) 一种支持大规模实例密集型应用的云工作流管理系统
Bessai et al. Resources allocation and scheduling approaches for business process applications in Cloud contexts
Ye et al. SHWS: Stochastic hybrid workflows dynamic scheduling in cloud container services
Bessai et al. Bi-criteria strategies for business processes scheduling in cloud environments with fairness metrics
CN112446603A (zh) 基于服务智能体的云制造系统仿真方法
CN108052378B (zh) 一种面向复杂仿真工作流应用的利润敏感的任务调度方法
Ananth et al. Game theoretic approaches for job scheduling in cloud computing: A survey
CN110083454A (zh) 一种带有量子计算机的混合云服务编排方法

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