CN110008023B - 基于遗传算法的云计算系统预算约束随机任务调度方法 - Google Patents

基于遗传算法的云计算系统预算约束随机任务调度方法 Download PDF

Info

Publication number
CN110008023B
CN110008023B CN201910230744.5A CN201910230744A CN110008023B CN 110008023 B CN110008023 B CN 110008023B CN 201910230744 A CN201910230744 A CN 201910230744A CN 110008023 B CN110008023 B CN 110008023B
Authority
CN
China
Prior art keywords
task
virtual machine
scheduling
tasks
execution
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
Application number
CN201910230744.5A
Other languages
English (en)
Other versions
CN110008023A (zh
Inventor
唐小勇
黄玲
龙陈锋
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 CN201910230744.5A priority Critical patent/CN110008023B/zh
Publication of CN110008023A publication Critical patent/CN110008023A/zh
Application granted granted Critical
Publication of CN110008023B publication Critical patent/CN110008023B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F9/44—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]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • G06F9/5088—Techniques for rebalancing the load in a distributed system involving task migration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

基于遗传算法的云计算系统预算约束随机任务调度方法,包括如下步骤：建立虚拟机资源模型；定义任务在虚拟机上的最早开始执行时间、任务在虚拟机上的最早完成时间，给出任务在虚拟机上的调度长度、执行总成本和预算法约束条件；利用遗传算法获得帕累托最优解向量，获得的帕累托最优解向量即为预算约束随机任务调度方法的最优调度方案。采用该方法在调度长度和计算成本上明显优于现有的Min‑Min和TS方法，能有效提高云任务调度性能，对提高云计算系统应用效率具有重要意义。

Description

基于遗传算法的云计算系统预算约束随机任务调度方法
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，涉及一种基于遗传算法的云计算系统预算约束随机任务调度方法。
背景技术
云计算是基于互联网相关服务的增加、使用和交付模式，通过互联网来提供动态易扩展且经常是虚拟化的资源，其核心用网络将大量、闲置计算资源连接起来进行统一调度和管理，构成功能十分强大资源池向用户按需提供所需要服务。混合异构云计算是指混合了私有云和公有云的云计算服务，能够综合私有云计算和公共云计算服务的优势并实现两者之间的良好协调，为企业用户带来了融合两者的最佳应用体验，是云计算最新发展趋势。
云计算系统服务器规模庞大，资源异构多样，用户群体广泛，应用任务类型各异，系统需要频繁地对各种应用任务进行调度和管理。因此，如何对混合云系统中的资源进行合理分配，对海量云任务进行高效调度管理，使得大量用户能以较低的预算成本、较少时间内完成任务执行，并保证系统资源高效利用，负载水平维持在一个相对均衡的状态成了云计算领域的研究热点和技术难点。
任务调度是云计算实施过程中关键环节，尽管调度问题属于运筹学、计算机科学领域中的经典问题，已有大量研究成果，但随着混合异构云计算系统规模越来越庞大，应用程序日益复杂，导致软件行为如执行时间、成本耗费等出现不确定性。现有基于确定性的调度策略和算法已难以适应混合云计算系统发展要求。虽然国内外也有基于非确定性即任务计算量随机性的调度策略研究，但目前尚处于初步阶段，对任务计算量也仅基于某些假设模型或通过软件工程技术预测，任务调度时间与任务真正执行时间仍有区别。针对这些问题，本发明专利提出一种预算约束的在线反馈随机任务调度方法，尝试更精确预测任务执行时间和计算成本，以期在预算约束下高效调度混合云计算任务。
CN105094970B公开了一种求解分布式系统下可分任务多趟调度模型的方法，其通过建立可分任务多趟调度新模型，并利用遗传算法求解该模型，得到任务的最短完成时间。该方法存在如下缺陷：1、该方法无法有效处理云计算系统任务计算量的随机性；2、该方法没有考虑任务计算成本，无法满足云计算系统环境下用户按需最优付费的需求。本方法重点针对以上问题，在精确预测任务执行时间和计算成本基础上实现性能与用户计算成本多目标优化。
发明内容
本发明针对云应用程序任务在异构云计算系统执行时计算量的随机性和成本预算约束，提出一种基于遗传算法的云计算系统预算约束随机任务调度方法。采用该方法在调度长度和计算成本上明显优于现有的Min-Min和Tabu-Search(TS)方法，能有效提高云任务调度性能，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：
基于遗传算法的云计算系统预算约束随机任务调度方法,包括如下步骤：
步骤1、针对异构云计算系统，建立虚拟机资源模型；将用户提交的任务描述为云计算中常见的BoT应用程序模型；
虚拟机资源模型中的每台虚拟机都拥有自己资源，资源包括计算能力即虚拟机的处理能力Ps、单位计算能力价格Pc、存储空间Ss、单位存储空间价格Sc、软件服务价格虚拟机软件服务费用SSc，拥有以上资源的虚拟机共同构成虚拟机的有限集VM。表1所示了5个虚拟机的资源特性。
1云计算系统虚拟机资源特性
VM Ps(MIPS) Pc Ss(GB) Sc SSc
VM<sub>1</sub> 400 1.8 800 0.9 1.9
VM<sub>2</sub> 350 1.3 300 1.0 1.6
VM<sub>3</sub> 300 0.8 500 1.3 1.3
VM<sub>4</sub> 0 0 1000 1.2 1.1
VM<sub>5</sub> 1000 0.8 0 0 1.5
其次，由于异构云计算环境下用户应用程序日益复杂，时间和环境不断演化，一个任务的执行时间很难被估计成一个确定的常量，而是一个随运行时间点和运行软硬件环境变化的随机变量。概率分布是随机变量最基本的特征，在实际研究中获得所观察随机变量的概率分布函数是相对困难的，但随机变量分布频率则易于获得，用户可以利用日志文件分析、配置信息和软件模块分析树等技术实现，并把此信息作为应用程序任务数据即任务信息提交给云计算系统。本发明中，将用户提交的任务描述为云计算中常见的BoT应用程序模型，BoT应用程序模型中的任务v1,v2,…vi,…vn∈V，1≤i≤n，i表示第i个任务，n表示任务的数量，V表示BoT应用程序任务集，且其中每个任务均为独立任务，即任务间没有通信或任何依赖关系，且允许在任意可用的虚拟机上执行。
步骤2、定义任务在虚拟机上的最早开始执行时间、任务在虚拟机上的最早完成时间，给出任务在虚拟机上的调度长度、执行总成本和约束条件；
任务信息由用户提交给云计算系统，系统允许任务以任何顺序在任何可用的虚拟机上执行，本发明提出的任务在线反馈随机调度策略满足：
EST(vi,VMj)≥Avail(VMj) (1)；
其中EST(vi,VMj)是任务vi在虚拟机VMj上的最早开始执行时间，1≤i≤n，n表示任务的数量，1≤j≤m，m表示虚拟机的个数,Avail(VMj)为虚拟机VMj的可用时间。任务vi在虚拟机VMj上的最早完成时间EFT(vi)为：
EFT(vi)＝EST(vi,VMj)+si/Psj (2)；
其中Psj表示虚拟机VMj的处理能力，si表示任务vi的计算量。本发明提出的任务在线反馈随机调度策略中，任务的计算量具有随机性。依据用户提供的任务信息，利用SKOPE技术把任务划分为两部分。SKOPE技术为现有成熟技术，如“SKOPE:a framework formodeling and exploring workload behavior”，Jiayuan Meng、Xingfu Wu、VitaliMorozov，Acm Conference on Computing Frontiers，2014。
对于任务vi，任务vi存在至少一种可能执行行为。用户将任务vi的信息提交给云计算系统时，并不知任务vi处于何种执行行为。利用SKOPE技术将用户提供的任务vi划分为两部分，通过SKOPE技术可以获得用户提供的任务vi的第一部分的计算量first(si)和存储量first(di)、任务vi的第二部分的计算量last(si)和存储量last(di)。
本发明以任务计算量为依据进行任务调度，任务vi在虚拟机上的最早完成时间可进一步表示为：
Figure BDA0002006629970000041
当任务vi第一部分与第二部分调度在同一台虚拟机VMj时，k＝j；当任务vi调度在不同虚拟机VMj、VMk上时，k≠j；first(si)表示任务vi的第一部分的计算量，last(si)表示任务vi的第二部分的计算量，CurT是在线调度时间，Psj表示虚拟机VMj的处理能力，Psk表示虚拟机VMk的处理能力。
云计算系统在每个调度点首先调度任务vi的第一部分到虚拟机上实际执行，虚拟机实际执行任务vi的第一部分后得到任务vi的第一部分的实际计算量fdc(vi)和任务vi的第一部分的实际存储量fds(vi)。本发明要求云计算系统中所有任务的第一部分都能在一个调度间隔中执行完成，因而在下一个调度点时，虚拟机可以将在上一个调度点调度任务vi的第一部分进行执行时获得的任务vi的第一部分实际计算量fdc(vi)和任务vi的第一部分的实际存储量fds(vi)反馈给云计算系统。任务vi的第一部分实际计算量fdc(vi)和任务vi的第一部分的实际存储量fds(vi)共同构成任务在线反馈执行结果。
对于任务vi的每一种可能执行行为，利用SKOPE技术可以获得任务vi在每一种可能执行行为时的第一部分的计算量和存储量、任务vi在每一种可能执行行为时的第二部分的计算量和存储量。
如表2中，任务vi存在三种可能执行行为。
表2云任务vi计算量随机性特征
Figure BDA0002006629970000051
Probi,1表示任务vi的第一种可能执行行为，Probi,2表示任务vi的第二种可能执行行为，Probi,3表示任务vi的第三种可能执行行为。
根据任务在线反馈执行结果即任务vi的第一部分在线反馈计算量fdc(vi)和任务vi的第一部分在线反馈存储量fds(vi)，计算任务vi的第u种可能执行行为Probi,u的执行概率Pru，实际上是计算任务在线反馈执行结果与任务vi第一部分可能执行行为之间的欧氏距离，可用如下公式计算这种可能性
Figure BDA0002006629970000052
其中，Pru是任务vi的第u种可能执行行为Probi,u的执行概率，1≤u≤w,w表示任务vi所有可能执行行为的数量，Probi,u表示任务vi的第u种可能执行行为。1≤i≤n，n表示任务的总数；1≤y≤w,firPsize(Probi,y)和firPstorage(Probi,y)分别为任务vi在第y种可能执行行为时的第一部分的计算量和存储量。对任务vi的所有种可能执行行为的概率依公式(4)进行计算后，然后查找最小的可能执行行为概率Prx(1≤x≤w)，并找到与最小可能执行行为概率Prx相对应的任务vi的最大可能执行行为Probi,x(最小的的可能执行行为概率Prx对应的行为为最大的可能执行行为Probi,x)，再根据任务vi的可能执行行为Probi,x，得到任务vi在此可能执行行为Probi,x时的第二部分的计算量和存储量(如表2所示，在确定Probi,x时，就可得到任务vi在Probi,x时的第二部分的计算量和存储量)。
由于假设BoT应用程序模型的任务是独立的，则最后一个任务执行完成也标志着BoT应用程序执行结束。BoT应用程序任务集V中的任务vi在虚拟机上的调度长度表示为：
Figure BDA0002006629970000061
其中，1≤i≤n，n表示任务的数量，1≤j≤m，m表示虚拟机的个数，假若任务vi调度在虚拟机VMj上，则Xi,j＝1，反之Xi,j＝0。在云计算系统中，假定每个虚拟机都有自己的属性，任务vi的执行成本cοst(vi)表示为：
Figure BDA0002006629970000062
其中，fdc(vi)、fds(vi)分别是任务vi的第一部分在线反馈计算量和任务vi的第一部分在线反馈存储量(公式4中的fdc(vi)、fds(vi)的含义分别同公式(6)中的fdc(vi)、fds(vi))，1≤i≤n，n表示任务的数量；Psj表示虚拟机VMj的处理能力，1≤j≤m，m表示虚拟机的个数；Pcj表示虚拟机VMj的单位计算能力价格，SScj表示虚拟机VMj的软件服务价格；Scj表示虚拟机VMj的单位存储空间价格；lastPsize(Probi,x)和lastPstorage(Probi,x)分别表示任务vi的最大可能执行行为Probi,x的第二部分计算量和存储量。
BoT应用程序模型任务执行总成本表示为：
Figure BDA0002006629970000071
随机任务调度方法目的是将调度长度Makespan和执行总成本Cost进行最小化，最小化Mininize的数学描述形式为：
Figure BDA0002006629970000072
最小化Mininize的约束条件为：
Figure BDA0002006629970000073
其中ci为用户提交的任务执行预算约束。本发明提出的调度方法的优化目标是在任务执行预算约束ci下，在最小调度长度Makespan和任务执行成本中获得折衷优化。
步骤3、本发明利用遗传算法获得最优的帕累托解向量，获得的最优的帕累托解向量即为预算约束随机任务调度方法的最优调度方案。
遗传算法维护一个称为个体的二进制字符串群，并使用不同的操作符(如选择、交叉和变异)对其进行迭代修改，以获得最佳的解决方案。本步由如下七小步构成。
第3-1小步，针对两类任务的字符串组种群编码及最大进化代数设置：
本发明提出的遗传算法效率在很大程度上取决于编码机制，群体中的每个个体都代表解决该问题的可行方案。本发明每个调度点上有两类任务需要调度，一类任务是，任务第一部分，通过云计算系统在线反馈获取任务的第二部分的实际计算量，该类任务称为A类。另一类任务是，在此调度点将任务的第二部分提交给云计算系统的虚拟机执行，称为B类任务。假设A类任务比B类任务小，且A类任务都能在一个调度间隔内完成。因而本发明将遗传算法编码群体分为两个字符串组(lastArr和firArr)，字符串组的每个索引表示任务，相应元素值表示此任务分配的虚拟机。
第3-2小步，对编码后的种群初始化：对于A类任务，使用随机法分配虚拟机而不管任务执行成本方式构成A类任务个体初始化种群；对于B类任务，用全局搜索满足任务执行预算约束的虚拟机，然后从此满足任务执行预算约束的虚拟机集中随机选择构成B类任务个体初始化种群；
遗传算法从随机产生的个体集合开始搜索，称为初始化种群，其质量对进化算法性能有重要影响。首先对于A类任务，本发明将查找空闲虚拟机，并使用随机法分配空闲虚拟机给A类任务，而不管任务执行成本，从而实现对firArr个体初始化。对于B类任务，本发明在任务执行预算约束下，搜索所有虚拟机并找出满足任务执行预算约束的虚拟机，然后从此满足任务执行预算约束的虚拟机集中随机选择一台虚拟机VMj分配给任务，从而实现对lastArr个体初始化。
第3-3小步，建立适应度函数：适应度函数用于评价染色体个体的好坏，函数值越大，个体越优良，在遗传算法进化迭代过程中有更大的几率被保留下来，相应的任务调度方案就越好。调度长度(Makespan，公式5)和总成本(Cost，公式7)具有相互约束与依赖性，不可能同时最优。根据调度长度Makespan和总成本Cost建立如下适应度函数公式(10)，适应度函数公式(10)具有两个解向量φ和ε；
Figure BDA0002006629970000081
第3-4小步，选择操作：对通过第3-2小步进行初始化后的A类任务firArr个体，使用常用轮盘选择法为其选择下一代个体，用于遗传算法后续优化。对于B类任务的初始化lastArr个体，首先按其调度长度Makespan降序排序，然后将锦标赛选择方法应用于降序排序后的lastArr个体，锦标赛交叉率设为0.75。锦标赛选择B类任务lastArr个体执行“锦标赛”，从当前种群中随机选择两个体进行“比赛”，竞争规则是依据适应度函数公式(10)，胜者具有最优的解向量ε，把此胜者用于后续交叉。
第3-5小步，交叉操作：本发明提出的遗传算法中有效调度序列要求个体必须遵循任务执行预算约束。因而设计基于随机局部映射交叉算法。对于B类任务lastAarr中经过3-4小步中“锦标赛”选定的两个胜选个体，首先随意选择一个截止位置，将每个父个体分割为两个子个体。然后，这些子个体被交换来产生两个后代。由于A任务必须在调度间隔内完成，所以每个虚拟机只能容纳一个任务。B类任务的初始lastarr个体交叉运算必须满足任务执行预算约束，若交叉的两任务不能满足任务执行预算约束，交叉运算就不能执行。对于A类，由于任务计算量较小，不受任务执行预算约束的影响，本发明采用随机交叉。
第3-6小步，变异操作：本发明遗传算法变异是根据变异率从经第3-5小步进行交叉操作后获得的个体集合中随机选取个体，对个体的染色体的部分基因以随机方式变异，生成具有新基因的染色体个体。本发明变异率设定为0.5-3.0％，而且要求任何任务变异都要满足任务执行预算约束。
第3-7小步，从进行变异操作后获得的个体集合中求得满足最小化Mininize公式(8)和最小化Mininize的约束条件公式(9)的个体，求得的个体即为最优的帕累托解向量；若从进行变异操作后获得的个体集合中不存在满足最小化Mininize公式(8)和最小化Mininize的约束条件公式(9)的个体，则重复第3-4小步的选择操作、第3-5小步的交叉操作、第3-6小步的变异操作，直到求得最优的帕累托解向量；将求得的最优的帕累托解向量作为最终解。
本发明的有益效果：
本发明针对云应用程序任务在异构云计算系统执行时计算量的随机性和成本预算约束。首先针对异构云计算系统，建立虚拟机资源模型；将用户提交的任务描述为云计算中常见的BoT应用程序模型；其次，定义任务在虚拟机上的最早开始执行时间、任务在虚拟机上的最早完成时间，给出任务在虚拟机上的调度长度和执行总成本及预测约束条件；最后基于遗传算法以实现计算成本和调度长度的帕累托最优。该方法利用任务第一部分在虚拟机上执行反馈结果获得任务的计算量，然后利用遗传算法实现性能和成本的多目标优化，因而不仅提高任务调度性能，还为用户节约了计算成本，能有效提高云计算系统应用效率。
采用该方法在调度长度和计算成本上明显优于现有的Min-Min和Tabu-Search(TS)方法，能有效提高云任务调度性能，对提高云计算系统应用效率具有重要意义。
附图说明
图1为基于遗传算法的云计算系统预算约束随机任务调度方法的总流程图；
图2为预算约束随机任务调度方法遗传算法编码群体示例图；
图3为8任务交叉操作示例图；
图4为单应用程序调度实验结果：图4(a)为有40个任务的应用程序；图4(b)为有160个任务的应用程序。
具体实施方式
以下结合附图和实施例对本发明作进一步说明。
参照图1，基于遗传算法的云计算系统预算约束随机任务调度方法,包括如下步骤：
步骤1、针对异构云计算系统，建立虚拟机资源模型；将用户提交的任务描述为云计算中常见的BoT应用程序模型；
虚拟机资源模型中的每台虚拟机都拥有自己资源，其特征如计算能力(Ps)、单位计算能力价格(Pc)、存储空间(Ss)、单位存储价格(Sc)、软件服务价格(SSc)等，形式为：VM＝<Ps,Pc,Ss,Sc,SSc>，其中VM是虚拟机的有限集，Ps是虚拟机的处理能力(每秒兆数指令，MIPS)，Pc是单位计算能力价格，Ss是虚拟机存储空间(MB)，Sc是虚拟机单位存储空间价格，SSc是虚拟机软件服务费用。
其次，由于异构云计算环境下用户应用程序日益复杂，时间和环境不断演化，一个任务的执行时间很难被估计成一个确定的常量，而是一个随运行时间点和运行软硬件环境变化的随机变量。概率分布是随机变量最基本的特征，在实际研究中获得所观察随机变量的概率分布函数是相对困难的，但随机变量分布频率则易于获得，用户可以利用日志文件分析、配置信息和软件模块分析树等技术实现，并把此信息作为应用程序任务数据即任务信息提交给云计算系统。本发明中，将用户提交的任务描述为云计算中常见的BoT应用程序模型，BoT应用程序模型中的任务v1,v2,…vi,…vn∈V，1≤i≤n，i表示第i个任务，n表示任务的数量，V表示BoT应用程序任务集，且其中每个任务均为独立任务，即任务间没有通信或任何依赖关系，且允许在任意可用的虚拟机上执行。
步骤2、定义任务在虚拟机上的最早开始执行时间、任务在虚拟机上的最早完成时间，给出任务在虚拟机上的调度长度、执行总成本和预算法约束条件；
任务信息由用户提交给云计算系统，系统允许任务以任何顺序在任何可用的虚拟机上执行，本发明提出的任务在线反馈随机调度策略满足：
EST(vi,VMj)≥Avail(VMj) (1)；
其中EST(vi,VMj)是任务vi在虚拟机VMj上的最早开始执行时间，1≤i≤n，n表示任务的数量，1≤j≤m，m表示虚拟机的个数,Avail(VMj)为虚拟机VMj的可用时间。任务vi在虚拟机VMj上的最早完成时间EFT(vi)为：
EFT(vi)＝EST(vi,VMj)+si/Psj (2)；
其中Psj表示虚拟机VMj的处理能力，si表示任务vi的计算量。本发明提出的任务在线反馈随机调度策略中，任务的计算量具有随机性。依据用户提供的任务信息，利用SKOPE技术把任务划分为两部分。SKOPE技术为现有成熟技术，如“SKOPE:a framework formodeling and exploring workload behavior”，Jiayuan Meng、Xingfu Wu、VitaliMorozov，Acm Conference on Computing Frontiers，2014。
对于任务vi，任务vi存在至少一种可能执行行为。用户将任务vi的信息提交给云计算系统时，并不知任务vi处于何种执行行为。利用SKOPE技术将用户提供的任务vi划分为两部分，通过SKOPE技术可以获得用户提供的任务vi的第一部分的计算量first(si)和存储量first(di)、任务vi的第二部分的计算量last(si)和存储量last(di)。
本发明以任务计算量为依据进行任务调度，任务vi在虚拟机上的最早完成时间可进一步表示为：
Figure BDA0002006629970000111
当任务vi第一部分与第二部分调度在同一台虚拟机VMj时，k＝j；当任务vi调度在不同虚拟机VMj、VMk上时，k≠j；first(si)表示任务vi的第一部分的计算量，last(si)表示任务vi的第二部分的计算量，CurT是在线调度时间，Psj表示虚拟机VMj的处理能力，Psk表示虚拟机VMk的处理能力。
云计算系统在每个调度点首先调度任务vi的第一部分到虚拟机上实际执行，虚拟机实际执行任务vi的第一部分后得到任务vi的第一部分的实际计算量fdc(vi)和任务vi的第一部分的实际存储量fds(vi)。本发明要求云计算系统中所有任务的第一部分都能在一个调度间隔中执行完成，因而在下一个调度点时，虚拟机可以将在上一个调度点调度任务vi的第一部分进行执行时获得的任务vi的第一部分实际计算量fdc(vi)和任务vi的第一部分的实际存储量fds(vi)反馈给云计算系统。任务vi的第一部分实际计算量fdc(vi)和任务vi的第一部分的实际存储量fds(vi)共同构成任务在线反馈执行结果。
对于任务vi的每一种可能执行行为，利用SKOPE技术可以获得任务vi在每一种可能执行行为时的第一部分的计算量和存储量、任务vi在每一种可能执行行为时的第二部分的计算量和存储量。
根据任务在线反馈执行结果即任务vi的第一部分在线反馈计算量fdc(vi)和任务vi的第一部分在线反馈存储量fds(vi)，计算任务vi的第u种可能执行行为Probi,u的执行概率Pru，实际上是计算任务在线反馈执行结果与任务vi第一部分可能执行行为之间的欧氏距离，可用如下公式计算这种可能性
Figure BDA0002006629970000121
其中，Pru是任务vi的第u种可能执行行为Probi,u的执行概率，1≤u≤w,w表示任务vi所有可能执行行为的数量，Probi,u表示任务vi的第u种可能执行行为。1≤i≤n，n表示任务的总数；1≤y≤w,firPsize(Probi,y)和firPstorage(Probi,y)分别为任务vi在第y种可能执行行为时的第一部分的计算量和存储量。对任务vi的所有种可能执行行为的概率依公式(4)进行计算后，然后查找最小的可能执行行为概率Prx(1≤x≤w)，并找到与最小可能执行行为概率Prx相对应的任务vi的最大可能执行行为Probi,x(最小的的可能执行行为概率Prx对应的行为为最大的可能执行行为Probi,x)，再根据任务vi的可能执行行为Probi,x，得到任务vi在此可能执行行为Probi,x时的第二部分的计算量和存储量(如表2所示，在确定Probi,x时，就可得到任务vi在Probi,x时的第二部分的计算量和存储量)。
由于假设BoT应用程序模型的任务是独立的，则最后一个任务执行完成也标志着BoT应用程序执行结束。BoT应用程序任务集V中的任务vi在虚拟机上的调度长度表示为：
Figure BDA0002006629970000131
其中，1≤i≤n，n表示任务的数量，1≤j≤m，m表示虚拟机的个数，假若任务vi调度在虚拟机VMj上，则Xi,j＝1，反之Xi,j＝0。在云计算系统中，假定每个虚拟机都有自己的属性，任务vi的执行成本cοst(vi)表示为：
Figure BDA0002006629970000132
其中，fdc(vi)、fds(vi)分别是任务vi的第一部分在线反馈计算量和任务vi的第一部分在线反馈存储量(公式4中的fdc(vi)、fds(vi)的含义分别同公式(6)中的fdc(vi)、fds(vi))，1≤i≤n，n表示任务的数量；Psj表示虚拟机VMj的处理能力，1≤j≤m，m表示虚拟机的个数；Pcj表示虚拟机VMj的单位计算能力价格，SScj表示虚拟机VMj的软件服务价格；Scj表示虚拟机VMj的单位存储空间价格；lastPsize(Probi,x)和lastPstorage(Probi,x)分别表示任务vi的最大可能执行行为Probi,x的第二部分计算量和存储量。
BoT应用程序模型任务执行总成本表示为：
Figure BDA0002006629970000133
随机任务调度方法目的是将调度长度Makespan和执行总成本Cost进行最小化，最小化Mininize的数学描述形式为：
Figure BDA0002006629970000141
最小化Mininize的约束条件为：
Figure BDA0002006629970000142
其中ci为用户提交的任务执行预算约束。本发明提出的调度方法的优化目标是在任务执行预算约束ci下，在最小调度长度Makespan和任务执行成本中获得折衷优化。
步骤3、本发明利用遗传算法获得最优的帕累托解向量，获得的最优的帕累托解向量即为预算约束随机任务调度方法的最优调度方案。
遗传算法维护一个称为个体的二进制字符串群，并使用不同的操作符(如选择、交叉和变异)对其进行迭代修改，以获得最佳的解决方案。本步由如下七小步构成。
第3-1小步，针对两类任务的字符串组种群编码及最大进化代数设置：
本发明提出的遗传算法效率在很大程度上取决于编码机制，群体中的每个个体都代表解决该问题的可行方案。本发明每个调度点上有两类任务需要调度，一类任务是，任务第一部分，通过云计算系统在线反馈获取任务的第二部分的实际计算量，该类任务称为A类。另一类任务是，在此调度点将任务的第二部分提交给云计算系统的虚拟机执行，称为B类任务。本发明认为A类任务较小，且都能在一个调度间隔内完成。因而本发明将遗传算法编码群体分为两个字符串组(lastArr和firArr)，字符串组的每个索引表示任务，相应元素值表示此任务分配的虚拟机，图2是其示例。本发明采用的遗传算法最大进化代数设置为5000。
第3-2小步，对编码后的种群初始化：对于A类任务，使用随机法分配虚拟机而不管任务执行成本方式构成A类任务个体初始化种群；对于B类任务，用全局搜索满足任务执行预算约束的虚拟机，然后从此满足任务执行预算约束的虚拟机集中随机选择构成B类任务个体初始化种群；
遗传算法从随机产生的个体集合开始搜索，称为初始化种群，其质量对进化算法性能有重要影响。首先对于A类任务，本发明将查找空闲虚拟机，并使用随机法分配空闲虚拟机给A类任务，而不管任务执行成本，从而实现对firArr个体初始化。对于B类任务，本发明在任务执行预算约束下，搜索所有虚拟机并找出满足任务执行预算约束的虚拟机，然后从此满足任务执行预算约束的虚拟机集中随机选择一台虚拟机VMj分配给任务，从而实现对lastArr个体初始化。
第3-3小步，建立适应度函数：适应度函数用于评价染色体个体的好坏，函数值越大，个体越优良，在遗传算法进化迭代过程中有更大的几率被保留下来，相应的任务调度方案就越好。调度长度(Makespan，公式5)和总成本(Cost，公式7)具有相互约束与依赖性，不可能同时最优。根据调度长度Makespan和总成本Cost建立如下适应度函数公式(10)，适应度函数公式(10)具有两个解向量φ和ε；
Figure BDA0002006629970000151
第3-4小步，选择操作：对通过第3-2小步进行初始化后的A类任务firArr个体，使用常用轮盘选择法为其选择下一代个体，用于遗传算法后续优化。对于B类任务的初始化lastArr个体，首先按其调度长度Makespan降序排序，然后将锦标赛选择方法应用于降序排序后的lastArr个体，锦标赛交叉率设为0.75。锦标赛选择B类任务lastArr个体执行“锦标赛”，从当前种群中随机选择两个体进行“比赛”，竞争规则是依据适应度函数公式(10)，胜者具有最优的解向量ε，把此胜者用于后续交叉。
第3-5小步，交叉操作：本发明提出的遗传算法中有效调度序列要求个体必须遵循任务执行预算约束。因而设计基于随机局部映射交叉算法。对于B类任务lastAarr中经过3-4小步中“锦标赛”选定的两个胜选个体，首先随意选择一个截止位置，将每个父个体分割为两个子个体。然后，这些子个体被交换来产生两个后代。由于A任务必须在调度间隔内完成，所以每个虚拟机只能容纳一个任务。图3给出8任务交叉操作示例。B类任务的初始lastarr个体交叉运算必须满足任务执行预算约束，若交叉的两任务不能满足任务执行预算约束，交叉运算就不能执行。对于A类，由于任务计算量较小，不受任务执行预算约束的影响，本发明采用随机交叉。
第3-6小步，变异操作：本发明遗传算法变异是根据变异率从经第3-5小步进行交叉操作后获得的个体集合中随机选取个体，对个体的染色体的部分基因以随机方式变异，生成具有新基因的染色体个体。本发明变异率设定为0.5-3.0％，而且要求任何任务变异都要满足任务执行预算约束。
第3-7小步，从进行变异操作后获得的个体集合中求得满足最小化Mininize公式(8)和最小化Mininize的约束条件公式(9)的个体，求得的个体即为最优的帕累托解向量；若从进行变异操作后获得的个体集合中不存在满足最小化Mininize公式(8)和最小化Mininize的约束条件公式(9)的个体，则重复第3-4小步的选择操作、第3-5小步的交叉操作、第3-6小步的变异操作，直到求得最优的帕累托解向量；将求得的最优的帕累托解向量作为最终解。
实验证明：
本专利实验的异构云计算系统由有228个核心的集群组成，包括8个Intel XeonE5 3.2GHz处理器、10个Intel Core I7 3.3GHz处理器、6个AMD Opteron 2.3GHz处理器，以及总共90TB的不同类型存储空间。数据中心架构被模拟为三层，带宽为1M的接入层，带宽为1M的聚合层和带宽为10M的核心层。由此本发明专利创建了400台虚拟机，具有不同计算能力、存储空间、软件服务能力、成本和带宽。
本发明之基于遗传算法的云计算系统预算约束随机任务调度方法简称为SSGA。实验室中对SSGA进行了验证。第一组实验分别使用40个任务(参见图4(a))和160个任务(参见图4(b))调度的应用程序。图3显示本专利提出的SSGA与Min-Min在计算成本方面的比较，其中蓝色三角形点代表Min-Min算法在最小、平均、最大任务执行大小时的实验结果。实验结果表明本专利提出的SSGA性能在三个点上都要优于Min-Min算法。例如，在图4(a)40个任务的实验结果中随机选取帕累托点(用黑色箭头表示)，发现其调度长度和总成本分别为90.3和402.5，但Min-Min算法却为51.033和1550.9。因而Min-Min计算成本要高很多。

Claims (2)

1.基于遗传算法的云计算系统预算约束随机任务调度方法,其特征在于，包括如下步骤：
步骤1、针对异构云计算系统，建立虚拟机资源模型；将用户提交的任务描述为云计算中常见的BoT应用程序模型；
虚拟机资源模型中的每台虚拟机都拥有自己资源，资源包括计算能力即虚拟机的处理能力Ps、单位计算能力价格Pc、存储空间Ss、单位存储空间价格Sc、软件服务价格虚拟机软件服务费用SSc，拥有以上资源的虚拟机共同构成虚拟机的有限集VM；
将用户提交的任务描述为云计算中常见的BoT应用程序模型，BoT应用程序模型中的任务v1,v2,…vi,…vn∈V，1≤i≤n，i表示第i个任务，n表示任务的数量，V表示BoT应用程序任务集，且其中每个任务均为独立任务，即任务间没有通信或任何依赖关系，且允许在任意可用的虚拟机上执行；
步骤2、定义任务在虚拟机上的最早开始执行时间、任务在虚拟机上的最早完成时间，给出任务在虚拟机上的调度长度、执行总成本和约束条件；
任务信息由用户提交给云计算系统，系统允许任务以任何顺序在任何可用的虚拟机上执行，任务在线反馈随机调度策略满足：
EST(vi,VMj)≥Avail(VMj) (1)；
其中EST(vi,VMj)是任务vi在虚拟机VMj上的最早开始执行时间，1≤i≤n，n表示任务的数量，1≤j≤m，m表示虚拟机的个数,Avail(VMj)为虚拟机VMj的可用时间；
任务vi在虚拟机VMj上的最早完成时间EFT(vi)为：
EFT(vi)＝EST(vi,VMj)+si/Psj
(2)；
其中Psj表示虚拟机VMj的处理能力，si表示任务vi的计算量；
依据用户提供的任务信息，利用SKOPE技术把任务划分为两部分；
对于任务vi，任务vi存在至少一种可能执行行为；用户将任务vi的信息提交给云计算系统时，并不知任务vi处于何种执行行为；利用SKOPE技术将用户提供的任务vi划分为两部分，通过SKOPE技术可以获得用户提供的任务vi的第一部分的计算量first(si)和存储量first(di)、任务vi的第二部分的计算量last(si)和存储量last(di)；
以任务计算量为依据进行任务调度，任务vi在虚拟机上的最早完成时间可进一步表示为：
Figure FDA0003887040640000021
当任务vi第一部分与第二部分调度在同一台虚拟机VMj时，k＝j；当任务vi调度在不同虚拟机VMj、VMk上时，k≠j；first(si)表示任务vi的第一部分的计算量，last(si)表示任务vi的第二部分的计算量，CurT是在线调度时间，Psj表示虚拟机VMj的处理能力，Psk表示虚拟机VMk的处理能力；
云计算系统在每个调度点首先调度任务vi的第一部分到虚拟机上实际执行，虚拟机实际执行任务vi的第一部分后得到任务vi的第一部分的实际计算量fdc(vi)和任务vi的第一部分的实际存储量fds(vi)；任务vi的第一部分实际计算量fdc(vi)和任务vi的第一部分的实际存储量fds(vi)共同构成任务在线反馈执行结果；
对于任务vi的每一种可能执行行为，利用SKOPE技术可以获得任务vi在每一种可能执行行为时的第一部分的计算量和存储量、任务vi在每一种可能执行行为时的第二部分的计算量和存储量；
根据任务在线反馈执行结果即任务vi的第一部分在线反馈计算量fdc(vi)和任务vi的第一部分在线反馈存储量fds(vi)，计算任务vi的第u种可能执行行为Probi,u的执行概率Pru；
Figure FDA0003887040640000031
其中，Pru是任务vi的第u种可能执行行为Probi,u的执行概率，1≤u≤w,w表示任务vi所有可能执行行为的数量，Probi,u表示任务vi的第u种可能执行行为；1≤i≤n，n表示任务的总数；1≤y≤w,firPsize(Ρrobi,y)和firPstorage(Ρrobi,y)分别为任务vi在第y种可能执行行为时的第一部分的计算量和存储量；对任务vi的所有种可能执行行为的概率依公式(4)进行计算后，然后查找最小的可能执行行为概率Prx(1≤x≤w)，并找到与最小可能执行行为概率Prx相对应的任务vi的最大可能执行行为Probi,x，最小的的可能执行行为概率Prx对应的行为为最大的可能执行行为Probi,x，再根据任务vi的可能执行行为Probi,x，得到任务vi在此可能执行行为Probi,x时的第二部分的计算量和存储量；
BoT应用程序任务集V中的任务vi在虚拟机上的调度长度表示为：
Figure FDA0003887040640000032
其中，1≤i≤n，n表示任务的数量，1≤j≤m，m表示虚拟机的个数，假若任务vi调度在虚拟机VMj上，则Xi,j＝1，反之Xi,j＝0；在云计算系统中，假定每个虚拟机都有自己的属性，任务vi的执行成本cost(vi)表示为：
cost(vi)＝fdc(vi)/Psj*(Pcj+SScj)+fds(vi)*Scj+lastPsize(Ρrobi,x)/Psk*(Pck+SSck)+lastPstorage(Ρrobi,x)*Sck
(6)；
其中，fdc(vi)、fds(vi)分别是任务vi的第一部分在线反馈计算量和任务vi的第一部分在线反馈存储量，1≤i≤n，n表示任务的数量；Psj表示虚拟机VMj的处理能力，1≤j≤m，m表示虚拟机的个数；Pcj表示虚拟机VMj的单位计算能力价格，SScj表示虚拟机VMj的软件服务价格；Scj表示虚拟机VMj的单位存储空间价格；lastPsize(Ρrobi,x)和lastPstorage(Ρrobi,x)分别表示任务vi的最大可能执行行为Probi,x的第二部分计算量和存储量；
BoT应用程序模型任务执行总成本表示为：
Figure FDA0003887040640000041
随机任务调度方法目的是将调度长度Makespan和执行总成本Cost进行最小化，最小化Mininize的数学描述形式为：
Figure FDA0003887040640000042
最小化Mininize的约束条件为：
Figure FDA0003887040640000043
其中ci为用户提交的任务执行预算约束；
步骤3、利用遗传算法获得帕累托最优解向量，获得的帕累托最优解向量即为预算约束随机任务调度方法的最优调度方案。
2.根据权利要求1所述基于遗传算法的云计算系统预算约束随机任务调度方法,其特征在于，所述步骤3中，利用遗传算法获得帕累托最优解向量，具体包括如下步骤：
第3-1小步，针对两类任务的字符串组种群编码及最大进化代数设置：
遗传算法效率在很大程度上取决于编码机制，群体中的每个个体都代表解决该任务调度问题的可行方案；每个调度点上有两类任务需要调度，一类任务是，任务第一部分，通过云计算系统在线反馈获取任务的第二部分的实际计算量，该类任务称为A类；另一类任务是，在此调度点将任务的第二部分提交给云计算系统的虚拟机执行，称为B类任务；假设A类任务比B类任务小，且A类任务都能在一个调度间隔内完成；将遗传算法编码群体分为两个字符串组lastArr和firArr，字符串组的每个索引表示任务，相应元素值表示此任务分配的虚拟机；
第3-2小步，对编码后的种群初始化：对于A类任务，使用随机法分配虚拟机而不管任务执行成本方式构成A类任务个体初始化种群；对于B类任务，用全局搜索满足任务执行预算约束的虚拟机，然后从此满足任务执行预算约束的虚拟机集中随机选择构成B类任务个体初始化种群；
遗传算法从随机产生的个体集合开始搜索，称为初始化种群，其质量对进化算法性能有重要影响；首先对于A类任务，将查找空闲虚拟机，并使用随机法分配空闲虚拟机给A类任务，而不管任务执行成本，从而实现对firArr个体初始化；对于B类任务，在任务执行预算约束下，搜索所有虚拟机并找出满足任务执行预算约束的虚拟机，然后从此满足任务执行预算约束的虚拟机集中随机选择一台虚拟机VMj分配给任务，从而实现对lastArr个体初始化；
第3-3小步，建立适应度函数：适应度函数用于评价染色体个体的好坏，函数值越大，个体越优良，在遗传算法进化迭代过程中有更大的几率被保留下来，相应的任务调度方案就越好；调度长度和总成本具有相互约束与依赖性，不可能同时最优；根据调度长度Makespan和总成本Cost建立如下适应度函数公式(10)，适应度函数公式(10)具有两个解向量φ和ε；
Figure FDA0003887040640000051
第3-4小步，选择操作：对通过第3-2小步进行初始化后的A类任务firArr个体，使用常用轮盘选择法为其选择下一代个体，用于遗传算法后续优化；对于B类任务的初始化lastArr个体，首先按其调度长度Makespan降序排序，然后将锦标赛选择方法应用于降序排序后的lastArr个体，锦标赛交叉率设为0.75；锦标赛选择B类任务lastArr个体执行“锦标赛”，从当前种群中随机选择两个体进行“比赛”，竞争规则是依据适应度函数公式(10)，胜者具有最优的解向量ε，把此胜者用于后续交叉；
第3-5小步，交叉操作：遗传算法中有效调度序列要求个体必须遵循任务执行预算约束；对于B类任务lastAarr中经过3-4小步中“锦标赛”选定的两个胜选个体，首先随意选择一个截止位置，将每个父个体分割为两个子个体；然后，这些子个体被交换来产生两个后代；由于A任务必须在调度间隔内完成，所以每个虚拟机只能容纳一个任务；B类任务的初始lastarr个体交叉运算必须满足任务执行预算约束，若交叉的两任务不能满足任务执行预算约束，交叉运算就不能执行；对于A类，由于任务计算量小，不受任务执行预算约束的影响，采用随机交叉；
第3-6小步，变异操作：本发明遗传算法变异是根据变异率从经第3-5小步进行交叉操作后获得的个体集合中随机选取个体，对个体的染色体的部分基因以随机方式变异，生成具有新基因的染色体个体；变异率设定为0.5-3.0％，而且要求任何任务变异都要满足任务执行预算约束；
第3-7小步，从进行变异操作后获得的个体集合中求得满足最小化Mininize公式(8)和最小化Mininize的约束条件公式(9)的个体，求得的个体即为最优的帕累托解向量；若从进行变异操作后获得的个体集合中不存在满足最小化Mininize公式(8)和最小化Mininize的约束条件公式(9)的个体，则重复第3-4小步的选择操作、第3-5小步的交叉操作、第3-6小步的变异操作，直到求得最优的帕累托解向量；将求得的最优的帕累托解向量作为最终解。
CN201910230744.5A 2019-03-26 2019-03-26 基于遗传算法的云计算系统预算约束随机任务调度方法 Active CN110008023B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910230744.5A CN110008023B (zh) 2019-03-26 2019-03-26 基于遗传算法的云计算系统预算约束随机任务调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910230744.5A CN110008023B (zh) 2019-03-26 2019-03-26 基于遗传算法的云计算系统预算约束随机任务调度方法

Publications (2)

Publication Number Publication Date
CN110008023A CN110008023A (zh) 2019-07-12
CN110008023B true CN110008023B (zh) 2022-11-15

Family

ID=67168128

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910230744.5A Active CN110008023B (zh) 2019-03-26 2019-03-26 基于遗传算法的云计算系统预算约束随机任务调度方法

Country Status (1)

Country Link
CN (1) CN110008023B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10977058B2 (en) * 2019-06-20 2021-04-13 Sap Se Generation of bots based on observed behavior
CN110673860B (zh) * 2019-09-24 2023-06-16 南京先进计算产业发展有限公司 智能云数据中心建设与运营部署系统及方法
CN112308304B (zh) * 2020-10-22 2023-06-23 西北工业大学 工作流执行时间优化方法及装置
CN114610462B (zh) * 2022-03-21 2024-05-14 中国电子科技集团公司第二十研究所 无冲突的周期性多趟调度模型的求解方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014015697A1 (zh) * 2012-05-04 2014-01-30 运软网络科技(上海)有限公司 一种虚拟网络的自主管理系统和方法
CN105740051A (zh) * 2016-01-27 2016-07-06 北京工业大学 基于改进的遗传算法的云计算资源调度实现方法
WO2016165392A1 (zh) * 2015-04-17 2016-10-20 华南理工大学 一种基于遗传算法的云计算资源调度方法
CN109254836A (zh) * 2018-07-23 2019-01-22 湖南农业大学 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014015697A1 (zh) * 2012-05-04 2014-01-30 运软网络科技(上海)有限公司 一种虚拟网络的自主管理系统和方法
WO2016165392A1 (zh) * 2015-04-17 2016-10-20 华南理工大学 一种基于遗传算法的云计算资源调度方法
CN105740051A (zh) * 2016-01-27 2016-07-06 北京工业大学 基于改进的遗传算法的云计算资源调度实现方法
CN109254836A (zh) * 2018-07-23 2019-01-22 湖南农业大学 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

Also Published As

Publication number Publication date
CN110008023A (zh) 2019-07-12

Similar Documents

Publication Publication Date Title
CN110008023B (zh) 基于遗传算法的云计算系统预算约束随机任务调度方法
Liu et al. Deadline‐constrained coevolutionary genetic algorithm for scientific workflow scheduling in cloud computing
Hamad et al. Genetic-based task scheduling algorithm in cloud computing environment
Kalra et al. A review of metaheuristic scheduling techniques in cloud computing
Gao et al. Hierarchical multi-agent optimization for resource allocation in cloud computing
Sulaiman et al. An evolutionary computing-based efficient hybrid task scheduling approach for heterogeneous computing environment
Mohammadzadeh et al. Scientific workflow scheduling in multi-cloud computing using a hybrid multi-objective optimization algorithm
Chattopadhyay et al. QoS-aware automatic Web service composition with multiple objectives
Shishira et al. Survey on meta heuristic optimization techniques in cloud computing
CN109447264B (zh) 云计算环境下基于vham-r模型的虚拟机放置遗传优化方法
CN114741955A (zh) 一种基于安全云的多目标优化任务调度方法
CN114461386A (zh) 任务分配方法及任务分配装置
Chraibi et al. Makespan optimisation in cloudlet scheduling with improved DQN algorithm in cloud computing
CN114461368A (zh) 一种基于协同果蝇算法的多目标云工作流调度方法
CN117271101B (zh) 一种算子融合方法、装置、电子设备及存储介质
Zhang et al. Individualized requirement-driven multi-task scheduling in cloud manufacturing using an extended multifactorial evolutionary algorithm
AlSuwaidan et al. Swarm intelligence algorithms for optimal scheduling for cloud-based fuzzy systems
CN108289115B (zh) 一种信息处理方法及系统
CN112380016A (zh) 基于改进遗传算法的云计算资源负载均衡调度方法及应用
CN110175172B (zh) 基于稀疏二分图的极大二分团并行枚举方法
Deniziak et al. Hardware/software co-synthesis of distributed embedded systems using genetic programming
Holmqvist et al. Parallelized heuristics for combinatorial search
Li et al. Mutation-driven and population grouping PRO algorithm for scheduling budget-constrained workflows in the cloud
CN115599522A (zh) 一种云计算平台任务调度方法、装置和设备
Lin et al. Runtime estimation and scheduling on parallel processing supercomputers via instance-based learning and swarm intelligence

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