CN110083453A - 一种云计算环境下基于Min-Max算法的节能资源调度方法 - Google Patents
一种云计算环境下基于Min-Max算法的节能资源调度方法 Download PDFInfo
- Publication number
- CN110083453A CN110083453A CN201910349452.3A CN201910349452A CN110083453A CN 110083453 A CN110083453 A CN 110083453A CN 201910349452 A CN201910349452 A CN 201910349452A CN 110083453 A CN110083453 A CN 110083453A
- Authority
- CN
- China
- Prior art keywords
- task
- physical machine
- energy
- energy consumption
- list
- 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
- 238000000034 method Methods 0.000 title claims abstract description 13
- 238000005265 energy consumption Methods 0.000 claims abstract description 44
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 4
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3234—Power saving characterised by the action undertaken
- G06F1/329—Power saving characterised by the action undertaken by task scheduling
-
- 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]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种云计算环境下基于Min‑Max算法的节能资源调度方法,通过使用Min‑Max算法找到任务中长度最小和最大的任务,并根据设定的时间QoS将任务完成时间进行分类,最后根据ECEM能量模型估算任务在各物理机上的能耗值并取最小值,得出任务到物理机的最佳映射关系。本发明在使用Min‑Max算法和ECEM能耗估算模型的情况下,可以提高资源利用率,实现负载均衡,减少能量消耗。
Description
技术领域
本发明涉及计算机通信技术领域,具体涉及一种云计算环境下基于Min-Max算法的节能资源调度方法。
背景技术
“云计算”的概念起源于Google工程师克里斯托弗.比希利的一个项目,它是分布式计算、并行计算、效用计算、网络存储和虚拟化等计算模式和互联网技术不断融合的结果。云计算时代的到来,为IT行业打开新的局面,很多IT公司纷纷建立自己的云数据中心;云数据中心是一个中转站,人们可以将海量的计算资源和存储资源集中放在云端,另一方面,可以从云数据中心上获取到各自想要的数据。随着数据中心的规模不断扩大,云数据中心的能耗问题也逐渐显现出来,受到各界的密切关注。据美国相关机构统计,2012年,全世界IT行业的能量消耗占总比例的40%,总的排放二氧化碳占全球的2%;2014年数据中心的基础设施和能源成本占总成本的75%,而基础设施成本仅占其中的25%。
云数据中心产生这么多的能耗主要有两个方面的原因:第一个是云数据中心的数量近年来骤增且规模越来越大;第二个是数据中心的资源调度方案需要进一步完善,不能仅仅只考虑性能,也需要将能量消耗作为其中一个重要的指标。
目前,国内外学者在资源调度方面提出了很多的调度算法,比如:贪心算法把原问题化为规模更小的相似子问题,其每一步的选择都是在前一步的基础下进行的,因此,其具有时间复杂度很低的优点。还有遗传算法、蚁群算法等其他的一些算法,它们在调度性能上有各自的优势,但是,它们有一个共同的特点就是只考虑了性能上的优化而忽略了能耗问题。将能耗问题考虑进去,不以降低系统性能为代价而减少能耗,才可以使得整个系统长期处于稳定地状态。
发明内容
本发明提供了一种云计算环境下基于Min-Max算法的节能资源调度方法,旨在通过ECEM能量模型计算不同资源上的能耗值,并根据时间QoS获得满足用户需求的“任务-物理机”的最佳映射关系,从而实现负载均衡,减少系统的能量消耗。
一种云计算环境下基于Min-Max算法的节能资源调度方法,包括如下步骤:
步骤1,接受任务并建立任务列表,得出相应的虚拟机和物理机列表;给任务列表中的每个任务设定一个时间的QoS,即任务完成的最大时限;将所有任务在物理机上都执行,计算出每个任务在物理机上的最小任务完成时间;
步骤2,使用Min-Min算法找出当前任务列表中长度最小的任务,并且计算该任务在各个虚拟资源上的最小任务完成时间;使用Max-Min算法找出当前任务列表中长度最大的任务,并且计算该任务在各个虚拟资源上的最小任务完成时间;
步骤3,根据步骤1中设定的时间QoS,判断步骤2中得出两个任务在各资源上的最小完成时间是否满足QoS;若满足QoS,则转入步骤4;不满足则将两个任务标为无效,将其删除并直接转入步骤5;
步骤4,根据ECEM能量估算模型,在满足时间QoS的一类中,分别计算出两个任务在各资源上的不同能耗,比较能耗值且找出最小能耗值的物理机,然后形成最佳的任务-物理机的映射关系;将最小长度的任务和最大长度的任务分别放在对应最佳的物理机上执行;执行完成后将任务从任务列表中删除;
步骤5,更新任务列表,循环执行步骤2至4,直到该任务列表为空,退出循环。
进一步地,所述步骤1中,设任务列表为T={T1,T2…Tm},虚拟机列表为V={V1,V2…Vm},物理机列表为H={H1,H2…Hn},计算出每个任务在物理机上的最小任务完成时间后,形成一个M行N列的完成时间矩阵ECT,矩阵中Tij表示任务Ti在物理机Hj上的完成时间。
进一步地,所述步骤4中,所述ECEM能量估算模型是用于估算任务在某资源上产生的能耗,该模型可以估算休眠能耗、空闲能耗以及工作能耗,工作能耗又分为计算能耗、存储能耗和通信能耗,因只考虑计算密集型任务的工作能耗,所以列出工作能耗中的计算能耗的公式:
式中,CTij式Hj执行任务Ti所需要的计算时长(单位为s),CIi(单位为MI)式任务指令条数,CSj表示物理机的处理器速度(单位为MIPS)PCj表示在主机Hj上执行的所有任务产生的工作能耗(单位为W)。
进一步地,所述步骤4中,根据分别计算出两个任务在各资源上的不同能耗,形成一个能耗矩阵ECE,矩阵中Eij表示任务Ti在物理机Hj上产生的工作能耗,通过该能耗矩阵得出两个任务达到最小工作能耗时对应的物理机。
本发明具有以下有益效果:能够在原有的Min-Max算法的基础上大幅度降低能量消耗,提高资源利用率,实现负载均衡。
附图说明
图1为本发明所述的资源调度方法的流程图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
一种云计算环境下基于Min-Max算法的节能资源调度方法,包括如下步骤:
步骤1,接受任务并建立任务列表,得出相应的虚拟机和物理机列表;给任务列表中的每个任务设定一个时间的QoS,即任务完成的最大时限;将所有任务在物理机上都执行,计算出每个任务在物理机上的最小任务完成时间。
所述步骤1中,设任务列表为T={T1,T2…Tm},虚拟机列表为V={V1,V2…Vm},物理机列表为H={H1,H2…Hn},计算出每个任务在物理机上的最小任务完成时间后,形成一个M行N列的完成时间矩阵ECT,矩阵中Tij表示任务Ti在物理机Hj上的完成时间。
步骤2,使用Min-Min算法找出当前任务列表中长度最小的任务,并且计算该任务在各个虚拟资源上的最小任务完成时间;使用Max-Min算法找出当前任务列表中长度最大的任务,并且计算该任务在各个虚拟资源上的最小任务完成时间。
步骤3,根据步骤1中设定的时间QoS,判断步骤2中得出两个任务在各资源上的最小完成时间是否满足QoS;若满足QoS,则转入步骤4;不满足则将两个任务标为无效,将其删除并直接转入步骤5。
步骤4,根据ECEM能量估算模型,在满足时间QoS的一类中,分别计算出两个任务在各资源上的不同能耗,比较能耗值且找出最小能耗值的物理机,然后形成最佳的任务-物理机的映射关系;将最小长度的任务和最大长度的任务分别放在对应最佳的物理机上执行;执行完成后将任务从任务列表中删除。
所述步骤4中,所述ECEM能量估算模型是用于估算任务在某资源上产生的能耗,该模型可以估算休眠能耗、空闲能耗以及工作能耗,工作能耗又分为计算能耗、存储能耗和通信能耗,因只考虑计算密集型任务的工作能耗,所以列出工作能耗中的计算能耗的公式:
式中,CTij式Hj执行任务Ti所需要的计算时长(单位为s),CIi(单位为MI)式任务指令条数,CSj表示物理机的处理器速度(单位为MIPS)PCj表示在主机Hj上执行的所有任务产生的工作能耗(单位为W)。
所述步骤4中,根据分别计算出两个任务在各资源上的不同能耗,形成一个能耗矩阵ECE,矩阵中Eij表示任务Ti在物理机Hj上产生的工作能耗,通过该能耗矩阵得出两个任务达到最小工作能耗时对应的物理机。
步骤5,更新任务列表,循环执行步骤2至4,直到该任务列表为空,退出循环。
以上所述仅为本发明的较佳实施方式,本发明的保护范围并不以上述实施方式为限,但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化,皆应纳入权利要求书中记载的保护范围内。
Claims (4)
1.一种云计算环境下基于Min-Max算法的节能资源调度方法,其特征在于:包括如下步骤:
步骤1,接受任务并建立任务列表,得出相应的虚拟机和物理机列表;给任务列表中的每个任务设定一个时间的QoS,即任务完成的最大时限;将所有任务在物理机上都执行,计算出每个任务在物理机上的最小任务完成时间;
步骤2,使用Min-Min算法找出当前任务列表中长度最小的任务,并且计算该任务在各个虚拟资源上的最小任务完成时间;使用Max-Min算法找出当前任务列表中长度最大的任务,并且计算该任务在各个虚拟资源上的最小任务完成时间;
步骤3,根据步骤1中设定的时间QoS,判断步骤2中得出两个任务在各资源上的最小完成时间是否满足QoS;若满足QoS,则转入步骤4;不满足则将两个任务标为无效,将其删除并直接转入步骤5;
步骤4,根据ECEM能量估算模型,在满足时间QoS的一类中,分别计算出两个任务在各资源上的不同能耗,比较能耗值且找出最小能耗值的物理机,然后形成最佳的任务-物理机的映射关系;将最小长度的任务和最大长度的任务分别放在对应最佳的物理机上执行;执行完成后将任务从任务列表中删除;
步骤5,更新任务列表,循环执行步骤2至4,直到该任务列表为空,退出循环。
2.根据权利要求1所述的一种云计算环境下基于Min-Max算法的节能资源调度方法,其特征在于:所述步骤1中,设任务列表为T={T1,T2…Tm},虚拟机列表为V={V1,V2…Vm},物理机列表为H={H1,H2…Hn},计算出每个任务在物理机上的最小任务完成时间后,形成一个M行N列的完成时间矩阵ECT,矩阵中Tij表示任务Ti在物理机Hj上的完成时间。
3.根据权利要求1所述的一种云计算环境下基于Min-Max算法的节能资源调度方法,其特征在于:所述步骤4中,所述ECEM能量估算模型是用于估算任务在某资源上产生的能耗,该模型可以估算休眠能耗、空闲能耗以及工作能耗,工作能耗又分为计算能耗、存储能耗和通信能耗,因只考虑计算密集型任务的工作能耗,所以列出工作能耗中的计算能耗的公式:
式中,CTij式Hj执行任务Ti所需要的计算时长(单位为s),CIi(单位为MI)式任务指令条数,CSj表示物理机的处理器速度(单位为MIPS)PCj表示在主机Hj上执行的所有任务产生的工作能耗(单位为W)。
4.根据权利要求1所述的一种云计算环境下基于Min-Max算法的节能资源调度方法,其特征在于:所述步骤4中,根据分别计算出两个任务在各资源上的不同能耗,形成一个能耗矩阵ECE,矩阵中Eij表示任务Ti在物理机Hj上产生的工作能耗,通过该能耗矩阵得出两个任务达到最小工作能耗时对应的物理机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910349452.3A CN110083453A (zh) | 2019-04-28 | 2019-04-28 | 一种云计算环境下基于Min-Max算法的节能资源调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910349452.3A CN110083453A (zh) | 2019-04-28 | 2019-04-28 | 一种云计算环境下基于Min-Max算法的节能资源调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110083453A true CN110083453A (zh) | 2019-08-02 |
Family
ID=67417278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910349452.3A Pending CN110083453A (zh) | 2019-04-28 | 2019-04-28 | 一种云计算环境下基于Min-Max算法的节能资源调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110083453A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7320659B1 (ja) | 2022-07-14 | 2023-08-03 | アクタピオ,インコーポレイテッド | 情報処理システム及び情報処理方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508714A (zh) * | 2011-11-03 | 2012-06-20 | 南京邮电大学 | 一种云计算中基于绿色计算的虚拟机调度方法 |
-
2019
- 2019-04-28 CN CN201910349452.3A patent/CN110083453A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508714A (zh) * | 2011-11-03 | 2012-06-20 | 南京邮电大学 | 一种云计算中基于绿色计算的虚拟机调度方法 |
Non-Patent Citations (2)
Title |
---|
吴赛: "云计算系统能耗优化方法的研究", 《中国优秀硕士学位论文全文数据库》 * |
潘钰: "云计算平台中的能耗管理方法", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7320659B1 (ja) | 2022-07-14 | 2023-08-03 | アクタピオ,インコーポレイテッド | 情報処理システム及び情報処理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108182115B (zh) | 一种云环境下的虚拟机负载均衡方法 | |
Liu et al. | Job scheduling model for cloud computing based on multi-objective genetic algorithm | |
Sun et al. | PACO: A period ACO based scheduling algorithm in cloud computing | |
Guzek et al. | HEROS: Energy-efficient load balancing for heterogeneous data centers | |
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 | |
Mao et al. | A multi-resource task scheduling algorithm for energy-performance trade-offs in green clouds | |
Li et al. | Multi-objective task scheduling optimization in cloud computing based on genetic algorithm and differential evolution algorithm | |
Zhou et al. | Deep reinforcement learning-based methods for resource scheduling in cloud computing: A review and future directions | |
CN106371924B (zh) | 一种最小化MapReduce集群能耗的任务调度方法 | |
CN109067834A (zh) | 基于振荡式惯性权重的离散粒子群调度算法 | |
CN105718312A (zh) | 面向生物基因测序计算任务的多队列回填作业调度方法 | |
Natesan et al. | Optimal task scheduling in the cloud environment using a mean grey wolf optimization algorithm | |
CN108170530A (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 | |
Liu et al. | A Parallel Task Scheduling Optimization Algorithm Based on Clonal Operator in Green Cloud Computing. | |
Patra et al. | Game theoretic approach for real-time task scheduling in cloud computing environment | |
CN110362379A (zh) | 基于改进蚁群算法的虚拟机调度方法 | |
CN108170861A (zh) | 一种基于动态规划的分布式数据库系统协同优化方法 | |
Singh et al. | Value and energy optimizing dynamic resource allocation in many-core HPC systems | |
CN110083453A (zh) | 一种云计算环境下基于Min-Max算法的节能资源调度方法 | |
Liu et al. | Energy‐aware virtual machine consolidation based on evolutionary game theory | |
CN108304253A (zh) | 基于缓存感知和数据本地性的map任务调度方法 | |
Jiang et al. | A Resource scheduling strategy in cloud computing based on multi-agent genetic algorithm | |
Yang et al. | A task scheduling method for energy-performance trade-off in clouds | |
CN110149341B (zh) | 基于休眠模式的云系统用户接入控制方法 | |
CN115185651A (zh) | 一种基于云计算的工作流优化调度算法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190802 |
|
RJ01 | Rejection of invention patent application after publication |