CN110308967B - 一种基于混合云的工作流成本-延迟最优化任务分配方法 - Google Patents

一种基于混合云的工作流成本-延迟最优化任务分配方法 Download PDF

Info

Publication number
CN110308967B
CN110308967B CN201910492262.7A CN201910492262A CN110308967B CN 110308967 B CN110308967 B CN 110308967B CN 201910492262 A CN201910492262 A CN 201910492262A CN 110308967 B CN110308967 B CN 110308967B
Authority
CN
China
Prior art keywords
task
cloud
resource
workflow
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
Application number
CN201910492262.7A
Other languages
English (en)
Other versions
CN110308967A (zh
Inventor
李小平
许静文
朱夏
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN201910492262.7A priority Critical patent/CN110308967B/zh
Publication of CN110308967A publication Critical patent/CN110308967A/zh
Application granted granted Critical
Publication of CN110308967B publication Critical patent/CN110308967B/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
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/51—Discovery or management thereof, e.g. service location protocol [SLP] or web services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network 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

Abstract

本发明公开一种基于混合云的工作流成本‑延迟最优化任务分配方法，该方法包括以下步骤：步骤1：接受用户提交的一批带预算和软截止期的工作流应用，所有应用同时进入混合云环境下的多工作流调度系统；步骤2：确定初始任务调度序列；步骤3：资源分配阶段：为任务分配合适的虚拟机资源；步骤4：任务序列调整阶段：通过调整邻域不断扩大搜索范围，寻找最优Pareto解集。本发明不仅可以使具体任务的调度执行更为合理有效，同时能使云计算资源的分配更为公平节约，最终可促进整个云计算市场朝着健康可持续的方向发展。

Description

一种基于混合云的工作流成本-延迟最优化任务分配方法
技术领域：
本发明涉及一种基于混合云的工作流成本-延迟最优化任务分配方法，属于云计算资源调度技术领域。
背景技术：
高性能科学计算、大规模仿真等会耗费巨大的存储和计算资源。同时，用户的请求通常是高度动态的，有着明显的潮汐效应，表现出巨大的峰值资源需求。由于laaS云本地资源的有限性、固定性，当用户请求高峰时期，laaS云本地资源不足，如何调度任务以满足用户的所有请求成为laaS云提供商面临的重大挑战之一。
从laaS云提供商角度，当需求高峰时，如何满足用户的所有请求并保证服务质量这一问题还很少有文献研究，目前的解决办法有：（1）提供一种访问控制机制来拒绝超过云提供商处理能力的请求，然而这样会降低云提供商的吞吐量，并且会给云提供商带来利润的损失。（2）提前购买大量的设备，这对于一些大型云服务提供商是非常具有成本效益的模式，但是对于中小型云服务提供商并不是一个可行的策略。（3）使用云联盟的概念，云联盟可以很好得解决云提供商本地资源不足的问题，但云联盟的付诸实现需要云提供商之间制定协议和标准，目前还未有具体的标准和协议出现。但是，目前涌现出众多的云提供商，为资源整合提供了条件。当laaS云处于请求高峰时期时，云提供商的本地资源无法满足所有用户请求，可以从云提供商角度建立一种混合云的模式，快速将其请求分派给多个资源提供商，也就是将该laaS 云看成是一个私有云，私有云提供对外部公有云的接口，当私有云的计算能力不足时，用户请求可以按照一定的策略分发到外部公有云执行。这种用公有云资源扩充私有云能力的方式可以用来处理预期的工作负荷高峰，相比上述几种方法，既减少了用户的拒绝率，又降低了购置大量设备的成本。
混合云相比单云环境的复杂度更高，调度需要考虑的影响因素也更多。目前混合云下的调度研究多是从用户的角度出发，以满足用户任务的资源请求和QoS约束为目标，很少有从云提供商角度考虑，当用户需求高峰时如何满足用户所有请求并保证服务成本效益的研究。作为一种商业服务，云计算系统应尽可能地提高其服务收益水平。目前从云提供商角度考虑服务收益的调度研究中，调度的对象是单个独立应用，而不是具有依赖关系的工作流任务，资源类型上考虑的也多是同构情况。
发明内容：
本发明的目的是提供一种基于混合云的工作流成本-延迟最优化任务分配方法，区别于已有研究中用户总是尽可能地占用优质计算资源，在混合云环境中引入成本效益的概念，用户将不再滥用优质资源，取而代之的是，他们将根据自身任务需要和经费预算情况，自发理性地选择适合自身需求的计算资源。这种将经济学中市场机制引入云计算调度的做法不仅可以使具体任务的调度执行更为合理有效，同时能使云计算资源的分配更为公平节约，最终可促进整个云计算市场朝着健康可持续的方向发展。
本发明的上述目的可通过以下技术方案来实现：
一种基于混合云的工作流成本-延迟最优化任务分配方法，该方法包括如下步骤：
步骤1：接受用户提交的一批带预算和软截止期的工作流应用，所有应用同时进入混合云环境下的多工作流调度系统；
步骤2：确定初始任务调度序列：对提交的一批工作流应用，首先进行工作流应用排序，然后按照排好序的工作流应用调度序列依次为应用中的任务划分子截止时间并进行任务排序；
步骤3：资源分配阶段：针对私有云的资源有限性和公有云租赁花费的问题，提出了权衡成本-延迟的虚拟机搜索规则,假定分别把任务调度至私有云和公有云，比较两种调度结果，为任务分配合适的虚拟机资源；
步骤4：任务序列调整阶段：考虑到同一工作流应用存在多种拓扑序列，而不同的任务序列对最终的虚拟机分配方案有很大影响，使用变邻域算法进行任务序列的调整，通过调整邻域不断扩大搜索范围，寻找最优Pareto解集。
所述的基于混合云的工作流成本-延迟最优化任务分配方法，步骤1中所述混合云环境下的多工作流调度系统包括私有云模块和外部公有云模块，私有云模块中有三个子模块：监视器、任务管理器和调度器；监视器负责监视资源池的状态获知可用资源数量；任务管理模块对提交的工作流应用生成任务调度序列，同时将排好序的任务提交到调度器；调度器从与外部公有云连接的接口中得到外部公有云的信息，通过查看请求管理器发送来的用户任务的特点、资源监视器的资源状态以及从接口中得到的外部云的价格模型，决定任务分配到哪些云提供商以达到私有云成本最小化和服务延迟最小化。
所述的基于混合云的工作流成本-延迟最优化任务分配方法，步骤2中所述确定初始任务调度序列的具体方法是：
步骤21.按照工作流应用的截止期升序和预算降序得到两个序列，对两个序列进行归一化加权，得到最终工作流应用的排序；
步骤22.基于任务最大深度对工作流中任务划分子截止期；
步骤23.计算工作流中每个任务的UpwardRank值，将任务根据Upward Rank的值降序排序，得到任务的初始调度序列。
所述的基于混合云的工作流成本-延迟最优化任务分配方法，步骤3中所述资源分配的具体方法是：
步骤31.假定把任务调度至私有云虚拟资源上，计算该任务在私有云各个虚拟机上的处理时间，并根据虚拟机资源的可用区间计算任务的最早结束时间ft,如果最早完成时间ft<任务子截止期d，考虑到私有云的成本效益，直接将该任务调度到私有云中能最快完成的虚拟机资源上；
步骤32.如果调度至私有云资源上超出任务截止期时间，假定把该任务调度至公有云资源，根据公有云资源的价格模型和该任务在各资源上的完成时间，计算调度至公有云资源上的最小租赁费用；
步骤33.比较该任务调度至私有云资源的超期惩罚f和调度至公有云的最小租赁费用c，如果f<c,该任务直接留在私有云资源上执行；否则，考虑租赁公有云资源，将任务调度至租赁费用最少的公有云虚拟机。
有益效果：
与现有技术相比，本发明综合考虑了成本和延迟两个因素，在虚拟机资源分配阶段，兼顾成本和时间选择合适的虚拟机资源，并且通过变邻域算法调整任务序列来优化解的质量。
附图说明：
图1是本发明实施例中工作流应用处理和资源分配流程图；
图2是本发明实施例中权衡收益-延迟资源分配方法流程图。
具体实施方式：
下面结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
一种基于混合云的工作流成本-延迟最优化任务分配方法，该方法包括如下步骤：
步骤1.接受用户提交的一批带预算和软截止期时间的工作流应用，所有应用同时进入混合云环境下的多工作流调度系统。
所述步骤1中的混合云环境下的多工作流调度系统：包括两个核心模块：私有云模块和外部公有云模块，私有云模块中有三个子模块：监视器（Monitor）、任务管理器（Request Management）和调度器（Scheduler）。监视器负责监资源池的状态获知可用资源数量。任务管理模块对提交的工作流应用生成任务调度序列，同时将排好序的任务提交到调度器。调度器从与外部公有云连接的接口中得到外部公有云的信息，通过查看请求管理器发送来的用户任务的特点、资源监视器的资源状态以及从接口中得到的外部云的价格模型，决定任务分配到哪些云提供商以达到私有云成本最小化和服务延迟最小化。
步骤2.确定初始任务调度序列：对提交的一批工作流应用，首先进行工作流应用排序，然后按照排好序的工作流应用调度序列依次为应用中的任务划分子截止时间并进行任务排序。
所述步骤2中成本-延迟最优化分配方法中的初始任务调度序列创建阶段包括：
21.考虑工作流应用的截止期时间和预算，按照截止期时间升序和预算降序得到两个序列，对两个序列进行归一化加权，得到最终工作流应用的排序；
22.基于任务最大深度对工作流中任务划分子截止期；
23.计算工作流中每个任务的UpwardRank值，将任务根据Upward Rank的值降序排序，得到任务的初始调度序列。
步骤3.资源分配阶段：针对私有云的资源有限性和公有云租赁花费的问题，提出了权衡成本-延迟的虚拟机搜索规则,假定分别把任务调度至私有云和公有云，比较两种调度结果，为任务分配合适的虚拟机资源。
31.假定把任务调度至私有云虚拟资源上，计算该任务在私有云各个虚拟机上的处理时间，并根据虚拟机资源的可用区间计算任务的最早结束时间ft,如果最早完成时间ft<任务子截止期d，考虑到私有云的成本效益，直接将该任务调度到私有云中能最快完成的虚拟机资源上；
32.如果调度至私有云资源上超出任务截止期，假定把该任务调度至公有云资源，根据公有云资源的价格模型和该任务在各资源上的完成时间，计算调度至公有云资源上的最小租赁费用；
33.比较该任务调度至私有云资源的超期惩罚f和调度至公有云的最小租赁费用c，如果f<c,该任务直接留在私有云资源上执行；否则，考虑租赁公有云资源，将任务调度至租赁费用最少的公有云虚拟机。
步骤4.任务序列调整阶段：考虑到同一工作流应用存在多种拓扑序列，而不同的任务序列对最终的虚拟机分配方案有很大影响，使用变邻域算法进行任务序列的调整，通过调整邻域不断扩大搜索范围，寻找最优Pareto解集。
具体实施例：
图1是一种混合云环境下的多工作流调度模型，包括私有云
Figure DEST_PATH_IMAGE002
、公有云/>
Figure DEST_PATH_IMAGE004
和待处理缓冲队列/>
Figure DEST_PATH_IMAGE006
。本实施例中假设用户提交的工作流集合/>
Figure DEST_PATH_IMAGE008
，工作流应用的截止期时间和预算分别为/>
Figure DEST_PATH_IMAGE010
、/>
Figure DEST_PATH_IMAGE012
，为简单起见每个工作流的任务数量均设置为3，因此任务队列可以表示为
Figure DEST_PATH_IMAGE014
。私有云和公有云CP中包含了计算能力不同的异构虚拟机节点。
如图2所示，对于工作流应用的资源分配的具体步骤如下：
步骤s201，对工作流应用将截止期和预算归一化再进行加权，得到的工作流排序为
Figure DEST_PATH_IMAGE016
。
步骤s202,将所有虚拟机的平均处理速度作为任务的预估执行速度，计算出任务的最早完成时间和工作流的松弛时间，将松弛时间以最大深度按比例划分到各子任务，得出任务的子截止期时间。
步骤s203,计算任务的Upword Rank值
Figure DEST_PATH_IMAGE018
,将任务根据/>
Figure 656429DEST_PATH_IMAGE018
的值以递减的方式排序，从而得到任务调度序列并加入到等待任务列表/>
Figure DEST_PATH_IMAGE020
中。
步骤s205,判断待处理列表中是否有任务，如果待处理列表中没有任务，转s208；如果有任务，转步骤s206。
步骤s206，根据各资源CP中正在处理的任务和其等待任务列表WL中各个任务状态，更新各个虚拟机资源的可用区间表。
步骤s207,使用利权衡成本-延迟的调度策略为任务分配资源。
步骤s208,判断当前算法的迭代次数是否达到最大迭代次数，若当前迭代次数小于最大迭代值，转s209；否则转s210。
步骤s209,调整任务的调度序列，并加入到等待任务列表WL中。
步骤s210, 比较三种策略得出的利润和延迟，选出最优调度解集。
如图2是权衡成本-延迟资源分配方法的流程图，具体步骤如下：
步骤s301,假定将任务调度到空闲的私有云资源，判断是否超过任务的子截止期时间，如果没有，转步骤s302，再转步骤s204；否则，转步骤s303。
步骤s302,将任务
Figure DEST_PATH_IMAGE022
调度至私有云资源。
步骤s303,计算任务调度到私有云资源的超期时间，并转化为最小超期惩罚
Figure DEST_PATH_IMAGE024
。
步骤s304,假定把任务调度到可用的公有云资源，得出租借公有云资源的最小代价
Figure DEST_PATH_IMAGE026
。
步骤s305,比较任务的最小超期惩罚
Figure 950401DEST_PATH_IMAGE024
和租借公有云最小代价/>
Figure 323613DEST_PATH_IMAGE026
，若/>
Figure DEST_PATH_IMAGE028
，转步骤s306，否则，转步骤s302。
步骤s306,把任务
Figure 922085DEST_PATH_IMAGE022
调度到公有云资源。
通过上述过程，本发明实现了混合云环境下的工作流成本-延迟最优化任务分配功能，使得私有云提供商的成本花费最少的同时最小化服务延迟，有效保证了任务的服务质量。

Claims (1)

1.一种基于混合云的工作流成本-延迟最优化任务分配方法，其特征在于，该方法包括如下步骤：
步骤1：接受用户提交的一批带预算和软截止期的工作流应用，所有应用同时进入混合云环境下的多工作流调度系统；
步骤2：确定初始任务调度序列：对提交的一批工作流应用，首先进行工作流应用排序，然后按照排好序的工作流应用调度序列依次为应用中的任务划分子截止期并进行任务排序；
步骤3：资源分配阶段：针对私有云的资源有限性和公有云租赁花费的问题，提出权衡成本-延迟的虚拟机搜索规则,假定分别把任务调度至私有云和公有云，比较两种调度结果，为任务分配合适的虚拟机资源；
步骤4：任务序列调整阶段：使用变邻域算法进行任务序列的调整，通过调整邻域不断扩大搜索范围，寻找最优Pareto解集；
步骤1中所述混合云环境下的多工作流调度系统包括私有云模块和外部公有云模块，私有云模块中有三个子模块：监视器、任务管理器和调度器；监视器负责监视资源池的状态获知可用资源数量；任务管理模块对提交的工作流应用生成任务调度序列，同时将排好序的任务提交到调度器；调度器从与外部公有云连接的接口中得到外部公有云的信息，通过查看请求管理器发送来的用户任务的特点、资源监视器的资源状态以及从接口中得到的外部云的价格模型，决定任务分配到哪些云提供商以达到私有云成本最小化和服务延迟最小化；
步骤2中所述确定初始任务调度序列的具体方法是：
步骤21.按照工作流应用的截止期升序和预算降序得到两个序列，对两个序列进行归一化加权，得到最终工作流应用的排序；
步骤22.基于任务最大深度对工作流中任务划分子截止期；
步骤23.计算工作流中每个任务的UpwardRank值，将任务根据Upward Rank的值降序排序，得到任务的初始调度序列；
步骤3中所述资源分配的具体方法是：
步骤31.假定把任务调度至私有云虚拟资源上，计算该任务在私有云各个虚拟机上的处理时间，并根据虚拟机资源的可用区间计算任务的最早结束时间ft,如果最早完成时间ft<任务子截止期d，考虑到私有云的成本效益，直接将该任务调度到私有云中能最快完成的虚拟机资源上；
步骤32.如果调度至私有云资源上超出任务截止期，假定把该任务调度至公有云资源，根据公有云资源的价格模型和该任务在各资源上的完成时间，计算调度至公有云资源上的最小租赁费用；
步骤33.比较该任务调度至私有云资源的超期惩罚f和调度至公有云的最小租赁费用c，如果f<c,该任务直接留在私有云资源上执行；否则，考虑租赁公有云资源，将任务调度至租赁费用最少的公有云虚拟机。
CN201910492262.7A 2019-06-06 2019-06-06 一种基于混合云的工作流成本-延迟最优化任务分配方法 Active CN110308967B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910492262.7A CN110308967B (zh) 2019-06-06 2019-06-06 一种基于混合云的工作流成本-延迟最优化任务分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910492262.7A CN110308967B (zh) 2019-06-06 2019-06-06 一种基于混合云的工作流成本-延迟最优化任务分配方法

Publications (2)

Publication Number Publication Date
CN110308967A CN110308967A (zh) 2019-10-08
CN110308967B true CN110308967B (zh) 2023-05-30

Family

ID=68075773

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910492262.7A Active CN110308967B (zh) 2019-06-06 2019-06-06 一种基于混合云的工作流成本-延迟最优化任务分配方法

Country Status (1)

Country Link
CN (1) CN110308967B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110769063B (zh) * 2019-10-29 2022-04-08 浙江吉利汽车研究院有限公司 智能驾驶虚拟仿真云平台的客户端连接状态管理系统
US20210208952A1 (en) * 2020-01-02 2021-07-08 International Business Machines Corporation Implementing workloads in a multicloud environment
CN113497814A (zh) * 2020-03-19 2021-10-12 中科星图股份有限公司 一种卫星影像处理算法混合调度系统及方法
CN111539555A (zh) * 2020-03-30 2020-08-14 南京南瑞信息通信科技有限公司 一种基于混合云平台的外事管理系统
CN111565101A (zh) * 2020-04-28 2020-08-21 上海物融智能科技有限公司 一种计算任务的处理方法及装置
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
CN113064711B (zh) * 2021-04-15 2022-09-20 北京理工大学 一种在线多工作流动态调度方法和系统
CN117331706B (zh) * 2023-12-01 2024-02-13 国网江苏省电力有限公司南通供电分公司 一种电力数据维护中的算力优化方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103701117A (zh) * 2013-12-19 2014-04-02 浙江大学 基于混合人工智能的主动配电网动态拓扑重构方法
CN103731372A (zh) * 2013-12-24 2014-04-16 东南大学 一种混合云环境下服务提供者的资源供应方法
WO2016045515A1 (zh) * 2014-09-23 2016-03-31 同济大学 基于用户满意度的云任务调度算法
CN105976122A (zh) * 2016-05-18 2016-09-28 聊城大学 一种多目标资源配置系统
CN106251009A (zh) * 2016-07-27 2016-12-21 清华大学 一种求解有时间窗的车辆路径问题的优化算法
CN107393348A (zh) * 2017-07-10 2017-11-24 南京航空航天大学 一种信息共享机制下的进离场航班协同排序方法
CN107730056A (zh) * 2017-11-22 2018-02-23 合肥工业大学 一种基于改进nsga‑ii算法的应急物资模块化调度方法
CN109212347A (zh) * 2018-08-31 2019-01-15 西华大学 一种基于isos-dbn模型的光伏并网逆变故障特征提取诊断方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103701117A (zh) * 2013-12-19 2014-04-02 浙江大学 基于混合人工智能的主动配电网动态拓扑重构方法
CN103731372A (zh) * 2013-12-24 2014-04-16 东南大学 一种混合云环境下服务提供者的资源供应方法
WO2016045515A1 (zh) * 2014-09-23 2016-03-31 同济大学 基于用户满意度的云任务调度算法
CN105976122A (zh) * 2016-05-18 2016-09-28 聊城大学 一种多目标资源配置系统
CN106251009A (zh) * 2016-07-27 2016-12-21 清华大学 一种求解有时间窗的车辆路径问题的优化算法
CN107393348A (zh) * 2017-07-10 2017-11-24 南京航空航天大学 一种信息共享机制下的进离场航班协同排序方法
CN107730056A (zh) * 2017-11-22 2018-02-23 合肥工业大学 一种基于改进nsga‑ii算法的应急物资模块化调度方法
CN109212347A (zh) * 2018-08-31 2019-01-15 西华大学 一种基于isos-dbn模型的光伏并网逆变故障特征提取诊断方法

Also Published As

Publication number Publication date
CN110308967A (zh) 2019-10-08

Similar Documents

Publication Publication Date Title
CN110308967B (zh) 一种基于混合云的工作流成本-延迟最优化任务分配方法
Zhang et al. Dynamic cloud task scheduling based on a two-stage strategy
Verma et al. Bi-criteria priority based particle swarm optimization workflow scheduling algorithm for cloud
CN109582448B (zh) 一种面向关键度和时效性的边缘计算任务调度方法
CN107967171B (zh) 一种云环境下基于遗传算法的多工作流调度方法
CN103731372B (zh) 一种混合云环境下服务提供者的资源供应方法
CN108123998B (zh) 多云数据中心中面向延迟敏感应用的启发式请求调度方法
CN104657221A (zh) 一种云计算中基于任务分类的多队列错峰调度模型及方法
Nan et al. Optimal resource allocation for multimedia cloud in priority service scheme
Liu et al. A deadline-constrained multi-objective task scheduling algorithm in mobile cloud environments
Malik et al. Comparison of task scheduling algorithms in cloud environment
Derakhshan et al. Optimization of tasks in cloud computing based on MAX-MIN, MIN-MIN and priority
Kumar et al. An edge-fog computing framework for cloud of things in vehicle to grid environment
Iyer et al. On the resource allocation and pricing strategies in compute clouds using bargaining approaches
Meng et al. Deep reinforcement learning based delay-sensitive task scheduling and resource management algorithm for multi-user mobile-edge computing systems
Kavyasri et al. Comparative study of scheduling algorithms to enhance the performance of virtual machines in cloud computing
Yang et al. An offloading strategy based on cloud and edge computing for industrial Internet
Ananth et al. Game theoretic approaches for job scheduling in cloud computing: A survey
Hao et al. Parallel task scheduling under multi-Clouds
Yakubu et al. Priority based delay time scheduling for quality of service in cloud computing networks
Chouhan et al. A MLFQ Scheduling technique using M/M/c queues for grid computing
Chen et al. A cost-optimized resource provisioning policy for heterogeneous cloud environments
Manikandan et al. Cost Effective Optimal Task Scheduling Model in Hybrid Cloud Environment.
Meriam et al. Multiple QoS priority based scheduling in cloud computing
Goyal et al. Enhanced genetic algorithm based load balancing in grid

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