CN111580966B - 一种基于内存利用率的云任务调度方法 - Google Patents
一种基于内存利用率的云任务调度方法 Download PDFInfo
- Publication number
- CN111580966B CN111580966B CN202010366998.2A CN202010366998A CN111580966B CN 111580966 B CN111580966 B CN 111580966B CN 202010366998 A CN202010366998 A CN 202010366998A CN 111580966 B CN111580966 B CN 111580966B
- Authority
- CN
- China
- Prior art keywords
- cloud
- virtual machine
- cloud task
- task
- mapping
- 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
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
- G06F9/50—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
-
- 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
-
- 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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Multi Processors (AREA)
Abstract
一种基于内存利用率的云任务调度方法,分析云用户提交的云任务并形成云任务映射队列;对内存符合云任务需求的虚拟机分别进行计算,根据虚拟机与所在物理机完成时间的差值的绝对值进行升序排序,选出排在第一个的虚拟机进行映射;根据云任务的需求遍历物理机,判断是否存在空间新建满足该云任务的虚拟机,在满足云任务需求的物理机上建立新的虚拟机,将云任务映射到该虚拟机,并将该虚拟机加入已建立的虚拟机队列,根据虚拟机与所在物理机完成时间的差值的绝对值进行降序排序,选出排在第一个的虚拟机进行映射,将已经映射的云任务从队列中去除,判断是否存在未映射的云任务,本发明能够提高云数据中心的利用率并且降低云数据中心的能耗。
Description
技术领域
本发明涉及云计算及分布式处理技术领域,尤其涉及一种基于内存利用率的云任务调度方法,是云计算中数据中心的资源管理、任务分配的调度,应用了云数据中心技术、云任务调度技术以及虚拟机映射技术构建了一个云任务分配、调度性能分析和虚拟机自动化映射的方法。
背景技术
大规模的云数据中心必然带来较高的能耗,对于企业而言,高能耗就意味着高成本。伴随着全球能源短缺和气候变暖,云计算的能耗已经变成了制约云计算发展的瓶颈之一。面对高涨的能源消耗,学术界和业界共同提出了绿色云计算的概念。
云计算的节能方式主要可以分为静态节能和动态节能两种方式。静态节能主要是针对计算机硬件设备进行处理。动态节能主要包括动态电压频率调节技术和优化调度算法,动态电压频率调节技术虽然针对降低单台物理机的能耗可以起到很好的作用,但是在处理云数据中心整体问题时就效果不佳。因此,调度方法的改进是一个很好的研究途径。
云数据中心作为一个复杂的系统,还需要考虑一些其它的因素。首先,虚拟机的运行周期和资源使用率的不同都会带来映射效果的不同,不同的映射效果会造成能耗的极大差异。其次,由于现实情况中云数据中心每台物理机由于CPU、内存等配置的不同会表现出不同的性能,之前的方法都是用于解决同构云数据中心的映射问题,并没有考虑数据中心的异构性。最后,虚拟机和物理机的属性一般都由CPU利用率、内存大小等多维因素组成,这也增加了调度系统的复杂度。
发明内容
为了克服现有技术存在的问题,本发明的目的在于提供一种基于内存利用率的云任务调度方法,可实现云数据中心云任务的自动调度和虚拟机的自动映射,优先考虑虚拟机和物理机的内存利用率,从而提高云数据中心的利用率并且降低云数据中心的能耗。
为了实现上述目的,本发明采取的技术方案为:
一种基于内存利用率的云任务调度方法,包括以下步骤:
(1)、分析云用户提交的云任务并形成云任务映射队列
云数据中心调度系统接受多用户的云任务,该系统根据云任务的特性和要求对云任务进行分类加入不同的云任务映射队列;
(2)、从云任务队列中依次选取云任务进行映射,根据云任务的需求遍历已建立的虚拟机队列,对内存符合云任务需求的虚拟机分别进行计算,判断是否存在虚拟机在该云任务映射后不会增加所在物理机的完成时间,若是则转向步骤(3),否则转向步骤(4);
当选择云任务进行映射时,不仅要满足CPU利用率,还要综合考虑内存、存储和带宽因素,尤其是内存的利用率更应该得到提升,为了提高云数据中心的效率,调度系统会优先在已建立的虚拟机中进行选择。
(3)、根据虚拟机与所在物理机完成时间的差值的绝对值进行升序排序,选出排在第一个的虚拟机进行映射,之后转向步骤(7);
当有多个虚拟机可以满足云任务的需求时,调度系统综合考虑整体的性能,为了提升云任务进一步映射的成功率,选择虚拟机完成时间和所在物理机完成时间差值最小的虚拟机进行映射;
(4)、根据云任务的需求遍历物理机,判断是否存在空间可以新建满足该云任务的虚拟机,若是则转向(5),否则转向(6);
当所有已建立的虚拟机都不能满足该云任务的性能需求时,就会在物理机的空闲空间上开启一台新的虚拟机用于映射该云任务,这台新的虚拟机要满足该云任务的每一维性能需求;
(5)、在满足云任务需求的物理机上建立新的虚拟机,将云任务映射到该虚拟机,并将该虚拟机加入已建立的虚拟机队列,之后转向步骤(7);
当新的虚拟机建立以后,调度系统对云任务队列和虚拟机队列都进行实时更新,使得新的云任务映射时可以识别该虚拟机,同时,对资源池的剩余资源进行重新统计;
(6)、再次根据云任务的需求遍历已建立的虚拟机队列,对内存符合云任务需求的虚拟机分别进行计算,根据虚拟机与所在物理机完成时间的差值的绝对值进行降序排序,选出排在第一个的虚拟机进行映射;
当已建立的虚拟机不能满足云任务的要求且没有新的物理机空间用于创建虚拟机时,系统以损失部分性能为代价,选择一个内存能够满足该云任务的虚拟机进行映射,此时系统选择对性能影响最小的方案进行云任务的映射;
(7)、将已经映射的云任务从队列中去除,判断是否存在未映射的云任务,若有则重复步骤(2),否则结束整个调度算法;
当完成了云任务队列所有任务的映射,调度系统更新虚拟机队列和资源池。
步骤(2)所述的对内存符合云任务需求的虚拟机分别进行计算,判断是否存在虚拟机在该云任务映射后不会增加所在物理机的完成时间,具体是:根据该云任务的执行时间,搜索符合完成时间条件限制的虚拟机,该条件要求被选中的虚拟机执行完该云任务后的完成时间小于所在物理机的完成时间。
与现有技术相比,本发明的有益效果在于:
首先,本发明系统的分析了虚拟机的运行周期和资源使用率对映射效果的影响。其次,研究了云数据中心的异构性对其能耗的影响。最后,分析了云任务、虚拟机和物理机的不同属性和三者之间的映射关系,实现了云数据中心云任务的自动调度和虚拟机的自动映射,优先考虑虚拟机和物理机的内存利用率,从而提高云数据中心的利用率并且降低云数据中心的能耗。
附图说明
图1是云任务的映射和虚拟机的调度示例图。
具体实施方式
下面结合附图及实施例,对本发明进行进一步地详细说明。应当理解,此处所描述的实施例仅仅用于解释本发明的基本构想,并不用于限定本发明。
基于内存利用率的云任务调度方法,该方法是应用在一个云数据中心平台上的。这个云数据中心包含一个主机集群,PM={pm1,pm2,...,pmn},其中n代表了这个云数据中心内物理机的个数。每个物理机都可以描述为pmi={ci,mi,si,pi,ti}的形式,其中ci,mi,si,pi,ti分别代表该物理机包含的CPU核个数、内存大小(单位为GB)、CPU核的处理速度(单位为MIPS)、CPU核的使用价格(单位为$/小时)及物理机的完成时间(单位为秒)。每台物理机都可以容纳一定数量的虚拟机,VMi={vm1,vm2,...,vmm},其中m代表了该物理机上包含的虚拟机的总数,每台虚拟机也都包含CPU核个数、内存大小(单位为GB)、CPU核的处理速度(单位为MIPS)、CPU核的使用价格(单位为$/小时)、运行该虚拟机的物理机编号及虚拟机的完成时间(单位为秒)等参数,可以表示为vmij={cij,mij,sij,pij,nij,tij}。为了确保物理机的性能,每台物理机上所容纳的虚拟机CPU核以及内存总和均不能超过该物理机的容量。同时用户提交的云任务形成一个云任务集合,CT={ct1,ct2,...,ctt},其中t代表了这个集合中云任务的个数。通过调度算法依次将该集合中的云任务映射到相应的虚拟机上执行,每个云任务都可以描述为ctijk={lijk,mijk,nijk}的形式,其中lijk,mijk,nijk分别代表该云任务的长度(单位为MI)、需要的内存大小(单位为GB)、执行该云任务的虚拟机编号。
在云数据中心的调度算法中主要解决两方面的问题。一方面,首先要解决的是虚拟机的建立和部署,不同的虚拟机有不同的CPU和内存等参数,同样也会表现出不同的性能。往往大型的成熟云服务提供商都会有标准的虚拟机类型供用户选择,Amazon所提供的虚拟机CPU的核数和内存的大小比例一般为1:2,即一个CPU核配备2GB内存,随着所要求的虚拟机性能不同,CPU的核数会逐步增加,但是该比例通常固定不变。其次是完成云任务在虚拟机上的映射,调度系统会根据云任务不同的属性和需求调度合适的虚拟机执行该任务。云任务的映射要求虚拟机可以满足该云任务包括CPU和内存在内的各维参数要求,云用户在预算充足的情况下,通常会选择最快完成时间的虚拟机进行映射,即选择较高CPU性能的虚拟机,这样虽然提高了部分云任务的运行时间,但是最终会因为内存等其它资源利用率较低从而导致最终的完成时间较长,也增加了物理机的能耗。另一方面,随着云任务的复杂性不断加大,将导致云用户费用的不断上升,云用户在进行任务提交时也会对云计算提供商所提供的服务进行理性的选择,只有价格合理、性能高效的云服务才能保证在市场竞争中脱颖而出。因此,作为云服务提供商不仅要考虑云数据中心的能耗,同时也会对云用户的费用进行优化。
基于上述,本发明公开的一种基于内存利用率的云任务调度方法,包括以下步骤:
(1)、分析云用户提交的云任务并形成云任务映射队列
云数据中心调度系统接受多用户的云任务,该系统根据云任务的特性和要求对云任务进行分类加入不同的云任务映射队列;
(2)、从云任务队列中依次选取云任务进行映射,根据云任务的需求遍历已建立的虚拟机队列,对内存符合云任务需求的虚拟机分别进行计算,判断是否存在虚拟机在该云任务映射后不会增加所在物理机的完成时间,若是则转向步骤(3),否则转向步骤(4);
当选择云任务进行映射时,不仅要满足CPU利用率,还要综合考虑内存、存储和带宽因素,尤其是内存的利用率更应该得到提升,为了提高云数据中心的效率,调度系统会优先在已建立的虚拟机中进行选择;
(3)、根据虚拟机与所在物理机完成时间的差值的绝对值进行升序排序,选出排在第一个的虚拟机进行映射,之后转向步骤(7);
当有多个虚拟机可以满足云任务的需求时,调度系统会综合考虑整体的性能,为了提升云任务进一步映射的成功率,选择虚拟机完成时间和所在物理机完成时间差值最小的虚拟机进行映射;
(4)、根据云任务的需求遍历物理机,判断是否存在空间新建满足该云任务的虚拟机,若是则转向(5),否则转向(6);
当所有已建立的虚拟机都不能满足该云任务的性能需求时,就会在物理机的空闲空间上开启一台新的虚拟机用于映射该云任务,这台新的虚拟机要满足该云任务的每一维性能需求;
(5)、在满足云任务需求的物理机上建立新的虚拟机,将云任务映射到该虚拟机,并将该虚拟机加入已建立的虚拟机队列,之后转向步骤(7);
当新的虚拟机建立以后,系统会对云任务队列和虚拟机队列进行实时更新,使得新的云任务映射时能够识别该虚拟机,同时,对资源池的剩余资源进行重新统计;
(6)、再次根据云任务的需求遍历已建立的虚拟机队列,对内存符合云任务需求的虚拟机分别进行计算,根据虚拟机与所在物理机完成时间的差值的绝对值进行降序排序,选出排在第一个的虚拟机进行映射;
当已建立的虚拟机不能满足云任务的要求且没有新的物理机空间用于创建虚拟机时,系统会以损失部分性能为代价,选择一个内存能够满足该云任务的虚拟机进行映射,此时调度系统选择对性能影响最小的方案进行云任务的映射;
(7)、将已经映射的云任务从队列中去除,判断是否存在未映射的云任务,若有则重复2,否则结束整个调度算法;
当完成了云任务队列所有任务的映射,调度系统更新虚拟机队列和资源池,这样保证了云数据中心的高利用率,同时降低了云数据中心的能耗。
步骤(2)所述的对内存符合云任务需求的虚拟机分别进行计算,判断是否存在虚拟机在该云任务映射后不会增加所在物理机的完成时间,具体是:根据该云任务的执行时间,搜索符合完成时间条件限制的虚拟机。该条件要求被选中的虚拟机执行完该云任务后的完成时间小于所在物理机的完成时间。
以下举例说明云任务的映射和虚拟机的调度过程。
如图1所示,首先验证该方法的效果。假设云数据中心提供了两台物理机,PM={pm1,pm2};其中:pm1={8,16,100,0.35,0}、pm2={8,16,100,0.35,0},分别代表该物理机包含的CPU核个数、内存大小(单位为GB)、CPU核的处理速度(单位为MIPS)、CPU核的使用价格(单位为$/小时)及物理机的运行时间(单位为秒)。
ct1映射:
(1),用户提交的云任务为CT={ct1,ct2,ct3,ct4,ct5},其中ct1={300000,4,-1}、ct2={400000,8,-1}、ct3={200000,2,-1}、ct4={500000,4,-1}、ct5={500000,8,-1},分别代表该云任务的长度(单位为MI)、需要的内存大小(单位为GB)、执行该云任务的虚拟机编号。初始状态下物理机的运行时间都为0,且云任务的虚拟机编号都预设值为-1。具体情况如图1所示,图中每一小格代表1GB内存。因为虚拟机CPU的核数和内存的大小比例固定为1:2,所以为了方便表示,这里没有列出CPU的核数。初始情况如第一区域所示。
(2),首先,进行ct1的映射时因为还没有建立任何虚拟机,因此转向步骤(4);因此按照顺序在pm1上建立了虚拟机vm11,
(4),为了满足ct1的内存需求并且有效的利用物理机的内存,vm11的内存设置为4GB,因为一般云服务提供商所提供的虚拟机CPU的核数和内存的大小比例一般为1:2,所以需要2个CPU核,同时根据ct1的任务长度计算可以得出该任务的运行时间为1500秒。
(5)最终vm11={2,4,100,0.35,1,1500},pm1={8,16,100,0.35,1500}。虚拟机映射结果如第二区域所示,转向步骤(7)。
(7),将ct1从队列中去除,此时还有未映射的云任务,接下来映射ct2;
ct2映射:
(1),现在剩余的云任务为CT={ct2,ct3,ct4,ct5},其中ct2={400000,8,-1}、ct3={200000,2,-1}、ct4={500000,4,-1}、ct5={500000,8,-1},分别代表该云任务的长度(单位为MI)、需要的内存大小(单位为GB)、执行该云任务的虚拟机编号。
(2),其次在进行ct2的映射时因为它对内存的需求为8GB,此时还没有内存大于或等于8GB的虚拟机,因此转向步骤(4)。
(4),因此按照顺序继续在pm1上建立了虚拟机vm12,同样为了满足ct2的内存需求并且有效的利用物理机的内存,vm12的内存设置为8GB、CPU为4个核。
(5),最终vm12={4,8,100,0.35,1,1000},且因为vm12的运行时间小于pm1,因此,pm1的参数不变。虚拟机映射结果如第三区域所示,因此转向步骤(7)。
(7),将ct2从队列中去除,此时还有未映射的云任务,接下来映射ct3;
Ct3映射:
(1),现在剩余的云任务为CT={ct3,ct4,ct5},其中ct3={200000,2,-1}、ct4={500000,4,-1}、ct5={500000,8,-1},分别代表该云任务的长度(单位为MI)、需要的内存大小(单位为GB)、执行该云任务的虚拟机编号。初始状态下物理机的运行时间都为0,且云任务的虚拟机编号都预设值为-1。
(2),其次在进行ct3的映射时因为它对内存的需求为2GB,此时还没有内存等于2GB的虚拟机,因此转向步骤(4)。
(4),将会在pm1上建立虚拟机vm13。
(5),vm13={1,2,100,0.35,1,2000},因为vm13的运行时间大于pm1,pm1的参数改变为pm1={8,16,100,0.35,2000},因此转向步骤(7)。
(7),将ct3从队列中去除,此时还有未映射的云任务,接下来映射ct4;
Ct4映射:
(1),现在剩余的云任务为CT={ct4,ct5},其中ct4={500000,4,-1}、ct5={500000,8,-1},分别代表该云任务的长度(单位为MI)、需要的内存大小(单位为GB)、执行该云任务的虚拟机编号。初始状态下物理机的运行时间都为0,且云任务的虚拟机编号都预设值为-1。
(2),再次,在进行ct4的映射时找到vm11可以满足ct4的内存需求。由于如果把ct4映射到vm11则会导致vm11的运行时间延长到2500秒,超过了pm1现在的运行时间2000秒,从而导致pm1的运行时间推后造成能耗的增加,因此转向步骤(4)。
(4),因此需要为ct4的映射建立新的虚拟机,因为pm1的剩余内存已经不能满足该虚拟机的要求,故在pm2上完成该虚拟机的部署。
(5),vm21={2,4,100,0.35,2,2500},pm2={8,16,100,0.35,1500}。虚拟机映射结果如第五区域所示,因此转向步骤(7)。
(7),将ct4从队列中去除,此时还有未映射的云任务,接下来映射ct5;
Ct5映射:
(1),现在剩余的云任务为CT={ct5},其中ct5={500000,8,-1},分别代表该云任务的长度(单位为MI)、需要的内存大小(单位为GB)、执行该云任务的虚拟机编号。初始状态下物理机的运行时间都为0,且云任务的虚拟机编号都预设值为-1。
(2),在进行ct5的映射时若选择vm12同样会出现ct4映射时导致物理机运行时间延长的情况,因此转向步骤(4)。
(4),调度系统试图去寻找空闲的物理机空间部署新的虚拟机,因为pm1的剩余内存已经不能满足该虚拟机的要求,因此转向步骤(6)。
(6),在pm2上完成该虚拟机的部署,参数为vm22={4,8,100,0.35,2,1250}。且因为vm22的运行时间小于pm2,因此,pm2的参数不变,虚拟机映射结果如第六区域所示。
(7),将ct5从队列中去除,至此完成了所有云任务的映射;
本发明中,由于综合考虑云任务的CPU和内存特性,根据云任务的内存需求对云任务进行映射和对虚拟机进行部署,从而达到降低云数据中心能耗的目的。申请人所在的项目组已经完成本发明的实现,相比于其它云任务调度算法,该算法的能耗平均降低了28%左右。
Claims (2)
1.一种基于内存利用率的云任务调度方法,其特征在于,包括以下步骤:
(1)、分析云用户提交的云任务并形成云任务映射队列
云数据中心调度系统接受多用户的云任务,该系统根据云任务的特性和要求对云任务进行分类加入不同的云任务映射队列;
(2)、从云任务队列中依次选取云任务进行映射,根据云任务的需求遍历已建立的虚拟机队列,对内存符合云任务需求的虚拟机分别进行计算,判断是否存在虚拟机在该云任务映射后不会增加所在物理机的完成时间,若是则转向步骤(3),否则转向步骤(4);
当选择云任务进行映射时,不仅要满足CPU利用率,还要综合考虑内存、存储和带宽因素,调度系统会优先在已建立的虚拟机中进行选择;
(3)、根据虚拟机与所在物理机完成时间的差值的绝对值进行升序排序,选出排在第一个的虚拟机进行映射,之后转向步骤(7);
当有多个虚拟机可以满足云任务的需求时,调度系统综合考虑整体的性能,为了提升云任务进一步映射的成功率,选择虚拟机完成时间和所在物理机完成时间差值最小的虚拟机进行映射;
(4)、根据云任务的需求遍历物理机,判断是否存在空间可以新建满足该云任务的虚拟机,若是则转向(5),否则转向(6);
当所有已建立的虚拟机都不能满足该云任务的性能需求时,就会在物理机的空闲空间上开启一台新的虚拟机用于映射该云任务,这台新的虚拟机要满足该云任务的每一维性能需求;
(5)、在满足云任务需求的物理机上建立新的虚拟机,将云任务映射到该虚拟机,并将该虚拟机加入已建立的虚拟机队列,之后转向步骤(7);
当新的虚拟机建立以后,调度系统对云任务队列和虚拟机队列都进行实时更新,使得新的云任务映射时可以识别该虚拟机,同时,对资源池的剩余资源进行重新统计;
(6)、再次根据云任务的需求遍历已建立的虚拟机队列,对内存符合云任务需求的虚拟机分别进行计算,根据虚拟机与所在物理机完成时间的差值的绝对值进行降序排序,选出排在第一个的虚拟机进行映射;
当已建立的虚拟机不能满足云任务的要求且没有新的物理机空间用于创建虚拟机时,系统以损失部分性能为代价,选择一个内存能够满足该云任务的虚拟机进行映射,此时系统选择对性能影响最小的方案进行云任务的映射;
(7)、将已经映射的云任务从队列中去除,判断是否存在未映射的云任务,若有则重复步骤(2),否则结束整个调度算法;
当完成了云任务队列所有任务的映射,调度系统更新虚拟机队列和资源池。
2.根据权利要求1所述的一种基于内存利用率的云任务调度方法,其特征在于,步骤(2)所述的对内存符合云任务需求的虚拟机分别进行计算,判断是否存在虚拟机在该云任务映射后不会增加所在物理机的完成时间,具体是:根据该云任务的执行时间,搜索符合完成时间条件限制的虚拟机;该条件要求被选中的虚拟机执行完该云任务后的完成时间小于所在物理机的完成时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010366998.2A CN111580966B (zh) | 2020-04-30 | 2020-04-30 | 一种基于内存利用率的云任务调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010366998.2A CN111580966B (zh) | 2020-04-30 | 2020-04-30 | 一种基于内存利用率的云任务调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111580966A CN111580966A (zh) | 2020-08-25 |
CN111580966B true CN111580966B (zh) | 2022-11-04 |
Family
ID=72113177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010366998.2A Active CN111580966B (zh) | 2020-04-30 | 2020-04-30 | 一种基于内存利用率的云任务调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111580966B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012094030A (ja) * | 2010-10-28 | 2012-05-17 | Hitachi Ltd | 計算機システム及び処理制御方法 |
CN102270159B (zh) * | 2011-08-11 | 2013-02-27 | 浙江大学 | 一种虚拟化环境中的准入控制与负载均衡方法 |
CN102819460B (zh) * | 2012-08-07 | 2015-05-20 | 清华大学 | 一种基于预算功率指导的高能效gpu集群系统调度方法 |
CN103970612A (zh) * | 2014-05-07 | 2014-08-06 | 田文洪 | 一种基于虚拟机预分割的负载均衡方法和装置 |
CN105912406B (zh) * | 2016-05-05 | 2018-01-12 | 中国人民解放军国防科学技术大学 | 一种低能耗的独立任务调度与资源配置方法 |
CN106648866B (zh) * | 2016-12-16 | 2020-12-11 | 天津大学 | 一种基于kvm平台满足任务时限要求的资源调度方法 |
CN110888713A (zh) * | 2019-11-15 | 2020-03-17 | 西安石油大学 | 一种针对异构云数据中心的可信虚拟机迁移算法 |
-
2020
- 2020-04-30 CN CN202010366998.2A patent/CN111580966B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111580966A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108829494B (zh) | 基于负载预测的容器云平台智能资源优化方法 | |
Wang et al. | Load balancing task scheduling based on genetic algorithm 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 | |
Mao et al. | A multi-resource task scheduling algorithm for energy-performance trade-offs in green clouds | |
Deng et al. | Dynamic virtual machine consolidation for improving energy efficiency in cloud data centers | |
WO2015051685A1 (zh) | 一种任务调度方法、装置及系统 | |
CN111813506A (zh) | 一种基于粒子群算法资源感知计算迁移方法、装置及介质 | |
CN114911612B (zh) | 一种面向cpu-gpu异构资源的任务调度方法 | |
CN105740059B (zh) | 一种面向可分割任务的粒子群调度方法 | |
CN109067834A (zh) | 基于振荡式惯性权重的离散粒子群调度算法 | |
CN112214301A (zh) | 面向智慧城市基于用户偏好的动态计算迁移方法及装置 | |
CN111666158A (zh) | 一种基于Kubernetes的容器调度方法、装置、存储介质及电子设备 | |
CN114064294B (zh) | 移动边缘计算环境下的动态资源分配方法和系统 | |
CN109976879B (zh) | 一种基于资源使用曲线互补的云计算虚拟机放置方法 | |
CN113778627B (zh) | 一种创建云资源的调度方法 | |
CN109101316B (zh) | 一种能效相关的云计算平台资源调度方法 | |
CN106802822A (zh) | 一种基于飞蛾算法的云数据中心认知资源调度方法 | |
CN108388471B (zh) | 一种基于双门限约束虚机迁移的管理方法 | |
CN107197013B (zh) | 一种增强云计算环境节能系统 | |
CN111580966B (zh) | 一种基于内存利用率的云任务调度方法 | |
CN110308991B (zh) | 一种基于随机任务的数据中心节能优化方法及系统 | |
CN110888713A (zh) | 一种针对异构云数据中心的可信虚拟机迁移算法 | |
CN107423114A (zh) | 一种基于服务分类的虚拟机动态迁移方法 | |
CN116755855A (zh) | 一种基于Kubernetes集群的分布式容器调度方法 | |
CN106227600B (zh) | 一种基于能量感知的多维虚拟资源分配方法 |
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 |