CN113010288B - 云资源的调度方法、装置及计算机存储介质 - Google Patents

云资源的调度方法、装置及计算机存储介质 Download PDF

Info

Publication number
CN113010288B
CN113010288B CN202110282003.9A CN202110282003A CN113010288B CN 113010288 B CN113010288 B CN 113010288B CN 202110282003 A CN202110282003 A CN 202110282003A CN 113010288 B CN113010288 B CN 113010288B
Authority
CN
China
Prior art keywords
scheduling
scheduling scheme
scheme
candidate
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
CN202110282003.9A
Other languages
English (en)
Other versions
CN113010288A (zh
Inventor
陈晓纪
海滨
王磊
李龙飞
陆发燕
张淑芳
胡张飞
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.)
Chery Automobile Co Ltd
Original Assignee
Chery Automobile Co Ltd
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 Chery Automobile Co Ltd filed Critical Chery Automobile Co Ltd
Priority to CN202110282003.9A priority Critical patent/CN113010288B/zh
Publication of CN113010288A publication Critical patent/CN113010288A/zh
Application granted granted Critical
Publication of CN113010288B publication Critical patent/CN113010288B/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
    • G06F9/46—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
    • G06F9/5072—Grid computing
    • 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
    • G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
    • 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)
  • Mathematical Physics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请实施例公开了一种云资源的调度方法、装置及计算机存储介质，属于云计算技术领域。该方法包括：当接收到资源调度请求时，根据资源调度请求中的多个任务和多个任务中的每个任务对应的数量大小，进行调度方案初始化处理，得到第一参考调度方案集合；通过MOEA/D算法对第一参考调度方案集合进行优化选择处理，得到目标调度方案集合，目标调度方案集合中包括每一代优化过程中生成的最优调度方案；按照目标调度方案集合中的调度方案对多个任务进行云资源的调度。本申请实施例能够通过MOEA/D算法对第一参考调度方案集合进行优化选择处理，从而减少了云计算任务的完成时间和消耗能源，提升了云服务质量。

Description

云资源的调度方法、装置及计算机存储介质
技术领域
本申请实施例涉及云计算技术领域，特别涉及一种云资源的调度方法、装置及计算机存储介质。
随着云计算技术的逐步发展，云计算技术在各个方面的运用也越来越广泛，由于云资源的不确定性和任务调度的复杂性，可能会影响用户的服务质量和部分云资源的浪费，因此，为了改善云资源的浪费和提升用户的服务质量，通常需要对云资源进行有效调度。
目前，在对云资源进行调度时主要考虑两个目标，即任务平均执行时间和消耗能源，通常能够将这两个目标基于加权的方式转换为单个目标问题来确定调度方式，从而进行云资源的调度。但是，由于任务平均执行时间与消耗能源具有不同的物理意义和量纲，简单进行加权求和，难以确定较优的调度方式，从而降低了云服务质量。
发明内容
本申请实施例提供了一种云资源的调度方法、装置及计算机存储介质，可以用于解决相关技术中难以确定较优调度方案，导致云资源调度效率低，云服务质量低的问题。所述技术方案如下：
一方面，提供了一种云资源的调度方法，所述方法包括：
当接收到资源调度请求时，根据所述资源调度请求中的多个任务和所述多个任务中的每个任务对应的数量大小，进行调度方案初始化处理，得到第一参考调度方案集合，所述第一参考调度方案集合中包括所述每个任务对应的多个调度方案；
通过多目标决策优化算法MOEA/D对所述第一参考调度方案集合进行优化选择处理，得到目标调度方案集合，所述目标调度方案集合中包括所述每个任务对应的调度方案，且所述目标调度方案集合中包括每一代优化过程中生成的最优调度方案；
按照所述目标调度方案集合中的调度方案对所述多个任务进行云资源的调度。
在一些实施例中，所述当接收到资源调度请求时，根据所述资源调度请求中的多个任务和所述多个任务中的每个任务对应的数量大小，进行调度方案初始化处理，得到第一参考调度方案集合，包括：
当接收到所述资源调度请求时，获取所述多个任务的任务数量、当前运行的虚拟机数量和第一参考调度方案；
根据所述多个任务的任务数量和所述虚拟机数量，将所述第一参考调度方案通过基因编码进行标识；
根据所述第一参考调度方案对应的基因编码，构建所述第一参考调度方案集合。
在一些实施例中，所述通过多目标决策优化算法MOEA/D对所述第一参考调度方案集合进行优化选择处理，得到目标调度方案集合，包括：
确定所述第一参考调度方案集合中的第一调度集合和第二调度集合，所述第一调度集合中的调度方案处理任务的效率大于第二调度集合中的调度方案处理任务的效率；
通过差分演化算法从调度方案资源集合中确定候选调度方案集合，所述调度方案资源集合为能够处理所述多个任务的所有调度方案的集合；
通过所述MOEA/D算法从所述候选调度方案集合中确定最优调度方案；
通过所述最优调度方案更新所述第一调度集合和所述第二调度集合；
确定更新所述第一调度集合的更新次数；
当所述更新次数小于或等于次数阈值时，返回确定所述第一参考调度方案集合中的第一调度集合和第二调度集合的操作，直至所述更新次数大于所述次数阈值；
当所述更新次数大于所述次数阈值时，从所述第一调度集合中获取所述目标调度方案集合。
在一些实施例中，所述通过所述MOEA/D算法从所述候选调度方案集合中确定最优调度方案，包括：
获取资源调度请求对应的目标函数，所述目标函数包括任务执行时间函数和能源消耗函数；
通过所述MOEA/D算法从所述候选调度方案集合中确定使所述目标函数的函数值最小的参考候选调度方案；
将所述参考候选调度方案确定为所述最优调度方案。
在一些实施例中，所述通过所述MOEA/D算法从所述候选调度方案集合中确定使所述目标函数的函数值最小的参考候选调度方案，包括：
通过分类器确定所述候选调度方案集合中每个候选调度方案的标签，所述标签用于区分所述每个调度方案的优劣；
通过余弦相似性度量方法，确定每个标签为第一标识的候选调度方案与对应相邻候选调度方案之间的余弦相似度，所述对应相邻候选调度方案为位于所述第一参考调度方案集合中，且基因编码与所述标签为所述第一标识的候选调度方案的基因编码相邻的调度方案；
通过所述MOEA/D算法从第二参考调度方案和所述标签为第一标识的候选调度方案中确定使所述目标函数的函数值最小的参考候选调度方案，所述第二参考调度方案为与标签为所述第一标识的候选调度方案相邻，且与标签为所述第一标识的候选调度方案之间的余弦相似度大于或等于相似度阈值。
另一方面，提供了一种云资源的调度装置，所述装置包括：
初始化模块，用于当接收到资源调度请求时，根据所述资源调度请求中的多个任务和所述多个任务中的每个任务对应的数量大小，进行调度方案初始化处理，得到第一参考调度方案集合，所述第一参考调度方案集合中包括所述每个任务对应的多个调度方案；
优化模块，用于通过多目标决策优化算法MOEA/D对所述第一参考调度方案集合进行优化选择处理，得到目标调度方案集合，所述目标调度方案集合中包括所述每个任务对应的调度方案，且所述目标调度方案集合中包括每一代优化过程中生成的最优调度方案；
调度模块，用于按照所述目标调度方案集合中的调度方案对所述多个任务进行云资源的调度。
在一些实施例中，所述初始化模块包括：
第一获取子模块，用于当接收到所述资源调度请求时，获取所述多个任务的任务数量、当前运行的虚拟机数量和第一参考调度方案；
标识子模块，用于根据所述多个任务的任务数量和所述虚拟机数量，将所述第一参考调度方案通过基因编码进行标识；
构建子模块，用于根据所述第一参考调度方案对应的基因编码，构建所述第一参考调度方案集合。
在一些实施例中，所述优化模块包括：
第一确定子模块，用于确定所述第一参考调度方案集合中的第一调度集合和第二调度集合，所述第一调度集合中的调度方案处理任务的效率大于第二调度集合中的调度方案处理任务的效率；
第二确定子模块，用于通过差分演化算法从调度方案资源集合中确定候选调度方案集合，所述调度方案资源集合为能够处理所述多个任务的所有调度方案的集合；
第三确定子模块，用于通过所述MOEA/D算法从所述候选调度方案集合中确定最优调度方案；
更新子模块，用于通过所述最优调度方案更新所述第一调度集合和所述第二调度集合；
第四确定子模块，用于确定更新所述第一调度集合的更新次数；
触发子模块，用于当所述更新次数小于或等于次数阈值时，触发所述第一确定子模块确定所述第一参考调度方案集合中的第一调度集合和第二调度集合，直至所述更新次数大于所述次数阈值；
第二获取子模块，用于当所述更新次数大于所述次数阈值时，从所述第一调度集合中获取所述目标调度方案集合。
在一些实施例中，所述第三确定子模块用于：
获取资源调度请求对应的目标函数，所述目标函数包括任务执行时间函数和能源消耗函数；
通过所述MOEA/D算法从所述候选调度方案集合中确定使所述目标函数的函数值最小的参考候选调度方案；
将所述参考候选调度方案确定为所述最优调度方案。
在一些实施例中，所述第三确定子模块用于：
通过分类器确定所述候选调度方案集合中每个候选调度方案的标签，所述标签用于区分所述每个调度方案的优劣；
通过余弦相似性度量方法，确定每个标签为第一标识的候选调度方案与对应相邻候选调度方案之间的余弦相似度，所述对应相邻候选调度方案为位于所述第一参考调度方案集合中，且基因编码与所述标签为所述第一标识的候选调度方案的基因编码相邻的调度方案；
通过所述MOEA/D算法从第二参考调度方案和所述标签为第一标识的候选调度方案中确定使所述目标函数的函数值最小的参考候选调度方案，所述第二参考调度方案为与标签为所述第一标识的候选调度方案相邻，且与标签为所述第一标识的候选调度方案之间的余弦相似度大于或等于相似度阈值。
另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，所述指令被处理器执行时实现上述云资源的调度方法中的任一步骤。
本申请实施例提供的技术方案带来的有益效果至少包括：
在本申请实施例中，能够在获取到第一参考调度方案后，通过MOEA/D算法对第一参考调度方案集合进行优化选择处理，得到目标调度方案集合。由于MOEA/D算法适用于解决兼顾任务执行时间与消耗能源最小化的多目标优化问题，从而减少了云计算任务的完成时间和消耗能源，提升了云服务质量。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种云资源的调度方法流程图；
图2是本申请实施例提供的另一种云资源的调度方法流程图；
图3是本申请实施例提供的一种基因编码方式的示意图；
图4是本申请实施例提供的一种云资源的调度装置的结构示意图；
图5是本申请实施例提供的一种初始化模块的结构示意图；
图6是本申请实施例提供的一种优化模块的结构示意图；
图7是本申请实施例提供的一种调度设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
在对本申请实施例提供的云资源的调度方法进行详细的解释说明之前，先对本申请实施例提供的应用场景进行介绍。
随着信息技术的高速发展和互联网规模的日渐增大，互联网所要处理的业务量和数据量也在迅速增长。为了有效地处理这些海量的数据和服务，优化用户使用互联网服务的体验，云计算技术应运而生。其中，云计算技术的关键为云资源的调度。目前，在对云资源进行调度时主要考虑两个目标，即任务平均执行时间和消耗能源，通常能够将这两个目标基于加权的方式转换为单个目标问题来确定调度方式，从而进行云资源的调度。但是，由于任务平均执行时间与消耗能源具有不同的物理意义和量纲，简单进行加权求和，难以确定较优的调度方式，从而降低了云服务质量。
基于这样的应用场景，本申请实施例提供了一种能够提高资源调度效率、缩短任务完成时间的云资源的调度方法。
图1是本申请实施例提供的一种云资源的调度方法流程图，该云资源的调度方法可以包括如下几个步骤：
步骤101：当接收到资源调度请求时，根据该资源调度请求中的多个任务和该多个任务中的每个任务对应的数量大小，进行调度方案初始化处理，得到第一参考调度方案集合，该第一参考调度方案集合中包括该每个任务对应的多个调度方案。
步骤102：通过多目标决策优化算法MOEA/D对该第一参考调度方案集合进行优化选择处理，得到目标调度方案集合，该目标调度方案集合中包括该每个任务对应的调度方案，且该目标调度方案集合中包括每一代优化过程中生成的最优调度方案。
步骤103：按照该目标调度方案集合中的调度方案对该多个任务进行云资源的调度。
在本申请实施例中，能够在获取到第一参考调度方案后，通过MOEA/D算法对第一参考调度方案集合进行优化选择处理，得到目标调度方案集合。由于MOEA/D算法适用于解决兼顾任务执行时间与消耗能源最小化的多目标优化问题，从而减少了云计算任务的完成时间和消耗能源，提升了云服务质量。
在一些实施例中，当接收到资源调度请求时，根据该资源调度请求中的多个任务和该多个任务中的每个任务对应的数量大小，进行调度方案初始化处理，得到第一参考调度方案集合，包括：
当接收到该资源调度请求时，获取该多个任务的任务数量、当前运行的虚拟机数量和第一参考调度方案；
根据该多个任务的任务数量和该虚拟机数量，将该第一参考调度方案通过基因编码进行标识；
根据该第一参考调度方案对应的基因编码，构建该第一参考调度方案集合。
在一些实施例中，通过多目标决策优化算法MOEA/D对该第一参考调度方案集合进行优化选择处理，得到目标调度方案集合，包括：
确定该第一参考调度方案集合中的第一调度集合和第二调度集合，该第一调度集合中的调度方案处理任务的效率大于第二调度集合中的调度方案处理任务的效率；
通过差分演化算法从调度方案资源集合中确定候选调度方案集合，该调度方案资源集合为能够处理该多个任务的所有调度方案的集合；
通过该MOEA/D算法从该候选调度方案集合中确定最优调度方案；
通过该最优调度方案更新该第一调度集合和该第二调度集合；
确定更新该第一调度集合的更新次数；
当该更新次数小于或等于次数阈值时，返回确定该第一参考调度方案集合中的第一调度集合和第二调度集合的操作，直至该更新次数大于该次数阈值；
当该更新次数大于该次数阈值时，从该第一调度集合中获取该目标调度方案集合。
在一些实施例中，通过该MOEA/D算法从该候选调度方案集合中确定最优调度方案，包括：
获取资源调度请求对应的目标函数，该目标函数包括任务执行时间函数和能源消耗函数；
通过该MOEA/D算法从该候选调度方案集合中确定使该目标函数的函数值最小的参考候选调度方案；
将该参考候选调度方案确定为该最优调度方案。
在一些实施例中，通过该MOEA/D算法从该候选调度方案集合中确定使该目标函数的函数值最小的参考候选调度方案，包括：
通过分类器确定该候选调度方案集合中每个候选调度方案的标签，该标签用于区分该每个调度方案的优劣；
通过余弦相似性度量方法，确定每个标签为第一标识的候选调度方案与对应相邻候选调度方案之间的余弦相似度，该对应相邻候选调度方案为位于该第一参考调度方案集合中，且基因编码与该标签为该第一标识的候选调度方案的基因编码相邻的调度方案；
通过该MOEA/D算法从第二参考调度方案和该标签为第一标识的候选调度方案中确定使该目标函数的函数值最小的参考候选调度方案，该第二参考调度方案为与标签为该第一标识的候选调度方案相邻，且与标签为该第一标识的候选调度方案之间的余弦相似度大于或等于相似度阈值。
上述所有可选技术方案，均可按照任意结合形成本申请的可选实施例，本申请实施例对此不再一一赘述。
图2是本申请实施例提供的一种云资源的调度方法流程图，本实施例以该云资源的调度方法应用于调度设备中进行举例说明，该云资源的调度方法可以包括如下几个步骤：
步骤201：调度设备接收资源调度请求。
需要说明的是，资源调度请求中能够携带多个任务和每个任务对应的数量大小。
在一种实施环境中，该资源调度请求能够为任一终端发送的请求。
步骤202：调度设备根据资源调度请求中的多个任务和该多个任务中的每个任务对应的数量大小，进行调度方案初始化处理，得到第一参考调度方案集合，该第一参考调度方案集合中包括每个任务对应的多个调度方案。
作为一种示例，调度设备根据资源调度请求中的多个任务和该多个任务中的每个任务对应的数量大小，进行调度方案初始化处理，得到第一参考调度方案集合的操作至少包括如下操作：当接收到资源调度请求时，获取多个任务的任务数量、当前运行的虚拟机数量和第一参考调度方案；根据多个任务的任务数量和虚拟机数量，将第一参考调度方案通过基因编码进行标识；根据第一参考调度方案对应的基因编码，构建第一参考调度方案集合。
由于调度设备中云资源丰富，对于任一任务会存在不同的调度方案，因此，调度设备在接收到资源调度请求时，能够事先获取任一第一参考调度方案，但是获取的第一参考调度方案并不一定是能源消耗较少且能够缩短任务完成时间的调度方案，因此，为了提高资源调度效率，缩短任务完成时间，并降低能源消耗，调度设备能够根据多个任务的任务数量和虚拟机数量，将第一参考调度方案通过基因编码进行标识，并根据第一参考调度方案对应的基因编码，构建第一参考调度方案集合。
由于第一参考调度方案集合通过第一参考调度方案对应的基因编码构建得到，因此，第一参考调度方案集合中的每个调度方案的基因编码方式与第一参考调度方案对应的基因编码方式相同。
作为一种示例，调度设备能够按照如图3所示的编码方式进行编码，在图3中，ti标识任务编号，i∈[1，m]，rj标识资源编号，j属于[1，n]，且按照图3所示的编码方式，得到对应的解码为r3:{t1}，r1:{t2}，r2:{t3}，…，rn:{tm}，m表示任务数量，n表示虚拟资源数量。
步骤203：调度设备通过多目标决策优化算法MOEA/D对第一参考调度方案集合进行优化选择处理，得到目标调度方案集合。
需要说明的是，该目标调度方案集合中包括每个任务对应的调度方案，且该目标调度方案集合中包括每一代优化过程中生成的最优调度方案。
由于第一参考调度方案集合中的调度方案众多，因此，调度设备需要从第一参考调度方案集合中选择目标调度方案集合，该目标调度方案集合中的调度方案为资源处理效率较高的调度方案。
作为一种示例，调度设备通过MOEA/D(Multi objective EvolutionaryAlgorithm Based on Decomposition，多目标优化算法)对第一参考调度方案集合进行优化选择处理，得到目标调度方案集合的操作至少包括如下操作：确定第一参考调度方案集合中的第一调度集合和第二调度集合，该第一调度集合中的调度方案处理任务的效率大于第二调度集合中的调度方案处理任务的效率；通过差分演化算法从调度方案资源集合中确定候选调度方案集合，该调度方案资源集合为能够处理多个任务的所有调度方案的集合；通过MOEA/D算法从候选调度方案集合中确定最优调度方案；通过最优调度方案更新第一调度集合和第二调度集合；确定更新第一调度集合的更新次数；当更新次数小于或等于次数阈值时，返回确定参考调度方案集合中的第一调度集合和第二调度集合的操作，直至更新次数大于次数阈值；当更新次数大于次数阈值时，从第一调度集合中获取目标调度方案集合。
在一些实施例中，第一参考调度方案集合中有的调度方案处理多个任务的效率高，有的调度方案处理多个任务的效率低，因此，为了便于更新第一参考调度方案集合，调度设备能够确定第一参考调度方案集合中的第一调度方案集合和第二调度方案集合，且第一调度方案集合中的调度方案的数量与第二调度方案集合的调度方案的数量相同。
作为一种示例，调度设备能够通过事先训练后的分类器对第一参考调度方案集合中的调度方案进行分类，从而得到第一调度集合和第二调度集合。
需要说明的是，该分类器能够为k邻近分类器，k的值能够事先进行设置，比如，k为3、4、5等等。
在一些实施例中，为了区分第一调度集合中的调度方案和第二调度集合中的调度方案，第一调度集合中的调度方案的标签为第一标识，第二调度集合中的调度方案的标签为第二标识，该标签用于区分该每个调度方案的优劣。
需要说明的是，该次数阈值能够根据需求事先进行设置，比如，该次数阈值能够为10次、30次、50次等等。该第一标识能够为1，第二标识能够为-1等等。
由于完成资源请求所请求的任务时，可能需要满足多个子问题，比如，调度方案执行任务的时间越短越好，消耗的资源越少越好等等，且该多个子问题之间可能会存在冲突，也即是，在满足其中一个子问题时，可能会导致无法满足另外一个子问题。因此，为了获取相对来说最优的调度方案，即最优的调度方案能够满足使所有子问题得到较优的解决，调度设备能够通过MOEA/D算法从该候选调度方案集合中确定最优调度方案。
作为一种示例，调度设备通过MOEA/D算法从候选调度方案集合中确定最优调度方案的操作至少包括：获取资源调度请求对应的目标函数，该目标函数包括任务执行时间函数和能源消耗函数；通过MOEA/D算法从候选调度方案集合中确定使目标函数的函数值最小的参考候选调度方案；将参考候选调度方案确定为最优调度方案。
由于每个具体任务完成时间是从任务提交开始，到任务计算完成反馈给用户为止。通常，任务完成时间定义为所有任务中完成时间最长的任务所用时间，然而，用时最长的任务，所完成的时间不能从整体上反应云资源调度策略的优点，因此，该任务完成时间能够为针对资源调度的一个子问题，该目标函数能够包括反应任务的平均执行时间的任务执行时间函数。由于在进行资源调度时，每个虚拟资源执行任务都需要消耗能量，因此，能量消耗为针对资源调度的另一个子问题，该目标函数还能够包括能源消耗函数。
作为一种示例，终端能够通过下述第一公式表示任务执行时间函数，通过下述第二公式标识能源消耗函数。
Figure BDA0002978932990000111
需要说明的是，在上述第二公式(1)中，RTi,j为当前任务i在虚拟资源j上的理论运行时间，TCi，j＝1表示当前任务i在虚拟资源j上运行，TCi，j＝0表示当前任务i没有在虚拟资源j上运行。
Figure BDA0002978932990000112
需要说明的是，在上述第二公式(2)中，ECij表示在虚拟资源j中任务i运行需要耗费的能源。
作为一种示例，通过MOEA/D算法从候选调度方案集合中确定使目标函数的函数值最小的参考候选调度方案是指将候选调度方案集合作为候选解集，通过MOEA/D算法对目标函数进行求解，使得目标函数的函数值最小，而使得目标函数的函数值最小的解即为参考候选调度方案，且该参考调度方案为候选调度方案集合中的调度方案。
作为一种示例，调度设备通过MOEA/D算法从候选调度方案集合中确定使目标函数的函数值最小的参考候选调度方案的操作包括：通过分类器确定候选调度方案集合中每个候选调度方案的标签，该标签用于区分每个调度方案的优劣；通过余弦相似性度量方法，确定每个标签为第一标识的候选调度方案与对应相邻候选调度方案之间的余弦相似度，该对应相邻候选调度方案为位于第一参考调度方案集合中，且基因编码与标签为第一标识的候选调度方案的基因编码相邻的调度方案；通过MOEA/D算法从第二参考调度方案和标签为第一标识的候选调度方案中确定使目标函数的函数值最小的参考候选调度方案，该第二参考调度方案为与标签为第一标识的候选调度方案相邻，且与标签为第一标识的候选调度方案之间的余弦相似度大于或等于相似度阈值。
在一些实施例中，调度设备能够设置<x,y>为一组训练数据，x是候选调度方案集合中的候选调度方案，y是候选调度方案集合中的候选调度方案对应的标签集合，且y∈L，L＝{+1,-1}。候选调度方案与标签之间的对应关系能够表示为y＝Class(x)。
在一些实施例中，标签y的训练过程能够通过下述第三公式表示。
Figure BDA0002978932990000121
需要说明的是，在上述第二公式(2)中，k近邻分类器的训练数据包括当前整个候选调度方案集合。N(x)表示训练数据中与x最近邻的k个最近邻域个体，k能够根据需求事先进行设置，比如，k设置为3。
在一些实施例中，sign(x)的执行过程能够为：从N(x)中选择调度方案，将选择的调度方案的标签值相加。结果为1，表示为优秀调度方案，否则为不良调度方案。
在一些实施例中，由于调度设备在通过分类器确定候选调度方案集合中每个候选调度方案的标签后，候选调度集合中可能会包括多个优秀调度方案，因此，为了进一步确认每个候选调度方案的优劣，调度设备还能够通过余弦相似性度量方法，确定标签为第一标识的候选调度方案与对应相邻候选调度方案之间的余弦相似度。
作为一种示例，调度设备能够通过下述第四公式确定标签为第一标识的候选调度方案与对应相邻候选调度方案之间的余弦相似度。
Figure BDA0002978932990000122
需要说明的是，在上述第四公式(4)中，x1和x2表示向量空间中具有相同维度的两个调度方案，且sim(x1，x2)越接近1，x1和x2就越相似。
作为一种示例，调度设备通过MOEA/D算法从第二参考调度方案和标签为第一标识的候选调度方案中确定使目标函数的函数值最小的参考候选调度方案，是指将第二参考调度方案和标签为第一标识的候选调度方案作为候选解集(可以被称为第二参考调度方案集合)，调度设备通过MOEA/D算法对目标函数进行求解，使得目标函数的函数值最小，而使得目标函数的函数值最小的解即为参考候选调度方案，该参考候选调度方案能够为第二参考调度方案集合中的调度方案。
作为一种示例，调度设备能够通过使用切比雪夫方法作为MOEA/D的分解方法来对目标函数进行求解。通过使用切比雪夫方法作为MOEA/D的分解方法来对目标函数进行求解的操作能够参考相关技术，本申请实施例对此不再进行一一赘述。
在一些实施例中，调度设备通过最优调度方案更新第一调度集合和第二调度集合，也即是，调度设备通过最优调度方案更新第一参考调度方案集合，该更新操作至少包括如下操作：用最优调度方案替换第二调度集合中的任一参考调度方案，并重新确定更新后的第一参考调度方案集合中的第一调度集合和第二调度集合。
在一些实施例中，由于第一调度集合中的调度方案处理任务的效率大于第二调度集合中的调度方案处理任务的效率，因此，调度设备能够从参考调度方案的第一调度集合中获取目标调度方案集合。
步骤204：调度设备按照目标调度方案集合中的调度方案对多个任务进行云资源的调度。
由上述可知，调度设备能够通过每一次确定的最优调度方案更新第一调度集合和第二调度集合，并在更新后重新确定第一参考调度方案集合中的第一调度集合和第二调度集合，从而使得第一调度集合中的调度方案中包括了大量非支配解，也即是，第一调度集合中包括大量的目标调度方案，目标调度方案为在执行资源调度请求所请求的任务时，在任务执行时间和能源消耗方面均并不比别的调度方案差的调度方案。因此，调度设备能够将第一调度集合确定为目标调度方案集合。或者，调度设备能够从第一调度集合中获取指定数量个目标调度方案，并通过指定数量个目标调度方案构建目标调度方案集合。
需要说明的是，该指定数量能够根据需求事先进行设置，比如，该指定数量能够为2、3、4等等。
作为一种示例，调度设备能够从目标调度方案集合中选择任一调度方案对多个任务进行云资源的调度。
由于目标调度方案集合能够从第一调度集合中获取，从而保证了获取的调度方案为处理任务效率较高的调度方案，缩短了任务处理时间。
在本申请实施例中，能够在获取到第一参考调度方案后，通过MOEA/D算法对第一参考调度方案集合进行优化选择处理，得到目标调度方案集合。由于MOEA/D算法适用于解决兼顾任务执行时间与消耗能源最小化的多目标优化问题，且在优化过程中，随机选择差分算子生成候选调度集合，基于分类与相似性度量估计候选调度方案的质量，即发挥了不同演化算子的作用，又减少了实际目标函数值评价的次数，从而减少了云计算任务的完成时间和消耗能源，提升了云服务质量。
图4是本申请实施例提供的一种云资源的调度装置的结构示意图，该云资源的调度装置可以由软件、硬件或者两者的结合实现。该云资源的调度装置可以包括：初始化模块401、优化模块402和调度模块403。
初始化模块401，用于当接收到资源调度请求时，根据所述资源调度请求中的多个任务和所述多个任务中的每个任务对应的数量大小，进行调度方案初始化处理，得到第一参考调度方案集合，所述第一参考调度方案集合中包括所述每个任务对应的多个调度方案；
优化模块402，用于通过多目标决策优化算法MOEA/D对所述第一参考调度方案集合进行优化选择处理，得到目标调度方案集合，所述目标调度方案集合中包括所述每个任务对应的调度方案，且所述目标调度方案集合中包括每一代优化过程中生成的最优调度方案；
调度模块403，用于按照所述目标调度方案集合中的调度方案对所述多个任务进行云资源的调度。
在一些实施例中，参见图5，所述初始化模块401包括：
第一获取子模块4011，用于当接收到所述资源调度请求时，获取所述多个任务的任务数量、当前运行的虚拟机数量和第一参考调度方案；
标识子模块4012，用于根据所述多个任务的任务数量和所述虚拟机数量，将所述第一参考调度方案通过基因编码进行标识；
构建子模块4013，用于根据所述第一参考调度方案对应的基因编码，构建所述第一参考调度方案集合。
在一些实施例中，参见图6，所述优化模块402包括：
第一确定子模块4021，用于确定所述第一参考调度方案集合中的第一调度集合和第二调度集合，所述第一调度集合中的调度方案处理任务的效率大于第二调度集合中的调度方案处理任务的效率；
第二确定子模块4022，用于通过差分演化算法从调度方案资源集合中确定候选调度方案集合，所述调度方案资源集合为能够处理所述多个任务的所有调度方案的集合；
第三确定子模块4023，用于通过所述MOEA/D算法从所述候选调度方案集合中确定最优调度方案；
更新子模块4024，用于通过所述最优调度方案更新所述第一调度集合和所述第二调度集合；
第四确定子模块4025，用于确定更新所述第一调度集合的更新次数；
触发子模块4026，用于当所述更新次数小于或等于次数阈值时，触发所述第一确定子模块4021确定所述第一参考调度方案集合中的第一调度集合和第二调度集合，直至所述更新次数大于所述次数阈值；
第二获取子模块4027，用于当所述更新次数大于所述次数阈值时，从所述第一调度集合中获取所述目标调度方案集合。
在一些实施例中，所述第三确定子模块4023用于：
获取资源调度请求对应的目标函数，所述目标函数包括任务执行时间函数和能源消耗函数；
通过所述MOEA/D算法从所述候选调度方案集合中确定使所述目标函数的函数值最小的参考候选调度方案；
将所述参考候选调度方案确定为所述最优调度方案。
在一些实施例中，所述第三确定子模块4023用于：
通过分类器确定所述候选调度方案集合中每个候选调度方案的标签，所述标签用于区分所述每个调度方案的优劣；
通过余弦相似性度量方法，确定每个标签为第一标识的候选调度方案与对应相邻候选调度方案之间的余弦相似度，所述对应相邻候选调度方案为位于所述第一参考调度方案集合中，且基因编码与所述标签为所述第一标识的候选调度方案的基因编码相邻的调度方案；
通过所述MOEA/D算法从第二参考调度方案和所述标签为第一标识的候选调度方案中确定使所述目标函数的函数值最小的参考候选调度方案，所述第二参考调度方案为与标签为所述第一标识的候选调度方案相邻，且与标签为所述第一标识的候选调度方案之间的余弦相似度大于或等于相似度阈值。
在本申请实施例中，能够在获取到第一参考调度方案后，通过MOEA/D算法对第一参考调度方案集合进行优化选择处理，得到目标调度方案集合。由于MOEA/D算法适用于解决兼顾任务执行时间与消耗能源最小化的多目标优化问题，且在优化过程中，随机选择差分算子生成候选调度集合，基于分类与相似性度量估计候选调度方案的质量，即发挥了不同演化算子的作用，又减少了实际目标函数值评价的次数，从而减少了云计算任务的完成时间和消耗能源，提升了云服务质量。
需要说明的是：上述实施例提供的云资源的调度装置在进行云资源的调度时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的云资源的调度装置与云资源的调度方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图7是根据一示例性实施例示出的一种调度设备的服务器结构示意图。该服务器可以是后台服务器集群中的服务器。具体来讲：
服务器700包括中央处理单元(CPU)701、包括随机存取存储器(RAM)702和只读存储器(ROM)703的系统存储器704，以及连接系统存储器704和中央处理单元701的系统总线705。服务器700还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)706，和用于存储操作系统713、应用程序714和其他程序模块715的大容量存储设备707。
基本输入/输出系统706包括有用于显示信息的显示器708和用于用户输入信息的诸如鼠标、键盘之类的输入设备709。其中显示器708和输入设备709都通过连接到系统总线705的输入输出控制器710连接到中央处理单元701。基本输入/输出系统706还可以包括输入输出控制器710以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器710还提供输出到显示屏、打印机或其他类型的输出设备。
大容量存储设备707通过连接到系统总线705的大容量存储控制器(未示出)连接到中央处理单元701。大容量存储设备707及其相关联的计算机可读介质为服务器700提供非易失性存储。也就是说，大容量存储设备707可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。
不失一般性，计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术，CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器704和大容量存储设备707可以统称为存储器。
根据本申请的各种实施例，服务器700还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器700可以通过连接在系统总线705上的网络接口单元711连接到网络712，或者说，也可以使用网络接口单元711来连接到其他类型的网络或远程计算机系统(未示出)。
上述存储器还包括一个或者一个以上的程序，一个或者一个以上程序存储于存储器中，被配置由CPU执行。所述一个或者一个以上程序包含用于进行本申请实施例提供的云资源的调度方法的指。
本申请实施例还提供了一种非临时性计算机可读存储介质，当所述存储介质中的指令由服务器的处理器执行时，使得服务器能够执行上述实施例提供的云资源的调度方法。
本申请实施例还提供了一种包含指令的计算机程序产品，当其在服务器上运行时，使得服务器执行上述实施例提供的云资源的调度方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请实施例的较佳实施例，并不用以限制本申请实施例，凡在本申请实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (8)

1.一种云资源的调度方法，其特征在于，所述方法包括：
当接收到资源调度请求时，根据所述资源调度请求中的多个任务和所述多个任务中的每个任务对应的数量大小，进行调度方案初始化处理，得到第一参考调度方案集合，所述第一参考调度方案集合中包括所述每个任务对应的多个调度方案；
确定所述第一参考调度方案集合中的第一调度集合和第二调度集合，所述第一调度集合中的调度方案处理任务的效率大于第二调度集合中的调度方案处理任务的效率；通过差分演化算法从调度方案资源集合中确定候选调度方案集合，所述调度方案资源集合为能够处理所述多个任务的所有调度方案的集合；
通过多目标决策优化算法MOEA/D从所述候选调度方案集合中确定最优调度方案；通过所述最优调度方案更新所述第一调度集合和所述第二调度集合；确定更新所述第一调度集合的更新次数；当所述更新次数小于或等于次数阈值时，返回确定所述第一参考调度方案集合中的第一调度集合和第二调度集合的操作，直至所述更新次数大于所述次数阈值；当所述更新次数大于所述次数阈值时，从所述第一调度集合中获取目标调度方案集合，所述目标调度方案集合中包括所述每个任务对应的调度方案，且所述目标调度方案集合中包括每一代优化过程中生成的最优调度方案；
按照所述目标调度方案集合中的调度方案对所述多个任务进行云资源的调度。
2.如权利要求1所述的方法，其特征在于，所述当接收到资源调度请求时，根据所述资源调度请求中的多个任务和所述多个任务中的每个任务对应的数量大小，进行调度方案初始化处理，得到第一参考调度方案集合，包括：
当接收到所述资源调度请求时，获取所述多个任务的任务数量、当前运行的虚拟机数量和第一参考调度方案；
根据所述多个任务的任务数量和所述虚拟机数量，将所述第一参考调度方案通过基因编码进行标识；
根据所述第一参考调度方案对应的基因编码，构建所述第一参考调度方案集合。
3.如权利要求1所述的方法，其特征在于，所述通过多目标决策优化算法MOEA/D从所述候选调度方案集合中确定最优调度方案，包括：
获取资源调度请求对应的目标函数，所述目标函数包括任务执行时间函数和能源消耗函数；
通过所述MOEA/D算法从所述候选调度方案集合中确定使所述目标函数的函数值最小的参考候选调度方案；
将所述参考候选调度方案确定为所述最优调度方案。
4.如权利要求3所述的方法，其特征在于，所述通过所述MOEA/D算法从所述候选调度方案集合中确定使所述目标函数的函数值最小的参考候选调度方案，包括：
通过分类器确定所述候选调度方案集合中每个候选调度方案的标签，所述标签用于区分所述每个候选调度方案的优劣；
通过余弦相似性度量方法，确定每个标签为第一标识的候选调度方案与对应相邻候选调度方案之间的余弦相似度，所述对应相邻候选调度方案为位于所述第一参考调度方案集合中，且基因编码与所述标签为所述第一标识的候选调度方案的基因编码相邻的调度方案；
通过所述MOEA/D算法从第二参考调度方案和所述标签为第一标识的候选调度方案中确定使所述目标函数的函数值最小的参考候选调度方案，所述第二参考调度方案为与标签为所述第一标识的候选调度方案相邻，且与标签为所述第一标识的候选调度方案之间的余弦相似度大于或等于相似度阈值。
5.一种云资源的调度装置，其特征在于，所述装置包括：
初始化模块，用于当接收到资源调度请求时，根据所述资源调度请求中的多个任务和所述多个任务中的每个任务对应的数量大小，进行调度方案初始化处理，得到第一参考调度方案集合，所述第一参考调度方案集合中包括所述每个任务对应的多个调度方案；
优化模块，用于通过多目标决策优化算法MOEA/D对所述第一参考调度方案集合进行优化选择处理，得到目标调度方案集合，所述目标调度方案集合中包括所述每个任务对应的调度方案，且所述目标调度方案集合中包括每一代优化过程中生成的最优调度方案；
调度模块，用于按照所述目标调度方案集合中的调度方案对所述多个任务进行云资源的调度；
所述优化模块包括：
第一确定子模块，用于确定所述第一参考调度方案集合中的第一调度集合和第二调度集合，所述第一调度集合中的调度方案处理任务的效率大于第二调度集合中的调度方案处理任务的效率；
第二确定子模块，用于通过差分演化算法从调度方案资源集合中确定候选调度方案集合，所述调度方案资源集合为能够处理所述多个任务的所有调度方案的集合；
第三确定子模块，用于通过所述MOEA/D算法从所述候选调度方案集合中确定最优调度方案；
更新子模块，用于通过所述最优调度方案更新所述第一调度集合和所述第二调度集合；
第四确定子模块，用于确定更新所述第一调度集合的更新次数；
触发子模块，用于当所述更新次数小于或等于次数阈值时，触发所述第一确定子模块确定所述第一参考调度方案集合中的第一调度集合和第二调度集合，直至所述更新次数大于所述次数阈值；
第二获取子模块，用于当所述更新次数大于所述次数阈值时，从所述第一调度集合中获取所述目标调度方案集合。
6.如权利要求5所述的装置，其特征在于，所述初始化模块包括：
第一获取子模块，用于当接收到所述资源调度请求时，获取所述多个任务的任务数量、当前运行的虚拟机数量和第一参考调度方案；
标识子模块，用于根据所述多个任务的任务数量和所述虚拟机数量，将所述第一参考调度方案通过基因编码进行标识；
构建子模块，用于根据所述第一参考调度方案对应的基因编码，构建所述第一参考调度方案集合。
7.如权利要求5所述的装置，其特征在于，所述第三确定子模块用于：
获取资源调度请求对应的目标函数，所述目标函数包括任务执行时间函数和能源消耗函数；
通过所述MOEA/D算法从所述候选调度方案集合中确定使所述目标函数的函数值最小的参考候选调度方案；
将所述参考候选调度方案确定为所述最优调度方案。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有指令，所述指令被处理器执行时实现上述权利要求1至权利要求4中的任一项权利要求所述的方法的步骤。
CN202110282003.9A 2021-03-16 2021-03-16 云资源的调度方法、装置及计算机存储介质 Active CN113010288B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110282003.9A CN113010288B (zh) 2021-03-16 2021-03-16 云资源的调度方法、装置及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110282003.9A CN113010288B (zh) 2021-03-16 2021-03-16 云资源的调度方法、装置及计算机存储介质

Publications (2)

Publication Number Publication Date
CN113010288A CN113010288A (zh) 2021-06-22
CN113010288B true CN113010288B (zh) 2023-01-03

Family

ID=76408552

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110282003.9A Active CN113010288B (zh) 2021-03-16 2021-03-16 云资源的调度方法、装置及计算机存储介质

Country Status (1)

Country Link
CN (1) CN113010288B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114416351B (zh) * 2021-12-29 2022-10-21 北京百度网讯科技有限公司 资源分配方法、装置、设备、介质及计算机程序产品

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861167A (zh) * 2020-07-07 2020-10-30 东北大学 基于分解的多目标优化算法的生产线在线动态调度方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103235743B (zh) * 2013-04-07 2016-03-02 北京航空航天大学 一种基于分解和最优解跟随策略的多目标测试任务调度方法
CN103345384B (zh) * 2013-07-18 2015-12-09 北京航空航天大学 一种基于分解的变邻域多目标测试任务调度方法及平台
CN104156584B (zh) * 2014-08-04 2017-07-11 中国船舶重工集团公司第七0九研究所 多目标优化差分进化算法的传感器目标分配方法及系统
CN109522104B (zh) * 2018-10-15 2021-09-21 华南理工大学 利用差分进化算法优化Iaas两目标任务调度的方法
CN111160649B (zh) * 2019-12-30 2023-07-21 北京邮电大学 一种资源调度方案获取方法及装置
US10678594B2 (en) * 2020-01-09 2020-06-09 Alipay Labs (singapore) Pte. Ltd. System and method for optimizing resource allocation using GPU

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861167A (zh) * 2020-07-07 2020-10-30 东北大学 基于分解的多目标优化算法的生产线在线动态调度方法

Also Published As

Publication number Publication date
CN113010288A (zh) 2021-06-22

Similar Documents

Publication Publication Date Title
US20220108224A1 (en) Technologies for platform-targeted machine learning
Thakkar et al. MUVINE: Multi-stage virtual network embedding in cloud data centers using reinforcement learning-based predictions
CN103970604A (zh) 基于MapReduce架构实现图处理的方法和装置
US20160217007A1 (en) Job management method and job managing device
WO2022223052A1 (zh) 加速器、计算机系统和方法
Wangsom et al. Multi-objective scientific-workflow scheduling with data movement awareness in cloud
CN115562940A (zh) 负载能耗监控方法、装置、介质及电子设备
CN113010288B (zh) 云资源的调度方法、装置及计算机存储介质
CN114968531B (zh) 基于多适应度遗传优化的量子云混合任务调度方法及装置
CN114707644A (zh) 图神经网络的训练方法及装置
Li et al. Tapfinger: Task placement and fine-grained resource allocation for edge machine learning
CN112579280B (zh) 云资源的调度方法、装置及计算机存储介质
CN115294397A (zh) 一种分类任务的后处理方法、装置、设备及存储介质
CN116109102A (zh) 基于遗传算法的资源调配方法及系统
CN112540844A (zh) 集群内容器调度方法、装置、存储介质和电子设备
Shi et al. Dynamic resource scheduling and workflow management in cloud computing
CN114980216B (zh) 基于移动边缘计算的依赖型任务卸载系统及方法
CN115509715A (zh) 一种分布式任务调度方法、装置和电子设备
CN111475424A (zh) 用于管理存储系统的方法、设备和计算机程序产品
Pranesh et al. Cloud Workload Clustering
CN114565105A (zh) 处理数据的方法和深度学习模型的训练方法、装置
CN113537392A (zh) 相似图像的识别方法、装置、计算设备及计算机存储介质
Wiegand et al. Why Are We Waiting? Discovering Interpretable Models for Predicting Sojourn and Waiting Times
CN117829562B (zh) 一种基于标识解析的排产计划生成方法及相关设备
CN113313313B (zh) 一种面向城市感知的移动节点任务规划方法

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