CN113722076B - 基于QoS和能耗协同优化的实时工作流调度方法 - Google Patents
基于QoS和能耗协同优化的实时工作流调度方法 Download PDFInfo
- Publication number
- CN113722076B CN113722076B CN202111274602.2A CN202111274602A CN113722076B CN 113722076 B CN113722076 B CN 113722076B CN 202111274602 A CN202111274602 A CN 202111274602A CN 113722076 B CN113722076 B CN 113722076B
- Authority
- CN
- China
- Prior art keywords
- task
- time
- workflow
- virtual machine
- energy consumption
- 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
- G06F9/48—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
- G06F9/46—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
-
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于QoS和能耗协同优化的实时工作流调度方法。所述方法包括以下步骤:在随机到达的多个工作流中,计算工作流中各个任务的子截止时间,子截止时间越小的任务的优先级越高,每次调度选择优先级最高的任务进行调度;根据选取的任务,通过计算时间‑能耗效率因子,选择目标虚拟机,完成任务到虚拟机的映射。本发明采用任务子截止时间作为任务优先级高低的依据,并提出时间‑能耗权衡因子作为虚拟机选择依据,既解决了QoS中任务时间约束的问题,也保证了任务随机到达的实时应答,同时也兼顾了能耗问题。
Description
技术领域
本发明属于计算机云计算领域,具体涉及基于QoS和能耗协同优化的实时工作流调度方法。
背景技术
云计算技术的发展为并行应用,特别是科学工作流提供了良好的平台。这些平台通过网络为应用提供大量由高性能的分布式资源构成的资源池,使应用系统能够根据需要获取资源和服务。随着云计算的飞速发展,其规模越来越大,相应的能源消耗也越来越多,对环境的影响也越来越突出,在云计算的发展道路上,能耗问题得到了越来越多的关注。另外,用户可以在按需付费的基础上,基于其所需的服务质量(Quality of Service, QoS)参数的服务水平协议(SLA)来消费这些服务。有效地任务调度机制是影响云计算环境性能和用户满意度的关键因素。 然而,将工作流应用中的任务调度映射到处理机上是个复杂的问题,它不仅要考虑不同处理机的处理能力不同和处理机间的不同的网络通信速率,甚至需要考虑用户定义的 QoS。因此,任务调度问题一直是云计算环境的核心内容,也是人们一直研究的热点。
任务根据有无依赖关系分为独立任务和依赖任务,依赖任务又称为工作流任务。具有依赖关系的任务通常由一个有向无环图(Directed Acyclic Graph, DAG)表示,一个工作流也就是一个DAG图。
目前针对工作流调度的方法可以分为两类。一类是以离线的方式对多个工作流任务进行统一的调度。另一类是以在线的方式对工作流任务进行实时的调度。离线的工作流调度,包括使用传统的多阶段方式和进化算法方式。采用进化算法方式如使用多目标遗传算法的工作流调度方法(Rehman A, Hussain S S, ur Rehman Z, et al. Multi‐objective approach of energy efficient workflow scheduling in cloudenvironments[J]. Concurrency and Computation: Practice and Experience, 2019,31(8): e4949)。但是这样的方法只能适用于多个任务同时或者同一时间段内到达,需要事先获取全部的任务,且调度过程中不能有新的任务参与调度。然而,任务的提交到达是实时的、有序的和有QoS要求的。此外在线的方式对工作流进行调度就针对任务提交的实时性和QoS要求进行调度(Arabnejad V, Bubendorfer K, Ng B. Dynamic multi-workflowscheduling: A deadline and cost-aware approach for commercial clouds[J].Future Generation Computer Systems, 2019, 100: 98-108.)。但是这类算法,没有考虑到能耗问题。
发明内容
本发明的目的在于提供一种基于QoS和能耗协同优化的实时工作流调度方法,将基于QoS和能耗协同优化与在线调度的方式相结合,用以解决现有方法对具有实时、用户QoS要求和数量规模大的工作流任务调度时性能不稳定以及能耗高的问题。任务调度中服务质量QoS主要是指时间约束,即为工作流任务设置截止时间。
本发明的目的至少通过如下技术方案之一实现。
基于QoS和能耗协同优化的实时工作流调度方法,包括以下步骤:
S1、在随机到达的多个工作流中,计算工作流中各个任务的子截止时间,子截止时间越小的任务的优先级越高,每次调度选择优先级最高的任务进行调度;
S2、根据从步骤S1中选取的任务,通过计算时间-能耗效率因子,选择目标虚拟机,完成任务到虚拟机的映射;具体包括如下步骤:
S2.1、构建系统能耗模型,采用基于系统整体构建任务能耗模型;
针对物理主机能耗模型,主要根据CPU利用率,采用线性功耗模型,其计算如下:
S2.2、将从步骤S1中得到的任务,使用步骤S2.1中的任务能耗模型,计算时间-能耗效率权衡因子,选择可调度的目标虚拟机,完成任务到虚拟机的映射。
进一步地,步骤S1包括以下步骤:
S1.1、采用有向无环图(DirectedAcyclicGraph,DAG)表示工作流,并采用自底向上的方式对工作流进行分层;
进一步地,步骤S1.1中,所述工作流包括若干个任务,工作流中的任务具有数据依赖,在任务调度中,通常采用有向无环图(DirectedAcyclicGraph,DAG)来表示工作流;
有向无环图用一个二元组来表示,其中,T表示所有节点组成的
集合,,每个节点表示工作流中的一个任务,;是
节点之间有向边的集合,表示工作流中各个任务之间的依赖关系,即对,任务执行完成后任务才能开始执行,;
有向无环图中的每一条边的权值表示处于该条边两端的任务和任务之间的
通信时间;由于通信时间需要任务和任务被执行后才能获得,因此采用平均通信代价来表示任务间的通信时间;任务和任务之间的平均通信时间具体如下:
对于任意的工作流,可以根据所属的各个任务的平行性将工作流分层,以达到同
一层的任务不具有依赖关系;同一层的任务共享层值,任务的层值表示着从出口任务到该
任务的最长路径,用表示任务对应的层值,对于出口任务来说
;对于其它任务来说,其层值计算如下:
首先,为了按时处理完成给定的工作流,一种方法是将工作流的实际截止时间进行划分或分配,采用按层划分,每一层的任务拥有各自的子截止时间,同一层的任务共享子截止时间;
其中,为给定的工作流G的实际截止时间;是截止时间因子(Deadline
Factor)的英文缩写,表示实际截止时间与初始的子截止时间之间的剩余部分,跟初始的子
截止时间之间的比值;公式(13)和公式(14)表示将实际截止时间与初始的子截止时间之间
的剩余部分按比例分配到每层的子截止时间上。
进一步地,步骤S2.1中,任务能耗模型的构建方式如下:
公式(16)中,任务执行能耗不仅考虑了载体虚拟机的能耗,同时考虑了其余空闲虚拟机的能耗,这是由于调度的目的是为了云数据中心的整体能耗优化。
进一步地,步骤S2.2 中,可调度的虚拟机指的是空闲虚拟机或任务等待队列为空的虚拟机;
对给定的虚拟机,为其添加一个任务等待队列,当新任务映射到该虚拟机且该虚拟机已有任务在运行,新任务放置于任务等待队列;当运行中的任务完成后,立刻执行任务等待队列的任务;将任务等待队列能放置的任务数设为1,保证任务的实时处理;空闲虚拟机指的是虚拟机上没有任务在运行,处于空载的状态。
进一步地,步骤S2.2 中,时间-能耗权衡因子的计算过程如下:
与现有技术相比,本发明具有如下的优点与技术效果:
1、采用自底向上分层和截止时间按比例分布,对任务子截止时间初始化进行了优化。
2、所提出的任务能耗模型,在执行能耗的基础上加入了传输能耗,由此考虑了传输成本,极大的减少了传输次数,再进一步的降低了能耗。
3、所提出的任务能耗模型是基于系统整体而不是基于载体虚拟机,使得所得结果更有全局性。
4、采用了为虚拟机添加任务等待队列,在任务执行的同时进行新任务的数据传输,能有效地减少虚拟机的空载时间,达到性能和能耗的优化;而长度设置为1,则有效地保证了任务处理的实时性。
5、所提出的时间-能耗权衡因子,保证了QoS中的时间约束的同时,能有效地降低系统能耗。
附图说明
图1为本发明实施例中基于QoS和能耗协同优化的实时工作流任务调度方法的流程图。
具体实施方式
为了使本发明的技术方案及优点更加清楚明白,以下结合附图,进行对本发明的具体实施进行详细说明,但本发明的实施和保护不限于此。
实施例:
基于QoS和能耗协同优化的实时工作流调度方法,如图1所示,包括以下步骤:
S1、在随机到达的多个工作流中,计算工作流中各个任务的子截止时间,子截止时间越小的任务的优先级越高,每次调度选择优先级最高的任务进行调度,包括以下步骤:
S1.1、采用有向无环图(DirectedAcyclicGraph,DAG)表示工作流,并采用自底向上的方式对工作流进行分层;
所述工作流包括若干个任务,工作流中的任务具有数据依赖,在任务调度中,通常采用有向无环图(DirectedAcyclicGraph,DAG)来表示工作流;
有向无环图用一个二元组来表示,其中,T表示所有节点组成的
集合,,每个节点表示工作流中的一个任务,;是
节点之间有向边的集合,表示工作流中各个任务之间的依赖关系,即对,任务执行完成后任务才能开始执行,;
有向无环图中的每一条边的权值表示处于该条边两端的任务和任务之间的
通信时间;由于通信时间需要任务和任务被执行后才能获得,因此采用平均通信代价来表示任务间的通信时间;任务和任务之间的平均通信时间具体如下:
对于任意的工作流,可以根据所属的各个任务的平行性将工作流分层,以达到同
一层的任务不具有依赖关系;同一层的任务共享层值,任务的层值表示着从出口任务到该
任务的最长路径,用表示任务对应的层值,对于出口任务来说;
对于其它任务来说,其层值计算如下:
首先,为了按时处理完成给定的工作流,一种方法是将工作流的实际截止时间进行划分或分配,采用按层划分,每一层的任务拥有各自的子截止时间,同一层的任务共享子截止时间。
其中,为给定的工作流G的实际截止时间;是截止时间因子(Deadline
Factor)的英文缩写,表示实际截止时间与初始的子截止时间之间的剩余部分,跟初始的子
截止时间之间的比值;公式(9)和公式(10)表示将实际截止时间与初始的子截止时间之间
的剩余部分按比例分配到每层的子截止时间上。
S2、根据从步骤S1中选取的任务,通过计算时间-能耗效率因子,选择目标虚拟机,完成任务到虚拟机的映射,包括如下步骤:
S2.1、构建系统能耗模型,采用基于系统整体构建任务能耗模型;
针对物理主机能耗模型,主要根据CPU利用率,采用线性功耗模型,其计算如下:
任务能耗模型的构建方式如下:
其中,分
别表示任务分配给第个虚拟机的传输能耗、执行能耗和总能耗;表示为
数据中心网络通信所需的平均功耗,是所有空闲虚拟机的集合,K是虚拟机空闲时平
均功耗与执行任务时平均功耗的比值;本实施例中,根据已有经验,K通常为0.3;
公式(16)中,任务执行能耗不仅考虑了载体虚拟机的能耗,同时考虑了其余空闲虚拟机的能耗,这是由于调度的目的是为了云数据中心的整体能耗优化。
S2.2、将从步骤S1中得到的任务,使用步骤S2.1中的任务能耗模型,计算时间-能耗效率权衡因子,选择可调度的目标虚拟机,完成任务到虚拟机的映射;
可调度的虚拟机指的是空闲虚拟机或任务等待队列为空的虚拟机;
对给定的虚拟机,为其添加一个任务等待队列,当新任务映射到该虚拟机且该虚拟机已有任务在运行,新任务放置于任务等待队列;当运行中的任务完成后,立刻执行任务等待队列的任务;将任务等待队列能放置的任务数设为1,保证任务的实时处理;空闲虚拟机指的是虚拟机上没有任务在运行,处于空载的状态。
时间-能耗权衡因子的计算过程如下:
实验测试对比:
本实施例中,为验证本发明的有效性,进行消融实验,实验内容和结果如下:
实验所采用的方法名称以及简要描述如下:
“SubD-EDF”:任务选择子截止时间最小的,虚拟机选择空闲虚拟机中任务完成时间最小的。
“SubD-TETF”:本发明使用的调度方法。
“SubD-TETF-1”:任务选择子截止时间最小的,任务执行能耗计算方式有别于公式(16),除了载体虚拟机不考虑其余虚拟机,其计算方式如下:
“SubD-TETF-2”:任务选择子截止时间最小的,虚拟机没有任务等待队列,即新任务要在旧任务执行完成后根据调度方法得出目标虚拟机后才进行数据传输。
本实验是在模拟环境下进行的,模拟环境如下:
基于CloudSim提供的模拟工具包,构建一个云计算环境下多物理主机的仿真环境。其中:
物理主机之间通过网络互连。
每个物理主机任务执行与物理机之间通信可同时进行。
多个虚拟机运行于物理主机上,同一物理主机上的虚拟机通信时间忽略不计。
任务在虚拟机上执行是非抢占的。
物理主机之间是异构的,虚拟机之间的计算能力也是不相同的,也就是说同一任务在不同虚拟机上执行存在差异性。
衡量调度方法的指标,包括QoS指标-逾期率以及能耗值。
逾期率:当给定工作流任务的最后子任务完成时间大于工作流任务的截止时间,则称该工作流任务逾期。逾期率为逾期工作流任务数量与总工作流任务数量的比值。
能耗值:系统在完成云任务所消耗的能量。
针对工作流任务数量以及虚拟机数量的变化,进行实验,其实验结果如下表1和表2所示。
从消融实验中可以得出,基于系统整体的任务能耗建模方式、时间-能耗权衡因子和任务等待队列对于任务的逾期率以及系统能耗都有着积极的作用。
上述流程为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (2)
1.基于QoS和能耗协同优化的实时工作流调度方法,其特征在于,包括以下步骤:
S1、在随机到达的多个工作流中,计算工作流中各个任务的子截止时间,子截止时间越小的任务的优先级越高,每次调度选择优先级最高的任务进行调度;包括以下步骤:
S1.1、采用有向无环图表示工作流,并采用自底向上的方式对工作流进行分层;所述工作流包括若干个任务,工作流中的任务具有数据依赖,在任务调度中,采用有向无环图来表示工作流;
有向无环图用一个二元组G=(T,E)来表示,其中,T表示所有节点组成的集合,T={t1,t2,...,tn},每个节点表示工作流中的一个任务,|T|=n;E是节点之间有向边的集合,表示工作流中各个任务之间的依赖关系,即对任务ti执行完成后任务tj才能开始执行,i,j∈[1,n];
pred(ti)表示在给定的工作流中,任务ti的直接前驱任务集合,也称任务ti的父任务集合;
succ(ti)表示在给定的工作流中,任务ti的直接后继任务集合,也称任务ti的子任务集合;
有向无环图中的每一条边的权值表示处于该条边两端的任务ti和任务tj之间的通信时间;通信时间需要任务ti和任务tj被执行后才能获得;
S1.2、根据最早开始时间和最早完工时间计算工作流中各个任务的子截止时间,子截止时间SubD越小,该任务的优先级越高;
工作流的每个任务的子截止时间的SubD的计算过程如下:
首先,为了按时处理完成给定的工作流,将工作流的实际截止时间进行划分或分配,采用按层划分,每一层的任务拥有各自的子截止时间,同一层的任务共享子截止时间;
给定的工作流G中,对于任务ti来说,计算其最早开始时间EST、最早完工时间ECT和初始的子截止时间SubDinit,具体如下:
SubDinit(l)表示工作流分层后第l层初始的子截止时间,为了计算出工作流分层后第l层的子截止时间SubD(l)而定义的中间值;
ECT(ti)=max{SubDinit(pred(ti)),EST(ti)}+wi; (10)
其中,tentry表示工作流中的入口任务;wi、wj分别表示任务ti、任务tj在所有的虚拟机中的执行时间的最小值,具体如下:
wi=mink{w(i,k)}; (12)
其中,vmk表示第k个虚拟机;Insrution(ti)表示任务ti的指令数;Capacity(vmk)表示第k个虚拟机vmk的计算能力;
根据得到的最早开始时间EST、最早完工时间ECT和初始的子截止时间SubDinit计算SubD,其过程如下:
SubD(l)=(DF*SubDinit(l))+SubDinit(l); (14)
其中,DG为给定的工作流G的实际截止时间;DF表示实际截止时间与初始的子截止时间之间的剩余部分,跟初始的子截止时间之间的比值;公式(13)和公式(14)表示将实际截止时间与初始的子截止时间之间的剩余部分按比例分配到每层的子截止时间上;
S2、根据从步骤S1中选取的任务,通过计算时间-能耗权衡因子,选择目标虚拟机,完成任务到虚拟机的映射;具体包括如下步骤:
S2.1、构建系统能耗模型,采用基于系统整体构建任务能耗模型;
所述系统能耗模型中,目标环境系统为云计算数据中心,采用DC={H,VM}表示,其中H表示M个物理主机的集合H={h1,h2,...,hM};VM表示N个虚拟机的集合,VM={vm1,vm2,...,vmN},虚拟机运行于物理主机上,如果第n个虚拟机vmn运行在第m个物理主机hm上,采用vmn∈hm表示;
针对物理主机能耗模型,根据CPU利用率,采用线性功耗模型,物理主机能耗模型的计算如下:
采用平均通信代价Ci,j来表示任务间的通信时间;任务ti和任务tj之间的平均通信时间Ci,j具体如下:
同一层的任务组成任务层集合TLS(Task level Set),任务层集合TLS的定义如下:
TLS(l)={ti|L(ti)=l}; (7)
l表示层值,其取值范围是[1,L(tentry)];
任务能耗模型的构建方式如下:
Energy(ti,vmk)=Energytransfer(ti)+Energyexec(ti,vmk); (17)
其中,Energytransfer(ti),Energyexec(ti,vmk)和Energy(ti,vmk)分别表示任务ti分配给第k个虚拟机vmk的传输能耗、执行能耗和总能耗;Pnet表示为数据中心网络通信所需的平均功耗,idle是所有空闲虚拟机的集合,K是虚拟机空闲时平均功耗与执行任务时平均功耗的比值;
S2.2、将从步骤S1中得到的任务,使用步骤S2.1中的任务能耗模型,计算时间-能耗权衡因子,选择可调度的目标虚拟机,完成任务到虚拟机的映射;
可调度的目标虚拟机指的是空闲虚拟机或任务等待队列为空的虚拟机;
空闲虚拟机指的是虚拟机上没有任务在运行,处于空载的状态;
对给定的虚拟机,为其添加一个任务等待队列,当新任务映射到该虚拟机且该虚拟机已有任务在运行,新任务放置于任务等待队列;当运行中的任务完成后,立刻执行任务等待队列的任务;将任务等待队列能放置的任务数设为1,保证任务的实时处理;
时间-能耗权衡因子的计算过程如下:
其中,Energy(min)和Energy(max)分别表示任务ti在所有虚拟机中的能耗的最小值和最大值;FT(i,k)表示任务ti运行在第k个虚拟机vmk上的完成时间,FT(i)表示FT(i,k)中的最小值,FT(i,k)计算如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111274602.2A CN113722076B (zh) | 2021-10-29 | 2021-10-29 | 基于QoS和能耗协同优化的实时工作流调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111274602.2A CN113722076B (zh) | 2021-10-29 | 2021-10-29 | 基于QoS和能耗协同优化的实时工作流调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113722076A CN113722076A (zh) | 2021-11-30 |
CN113722076B true CN113722076B (zh) | 2022-03-29 |
Family
ID=78686176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111274602.2A Active CN113722076B (zh) | 2021-10-29 | 2021-10-29 | 基于QoS和能耗协同优化的实时工作流调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113722076B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260005B (zh) * | 2015-09-22 | 2018-09-14 | 浙江工商大学 | 面向能耗的云工作流调度优化方法 |
CN109445903A (zh) * | 2018-09-12 | 2019-03-08 | 华南理工大学 | 基于QoS特征发现的云计算节能调度实现方法 |
CN109634742A (zh) * | 2018-11-15 | 2019-04-16 | 华南理工大学 | 一种基于蚁群算法的时间约束科学工作流优化方法 |
CN110908772A (zh) * | 2019-11-14 | 2020-03-24 | 北京理工大学 | 一种提高多工作流可靠性的节能调度方法 |
CN107168770B (zh) * | 2017-04-14 | 2020-03-27 | 中国人民解放军国防科学技术大学 | 一种低能耗的云数据中心工作流调度与资源供给方法 |
CN113515351A (zh) * | 2021-09-07 | 2021-10-19 | 华南理工大学 | 一种基于能耗与QoS协同优化的资源调度实现方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101290585B (zh) * | 2007-04-19 | 2011-09-21 | 中兴通讯股份有限公司 | 一种嵌入式系统实时任务的调度方法 |
CN108021435B (zh) * | 2017-12-14 | 2022-01-04 | 南京邮电大学 | 一种基于截止时间的具有容错能力的云计算任务流调度方法 |
US20190278714A1 (en) * | 2018-03-09 | 2019-09-12 | Nutanix, Inc. | System and method for memory access latency values in a virtual machine |
-
2021
- 2021-10-29 CN CN202111274602.2A patent/CN113722076B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260005B (zh) * | 2015-09-22 | 2018-09-14 | 浙江工商大学 | 面向能耗的云工作流调度优化方法 |
CN107168770B (zh) * | 2017-04-14 | 2020-03-27 | 中国人民解放军国防科学技术大学 | 一种低能耗的云数据中心工作流调度与资源供给方法 |
CN109445903A (zh) * | 2018-09-12 | 2019-03-08 | 华南理工大学 | 基于QoS特征发现的云计算节能调度实现方法 |
CN109634742A (zh) * | 2018-11-15 | 2019-04-16 | 华南理工大学 | 一种基于蚁群算法的时间约束科学工作流优化方法 |
CN110908772A (zh) * | 2019-11-14 | 2020-03-24 | 北京理工大学 | 一种提高多工作流可靠性的节能调度方法 |
CN113515351A (zh) * | 2021-09-07 | 2021-10-19 | 华南理工大学 | 一种基于能耗与QoS协同优化的资源调度实现方法 |
Non-Patent Citations (2)
Title |
---|
云计算环境下科学工作流调度策略研究;徐永杰;《中国优秀硕士学位论文全文数据库信息科技辑》;20200215(第02期);I138-38 * |
面向实时应用的虚拟机调度研究;丁晓波,;《中国博硕士学位论文全文数据库(博士)信息科技辑》;20180615(第06期);I137-1 * |
Also Published As
Publication number | Publication date |
---|---|
CN113722076A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xue et al. | An ACO-LB Algorithm for Task Scheduling in the Cloud Environment. | |
Rekha et al. | Efficient task allocation approach using genetic algorithm for cloud environment | |
Zhu et al. | A cost-effective scheduling algorithm for scientific workflows in clouds | |
Sohani et al. | A predictive priority-based dynamic resource provisioning scheme with load balancing in heterogeneous cloud computing | |
Chakravarthi et al. | TOPSIS inspired budget and deadline aware multi-workflow scheduling for cloud computing | |
CN103701886A (zh) | 一种云计算环境下的服务及资源分层调度方法 | |
Saovapakhiran et al. | Aggregated-DAG scheduling for job flow maximization in heterogeneous cloud computing | |
Zhou et al. | Concurrent workflow budget-and deadline-constrained scheduling in heterogeneous distributed environments | |
CN106201681B (zh) | Hadoop平台下基于预释放资源列表的任务调度方法 | |
Li et al. | Endpoint-flexible coflow scheduling across geo-distributed datacenters | |
Wang et al. | Dynamic multiworkflow deadline and budget constrained scheduling in heterogeneous distributed systems | |
CN106407007B (zh) | 面向弹性分析流程的云资源配置优化方法 | |
CN112306642B (zh) | 一种基于稳定匹配博弈理论的工作流调度方法 | |
Dubey et al. | QoS driven task scheduling in cloud computing | |
Li et al. | Cost-aware scheduling for ensuring software performance and reliability under heterogeneous workloads of hybrid cloud | |
CN113722076B (zh) | 基于QoS和能耗协同优化的实时工作流调度方法 | |
Grigoras et al. | Elastic management of reconfigurable accelerators | |
Zhou et al. | Stability property of clouds and cooperative scheduling policies on multiple types of resources in cloud computing | |
Abba et al. | Design, development and performance analysis of deadline based priority heuristic for job scheduling on a grid | |
Chandak et al. | Heuristic task allocation strategies for computational grid | |
CN108958919A (zh) | 一种云计算中有期限约束的多dag任务调度费用公平性评估模型 | |
Wang et al. | Maximize throughput scheduling and cost-fairness optimization for multiple dags with deadline constraint | |
CN111522637A (zh) | 一种基于成本效益的storm任务调度方法 | |
Venuthurumilli et al. | An Energy and Deadline Aware Scheduling Using Greedy Algorithm for Cloud Computing. | |
Choudhary et al. | A novel strategy for deterministic workflow scheduling with load balancing using modified min-min heuristic in cloud computing environment |
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 |