CN114064249A - 混合云的跨云计算任务的调度方法、装置以及存储介质 - Google Patents

混合云的跨云计算任务的调度方法、装置以及存储介质 Download PDF

Info

Publication number
CN114064249A
CN114064249A CN202111397591.7A CN202111397591A CN114064249A CN 114064249 A CN114064249 A CN 114064249A CN 202111397591 A CN202111397591 A CN 202111397591A CN 114064249 A CN114064249 A CN 114064249A
Authority
CN
China
Prior art keywords
cloud
cloud computing
task
resources
resource
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.)
Granted
Application number
CN202111397591.7A
Other languages
English (en)
Other versions
CN114064249B (zh
Inventor
李程
赖培源
廖晓东
李奎
周海涛
叶世兵
廖德章
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.)
Guangdong South China Technology Transfer Center Co ltd
Original Assignee
Guangdong South China Technology Transfer Center 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 Guangdong South China Technology Transfer Center Co ltd filed Critical Guangdong South China Technology Transfer Center Co ltd
Priority to CN202111397591.7A priority Critical patent/CN114064249B/zh
Publication of CN114064249A publication Critical patent/CN114064249A/zh
Application granted granted Critical
Publication of CN114064249B publication Critical patent/CN114064249B/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
    • G06F9/46—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种混合云的跨云计算任务的调度方法、装置以及存储介质，涉及云计算技术领域，其中的方法包括：根据任务约束条件生成与可用云资源相对应的初始解；基于解质量评价规则将初始解进行等级划分处理，用以获得与初始解相对应的多个等级；基于坐标更新策略并根据等级，对初始解中的坐标进行更新处理，用以获取新坐标；重复进行迭代处理，直到当迭代处理的次数达到迭代次数阈值时，确定最佳收益等级对应的解，作为云计算任务的调度策略。本公开的方法、装置以及介质，综合考虑了任务的资源需求和云资源的异构性，实现了任务和资源在更细粒度上的匹配，有效保障了任务的高质量执行，保证应用的服务质量，最小化用户的成本。

Description

混合云的跨云计算任务的调度方法、装置以及存储介质
技术领域
本公开涉及云计算技术领域，尤其涉及一种混合云的跨云计算任务的调度方法、装置以及存储介质。
背景技术
云计算通过虚拟化技术将大量物理机器的计算、存储和网络资源整合起来，实现了大规模计算的架构。在混合云环境中，为了保证应用的性能，对任务的执行环境也提出了相应的需求，选择适合于任务的资源类型和大小需求的云资源可以保证任务的高质量执行。由于任务对资源需求的多样化，实现任务和资源的正确匹配是一个难题，现有的智能优化算法或者贪心策略虽然能完成跨云任务调度，并在一定程度上优化用户的成本，但是它们对优质解的获取都有一定的随机性，且全局搜索能力差，容易陷入局部最优状态，并且使用户的使用成本较高。
发明内容
为了解决上述技术问题，提出了本公开。本公开的实施例提供了一种混合云的跨云计算任务的调度方法、装置以及存储介质。
根据本公开实施例的第一方面，提供一种混合云的跨云计算任务的调度方法，包括：步骤一，在云计算资源集合中确定满足云计算任务的可用云资源；其中，所述云计算资源集合中的云计算资源包括：公有云资源、私有云资源和混合云资源；步骤二，根据任务约束条件生成与所述可用云资源相对应的初始解；步骤三，基于解质量评价规则将所述初始解进行等级划分处理，用以获得与所述初始解相对应的多个等级；其中，等级包括最佳收益等级、正常收益等级和低收益等级；步骤四，基于坐标更新策略并根据所述等级，对所述初始解中的坐标进行更新处理，用以获取新坐标；步骤五，重复执行步骤三至步骤四进行迭代处理，直到当迭代处理的次数达到迭代次数阈值时，停止迭代处理，用以确定最佳收益等级对应的解，作为云计算任务的调度策略。
可选地，所述在云计算资源集合中确定满足云计算任务的可用云资源包括：获取云计算资源集合中的云计算资源的资源属性，云计算任务的任务属性；其中，所述资源属性包括CPU、GPU、内存、带宽、安全等级、可用时间中的至少一个属性；所述任务属性包括CPU需求、GPU需求、内存需求、带宽需求、安全等级需求、计算量中的至少一个属性；基于所述资源属性和所述任务属性的匹配结果，确定所述可用云资源。
可选地，所述任务约束条件包括：资源剩余时间最小约束条件和费用最低约束条件；所述根据任务约束条件生成与所述可用云资源相对应的初始解包括：基于所述资源剩余时间最小约束条件和所述费用最低约束条件，生成所述初始解的解集坐标
Figure BDA0003370539940000021
其中，Fk,j表示第k个解中任务tj对应的目标云资源。
可选地，所述根据任务约束条件生成与所述可用云资源相对应的初始解包括：步骤21，随机选择任务集合T中的一个云计算任务tj，用以进行调度处理；步骤22，遍历可用云资源集合U中的可用云资源，如果U中存在满足tj的所有任务约束条件的云计算资源，则在U中选择tj分配后剩余可用时间最小的云计算资源uk，作为tj的最终目标云资源，否则，转入步骤23；步骤23，如果U中不存在满足tj的所有任务约束条件的云计算资源，则遍历云计算资源集合S中的其余云计算资源；如果S中的其余云计算资源中存在满足的所有任务约束条件的云计算资源，则在S中的其余云计算资源中选择tj分配后剩余可用时间最小的云计算资源si，作为tj的最终目标云资源，并将si加入U中；步骤24，将tj调度到uk或si中执行，并更新uk或si的剩余可用时长，将tj从集合T中删除。步骤25，重复步骤21至步骤24,直到T中的全部云计算任务都被分配给对应的云计算资源。
可选地，所述解质量评价规则包括：成本评价规则；所述基于解质量评价规则将所述初始解进行等级划分处理包括：计算每个初始解的对应的成本
Figure BDA0003370539940000022
其中，βi为第l个云计算资源的费用；
按所述成本将所述初始解进行等级划分处理，其中，等级包括最佳收益等级、正常收益等级和低收益等级。
可选地，所述基于坐标更新策略并根据所述等级，对所述初始解中的坐标进行更新处理包括：计算正常收益等级的解的新坐标为
Figure BDA0003370539940000031
其中，θ1是[0,1]之间的随机数，
Figure BDA0003370539940000032
表示最佳收益等级中的解的坐标，τ表示迭代次数，a用于平衡局部搜索和全局搜索的滑动常数，Pdb是概率值；
计算低收益等级的一部分解的新坐标为
Figure BDA0003370539940000033
其中，θ2是[0,1]之间的随机数；
计算低收益等级的另一部分解的新坐标为
Figure BDA0003370539940000034
其中，θ3是[0,1]之间的随机数；在确定正常收益等级的解的新坐标、确定低收益等级的一部分解和确定低收益等级的另一部分解时使用的约束条件包括：资源约束条件，时间约束条件，安全等级条件以及一项云计算任务只能调度到一个云计算资源执行。
根据本公开实施例的第二方面，提供一种混合云的跨云计算任务的调度装置，包括：可用资源确定模块，用于在云计算资源集合中确定满足云计算任务的可用云资源；其中，所述云计算资源集合中的云计算资源包括：公有云资源、私有云资源和混合云资源；初始解生成模块，用于根据任务约束条件生成与所述可用云资源相对应的初始解；等级划分处理模块，用于基于解质量评价规则将所述初始解进行等级划分处理，用以获得与所述初始解相对应的多个等级；坐标更新模块，用于基于坐标更新策略并根据所述等级，对所述初始解中的坐标进行更新处理，用以获取新坐标；调度策略生成模块，用于重复执行所述等级划分处理模块、所述作标更新模块进行迭代处理，直到当迭代处理的次数达到迭代次数阈值时，停止迭代处理，用以确定最佳收益等级对应的解，作为云计算任务的调度策略。
可选地，所述可用资源确定模块，用于获取云计算资源集合中的云计算资源的资源属性，云计算任务的任务属性；其中，所述资源属性包括CPU、GPU、内存、带宽、安全等级、可用时间中的至少一个属性；所述任务属性包括CPU需求、GPU需求、内存需求、带宽需求、安全等级需求、计算量中的至少一个属性；基于所述资源属性和所述任务属性的匹配结果，确定所述可用云资源。
可选地，所述任务约束条件包括：资源剩余时间最小约束条件和费用最低约束条件；所述初始解生成模块，用于基于所述资源剩余时间最小约束条件和所述费用最低约束条件，生成所述初始解的解集坐标
Figure BDA0003370539940000041
其中，Fk,j表示第k个解中任务tj对应的目标云资源。
可选地，所述初始解生成模块，包括：任务选取单元，用于随机选择任务集合T中的一个云计算任务tj，用以进行调度处理；资源调度单元，用于遍历可用云资源集合U中的可用云资源，如果U中存在满足tj的所有任务约束条件的云计算资源，则在U中选择tj分配后剩余可用时间最小的云计算资源uk，作为tj的最终目标云资源；如果U中不存在满足tj的所有任务约束条件的云计算资源，则遍历云计算资源集合S中的其余云计算资源；如果S中的其余云计算资源中存在满足的所有任务约束条件的云计算资源，则在S中的其余云计算资源中选择tj分配后剩余可用时间最小的云计算资源si，作为tj的最终目标云资源，并将si加入U中；时长更新单元，用于将tj调度到uk或si中执行，并更新uk或si的剩余可用时长，将tj从集合T中删除；任务分配单元，用于重复执行所述任务选取单元、所述资源调度单元、所述时长更新单元，直到T中的全部云计算任务都被分配给对应的云计算资源。
可选地，所述解质量评价规则包括：成本评价规则；所述等级划分处理模块，用于计算每个初始解的对应的成本
Figure BDA0003370539940000042
其中，βi为第l个云计算资源的费用；
所述等级划分处理模块，用于按所述成本将所述初始解进行等级划分处理，其中，等级包括最佳收益等级、正常收益等级和低收益等级。
可选地，所述坐标更新模块，用于基于计算正常收益等级的解的新坐标为
Figure BDA0003370539940000051
其中，θ1是[0,1]之间的随机数，
Figure BDA0003370539940000052
表示最佳收益等级中的解的坐标，τ表示迭代次数，a用于平衡局部搜索和全局搜索的滑动常数，Pdb是概率值；
所述坐标更新模块，用于计算低收益等级的一部分解的新坐标为
Figure BDA0003370539940000053
其中，θ2是[0,1]之间的随机数；
所述坐标更新模块，用于计算低收益等级的另一部分解的新坐标为
Figure BDA0003370539940000054
其中，θ3是[0,1]之间的随机数；在确定正常收益等级的解的新坐标、确定低收益等级的一部分解和确定低收益等级的另一部分解时使用的约束条件包括：资源约束条件，时间约束条件，安全等级条件以及一项云计算任务只能调度到一个云计算资源执行。
根据本公开实施例的第三方面，提供一种混合云的跨云计算任务的调度装置，包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现如上所述的方法。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述的方法。
基于本公开上述实施例提供的混合云的跨云计算任务的调度方法、装置以及存储介质，综合考虑了任务的资源需求和云资源的异构性，实现了任务和资源在更细粒度上的匹配，有效保障了任务的高质量执行，可以实现任务和资源的最佳匹配，保证应用的服务质量，最小化用户的成本，提高用户的使用体验。
下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。
附图说明
通过结合附图对本公开实施例进行更详细的描述，本公开的上述以及其他目的、特征以及优势将变得更加明显。附图用来提供对本公开实施例的进一步的理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为本公开的混合云的跨云计算任务的调度方法的一个实施例的流程示意图；
图2为在云资源集合中进行任务集合调度的示意图；
图3为本公开的混合云的跨云计算任务的调度方法的一个实施例中的生成初始解的流程示意图；
图4为本公开的混合云的跨云计算任务的调度装置的一个实施例的示意图；
图5为本公开的混合云的跨云计算任务的调度装置的一个实施例中的初始解生成模块的示意图；
图6为本公开的混合云的跨云计算任务的调度装置的另一个实施例的示意图。
具体实施方式
下面将参考附图详细地描述根据本公开的示例实施例。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是本公开的全部实施例，应理解，本公开不受这里描述的示例实施例的限制。
应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
本领域技术人员可以理解，本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
还应理解，在本公开实施例中，“多个”可以指两个或者两个以上，“至少一个”可以指一个、两个或两个以上。
还应理解，对于本公开实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。
另外，本公开中术语“和/或”，仅是一种描述关联对象的关联关系，表示可以存在三种关系，如A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本公开中字符“/”，一般表示前后关联对象是一种“或”的关系。
还应理解，本公开对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本公开的实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或者专用计算系统环境或配置一起操作。适于与终端设备、计算机系统或者服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施。在分布式云计算环境中，任务可以是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
示例性方法
根据云计算的运营方式，云计算可以分为私有云、公有云。私有云是企业使用自己的IT基础设施构建的云服务平台，具有安全可靠、构建以及维护的成本比较高的特点。公有云是由第三方服务提供商以租赁的方式提供给使用方使用的云，具有灵活性、可扩展性和按需服务费的特点。
由于私有云的构建成本和维护成本往往比较高，企业在遇到大规模计算任务时会同时考虑私有云和公有云资源，在满足任务的安全等级和其他约束条件下，将任务调度到合适的云资源上执行，最小化企业的成本。这种私有云和公有云共存的环境即为混合云。
跨云调度是指在混合云环境中实现任务的调度。虽然跨云调度应用已经非常广泛，但用户对于云计算资源需求越来越多样化，在混合云中进行合理的资源管理和高效的任务调度仍存在着许多挑战。在混合云环境中，有许多的云计算资源，这些资源由许多不同的企业提供。由于每个企业所使用的硬件资源不同，所以混合云中资源存在异构性。这种异构性体现在这些云资源提供的计算资源(CPU、GPU、内存、网络等)类型和量的大小存在差异。
为了保证应用的性能，对任务的执行环境也提出了相应的需求，选择适合于任务的资源类型和大小需求的云资源可以保证任务的高质量执行。因为云服务提供者通常只在自己业务需求小，有空闲的云计算资源的时候将云资源共享出去，不同的企业提供的云计算资源的可用时间不同，用户在任务进行任务调度的时候需要考虑任务执行时间和资源可用时间之间的关系。对于用户而言，云计算资源有着不同的安全级别，例如，私有云往往有着最高的安全级别，而公有云的安全等级则比较为低，用户要根据自身任务需求选择满足要求的云资源进行任务调度。
由于任务对资源需求的多样化，实现任务和资源的正确匹配是一个难题，现有的智能优化算法或者贪心策略虽然能完成跨云任务调度，并在一定程度上优化用户的成本，但是它们对优质解的获取都有一定的随机性，且全局搜索能力差，容易陷入局部最优状态。本公开的混合云的跨云计算任务的调度方法，提供一种智能搜索算法，在贪心算法获得初始解的基础上，实现对解的全局搜索和调优，更进一步优化解的质量，从而最小化用户成本。
图1为本公开的混合云的跨云计算任务的调度方法的一个实施例的流程示意图，如图1所示的方法包括步骤：S101-S105。下面对各步骤分别进行说明。
S101，在云计算资源集合中确定满足云计算任务的可用云资源；其中，云计算资源集合中的云计算资源包括公有云资源、私有云资源和混合云资源。公有云资源、私有云资源或混合云资源可以为设置在公有云、私有云或混合云内的主机、服务器等。
S102，根据任务约束条件生成与可用云资源相对应的初始解。
S103，基于解质量评价规则将初始解进行等级划分处理，用以获得与初始解相对应的多个等级；其中，等级包括最佳收益等级、正常收益等级和低收益等级等。
S104，基于坐标更新策略并根据等级，对初始解中的坐标进行更新处理，用以获取新坐标。
S105，重复执行步骤三至步骤四进行迭代处理，直到当迭代处理的次数达到迭代次数阈值时，停止迭代处理，用以确定最佳收益等级对应的解，作为云计算任务的调度策略。例如，当迭代次数τ达到最大迭代次数(迭代次数阈值)的时候停止更新，最佳收益等级对应的解为跨云任务的最终调度策略。
在一个实施例中，企业利用自身的基础设施构建了云服务平台为自己提供服务，同时在业务需求小的时候将空闲资源以服务的形式出租，这些空闲云计算资源构成了用户可调度的云计算资源池。S＝{s1,s2,s3,...,sn}表示云计算资源的集合，n是云计算资源的数量。云资源si具有资源类型及其大小、可用时间、费用、安全度等属性。当同一个企业有多个云资源可以对外提供服务的时看作是不同的云资源，私有云是资源池里安全等级最高的特殊云资源。
用户有多个相互独立且不可继续分割的任务需要调度到云服务器执行，T＝{t1,t2,t3,...,tm}表示任务集合，m表示任务数量。任务调度到服务器的总费用用φ可表示，φ等于所有已占用的云资源的总费用：
Figure BDA0003370539940000091
其中，i表示云计算资源si；αi表示是否选择云资源si进行任务调度，αi＝1表示选择了si进行任务调度，否则没有；βi表示云资源si的费用。
由于不同的云计算资源有不同的属性，不同的任务计算需求也不同，所以将用户的计算任务调度到云服务器上执行的时候需要考虑以下限制。
资源限制：每个企业构建云计算集群时所使用的硬件不同，使得云资源间存在着异构性，云资源提供的计算资源(CPU、GPU、内存、网络等等)类型和量的大小存在差异，并且由于云计算集群中存在着不同的计算任务，这些任务在执行的时候使用CPU、GPU、网络等资源都是动态变化的。
为了确保任务的顺利执行且在云资源可用时间结束前完成任务，取云资源可用时间内预测的可用资源的最小值作为可以用资源大小。用ρ表示云计算资源的类型，用p表示资源类型的数量，所以云计算资源si中资源ρ的大小可以表示为ri ρ,ρ∈{1,2,3,...,p},i∈{1,2,3...,n}，任务tj的资源需求可以表示为
Figure BDA0003370539940000101
假设任务tj调度到云计算资源si上执行，则si上的资源类型及其大小需要大于等于任务tj的需求大小。用xi,j∈{0,1}表示任务tj是否调度到云计算资源si上执行，其中，xi,j＝0表示任务tj调度到了云计算资源si上执行。资源限制可以形式化表示为：
Figure BDA0003370539940000102
时间约束：企业通常只在自身业务需求小，存在云计算资源空闲的时候共享自己的云资源，所以不同的云计算资源的可用时间不同，用户在任务进行任务调度的时候需要考虑任务计算量和资源可用时间之间的关系，选择足够完成计算任务的云资源进行任务调度。
使用hi表示云资源si的可用时间，ηi,j表示云资源si执行任务tj的速率，wj表示任务tj的计算量，多个任务可以调度到同一云资源上执行，所以进行任务调度的时候应该满足如下时间约束：
Figure BDA0003370539940000103
安全等级约束：对于云计算资源有着不同的安全级别，私有云有最高的安全等级，可以满足用户执行安全等级要求最高的任务。用户希望可以将包含敏感数据的任务调度到安全级别高的云资源上执行，其他任务调度到不低于其任务安全等级要求的云资源上执行。使用ui表示云资源si的安全等级，vj表示任务tj的安全等级需求，进行任务调度的时候应该满足如下安全等级约束：
xi,jui≥vj,i∈{1,2,3,...,n},j∈{1,2,3,...m} (1-4)。
跨云的多任务调度可以形式化描述为：minφ；
Figure BDA0003370539940000111
Figure BDA0003370539940000112
xi,jui≥vj,i∈{1,2,3,...,n},j∈{1,2,3,...m} (1-7)；
Figure BDA0003370539940000113
其中，公式1-5为资源约束，公式1-6是时间约束，公式1-7是安全等级约束，约束1-8表示一项任务只能调度到一个云资源执行，避免重复执行。
在一个实施例中，在云计算资源集合中确定满足云计算任务的可用云资源可以采用多种方法。例如，获取云计算资源集合中的云计算资源的资源属性，云计算任务的任务属性。资源属性包括CPU、GPU、内存、带宽、安全等级、可用时间等，任务属性包括CPU需求、GPU需求、内存需求、带宽需求、安全等级需求、计算量等。基于资源属性和任务属性的匹配结果，确定可用云资源。例如，基于匹配结果，从云计算资源池S中选出所有满足其除时间之外的所有约束条件(例如CPU、GPU、内存、带宽、安全等级等)的云资源，作为该任务的可用云资源。
如图2所示，获取云计算资源集合S＝{s1,s2,...,sn}和资源属性，获取云计算任务集合T＝{t1,t2,...,tm}和任务属性，可用云资源为已购可用云资源，可用云资源集合U的初始值为空。除可用时间外，U中资源的属性与S中对应资源的属性相同，基于资源属性和任务属性的匹配结果，确定可用云资源。云计算任务可以为多种任务，例如为基因测序应用中的任务、深度学习应用中的分布式训练任务等。
在一个实施例中，任务约束条件包括资源剩余时间最小约束条件和费用最低约束条件，基于资源剩余时间最小约束条件和费用最低约束条件，生成初始解的解集坐标。在任务约束条件下使用费用最低适应算法和最佳适应算法产生d组初始解，解集坐标可以用下列矩阵表示：
Figure BDA0003370539940000114
其中，Fk,j表示第k个解中任务tj对应的目标云资源。
对于任务约束条件可以设置费用最低适应算法和最佳适应算法，用于生成初始解。例如，图3为本公开的混合云的跨云计算任务的调度方法的一个实施例中的生成初始解的流程示意图，如图3所示的方法包括步骤：S301-S304。下面对各步骤分别进行说明。
S21，随机选择任务集合T中的一个云计算任务tj，用以进行调度处理。
S22，遍历可用云资源集合U中的可用云资源，如果U中存在满足tj的所有任务约束条件的云计算资源，则在U中选择tj分配后剩余可用时间最小的云计算资源uk，作为tj的最终目标云资源，否则，转入S303。
S23，如果U中不存在满足tj的所有任务约束条件的云计算资源，则遍历云计算资源集合S中的其余云计算资源；如果S中的其余云计算资源中存在满足的所有任务约束条件的云计算资源，则在S中的其余云计算资源中选择tj分配后剩余可用时间最小的云计算资源si，作为tj的最终目标云资源，并将si加入U中。
S24，将tj调度到uk或si中执行，并更新uk或si的剩余可用时长，将tj从集合T中删除。
S25，重复S21至S24,直到T中的全部云计算任务都被分配给对应的云计算资源。
在一个实施例中，解质量评价规则包括成本评价规则。计算每个初始解的对应的成本
Figure BDA0003370539940000121
其中，βi为第l个云计算资源的费用。
按成本将初始解进行等级划分处理，其中，等级包括最佳收益等级、正常收益等级和低收益等级。
例如，根据解的质量将解划分为最佳收益等级(ht)、正常收益(at)等级和低收益等级(nt)，通过公式1-9计算每个解对应的成本，按解的成本升序排列，将成本最低的解划分到最佳收益等级，将接下来最低的三个解划分到正常收益等级，其余解划分为低收益等级。
在一个实施例中，根据解的等级按不同策略更新解的坐标。对于在正常收益等级的解坐标将朝着最佳收益等级靠拢，计算正常收益等级的解的新坐标：
Figure BDA0003370539940000131
其中，θ1是[0,1]之间的随机数，
Figure BDA0003370539940000132
表示最佳收益等级中的解的坐标，τ表示迭代次数，a用于平衡局部搜索和全局搜索的滑动常数，通常取1.9，Pdb是智能搜索算法中的概率值，通常设置为0.1。
对于低收益等级中的部分解坐标将朝着正常收益等级靠拢，这部分解的新坐标为：
Figure BDA0003370539940000133
其中，θ2是[0,1]之间的随机数，随机位置可以帮助更好地搜索解空间。
低收益等级中的部分解坐标还将朝着最佳收益等级靠拢，这部分解的新坐标为：
Figure BDA0003370539940000134
其中，θ3是[0,1]之间的随机数，上述公式1-10、1-11和1-12中“其他”情况下的“随机”新坐标可以通过相同于S301至S305的步骤产生，目的是实现算法对解空间的全局搜索。
在确定正常收益等级的解的新坐标、确定低收益等级的一部分解和确定低收益等级的另一部分解时使用的约束条件包括：资源约束条件，时间约束条件，安全等级条件以及一项云计算任务只能调度到一个云计算资源执行等，即约束条件包括公式1-5、公式1-6、公式1-7和公式1-8。
公式1-10、公式1-11和公式1-12中“+”、“-”和“×”操作使用如下的例子进行说明：
假设，FO＝[1,2,5,3,2,1,4,3,1,2],FQ＝[5,3,5,3,2,4,4,1,1,2],a＝0.5，C＝FO-FQ＝{c1(1,1),c2(2,2),c3(6,1),c4(8,3)}，即选择出FO与FQ对应的维度的但值不相同的FO的维度和值，用c(x,y)表示，x,y分别表示维度和值。
FQ+a×C＝[5,3,5,3,2,4,4,1,1,2]+{c1(1,1),c3(6,1)}＝[1,3,5,3,2,1,4,1,1,2]，即随机选择C中百分之五十的元素，对于所选出来的每个元素，计算用这个元素替换FQ中对应维度的值之后所在云资源中任务的总执行时间是否满足时间约束，如果满足则替换，否则不替换。
示例性装置
在一个实施例中，如图4所示，本公开提供一种混合云的跨云计算任务的调度装置，包括可用资源确定模块41、初始解生成模块42、等级划分处理模块43、坐标更新模块44和调度策略生成模块45。可用资源确定模块41在云计算资源集合中确定满足云计算任务的可用云资源，云计算资源集合中的云计算资源包括公有云资源、私有云资源和混合云资源。
初始解生成模块42根据任务约束条件生成与可用云资源相对应的初始解。等级划分处理模块43基于解质量评价规则将初始解进行等级划分处理，用以获得与初始解相对应的多个等级。坐标更新模块44基于坐标更新策略并根据等级，对初始解中的坐标进行更新处理，用以获取新坐标。调度策略生成模块45重复执行等级划分处理模块43、作标更新模块44进行迭代处理，直到当迭代处理的次数达到迭代次数阈值时，停止迭代处理，用以确定最佳收益等级对应的解，作为云计算任务的调度策略。
在一个实施例中，可用资源确定模块41获取云计算资源集合中的云计算资源的资源属性，云计算任务的任务属性。资源属性包括CPU、GPU、内存、带宽、安全等级、可用时间等；所属任务属性包括CPU需求、GPU需求、内存需求、带宽需求、安全等级需求、计算量等；可用资源确定模块41基于资源属性和任务属性的匹配结果，确定可用云资源。
任务约束条件包括资源剩余时间最小约束条件和费用最低约束条件，初始解生成模块42基于资源剩余时间最小约束条件和费用最低约束条件，生成初始解的解集坐标
Figure BDA0003370539940000141
其中，Fk,j表示第k个解中任务tj对应的目标云资源。
在一个实施例中，如图5所示，初始解生成模块42包括任务选取单元421、资源调度单元422、时长更新单元423和任务分配单元424。任务选取单元421随机选择任务集合T中的一个云计算任务tj，用以进行调度处理。资源调度单元422遍历可用云资源集合U中的可用云资源，如果U中存在满足tj的所有任务约束条件的云计算资源，则资源调度单元422在U中选择tj分配后剩余可用时间最小的云计算资源uk，作为tj的最终目标云资源。
如果U中不存在满足tj的所有任务约束条件的云计算资源，则资源调度单元422遍历云计算资源集合S中的其余云计算资源；如果S中的其余云计算资源中存在满足的所有任务约束条件的云计算资源，则资源调度单元422在S中的其余云计算资源中选择tj分配后剩余可用时间最小的云计算资源si，作为tj的最终目标云资源，并将si加入U中。
时长更新单元423将tj调度到uk或si中执行，并更新uk或si的剩余可用时长，将tj从集合T中删除。任务分配单元424重复执行任务选取单元421、资源调度单元422、时长更新单元423，直到T中的全部云计算任务都被分配给对应的云计算资源。
在一个实施例中，解质量评价规则包括成本评价规则等。等级划分处理模块43计算每个初始解的对应的成本
Figure BDA0003370539940000151
其中，βi为第l个云计算资源的费用；
等级划分处理模块43按成本将初始解进行等级划分处理，其中，等级包括最佳收益等级、正常收益等级和低收益等级。
坐标更新模块44基于计算正常收益等级的解的新坐标为
Figure BDA0003370539940000152
其中，θ1是[0,1]之间的随机数，
Figure BDA0003370539940000153
表示最佳收益等级中的解的坐标，τ表示迭代次数，a用于平衡局部搜索和全局搜索的滑动常数，Pdb是概率值；
坐标更新模块44计算低收益等级的一部分解的新坐标为
Figure BDA0003370539940000161
其中，θ2是[0,1]之间的随机数；
坐标更新模块44计算低收益等级的另一部分解的新坐标为
Figure BDA0003370539940000162
其中，θ3是[0,1]之间的随机数；在确定正常收益等级的解的新坐标、确定低收益等级的一部分解和确定低收益等级的另一部分解时使用的约束条件包括：资源约束条件，时间约束条件，安全等级条件以及一项云计算任务只能调度到一个云计算资源执行。
图6为本公开的混合云的跨云计算任务的调度装置的另一个实施例的示意图，如图6所示，混合云的跨云计算任务的调度装置61包括一个或多个处理器611和存储器612。
处理器611可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制混合云的跨云计算任务的调度装置61中的其他组件以执行期望的功能。
存储器612可以包括一个或多个计算机程序产品，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器，例如，可以包括：随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器，例如，可以包括：只读存储器(ROM)、硬盘以及闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器611可以运行程序指令，以实现上文的本公开的各个实施例的混合云的跨云计算任务的调度方法以及/或者其他期望的功能。在计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中，混合云的跨云计算任务的调度装置61还可以包括：输入装置613以及输出装置614等，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。此外，该输入设备613还可以包括例如键盘、鼠标等等。该输出装置614可以向外部输出各种信息。该输出设备614可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图6中仅示出了该混合云的跨云计算任务的调度装置61中与本公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，混合云的跨云计算任务的调度装置61还可以包括任何其他适当的组件。
除了上述方法和设备以外，本公开的实施例还可以是计算机程序产品，其包括计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的混合云的跨云计算任务的调度方法中的步骤。
计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的混合云的跨云计算任务的调度方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列举)可以包括：具有一个或者多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势以及效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
上述实施例中的混合云的跨云计算任务的调度方法、装置以及存储介质，在初始化解集时随机选择任务进行调度，可以使得初始解集合更多样化，避免算法陷入局部最优；通过费用最低适应算法和最佳适应算法这两种贪心策略获取优化初始解，克服了对初始解的依赖；综合考虑了任务的资源需求和云资源的异构性，实现了任务和资源在更细粒度上的匹配，有效保障了任务的高质量执行，通过综合考虑任务调度资源需求的多样性和云资源的异构性，可以实现任务和资源的最佳匹配，保证应用的服务质量，最小化用户的成本，提高用户的使用体验。
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备以及系统。诸如“包括”、“包含、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
可能以许多方式来实现本公开的方法和装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
还需要指出的是，在本公开的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
提供所公开的方面的以上描述，以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改等对于本领域技术人员而言，是非常显而易见的，并且在此定义的一般原理可以应用于其他方面，而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式中。尽管以上已经讨论了多个示例方面以及实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种混合云的跨云计算任务的调度方法，包括：
步骤一，在云计算资源集合中确定满足云计算任务的可用云资源；其中，所述云计算资源集合中的云计算资源包括：公有云资源、私有云资源和混合云资源；
步骤二，根据任务约束条件生成与所述可用云资源相对应的初始解；
步骤三，基于解质量评价规则将所述初始解进行等级划分处理，用以获得与所述初始解相对应的多个等级；其中，等级包括最佳收益等级、正常收益等级和低收益等级；
步骤四，基于坐标更新策略并根据所述等级，对所述初始解中的坐标进行更新处理，用以获取新坐标；
步骤五，重复执行步骤三至步骤四进行迭代处理，直到当迭代处理的次数达到迭代次数阈值时，停止迭代处理，用以确定最佳收益等级对应的解，作为云计算任务的调度策略。
2.如权利要求1所述的方法，所述在云计算资源集合中确定满足云计算任务的可用云资源包括：
获取云计算资源集合中的云计算资源的资源属性，云计算任务的任务属性；
其中，所述资源属性包括CPU、GPU、内存、带宽、安全等级、可用时间中的至少一个属性；所述任务属性包括CPU需求、GPU需求、内存需求、带宽需求、安全等级需求、计算量中的至少一个属性；
基于所述资源属性和所述任务属性的匹配结果，确定所述可用云资源。
3.如权利要求1所述的方法，所述任务约束条件包括：资源剩余时间最小约束条件和费用最低约束条件；所述根据任务约束条件生成与所述可用云资源相对应的初始解包括：
基于所述资源剩余时间最小约束条件和所述费用最低约束条件，生成所述初始解的解集坐标
Figure FDA0003370539930000011
其中，Fk,j表示第k个解中任务tj对应的目标云资源。
4.如权利要求3所述的方法，所述根据任务约束条件生成与所述可用云资源相对应的初始解包括：
步骤21，随机选择任务集合T中的一个云计算任务tj，用以进行调度处理；
步骤22，遍历可用云资源集合U中的可用云资源，如果U中存在满足tj的所有任务约束条件的云计算资源，则在U中选择tj分配后剩余可用时间最小的云计算资源uk，作为tj的最终目标云资源，否则，转入步骤23；
步骤23，如果U中不存在满足tj的所有任务约束条件的云计算资源，则遍历云计算资源集合S中的其余云计算资源；如果S中的其余云计算资源中存在满足的所有任务约束条件的云计算资源，则在S中的其余云计算资源中选择tj分配后剩余可用时间最小的云计算资源si，作为tj的最终目标云资源，并将si加入U中；
步骤24，将tj调度到uk或si中执行，并更新uk或si的剩余可用时长，将tj从集合T中删除；
步骤25，重复步骤21至步骤24,直到T中的全部云计算任务都被分配给对应的云计算资源。
5.如权利要求4所述的方法，所述解质量评价规则包括：成本评价规则；所述基于解质量评价规则将所述初始解进行等级划分处理包括：
计算每个初始解的对应的成本
Figure FDA0003370539930000021
其中，βi为第l个云计算资源的费用；
按所述成本将所述初始解进行等级划分处理。
6.如权利要求5所述的方法，所述基于坐标更新策略并根据所述等级，对所述初始解中的坐标进行更新处理包括：
计算正常收益等级的解的新坐标为
Figure FDA0003370539930000022
其中，θ1是[0,1]之间的随机数，
Figure FDA0003370539930000023
表示最佳收益等级中的解的坐标，τ表示迭代次数，a用于平衡局部搜索和全局搜索的滑动常数，Pdb是概率值；
计算低收益等级的一部分解的新坐标为
Figure FDA0003370539930000031
其中，θ2是[0,1]之间的随机数；
计算低收益等级的另一部分解的新坐标为
Figure FDA0003370539930000032
其中，θ3是[0,1]之间的随机数；在确定正常收益等级的解的新坐标、确定低收益等级的一部分解和确定低收益等级的另一部分解时使用的约束条件包括：资源约束条件，时间约束条件，安全等级条件以及一项云计算任务只能调度到一个云计算资源执行。
7.一种混合云的跨云计算任务的调度装置，包括：
可用资源确定模块，用于在云计算资源集合中确定满足云计算任务的可用云资源；其中，所述云计算资源集合中的云计算资源包括：公有云资源、私有云资源和混合云资源；
初始解生成模块，用于根据任务约束条件生成与所述可用云资源相对应的初始解；
等级划分处理模块，用于基于解质量评价规则将所述初始解进行等级划分处理，用以获得与所述初始解相对应的多个等级；其中，等级包括最佳收益等级、正常收益等级和低收益等级；
坐标更新模块，用于基于坐标更新策略并根据所述等级，对所述初始解中的坐标进行更新处理，用以获取新坐标；
调度策略生成模块，用于重复执行所述等级划分处理模块、所述作标更新模块进行迭代处理，直到当迭代处理的次数达到迭代次数阈值时，停止迭代处理，用以确定最佳收益等级对应的解，作为云计算任务的调度策略。
8.如权利要求7所述的调度装置，其中，
所述可用资源确定模块，用于获取云计算资源集合中的云计算资源的资源属性，云计算任务的任务属性；其中，所述资源属性包括CPU、GPU、内存、带宽、安全等级、可用时间中的至少一个属性；所述任务属性包括CPU需求、GPU需求、内存需求、带宽需求、安全等级需求、计算量中的至少一个属性；基于所述资源属性和所述任务属性的匹配结果，确定所述可用云资源。
9.一种混合云的跨云计算任务的调度装置，包括：
处理器；用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-6任一项所述的方法。
10.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-6任一项所述的方法。
CN202111397591.7A 2021-11-23 2021-11-23 混合云的跨云计算任务的调度方法、装置以及存储介质 Active CN114064249B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111397591.7A CN114064249B (zh) 2021-11-23 2021-11-23 混合云的跨云计算任务的调度方法、装置以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111397591.7A CN114064249B (zh) 2021-11-23 2021-11-23 混合云的跨云计算任务的调度方法、装置以及存储介质

Publications (2)

Publication Number Publication Date
CN114064249A true CN114064249A (zh) 2022-02-18
CN114064249B CN114064249B (zh) 2024-08-09

Family

ID=80275615

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111397591.7A Active CN114064249B (zh) 2021-11-23 2021-11-23 混合云的跨云计算任务的调度方法、装置以及存储介质

Country Status (1)

Country Link
CN (1) CN114064249B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115237592A (zh) * 2022-07-12 2022-10-25 苏州大学 隐私感知的混合云服务流程调度方法
CN117251274A (zh) * 2023-11-14 2023-12-19 苏州元脑智能科技有限公司 作业调度方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110688224A (zh) * 2019-09-23 2020-01-14 苏州大学 混合云服务流程调度方法
CN111258743A (zh) * 2020-02-17 2020-06-09 武汉轻工大学 基于离散编码的云任务调度方法、装置、设备及存储介质
CN111343259A (zh) * 2020-02-17 2020-06-26 武汉轻工大学 基于二进制编码的云任务调度方法、服务器及存储介质
CN111381936A (zh) * 2020-03-23 2020-07-07 中山大学 一种分布式云系统-云簇架构下的服务容器资源的分配方法与系统
CN113220431A (zh) * 2021-04-29 2021-08-06 西安易联趣网络科技有限责任公司 跨云的分布式数据任务调度方法、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110688224A (zh) * 2019-09-23 2020-01-14 苏州大学 混合云服务流程调度方法
CN111258743A (zh) * 2020-02-17 2020-06-09 武汉轻工大学 基于离散编码的云任务调度方法、装置、设备及存储介质
CN111343259A (zh) * 2020-02-17 2020-06-26 武汉轻工大学 基于二进制编码的云任务调度方法、服务器及存储介质
CN111381936A (zh) * 2020-03-23 2020-07-07 中山大学 一种分布式云系统-云簇架构下的服务容器资源的分配方法与系统
CN113220431A (zh) * 2021-04-29 2021-08-06 西安易联趣网络科技有限责任公司 跨云的分布式数据任务调度方法、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
申倩;许美玉;姜春茂;: "云计算环境下任务调度研究综述", 智能计算机与应用, no. 06, 1 December 2014 (2014-12-01) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115237592A (zh) * 2022-07-12 2022-10-25 苏州大学 隐私感知的混合云服务流程调度方法
CN117251274A (zh) * 2023-11-14 2023-12-19 苏州元脑智能科技有限公司 作业调度方法、装置、电子设备及存储介质
CN117251274B (zh) * 2023-11-14 2024-02-20 苏州元脑智能科技有限公司 作业调度方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN114064249B (zh) 2024-08-09

Similar Documents

Publication Publication Date Title
US11416296B2 (en) Selecting an optimal combination of cloud resources within budget constraints
US11275609B2 (en) Job distribution within a grid environment
Jyoti et al. Dynamic provisioning of resources based on load balancing and service broker policy in cloud computing
US10620993B2 (en) Automated generation of scheduling algorithms based on task relevance assessment
Zhou et al. A list scheduling algorithm for heterogeneous systems based on a critical node cost table and pessimistic cost table
Ghorbannia Delavar et al. HSGA: a hybrid heuristic algorithm for workflow scheduling in cloud systems
Dutta et al. A genetic: algorithm approach to cost-based multi-QoS job scheduling in cloud computing environment
US8949429B1 (en) Client-managed hierarchical resource allocation
CN114064249A (zh) 混合云的跨云计算任务的调度方法、装置以及存储介质
CN114237863A (zh) 云计算任务的调度方法、装置以及存储介质
Bok et al. An efficient MapReduce scheduling scheme for processing large multimedia data
CN112486653A (zh) 调度多类型计算资源的方法、装置和系统
Saha et al. A novel scheduling algorithm for cloud computing environment
US8819239B2 (en) Distributed resource management systems and methods for resource management thereof
CN115794358B (zh) 云工作流任务调度方法、装置、电子设备和存储介质
US20180107513A1 (en) Leveraging Shared Work to Enhance Job Performance Across Analytics Platforms
Qureshi et al. A comparative analysis of resource allocation schemes for real-time services in high-performance computing systems
Almi’ani et al. On efficient resource use for scientific workflows in clouds
Ben Alla et al. A priority based task scheduling in cloud computing using a hybrid MCDM model
CN108268316A (zh) 作业调度的方法及装置
Ru et al. An efficient deadline constrained and data locality aware dynamic scheduling framework for multitenancy clouds
Salmanian et al. Auto-scale resource provisioning in IaaS clouds
Ru et al. Providing fairer resource allocation for multi-tenant cloud-based systems
Reshmi et al. Profit and resource availability-constrained optimal handling of high-performance scientific computing tasks
Vieira et al. A scheduling strategy based on redundancy of service requests on IaaS providers

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