CN114417577A - 跨平台资源调度与优化控制方法 - Google Patents

跨平台资源调度与优化控制方法 Download PDF

Info

Publication number
CN114417577A
CN114417577A CN202111649564.4A CN202111649564A CN114417577A CN 114417577 A CN114417577 A CN 114417577A CN 202111649564 A CN202111649564 A CN 202111649564A CN 114417577 A CN114417577 A CN 114417577A
Authority
CN
China
Prior art keywords
resource
resources
service
scheduling
granularity
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.)
Pending
Application number
CN202111649564.4A
Other languages
English (en)
Inventor
林志坚
傅源坤
蔡耀中
金少军
许丹海
王涛
童业诚
崔银江
储晓露
柳先辉
吴巧玲
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.)
Zhejiang science and technology information research institute
Original Assignee
Zhejiang science and technology information research institute
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 Zhejiang science and technology information research institute filed Critical Zhejiang science and technology information research institute
Priority to CN202111649564.4A priority Critical patent/CN114417577A/zh
Publication of CN114417577A publication Critical patent/CN114417577A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种跨平台资源调度与优化控制方法，本发明包含采用基于k‑means++聚类的服务资源分类方法对服务资源的分类处理、采用基于多粒度的资源相似度匹配方法对服务资源的调度匹配及优化和采用基于多粒度的资源动态调度方法对服务资源进行动态调度和分配。通过上述技术，加快异构平台间的资源调度效率，实现资源的调度匹配组合和优化，提高资源的共享水平。

Description

跨平台资源调度与优化控制方法
技术领域
本发明涉及网络协同制造技术资源服务平台开发与建设中的资源调度与优化领域。
背景技术
网络协同制造和智能工厂的提出是为解决当前协同制造转型过程中存在的技术能力未形成、核心技术薄弱、发展模式创新不足和平台融合生态环境不良的现状。网络协同制造和智能工厂采用“互联网+”的思维方式，加快制造业转型，促进制造业创新发展。
网络协同制造是将串行工作变成并行工作，实现供应链内以及跨供应链间的企业产品设计、制造、管理和商务等合作的生产模式，通过改变业务营业模式和方式来提高资源的利用率。
目前，网络协同制造服务存在资源利用率低、企业间综合协同服务能力薄弱等问题。各企业为了向网络协同制造方向转型，需要大量的服务资源，而制造业企业经营的项目、产品不同，所涉及到的资源类型也不同，因此企业在寻找资源时需要在多个平台进行资源的调度，这便会给企业产生很大的困难，从而使资源使用率低，最终导致企业提供的服务有限，不能达到良好的效果。因此，如何高效地实现资源调度是一个亟需解决的问题。
发明内容
本发明的目的在于提供一种跨平台资源调度与优化控制方法，以解决上述背景技术中提到的问题。
为解决上述问题，本发明提供了如下技术方案：
一种跨平台资源调度与优化控制方法，其特征在于，包括以下步骤：
采用基于k-means++聚类的服务资源分类方法对服务资源分类处理；
采用基于多粒度的资源相似度匹配方法对服务资源调度匹配及优化；
采用多粒度的资源动态调度方法对服务资源进行动态调度和分配。
各个平台上的服务资源种类繁多，故在进行资源调度时访问的基础资源数十分庞大，给资源调度带来极大的消耗。资源与资源之间存在相互联系，部分资源之间的描述十分接近，导致资源在调度时用户在使用某特定服务资源时存在资源搜索慢、调度不准确、效率低等问题。由于各平台对于同一类的资源存在不同的描述和定义方式，故在进行跨平台资源调度时，会导致调度的资源内容不准确，与预期存在差异，进而导致资源调度的效率低下。
针对上述的问题，本发明从资源的分类角度出发，对资源进行分类，从而在进行跨平台调度时，能高效地找到目标资源，进而进行资源的调度工作。
进一步的，本发明采用改进的k-means算法，也即k-means++算法对服务资源进行分类，使服务资源形成多个资源簇，以方便之后的服务匹配。
原始的k-means算法最初从数据集中随机选取k个点作为聚类中心，不同的初始聚类中心可能会导致完全不同的聚类结果，从而使最后形成的资源簇与真实不符，导致分类失败。而k-means++算法即可解决这个问题，其步骤为：(1)从服务资源的数据集中选择一个样本作为初始聚类中心；(2)计算每个样本x与当前聚类中心之间的最短距离，用D(x)表示,接着计算每个样本被选为下一个聚类中心的概率
Figure BDA0003446445100000021
最后，按照轮盘法选出下一个聚类中心；(3)重复步骤(2)，直到得到预设的K个初始中心。
由于本发明的作用对象是服务资源，本发明在k-means++算法的基础上添加了文本相似度计算的方法来实现算法中的“距离”这一指标，从而形成最终的资源簇。
本发明对服务资源簇中的资源进行如下建模：R＝(I,Fr,F,S,O)；其中R表示资源，I表示该资源的id信息，Fr表示该资源所属的资源簇，F表示资源的功能信息，S表示资源的状态，O表示与该资源关联的资源的信息。
进一步的，在对各服务资源文本进行相似度计算时，本发明采用基于doc2vec的方法进行文本相似度的计算。
针对上述形成的资源分类簇，本发明提出一种基于多粒度的资源相似度匹配方法，使用户在调度资源前，能高效地匹配到所需的资源，进而进行后续的调度工作。
本发明将服务请求的资源进行如下建模：R＝(D,F,O,S)；其中R表示资源，D表示资源所属的领域范围，F表示该资源的功能信息，O表示与该资源关联的资源的信息，S表示记录服务资源簇中匹配到的资源的状态。
根据上述建模，本发明将服务资源分为多个粒度，在进行资源匹配时，通过例如基于doc2vec的方法计算相似度来记录D、F、O、S的内容，进而判断资源是否匹配成功。
本发明首先通过将资源需求方所需的服务资源进行多粒度的划分；其次，根据上述建模的粒度信息从形成的服务资源簇中寻找相应的服务资源进行匹配；最后，将每个方面的服务资源进行汇总，反馈给资源需求方。
根据上述的基于多粒度的资源相似度匹配方法中的模型，其中S可作为资源调度的一个粒度依据，来判断是否有匹配成功的服务资源。除此之外，本方法还依据每一个资源需求量以及服务资源持续时间来调度分配服务资源。
进一步的，本发明的基于多粒度的资源动态调度方法将匹配的资源分为可压缩资源和不可压缩资源，在负载均衡的情况下，对于可压缩的资源进行一定程度的压缩，从而提高资源利用率和负载性能，提高任务的并行量，提高每一次资源的调度效率。进一步的，如果当某一时段服务资源的需求量(Rr)大于分配到的资源(Ra)，任务可以通过延长执行时间也不影响当前资源时序，这类资源称为可压缩资源。通过计算资源压缩率并调整使其最大来使在可接受范围内延长使用资源的任务的完成时间，从而换取更高的资源利用率和任务并行数量来提高整体性能。
本发明采用资源分阶段的调度策略，按服务资源量和服务时间分阶段进行调度，前者能避免产生资源碎片，后者则可以提高服务资源的利用率，提高整个资源调度的效率。
进一步的，基于多粒度的资源调度方法策略如下：首先将每一个服务资源按类别分类可压缩资源和不可压缩资源，并按基本时间单元划分成不同的子任务，对于可压缩的资源，在不超过最大资源压缩率的条件下进行资源的压缩工作，使得多个任务可并行工作，减少资源释放和申请分配的时间。此外，对于每一个父任务和其子任务都设置相应的优先级，通过引入决策向量来表示每一个任务的优先级顺序，不同的决策向量分别表示不同的资源调度方案。
本发明包含的三个方法基于资源调度优化，可根据不同需求下涉及的不同资源内容采取不同的资源簇分类，再根据通用的资源信息对资源进行建模，最后对资源进行匹配调度。采用本发明的技术方案能够取得以下技术效果：
与现有技术相比，采用基于k-means++聚类的服务资源分类方法，通过对各平台资源池中服务资源进行分类，极大地加快了服务资源匹配的效率，为资源匹配工作创造了良好的环境。
与现有技术相比，采用基于多粒度的资源相似度匹配方法，通过多粒度信息并结合相似度计算，提高资源匹配的成功率，降低了资源匹配错误的概率，提高资源匹配的容错率。
与现有技术相比，采用基于多粒度的资源动态调度方法，通过将资源进行分类，在一定程度上增加了资源调度任务的并行量，一定程度上减少了任务在资源间切换所带来的消耗，从而提高资源的利用率。并且，本方法结合优先级策略，使资源调度在现实逻辑上更加合理。
与现有技术相比，采用本文所述的跨平台资源调度与优化技术，能够加快平台之间的资源调度的速率，提高资源的利用率。
附图说明
图1所示为本发明的整体流程图。
图2所示为基于k-means++聚类的资源分类效果图。
图3所示为基于多粒度的资源相似度匹配方法效果图。
图4所示为基于多粒度的资源动态调度方法流程图。
具体实施方式
下面详细描述本发明的实施例，结合附图，以一个制造业服务资源调度流程为例说明。
在资源池部分，含有大量制造业资源例如a1、a2、b1、b2、c1、c2，首先根据资源模型R＝(D,F,O,S)对各种制造业资源进行建模，便于之后分类的计算和相似度的计算。接着，采用k-means++聚类算法对a1、a2、b1、b2、c1、c2进行资源分类形成制造业资源簇A、B、C，其中a1、a属于A，b1、b2属于B，c1、c2属于C。在形成资源簇后，根据R＝(I,Fr,F,S,O)的资源簇模型对每个簇内的资源进行簇内建模，便于资源匹配搜索和管理。
当资源需求者进行服务资源P申请时，首先根据模型R＝(D,F,O,S)，查看P的实例信息，例如P1＝(D1,F1,O1,S1)，首先可知P所在的领域为D1，功能为F1则系统将在数据库中搜索到满足条件的资源簇A1，在A1中进行资源的查找，找到服务资源P1，接着查看P1的匹配状态S1，若S1的状态为已分配，则在A1中继续查看满足条件的下一个P1，直至所有P1都不可分配则通知资源需求者等待；若S1的状态为可分配，则进一步查看与P1关联的资源的信息O1，若O1的状态为已分配，则继续查看满足条件的下一个O1，直至所有O1都不可分配则通知资源需求者等待，若O1的状态为可分配则将进行资源P1的调度过程，并更新S1为已分配。
当资源匹配完成后，进入资源动态调度步骤，将资源P1中所包含的各类相关资源以及其子资源进行压缩管理和决策向量管理。
在资源调度过程中，可压缩资源P1分配给需求者1，系统从数据库中读取该资源的基本调度信息，根据基本调度信息中的基本调度时间，将该资源P1的使用划分为多个任务时间段，在每个时间段中进行服务，例如需求者1需使用P110分钟，P1的个数为2个，P1基本调度时间为3分钟，则P1调度划分为4个任务段，分别为3分钟、3分钟、3分钟、1分钟。若此时P1仍在运行，此时需求者在原基础时间上仍需继续使用10分钟则发出继续调度的需求，系统将根据P1的最大压缩率(例如50％)来设置并行的数量计算出新的时间(10分钟)进行比较，如果新时间<(原时间+单位基本时间)，则资源P1可被需求者1继续使用，无需对资源进行重新申请和匹配，减少申请时间上的消耗。
在需求者1占用P115分钟后，需求者2想要调度资源P15分钟，调度消耗时间为0.5分钟，在需求者1占用P117分钟后，需求者3想要调度资源P16分钟，调度消耗为1分钟，此时系统会通知需求者2、3等待，并将需求者2、3的调度需求形成决策向量，进行决策向量的管理。
在决策向量的管理中，根据决策向量生成的时间和资源需求的时间进行高响应比优先级的决策调度，根据响应比＝(调度消耗时间+等待时间+服务时间)/(调度消耗时间+服务时间)，计算响应比的大小。在上述例子中，若需求者1释放资源P1时间为20分钟，需求者2等待5分钟，需求者3等待3分钟，此时需求者2的响应比为1.91，需求者3的响应比为1.43，故需求者2获得资源P1。

Claims (10)

1.一种跨平台资源调度与优化控制方法，其特征在于，包括以下步骤：
采用基于k-means++聚类的服务资源分类方法对服务资源分类处理；其步骤为：(1)从服务资源的数据集中选择一个样本作为初始聚类中心；(2)计算每个样本x与当前聚类中心之间的最短距离，用D(x)表示,接着计算每个样本被选为下一个聚类中心的概率
Figure FDA0003446445090000011
最后，按照轮盘法选出下一个聚类中心；(3)重复步骤(2)，直到得到预设的K个初始中心；
采用基于多粒度的资源相似度匹配方法对服务资源调度匹配及优化；
采用多粒度的资源动态调度方法对服务资源进行动态调度和分配。
2.根据权利要求1所述的一种跨平台资源调度与优化控制方法，其特征在于，所述基于k-means++聚类的服务资源分类方法，将资源池内的杂乱的资源进行分类，采用k-means++聚类的方法，形成各种资源簇，为提高资源分配效率做准备。
3.根据权利要求1所述的一种跨平台资源调度与优化控制方法，其特征在于，在采用基于k-means++聚类的服务资源分类方法对服务资源的分类处理中，增加文本相似度计算的方法来计算步骤(2)中的“距离”，从而形成最终的资源簇；
对服务资源簇中的资源进行如下建模：R＝(I,Fr,F,S,O)；其中R表示资源，I表示该资源的id信息，Fr表示该资源所属的资源簇，F表示资源的功能，S表示资源的状态，O表示与该资源关联的资源的信息。
4.根据权利要求3所述的一种跨平台资源调度与优化控制方法，其特征在于，在对各服务资源文本进行相似度计算时，采用基于doc2vec的方法进行文本相似度的计算。
5.根据权利要求1所述的一种跨平台资源调度与优化控制方法，其特征在于，所述基于多粒度的资源相似度匹配方法中，通过对资源进行多粒度模型建模，对资源匹配，通过更加细致的信息，提高资源匹配效率，使资源匹配更准确；
对所述资源进行如下多粒度模型建模：R＝(D,F,O,S)；其中R表示资源，D表示资源所属的领域范围，F表示该资源的功能信息，O表示与该资源关联的资源的信息，S表示记录服务资源簇中匹配到的资源的状态；
根据上述建模，将服务资源分为多个粒度，在进行资源匹配时，通过计算相似度来记录D、F、O、S的内容，进而判断资源是否匹配成功，其中S作为资源调度的一个粒度依据，来判断是否有匹配成功的服务资源。
6.根据权利要求5所述的一种跨平台资源调度与优化控制方法，其特征在于，还依据每一个资源需求量以及服务资源持续时间来调度分配服务资源。
7.根据权利要求1所述的一种跨平台资源调度与优化控制方法，其特征在于，所述基于多粒度的资源相似度匹配方法中，将匹配的资源分为可压缩资源和不可压缩资源，在负载均衡的情况下，对于可压缩的资源进行压缩，从而提高资源利用率和负载性能，提高任务的并行量，提高每一次资源的调度效率；如果当某一时段服务资源的需求量(Rr)大于分配到的资源(Ra)，任务可以通过延长执行时间也不影响当前资源时序，这类资源称为可压缩资源，通过计算资源压缩率并调整使其最大来使在可接受范围内延长使用资源的任务的完成时间，从而换取更高的资源利用率和任务并行数量来提高整体性能。
8.根据权利要求1所述的一种跨平台资源调度与优化控制方法，其特征在于，在采用多粒度的资源动态调度方法对服务资源进行动态调度和分配时，在基于多粒度的资源相似度匹配方法对服务资源调度匹配及优化的基础上，采用资源分阶段的调度策略，按服务资源量和服务时间分阶段进行调度。
9.根据权利要求1所述的一种跨平台资源调度与优化控制方法，其特征在于，基于多粒度的资源调度方法策略如下：首先，在服务资源被按类别分类为可压缩资源和不可压缩资源的基础上，按基本时间单元划分成不同的子任务，对于可压缩的资源，在不超过最大资源压缩率的条件下进行资源的压缩工作，使得多个任务可并行工作，减少资源释放和申请分配的时间。
10.根据权利要求1所述的一种跨平台资源调度与优化控制方法，其特征在于，对于每一个父任务和其子任务都设置相应的优先级，通过引入决策向量来表示每一个任务的优先级顺序，不同的决策向量分别表示不同的资源调度方案。
CN202111649564.4A 2021-12-30 2021-12-30 跨平台资源调度与优化控制方法 Pending CN114417577A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111649564.4A CN114417577A (zh) 2021-12-30 2021-12-30 跨平台资源调度与优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111649564.4A CN114417577A (zh) 2021-12-30 2021-12-30 跨平台资源调度与优化控制方法

Publications (1)

Publication Number Publication Date
CN114417577A true CN114417577A (zh) 2022-04-29

Family

ID=81269312

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111649564.4A Pending CN114417577A (zh) 2021-12-30 2021-12-30 跨平台资源调度与优化控制方法

Country Status (1)

Country Link
CN (1) CN114417577A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115510331A (zh) * 2022-11-15 2022-12-23 山东紫菜云数字科技有限公司 一种基于闲置量聚合的共享资源匹配方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017092377A1 (zh) * 2015-12-03 2017-06-08 中兴通讯股份有限公司 一种移动通信系统内动态资源分配方法和装置
CN107797863A (zh) * 2017-09-29 2018-03-13 西安交通大学 一种云计算平台中细粒度资源匹配方法
CN108681479A (zh) * 2018-05-17 2018-10-19 中国科学院软件研究所 一种面向数据挖掘云的资源调度方法
CN108984301A (zh) * 2018-07-04 2018-12-11 中国人民解放军国防科技大学 自适应云资源调配方法和装置
CN109005130A (zh) * 2018-07-04 2018-12-14 中国人民解放军国防科技大学 网络资源配置调度方法和装置
CN111832289A (zh) * 2020-07-13 2020-10-27 重庆大学 一种基于聚类和高斯lda的服务发现方法
CN112749281A (zh) * 2021-01-19 2021-05-04 青岛科技大学 一种融合服务协作关系的Restful类型Web服务聚类方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017092377A1 (zh) * 2015-12-03 2017-06-08 中兴通讯股份有限公司 一种移动通信系统内动态资源分配方法和装置
CN107797863A (zh) * 2017-09-29 2018-03-13 西安交通大学 一种云计算平台中细粒度资源匹配方法
CN108681479A (zh) * 2018-05-17 2018-10-19 中国科学院软件研究所 一种面向数据挖掘云的资源调度方法
CN108984301A (zh) * 2018-07-04 2018-12-11 中国人民解放军国防科技大学 自适应云资源调配方法和装置
CN109005130A (zh) * 2018-07-04 2018-12-14 中国人民解放军国防科技大学 网络资源配置调度方法和装置
CN111832289A (zh) * 2020-07-13 2020-10-27 重庆大学 一种基于聚类和高斯lda的服务发现方法
CN112749281A (zh) * 2021-01-19 2021-05-04 青岛科技大学 一种融合服务协作关系的Restful类型Web服务聚类方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115510331A (zh) * 2022-11-15 2022-12-23 山东紫菜云数字科技有限公司 一种基于闲置量聚合的共享资源匹配方法
CN115510331B (zh) * 2022-11-15 2023-03-14 山东紫菜云数字科技有限公司 一种基于闲置量聚合的共享资源匹配方法

Similar Documents

Publication Publication Date Title
Hamad et al. Genetic-based task scheduling algorithm in cloud computing environment
CN107038069B (zh) Hadoop平台下动态标签匹配DLMS调度方法
CN104951425B (zh) 一种基于深度学习的云服务性能自适应动作类型选择方法
CN102780759B (zh) 基于调度目标空间的云计算资源调度方法
CN112416585B (zh) 面向深度学习的gpu资源管理与智能化调度方法
Li et al. An greedy-based job scheduling algorithm in cloud computing.
CN110231976B (zh) 一种基于负载预测的边缘计算平台容器部署方法及系统
Rahimikhanghah et al. Resource scheduling methods in cloud and fog computing environments: a systematic literature review
US20120331476A1 (en) Method and system for reactive scheduling
CN104679595B (zh) 一种面向应用的IaaS层动态资源分配方法
CN112581578B (zh) 一种基于软件定义的云渲染系统
CN114968566A (zh) 一种面向共享式gpu集群下的容器调度方法及装置
CN114327811A (zh) 一种任务调度方法、装置、设备及可读存储介质
CN103281374A (zh) 一种云存储中数据快速调度的方法
Shukla et al. FAT-ETO: Fuzzy-AHP-TOPSIS-Based efficient task offloading algorithm for scientific workflows in heterogeneous fog–cloud environment
He Optimization of edge delay sensitive task scheduling based on genetic algorithm
CN114417577A (zh) 跨平台资源调度与优化控制方法
Cavallo et al. H2F: a Hierarchical Hadoop Framework for big data processing in geo-distributed environments
CN105139069A (zh) 一种基于粒子群算法改进合同网的方法
CN111414961A (zh) 一种基于任务并行的细粒度分布式深度森林训练方法
CN111966447A (zh) 一种基于双排列遗传算法的容器放置方法
Shakil et al. A latency-aware max-min algorithm for resource allocation in cloud
Elgendy et al. Integrated strategies to an improved genetic algorithm for allocating and scheduling multi-task in cloud manufacturing environment
CN109783189A (zh) 一种静态工作流调度方法与装置
CN118132215A (zh) 一种基于brm技术通过引擎模型构建多业务场景自动化配置的方法

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