CN116166381A - 一种多云管理平台中基于iaco算法的资源调度 - Google Patents

一种多云管理平台中基于iaco算法的资源调度 Download PDF

Info

Publication number
CN116166381A
CN116166381A CN202310190416.3A CN202310190416A CN116166381A CN 116166381 A CN116166381 A CN 116166381A CN 202310190416 A CN202310190416 A CN 202310190416A CN 116166381 A CN116166381 A CN 116166381A
Authority
CN
China
Prior art keywords
virtual machine
load
resource scheduling
cloud management
service
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
CN202310190416.3A
Other languages
English (en)
Inventor
王欣艳
房玉东
魏永锋
徐伟
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.)
Big Data Center Of Emergency Management Department
Original Assignee
Big Data Center Of Emergency Management Department
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 Big Data Center Of Emergency Management Department filed Critical Big Data Center Of Emergency Management Department
Priority to CN202310190416.3A priority Critical patent/CN116166381A/zh
Publication of CN116166381A publication Critical patent/CN116166381A/zh
Pending legal-status Critical Current

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
    • G06F9/44—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
    • G06F9/5077—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
    • 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)
  • Debugging And Monitoring (AREA)

Abstract

本发明公开了一种多云管理平台中基于IACO算法的资源调度，涉及多云管理平台资源调度技术领域，该资源调度旨在解决现有技术下虚拟机的占用率常常不均衡和最优的调度目标虚拟机选择耗时的技术问题，该资源调度，其步骤如下：S1：构建多云管理系统，建立多云管理平台的资源调度的时间模型和负载模型；S2：设置当前虚拟机数量；S3：初始化参数；S4：计算服务对每个虚拟机的负载均衡值；S5：让蚂蚁为每个服务选择一个虚拟机，该资源调度采用IACO算法，在搜索过程中有较强的全局寻优能力，有效避免搜索陷入局部最优解的情况，有效且快速的对多个云平台下的高负载虚拟机进行服务调度，减少高负载和空闲虚拟机，降低虚拟机闲置率，实现负载均衡。

Description

一种多云管理平台中基于IACO算法的资源调度
技术领域
本发明属于多云管理平台资源调度技术领域，具体涉及一种多云管理平台中基于IACO算法的资源调度。
背景技术
用户在不同云平台中购买的资源，只能在对应的平台中互通，一些的平台中的资源利用率很高，然而另一些平台中的资源闲置，高利用率的资源如果通过手动迁移到其他平台是极其困难事，其中如何选择哪个平台中的虚拟机就是一个棘手的问题，需要用户清楚的知道云平台中的资源状况，即使用户进行完手动迁移，仍然存在多云平台中，虚拟机负载不均衡的情况，使得较高利用率的虚拟机，运行服务时更加缓慢，这样的情况，既损耗了人力，又浪费了资源，因此如何实现智能的资源调度，使用户在不同云平台中的资源能够负载均衡，具有重大意义。
目前，专利号为CN201821666085.7的发明专利公开了一种云环境下资源调度方法，其中，包括以下步骤：周期性获得每个服务器节点的负载率，作为第一负载率；周期性获得整个云环境系统的负载率，作为第二负载率；按照以下规则设置负载率阈值：所述负载率阈值与所述第二负载率成正相关关系；在所述第一负载率小于所述负载率阈值的所有所述服务器节点中根据接收到的任务调度相应的服务器节点来执行该任务，其可在整个云环境系统的负载率较低时对低于较低的负载率阈值的服务器节点分配任务，而在整个云环境系统的负载率较高时对低于较高的负载率阈值的服务器节点分配任务，这样，可尽早地进行平衡负载，使得云环境系统在一开始就能以负载相对均衡地方式工作，从而可以提高云环境系统的负载均衡度，但该调度方法在多云平台中、因服务部署后迁移十分麻烦，虚拟机的占用率常常不均衡，时常会造成以下隐患，服务运行时，被部署到性能差的虚拟机上，造成服务运行效率变低，当一些高性能、高负载虚拟机完成任务后，新增的服务已经部署完毕，这时高性能虚拟机存在闲置时间，云资源大量时，最优的调度目标虚拟机选择耗时，且寻找的精度低下使得调度效果差。
因此，针对上述最优的调度目标虚拟机选择耗时的问题，亟需得到解决，以改善资源调度的使用场景。
发明内容
(1)要解决的技术问题
针对现有技术的不足，本发明的目的在于提供一种多云管理平台中基于IACO算法的资源调度，该资源调度旨在解决现有技术下虚拟机的占用率常常不均衡和最优的调度目标虚拟机选择耗时的技术问题。
(2)技术方案
为了解决上述技术问题，本发明提供了这样一种多云管理平台中基于IACO算法的资源调度，其步骤如下：
S1：构建多云管理系统，其由一组资源消耗型服务、一个多云管理平台和处在不同云平台下不同负载的虚拟机组成，建立多云管理平台的资源调度的时间模型和负载模型，确定该模型的参数，设定当前需要进行资源调度的服务集，每个服务部署的数据大小，性能开销；
S2：设置当前虚拟机数量，为每台虚拟机设置性能参数，并获取当前虚拟机一天的负载参数，用以量化当前虚拟机的负载；
S3：初始化参数，确定IACO算法的输入参数，设置IACO算法的最大迭代次数t，并基于虚拟机的负载情况和性能情况，以加权比的方式，为每个虚拟机设置与其性能匹配的初始信息素的浓度；
S4：计算服务对每个虚拟机的负载均衡值，计算相对服务的对每个虚拟机的期望值，计算服务对每个虚拟机的选择概率；
S5：根据轮盘赌选择算法，让蚂蚁为每个服务选择一个虚拟机：
S51：计算每个个体的被选中概率
Figure BDA0004105224760000031
S52：计算每个部分的累计概率
Figure BDA0004105224760000032
S53：随机生成一个数组m，数组中的元素取值范围在0和1之间，并将其按从小到大的方式进行排序，若累计概率q(xi)大于数据中的元素m[i]，则个体xi被选中，若小于m[i]，则比较下一个个体xi+1，直至选出一个个体为止；
S54：若需要转中N个个体，则将S53重复N次；
S6：记录当前蚂蚁的为每个服务选择的虚拟机；
S7：更新当前蚂蚁的禁忌表，加入该列表中的服务不再进行服务分配；
S8：设置优化的信息素浓度更新方法，更新信息素浓度，计算每个蚂蚁经过的路径长度L，记录当前迭代次数中的历史最优解，即最短路径，同时，对各个城市所连接的路径的信息素浓度进行更新，信息素更新的表达式为：τij(t+1)＝πij(t)*(1-ρ)+Δτij，0<ρ<1，其中
Figure BDA0004105224760000033
蚂蚁留在某条路径的信息素浓度由其负载自适应函数决定，让每个服务选择调度的目的虚拟机收到负载的约束，平衡了多云平台中每个虚拟机的负载；
S9：判断当前迭代次数是否达到最大迭代次数，若到达最大迭代次数则输出结果，根据调度策略对虚拟机进行迁移，否则蚂蚁死亡，返回S4重新生成蚂蚁，迭代次数加1。
使用本技术方案的资源调度时，。
进一步地，所述S1中在多云管理系统中，考虑一个准静态场景，在多云管理平台执行一组服务的资源调度时，忽略其他的资源调度请求，虚拟机此时状态保持不变。
进一步地，所述S2中性能参数包括但不限于处理器速度、内存大小、内存读取速度、磁盘大小、磁盘读取速度和带宽大小。
进一步地，所述S2中负载参数包括但不限于CPU使用率、内存占比、磁盘占比和带宽占比。
进一步地，所述S3中初始化参数包括：蚁群大小、信息素因子、启发函数因子、信息素挥发因子和信息素常数，其中蚁群大小为服务数的1.5倍。
进一步地，所述S3中IACO算法的输入参数确定：首先应该考虑到服务数据量集合SD和需要进行调度的服务负载SL，其次以所有虚拟机的负载均衡的目标函数为所有虚拟机负载标准差。
进一步地，所述S51中f(xi)表示xi的适应度值，i、j分别表示每段路径的起点和终点。
进一步地，所述S8中τij(t)表示第t次循环后从i到j上的信息素含量，ρ表示信息素系数，Δτij表示新增信息素含量，为所有蚂蚁在i到j的路径上留下的信息素总和，k表示每个蚂蚁，y表示蚂蚁数量。
(3)有益效果
与现有技术相比，本发明的有益效果在于：本发明的资源调度采用IACO算法，在搜索过程中有较强的全局寻优能力，有效避免搜索陷入局部最优解的情况，有效且快速的对多个云平台下的高负载虚拟机进行服务调度，减少高负载和空闲虚拟机，使多云平台中的资源得到合理的应用，降低虚拟机闲置率，实现负载均衡，及时生成最优资源调度策略，提高服务运行效率。
附图说明
图1为本发明资源调度一种具体实施方式的流程图；
图2为本发明资源调度一种具体实施方式中多云管理系统的结构图。
具体实施方式
本具体实施方式是多云管理平台中基于IACO算法的资源调度，其流程图如图1所示，其多云管理系统的结构图如图2所示，其步骤如下：
S1：构建多云管理系统，其由一组资源消耗型服务、一个多云管理平台和处在不同云平台下不同负载的虚拟机组成，建立多云管理平台的资源调度的时间模型和负载模型，确定该模型的参数，设定当前需要进行资源调度的服务集，每个服务部署的数据大小，性能开销；
S2：设置当前虚拟机数量，为每台虚拟机设置性能参数，并获取当前虚拟机一天的负载参数，用以量化当前虚拟机的负载；
S3：初始化参数，确定IACO算法的输入参数，设置IACO算法的最大迭代次数t，并基于虚拟机的负载情况和性能情况，以加权比的方式，为每个虚拟机设置与其性能匹配的初始信息素的浓度；
S4：计算服务对每个虚拟机的负载均衡值，计算相对服务的对每个虚拟机的期望值，计算服务对每个虚拟机的选择概率；
S5：根据轮盘赌选择算法，让蚂蚁为每个服务选择一个虚拟机：
S51：计算每个个体的被选中概率
Figure BDA0004105224760000051
S52：计算每个部分的累计概率
Figure BDA0004105224760000052
S53：随机生成一个数组m，数组中的元素取值范围在0和1之间，并将其按从小到大的方式进行排序，若累计概率q(xi)大于数据中的元素m[i]，则个体xi被选中，若小于m[i]，则比较下一个个体xi+1，直至选出一个个体为止；
S54：若需要转中N个个体，则将S53重复N次；
S6：记录当前蚂蚁的为每个服务选择的虚拟机；
S7：更新当前蚂蚁的禁忌表，加入该列表中的服务不再进行服务分配；
S8：设置优化的信息素浓度更新方法，更新信息素浓度，计算每个蚂蚁经过的路径长度L，记录当前迭代次数中的历史最优解，即最短路径，同时，对各个城市所连接的路径的信息素浓度进行更新，信息素更新的表达式为：τij(t+1)＝τij(t)*(1-ρ)+Δτij，0<ρ<1，其中
Figure BDA0004105224760000061
蚂蚁留在某条路径的信息素浓度由其负载自适应函数决定，让每个服务选择调度的目的虚拟机收到负载的约束，平衡了多云平台中每个虚拟机的负载；
S9：判断当前迭代次数是否达到最大迭代次数，若到达最大迭代次数则输出结果，根据调度策略对虚拟机进行迁移，否则蚂蚁死亡，返回S4重新生成蚂蚁，迭代次数加1。
进一步地，所述S1中在多云管理系统中，考虑一个准静态场景，在多云管理平台执行一组服务的资源调度时，忽略其他的资源调度请求，虚拟机此时状态保持不变。
进一步地，所述S2中性能参数包括但不限于处理器速度、内存大小、内存读取速度、磁盘大小、磁盘读取速度和带宽大小。
进一步地，所述S2中负载参数包括但不限于CPU使用率、内存占比、磁盘占比和带宽占比。
进一步地，所述S3中初始化参数包括：蚁群大小、信息素因子、启发函数因子、信息素挥发因子和信息素常数，其中蚁群大小为服务数的1.5倍。
进一步地，所述S3中IACO算法的输入参数确定：首先应该考虑到服务数据量集合SD和需要进行调度的服务负载SL，其次以所有虚拟机的负载均衡的目标函数为所有虚拟机负载标准差。
进一步地，所述S51中f(xi)表示xi的适应度值，i、j分别表示每段路径的起点和终点。
进一步地，所述S8中τij(t)表示第t次循环后从i到j上的信息素含量，ρ表示信息素系数，Δτij表示新增信息素含量，为所有蚂蚁在i到j的路径上留下的信息素总和，k表示每个蚂蚁，y表示蚂蚁数量。
使用本技术方案的资源调度时，其步骤如下：
S1：构建多云管理系统，其由一组资源消耗型服务、一个多云管理平台和处在不同云平台下不同负载的虚拟机组成，在多云管理系统中，考虑一个准静态场景，在多云管理平台执行一组服务的资源调度时，忽略其他的资源调度请求，虚拟机此时状态保持不变，建立多云管理平台的资源调度的时间模型和负载模型，确定该模型的参数，设定当前需要进行资源调度的服务集，每个服务部署的数据大小，性能开销；
S2：设置当前虚拟机数量，为每台虚拟机设置性能参数，并获取当前虚拟机一天的负载参数，用以量化当前虚拟机的负载，性能参数包括但不限于处理器速度、内存大小、内存读取速度、磁盘大小、磁盘读取速度和带宽大小，负载参数包括但不限于CPU使用率、内存占比、磁盘占比和带宽占比；
S3：初始化参数，初始化参数包括：蚁群大小、信息素因子、启发函数因子、信息素挥发因子和信息素常数，其中蚁群大小为服务数的1.5倍，确定IACO算法的输入参数，IACO算法的输入参数确定：首先应该考虑到服务数据量集合SD和需要进行调度的服务负载SL，其次以所有虚拟机的负载均衡的目标函数为所有虚拟机负载标准差，设置IACO算法的最大迭代次数t，并基于虚拟机的负载情况和性能情况，以加权比的方式，为每个虚拟机设置与其性能匹配的初始信息素的浓度；
S4：计算服务对每个虚拟机的负载均衡值，计算相对服务的对每个虚拟机的期望值，计算服务对每个虚拟机的选择概率；
S5：根据轮盘赌选择算法，让蚂蚁为每个服务选择一个虚拟机：
S51：计算每个个体的被选中概率
Figure BDA0004105224760000081
f(xi)表示xi的适应度值，i、j分别表示每段路径的起点和终点；
S52：计算每个部分的累计概率
Figure BDA0004105224760000082
S53：随机生成一个数组m，数组中的元素取值范围在0和1之间，并将其按从小到大的方式进行排序，若累计概率q(xi)大于数据中的元素m[i]，则个体xi被选中，若小于m[i]，则比较下一个个体xi+1，直至选出一个个体为止；
S54：若需要转中N个个体，则将S53重复N次；
S6：记录当前蚂蚁的为每个服务选择的虚拟机；
S7：更新当前蚂蚁的禁忌表，加入该列表中的服务不再进行服务分配；
S8：设置优化的信息素浓度更新方法，更新信息素浓度，计算每个蚂蚁经过的路径长度L，记录当前迭代次数中的历史最优解，即最短路径，同时，对各个城市所连接的路径的信息素浓度进行更新，信息素更新的表达式为：πij(t+1)＝πij(t)*(1-ρ)+Δτij，0<ρ<1，其中
Figure BDA0004105224760000083
蚂蚁留在某条路径的信息素浓度由其负载自适应函数决定，让每个服务选择调度的目的虚拟机收到负载的约束，平衡了多云平台中每个虚拟机的负载，τij(t)表示第t次循环后从i到j上的信息素含量，ρ表示信息素系数，Δτij表示新增信息素含量，为所有蚂蚁在i到j的路径上留下的信息素总和，k表示每个蚂蚁，y表示蚂蚁数量；
S9：判断当前迭代次数是否达到最大迭代次数，若到达最大迭代次数则输出结果，根据调度策略对虚拟机进行迁移，否则蚂蚁死亡，返回S4重新生成蚂蚁，迭代次数加1。

Claims (8)

1.一种多云管理平台中基于IACO算法的资源调度；其特征在于，其步骤如下：
S1：构建多云管理系统，其由一组资源消耗型服务、一个多云管理平台和处在不同云平台下不同负载的虚拟机组成，建立多云管理平台的资源调度的时间模型和负载模型，确定该模型的参数，设定当前需要进行资源调度的服务集，每个服务部署的数据大小，性能开销；
S2：设置当前虚拟机数量，为每台虚拟机设置性能参数，并获取当前虚拟机一天的负载参数，用以量化当前虚拟机的负载；
S3：初始化参数，确定IACO算法的输入参数，设置IACO算法的最大迭代次数t，并基于虚拟机的负载情况和性能情况，以加权比的方式，为每个虚拟机设置与其性能匹配的初始信息素的浓度；
S4：计算服务对每个虚拟机的负载均衡值，计算相对服务的对每个虚拟机的期望值，计算服务对每个虚拟机的选择概率；
S5：根据轮盘赌选择算法，让蚂蚁为每个服务选择一个虚拟机：
S51：计算每个个体的被选中概率
Figure FDA0004105224750000011
S52：计算每个部分的累计概率
Figure FDA0004105224750000012
S53：随机生成一个数组m，数组中的元素取值范围在0和1之间，并将其按从小到大的方式进行排序，若累计概率q(xi)大于数据中的元素m[i]，则个体xi被选中，若小于m[i]，则比较下一个个体xi+1，直至选出一个个体为止；
S54：若需要转中N个个体，则将S53重复N次；
S6：记录当前蚂蚁的为每个服务选择的虚拟机；
S7：更新当前蚂蚁的禁忌表，加入该列表中的服务不再进行服务分配；
S8：设置优化的信息素浓度更新方法，更新信息素浓度，计算每个蚂蚁经过的路径长度L，记录当前迭代次数中的历史最优解，即最短路径，同时，对各个城市所连接的路径的信息素浓度进行更新，信息素更新的表达式为：τij(t+1)＝τij(t)*(1-ρ)+Δτij，0<ρ<1，其中
Figure FDA0004105224750000021
蚂蚁留在某条路径的信息素浓度由其负载自适应函数决定，让每个服务选择调度的目的虚拟机收到负载的约束，平衡了多云平台中每个虚拟机的负载；
S9：判断当前迭代次数是否达到最大迭代次数，若到达最大迭代次数则输出结果，根据调度策略对虚拟机进行迁移，否则蚂蚁死亡，返回S4重新生成蚂蚁，迭代次数加1。
2.根据权利要求1所述的一种多云管理平台中基于IACO算法的资源调度，其特征在于，所述S1中在多云管理系统中，考虑一个准静态场景，在多云管理平台执行一组服务的资源调度时，忽略其他的资源调度请求，虚拟机此时状态保持不变。
3.根据权利要求1所述的一种多云管理平台中基于IACO算法的资源调度，其特征在于，所述S2中性能参数包括但不限于处理器速度、内存大小、内存读取速度、磁盘大小、磁盘读取速度和带宽大小。
4.根据权利要求1所述的一种多云管理平台中基于IACO算法的资源调度，其特征在于，所述S2中负载参数包括但不限于CPU使用率、内存占比、磁盘占比和带宽占比。
5.根据权利要求1所述的一种多云管理平台中基于IACO算法的资源调度，其特征在于，所述S3中初始化参数包括：蚁群大小、信息素因子、启发函数因子、信息素挥发因子和信息素常数，其中蚁群大小为服务数的1.5倍。
6.根据权利要求1所述的一种多云管理平台中基于IACO算法的资源调度，其特征在于，所述S3中IACO算法的输入参数确定：首先应该考虑到服务数据量集合SD和需要进行调度的服务负载SL，其次以所有虚拟机的负载均衡的目标函数为所有虚拟机负载标准差。
7.根据权利要求1所述的一种多云管理平台中基于IACO算法的资源调度，其特征在于，所述S51中f(xi)表示xi的适应度值，i、j分别表示每段路径的起点和终点。
8.根据权利要求1所述的一种多云管理平台中基于IACO算法的资源调度，其特征在于，所述S8中τij(t)表示第t次循环后从i到j上的信息素含量，ρ表示信息素系数，Δτij表示新增信息素含量，为所有蚂蚁在i到j的路径上留下的信息素总和，k表示每个蚂蚁，y表示蚂蚁数量。
CN202310190416.3A 2023-03-02 2023-03-02 一种多云管理平台中基于iaco算法的资源调度 Pending CN116166381A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310190416.3A CN116166381A (zh) 2023-03-02 2023-03-02 一种多云管理平台中基于iaco算法的资源调度

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310190416.3A CN116166381A (zh) 2023-03-02 2023-03-02 一种多云管理平台中基于iaco算法的资源调度

Publications (1)

Publication Number Publication Date
CN116166381A true CN116166381A (zh) 2023-05-26

Family

ID=86411361

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310190416.3A Pending CN116166381A (zh) 2023-03-02 2023-03-02 一种多云管理平台中基于iaco算法的资源调度

Country Status (1)

Country Link
CN (1) CN116166381A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116627663A (zh) * 2023-07-25 2023-08-22 山东万博科技股份有限公司 一种数据中心运维管理方法及系统
CN117251280A (zh) * 2023-08-18 2023-12-19 湖北工业大学 一种云资源负载均衡调度方法、装置、设备及介质
CN117785381A (zh) * 2023-12-19 2024-03-29 江南大学 一种基于多种群蚁群算法的虚拟机部署规划方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116627663A (zh) * 2023-07-25 2023-08-22 山东万博科技股份有限公司 一种数据中心运维管理方法及系统
CN116627663B (zh) * 2023-07-25 2023-11-10 山东万博科技股份有限公司 一种数据中心运维管理方法及系统
CN117251280A (zh) * 2023-08-18 2023-12-19 湖北工业大学 一种云资源负载均衡调度方法、装置、设备及介质
CN117251280B (zh) * 2023-08-18 2024-04-05 湖北工业大学 一种云资源负载均衡调度方法、装置、设备及介质
CN117785381A (zh) * 2023-12-19 2024-03-29 江南大学 一种基于多种群蚁群算法的虚拟机部署规划方法

Similar Documents

Publication Publication Date Title
CN116166381A (zh) 一种多云管理平台中基于iaco算法的资源调度
CN111756812B (zh) 一种能耗感知的边云协同动态卸载调度方法
CN110069341B (zh) 边缘计算中结合功能按需配置的有依赖关系任务的调度方法
CN111274036A (zh) 一种基于速度预测的深度学习任务的调度方法
CN112000388B (zh) 基于多边缘集群协同的并发任务调度方法及装置
CN107566535B (zh) 基于Web地图服务并发访问时序规则的自适应负载均衡方法
CN114968510A (zh) 一种基于改进蚁群算法的多目标动态任务调度方法和系统
CN114253735B (zh) 一种任务处理方法、装置及相关设备
CN111258735A (zh) 一种支持用户QoS感知的深度学习任务调度方法
CN114595049A (zh) 一种云边协同任务调度方法及装置
CN113220356A (zh) 一种移动边缘计算中的用户计算任务卸载方法
CN110086855A (zh) 基于蚁群算法的Spark任务智能感知调度方法
CN103455375B (zh) Hadoop云平台下基于负载监控的混合调度方法
CN116302389A (zh) 一种基于改进蚁群算法的任务调度方法
CN116932198A (zh) 资源调度方法、装置、电子设备及可读存储介质
CN115421885A (zh) 一种分布式多目标云任务的调度方法、装置及云服务系统
CN109976873B (zh) 容器化分布式计算框架的调度方案获取方法及调度方法
Bensalem et al. Scaling Serverless Functions in Edge Networks: A Reinforcement Learning Approach
CN112685162A (zh) 边缘服务器异构计算资源的高效能调度方法、系统和介质
CN116782249A (zh) 具有用户依赖关系的边缘计算卸载及资源分配方法及系统
CN116939044A (zh) 一种基于区块链技术的算力路由规划方法和装置
CN114980216A (zh) 基于移动边缘计算的依赖型任务卸载系统及方法
CN113382424B (zh) 一种lte基站硬件资源调度处理方法及装置
CN114035940A (zh) 资源分配方法以及装置
CN114661431A (zh) 一种任务调度方法、存储介质及终端设备

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