WO2017045211A1 - 一种多服务质量约束的云计算任务调度方法 - Google Patents

一种多服务质量约束的云计算任务调度方法 Download PDF

Info

Publication number
WO2017045211A1
WO2017045211A1 PCT/CN2015/090064 CN2015090064W WO2017045211A1 WO 2017045211 A1 WO2017045211 A1 WO 2017045211A1 CN 2015090064 W CN2015090064 W CN 2015090064W WO 2017045211 A1 WO2017045211 A1 WO 2017045211A1
Authority
WO
WIPO (PCT)
Prior art keywords
qos
resource
task
resources
matrix
Prior art date
Application number
PCT/CN2015/090064
Other languages
English (en)
French (fr)
Inventor
张小庆
徐志伟
岳强
Original Assignee
国云科技股份有限公司
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 国云科技股份有限公司 filed Critical 国云科技股份有限公司
Publication of WO2017045211A1 publication Critical patent/WO2017045211A1/zh

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
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
    • H04L67/61—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources taking into account QoS or priority requirements
    • 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

Definitions

  • the invention relates to the field of cloud computing technologies, in particular to a cloud computing task scheduling method with multiple service quality constraints.
  • Cloud computing is receiving extensive attention from academia and industry.
  • Cloud computing technology is a further development of distributed computing, parallel computing and grid computing.
  • Virtualization technology is used to virtualize computing resources, storage resources and bandwidth resources into a dynamically scalable virtualized resource pool, using the Internet as a carrier to serve The form is available to different users on demand.
  • Data centers in a cloud computing environment can effectively reduce the difficulty of operation, maintenance, and management, while also improving data security and reliability.
  • users do not have to purchase additional hardware resources at the peak of the network, which not only saves the cost of purchasing hardware, but also saves maintenance and management problems.
  • Task scheduling is a very critical and complex problem in cloud computing technology.
  • the quality of the problem not only affects user satisfaction, but also greatly affects the overall performance of the system. Therefore, how to reasonably and efficiently schedule tasks and improve user satisfaction in the cloud environment has become the focus and difficulty of cloud computing research.
  • task scheduling is an NP-complete problem.
  • Cloud computing is in distributed computing, utility computing, grid computing It is generated on the basis of the above, and there are many task scheduling algorithms in cloud computing based on grid computing.
  • One of the main goals of the task scheduling algorithm in grid computing is to minimize the time required for all tasks to complete.
  • Most task scheduling algorithms optimize task scheduling with this goal.
  • the cost, time spent, and load balancing required for task execution are hot spots that are not studied, and the resources for different computing capabilities are also different. For time-sensitive applications, resources that provide greater processing power make the task run less time-consuming; for cost-sensitive user applications, resources that provide lower processing costs make the task run less expensive. And the satisfaction of these different needs requires the use of cloud computing task scheduling algorithms.
  • Load balancing is a commonly used method in cloud computing task scheduling. It has the following two forms: First, in static equilibrium, using tasks and execution time to allocate tasks and resources through mathematical methods. . The shortcoming of this strategy is that the resource usage rate is not high, and such a balancing strategy cannot dynamically change for the change of virtual machine information. Second, in dynamic balancing, it is generally achieved through prediction. The algorithm performs prediction based on the current and historical information of the virtual machine, and then performs task scheduling based on the predicted result. For this algorithm, a reasonable standard is very important. Amazon's product EC2 and Yahoo's product-improved HDFS system as well as Google's products In GFS, the actual research and application of load balancing are carried out, so it is of great significance to propose a better cloud computing task scheduling algorithm.
  • QoS Quality of Service
  • cloud computing systems have developed platforms that can provide different services in order to meet the different needs of different users. These platforms can meet different types of user needs, such as ensuring system reliability, consuming less cost, providing higher data transfer rates, and so on.
  • the technical problem solved by the present invention is to provide a cloud computing task scheduling method with multiple quality of service constraints; to propose a task scheduling strategy with multi-dimensional QoS constraints.
  • the allocation t1 is performed to the resource; otherwise, the QoS distance of each resource in the t1 to RR set is calculated, and the resource t1 is allocated to the resource with the smallest QoS distance;
  • the task of allocating resources is deleted, and then the allocation of the resources is performed according to the method of the previous step; until all tasks are assigned execution resources;
  • the unexecuted task is scheduled to the idle resource with the highest QoS satisfaction until the task is completed;
  • , which is the number of user tasks, and ti represents the i-th task of the user, i ⁇ [1,n]; ⁇ tID,tLen,tQoS,tSta ⁇ ;
  • tID indicates the unique identifier of the task
  • tLen indicates the length of the task, unit: MI (Million Instruction);
  • tQoS ⁇ QoS 1 , QoS 2 , ..., QoS k ⁇ represents the multi-dimensional QoS requirement of the task, and k represents the QoS dimension;
  • , which is the number of physical hosts; Ph ⁇ pID, pType, pSta ⁇ .
  • PID indicates the unique identifier of the physical host
  • Ptype indicates the type of physical host, such as workstation, mainframe or minicomputer
  • Psta indicates the status of the physical host
  • Psta ⁇ pFree, pRun ⁇ , pFre indicates that the physical host is idle, that is, no virtual machine is deployed or the virtual machine does not perform the task, and pRun indicates that the physical host is in the working state;
  • the resource is represented in the form of a virtual machine.
  • , the number of resources (virtual machines) provided for the cloud data center, and rj represents the jth Resources, j ⁇ [1,m];rj ⁇ rID,rCap,rQoS,rSta,rLoc ⁇ ;
  • rID indicates the unique identifier of the resource
  • rCap indicates the computing power of the resource, in MIPS (Million Instructin Per Second);
  • rQoS ⁇ QoS 1 , QoS 2 , ..., QoS k ⁇ represents the multi-dimensional QoS service capability of the resource, and k represents the QoS dimension.
  • rLoc indicates the physical host where the resource is located.
  • the QoS dimension provided by the resource is k and the number of resources is m
  • the QoS provided by the m resources is an m ⁇ k matrix, which is expressed as:
  • n ⁇ k matrix the requirements of n tasks on k-dimensional QoS can be expressed as n ⁇ k matrix, expressed as:
  • QoS Quality of Service
  • negative metrics higher metrics indicate higher quality of service, such as reliability, security, and stability
  • lower metrics indicate higher quality of service, such as service charges
  • Positive measures are standardized by the formula
  • consumption metrics are standardized by the formula
  • the normalized matrix is expressed as:
  • Equation 1 For positive metrics, the user's satisfaction with the QoS on the dimension is calculated by Equation 1, and for the negative metric, the satisfaction is calculated by Equation 2;
  • the average QoS satisfaction for all user tasks is:
  • the QoS distance calculation is:
  • w j represents the weight of the j-th QoS in the distance calculation; w j uses the dispersion maximization method to determine the size; the larger the difference in the capability of the resource provided on the j-th QoS, indicating that the parameter is measuring distance The greater the impact, the larger the corresponding w j , otherwise, the smaller the w j ; considering the equal availability of all resources in the j-th QoS, the parameter has a influence of 0 when measuring the distance.
  • Dj represents the total deviation of the service capabilities of each resource and other resource service capabilities in the j-th QoS
  • the present invention is directed to a user task scheduling problem with different QoS target constraints in a cloud computing environment, and a cloud computing task scheduling method with multiple QoS constraints is proposed.
  • the method considers the maximum QoS satisfaction and the minimum QoS distance between the task and the resource, constructs the objective function reflecting the QoS service capability, and solves the objective function by the Lagrangian method to obtain the solution of resource selection and task scheduling.
  • the invention selects the resource with the minimum QoS distance for mapping under the premise of satisfying the maximum satisfaction of the user task QoS, not only can ensure the task scheduling efficiency in the multi-dimensional QoS constraint, reduce the average task execution time, and can also ensure the resource utilization rate.
  • 1 is a cloud computing task scheduling model of the present invention
  • the specific steps of the task scheduling of the present invention are:
  • the allocation t1 is performed to the resource; otherwise, the QoS distance of each resource in the t1 to RR set is calculated, and the resource t1 is allocated to the resource with the smallest QoS distance;
  • the task of allocating resources is deleted, and then the allocation of the resources is performed according to the method of the previous step; until all tasks are assigned execution resources;
  • the unexecuted task is scheduled to the idle resource with the highest QoS satisfaction until the task is completed;
  • the scheduling algorithm attempts to search for a QoS-optimized task scheduling scheme.
  • the QoS description given by tasks and resources can have several categories. For each type of QoS description, the concept of benefit function is introduced to quantify the benefits obtained by the system when it is satisfied to different degrees.
  • the QoS description as a metric includes:
  • Temporal description A time-related attribute description.
  • the temporal QoS description of the task includes the total completion time, the start time, the latest completion time, and the like.
  • the temporal QoS description of the resource includes the computing power of the resource and the like. Without loss of generality, consider the latest completion time of the task and the running time of the task derived from the resource computing ability on the resource.
  • Reliability Description Long-running tasks may fail due to resource failure. Re-executing the task will result in repeated resource consumption, resulting in reduced system performance. Scheduling tasks according to their required reliability can reduce this. This type of description of the task includes the minimum successful completion rate, etc.; this type of description of the resource includes unit time failure rate and the like.
  • Priority Describe the relative importance of the task. Tasks with higher priority need to be executed earlier, while resources with higher priority will be used first when the benefits are the same.
  • the QoS description as a policy is mainly the service level, which acts on the above various descriptions, including:
  • Soft level There are some QoS descriptions that do not require such strong constraints. If such a description of the task is satisfied, The maximum benefit is obtained, but if it is not satisfied, the dispatch is not considered to be invalid, but the benefit is affected.
  • Best-effort level This level is used to represent some QoS descriptions that are not noticed or insignificant. Such descriptions of tasks and resources are to be met or implemented as much as possible.
  • a cloud environment is a distributed environment with multiple entities. From the perspective of cloud user entities and cloud resource entities, their QoS objectives in terms of management mechanisms, security policies, and costs are different. For example, the user not only expects the task to be completed for the shortest time, but also minimizes the cost of task execution.
  • the cloud resource entity is more concerned with the benefits of its own task execution, while paying attention to the maximum throughput of the entire system.
  • the present invention will focus on the following four types of QoS and quantize it:
  • n is the number of security parameters
  • ti is the weight of the i-th security parameter
  • RunTime indicates the normal running time of the resource
  • FailureTime indicates the resource expiration time
  • Nsuccess represents the number of tasks successfully executed on the resource, and Ntotal represents the total number of tasks assigned to the resource.
  • V represents the unit price of resource utilization
  • T represents the time when the task runs on the resource.
  • the cloud task types considered are mainly computational meta-tasks, and there is no dependency between the tasks.
  • the cross-resource execution in the execution process is not considered, that is, the user submits
  • the meta-task is the smallest unit of task scheduling.
  • Ti ⁇ tID, tLen, tQoS, tSta ⁇ .
  • tID indicates the unique identifier of the task.
  • tLen indicates the length of the task, unit: MI (Million Instruction);
  • tQoS ⁇ QoS 1 , QoS 2 , ..., QoS k ⁇ represents the multi-dimensional QoS requirement of the task, and k represents the QoS dimension.
  • the way cloud provides resources is to virtualize physical hosts into multiple virtual machines for resource provision in the data center.
  • Ph ⁇ pID, pType, pSta ⁇ .
  • PID indicates the unique identifier of the physical host
  • Ptype indicates the type of physical host, such as workstation, mainframe or minicomputer
  • Psta indicates the status of the physical host
  • Psta ⁇ pFree, pRun ⁇ , pFre indicates that the physical host is idle, that is, no virtual machine is deployed or the virtual machine does not perform tasks, and pRun indicates that the physical host is in working state.
  • the resource is represented in the form of a virtual machine.
  • the number of (virtual machines), rj represents the jth resource, j ⁇ [1,m].
  • Rj ⁇ rID,rCap,rQoS,rSta,rLoc ⁇ .
  • rID indicates the unique identifier of the resource.
  • rCap indicates the computing power of the resource, in MIPS (Million Instructin Per Second);
  • rQoS ⁇ QoS 1 , QoS 2 , ..., QoS k ⁇ represents the multi-dimensional QoS service capability of the resource, and k represents the QoS dimension.
  • rLoc indicates the physical host where the resource is located.
  • the QoS dimension provided by the resource is k and the number of resources is m
  • the QoS provided by the m resources is an m ⁇ k matrix, which is expressed as:
  • n ⁇ k matrix the requirements of n tasks on k-dimensional QoS can be expressed as n ⁇ k matrix, expressed as:
  • the following two matrices are standardized.
  • QoS Quality of Service
  • a higher positive metric indicates a higher quality of service, such as reliability, security, and stability.
  • the lower the consumption metric the higher the quality of service, such as service charges.
  • Positive metrics are normalized by Equation 1
  • consumption metrics are normalized by Equation 2,
  • the normalized matrix is expressed as:
  • Task scheduling should maximize the satisfaction of the user's QoS requirements.
  • the user's satisfaction with the QoS on the dimension is calculated in Equation 1
  • the satisfaction is calculated in Equation 2.
  • the average QoS satisfaction for all user tasks is:
  • resources with the highest satisfaction rate will be selected for distribution.
  • the tasks In order not to make the tasks with low QoS requirements occupy high QoS resources and affect the execution of tasks of other users, resulting in an increase in the total execution time, the tasks should be allocated as much as possible to resources that are similar to their own QoS requirements. Use weighted distance to measure the QoS distance between tasks and resources.
  • w j represents the weight of the j-th QoS in the distance calculation. Since the capacity gaps of resources provided in each dimension of QoS are different, in order to better perform distance measurement, the dispersion maximization method is used to determine the size of w j . The larger the difference in the size of the resources provided by the resource in the j-th QoS, the greater the influence of the parameter when measuring the distance, and the corresponding w j is larger, otherwise, w j is smaller. Considering that all resources are equally sized on the j-th QoS, the parameter affects 0 when measuring distance, and w j should be set to zero. For the j-th QoS, D i,j (w) is used to indicate the dispersion of the resource r i from other resources in this QoS service capability.
  • Dj represents the total deviation of the service capabilities of each resource from the other resource service capabilities in the j-th QoS.
  • the value of the resource QoS integrated service capability and the user QoS comprehensive demand after the QoS parameters are standardized is calculated by the following formula.

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种多服务质量约束的云计算任务调度方法。该方法中，所有用户对提交的任务给出其需求的QoS描述，所有资源在发布时也给出其提供QoS服务能力描述；调度算法根据这些QoS描述，尝试搜索得到QoS最优化的任务调度方案。该方法解决了多QoS约束的云计算任务调度问题，可以用于云计算任务的调度。

Description

一种多服务质量约束的云计算任务调度方法 技术领域
本发明涉及云计算技术领域，尤其是一种多服务质量约束的云计算任务调度方法。
背景技术
云计算作为一种新的计算模式和商业模式，正受到学术界和产业界的广泛重视。云计算技术是分布式计算、并行计算和网格计算的进一步发展，利用虚拟化技术把计算资源、存储资源和带宽资源虚拟化为动态可伸缩的虚拟化资源池，以互联网为载体，以服务的形式按需提供给不同的用户使用。云计算环境下的数据中心可以有效地降低运行、维护和管理的难度，同时也提高了数据的安全性和可靠性。通过采用按需付费的机制，用户没有必要在网络高峰购买额外的硬件资源，这样不仅节省了购买硬件的费用，同时也省去了维护和管理带来的问题。
任务调度是云计算技术中非常关键并且复杂的问题，该问题解决的好坏不仅影响到用户的满意度，也极大地影响了系统的整体性能。因此，在云环境下如何对任务进行合理高效的调度，提高用户的满意度，成为云计算研究的重点和难点。一般情况下，任务调度是一个NP完全问题。
目前已经有很多的学者、专家以及企业投入大量的人力、物力以及财力对其中的任务调度策略进行研究。云计算是在分布式计算、效用计算、网格计算的 基础之上产生的，并且云计算中有很多的任务调度算法都是在网格计算的基础之上研究出来的。而在网格计算中任务调度算法的一个最主要目标就是使所有任务运行完成所需要的时间最小，大多数的任务调度算法都是以这一目标来对任务调度进行优化的。然而，在云计算模型中，任务执行所需要的成本、耗费的时间以及负载均衡都是当不研究的热点，不同计算能力的资源，其使用成本也不同。对于时间敏感的应用，提供较强处理能力的资源，使得任务运行完成所需的时间较短；对于成本敏感的用户应用，提供较低处理成本的资源，使得任务运行完成所需的成本较低，而这些不同的需求的满足就需要用到云计算任务调度算法。
在云计算任务调度中有许多有待解决的问题，比如负载均衡、最小完成时间等。考虑任务的最小完成时间是一种充分利用系统资源的策略，云资源池中的资源有的是异构的，有的是同构的。在异构分布式的云资源池中，通过考虑最小完成时间因素可以使得运行速度快的机器得到更好的利用，同时也使得运行速度慢的机器上不至于分配过多的任务从而导致任务执行超时，所以对最小完成时间这个因素的考虑是很有必要的。
负载均衡是云计算任务调度中经常用到的方法，有以下两种形式：第一、在静态均衡中，利用任务数和执行时间等信息，通过数学中的方法对任务与资源之间进行分配。这种策略的缺点是会造成资源使用率不高，而且对于虚拟机信息的变化，此种均衡策略无法动态地进行改变；第二、在动态均衡中，一般都是通过预测实现的。算法进行预测的依据是虚拟机的当前和历史信息，然后根据预测出来的结果进行任务调度。对于这种算法而言，合理的标准是非常重要的。Amazon的产品EC2和雅虎的产品改进的HDFS系统还有Google的产品 GFS中都对负载均衡进行了实际的研究与应用，所以对提出更好的云计算任务调度算法具有重要的意义。
在云计算任务调度中还有另外一个亟需解决的关键问题即服务质量(QoS，Quality of Service)。QoS是一种解决网络稳定性能的方法，网络中的滞后和拥堵问题也是通过服务质量进行解决的。而现在应用到云计算中，QoS就是反映用户在使用云计算系统时所提出的一些需求。QoS包括很多不同的参数，我们比较常见的有CPU、花费、接入速率、距离、资源稳定性、存储容量等。由于使用云计算系统的用户的需求中有这么多的QoS参数，所以云计算系统为了满足不同用户所提任务的不同需求而开发了能够提供不同服务的平台。这些平台可以满足用户不同类型的需求，比如保证系统的可靠性，消耗更少的成本，提供更高的数据传输速率等等。这么多的QoS需求对云计算任务调度算法的实现是一个巨大的挑战。对于当前已经提出的基于QoS的任务调度即便是考虑了用户对任务的QoS需求，但也只是简单地考虑了一维QoS需求，即单一的时间或者成本。因此，提出具有多维QoS约束的任务调度策略对于云计算的发展是非常有必要的。
发明内容
本发明解决的技术问题在于提供一种多服务质量约束的云计算任务调度方法；以提出具有多维QoS约束的任务调度策略。
本发明解决上述技术问题的技术方案是：
所有用户对提交的任务给出其需求的QoS描述，所有资源在发布时也给出其提供QoS服务能力描述；调度算法根据这些QoS描述，尝试搜索得到QoS最优化的任务调度方案。
所述的方法具体步骤是：
获取任务集T和云资源集R，并提取任务集和资源的QoS；
对任务集和资源QoS进行标准化，得到标准化任务QoS矩阵和资源QoS矩阵；
计算各为资源的QoS权值；
计算任务集中各任务的综合QoS需求，并按照QoS需求将任务降序排列，得到新的任务集TT；
对新的任务集TT中的第一个任务t1，计算其到各资源的QoS满意度；得到QoS满意度最大的资源集RR；
若最大的资源集RR中只有一个资源，分配t1到该资源执行；否则，计算t1到RR集中各资源的QoS距离，分配t1到QoS距离最小的资源上执行；
若有多个任务，则将分配资源的任务删除，然后，按照前一步的方法进行执行资源的分配；直至全部任务分配了执行资源；
在任务执行资源分配完成后，轮询任务是否执行完毕；
如任务未执行完毕，则检查是否有空闲资源；在有空闲资源情况时，进一步判断该资源中的最高QoS满意度任务序列中有无未执行完毕的任务；未有空闲资源时，则返回到任务执行完毕与否的轮询；
如空闲资源中最高QoS满意度任务执行完毕，则将未执行完毕的任务调度到该最高QoS满意度的空闲资源直至任务执行完毕；
如任务执行完毕，则结束。
所述的任务集合表示为T，T＝{t1,t2,…,tn}，n＝|T|，为用户任务数量，ti表示用户的第i个任务，i∈[1,n]；ti＝{tID,tLen,tQoS,tSta}；
tID；表示任务的唯一标识；
tLen：表示任务的长度，单位：MI(Million Instruction)；
tQoS：tQoS＝{QoS1,QoS2,...,QoSk}表示任务的多维QoS需求，k表示QoS维度；
tSta：tSta＝{tAlloc,tExecu,tSucc}，表示用户任务的状态，分三种：tAlloc表示任务待调度状态，tExecu表示任务执行状态，tSucc表示任务执行完成状态；
将资源的物理主机集合表法为P，P＝{p1,p2...,pl}，l＝|P|，为物理主机数量；Ph＝{pID,pType,pSta}。
PID：表示物理主机的唯一标识；
Ptype：表示物理主机的类型，如工作站、大型机或微型机等；
Psta：表示物理主机的状态，Psta＝{pFree,pRun}，pFre表示物理主机处于空闲状态，即没有部署虚拟机或虚拟机没有执行任务，pRun表示物理主机处于工作状态；
以虚拟机形式表示资源，资源集合表示为R，R＝{r1,r2,...,rm}，m＝|R|，为云数据中心提供的资源(虚拟机)数量，rj表示第j个资源，j∈[1,m]；rj＝{rID,rCap,rQoS,rSta,rLoc}；
rID：表示资源的唯一标识；
rCap：表示资源的计算能力，单位：MIPS(Million Instructin Per Second)；
rQoS：rQoS＝{QoS1,QoS2,...,QoSk}表示资源的多维QoS服务能力，k表示QoS维度。
rSta：rSta＝{rRun,rFre}表示资源的状态，分两种：rRun表示资源处于执行任务状态，rFre表示资源处于空闲状态。
rLoc：表示资源所在的物理主机。
所述的QoS标准化是：
令资源提供的QoS维度为k，资源数量为m，则m个资源所提供的QoS为一个m×k矩阵，表示为：
Figure PCTCN2015090064-appb-000001
令任务数为n，则n个任务在k维QoS上的需求可表示为n×k矩阵，表示为：
Figure PCTCN2015090064-appb-000002
然后按一下方式进行标准化处理；
首先联立两个矩阵，得到联立矩阵，
Figure PCTCN2015090064-appb-000003
标准化处理时，将QoS分为积极度量和消极度量；积极度量值越高表明服务质量越高，如可靠性、安全性、稳定性；消耗度量值越低表明服务质量越高，如服务费用；积极度量以式令进行标准化，消耗度量以式该进行标准化；
Figure PCTCN2015090064-appb-000004
  式1
Figure PCTCN2015090064-appb-000005
  式2
其中，qosi,j表示矩阵QoSm+n,k中第i行第j列QoS值，1<＝i<＝m+n，1<＝j<＝k，
Figure PCTCN2015090064-appb-000006
分别表示在矩阵QoSm+n,k中第j列QoS参数值的最小值和最大值，
Figure PCTCN2015090064-appb-000007
表示标准化后的第i行第j列的QoS值，标准化矩阵表示为：
Figure PCTCN2015090064-appb-000008
分离标准化矩阵
Figure PCTCN2015090064-appb-000009
得到标准化资源QoS矩阵和任务QoS矩阵，表示为
Figure PCTCN2015090064-appb-000010
和
Figure PCTCN2015090064-appb-000011
Figure PCTCN2015090064-appb-000012
所述的资源QoS满意度的计算是：
对于积极度量，以式1计算用户在该维QoS上获得的满意度，对于消极度量，以式2计算满意度；
Figure PCTCN2015090064-appb-000013
  式1
Figure PCTCN2015090064-appb-000014
  式2
则用户任务ti在所执行的资源上各维QoS上的综合满意度为：
Figure PCTCN2015090064-appb-000015
所有用户任务的平均QoS满意度为：
Figure PCTCN2015090064-appb-000016
任务调度过程中，尽量选择满意度最高的资源进行分配。
所述的QoS距离计算是：
利用加权距离来度量任务与资源之间的QoS距离，
Figure PCTCN2015090064-appb-000017
其中，wj表示第j维QoS在距离计算时所占权重；wj使用离差最大化方法决定大小；资源在第j维QoS上提供的能力大小差距越大，说明该参数在测量距离时的影响就越大，相应的wj越大，否则，wj越小；考虑所有资源在第j维QoS上的提供的能力大小相等，则该参数在测量距离时影响为0，此时应把wj定为0；对于第j维QoS，用Di,j(w)表示资源ri与其他资源在此QoS服务能力的离差，则
Figure PCTCN2015090064-appb-000018
令
Figure PCTCN2015090064-appb-000019
Dj表示在第j维QoS上各个资源的服务能力与其他资源服务能力的总离差；
用下式计算出在QoS参数标准化后资源QoS综合服务能力和用户QoS综合需求的值；
Figure PCTCN2015090064-appb-000020
对于各个资源，Uqos(w)越大，其综合QoS服务能力越好；由此构造目标函数，
Figure PCTCN2015090064-appb-000021
等同于
Figure PCTCN2015090064-appb-000022
通过拉格朗日法可求得目标函数最大时，
Figure PCTCN2015090064-appb-000023
本发明针对云计算环境下对QoS目标约束要求各不相同的用户任务调度问题，提出了一种多QoS约束的云计算任务调度方法。该方法综合考虑任务和资源之间基于最大QoS满意度和最小QoS距离，通过构造反映QoS服务能力的目标函数，并以拉格朗日法求解目标函数，得到资源选择和任务调度的解。本发明在满足用户任务QoS最大满意度的前提下，选择最小QoS距离的资源进行映射，不仅可以确保多维的QoS约束时的任务调度效率，降低平均任务执行时间，还可以保证资源利用率。
附图说明
下面结合附图对本发明进一步说明：
图1是本发明云计算任务调度模型；
图2是本发明算法流程图。
具体实施方式
见图2所示，本发明的任务调度具体步骤是：
获取任务集T和云资源集R，并提取任务集和资源的QoS；
对任务集和资源QoS进行标准化，得到标准化任务QoS矩阵和资源QoS矩阵；
计算各为资源的QoS权值；
计算任务集中各任务的综合QoS需求，并按照QoS需求将任务降序排列，得到新的任务集TT；
对新的任务集TT中的第一个任务t1，计算其到各资源的QoS满意度；得到QoS满意度最大的资源集RR；
若最大的资源集RR中只有一个资源，分配t1到该资源执行；否则，计算t1到RR集中各资源的QoS距离，分配t1到QoS距离最小的资源上执行；
若有多个任务，则将分配资源的任务删除，然后，按照前一步的方法进行执行资源的分配；直至全部任务分配了执行资源；
在任务执行资源分配完成后，轮询任务是否执行完毕；
如任务未执行完毕，则检查是否有空闲资源；在有空闲资源情况时，进一步判断该资源中的最高QoS满意度任务序列中有无未执行完毕的任务；未有空闲资源时，则返回到任务执行完毕与否的轮询；
如空闲资源中最高QoS满意度任务执行完毕，则将未执行完毕的任务调度到该最高QoS满意度的空闲资源直至任务执行完毕；
如任务执行完毕，则结束。
下面，从云任务调度的QoS、云计算的多维QoS约束、问题描述、多维QoS 约束方法等方面进行详细描述。
1、云任务调度的QoS
基于Qos约束的云计算任务调度模型中，所有用户提交的任务需要给出其需求的QoS描述，而所有资源在发布时也需要给出其提供QoS服务能力描述。调度算法根据这些QoS描述，尝试搜索得到QoS最优化的任务调度方案。任务和资源给出的QoS描述可以有若干类别，对于每一类QoS描述，为量化其被不同程度满足时系统获得的收益，引出效益函数的概念。
作为度量标准的QoS描述包括：
时间性描述：时间相关的属性描述。任务的时间性QoS描述包括总完成时间、开始时间、最迟完成时间等。资源的时间性QoS描述包括资源的计算能力等。不失一般性，考虑任务的最迟完成时间及由资源计算能力得出的任务在资源上的运行时间。
可靠性描述：长时间运行的任务可能由于资源失效而失败。重新执行任务将造成重复的资源消耗，导致系统性能降低。将任务按其要求的可靠性进行调度，可以减少这种情况的发生。任务的该类描述包括最小成功完成率等；资源的该类描述包括单位时间失效率等。
优先级：描述任务的相对重要性。优先级较高的任务需要较早被执行，而优先级较高的资源在效益相同时将优先被使用。
作为策略的QoS描述主要为服务级别，它作用于以上的各类描述，包括：
硬性级：具有这种级别的QoS描述具有最强的约束力。任务的该类描述必须得到满足，否则对其的调度就是无效的。
软性级：有一些QoS描述不需要这么强的约束。任务的此类描述如被满足， 则获得最大效益，但如不满足，调度也不被认为是无效的，只是效益受到影响。
尽力级：这一级别用来表现一些不被关注或无关紧要的QoS描述。任务和资源的此类描述会被尽量满足或实现。
2、云计算的多维QoS约束
传统的云任务调度目标一般是单维QoS的保证，如最短的任务完成时间。现实的云计算环境中，云用户所期望的利益是多重的，并不是单一的需求。以时间性QoS描述为例，有的用户不仅仅追求任务得到最短的完成时间，还要求在某一时间期限内完成任务。云环境是步及多个实体的分布式环境，从云用户实体和云资源实体的角度讲，其在管理机制、安全策略和费用等方面的QoS目标都不尽相同。如，用户不仅期望任务完成的时间最短，还要求任务执行的花费最小化。而云资源实体更多的考虑的是自身进行任务执行的收益，同时关注整个系统的吞吐量最大化。
本发明将重点关注以下四种类型的QoS，并作量化处理：
1)安全性
安全QoS定义为：
Figure PCTCN2015090064-appb-000024
其中，n表示安全参数数目，ti表示第i个安全参数的权重，si＝1表示第i个安全参数得到满足，否则为0。
2)稳定QoS
Figure PCTCN2015090064-appb-000025
其中，RunTime表示资源正常运行时间，FailureTime表示资源失效时间。
3)成功率QoS
Figure PCTCN2015090064-appb-000026
其中，Nsuccess表示资源上成功执行的任务数，Ntotal表示分配到资源上总的任务数。
4)费用QoS
QoSCost＝V×T
其中，V表示资源利用单价，T表示任务在资源上运行的时间。
3、问题描述
关于云计算任务，先作如下假设：考虑的云任务类型主要为计算型元任务，任务之间不具有依赖性，任务在资源上执行时不考虑执行过程中的跨资源执行，即用户提交的元任务即为任务调度的最小单元。
任务集合表示为T，T＝{t1,t2,…,tn}，n＝|T|，为用户任务数务，ti表示用户的第i个任务，i∈[1,n]。ti＝{tID,tLen,tQoS,tSta}。
tID：表示任务的唯一标识；
tLen：表示任务的长度，单位：MI(Million Instruction)；
tQoS：tQoS＝{QoS1,QoS2,...,QoSk}表示任务的多维QoS需求，k表示QoS维度。
tSta：tSta＝{tAlloc,tExecu,tSucc}，表示用户任务的状态，分三种：tAlloc表示任务待调度状态，tExecu表示任务执行状态，tSucc表示任务执行完成状态。
云计算提供资源的方式是在数据中心中将物理主机虚拟化为多台虚拟机进行资源提供的，物理主机集合表法为P，P＝{p1,p2...,pl}，l＝|P|，为物理主机数量。Ph＝{pID,pType,pSta}。
PID：表示物理主机的唯一标识；
Ptype：表示物理主机的类型，如工作站、大型机或微型机等；
Psta：表示物理主机的状态，Psta＝{pFree,pRun}，pFre表示物理主机处于空闲状态，即没有部署虚拟机或虚拟机没有执行任务，pRun表示物理主机处于工作状态。
由于任务最终是在虚拟机上执行，以虚拟机形式表示资源，资源集合表示为R，R＝{r1,r2,...,rm}，m＝|R|，为云数据中心提供的资源(虚拟机)数量，rj表示第j个资源，j∈[1,m]。rj＝{rID,rCap,rQoS,rSta,rLoc}。
rID：表示资源的唯一标识；
rCap：表示资源的计算能力，单位：MIPS(Million Instructin Per Second)；
rQoS：rQoS＝{QoS1,QoS2,...,QoSk}表示资源的多维QoS服务能力，k表示QoS维度。
rSta：rSta＝{rRun,rFre}表示资源的状态，分两种：rRun表示资源处于执行任务状态，rFre表示资源处于空闲状态。
rLoc：表示资源所在的物理主机。
基于以上三类实体，云计算任务调度模型如图1所示。
4、多维QoS约束方法
1)多维QoS标准化
令资源提供的QoS维度为k，资源数量为m，则m个资源所提供的QoS为一个m×k矩阵，表示为：
Figure PCTCN2015090064-appb-000027
令任务数为n，则n个任务在k维QoS上的需求可表示为n×k矩阵，表示为：
Figure PCTCN2015090064-appb-000028
由于资源的QoS提供与任务的QoS需求的差异性，为了便于评价用户QoS需求和资源的QoS服务能力，以下则两个矩阵进行标准化处理。
首先联立两个矩阵，得到联立矩阵，
Figure PCTCN2015090064-appb-000029
标准化处理时，将QoS分以积极度量和消极度量。积极度量值越高表明服务质量越高，如可靠性、安全性、稳定性。消耗度量值越低表明服务质量越高，如服务费用。积极度量以式1进行标准化，消耗度量以式2进行标准化，
Figure PCTCN2015090064-appb-000030
Figure PCTCN2015090064-appb-000031
其中，qosi,j表示矩阵QoSm+n,k中第i行第j列QoS值，1<＝i<＝m+n，1<＝j<＝k，
Figure PCTCN2015090064-appb-000032
分别表示在矩阵QoSm+n,k中第j列QoS参数值的最小值和最大值，
Figure PCTCN2015090064-appb-000033
表示标准化后的第i行第j列的QoS值，标准化矩阵表示为：
Figure PCTCN2015090064-appb-000034
分离标准化矩阵
Figure PCTCN2015090064-appb-000035
得到标准化资源QoS矩阵和任务QoS矩阵，表示为
Figure PCTCN2015090064-appb-000036
和
Figure PCTCN2015090064-appb-000037
Figure PCTCN2015090064-appb-000038
2)用户的QoS满意度
任务调度应最大化地满意用户的QoS需求。对于积极度量，以式1计算用户在该维QoS上获得的满意度，对于消极度量，以式2计算满意度。
Figure PCTCN2015090064-appb-000039
Figure PCTCN2015090064-appb-000040
则用户任务ti在所执行的资源上各维QoS上的综合满意度为：
Figure PCTCN2015090064-appb-000041
所有用户任务的平均QoS满意度为：
Figure PCTCN2015090064-appb-000042
任务调度过程中，将尽量选择满意度最高的资源进行分配。
3)QoS距离度量
为了不使低QoS需求的任务占用高QoS的资源，影响其他用户的任务执行，导致总的执行时间增加，应该尽可能使任务分配到和自己QoS需求相似的资源上执行。利用加权距离来度量任务与资源之间的QoS距离，
Figure PCTCN2015090064-appb-000043
其中，wj表示第j维QoS在距离计算时所占权重。由于资源在各维QoS上提供的能力大小差距不同，为了更好地进行距离测量，使用离差最大化方法决定wj的大小。资源在第j维QoS上提供的能力大小差距越大，说明该参数在测量距离时的影响就越大，相应的wj越大，否则，wj越小。考虑所有资源在第j维QoS上的提供的能力大小相等，则该参数在测量距离时影响为0，此时应把wj定为0。对于第j维QoS，用Di,j(w)表示资源ri与其他资源在此QoS服务能力的离差，则
Figure PCTCN2015090064-appb-000044
令
Figure PCTCN2015090064-appb-000045
Dj表示在第j维QoS上各个资源的服务能力与其他资源服务能力的总离差。
用下式计算出在QoS参数标准化后资源QoS综合服务能力和用户QoS综合需求的值。
Figure PCTCN2015090064-appb-000046
显然，对于各个资源来说，Uqos(w)越大，其综合QoS服务能力越好。由此构造目标函数，
Figure PCTCN2015090064-appb-000047
等同于
Figure PCTCN2015090064-appb-000048
通过拉格朗日法可求得目标函数最大时，
Figure PCTCN2015090064-appb-000049

Claims (8)

  1. 一种多服务质量约束的云计算任务调度方法，其特征在于：所有用户对提交的任务给出其需求的QoS描述，所有资源在发布时也给出其提供QoS服务能力描述；调度算法根据这些QoS描述，尝试搜索得到QoS最优化的任务调度方案。
  2. 根据权利要求1所述的多服务质量约束的云计算任务调度方法，其特征在于：所述的方法具体步骤是：
    获取任务集T和云资源集R，并提取任务集和资源的QoS；
    对任务集和资源QoS进行标准化，得到标准化任务QoS矩阵和资源QoS矩阵；
    计算各为资源的QoS权值；
    计算任务集中各任务的综合QoS需求，并按照QoS需求将任务降序排列，得到新的任务集TT；
    对新的任务集TT中的第一个任务t1，计算其到各资源的QoS满意度；得到QoS满意度最大的资源集RR；
    若最大的资源集RR中只有一个资源，分配t1到该资源执行；否则，计算t1到RR集中各资源的QoS距离，分配t1到QoS距离最小的资源上执行；
    若有多个任务，则将分配资源的任务删除，然后，按照前一步的方法进行执行资源的分配；直至全部任务分配了执行资源；
    在任务执行资源分配完成后，轮询任务是否执行完毕；
    如任务未执行完毕，则检查是否有空闲资源；在有空闲资源情况时，进一 步判断该资源中的最高QoS满意度任务序列中有无未执行完毕的任务；未有空闲资源时，则返回到任务执行完毕与否的轮询；
    如空闲资源中最高QoS满意度任务执行完毕，则将未执行完毕的任务调度到该最高QoS满意度的空闲资源直至任务执行完毕；
    如任务执行完毕，则结束。
  3. 根据权利要求2所述的多服务质量约束的云计算任务调度方法，其特征在于：所述的任务集合表示为T，T＝{t1，t2，...，tn}，n＝|T|，为用户任务数量，ti表示用户的第i个任务，i∈[1，n]；ti＝{tID，tLen，tQoS，tSta}；
    tID：表示任务的唯一标识；
    tLen：表示任务的长度，单位：MI(Million Instruction)；
    tQoS：tQoS＝{QoS1，QoS2，...，QoSk}表示任务的多维QoS需求，k表示QoS维度；
    tSta：tSta＝{tAlloc，tExecu，tSucc}，表示用户任务的状态，分三种：tAlloc表示任务待调度状态，tExecu表示任务执行状态，tSucc表示任务执行完成状态；
    将资源的物理主机集合表法为P，P＝{p1，p2...，pl}，l＝|P|，为物理主机数量；Ph＝{pID，pType，pSta}。
    PID：表示物理主机的唯一标识；
    Ptype：表示物理主机的类型，如工作站、大型机或微型机等；
    Psta：表示物理主机的状态，Psta＝{pFree，pRun}，pFre表示物理主机处于空闲状态，即没有部署虚拟机或虚拟机没有执行任务，pRun表示物理主机处于工作状态；
    以虚拟机形式表示资源，资源集合表示为R，R＝{r1，r2，...，rm}，m＝|R|，为云 数据中心提供的资源(虚拟机)数量，rj表示第j个资源，j∈[1，m]；rj＝{rID，rCap，rQoS，rSta，rLoc}；
    rID：表示资源的唯一标识；
    rCap：表示资源的计算能力，单位：MIPS(Million Instructin Per Second)；
    rQoS：rQoS＝{QoS1，QoS2，...，QoSk}表示资源的多维QoS服务能力，k表示QoS维度。
    rSta：rSta＝{rRun，rFre}表示资源的状态，分两种：rRun表示资源处于执行任务状态，rFre表示资源处于空闲状态。
    rLoc：表示资源所在的物理主机。
  4. 根据权利要求2所述的多服务质量约束的云计算任务调度方法，其特征在于：所述的QoS标准化是：
    令资源提供的QoS维度为k，资源数量为m，则m个资源所提供的QoS为一个m×k矩阵，表示为：
    Figure PCTCN2015090064-appb-100001
    令任务数为n，则n个任务在k维QoS上的需求可表示为n×k矩阵，表示为：
    Figure PCTCN2015090064-appb-100002
    然后按一下方式进行标准化处理；
    首先联立两个矩阵，得到联立矩阵，
    Figure PCTCN2015090064-appb-100003
    标准化处理时，将QoS分为积极度量和消极度量；积极度量值越高表明服务质量越高，如可靠性、安全性、稳定性；消耗度量值越低表明服务质量越高，如服务费用；积极度量以式1进行标准化，消耗度量以式2进行标准化；
    Figure PCTCN2015090064-appb-100004
            式1
    Figure PCTCN2015090064-appb-100005
            式2
    其中，qosi，j表示矩阵QoSm+n，k中第i行第j列QoS值，1＜＝i＜＝m+n，1＜＝j＜＝k，
    Figure PCTCN2015090064-appb-100006
    分别表示在矩阵QoSm+n，k中第j列QoS参数值的最小值和最大值，
    Figure PCTCN2015090064-appb-100007
    表示标准化后的第i行第j列的QoS值，标准化矩阵表示为：
    Figure PCTCN2015090064-appb-100008
    分离标准化矩阵
    Figure PCTCN2015090064-appb-100009
    得到标准化资源QoS矩阵和任务QoS矩阵，表示为
    Figure PCTCN2015090064-appb-100010
    和
    Figure PCTCN2015090064-appb-100011
    Figure PCTCN2015090064-appb-100012
  5. 根据权利要求3所述的多服务质量约束的云计算任务调度方法，其特征在于：所述的QoS标准化是：
    令资源提供的QoS维度为k，资源数量为m，则m个资源所提供的QoS为一个m×k矩阵，表示为：
    Figure PCTCN2015090064-appb-100013
    令任务数为n，则n个任务在k维QoS上的需求可表示为n×k矩阵，表示为：
    Figure PCTCN2015090064-appb-100014
    然后按一下方式进行标准化处理；
    首先联立两个矩阵，得到联立矩阵，
    Figure PCTCN2015090064-appb-100015
    标准化处理时，将QoS分为积极度量和消极度量；积极度量值越高表明服务质量越高，如可靠性、安全性、稳定性；消耗度量值越低表明服务质量越高，如服务费用；积极度量以式1进行标准化，消耗度量以式2进行标准化；
    Figure PCTCN2015090064-appb-100016
            式1
    Figure PCTCN2015090064-appb-100017
              式2
    其中，qosi，j表示矩阵QoSm+n，k中第i行第j列QoS值，1＜＝i＜＝m+n，1＜＝j＜＝k，
    Figure PCTCN2015090064-appb-100018
    分别表示在矩阵QoSm+n，k中第j列QoS参数值的最小值和最大值，
    Figure PCTCN2015090064-appb-100019
    表示标准化后的第i行第j列的QoS值，标准化矩阵表示为：
    Figure PCTCN2015090064-appb-100020
    分离标准化矩阵
    Figure PCTCN2015090064-appb-100021
    得到标准化资源QoS矩阵和任务QoS矩阵，表示为
    Figure PCTCN2015090064-appb-100022
    和
    Figure PCTCN2015090064-appb-100023
    Figure PCTCN2015090064-appb-100024
  6. 根据权利要求2至5任一项所述的多服务质量约束的云计算任务调度方法，其特征在于：所述的资源QoS满意度的计算是：
    对于积极度量，以式1计算用户在该维QoS上获得的满意度，对于消极度量，以式2计算满意度；
    Figure PCTCN2015090064-appb-100025
            式1
    Figure PCTCN2015090064-appb-100026
          式2
    则用户任务ti在所执行的资源上各维QoS上的综合满意度为：
    Figure PCTCN2015090064-appb-100027
    所有用户任务的平均QoS满意度为：
    Figure PCTCN2015090064-appb-100028
    任务调度过程中，尽量选择满意度最高的资源进行分配。
  7. 根据权利要求2至5任一项所述的多服务质量约束的云计算任务调度方法，其特征在于：所述的QoS距离计算是：
    利用加权距离来度量任务与资源之间的QoS距离，
    Figure PCTCN2015090064-appb-100029
    Figure PCTCN2015090064-appb-100030
    其中，wj表示第j维QoS在距离计算时所占权重；wj使用离差最大化方法决定大小；资源在第j维QoS上提供的能力大小差距越大，说明该参数在测量距离时的影响就越大，相应的wj越大，否则，wj越小；考虑所有资源在第j维QoS上的提供的能力大小相等，则该参数在测量距离时影响为0，此时应把wj定为0；对于第j维QoS，用Di，j(w)表示资源ri与其他资源在此QoS服务能力的离差，则
    Figure PCTCN2015090064-appb-100031
    令
    Figure PCTCN2015090064-appb-100032
    Dj表示在第j维QoS上各个资源的服务能力与其他资源服务能力的总离差；
    用下式计算出在QoS参数标准化后资源QoS综合服务能力和用户QoS综合需求的值；
    Figure PCTCN2015090064-appb-100033
    对于各个资源，Uqos(w)越大，其综合QoS服务能力越好；由此构造目标函数，
    Figure PCTCN2015090064-appb-100034
    等同于
    Figure PCTCN2015090064-appb-100035
    Figure PCTCN2015090064-appb-100036
    通过拉格朗日法可求得目标函数最大时，
    Figure PCTCN2015090064-appb-100037
  8. 根据权利要求6所述的多服务质量约束的云计算任务调度方法，其特征 在于：所述的QoS距离计算是：
    利用加权距离来度量任务与资源之间的QoS距离，
    Figure PCTCN2015090064-appb-100038
    Figure PCTCN2015090064-appb-100039
    其中，wj表示第j维QoS在距离计算时所占权重；wj使用离差最大化方法决定大小；资源在第j维QoS上提供的能力大小差距越大，说明该参数在测量距离时的影响就越大，相应的wj越大，否则，wj越小；考虑所有资源在第j维QoS上的提供的能力大小相等，则该参数在测量距离时影响为0，此时应把wj定为0；对于第j维QoS，用Di，j(w)表示资源ri与其他资源在此QoS服务能力的离差，则
    Figure PCTCN2015090064-appb-100040
    令
    Figure PCTCN2015090064-appb-100041
    Dj表示在第j维QoS上各个资源的服务能力与其他资源服务能力的总离差；
    用下式计算出在QoS参数标准化后资源QoS综合服务能力和用户QoS综合需求的值；
    Figure PCTCN2015090064-appb-100042
    对于各个资源，Uqos(w)越大，其综合QoS服务能力越好；由此构造目标函数，
    Figure PCTCN2015090064-appb-100043
    等同于
    Figure PCTCN2015090064-appb-100044
    Figure PCTCN2015090064-appb-100045
    通过拉格朗日法可求得目标函数最大时，
    Figure PCTCN2015090064-appb-100046
PCT/CN2015/090064 2015-09-16 2015-09-19 一种多服务质量约束的云计算任务调度方法 WO2017045211A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201510593188.X 2015-09-16
CN201510593188.XA CN105141697A (zh) 2015-09-16 2015-09-16 一种多QoS约束的云计算任务调度方法

Publications (1)

Publication Number Publication Date
WO2017045211A1 true WO2017045211A1 (zh) 2017-03-23

Family

ID=54726900

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2015/090064 WO2017045211A1 (zh) 2015-09-16 2015-09-19 一种多服务质量约束的云计算任务调度方法

Country Status (2)

Country Link
CN (1) CN105141697A (zh)
WO (1) WO2017045211A1 (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107943566A (zh) * 2017-10-19 2018-04-20 中国人民解放军空军工程大学 一种基于最早时间线的多功能一体化雷达任务调度算法
CN108958919A (zh) * 2018-07-13 2018-12-07 湘潭大学 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
CN109639498A (zh) * 2018-12-27 2019-04-16 国网江苏省电力有限公司南京供电分公司 一种基于sdn与nfv的面向业务质量的资源柔性配置方法
CN110147280A (zh) * 2019-05-14 2019-08-20 河南城建学院 基于安全与成本感知的大数据应用调度方法
CN111447266A (zh) * 2020-03-24 2020-07-24 中国人民解放军国防科技大学 一种基于链的移动边缘计算模型及其服务请求、调度方法
CN111737009A (zh) * 2020-07-28 2020-10-02 北京千丁互联科技有限公司 本地端与云端计算分配方法、装置和本地服务器
CN111818119A (zh) * 2020-05-04 2020-10-23 国网浙江省电力有限公司 基于改进的蜘蛛集群的数据服务资源优化调度方法
CN112073491A (zh) * 2020-08-31 2020-12-11 北京中交创新投资发展有限公司 一种面向互联网gis应用的网关代理及服务调度方法
CN112149958A (zh) * 2020-08-24 2020-12-29 成都天奥集团有限公司 一种天地基站网资源多维度效能评估指标的计算方法
CN112181694A (zh) * 2020-10-14 2021-01-05 重庆邮电大学 一种云计算网络维护可靠性分析方法
CN112256427A (zh) * 2020-10-21 2021-01-22 北京人人云图信息技术有限公司 一种基于改进分支限界法的大规模资源快速分配装置
CN113051046A (zh) * 2020-12-09 2021-06-29 南京航空航天大学 一种车载云环境下基于动态优先级的任务调度方法
CN113254146A (zh) * 2021-04-25 2021-08-13 西安电子科技大学 云平台服务信任值计算、任务调度与负载均衡系统、方法
CN113467903A (zh) * 2021-05-18 2021-10-01 杭州电子科技大学 一种面向能耗与安全感知的服务工作流调度方法
CN114531365A (zh) * 2022-04-24 2022-05-24 北京华创方舟科技集团有限公司 多云环境下云资源自动化运维的方法

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106973030A (zh) * 2016-01-14 2017-07-21 北京仿真中心 一种基于sla的云仿真资源调度方法
CN105744006A (zh) * 2016-05-10 2016-07-06 中国民航大学 一种面向多类型服务的粒子群优化用户请求调度方法
CN106610866A (zh) * 2016-06-17 2017-05-03 四川用联信息技术有限公司 云存储环境下一种服务价值约束的任务调度算法
CN106095581B (zh) * 2016-06-18 2022-07-26 南京采薇且歌信息科技有限公司 一种私有云条件下的网络存储虚拟化调度方法
CN106445631B (zh) * 2016-08-26 2020-02-14 华为技术有限公司 一种布署虚拟机的方法、系统以及物理服务器
CN107656810B (zh) * 2017-08-29 2021-01-08 山东师范大学 数据中心环境下保证延迟敏感程序服务质量的方法
CN107967179B (zh) * 2017-12-12 2021-08-06 山东省计算中心（国家超级计算济南中心） 一种支持突发应急的云计算资源分配方法
CN108563498A (zh) * 2018-04-12 2018-09-21 武汉轻工大学 一种云计算任务调度方法及模拟系统
CN109656685A (zh) * 2018-12-14 2019-04-19 深圳市网心科技有限公司 容器资源调度方法和系统、服务器及计算机可读存储介质
CN113900824B (zh) * 2021-10-29 2024-06-07 桂林航天工业学院 一种云平台虚拟资源高速调度方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101271407A (zh) * 2008-05-13 2008-09-24 武汉理工大学 一种基于能量优化的网格调度方法
CN101271405A (zh) * 2008-05-13 2008-09-24 武汉理工大学 基于QoS约束的双向分级网格资源调度方法
CN103561077A (zh) * 2013-10-29 2014-02-05 李飞 一种多QoS约束的云存储任务调度法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060070060A1 (en) * 2004-09-28 2006-03-30 International Business Machines Corporation Coordinating service performance and application placement management

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101271407A (zh) * 2008-05-13 2008-09-24 武汉理工大学 一种基于能量优化的网格调度方法
CN101271405A (zh) * 2008-05-13 2008-09-24 武汉理工大学 基于QoS约束的双向分级网格资源调度方法
CN103561077A (zh) * 2013-10-29 2014-02-05 李飞 一种多QoS约束的云存储任务调度法

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107943566B (zh) * 2017-10-19 2023-10-24 中国人民解放军空军工程大学 一种基于最早时间线的多功能一体化雷达任务调度算法
CN107943566A (zh) * 2017-10-19 2018-04-20 中国人民解放军空军工程大学 一种基于最早时间线的多功能一体化雷达任务调度算法
CN108958919A (zh) * 2018-07-13 2018-12-07 湘潭大学 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
CN109639498B (zh) * 2018-12-27 2021-08-31 国网江苏省电力有限公司南京供电分公司 一种基于sdn与nfv的面向业务质量的资源柔性配置方法
CN109639498A (zh) * 2018-12-27 2019-04-16 国网江苏省电力有限公司南京供电分公司 一种基于sdn与nfv的面向业务质量的资源柔性配置方法
WO2020134133A1 (zh) * 2018-12-27 2020-07-02 国网江苏省电力有限公司南京供电分公司 一种资源配置方法、变电站及计算机可读存储介质
CN110147280A (zh) * 2019-05-14 2019-08-20 河南城建学院 基于安全与成本感知的大数据应用调度方法
CN110147280B (zh) * 2019-05-14 2023-01-31 河南城建学院 基于安全与成本感知的大数据应用调度方法
CN111447266A (zh) * 2020-03-24 2020-07-24 中国人民解放军国防科技大学 一种基于链的移动边缘计算模型及其服务请求、调度方法
CN111447266B (zh) * 2020-03-24 2022-11-11 中国人民解放军国防科技大学 一种基于链的移动边缘计算模型及其服务请求、调度方法
CN111818119A (zh) * 2020-05-04 2020-10-23 国网浙江省电力有限公司 基于改进的蜘蛛集群的数据服务资源优化调度方法
CN111818119B (zh) * 2020-05-04 2023-10-24 国网浙江省电力有限公司 基于改进的蜘蛛集群的数据服务资源优化调度方法
CN111737009A (zh) * 2020-07-28 2020-10-02 北京千丁互联科技有限公司 本地端与云端计算分配方法、装置和本地服务器
CN112149958A (zh) * 2020-08-24 2020-12-29 成都天奥集团有限公司 一种天地基站网资源多维度效能评估指标的计算方法
CN112149958B (zh) * 2020-08-24 2024-02-13 成都天奥集团有限公司 一种天地基站网资源多维度效能评估指标的计算方法
CN112073491A (zh) * 2020-08-31 2020-12-11 北京中交创新投资发展有限公司 一种面向互联网gis应用的网关代理及服务调度方法
CN112073491B (zh) * 2020-08-31 2023-08-22 交信北斗科技有限公司 一种面向互联网gis应用的网关代理及服务调度方法
CN112181694B (zh) * 2020-10-14 2023-08-04 重庆邮电大学 一种云计算网络维护可靠性分析方法
CN112181694A (zh) * 2020-10-14 2021-01-05 重庆邮电大学 一种云计算网络维护可靠性分析方法
CN112256427A (zh) * 2020-10-21 2021-01-22 北京人人云图信息技术有限公司 一种基于改进分支限界法的大规模资源快速分配装置
CN112256427B (zh) * 2020-10-21 2024-04-05 北京人人云图信息技术有限公司 一种基于改进分支限界法的大规模资源快速分配装置
CN113051046A (zh) * 2020-12-09 2021-06-29 南京航空航天大学 一种车载云环境下基于动态优先级的任务调度方法
CN113051046B (zh) * 2020-12-09 2024-05-24 南京航空航天大学 一种车载云环境下基于动态优先级的任务调度方法
CN113254146A (zh) * 2021-04-25 2021-08-13 西安电子科技大学 云平台服务信任值计算、任务调度与负载均衡系统、方法
CN113467903A (zh) * 2021-05-18 2021-10-01 杭州电子科技大学 一种面向能耗与安全感知的服务工作流调度方法
CN113467903B (zh) * 2021-05-18 2024-04-16 杭州电子科技大学 一种面向能耗与安全感知的服务工作流调度方法
CN114531365A (zh) * 2022-04-24 2022-05-24 北京华创方舟科技集团有限公司 多云环境下云资源自动化运维的方法
CN114531365B (zh) * 2022-04-24 2022-07-15 北京华创方舟科技集团有限公司 多云环境下云资源自动化运维的方法

Also Published As

Publication number Publication date
CN105141697A (zh) 2015-12-09

Similar Documents

Publication Publication Date Title
WO2017045211A1 (zh) 一种多服务质量约束的云计算任务调度方法
US10089140B2 (en) Dynamically adaptive, resource aware system and method for scheduling
Singh et al. Cloud resource provisioning: survey, status and future research directions
WO2020206705A1 (zh) 一种基于集群节点负载状态预测的作业调度方法
Singh et al. QRSF: QoS-aware resource scheduling framework in cloud computing
Selvarani et al. Improved cost-based algorithm for task scheduling in cloud computing
CN111431961B (zh) 一种云数据中心的节能任务分配方法
Hui et al. Improved strategies for dynamic load balancing
Liu et al. Resource preprocessing and optimal task scheduling in cloud computing environments
Zhao et al. Online virtual machine placement for increasing cloud provider’s revenue
CN112181620B (zh) 云环境下虚拟机服务能力感知的大数据工作流调度方法
Zhang et al. Heterogeneity aware dominant resource assistant heuristics for virtual machine consolidation
WO2020248226A1 (zh) 一种基于负载预测的Hadoop计算任务初始分配方法
Krishnaveni et al. Survey on dynamic resource allocation strategy in cloud computing environment
Keivani et al. Task scheduling in cloud computing: A review
Zacheilas et al. Chess: Cost-effective scheduling across multiple heterogeneous mapreduce clusters
Fathalla et al. Best-KFF: a multi-objective preemptive resource allocation policy for cloud computing systems
Abdullah et al. A reliable, TOPSIS-based multi-criteria, and hierarchical load balancing method for computational grid
Songara et al. MRA-VC: multiple resources aware virtual machine consolidation using particle swarm optimization
Jiao et al. Immune optimization of task scheduling on multidimensional QoS constraints
Alatawi et al. Hybrid load balancing approach based on the integration of QoS and power consumption in cloud computing
Chen et al. A two-level virtual machine self-reconfiguration mechanism for the cloud computing platforms
Pang et al. Eris: An Online Auction for Scheduling Unbiased Distributed Learning Over Edge Networks
Singh An Optimal Resource Provisioning Scheme Using QoS in Cloud Computing Based Upon the Dynamic Clustering and Self-Adaptive Hybrid Optimization Algorithm.
Patel et al. Analysis of workloads for cloud infrastructure capacity planning

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15903900

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 15903900

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 310718)

122 Ep: pct application non-entry in european phase

Ref document number: 15903900

Country of ref document: EP

Kind code of ref document: A1