适应异构集群的Mesos多资源调度DRF增强算法

云计算集群环境下多资源分配的公平性是考量资源调度子系统最重要的指标之一,DRF作为通用的多资源公平分配算法,在异构异质的集群环境下可能有失公平性。在研究Mesos框架中DRF多资源公平分配算法的基础上,设计并实现了增加机器性能评估影响因子的meDRF分配算法。将计算节点的机器性能得分,作为DRF主导份额计算的因子,使得计算任务有均等的机会获得优质计算资源和劣质计算资源。通过选取K-means、Bayes及PageRank等多种作业进行实验,实验结果表明:meDRF较DRF分配算法更能体现多资源分配的公平性,且资源分配具有更好的稳定性,能有效提高系统资源的利用率。

基于改进DRF算法的农业微服务负载均衡

微服务作为一种新型的互联网平台架构设计,在现代智慧农业中具有细粒度、低耦合度和高可靠性的优势。在负载均衡智慧农业微服务领域,目前针对复杂农业环境下的特定微服务负载均衡方案的研究较少,而高性能微服务负载均衡策略能够有效提升农业物联网的网络体验和性能指标。本研究提出一种改进的主导资源公平分配(Dominant resource fairness,DRF)算法,通过引入多角度的性能测评因素,着力于提升在智慧农业平台的微服务化下实现服务高效负载均衡的性能。经测试,本研究提出的算法相比于目前流行的微服务平台自带的负载均衡算法在响应时间、吞吐率和稳定性方面有明显提升,实现了各个农业生产单位物联网设备和数据终端以低耦合度的方式接入系统平台,同时实现高效地利用、治理和规范化来自各个数据源的农情数据,具有较高的实用价值。

DMMF: Dominant and Max-Min Fair Allocation in Satellite Networks

Resource allocation is crucial for satellite networks. In this paper, we propose a multi-resource fair allocation scheme, namely Dominant and Max-min Fair(DMMF), to efficiently and fairly allocate resources. It consists of two allocation stages, dominant resource fair(DRF) allocation stage and max-min fairness(MMF) allocation stage. The proposed DMMF scheme exhibits desirable properties, including share incentive, strategy proofness, envy freeness and Pareto optimality. Meanwhile, DMMF can improve the allocation efficiency and reach 100% allocation efficiency.

基于EDA仿真软件的多资源调度算法

为提高电子设计自动化(electronic design automation,EDA)并行仿真任务的资源利用率并保证公平性,在占优资源公平分配机制(dominant resource fariness,DRF)的基础上,提出考虑license的占优资源公平分配(dominant resource fairness allocation algorithm considering license,LDRF)算法。一方面考虑多类型资源的公平调度问题,满足EDA任务对资源种类多样性的需求;另一方面考虑对EDA工具的license资源调度,避免任务占有硬件资源但是没有获得license授权不能运行,导致资源利用率下降。实验仿真结果表明,在license有限的条件下,LDRF的平均CPU资源利用率比DRF算法提高60%,平均内存资源利用率比DRF算法提高34%。