时间约束下的云工作流动态混合资源调度

随着云计算的出现和云基础设施的快速部署,越来越多的大型工作流应用正在积极向云迁移.同时,如何在满足任务时间约束的前提下优化执行成本,提高资源利用率成为新的挑战.本文提出一种云工作流动态混合资源调度算法DHRS,不仅满足任务的时间约束而且在混合资源租用时取得较低的成本.首先,根据任务的优先级关系对任务进行预处理,基于概率升序对任务进行排序,并为子任务分配子截止日期;然后,依据顺序为工作流选择满足截止日期且成本较低的服务;最后,对每个服务动态选择预留资源和按需资源,基于预留资源的空闲时间段调度,进一步降低成本.在随机生成的不同的科学工作流上进行实验,并通过与现有算法对比,DHRS在满足时间约束并且降低执行成本方面具有一定的优势.

混合云环境面向安全科学工作流数据布局策略

为解决混合云环境下科学工作流数据布局问题,在考虑数据的安全需求的前提下,以优化跨数据中心传输时延为目标,提出了一种混合云环境下面向安全的科学工作流布局策略。分析数据集的安全需求以及数据中心所能提供的安全服务,提出安全等级分级规则;设计并提出基于遗传算法和模拟退火算法的自适应粒子群优化算法(adaptive particle swarm optimization algorithm based on SA and GA,SAGA-PSO),避免算法陷入局部极值,有效提高种群多样性;与其它经典布局算法对比,基于SAGA-PSO的数据布局策略在满足数据安全需求的同时能够大大降低传输时延。

基于混合云技术的媒体融合系统设计

为满足融媒体中心对高效、低成本、高可靠性的媒体融合服务需求,设计一个基于混合云技术的媒体融合系统。首先,通过公有云和私有云搭建混合架构,包括用户、混合云管理、混合云三个多源信息合成模块。其次,根据混合云环境的特点和用户需求,设计资源混合模型,包括数据层、特征层和决策层三个层次,并基于证据组合规则、DAG工作流模型对三个层次进行优化。最后,测试系统性能(即所用时间和成本)并与其他方案进行比较。结果表明,所设计的融合任务的通过率保持在100%,在时间和成本上的花费低于其他算法50%以上,系统稳定性较高。提出的媒体融合系统可被实际推广应用。

基于混合微粒群算法的网格服务工作流调度

采用微粒群优化的种群搜索方式,融合了局部搜索和全局搜索,引入了模拟退火算法和遗传算法思想,利用模拟退火随机概率来避免陷入局部最优,提出了一种混合微粒群优化算法,以便更好地满足用户期望的服务质量,解决网格服务工作流调度问题.网格仿真试验结果显示:对于具有全局QoS约束条件的Web服务选择,在执行效率上混合微粒群优化算法明显优于其他混合遗传算法,可在较短时间内获得较好的解,是求解多目标网格服务工作流调度问题的有效方法.

混合云中面向数据中心的工作流数据布局方法

科学工作流是一种复杂的数据密集型应用程序.如何在混合云环境中对数据进行有效布局,是科学工作流所面临的重要问题,尤其是混合云的安全性要求给科学云工作流数据布局研究带来了新的挑战.传统数据布局方法大多采用基于负载均衡的划分模型布局数据集,该方法可以获得很好的负载平衡布局,然而传输时间并非最优.针对传统数据布局方法的不足,并结合混合云中数据布局的特点,首先设计一种基于数据依赖破坏度的矩阵划分模型,生成对数据依赖度破坏最小的划分;然后提出一种面向数据中心的数据布局方法,该方法依据划分模型将依赖度高的数据集尽量放在同一数据中心,从而减少数据集跨数据中心的传输时间.实验结果表明,该方法能够有效地缩短科学工作流运行时跨数据中心的数据传输时间.

协同设计中基于混合Petri网的云工作流表示模型

针对目前协同设计中业务过程描述能力不足和柔性差等问题,从并发性、可伸缩性和协同性等五方面进行分析,提出了一种在空间上三维分布的Petri网建模方法.将组合、颜色和定时约束Petri网引入协同设计的流程建模之中,设计了协同设计下云工作流业务流程的HPN(hybrid Petri net)模型;运用随机Petri网的思想对协同设计各流程流转、工作效率等进行分析,详细分析了其性能指标,验证了模型的可达性,并从业务冲突及模型分解等方面提出了优化.

混合云环境下基于模糊理论的科学工作流数据布局策略

混合云环境下,合理的数据布局策略对科学工作流的高效执行至关重要。传统的科学工作流数据布局策略主要基于确定性环境,而在实际网络环境中,由于不同数据中心之间的负载不同、带宽波动和网络拥塞等原因以及计算机自身的特性,数据传输时间存在不确定性。为了解决该问题,基于模糊理论,以最小化数据模糊传输时间为目标,提出了一种基于遗传算法算子的模糊自适应离散粒子群优化算法(Fuzzy Adaptive Discrete Particle Swarm Optimization Algorithm Based on Genetic Algorithm Operators,FGA-DPSO),对科学工作流数据进行合理布局,同时满足数据集的隐私要求和数据中心的容量限制。实验结果表明,该算法能够有效地减少混合云环境下科学工作流的数据模糊传输时间。

混合云环境中数据敏感工作流调度

混合云环境下调度包含敏感数据的工作流主要考虑在满足数据安全性以及工作流截止时间的前提下,对工作流任务在混合云上进行分配,实现计算资源与任务的映射,并优化调度费用。采用了整数规划来建模求解包含数据敏感性、截止时间和调度费用3种约束条件的混合云工作流调度问题,同时为优化模型求解速度,基于"帕雷托最优"原理对工作流任务在混合云上的分配方案进行筛选以减小模型求解规模。实验表明,优先排除不合理的任务分配方案可有效减小整数规划模型的求解规模,缩短模型计算时间,在产生较小误差的情况下获得较优的调度结果。

混合计算环境中截止期约束下的科学工作流调度策略

整合云和网格基础设施,增强科研机构现有网格系统的计算能力并向应用提供截止时间保障的服务是科学研究领域的热点。在这种"网格-云"混合计算环境中,对何时租借云虚拟资源以及如何租借做出有效决策是一个难题。现有的一些调度策略主要在网格资源静态能力特征的基础上,以作业等待时间作为决策依据,缺乏对资源动态服务能力的有效评估,无法保证科学应用的截止时间需求。本文提出了一种混合环境下的科学工作流执行系统架构并对其核心组件进行了阐述。针对其中的工作流调度问题,利用随机服务模型建模已有网格系统中的资源的动态服务能力,以任务违约风险作为是否租借外部虚拟资源的判断指标,提出了一个科学工作流调度算法HCA_SASWD。实验结果表明,HCA_SASWD相对于其他算法,能有效保证用户的截止时间要求,为需要提供截止时间保障的系统架构提供了参考。

基于混合自适应遗传算法的工作流挖掘优化

针对目前工作流挖掘算法采用局部策略而无法保证最优挖掘以及算法对噪声敏感的情况,提出了基于混合自适应遗传算法的工作流挖掘优化算法。首先定义了基本工作流网以及变迁的使能和点火规则,描述了过程模型;然后提出了过程模型转换成基本工作流网的算法,给出了衡量事件日志与过程模型的符合性的适应值评价函数;最后根据进化阶段以及个体相似度设计了混合自适应的交叉率和变异率。仿真试验结果表明,该算法与α算法相比具有更高的鲁棒性和对噪声的抗干扰性;与基本遗传算法相比,该算法能显著提高解的质量和收敛速度。

基于混合遗传算法的工作流重构研究

随着知识抽取、数据挖掘等技术的兴起,基于日志的企业流程重构引起了学术界和工业界的高度重视。本文针对目前重构算法大都采用本地策略因而无法保证最优挖掘以及算法对噪声不强壮的情况,提出了一种新的工作流重构算法。该算法结合遗传算法和模拟退火算法的思想,通过对流程活动依赖关系的度量,构建因果关系矩阵映射流程实例(CASE)作为种群染色体,进而完成初始种群的构建,有效地提高了收敛速度,减少时间开销,同时避免了早熟收敛,因此该算法在有效处理噪声问题的基础上,实现了对流程模型的正确挖掘。

混合云环境中调度执行多工作流费用优化算法

云计算服务拥有计算能力强、价格低廉等特点,因此越来越多的企业或机构选择将工作流应用放到云端执行。本文研究的是在企业或者机构的混合云环境下执行用户动态提交的多工作流问题。为了保证工作流执行需求同时优化系统费用支出,需要设计合适的工作流调度算法。提出一种基于移动和回填的异构最早完成时间的启发式调度算法(MIHEFT)用于工作流在私有云中的调度执行,该算法充分考虑工作流的内部结构特征,为工作流中不同子任务制定合理的调度顺序,并充分利用资源的空闲等待时间,提升私有云资源利用效率。在此基础上提出混合云下的动态多工作流调度算法(HCDMW),该算法使用MIHEFT将动态提交到系统的工作流优先在私有云中调度执行,从而充分利用私有云资源,当私有云资源不足时将工作流进行分割,然后调度部分子工作流到公有云执行,使系统的费用支出最小化。实验表明,所提的算法能够有效降低系统整体费用支出。

工作流在混合流水车间调度问题上的应用

由于混合流水车间的调度问题是NP难题,难以得到它的精确调度结果;而且车间调度往往是动态过程,这又使得生产模式为混合流水车间的生产线的自动执行、资源指派和现场生产调度变得更加困难。文章提出了适合车间调度的工作流模型,建立了混合流水车间的流程定义;采用NEH启发式算法构造全局资源指派规则,同时构造了针对机器、工件的局部指派规则;将工作流技术应用于混合流水车间,在一定程度上解决了车间生产的自动化、优化及动态调度问题。

基于混合Petri网的农业生产工作流建模研究

根据农业生产的实际工作,建构一个基于混合Petri网的工作流模型.混合Petri网一般由连续和离散两个部分组成,模型连续的部分主要反映农田实际工作的进程,离散部分主要表示农机和劳动力等资源状况的变化,提出的模型还可以模拟在生产过程中的工作和间歇状态.仿真结果表明,混合Petri网模型能准确地描述农业生产的过程,在出现不确定因素的情况下能重新分配资源.该模型作为农业生产规划的参考模型,促进在不确定的环境中相关优化算法的发展.

一种改进型遗传算法的网格工作流调度研究

用有向无环图表示的网格工作流调度问题是一种典型的NP-完全问题,因而,有效的调度算法是必不可少的。为解决这一问题,提出了一种改进型的遗传算法。运用适应度差的染色体与最优个体进行二级优先杂交和变异,不仅保障了种群的多样性,也提高了种群的收敛速度。采用Gridsim工具进行模拟后,证实该算法较标准的遗传算法更适用、更有效。

基于HTCPN的型号产品协同设计工作流模型研究

型号产品协同设计工作流建模是协同设计过程管理的关键环节.针对型号产品协同设计的工作流模型特点,从项目粒度、开发周期和并行度三方面分析,建立了一个在空间上三维分布的工作流模型.分析了Petri网建模方法的不足,采用扩充了定义的HTCPN对型号产品机翼协同设计的工作流模型进行建模和仿真,并从可达性、死锁和任务冲突等性能方面分析了建模的正确性.最后通过在协同设计系统中的应用,表明该工作流模型是正确可行的.

混合云环境下面向时延优化的科学工作流数据布局策略

如何结合公有云和私有云各自的优势,对包含隐私数据的科学工作流数据进行合理布局,优化大规模数据的传输时延,是混合云环境下科学工作流面临的重大挑战。考虑混合云环境下数据布局特点,结合科学工作流数据间的依赖关系,提出一种基于遗传算法算子的自适应离散粒子群优化算法,优化数据传输时延。该方法考虑了云数据中心间的带宽、私有云数据中心个数和容量等因素对传输时延的影响;通过引入遗传算法的交叉算子和变异算子,避免了粒子群优化算法的过早收敛,提高了种群进化的多样性,有效地压缩了数据传输时延。通过实验证明了所提算法的有效性。

混合云工作流调度综述

在数据爆发的大背景下,传统的云计算存在本地云资源不足和扩展成本高的窘境,而最新兴起的混合云结合了资源丰富的公有云与数据敏感的私有云,成为当下研究和应用的热点方向。而工作流作为一种有吸引力的范式,其数据规模和计算规模一直都在增长,因此工作流调度是混合云研究方向中的关键问题。为此,文中首先对混合云环境下的工作流调度技术做了深入的调查和分析,然后将混合云环境下的工作流调度进行分类与比较,重点阐述面向截止期限、成本、节约能耗和多目标约束的混合云工作流调度。在此基础上分析和总结了混合云环境下工作流调度的未来研究方向,如Serverless平台应用工作流调度、利用边缘服务器网络协同的工作流调度、融合Argo的云原生工作流调度和融合雾计算的工作流调度。

基于着色Petri网的混合工作流建模及合理性分析

BPEL描述的服务组合流程,没有充分考虑人的参与和人员活动对流程的影响,且不能保证服务组合流程设计在应用中的正确性。为了描述服务化系统中的混合工作流程,首先介绍支持人员参与的BPEL4People规范,然后提出了基于着色Petri网的混合工作流建模方法,对所得模型进行了合理性分析。采用模块聚合方式给出了混合工作流的层次CPN模型,利用CPN Tools工具分析验证混合工作流的有界性、可达性及活性等性质,根据验证结果进行反馈调整,可以减少因流程设计错误给流程实际部署和运行带来的损失。

基于自适应微粒群算法的网格工作流调度

服务网格是一个通过组合网格服务为用户提供强有力的各种服务的系统,其中网格服务遵循OGSA的标准。网格服务工作流调度的关键在于如何在应用程序运行过程中能动态地根据当前系统中基本服务的情况,组合出满足用户需要的服务。提出了一种自适应微粒群优化算法用于服务感知的Web服务选择,其中引入了一个特殊的速度变异操作来增强空间搜索的有效性,并融合了遗传算法杂交与变异。它不仅能很好地满足组合服务的需求,而且能更有效地进行全局搜索。仿真试验显示对于具有全局Qos约束条件的Web服务选择在执行效率上自适应微粒群优化算法明显优于其它混合遗传算法(如种群多样性控制遗传算法)。