云环境下可用性感知的并行任务调度方法

云计算是一种新兴的计算模式,倡导一切皆服务.云计算由于能够共享分布在世界各地的计算资源,在大规模计算和数据存储中越来越受到重视.云计算是当前IT工业界、学术界研究的热点领域,云环境中的资源可用性已成为云计算不可忽视的问题.对于云计算,当处理器的处理速度不同,不是一直可用于计算时,可用性成为设计和发展云计算系统的关键需求.根据并行任务图及树形云平台的结构特点,分别讨论了影响并行任务可用性需求和计算资源可用性保障的关键因素,给出一种可用性的量化计算公式.并且通过感知任务"可用性需求"和计算资源"可用性保障",实现可用性匹配,提出了两种可用性感知的调度算法Afsa和Agsa.模拟实验表明该算法能够改善云环境中资源可用性和可靠性,对提高任务调度的成功率具有实际意义.

一种基于优先级的网格调度算法

容错机制中基于任务数量的平均调度策略在处理跨度和服务质量方面存在不足,为此,提出一种基于优先级的网格调度算法,进而给出层次式集群系统的设计方案。在任务调度过程中引入任务剩余执行时间、任务价值密度、费用预算以及处理跨度的概念,以缩短任务处理跨度,提高服务质量。实验结果表明,与原机制调度策略和Max-Min算法相比,该算法在任务完成率、价值实现率和处理速率方面具有优势。利用该算法对原机制进行改进,能够有效提高系统的任务执行效率。

基于计算实验的集群式供应链协同采购影响因素研究

针对集群式供应链协同采购影响因素的动态复杂性,采用计算实验方法模拟协同采购的形成过程,定义了系统主体间的学习交互规则,定量地研究了市场需求、采购企业密度和采购企业自利性三个因素对企业协同采购的影响。实验结果表明,市场需求的增加会导致企业选择协同采购策略的意愿降低;当系统达到稳定状态时,企业协同采购策略变化的频率很低;市场需求的波动程度增强会导致企业选择协同采购策略的意愿增加,且波动程度越强,企业选择协同采购策略的时间越早。采购企业密度的增加会导致选择协同采购策略的企业数量不断增加;采购企业自利性的增加会导致越来越多的企业放弃协同采购策略。其实验结果对集群式供应链管理具有一定的借鉴意义。

求解云计算压力测试中并行任务密度的高速算法

针对当前云计算负载压力测试过程中,对所采集数据计算并行任务密度的算法效率较低的问题,基于空间换时间的思路,使用数学分析的方法,提出了一种时间复杂度为O（n lb n）,空间复杂度为O（n）的求解并行任务密度的高速算法.实验结果表明,该算法与时间复杂度同为O（n lb n）的OpenSTA算法相比,效率约有6～8倍的提升.该算法对多个相同的并行任务密度能够解得并行时长最长者,可以准确反映负载最重的情况.该算法适合云计算进行负载均衡算法设计时,获取真实参照数据使用.

基于任务需求的团队知识传播研究

本文从组织内攻关任务的多种知识需求出发,考虑跨部门团队成员在完成任务过程中的知识交流与共享行为,构建了基于任务需求———团队知识相匹配的知识传播模型。模型中定义了任务知识需求矩阵、团队成员知识传播规则、知识协同生成规则以及任务需求与团队知识匹配规则,并通过计算机仿真的方法考察了不同知识交流策略对团队内部知识传播与任务完成效果的影响。仿真结果表明,基于关系的知识交流策略有利于知识在团队内部的快速传播,但不利于知识的广泛传播,在后期容易产生传播停滞现象,而基于知识的交流策略则具有明显的后发优势。混合策略不仅能够确保知识的快速传播,而且当混合策略中基于关系的知识交流概率较小时,知识传播效果甚至优于"基于知识"的交流策略。相应的管理策略是任务初期宜采用基于关系的知识交流策略,而在后期,采取基于知识的交流策略有助于团队顺利、有效地完成任务,与单一的采用基于关系或基于知识的交流策略相比,采用混合交流策略来完成团队任务具有明显的优势。

面向任务服务质量的网络资源需求预测算法

在信息化时代背景下,云计算作为一种全新的共享基础资源架构的模式,给予用户更加经济和便利的解决方案。一般情况下,用户对于完成任务所需求资源量是不了解的,用户只能大概估计需要的资源需求量。这样不仅会承担不必要费用,也会造成云资源浪费。为了满足不同用户对不同任务需求,并优化资源分配,论文提出了一个面向任务服务质量的资源需求预测方法,用户仅需提出任务的Qos指标,算法自动预测能够保障用户最小的网络资源供给量。在此基础上,调度器根据预测结果实现用户需求与网络资源之间的匹配。实验表明该方法可精确预测用户需求,并且能提高网络资源的利用率。

边缘计算系统中延时敏感型任务调度策略

为降低边缘计算系统中卸载任务的调度代价,以满足任务延时需求和系统代价最小为目标,建立边缘计算系统代价优化模型。证实该问题是NP-hard问题,提出一种基于两阶段代价优化任务调度算法TTSCO。根据改进BF算法求解初步任务调度方案,降低首阶段的非必要代价,生成调度最终解。分析算法时间复杂度,通过仿真实验验证了算法性能,实验结果表明,与LINGO理论最优解相比,调度解的近似比在95%情况下均小于1.2,该算法可以进一步降低系统代价。

负载敏感的云任务三支聚类评分调度研究

在云计算商业化的服务模式中,追求服务质量、负载均衡与经济原则的多目标优化调度。针对集群资源使用率偏低的现象,提出了三支聚类评分(three-way clustering weight,TWCW)算法,首先分析云任务的多样化需求与资源的动态特性,采用三支聚类算法对任务集合聚类划分,然后结合任务属性对类簇对象进行评分调度。基于Cloudsim实验模拟表明:相比于k-means与FCM聚类调度,三支聚类评分算法(TWCW)在任务平均响应时间与资源利用率等方面均有显著提升。

一种基于任务计算密度优先的改进EDF实时调度算法研究

实时系统为了保证系统中多个任务的稳定执行,会根据任务的优先级、空闲时长以及截止时间等属性选择任务运行,实现系统资源的合理分配,达到系统实时性和可调度性要求。EDF和LLF是较常提及的调度算法,然而LLF算法的设计逻辑存在缺陷,EDF算法的实现细节不够完善,本文提出了一种基于任务需求计算密度优先的改进EDF算法,是一种价值较高的实时调度算法。

一种满足任务主/次需求的云计算资源划分算法

云计算平台中存在大量的异构资源,当云用户将任务提交给云平台,云调度系统搜索与这些任务需求相匹配的资源时,有可能没有任何资源节点能满足任务的需求,因此需要对这些异构资源进行聚类划分,满足任务的需求。根据实际情况,不妨假设云任务对云资源有主/次需求。文章给出云资源分簇计算能力的定义以及资源均衡划分概念,设计了随机近似和增强内聚性的云资源均衡划分算法。最后,通过模拟实验对算法的有效性进行分析。

面向5G需求的移动边缘计算

移动边缘计算有助于实现第五代移动通信(5G)新业务超低时延、高能效、超高可靠和超高连接密度的需求,是未来5G通信的关键技术.从细粒度任务卸载算法、高可靠任务卸载与预测算法以及服务器联合资源管理策略3个方面,介绍了现有移动边缘计算技术在面向5G业务需求的工作进展,分析了未来移动边缘计算面临的挑战,并给出了未来的研究方向和研究热点.