IVCE平台下任务调度策略的研究与实现

发布时间：2021-07-06 01:45

　　IVCE（Internet-based Virtual Computing Environment）平台是一个基于英特网的虚拟计算环境,它主要为使用者提供高效、可靠的服务,同时让他们可以充分利用和共享平台上的公共资源。由于平台系统复杂,任务并发量高,因此如何对任务进行合理调度,提供高质量的云服务是IVCE平台的关键技术之一。此外,平台任务繁多、需求模糊、种类庞杂,如何挖掘任务的特性,找到任务之间的联系也成为了 IVCE平台一个重要的研究方向。针对IVCE平台存在的上述问题,本文首先采用改进的聚类算法对任务进行聚类,找到任务的共性;接着,将增强学习算法应用到任务调度中,提高了平台整体运行效率和服务质量;最后,设计并实现了基于上述理论的任务调度系统。本文的主要研究内容包括:（1）提出了改进的核k均值算法并将其应用到任务聚类中。传统的核k均值算法存在两个问题:一是在聚类时k值需要人为确定,并且无法更改。当遇到高维度、海量的数据集时,很难准确估计出k值的大小。二是对于需要聚类的样本数据,每类样本数量是不同的,且每个样本点的重要性也不同。所以聚类结果易受到多数样本点的影响,降低聚类结果的准确性。... 

【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校

【文章页数】：78 页

【学位级别】：硕士

【部分图文】：

图２－１任务调度流程??２．２．３云任务调度的目标??

图３－１改进的核Ｋ均值算法流程图??（１）设置初始聚类个数Ｋ０，分裂系数Ａ，合并系数任务分类阈值ａ

图３－２迭代次数??图３－２给出了在不同的ｋ值情况下，三种算法各自执行１０次的平均迭代的比较。可以看到二分ｋｍｅａｎｓ算法每次分裂产生一个新的簇，所以迭代次ｋ值线性递增；两个核Ｋ均值算法相比ｋｍｅａｎｓ迭代次数有明显地下降，并着ｋ值增大基本保持不变，其中核ｋ均值迭代次数在０到４之间，改进均值在０到３．５。当ｋ值大于６时，ＡＫＫ算法迭代次数明显小于ｋｋ算法，平代次数减少了?１６．７％，说明改进的算法由于其自适应性降低了迭代次数。??（３）?ｋ值大小确定??１?］?［?（?????｛?！?Ｊ?！?Ｓ?＇?？??０．９－?？一一一一一二一、一’’??／??ｆ??〇．斗?／?－??。７＿?：??〇．６ｒ?／??翳?／?????ＪＭ１－?／?—ｋｍｅａｎｓ??—


本文编号：3267264