基于云计算的任务调度问题的研究

发布时间：2017-10-07 15:24

  本文关键词：基于云计算的任务调度问题的研究

  更多相关文章： 云计算 任务调度 人工蜂群算法 服务质量 任务聚类

【摘要】：云服务作为一种典型的商业服务付费模式,它通过虚拟化技术将资源进行整合,以网络输出的形式向用户提供高可用性和安全性的服务。云环境下不同用户提交的任务要求复杂多样,执行任务的云资源性能指标也不相同,因此设计一个合理高效的资源分配策略以缩短任务执行时间、减少系统及用户开销、实现整个云计算系统的负载均衡,已成为云计算研究中的一个热点问题。基于此背景,本文针对当前云环境下任务-资源调度策略中较少的考虑了用户QoS(Quality of Service,Qo S)需求及分配效率较低等问题进行研究。主要工作包括以下几个方面:1)针对人工蜂群算法(Artificial bee colony algorithm,ABC)易陷入局部最优的缺点,论文研究了一种改进的人工蜂群算法(Improved Artificial bee colony algorithm,IABC)。对原算法进行了三方面的优化改进。A)优化概率选择模型,引入最大、最小适应度值避免因为不断向最优解贪婪收敛造成种群范围多样性的缩小;B)优化蜜蜂角色转换模型,通过计算收益比和跟随比调整蜜蜂角色,避免因蜜蜂数量分配的不科学造成寻优效率的降低;C)优化解空间的搜索策略模型,通过当前最优解、全局最优解和学习因子这三个参数来加强蜂群在引领峰阶段和跟随蜂阶段的搜索效率。最后将算法用于求解5个经典函数的优化问题,通过与标准ABC等三种算法进行实验对比,结果表明改进后的人工蜂算法(IABC)具有更好的收敛速度和寻优能力。2)针对以往调度算法以实现任务完成时间最小化为单一目标而忽略云环境中用户的Qo S需求的问题,论文研究了一种基于改进人工蜂群算法的多维QoS云计算任务调度算法。首先从满足用户的多维Qo S需求出发,建立云任务模型和资源Qo S模型,根据任务的不同偏好对虚拟机的综合性能进行评价,然后为提高资源的分配效率,将改进后的人工蜂群算法IABC应用到云环境下的任务调度中,利用IABC算法选择性能较高或更满足用户需求的虚拟机分配给任务。最后将该算法在CloudSim平台进行实验仿真,通过DAG生成器随机生成仿真实验的任务实例,并与异构最早完成时间(HEFT)等四种算法进行对比实验,结果表明该算法能够在实现高效率任务资源分配的同时满足用户的Qo S需求。3)针对目前调度算法忽略了对云环境下用户任务的多属性特征研究的这一问题,论文研究了一种基于模糊任务聚类的改进人工蜂群云计算任务调度算法。首先,通过模糊C均值聚类(Fuzzy C-Means,FCM)算法对任务进行聚类,将任务聚成计算型任务、带宽型任务和存储型任务。然后,对虚拟机资源进行综合性能评价,利用IABC算法将综合性能较高或更适合该任务类型的虚拟机资源分配给任务。最后进行仿真实验,对CloudSim平台进行扩展,随机生成仿真实验所需的任务实例,通过与Min-Min等三种算法进行对比实验,结果表明该算法能够实现高效率的任务资源调度且能实现较高的资源利用率。
【关键词】：云计算 任务调度 人工蜂群算法 服务质量 任务聚类
【学位授予单位】：江南大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18;TP393.09
【目录】：

• 摘要3-4
• Abstract4-9
• 第一章 绪论9-15
• 1.1 论文研究的背景及意义9
• 1.2 国内外研究现状9-12
• 1.2.1 云计算研究现状9-11
• 1.2.2 云计算任务调度策略的研究现状11-12
• 1.3 本文研究的内容12-13
• 1.4 论文的结构安排13-14
• 1.5 本章小结14-15
• 第二章 云计算与任务调度相关问题的研究15-26
• 2.1 云计算15-17
• 2.1.1 云计算的服务模式15
• 2.1.2 云计算的部署模式15-16
• 2.1.3 云计算的特点16-17
• 2.2 云计算任务调度与分布式计算、网格计算任务调度的关系17-20
• 2.2.1 分布式计算17
• 2.2.2 网格计算及其任务调度17-18
• 2.2.3 云计算任务调度18
• 2.2.4 云计算任务调度与网格计算任务调度的比较18-19
• 2.2.5 云计算任务调度目标19
• 2.2.6 云计算任务调度算法性能评价标准19-20
• 2.3 经典的云计算任务调度算法20-22
• 2.3.1 Hadoop平台下的任务调度算法20
• 2.3.2 传统的任务调度算法20-22
• 2.4 CLOUDSIM仿真器22-25
• 2.4.1 CloudSim平台介绍22
• 2.4.2 CloudSim体系结构22-24
• 2.4.3 CloudSim仿真步骤和流程24-25
• 2.5 本章小结25-26
• 第三章 人工蜂群算法的研究与优化26-36
• 3.1 人工蜂群算法26-30
• 3.1.1 蜜蜂采蜜机理26-27
• 3.1.2 人工蜂群算法基本实现步骤和流程27-30
• 3.2 人工蜂群算法的优化30-33
• 3.2.1 改进蜜蜂角色转换模型30-31
• 3.2.2 改进选择蜜源的概率模型31
• 3.2.3 改进搜索策略模型31-32
• 3.2.4 改进人工蜂群算法的算法流程32-33
• 3.3 仿真实验33-35
• 3.3.1 实验环境及参数设置33
• 3.3.2 实验结果与分析33-35
• 3.4 本章小结35-36
• 第四章 基于改进人工蜂群算法的多维QoS云计算任务调度36-47
• 4.1 云计算任务调度问题描述36-39
• 4.1.1 云计算任务模型36-37
• 4.1.2 云资源模型37
• 4.1.3 约束模型37-38
• 4.1.4 QoS模型38-39
• 4.2 基于改进人工蜂群算法的多维QOS任务调度算法39-42
• 4.2.1 初始化任务优先级39-40
• 4.2.2 IABC算法实现云环境下任务与虚拟机资源的映射40-41
• 4.2.3 基于IABC的多维QoS任务调度算法41-42
• 4.3 仿真实验42-46
• 4.3.1 云环境资源配置42
• 4.3.2 实验参数设置42
• 4.3.3 性能评价指标42-43
• 4.3.4 实验结果和性能分析43-46
• 4.4 本章小结46-47
• 第五章 基于模糊任务聚类的云计算任务调度47-56
• 5.1 基于任务聚类的云计算任务调度算法47-51
• 5.1.1 云任务模型47
• 5.1.2 云资源模型47-48
• 5.1.3 云任务聚类模型48-51
• 5.2 算法描述51-53
• 5.2.1 云任务聚类算法51-52
• 5.2.2 基于模糊聚类的IABC任务调度算法52-53
• 5.3 算法性能评价指标53
• 5.4 仿真实验53-55
• 5.4.1 任务参数设置53
• 5.4.2 云环境及云资源的设置53
• 5.4.3 实验参数设置及结果53-55
• 5.5 本章小结55-56
• 第六章 主要结论与展望56-58
• 6.1 主要结论56-57
• 6.2 展望57-58
• 致谢58-59
• 参考文献59-63
• 附录：作者在攻读硕士学位期间发表的论文63

，

本文编号：988612