移动云计算中任务卸载及虚拟机调度策略的研究

发布时间：2018-01-16 12:34

  本文关键词：移动云计算中任务卸载及虚拟机调度策略的研究　出处：《吉林大学》2017年硕士论文　论文类型：学位论文

  更多相关文章： 移动云计算 任务卸载 计算密集型任务 虚拟机调度 多目标粒子群优化算法 参数自适应

【摘要】：移动云计算(Mobile Cloud Computing,MCC)是一种将移动计算、云计算、互联网技术三大领域有机整合,旨在为移动设备提供存储服务与计算服务的一种新型模式。MCC因其具有突破终端硬件限制,在计算能力、存储功能、能量节约和上下文感知等方面为移动设备增效的优势,被认为是改善移动设备固有缺陷的一个理想解决方案。任务卸载是移动设备利用云计算降低自身负荷、提高用户体验的常用手段;云数据中心的虚拟机调度是实现资源合理分配的有效方式。因此,移动云计算中任务卸载及虚拟机调度策略的研究至关重要。现有的移动云计算任务卸载策略研究主要集中在降低电池能量消耗,而针对缩短任务执行时间的报道较少。移动设备计算处理能力的缺陷会导致其执行任务的效率降低,耗费时间长,用户体验度不高。因此,设计一种最小化移动设备上全部任务执行完成总时间的任务卸载策略对未来移动云计算的发展具有重要的理论意义。在云数据中心,虚拟机的放置方式关系着资源成本利用率、物理服务器负载均衡和服务器额外开销等问题。因而,设计一种精准的虚拟机调度策略对云数据中心的计算资源合理分配具有重要的应用价值。针对移动云计算中的任务卸载问题,本文以任务图表示移动设备上应用程序的执行流程,提出了时间有效性任务卸载算法(Time-Efficient Task Offloading Algorithm,TETOA),旨在最小化移动设备上全部任务执行完成总时间。该算法可以分为三个阶段进行:(1)采用任务图表示移动应用程序中各任务的执行先后顺序及数据传输关系;(2)对于常规形式任务图,引入“时间增益”概念,以其作为衡量任务卸载前后时间有效性的标准,并采用动态规划思想确定卸载队列的范围;(3)对于复合型任务图,采用计算密集型任务优先卸载思想对任务进行更为细致的卸载决策。仿真结果表明,TETOA算法在减小移动设备负荷、提高任务执行效率和缩短任务完成时间等方面效果明显。针对云数据中心虚拟机调度问题,本文提出了一种基于反馈信息的惯性权重与学习因子自适应多目标粒子群优化算法(Multi-objective Particle Swarm Optimization algorithm with Adaptive Inertia weight and Acceleration coefficient based on Feedback information,MPSO-AIAF)。该算法主要从四方面对标准粒子群算法进行了改进:(1)引入反馈机制,使得粒子根据历史反馈的适应度函数信息对速度进行自适应调整;(2)引入惯性权重自适应调整因子,增强算法平衡全局搜索与局部搜索的能力;(3)引入自适应学习选择参数,使粒子的自我学习与社会学习过程可控化;(4)引入比率分配调整系数,为两个优化目标分配权重,以寻求优化总目标最优解。通过将MPSO-AIAF算法应用于资源分配场景,可以实现最小化迁移的虚拟机数量,同时满足云数据中心物理服务器负载均衡的目标。仿真结果表明,MPSO-AIAF算法能够快速精准地找到解决问题的最优方案。本文的工作和研究成果为移动云计算任务卸载及虚拟机调度研究提供了参考。
[Abstract]:Mobile cloud computing ( MCC ) is an ideal solution to improve the efficiency of mobile devices . In this paper , a multi - objective Particle Swarm Optimization ( MPSO - AIAF ) algorithm is proposed based on the inertial weight and learning factor adaptive multi - objective particle swarm optimization algorithm based on feedback information . The algorithm is improved by : ( 1 ) introducing the feedback mechanism so that the particles are adaptively adjusted according to the fitness function information of the historical feedback ; ( 2 ) introducing the adaptive learning selection parameters to control the self - learning of the particles and the social learning process ; and ( 4 ) introducing the adaptive learning selection parameters to optimize the total target optimal solution .

【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP302;TP18

【相似文献】

相关期刊论文 前10条

1 王立冬,张凯;Java虚拟机分析[J];北京理工大学学报;2002年01期

2 曹晓刚;;Java虚拟机的10年[J];程序员;2005年07期

3 宋韬;盘细平;罗元柯;倪国军;;Java虚拟机在嵌入式DSP系统上的实现[J];计算机应用与软件;2007年04期

4 刘黎波;;Java虚拟机拦截原理研究[J];科技风;2008年21期

5 刘治波;;Java虚拟机简析[J];济南职业学院学报;2008年01期

6 郝帅;;Java虚拟机中相关技术的探讨[J];成功(教育);2008年08期

7 李霞;;系统虚拟机关键技术研究[J];微型电脑应用;2010年03期

8 郑晓珑;孔挺;;虚拟机的安全风险与管理[J];硅谷;2010年16期

9 李学昌;平淡;;为速度而战,虚拟机内外兼修[J];电脑爱好者;2010年18期

10 王惠萍;张海龙;冯帆;王建华;;Java虚拟机使用及优化[J];计算机与网络;2010年21期

相关会议论文 前10条

1 孟广平;;虚拟机漂移网络连接方法探讨[A];中国计量协会冶金分会2011年会论文集[C];2011年

2 段翼真;王晓程;;可信安全虚拟机平台的研究[A];第26次全国计算机安全学术交流会论文集[C];2011年

3 李明宇;张倩;吕品;;网络流量感知的虚拟机高可用动态部署研究[A];2014第二届中国指挥控制大会论文集（上）[C];2014年

4 林红;;Java虚拟机面向数字媒体的应用研究[A];计算机技术与应用进展——全国第17届计算机科学与技术应用（CACIS）学术会议论文集（上册）[C];2006年

5 杨旭;彭一明;刑承杰;李若淼;;基于VMware vSphere 5虚拟机的备份系统实现[A];中国高等教育学会教育信息化分会第十二次学术年会论文集[C];2014年

6 沈敏虎;查德平;刘百祥;赵泽宇;;虚拟机网络部署与管理研究[A];中国高等教育学会教育信息化分会第十次学术年会论文集[C];2010年

7 李英壮;廖培腾;孙梦;李先毅;;基于云计算的数据中心虚拟机管理平台的设计[A];中国高等教育学会教育信息化分会第十次学术年会论文集[C];2010年

8 朱欣焰;苏科华;毛继国;龚健雅;;GIS符号虚拟机及实现方法研究[A];《测绘通报》测绘科学前沿技术论坛摘要集[C];2008年

9 于洋;陈晓东;俞承芳;李旦;;基于FPGA平台的虚拟机建模与仿真[A];2007'仪表，自动化及先进集成技术大会论文集（一）[C];2007年

10 丁涛;郝沁汾;张冰;;内核虚拟机调度策略的研究与分析[A];'2010系统仿真技术及其应用学术会议论文集[C];2010年

相关重要报纸文章 前10条

1 ;虚拟机的生与死[N];网络世界;2008年

2 本报记者 卜娜;高性能Java虚拟机将在中国云市场释能[N];中国计算机报;2012年

3 本报记者 邱燕娜;如何告别虚拟机管理烦恼[N];中国计算机报;2012年

4 ;首批通过云计算产品虚拟机管理测评名单[N];中国电子报;2014年

5 申琳;虚拟机泛滥 系统安全怎么办[N];中国计算机报;2008年

6 Tom Henderson邋沈建苗 编译;虚拟机管理的五大问题[N];计算机世界;2008年

7 盆盆;真实的虚拟机[N];中国电脑教育报;2004年

8 本版编辑　综合 编译整理 田梦;管理好虚拟机的全生命周期[N];计算机世界;2008年

9 李婷;中国研制出全球最快反病毒虚拟机[N];人民邮电;2009年

10 张弛;虚拟机迁移走向真正自由[N];网络世界;2010年

相关博士学位论文 前10条

1 宋翔;多核虚拟环境的性能及可伸缩性研究[D];复旦大学;2014年

2 王桂平;云环境下面向可信的虚拟机异常检测关键技术研究[D];重庆大学;2015年

3 周真;云平台下运行环境感知的虚拟机异常检测策略及算法研究[D];重庆大学;2015年

4 郭芬;面向虚拟机的云平台资源部署与调度研究[D];华南理工大学;2015年

5 周傲;高可靠云服务供应关键技术研究[D];北京邮电大学;2015年

6 刘圣卓;面向虚拟集群的镜像存储与传输优化[D];清华大学;2015年

7 彭成磊;云数据中心绿色节能需求的虚拟机负载均衡技术研究[D];南京大学;2016年

8 赵长名;IaaS云中基于资源感知的虚拟机资源管埋[D];电子科技大学;2016年

9 许小龙;支持绿色云计算的资源调度方法及关键技术研究[D];南京大学;2016年

10 衷宜;虚拟化系统中的软件自愈相关技术研究[D];南京理工大学;2016年

相关硕士学位论文 前10条

1 潘飞;负载相关的虚拟机放置策略研究[D];杭州电子科技大学;2011年

2 王建一;混合型桌面云高可用性研究与实现[D];华南理工大学;2015年

3 周衡;云计算环境下虚拟机优化调度策略研究[D];河北大学;2015年

4 罗仲皓;基于OpenStack的私有云计算平台的设计与实现[D];华南理工大学;2015年

5 李子堂;面向负载均衡的虚拟机动态迁移优化研究[D];辽宁大学;2015年

6 张煜;基于OpenStack的“实验云”平台的研究与开发[D];西南交通大学;2015年

7 曾文琦;面向应用服务的云规模虚似机性能监控与负载分析技术研究[D];复旦大学;2013年

8 施继成;面向多核处理器的虚拟机性能优化[D];复旦大学;2014年

9 游井辉;基于虚拟机动态迁移的资源调度策略研究[D];华南理工大学;2015年

10 方良英;云平台的资源优化管理研究与实现[D];南京师范大学;2015年

，

本文编号：1433187