论文部分内容阅读
云资源调度作为云计算领域的一项重要研究内容,对云计算调度系统的性能和用户服务质量具有重要影响,其调度主要分为两个层次:一是虚拟机到物理机的映射调度;二是任务到虚拟机资源的调度。本文从云资源调度的两个层次展开研究,在总结前人研究基础上,针对当前两个层次调度中存在的资源利用率不高等问题,给出了相应的解决方法,本文的研究内容如下: (1)针对当前物理机资源是否满足虚拟机不确定的情况,提出了一种具有普适性的基于改进蚁群算法的虚拟机资源调度算法,该算法设置了一个剩余资源控制阈值来保证资源的使用安全,设定了匹配度函数用于度量虚拟机到物理机映射关系的好坏,最后以剩余资源总量、新开物理机数量及剩余资源标准差为优化目标,将多目标优化转化为单目标优化。此外,通过对蚁群算法的启发信息及信息素重要程度因子进行修改,改进了蚁群算法。通过实验表明,改进蚁群算法具有更快的收敛速度及更强的寻优能力,提出的调度算法能有效提高资源利用率、降低能耗。 (2)为提高特殊用户(即细粒度的并行多任务)的调度服务质量,提出了一种基于新多维QoS优化的并行多任务调度模型。对多维QoS的研究,目前多数成果集中在基于完成时间、花费、可靠性的多目标优化上,而该模型的新多维QoS优化是基于并行多任务的完成时间、任务在虚拟机上的资源占用耗费及能源耗费三个方面,模型提出了QoS“性价比”函数作为判断服务质量高低的依据,并应用遗传算法实现模型,最后通过仿真实验,将本文多QoS优化调度模型与单一的时间偏好模型、低资源费偏好模型及低能耗费偏好模型进行比较,得出本文调度模型性价比(即服务质量)更高的结论。 (3)针对科学实验输送任务是阶段性的且任务间具有关联性的问题,提出了一种基于优先级排序的多任务动态调度算法。该算法采用了本文第四章提出的综合QoS思想,根据综合QoS模型建立了优先级确定模型;并且提出了“分配队列”的概念,用以存储没有父级任务或父级任务已完成的任务;本算法调度分为两个阶段:一是将“分配队列”中的任务实时更新并按优先级排序,二是将排序后的任务以任务完成时刻最短为原则,依次调度到虚拟机上。最后,通过仿真实验将该算法与任务负载均衡调度(TLBS)算法和任务贪心调度(TGS)算法进行比较,发现本文算法调度的任务完工时间更短,虚拟机的平均利用率更高,证明该算法更优。