论文部分内容阅读
云计算采用虚拟化技术将集群中的各种资源构成资源池,接收用户任务请求,并将任务调度到合适的资源上执行。资源的动态变化,使得系统在进行任务调度时,难以获取资源的实时状态,从而影响系统的负载均衡和任务调度效率。预测是资源管理的重要手段,如何设计适应云资源变化特性的预测方法,通过资源预测为任务调度提供准确的数据支持,是一个值得深入研究的问题。 针对上述问题,本文首先针对云资源的变化特点,提出一种基于偏最小二乘回归的云计算资源组合预测模型。该模型引入组合预测思想,先对采集得到的原始预测样本集进行数据预处理;再选用符合云资源特性的三次指数平滑模型、ARIMA模型、GM(1,1)灰色预测模型进行资源预测;最后采用偏最小二乘回归方法,结合交叉有效性分析,从各单一模型预测结果中提取出相互独立无冗余的成分,建立组合预测模型。该模型能够有效消除单一预测模型间的相关性,避免组合预测模型输入信息的冗余,且其提取的成分对实际情况有很强的解释能力,提高了预测精度。仿真测试结果表明该模型预测精度较高,预测效果稳定。 基于上述提出的云计算资源组合预测模型,进一步给出一种基于资源组合预测的云计算任务调度算法。该算法先采用组合预测模型对资源未来时刻的状态进行预测;再根据预测结果,结合K-means算法对任务和资源分别进行聚类处理,并按照聚类类别进行任务的资源筛选;最后以最小完成时间原则建立任务和资源的映射。该算法能够保证任务调度到满足其需求的资源上执行,提高了资源的利用率,使系统具有稳定的负载均衡。 最后,通过扩展和重编译的 CloudSim仿真平台对本文提出的任务调度算法进行仿真测试与对比实验,实验结果表明本文算法通过对资源的提前合理预测,在满足任务对资源性能需求的同时,能够较好地兼顾系统的负载均衡与任务调度效率。