论文部分内容阅读
随着云计算产业发展及技术浪潮革新,用户对云计算的需求也日新月异。云计算平台规模不断扩大的同时,也引入多种类型的资源。在拥有大量的异构资源的云计算平台,进行作业调度是NP难问题。在调度过程中考虑用户及平台服务商等对执行时间,能耗,成本,SLA等多方面的需求,以寻求多目标约束下的作业调度更是热点及难点问题。本文先根据用户提交作业的两种方式,将其分为静态提交和动态到达两种方式分别进行探讨。在定义两种作业到达方式下的调度目标和约束后,设计了相关调度算法,并在仿真平台上进行了实验对比。本文主要的工作如下:(1)设计了适用于云计算异构资源平台的加速收敛蜂群的静态提交作业调度算法。首先,建立了异构资源环境下静态提交作业的集中式模型,定义了执行时间、能耗、成本等多个目标及约束;再利用蜂群算法参数设置少,性能良好的优势,设计了加速收敛蜂群的调度算法;通过构建能反应多目标效益值的蜜源矩阵,在蜜源初始化和交换阶段引入异构资源的负载均衡策略,并使用混沌搜索和禁忌策略加速蜂群的收敛,减少调度时间。在仿真平台CloudSim上进行性能测试,结果表明:相比蚁群,粒子群、禁忌搜索等调度算法,本文提出的加速收敛蜂群的调度算法,执行时间更短,稳定性更优。(2)设计了适用于云计算异构资源平台的基于强化学习Q-learning的动态达到作业调度算法。首先,通过分析动态到达作业的数量及时间间隔分布,建立了泊松到达排队模型。在设定了动态到达作业的等待时间、能耗、成本等调度目标和SLA约束后,利用马尔科夫决策过程四元组,分析调度目标,确定每个作业调度后的奖励大小。采用基于强化学习Q-learning的作业调度算法,将之前调度方案的奖励按比例折扣累计,用于调度后续到达的作业。(3)通过调度仿真实验,对比了不同调度算法在静态提交、动态到达两类场景中,对时间、能耗、成本、SLA指标的调度能力。首先,利用CloudSim的扩展平台MultiRECloudSim,仿真了含有40个异构资源虚拟机的云计算平台。将本文提出的加速收敛蜂群的静态提交作业调度算法与多种调度方式进行了对比测试,相比禁忌搜索,其能减少8.63%执行时间,并有效控制平台能耗及成本。利用其事件处理机制,设置动态到达的作业流后,将本文提出的基于强化学习Q-learning的动态到达作业调度算法与贪心、公平等调度算法进行对比测试。仿真结果表明,该算法能在满足SLA约束情况下,相比贪心减少10.36%的作业等待时间和5.59%的执行时间。