云计算作业调度技术及基于优先级规则的智能框架

制作和主办：Elsevier沙特国王大学学报云计算作业调度技术及基于优先级规则的智能框架Saydul Akbar Murada，1，Abu Jafar Md Muzahida，Zafril Rizal M Azmia，Md Imdadul Hoqueb，MdKowsherca马来西亚彭亨大学计算应用科学学院计算系，26600 Pekan，Pahang，Malaysiab不来梅大学，不来梅28359，德国Stevens Institute of Technology，NJ 07030，美国阿提奇莱因福奥文章历史记录：2022年1月29日收到2022年3月5日修订2022年3月28日接受2022年4月13日在线提供保留字：云计算作业调度分类概念框架资源分配A B S T R A C T近年来，云计算的概念已经获得牵引力，以经由互联网提供对共享计算资源（软件和硬件）的动态云计算提供关键任务服务的能力使作业调度成为当前行业的热门话题，这云资源可能会被浪费，或者服务中的性能可能会受到影响，这分别是由于调度不佳而导致的利用不足或过度利用。 从文献中的各种策略进行了检查，在这项研究中，以提供程序的规划和性能的作业调度技术（JST）在云计算。首先，我们将查看与云计算和网格计算相关的现有JST并将其制成表格然后彻底审查目前的成功，认识到困难和流程，并设计智能解决方案，以利用拟议的税收。为了弥合目前的调查之间的差距，本文还试图为读者提供一个概念框架，我们提出了一个有效的作业调度技术在云计算。这些发现旨在为学者和政策制定者提供有关更高效的云计算设置的优势的信息。在云计算中，公平的作业调度是最重要的。我们提出了一种基于优先级的调度技术，以确保公平的作业调度。最后，本文提出的开放性研究问题将为有效的作业调度策略的实施创造一条路径。©2022作者（S）。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。内容1.导言23101.1.开展研究1.2.本文件的贡献2.云计算中的JST概述2.1.User 23122.2.已提交任务23122.3.资源管理23122.4.云信息服务（CIS）23122.5.数据中心2312电子邮件地址：zafril@ump.edu.my（Z.R.M Azmi）1ORCID：0000-0002-9015-1448。q作者感谢高等教育部根据基础研究资助计划（FRGS）编号FRGS/1/2019/ICT 03/UMP/02/2（大学参考RDU 1901194）提供财政支持。沙特国王大学负责同行审查https://doi.org/10.1016/j.jksuci.2022.03.0271319-1578/©2022作者。由爱思唯尔公司出版代表沙特国王大学这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comSaydul Akbar Murad，Abu Jafar Md Muzahid，Zafril Rizal M Azmi etal.沙特国王大学学报23103.JST在云计算中的挑战和问题3.1.价格波动23133.2.相同和多样化的工作量3.3.间歇工作负载和批处理工作负载23133.4.降低成本和最佳资源利用率23133.5.管理长期作业的高可用性23133.6.与传统调度相比，调度的粒度增加23133.7.VM迁移23133.8.不确定性23133.9.节能配置23143.10.并行调度任务3.11.云网络23144.云计算中的JST分类4.1.资源分配4.1.1.基于RA 2316的策略4.1.2.基于参数的资源分配23184.2.任务调度23204.2.1.目标函数23204.2.2.调度模型23224.2.3.资源映射23255.JST 2326的概念框架5.1.资源分配23265.2.应用算法与FPGA 23265.3.使用ML技术进行优化23265.4.机器2327上的作业执行6.基于优先级的作业调度算法23277.开放研究问题23288.结论2329竞争利益声明参考文献23291. 介绍现在，云计算作为科学应用的媒介越来越受欢迎。为了方便科学研究，云计算旨在与其他研究人员共享处理，存储，信息和专业知识领域的大规模资源和设备。云计算云计算使用调度器（代理）找出如何最好地将有限数量的资源分配给进入的活动和应用以便实现各种调度目标（例如，货币成本、计算成本、制造跨度、可用性、可靠性、响应时间、资源利用率、能耗等）Lee（1996）; Allahverdi et al.（2008）.自1980年建立以来，现代调度最显著的应用之一是将有限资源的分布式计算系统分配给Internet用户提交的作业。在过去的几年里，出现了一种叫做“集群系统”的新技术，它把几台独立的计算机组合成一个单元。网格系统是针对集群系统的弱点而开发的，它只利用本地资源，通过将地理上遥远的地方可访问的所有异构资源聚集在一起。云计算是一种相对较新的技术，集群系统和基于网格的系统的优点由于巨大的解决方案空间，NP-困难或NP-完全需要很长的时间才能在最短的时间内实现最优或次优解决方案。由于现代计算机系统中资源的有限性，目前还没有多项式时间调度技术可以用来改善受限资源的调度。使用Taillard（1990）中的一个简单例子，我们可以看到大约0.02%的可能解决方案使用了1到1.01倍的找到理想答案所需的时间。找到一个复杂问题的最佳答案是相当具有挑战性的，如本例所示。因此，大多数学者一直致力于寻找一种快速而有效的解决方案来解决这类调度问题。调度方法的两种最基本形式是静态调度策略和动态调度策略。然而，由于云设置本质上是动态的，因此必须将额外的动态算法并入云调度过程中以在该领域中实现突出的结果另一方面，静态算法仅在工作负载略有变化时使用因此，在这种情况下，采用确定性方法来解决作业调度问题是不可行的Allahverdi（2015）。非决定性的元启发式算法已被提供作为一种方式，considerably解决这个问题的时间多项式量的云服务的消费者和生产者可以从动态工作调度方法和虚拟化技术带来的各种优势中受益。有效的资源（任务）调度不仅使资源消耗最小化（增加资源使用量），而且保证新的作业尽可能迅速地完成（最小化完工时间）。由于云计算中心的工作负载不断增加，导致云资源可能稀缺，因此这导致任务调度的重要性显著增加。因此，需要对云作业调度这一仍在发展中的主题进行更多的研究，以推动更有效地将即将到来的作业映射到可用资源，并改进衡量服务提供效率的标准调度算法可用于通过确定可用于执行传入任务的最优资源集（利用不足和过度利用）来优化各种服务质量（QoS）参数，例如资源使用和利用、任务拒绝率、能耗和其它约束A的主要目的Saydul Akbar Murad，Abu Jafar Md Muzahid，Zafril Rizal M Azmi etal.沙特国王大学学报2311调度方法是找到最有效地利用可用资源（SLA）。1.1. 开展研究由于云计算的目的是最大限度地提高虚拟机（VM）的使用率，同时最大限度地减少数据中心的运营费用，因此资源调度至关重要。这导致云计算中服务质量（QoS）指标的增加。为了实现云服务提供商和用户的目标，资源调度管理大量的用户坚持，并将它们全部分配给最适用的虚拟机。我们检索了有关调度算法的文献，并确定在云计算Raghava和Singh（2014）; Milani和Navimipour（2016）; Thakur和Goraya（2017）; Ghomi et al. （2017年）。这些调查问卷显示了这种算法如何以最基本的形式工作。例如，Randles等人（2010）基于一个关键的性能指标（吞吐量）评估了几种负载平衡解决方案，而该方法忽略了流程图，分类法和其他调查特征等其他因素。尽管Raghava和Singh（2014）简要概述了基于QoS标准的现有调度技术，但上述所有调查都只关注少数几个要素（QoS参数，年度分析，最新技术水平）。此外，现有的调查都不完整，并且现有的调查都没有同时考虑所有的QoS特征Ghomi et al.（2017）和Thakur and Goraya（2017）改进了调查方法，并考虑了除了分类法之外的更多QoS指标，视觉表示和流程图。在Kumar等人（2019）中，作者进行了一项出色的综述在云计算上，他们只包括工作调度算法，没有提到他们在研究过程中遇到的任何障碍，这是一个错误。Houssein等人（2021）进行了另一项调查，其中他们提出了一种分类法，并对研究主题进行了深入的讨论。他们没有在本节中提供任何成功的作业调度框架，我们在研究中添加了这一点。作业调度领域的研究，尽管如此，其发展仍处于早期阶段。因此，我们寻求一个全面的调查，这将有助于我们扩大和整合研究结果到资源调度的持续基础上。这项工作代表了一个完整的和系统的作业调度策略的分析，以及评估，现在和未来的研究挑战，源于就业的尖端调度方法。我们已尽力将我们的经验应用于这项工作。1.2. 本文件本研究的目的是探索和批判现有的云调度方法，以及在作业调度过程中使用的性能本文的研究结果将有助于今后开发新的作业调度算法或策略。以下是对本文件的贡献内容的具体例子：1. 在本文中，我们调查和评估各种众所周知的现有的启发式，元算法，混合，并在云中的基于训练的作业调度算法和所有的资源调度技术，在作业调度过程中使用2. 一个完整的研究进行了使用当前的研究流程和专家意见，以确定，分段，并分类与云计算相关的工作调度策略在这方面，我们图1.一、云计算中JST的工作流3. 这项调查提供了一个作业调度框架，这是进一步研究和开发云计算的路线。建议的框架分为四个部分，其中每一个是直接关系到有效的工作调度。4. 根据研究结果，提出了一种新的基于优先级的作业调度算法，该算法将用于保证作业在整个CPU中的公平分配。此外，它还将改善排序矩阵的性能，如流程时间、最大完工时间等。5. 本文提供了一个全面的了解资源分配系统，以及已实施的所有战略6. 明确定义了Meta启发式，启发式，混合和基于训练的作业调度算法的优点和缺点。此外，还展示了各种基于云的仿真工具并进行了对比。7. 开放性研究问题的确定和解决，以发展一种方式，为未来的研究现有的工作和可能的未来研究领域。本文允许读者发现这些主题，因为它提供了一个完整的概述的概念框架的创建至关重要的特定主题。页面的某些区域经常被修饰。第三部分详细介绍了与基于云的作业调度相关的困难和问题，而第二部分提供了作业调度策略的高级摘要，第四部分代表了基于云的作业调度分类，第五部分代表了作业调度技术的综合概念框架在虚拟现实中，无价的未来研究信号正在同步，为前沿研究者提供未来的挑战最后，第七节通过展示文章的贡献来结束研究2. 云计算通常，每个消费者利用计算机或智能电话上的云平台来经由浏览器互联网连接请求特定服务。因此，创新的作业调度算法可以有效地平衡系统主机之间的工作负载作业调度是资源管理（RR）的一个重要方面，作业调度是确定作业如何在系统中进行的方法，包括资源组件 的 真 实 映 射 以 及 它 们 应 该 完 成 的 时 间 Mandarin 和 Javidi（2020）。图1示出了演示云计算中的作业调度在云计算环境中，工作调度本质上需要将作业映射到可用的成分资源。在计划之前，我们必须首先提供资源。术语调度有助于根据用户的需求优化资源。目前，来自不同国家的许多研究人员正在试图提高作业调度。通过发明新算法-Saydul Akbar Murad，Abu Jafar Md Muzahid，Zafril Rizal M Azmi etal.沙特国王大学学报2312Lee（1996）提出了一种基于优先级准则的作业调度算法。2.1. 用户世界各地的一些知名公司已经向云过渡。其原因是，在在当今世界，一切都将在线，个人将希望将所有数据存储在云中。任何形式的组织、人员集合或单个人都可以是用户。许多公司的存在是为了满足用户的需求。用户将其请求提交给云服务提供者，云服务提供者然后基于请求分配资源2.2. 已提交任务作业调度是一种在特定时间将特定作业分配给特定资源的技术。作业调度问题是云计算中的一个重点和难点问题。云计算中的作业调度主要关注提高资源的有效利用率，例如带宽、内存和完成时间。一个有效的工作调度方法应该旨在较低的响应时间，以便在尽可能短的时间内完成提交的作业，并且没有及时转移资源Patel和Bhoi（2013）。用户提交的所有任务这些都是未处理的任务。最后一个任务将在以后根据资源可用性和该任务的身份验证进行选择。2.3. 资源管理云计算中的RR的目的是确保高资源可用性、时变服务模型实现、资源共享以及资源使用效率和可靠性。云计算领域的术语RR是指为云 客 户 提 供 QoS 保 证 ， 同 时 有 效 管 理 上 述 资 源 的 过 程 Kumar（2018）; Parikh et al. （2017年）。根据我们的定义，研究管理需要资源的提供，调度和监控，如图1所示。物理资源如磁盘空间、CPU核心和网络带宽都是由这些进程管理的.这个资源必须被划分和共享到所有虚拟机（VM）中，这些虚拟机可以运行各种任务Mohamaddiah et al.（2014）。现在我们资源供应：可以使用资源供应方法将可视化资源分配给用户。云服务提供商响应于用户的请求而生成和分发虚拟机（VM）。资源调配还负责根据QoS规范、服务级别协议（SLA）满足用户需求，并将资源与引入的工作负载相匹配。作为一般原则，资源供应的目的是识别和优先考虑哪些资源最适合即将到来的应用程序请求（需求），以保持服务应用程序所需的资源数量最小（最大吞吐量和低执行时间）。 资源配置将即将到来的请求链接到正在运行的虚拟机，保证客户在尽可能短的时间内以最便宜的价格获得服务，而服务提供商在不牺牲SLA合规性的情况下赚取最多的钱。（2012年）。资源调度：服务质量（QoS）变量用于确定哪些活动将优先执行。对于任务执行，调度使用启发式或Meta启发式方法来挑选最佳虚拟机并确保满足QoS约束。按需调度是一种资源调度策略，其中云服务提供商将资源快速交付给随机任务在单个虚拟机上运行多个进程是可行的，但这种方法存在工作负载分配不均匀的问题，导致性能下降和过度配置的可能性Singh和Chana（2016）。可以将VM保留一段时间，但这可能会导致资源调配不足的问题。过度供应和供应不足会增加服务成本，因为它们会导致资源和时间的过度使用。我们需要一个资源配置算法，可以有效地评估和安排即将到来的工作负载，以处理这样的情况。为即将到来的最终用户应用程序（作业）确定更好的云资源，以最大限度地提高主要性能指标和资源利用率是Singh和Chana（2016）的主要目的。云计算中有各种性能矩阵，例如执行成本、响应时间、完工时间和可靠性。由于云计算资源的动态性、异构性和分散性，资源调度成为云计算中的一大难点。这些困难无法通过当前的调度解决方案来解决。我们需要一种调度技术，可以根据云资源（VM）的能力在它们之间分配不同的工作负载，以避免过载和欠载。资源监控：通过高性能管理实现资源利用率的关键云资源监控是一种允许云提供商管理和维护其软件和基础设施的方法，同时也为客户提供有效的成本和输出。 在收集来自主机和VM的信息之后，资源监视器提供关于分配给各个VM的任务的状态的任务调度器，并且以预定频率配置每个VM。（2017年）。2.4. 云信息服务（CIS）在作业调度中，云信息服务至关重要。它的角色是充当数据中心和数据中心Broker之间的联络人CIS是一种云存储，包含云中可用的资源在构建数据中心然后，代理尝试获取已向CIS注册的资源一旦代理可以从CIS读取数据，就与数据中心建立连接2.5. 数据中心数据中心（也称为服务器场）是数据和信息的集中存储、管理和分发设施数据中心通常是容纳计算机系统和其他组件的结构，包括电信和存储Stryer（2010）。云计算中心旨在满足非常特殊的基础设施要求，以便有效地为云客户提供当然，云计算中心是云计算的重要组成部分，特别强调可靠的网络、内容和服务等。数据中心必须有两个必需的组件：虚拟机（VM）和主机（定义如下）。VM分配：虚拟机（VM）是以与任何其他物理计算机（如智能手机、笔记本电脑或服务器）相同的方式运行的计算机它具有RAM，CPU和用于存储文件的光盘，如果需要，还可以连接到互联网。虚拟机（VM）通常被认为是在物理服务器上运行的虚拟计算机或软件定义的计算机，除了代码之外没有其他物理组件，而计算机的物理组件（称为硬件）是存在的，并且是显而易见的。（ 2013年）。Saydul Akbar Murad，Abu Jafar Md Muzahid，Zafril Rizal M Azmi etal.沙特国王大学学报2313配置作为其他工作负载。CPU、RAM、存储甚至执行时间都在这里考虑。如果云系统的构造正确，它们可以处理这两种类型的工作负载。（2014年）。3.3. 间歇工作负载和批处理工作负载云计算中有各种性能指标，例如执行成本、响应时间、可靠性和完工时间。由于云计算资源的异构性、分散性和动态性，使得云计算中的RS成为一个主要的难点。这些困难无法通过当前的调度解决方案来解决。为了避免过载和欠载，我们需要一种调度方法，可以根据容量在总云资源（VM）3.4. 降低成本和最佳资源利用率图二.在有效的作业调度过程中遇到的障碍和问题在此图中描述。在云计算中，数据中心为每个请求的VM检测和分配适当的物理资源。虚拟机的数量、它们的配置和连接要求都可以在用户的请求中定义。用户可能事先不知道虚拟机（VM）之间的通信要求。主机：在数据中心中，主机扮演着重要的角色。Cloudlet数据存储在主机上。RAM在作业调度过程中由主机提供。带宽也由主机提供。处理组件是主机的组件。MIPS由处理元素（每秒百万指令）标识。VM基于MIPS处理元素。 服务提供商可以基于消费者需求提供多个主机。3. JST在云计算中的挑战和为了导航有效的作业调度，需要对各种VM、数据中心、主机和数据中心代理进行严格的这些问题表明需要调查作业调度系统故障的核心原因，并确定导致可能故障的事件。显然，决策者和研究人员依靠广泛的审查来确定最佳方法。作业调度技术的发展和使用可能会受到一些障碍的阻碍 图 2描述一些可能在技术完全成熟之前和之后阻碍技术采用的重大挑战。3.1. 波动云数据中心中的CPU、网络资源和存储通常是虚拟化的。与传统数据中心相比，这些虚拟化资源使用更少的能源。向用户提供虚拟机（VM），其是一种虚拟化环境。这些虚拟机用于处理大容量、高可变性的工作负载。随着应用需求的增加，负载可能会急剧波动并越来越大。可预测和不可预测的工作负载是两种不同类型的工作负载。3.2. 相同和多样化的工作量在云中，有两种不同类型的工作负载。一种类型的工作负载是同构的，它被定义为具有相同云资源分配中最重要的两个考虑因素是节约成本和最大化利用率。客户应被赋予通过可靠的云系统继续提供服务的义务。为了实现这一点，服务提供商必须能够向其客户提供低成本服务有很多方法可以实现这一点，包括使用有效的方法来监控资源消耗和减少用户开支。3.5. 管理长期作业的高可用性基于云的作业的持续时间可能从几分钟到几小时不等。这就需要有资源可供不间断或不失败地开展工作。因此，必须处理任何故障或不可用性，以便将工作转移到可用资源。用户必须不知道任何停机时间，因为策略必须快速实施过程。3.6. 与传统调度相比，调度的粒度增加当涉及到云计算时，调度挑战已经从具有有限数据传输的传统云系统中的简单任务调度转变为繁重的VM迁移VM资源调度。（ 2017年）。3.7. VM迁移当处理云资源不足时，VM迁移是可以使用的选项之一。虚拟机（VM）可以在主机之间移动，以便为更多资源腾出空间。这3.8. 不确定当前的云调度解决方案基于具有作业和资源的先前知识的确定性建模。然而，在云计算中，这是不可能的，因为接收到的用于计算的任务本质上是非常意外的，并且服务提供商不知道必须管理的数据和计算的量。此外，虚拟化技术将云服务提供商（CSP）和服务用户与可用资源的细节隔离，从而对服务提供商和服务用户的性能造成进一步的障碍。由于诸如可用计算资源的数量、其速度和能力、带宽变化和资源可用性等指标的不可预测性，服务提供商和控制商Saydul Akbar Murad，Abu Jafar Md Muzahid，Zafril Rizal M Azmi etal.沙特国王大学学报2314图三. JST的Taxonomy消费者必须更加关注服务质量（QoS）的基本水平为此，学者们通过预测任务执行时间和队列等待时间来解决最小化不确定性的问题，以提高效率和资源利用率。3.9. 节能配置云上的数据中心非常庞大，需要大量的处理和计算机资源来运行。这些数据中心的碳足迹预计将是巨大的Khan et al.（2020）。因此，必须考虑以节能方式分配资源的战略。3.10. 并行调度任务如果任务并行计算，则任务的制作跨度将被扩展。独立任务和依赖任务是两种类型的任务。在此期间，可以执行单独的任务在许多VM上。但是，由于相关任务涉及通信问题，因此必须谨慎执行。3.11. 云网络在自己的领域内构建的云数据中心拥有多种资源分配技术和策略。对于分散的云，传统的资源分配算法无法跟上新的资源分配方法。分布式云的问题包括通信延迟、网络系统虚拟化优化资源分配等，虚拟化网络资源映射（VNE）是一项具有挑战性的任务。（ 2013年）。4. 云计算作业调度和资源分配（RA）是云中使用的两种主要类型的工作调度算法。此外，将这些组划分为子组，并提供彻底的分类，如图3所示。这项研究的目的是奠定表1基于战略的资源配置。参考文献使用算法技术资源分配类型优势缺点工具王和苏（2015）尚（2021）DHRA和敏敏模糊聚类、HEFT和FIFO。这取决于所需的处理能力和存储量。工作流与资源动态RA动态RA提高工作质量提高了资源与传统算法降低平均速度CloudSimCloudSimPraveenchendar和FCFS和Round Robin。聚类预测与动态资源动态RA利用率和负载平衡改进作业调度，与其他算法相比仅比较两者CloudSim中文（简体）使用表格更新技术。电源管理普通静态Abedi和Pourkiani基于人工智能的任务分配算法使用智能代理，交互人工智能-最大限度地减少互联网流量，算法的数量MATLAB（2020年）Geetha和（AITDA）和ANN。ACO和ANN-GA云服务器和雾服务器之间。维护传入作业Gence RA人工智能-反应时间容错性一直是性能指标非常少。算法的鲁棒性MATLABParthasarathy（2021年）请求过程中Gence RA最小增加Vinothiyalakshmi和组合双向拍卖资源分配（CDARA）用信誉换资源动态RA最大限度地减少复杂性风险分析与服务云-阿妮莎（2021）Gu等人（2017年）基于可信度的多属性组合双向拍卖（CMCDA）。最新在线预订（LRO）机制资源调配可以分配虚拟机预测RA获取完成作业的资源。提高性能这里的水平协议并不明确只有一台虚拟机奥奇蒂奥CloudSim达巴格等人（2015年）能源感知资源供应的框架。用户可以实时使用这个系统。估计未来预测RA保护数据中心电源(VM)都集中在一个时间。专注于MATLAB虚拟机请求云服务提供商Xiong and Xu（2014）Oddi等人（二零一三年）粒子群优化（PSO）、MBFD和MBFH基于马尔可夫资源使用和能源消耗的最佳平衡多云管理人工智能RA动态RA最小化能量收入增加，与传统算法相比实际上，这并没有CloudSimMATLABPu等人（2020年）Wang等人（2014年）决策过程在线虚拟机分配和定价（OVMAP）和Vickery-Clarke-Groves（VCG-VMAP）用于分配节约能量的资源的方案，资源解决虚拟机定价和分配问题将传入任务分发给预测RA预测RA性能提升整体性能提升整体已实施。并非所有的未来需求都可以通过某种机制来预测。性能实际上，CPLEX 12EclipseManzoor等人（2020年）使用预测（ECRASP）蚁群算法（ACO），模拟退火算法（SA）工作量最小的项目经理资源分配人工智能-性能更好，这一点尚未得到执行。取决于电网CloudSimMousavi等人（2017年）遗传算法（Genetical Algorithm，GA）teaching–learning-based提出的RAgence AR动态RA最小响应时间改进局部优化和增加精度系统比较算法的数量有限。MATLABHu et al.（2013）Xu etal. （2018年）Chien等（2019年）基于蚁群优化的分配算法（ACO）FF、BF、FFD、BFD和DRAM长短期记忆（LSTM），基于GA的资源预测资源节点的能力。物联网在雾计算中的应用。结合了云计算和动态RA动态RA人工智能-高性能和缩短的响应时间增加RA资源利用率高，对基于网格的算法进行了比较。服务迁移和数据传输成本降低。资源分配GridSimCloudSimAnaconda分配算法（GARAA）和（LSTM + GARAA）边缘计算Gence RA低功率使用变得相当复杂李和李（2013）古塔姆和亚达夫IaaS提供商、云消费者和SaaS提供商分配资源的方法（RASP）容错算法和CloudSaaS和IaaS的组合及其联合优化动态资源提供人工智能RA预测RA提高资源改善资源利用和故障成功率并不高。基于高优先级，CloudSimCloudSim（2015年）Ali等（二零一三年）人工神经网络是由笛卡尔遗传学创建的预测客户能力动态RA宽容增强的功能分配已作出。只关注MATLAB方案编制（CGPAN N）数据中心的需求计算机的处理能力。（接下页）Saydul Akbar Murad，Abu Jafar Md Muzahid，Zafril Rizal M Azmi etal.沙特国王大学学报2315Saydul Akbar Murad，Abu Jafar Md Muzahid，Zafril Rizal M Azmi et al.沙特国王大学学报为未来研究云计算中使用的调度技术奠定了基础4.1. 资源配置由于最终用户能够随时随地访问资源，因此云计算的难点之一是RA。Soap/Restful Web API将存储或计算请求连接到虚拟化ICT资源，是获取云中可访问资源（如服务器，弹性IP，blob存储等）的唯一方法Kiruthiga和Akila（2021）。因为云数据中心具有高度的资源人工性，所以云计算范例可以按需提供弹性资源分配。然而，如此高的重复性可能导致资源分配浪费Hameed et al.（2016）。资源分配根据技术行为和环境分为两个部分，如下所述：基于策略的RA和基于参数的RA。23164.1.1. 基于策略的RA基于策略的RA是在RA过程中使用的技术。基于该方法的环境和行为，我们可以将该技术分为三类：人工智能RA，动态RA和预测RA。表1显示了对基于战略的资源分配及其利弊的研究和分析。以下是上述分类的细节。动态RA：在云计算中，满足云消费者不断变化的期望的能力被认为是一个困难的主题。为了处理和满足这些不可预测的高期望，动态RA被用来适应用户在各种工作负载和环境中的需求。此外，给出QoS的保证，以避免SLA侵略Jayanthi（2014）。Saraswathi等人（2015）提供了一种完成高优先级任务的新方法。此方法不考虑为新任务创建的最新VM。在VM中执行高优先级活动，导致挂起低优先级操作。为了解决资源分配过程中产生大量信息的问题，提出了一种动态层次资源分配方法。云计算提出的解决方案能够满足大规模应用服务需求，同时增强系统安全性。通过评估和测试，DHRAAli et al.（2013）提供了一个IaaS性能管理架构，解释了主要的基于OpenStack的应用程序。基本结构由一组管理人员组成，他们根据用户需求分配资源，并共同努力实现管理目标。管理者的意图包含支持特定管理目标的典型成分。之后，针对成本和效率这两个特定目标，评估原型实现。蚁群优化（ACO）资源分配技术由Hu等人（2013）开发，用于在云中分配和转移IaaS资源。为了得到一组理想的计算节点，新的ACO算法首先预测可能的资源节点的能力，然后查看实际网络质量和响应时间的一些特征。最后，作业被分配到适当的节点。由于大量的能源使用，从单个云提供商向客户分配按需资源是一项艰巨的任务。除此之外，还要创造足够的现金，满足用户的需求。Zhang等人（2011 a）采用模型预测控制（MPC），它基于离散时间最优控制并有助于发现解决方案。此外，建立适当的信息模型需要应用紧条件.表1（续）参考文献使用算法资源分配类型动态RA技术优势缺点工具Zhang等人（2011年a）实现满足QoS质量的响应时间和服务速率蜘蛛猴的社会行为用于实时分配资源的系统在动态云中，所提出的框架表现更好。响应时间、完工时间、能耗。实际上，什么也没做。MATLAB软件Samuel and Kumar（2022）动态RA蜘蛛猴优化（SMO）CloudsimMakespan时间更长。表2基于参数的资源分配。参考文献使用算法技术资源分配类型优势缺点工具Ma等人（2019年）常规遗传算法（GA_N），截止期，代价-任务的拓扑结构用于成本效益在会议沟通成本LIGO，Lee等人（2014年）感知遗传算法（DCGA）和粒子群优化算法（PSO）。二次规划（IQP）和列把它分成多个层次。虚拟机放置RA带负载时间紧迫功耗在VM中，增加复杂性蒙太奇，和塞伯沙克IBM，生成（CG）平衡优化服务器，实现的算法。关于CPLEXGeetha和Robin动态虚拟机放置、虚拟机调配和创建两个图层，如Green ManagerRA伴病灶网络和移徙最短响应时间审议CloudSim（2021年）Ibnyaich等人（2021年）数据中心配置。拥塞感知资源分配、能量层（GML）和云管理器层（CML）大规模设备和网关是分布式的质量的服务（QoS）效率改善IoT通信性能矩阵很少。这是不切实际的。NS2Tarahomi等人（2021年）高效路由协议（ECRR）微型遗传算法在整个网络中使用Meta启发式算法和数据聚类。云服务器整合和实时虚拟机清醒RA功率通过开发一个高效智能的协议改进的功率消耗成本将增加。CloudSimRezvani等人（2015年）整数线性规划移民被利用。虚拟机消费RA利用增强性能相比海泽亚库马尔和萨克塞纳根据客户资源分配的基础是清醒RA成本效益更好的性能常规算法优先级用于CloudSim（2015年）03 The Famous（2015）需求支持向量机（SVM），人工神经网络补偿最优资源分配RA成本效益高的总利润和平均利润分配资源。* *工作的重点是CloudSim神经网络和PB-PPSO优化RA反应时间效率学习规则Liu等人（2016年）（ANN）一种用于分配资源的方法，使用资源带负载提高生产力，同时吸引新用户。结果CloudSimZhang等人（2011年b）多服务质量负载均衡一种统计驱动的技术，分区进场和提前预订。为负载平衡分配资源，平衡带负载把开支控制在最低限度。实时负载均衡使负载均匀分布。重点是时间，XenServerHorri等人（2014年）平衡（SLB）SLA感知算法VM正在初始化。虚拟机整合平衡RA伴病灶减少虚拟机迁移、SLAV并且没有讨论其它资源。虚拟机加载将发生在CloudSimKatyal和MishraThe min–min and max–min algorithms资源分配和调度服务质量（QoS）RA伴病灶和发送的总数据。将最大完工时间缩短到同时还研究与讨论FCFS仅与CloudSim（2014年）Pradhan等人（2016）选择性算法的基础。改进的轮循算法时间量子质量的服务（QoS）效率增加吞吐量。提高产量。其他算法专注于MATLAB清醒RA云用户。Xu and Yu（2014）Geetha和Robin博弈论FUGA算法云管理器层（CML）和绿色多资源分配CML在所有资源中选择合适的资源，效率意识RA功率提高公平配置效率。缩短平均响应时间相比传统算法。维护成本将谷歌工作负载CloudSim（2021年）Dashti和Rahmani管理层（GML）。首次拟合算法（FF）和最佳拟合算法GML选择最好的一个。VM放置消费RA功率和功耗改进动态资源增加相对于传统CloudSim（2016年）(BF)，粒子群算法，功率感知最佳拟合递减（PABFD）消费RA分配算法Patel等人（2016）Pillai和Rao（2014）布谷鸟搜索算法开放联盟请求形成算法，服务器利用率资源利用不足利用感知RA利用提高可靠性和效率。避免整数规划这些测试没有提供数据安全或存储。每项作业仅限于一个MATLABGroudSim杰恩和夏尔马（2022）任务分配算法联盟解散算法。期限约束的基于QoSAware RA成本效益复杂性和提高性能。提高资源利用单一类型的请求。可靠性、可用性Cloudsim群算法（DTC-SSA）要求RA吞吐量不考虑。Saydul Akbar Murad，Abu Jafar Md Muzahid，Zafril Rizal M Azmi etal.沙特国王大学学报2317Saydul Akbar Murad，Abu Jafar Md Muzahid，Zafril Rizal M Azmi etal.沙特国王大学学报2318人工智能RA：人工智能（AI）是一门云计算学科，它是智能资源分配算法的基础，这些算法的工作方式与人类相同。Endo等人（2011年）提出了一种RA方法，该方法考虑了自动化和智能系统的各个方面，其中系统受自然启发并基于运筹学以及机器学习和神经网络的元素，以及使用代理和专家系统的系统。在IaaS云计算中，人工智能通过降低错误和失败的风险来提高精度和准确性。通过为虚拟机分配多个资源，可以提高云数据中心的能效和性能。它有助于降低数据中心的功耗。通过使用粒子群优化技术，可以使利用大量资源的VM资源分配更加节能。在这些解决方案中仅考虑了加工和储存问题，Xiong和Xu（2014）.可以使用云计算和雾计算为基于物联网的延迟敏感型应用提供QoS，但两者都不能独立完成。雾和云服务器兼容性的重要性怎么强调都不过分。在Abedi和Pourkiani（2020）中，他们讨论了一种基于人工智能的任务分配算法（AITDA），该算法的目标是通过在云和雾服务器之间分配作业来最大限度地减少互联网流量和响应时间。在现有技术中，可以满足云计算环境的标准的蚁群优化（ACO）被用于优化和管理资源。建议的技术估计必要的带宽，并提前预测可用资源Manzooret al.（2020）。此外，它预测的响应时间和网络的质量。云计算中基础设施即服务（IaaS）和软件即服务（SaaS）的最佳资源分配优化由Li和Li（2013）提供。实验结果表明，与现有的其他算法相比，本文提出的联合优化算法能够更有效地进行资源分配。预测的RA：当涉及到分配资源，云，云计算专业人员专注于预测未来的用户需求，影响资源需求，并自动分配资源。利用预计的资源分配可以实现若干目标。在IaaS云计算中，资源分配至关重要，这是必须的Patel和Dahiya（2015）。为了准确预测云计算中心的工作负载并节省能源，需要使用一个适应性强、有效且简单的框架将机器学习分类和随机理论其他方法的一个缺点是它们需要频繁的模型，而我们的方法不是它还可以用于云数据中心，以做出节能的资源管理决策。所提出的方法的效率是使用谷歌数据跟踪Dabbagh等人。（2015年）。 还有一个ECRASP（节能资源分配策略与预测）提出的王