基于鲸鱼优化的云计算多目标信任感知任务调度算法的研究

沙特国王大学学报基于鲸鱼优化的云计算多目标信任感知任务调度算法Sudheer Mangalampallia，Saha，Ganesh Reddy Karria，Utku Koseba印度阿马拉瓦蒂VIT-AP大学计算机科学与工程学院b部土耳其苏莱曼·德米雷尔大学计算机工程系阿提奇莱因福奥文章历史记录：2022年11月29日收到2023年1月20日修订2023年1月20日接受2023年1月25日在线提供保留字：任务调度最大跨度能源消费信托A B S T R A C T任务调度是云计算模式中的一个巨大挑战，要映射来自不同来源的任务，需要一种高效的调度机制，根据用户的请求动态地向其提供资源。无效的调度导致制造跨度、能量消耗的增加，并且违反云用户和服务提供商之间的SLA，从而服务质量将下降，并且对云服务提供商的信任将下降。信任通常基于服务质量参数，例如SLA中包括的虚拟资源的可用性、任务的成功率、任务的周转效率本文设计了一个多目标的信任感知调度器，该调度器根据任务和虚拟机的优先级，在最小化完工时间和能耗的前提下，将任务调度到合适的虚拟资源上。Whale优化算法用于为我们的任务调度器建模。整个模拟在Cloudsim上进行。本模拟中使用的数据库是从HPC 2N和NASA捕获的制作和实时工作日志。我们提出的方法与现有的元启发式方法相比，即，ACO、GA、PSO方法。从仿真结果中，我们观察到，有一个显着的改善，在最大完工时间，能源消耗，总运行时间和信任参数，即，可用性、成功率、周转效率。版权所有2023作者。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/）。1. 介绍云计算范式为许多企业在云环境中迁移、计算和托管其应用程序打开了大门，云环境提供了轻松、无忧的无缝访问许多服务的能力所有这些服务都是根据客户的需求量身定制的最初，随着大数据的出现，现有的商品硬件无法应对异构的工作负载，这些工作负载流向基础设施并来自多样化的资源。因此，为了适应这些异构和多样化的工作负载，许多IT公司希望将其现有的基础设施迁移到云环境中。这是因为云计算-*通讯作者。电子邮件地址：sudheerkietmtech@gmail.com（S.Mangalampalli），utkuko-se@sdu.edu.tr（美国）。Kose）。沙特国王大学负责同行审查PUTING模型具有各种优势，例如可扩展性，弹性，按需服务，高弹性虚拟架构，灵活性（Francis，2018）。因此，凭借这些优势，公司希望通过最大限度地减少管理责任，并尝试通过在云中心使用虚拟化架构为客户提供更大的灵活性和高可用性，从而将其现有基础架构迁移到云环境。在这些日子里，由于灵活性、可用性，各个领域中的每个用户都更有可能使用云计算应用，此外，对于云范例，用户分布在全球各地，因此，为了在云环境中适应这些并发用户请求，我们需要有效的调度器来向云用户提供虚拟资源（Arunarani等人，2019年）。当用户同时请求云环境的服务时，并且这些请求是由客户从各种异构和多样化的资源做出的，因此为了处理这些类型的请求并向各种云用户提供资源，需要有效且动态的任务调度器。云计算环境下的任务调度需要具有高效性和动态性。此外，它应该基于进入云控制台的工作负载工作。云模式中的无效调度机制会导致云服务提供商的服务质量下降，从而造成损失https://doi.org/10.1016/j.jksuci.2023.01.0161319-1578/©2023作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comS. 曼加兰帕利Karri和U.高丝沙特国王大学学报792云服务提供商和企业的信任度将下降。因此，在云模式中，需要采用有效的调度器，该调度器基于进入云控制台的工作负载动态地调度任务，这对云用户和云服务提供商都是有益的。因此，通过在云范例中采用有效的调度器，对云提供商和云用户都有利，通过云提供商和云用户都可以受益。在本文中，我们讨论了信任感知调度机制和信任可以计算的基础上，SLA参数，如可用性，成功率，周转效率。这些参数也影响服务质量，也间接影响完工时间和能耗。许多早期的作者使用各种元启发式和自然启发算法即PSO（Alsaidy等人，2020），GA（Velliangiri，2021），ACO（Sharma和Garg，2022）以及更多方法。许多作者还讨论了名为完工时间、SLA违规、能耗的参数，但没有作者通过考虑任务和VM的优先级来讨论根据与完工时间和能耗相关的可用性、成功率、周转效率来评估的信任参数。在本手稿中，我们仔细评估了任务和VM的优先级，并使用鲸鱼优化算法（Jia et al.，2021年），同时最大限度地减少完工时间，能源消耗和提高可用性，任务的成功率和周转效率，从而提高信任价值。在这项研究中，我们观察到信任参数之间存在一种隐藏的关系，即当信任参数提高时，云范式中的完工时间和能耗最小化。本手稿的贡献如下。1. 开发了一种使用鲸鱼优化的多目标信任感知调度技术（Jia et al.，2021）算法。2. 基于单位电费考虑任务和虚拟机的优先级，有效地将任务映射到虚拟资源上3. 基于SLA参数评估信任，即，任务的可用性、成功率和周转效率。在我们的工作中提出了一个死线约束，以仔细执行任务的虚拟机上，这样的方式，分配任务的虚拟机分配后，悬而未决的任务完成。在本节中，我们首先讨论了各种企业对云计算的需求，并讨论了云模式相对于本地环境的优势在讨论了云模式的基本知识之后，我们讨论了云模式中任务调度的重要性以及它如何影响诸如完工时间等基本参数，并解释了基于SLA的信任参数的重要性，然后我们解释了现有作者的各种方法，并在下一小节中讨论了进行本研究的动机和我们对本研究的贡献。手稿的其余部分组织如下。第一部分是引言，第二部分是相关工作，第三部分是云计算中的多目标信任感知任务调度，第四部分是仿真和结果，第五部分是结论和未来工作。2. 相关作品在（Dubey和Sharma，2021）;作者制定了一个任务调度算法，将多个独立的任务调度到虚拟资源。它结合了CR和PSO方法。它在Cloudsim工具上进行了模拟与已有的CR、PSO基线方法进行了启发式随机初始化使作者将元启发式算法用于云计算中的任务调度。在（Alsaidy等人，2020）一种改进的启发式初始化PSO与LJFP结合使用; MCT算法基于在最快的处理器上执行的最长作业，即LJFP和MCT基于完成作业的最短时间工作。实验在MATLAB上进行，并对现有的MCT，SJFP，LJFP，PSO，Min-Min，Max-Min算法进行了评估。从结果可以看出，所提出的方法最大限度地减少了最大完工时间，总的exacrification- tion时间，能源消耗。在（Beegom和Rajasree，2019）中;一种任务调度算法，用于最小化制造跨度，成本。一种离散建模的PSO用于云计算中的任务调度方法。该模拟在Cloudsim上进行，合成数据集用于为算法提供输入。对RND-PSO、SPV-PSO算法进行了评价。实验结果表明，在给定参数的情况下，该算法比基线法具有更好的性能.在（Nabi，2022）中，作者设计了一种任务调度算法，旨在最小化最大完工时间，提高资源利用率和吞吐量。他们使用惯性权重策略来平衡工作量和局部与全局搜索过程之间的平衡。采用PSO算法的LDAIW策略。它与现有的惯性权重机制和Cloudsim上进行的模拟进行了比较。实验结果表明，该惯性权重机制与粒子群优化算法相结合的性能优于上述参数.在（Agarwal和Srivastava，2019）中，作者制定了任务调度机制，旨在最大限度地减少完工时间并提高资源利用率。采用粒子群算法作为任务调度的方法，并在Cloudsim仿真器上进行了仿真。它比较了现有的方法，即。GA，ACO。从结果来看，很明显，提出的基于PSO的调度机制优于现有的方法。作者在（Zhou，2018）中开发的基于自适应惯性权重的调度模型，避免了解空间中的局部最优。用改进的粒子群算法求解优化问题.粒子群算法根据工作负载的变化速度，通过调整惯性权重，对算法进行相应的调整。它在Cloudsim上进行了模拟，改变了任务数量，并对不同的基线PSO变体进行了评估。从结果来看，它对指定参数的现有方法产生了巨大的影响。在（Panwar，2019）;一个命令提出了一种以资源利用率最大化、加工成本最小化、最大完工时间最小化为目标的优先级任务调度机制。该调度模型分为两个阶段。在第一阶段，确定任务的最优优先级，在第二阶段，自适应惯性权重PSO算法用于任务调度。整个模拟在Cloudsim上进行。它评估了基线方法PSO，DPSO，ABC ，IABC，FUGE。从结果来看，很明显，TOPSIS-PSO对上述参数的现有方法表现出巨大的影响。在（Ebadifard和Babamir，2018）中，开发了一种任务调度算法，旨在解决参数完工时间，资源利用率。基于粒子群算法的任务调度方法是在粒子群算法的基础上引入负载均衡技术，解决任务调度问题。Cloudsim模拟器用于实验目的。它评估了RR，IPSO，负载均衡方法，IRASA算法。结果表明，对于上述参数，该算法优于现有算法。在（Pang，2019）中，通过结合两种算法EDA，GA来制定混合调度方法。这一方法分为两个阶段。在第一阶段，EDA将随机生成解决方案的基础上的工作量和在第二阶段，使用GA运营商的任务调度器生成相应的任务调度。在Cloudsim上进行模拟，随机生成工作负载。它与EDA、GA等方法相比较。结果表明，EDA-GA算法在最小化 任 务 完 成 时 间 和 最 大 化 任 务 负 载 平 衡 方 面 优 于 现 有 方 法 。 在（Abualigah和Alkhrabsheh，2022）;作者专注于最大限度地减少任务转移时间，因为他们开发了一种重新调度策略，以提高调度任务的有效性。他们采用了一种混合方法S. 曼加兰帕利Karri和U.高丝沙特国王大学学报793即MVO-GA，其基于速度、任务容量、大小、任务数量、VM数量、吞吐量来调度和重新调度任务。整个实验在MATLAB 2017上进行。它与现有的MVO、GA方法相比较。实验结果表明，任务转移时间、估计完成时间均优于现有算法。作者在（Agarwal和Srivastava，2018）中提出了一种混合任务调度方法，该方法结合了PSO; GA算法，其中PSO使用多样化属性，GA使用强化属性。这种方法在Cloudsim上实现。并与现有的基本算法PSO、GA进行了比较。结果表明，该方法比现有方法在制造跨度上有22.2%的改进.在（Senthil Kumar和Venkatesan，2019）中;使用混合方法GA-ACO制定的调度模型。在该机制中，遗传算法和蚁群算法使用更新的信息素，提高了调度器的服务质量。在Cloudsim模拟器上实现。它评估了基线方法，即ACO，GA算法。实验结果表明，该方法在吞吐量、任务完成时间、响应时间等方面均优于现有算法.在（Elaziz等人，2021）提出了一种结合WOA、COBL算法的混合任务调度方法。该方法采用WOA作为局部搜索算法，COBL作为全局搜索算法进行任务调度。在Cloudsim上进行模拟。它与现有的WOA，COBL和结果证明，HGSWC优于基线算法，最大限度地减少完工时间。在（Prasanna Kumar和Kousalya，2020）中，基于乌鸦搜索开发的基于自然启发的任务调度算法。在Cloudsim上实现。随机生成的任务作为算法的输入，其中低处理任务被调度到低容量VM和高容量VM两者，并且高处理任务被调度到低容量VM和高容量VM两者。比较了MIN-MIN、ACO算法。结果表明，基于CSA的调度器在最小化完工时间方面表现出巨大的影响。在（Duan，2018）中，开发了一种任务调度算法，旨在最小化完工时间。该方法采用增量式遗传算法进行建模，通过调整遗传算法的参数来即交叉和突变。在云上进行的实验-SIM.从结果来看，它证明了最大完工时间，计算时间大大减少了基线遗传算法的方法，为指定的参数。在（Senthil Kumar和Venkatesan，2019）中;基于GA，PSO算法开发的混合任务调度机制。该算法对云环境中重复的任务给予优先级，并将其存储在队列管理器中。剩余的任务存储在按需队列中，这两者都作为HGPSO的输入来调度任务。在Cloudsim上实现。该算法与GA、PSO、GA-PSO-HEFT算法进行了比较仿真结果表明，HGPSO在最小化完成时间、可扩展性、可用性等方面优于其他方法。在（Abdullah等人，2019）;一个任务调度算法公式化，以解决总任务时间。该算法采用MOPSO算法进行建模，并采用重要性策略来确定工作负载下的全局最优解。 在Cloudsim上实现。它评估了基线PSO，GA算法。从结果来看，它证明了MOPSO-IS优于比较方法指定的参数。作者（Zhang，2018）制定了一个任务调度模型，解决了任务执行时间;功耗。 RC-GA用作方法，其中资源拥挤模型最初用于在巨大请求从各种用户传播到云接口时选择解决方案，GA改进的选择算子用于识别将任务映射到VM的最佳解决方案。在Cloudsim上进行的全部模拟。通过与NSGA-II的比较，随机方法和仿真结果表明，RC-GA在特定参数下的性能优于基线方法。在（Aggarwal，2020）中，作者开发了一种调度策略，以确定用户需求和资源利用率之间的权衡。他们使用SA-FFOA作为解决问题的方法。延长-在Cloudsim上进行了合成和实时工作负载的仿真实验。它与FFOA，DE，ABC方法进行了比较，并观察到，结果表明，它是优于现有的方法的最大完工时间，执行成本和时间。 在（Pirozmand，2021）;作者设计了一种基于GA算法的能量意识任务调度方法。这种方法使用随机工作负载，并将其作为GAECS的输入用于调度。在MATLAB 2014a上实现。它对GSA，ABC，DA，线性粒子群算法，Sigmod粒子群算法，混沌粒子群算法，混沌粒子群算法，模拟粒子群算法进行了评估。从结果来看，GAECS对特定指标的现有基线方法显示出显著的影响.在（Srichandan等人，2018）;根据作者的观点制定的高效任务调度方法，为SLA中提到的云用户提供服务质量。为此，提出了一种结合GA和BFA算法的多目标混合优化方法。该算法通过最小化第一阶段的最大完工时间和第二阶段的能量消耗，分两个阶段进行调度。它在MATLAB 2013a上实现，并使用不同的随机生成的工作负载来测试所提出的启发式算法，从结果来看，MHBFA在指定参数下的性能明显优于现有方法。在（Sharma和Jain，2019）中，作者提出了一种使用增强型ACO方法的调度机制。该算法基于增强蚁群算法，通过将作业分成不同的束来创建子列表，以最优地将任务分配给虚拟机。它在Cloudsim工具包上实现，并生成具有随机工作负载的调度。 比较了基本蚁群算法和观测结果。从结果中可以看出，EACO大大减少了最大完工时间，执行成本远远优于ACO。在（Ajmal，2021）中，作者开发了一种调度方法，该方法将流入云控制台的所有任务划分为不同的组。开发的方法建模的基础上的混合模型，通过结合GA，ACO算法，它自动检测在不同的虚拟机的任务过载，并将它们分配给新的虚拟机适当。它在Cloudsim上实现，并与基线方法即GA，ACO和从结果，它观察到，混合的方法，大大减少了64%的执行时间和11%的总数据中心成本。在（Amer，2022）中，通过增强基于反对的学习和使用标准HHO方法来开发调度算法的混合方法。增强了基于反对的学习，以增加用于调度的探索阶段和HHO。在Cloudsim平台上实现，仿真中使用随机和实时负载。它对基线方法HHO，OBL，PSO进行了评估，结果显示ELHHO对现有算法的参数（即成本，吞吐量，资源利用率，不平衡程度）具有巨大的影响。在（Chen，2020）中，作者使用了鲸鱼优化的即兴版本来探索其搜索能力。这种方法的主要目的是以最小化调度成本，同时提高虚拟资源的利用率。在MATLAB 2018b上进行的实验，具有随机工作负载。与现有的蚁群算法、Whale算法进行了比较，结果表明，该算法在调度总成本方面优于现有算法。在（Mangalampalli等人，（2022年）;作者开发了一种任务调度算法，该算法解决了从云提供商和云消费者的角度影响云范例的参数，即完工时间、中间商中的总功率成本、能量消耗、迁移时间。CSO是解决任务调度问题的一种方法。在Cloudsim上进行的所有模拟和用于此方法的工作负载都是随机和实时的工作日志。仿真结果表明，该方法比已有的算法ACO、CS有明显的改进。在（Mangalampalli等人，2022年）;作者的目的是尽量减少能源消耗，由于高排放的二氧化碳在发电厂。在最小化能量消耗的同时，也可以使用适当的调度来最小化S. 曼加兰帕利Karri和U.高丝沙特国王大学学报794法鲸鱼优化算法作为解决调度问题的方法论所有实验都在Cloudsim上进行，并与基线方法（即PSO，CS）进行比较。结果表明，建议鲸鱼调度优于现有的方法的最大完工时间，总的电力成本在车间，能源消耗。从表1中可以看出，许多作者提出了使用元启发式和自然启发算法的各种调度算法，但是由于云计算中的调度的异构和多样化请求的动态性质，并且为了提供虚拟资源，云计算中的调度仍然可以被认为是具体来说，在这项研究中，我们发现作者因此，为了维持QoS，从而获得用户的信任，上述参数是必要的。因此，我们在工作中考虑了这些参数，并仔细评估了两项任务的优先级，然后根据VM的运营商的电力成本评估了VM的优先级 为了对该算法进行建模，我们使用鲸鱼优化（Jia等人，2021年），以解决云计算中的调度问题。3. 云计算中的多目标信任感知任务调度3.1. 问题定义和系统架构在本节中，我们以详细的方式仔细定义了问题和系统架构。要做到这一点，我们假设通过考虑i个任务的集合、j个虚拟资源的集合、k个物理主机、l个主机。在假设的基础上，我们定义了这样一个问题：i个任务映射到j个虚拟资源，j个虚拟资源依次放置在k个物理主机上，j个虚拟资源依次放置在l个数据中心上，同时考虑任务的优先级和虚拟机的优先级，利用数据中心的单位电费，最小化任务的完工时间、能耗、可用性、成功率和周转效率上面的图1代表了本研究工作中使用的拟议系统架构。最初，所有云用户都将其请求提交到云管理控制台。代理是位于云用户和云提供商之间的软件，代理代表用户将云用户提出的请求提交给任务管理器。在该架构中，在向任务管理器提交请求之后，存在一种机制，该机制基于任务能力和VM的适当处理能力来评估所有传入任务的优先级。之后，我们仔细评估VM的优先级，根据他们的电力成本在其相应的位置。在评估任务和虚拟机的优先级之后，这些任务和虚拟机将被提交给使用鲸鱼优化建模的MOTSWAO调度器，其中它根据任务的优先级精确地将任务映射到虚拟机。当调度程序将任务映射到数据中心中的适当VM时，它最初会发送请求任务执行队列，并且由于在我们的调度程序中施加了最后期限约束，因此VM在待处理任务完成后分配有任务，并且它将由资源管理器自动跟踪，其中它可以跟踪所有资源消耗，并且它将状态提供给sched。基于该调度器的MySQL将相应地将任务映射到数据中心中的VM，在这项工作中，我们添加了一个事件记录器和SLA监视器，通过它我们可以计算信任度量，即可用-表1现有的调度算法中的各种作者解决的参数作者使用的技术模拟环境参数（Dubey和Sharma，2021）CR-PSOCloudsim Makespan，总成本，能耗（Alsaidy等人，LJFP-PSO，MCT-PSOMATLABMakespan，总执行时间，能耗。（Beegom和Rajasree，2019年）（Nabi，2022）自适应PSO Cloudsim Makespan，平均资源利用率，吞吐量。（Agarwal和Srivastava，2019）PSO Cloudsim Makespan，资源利用。（Zhou，2018）MPSO Cloudsim总成本（Panwar，2019）TOPSIS-PSOCloudsim Processing Cost，resource utilization，makespan（Ebadifard and Babamir，2018）负载平衡PSO Cloudsim Makespan，resource utilization（Pang，2019）EDA-GA Cloudsim任务完成时间，任务负载平衡（Abualigah和Alkhrabsheh，2022）MVO-GA MATLAB 2017任务转移时间，预计完成时间。（Agarwal和Srivastava，2018）PSOGA Cloudsim最大工作时间（Senthil Kumar和Venkatesan，2019）GA-ACO Cloudsim任务完成时间，响应时间，吞吐量。（Elaziz等人， 2021）HGSWCMATLAB最大完工时间（Prasanna Kumar和Kousalya，2020）CSA Cloudsim完成时间（Duan，2018）增量GA Cloudsim Makespan，计算时间（Senthil Kumar和Venkatesan，2019）HGPSO Cloudsim可用性、可扩展性、完成时间（Abdullah等人，2019）MOPSO-ISCloudsim总任务时间（Zhang，2018）RC-GACloudsim任务执行，功耗（Aggarwal，2020）SA-FFOACloudsimMakespan，成本，执行时间（Pirozmand，2021）GAECSMATLAB 2014 aMakespan，能耗。（Srichandan等人，MHBFAMATLAB 2013aMakespan，能耗。（Sharma和Jain，2019）EACO Cloudsim Makespan，执行成本。（Ajmal，2021）HAGA Cloudsim执行时间，数据中心总成本（Amer，2022）ELHHOCloudsim成本、吞吐量、资源利用率、平衡度（Chen，2020）IWC MATLAB2018b总成本（Mangalampalli等人， 2022）CSOCloudsimMakespan，数据中心的总电力成本、能源消耗、迁移时间（Mangalampalli等人， 2022）WOACloudsimMakespan，总电力成本，能源消耗（阿里，2021）多级信任模型Makespan，能耗，包投递率，信任值（Karthika和Muthujaran，2022）ADS-PAYG MATLAB响应时间，精度，CPU利用率（Soleymani，2021（2021））。模糊信任模型Cloudsim服务满意度，SLA违规S. 曼加兰帕利Karri和U.高丝沙特国王大学学报795XJ.ΣFig. 1. 拟议的系统架构。能力，成功率，周转效率，从而最大限度地减少完工时间，云模式中的能源消耗。在描述了拟议的系统架构后，我们确定了拟议的系统架构中使用的符号。数学建模中使用的符号如下表2所示。3.2. MOTSWAO数学建模最初在数学建模中，我们评估了我们工作中考虑的所有虚拟资源的当前负载。它使用下面的Eq. （一）.表2用于系统体系结构数学建模的符号。符号含义ti已考虑的任务vmj考虑的VMHk被考虑的人数DCl考虑的数据中心lovmj虚拟机loHk驻留在主机上的负载prvmj虚拟机的处理能力表3用于模拟的配置设置。名称数量号任务100任务长度80万物理主机内存16 GB物理主机存储容量1 TB带宽容量100 Mbps虚拟机数量虚拟机内存容量1 GB虚拟网络带宽容量10 Mbps处理单元数量1050 MIPS虚拟机管理程序Xen的名称Hypervisor Monolithic类型操作系统Linux号数据中心5洛武姆杰 ¼ lojð1Þ其中lo，j指示所有考虑的j个虚拟资源上的负载。计算完所有虚拟机上的负载后，我们需要确定主机上的负载prio我vmprio任务的优先次序VM的优先级这些虚拟机被放置在主机中。因此，主机上的负载如下所示：（二）、m i Makespanenecon能源消耗罗罗vmjdlt前t已考虑任务所考虑任务的执行时间公司简介RHkð2Þ鳍状T所考虑任务罗香港 标识为整个主机上的负载（见图1）。 2）的情况。avvmj虚拟资源srvmj虚拟资源虚拟资源信任csp信任云服务提供商不我我我S. 曼加兰帕利Karri和U.高丝沙特国王大学学报796在我们的研究中，将所有传入的任务映射到适当的虚拟资源取决于任务和虚拟机的优先级。因此，计算任务的优先级取决于任务的大小，虚拟机的它可以用下面的等式来确定（三）、S. 曼加兰帕利Karri和U.高丝沙特国王大学学报797VMelec1/4i我我我图二.提出的MOTSWAO算法的流程。PRVM 1/4prno ωprmips100%从等式（三）、我们确定了进程来计算VM的处理能力。因此，要计算总体处理能力，所有数据中心的电力成本与特定数据中心的单位电力成本之比。使用Eq.（七）、单位成本高可以通过使用下面的等式来识别所有VM。（四）、vm优先级ð7Þtotprovprvmj2014年我们通过使用Eq.（4）现在，为了计算传入任务的优先级，重要的是知道在云计算环境中变化的任务的大小。它是使用下面的Eq.（五）、j单位成本DC从Eqs。在（6）和（7）中，我们计算任务和VM的优先级，然后馈送到MOTSWAO调度器，并基于收集的优先级，它将最高优先级的任务映射到最高优先级的VM，该VM应该产生更少的电力单位成本费用。在根据我们的调度程序将任务映射到适当的VM时，测试尺寸¼tMIPSωtpð5Þ基于SLA参数识别信任参数，即，可用性的虚拟机，成功率，周转效率和现在，在计算任务的大小之后，使用下面的等式来识别任务的优先级。（六）、从而最小化完工时间、能量消耗。云服务提供商的信任取决于根据客户之间的SLA提供给客户prio测试尺寸和供应商。当SLA参数，即，我不是PRVMð6Þ提高了可用性、成功率和周转效率。因此，我们使用等式计算VM的可用性（八）、S. 曼加兰帕利Karri和U.高丝沙特国王大学学报798我其中prvm表示VM的处理能力，tsize表示任务的大小在这项研究中，我们计算的优先级的虚拟机计算的基础上，电力单位它被确定为最高单位的比率av. vmjaviti2018年8月S. 曼加兰帕利Karri和U.高丝沙特国王大学学报799我avi1/4fg2½]我Y3 0： 1。上面的Eq。（十一）、使用上述权重计算信任CSP。我 我JIJ我 我J表4使用各种工作负载计算完工时间。算法号ACO GA PSO MOTSWAOS01！zkbest！zkbest！zkbest！zkbest1005001000786.7 1.92 774.2 742.8 1.24 732.5 698.2 1.26 687.2 587.3 1.35 572.91356.9 2.25 1328.7 1135.8 1.09 1123.4 792.9 0.34 783.71456.8 1.78 1443.2 1783.2 1.87 1743.8 1856.9 2.87 1843.9 987.23 0.78 956.2S02！zkbest！zkbest！zkbest！zkbest1005001000965.24 1.23 958.23 945.87 2.87 932.45 896.77 1.87 867.58 783.45 1.34 745.71309.5 1.98 1298.5 1367.56 3.78 1308.45 1476.21 0.54 1421.56 1049.23 1.88 987.321783.6 0.87 1776.7 1798.78 2.76 1754.23 1829.56 1.43 1792.43 1338.5 2.12 1299.8S03！zkbest！zkbest！zkbest！zkbest1005001000872.4 2.24 867.5 784.67 1.56 732.78 856.52 1.77 834.21 672.56 1.09 632.78943.56 1.67 932.78 1321.78 2.23 1286.5 957.67 0.98 932.78 745.8 0.891432.5 2.67 1411.8 1567.89 1.89 1498.76 1378.6 1.67 1324.5 1012.8 0.76 985.67S04！zkbest！zkbest！zkbest！zkbest1005001000697.78 0.21 685.24 734.78 1.88 712.56 685.43 5.32 643.23 587.32 2.34 534.22789.45 0.89 775.34 893.67 1.21 832.14 799.23 4.12 743.12 832.45 1.99 724.581423.53 2.56 1401.87 1567.21 0.99 1521.8 1343.22 4.25 1312.56 1243.8 2.89 1198.5S05！zkbest！zkbest！zkbest！zkbest10050010001576.2 4.22 1499.8 1523.78 1.45 1512.6 1867.45 1812.6 1043.2 1.78 988.561884.4 3.12 1856.2 2498.4 1.24 2410.6 2145.43 3.45 2056.8 1563.45 2.56 1521.672984.5 2.07 2867.8 3278.6 0.98 3208.8 2876.21 3.96 2756.9 1956.45 1.98 1923.21S06！zkbest！zkbest！zkbest！zkbest1005001000865.13 2.34 832.11 734.67 1.56 713.78 756.12 2.31 742.12 623.45 2.87 609.121156.12 2.87 1112.89 912.21 1.56 878.21 823.67 1.92 792.451346.9 1.98 1311.23 2024.34 1.67 1994.23 1987.24 2.12 1945.1 1156.7 2.12 1112.2其中av i是ti个任务中由VM接受的任务的数量。从EQ。（八）、虚拟资源的可用性定义为虚拟资源接受的任务数与任务的最后期限。这里使用下面的等式计算任务的执行时间。（十二）、前t任务的BER。这意味着VM应该是可操作的和可用的。我们选择的另一个影响信任的参数是成功率从t¼prð12Þ的虚拟资源取决于在一段时间内成功的请求超过提交的请求，并且它使用Eq.（九）、S我们在前面已经提到，我们在工作中施加了最后期限限制，即。当用户提交请求或任务时它应该立即分配虚拟资源或其他-南河vmjið9Þ明智的是，它应该等待，直到它分配了一个VM，用于当前任务执行为此，我们计算了从等式（九）、si表示在虚拟机资源和一个v i 表示一段时间内提交的请求数。使用下面的Eq. （十三）、fint¼Rvm jextð13Þ从Eq.计算成功率后，（九）、周转效率的虚拟资源确定使用方程。（十）、它被定义为云服务提供商在SLA中提供的估计周转时间与在虚拟资源上执行请求的实际周转时间的比率。测试我我我们已经假设，每个任务都应该在完成时间完成之前完成其执行，以保持SLA，从而根据我们的假设提高信任。因此，任务的完成时间应始终小于或等于任务的截止日期。它使用以下等式计算。（十四）、te. vmj实际值ð10Þfint≤dltð14Þ不从Eqs。 (8)- （10）。我们在等式中计算了信任度。（十一）、trustCSP<$Y1ωavY 2ωsrωY 3ωte11其中YY 1;Y 2;Y 3是等式中的上述信任参数的权重。(8)-（10）。这些权重是正权重，并且它们是基于（Singh）和Chatterjee，2017年）。权重介于0和1之间。即Y0; 1 .这些权重可能因用户和时间而异即，对于用户，它可以随着时间的推移而改变不时.因此，在上述等式中，（11）可用性权重为Y1¼ 0： 5，成功率为Y2¼ 0： 2，周转效率为¼我我在确定了执行时间、完成时间和截止期限约束如何被评估为调度器之后，当调度器生成调度器时，需要主要通过云计算中的任务需要多少最大完工时间来识别调度器效率一般来说，完工时间被定义为对应于VM的任务的执行时间因此，当最大完工时间被最小化时，调度器的有效性将被提高。它使用Eq. （十五）、我是 你 的朋 友。vmj15明芬湾tvmXXffine ttvm161/1第1页在评估信任参数之后，我们需要评估剩余的参数，即makespan制造周期，energy能源consumption消耗.为了评估完工时间，需要确定任务的执行时间，此外，我们的工作受到最后期限的限制，即，dlt我VMS. 曼加兰帕利Karri和U.高丝沙特国王大学学报800其中，如果任务ti被分配给vmj，则fij指示值为1否则将保持为0。从上面的等式（15）和（16）我们仔细评估了makespan，这是任何云模式的重要视角，S. 曼加兰帕利Karri和U.高丝沙特国王大学学报801图三.计算完工时间（a）使用均匀分布计算完工时间;（b）使用正态分布计算完工时间;（c）使用左偏分布计算完工时间;（d）使用右偏分布计算完工时间;（e）使用HPC 2N工作日志计算完工时间;（f）使用NASA工作日志计算开发一个调度器，但最小化能源消耗vm¼（sjJð17Þ也是一个重要的参数，云消费者和云服务提供商。能耗云范例的性能主要取决于空闲时间（计算时间）的能量消耗。它使用下面的等式计算（17）.在哪里sj 表示vm和qj的活动状态 指示空闲一个vm的状态。因此，所有vms的能量消耗使用以下等式计算。（十八）S. 曼加兰帕利Karri和U.高丝沙特国王大学学报802¼ð···Þ.- 是的Σ-J--我我confmaxgfmaxgJcon表5使用各种工作负载计算能耗。算法号ACO GA PSO MOTSWAOS01！zkbest！zkbest！zkbest！zkbest100500100072.4 2.45 67.45 75.72 1.21 71.32 63.45 1.23 60.78 45.78 0.34 40.38104.4 1.21 93.24 98.21 2.18 94.56143.8 0.89 123.5 171.32 3.21 167.32 148.76 2.12 135.78 120.67 0.56 112.34S02！zkbest！zkbest！zkbest！zkbest100500100094.12 1.24 92.14 92.67 1.98 89.67 87.24 1.32 84.23 68.98 0.43 53.45108.32 2.01 102.8 127.67 2.56 96.45 109.35 2.67 97.89 87.46 0.24 79.34178.56 3.21 148.9 176.32 2.57 167.24 134.78 1.24 131.54 123.45 0.67 67.56S03！zkbest！zkbest！zkbest！zkbest100500100079.