没有合适的资源?快使用搜索试试~ 我知道了~
埃及信息学杂志18(2017)205全文使用鲁棒规划算法Jyoti Thamana,Manpreet Singhb一个M.M.印度哈里亚纳邦安巴拉大学bM. M. University,Sadopur,Ambala,印度阿提奇莱因福奥文章历史记录:2016年1月19日收到2016年12月15日修订2017年2月5日接受2017年2月20日在线发布保留字:规划算法调度算法准备好了吗鲁棒云计算A B S T R A C T云计算提供了一个通过网络无缝访问资源的框架。对资源的访问通过服务提供商和用户之间的SLA进行量化。服务提供商试图最好地利用他们的资源,并减少资源的空闲时间。日益增长的能源问题进一步使服务提供商的生活变得悲惨。在云计算和网格环境中,通过调度算法和规划算法将用户的任务分配给资源,从而满足用户的请求。由于存在的规划算法很少,因此很少区分规划和调度算法。本文提出了一种鲁棒的混合规划算法,鲁棒异构最早到达时间(RHEFT)1绑定任务到虚拟机。任务分配到虚拟机是基于一种新的任务匹配算法称为内部调度。所提 出的RHEFT算法的一致性能 进行了比较,异构最早的最早的时间(HEFT) 2和分布式HEFT(DHEFT)3的各种参数,如利用率,完工时间,加速和能耗。RHEFT©2017制作和主办由Elsevier B.V.代表开罗计算机和信息学院大学这是一篇CC BY-NC-ND许可证下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍各种不同能力的资源通过高速互连网络连接起来,为分布式处理提供了新的平台。云计算和网格计算就是从这样的资源聚合发展而来的。这些主要由服务提供商(Amazon、IBM、Microsoft等)维护。用户从这些平台订阅服务,并提交他们的任务进行处理。用户通过将其任务分配给各种资源并执行它们来服务当任务执行时间、任务间依赖关系和任务间数据传输量已知时,这种任务模型称为静态模型。用户*通讯作者。电子邮件地址:gmail.com(J. Thaman),dr. manpreet. singh。in@gmail.com(M. Singh)。1鲁棒异质最早时间(RHEFT)。2异质最早期时间(HEFT)。3分布式HEFT(DHEFT)。开罗大学计算机和信息系负责同行审查。通过将任务置于资源之上来实现云计算。云中的资源使用取决于任务和资源的类型和顺序。工作流技术用于处理日益复杂的数据、数据密集型应用、模拟和分析。这些技术还用于在分布式资源上调度计算任务,管理任务之间的依赖关系,以及将数据集放入和取出执行站点[8]。这些工作流程用于在许多科学学科中建模计算[9]。任务调度算法主要有列表调度算法、逐层调度算法、批调度算法、基于复制的调度算法、依赖调度算法、批依赖调度算法、基于遗传算法的调度算法和混合调度算法。列表调度算法在考虑任务依赖性的同时列表中的任务按其在任务列表中出现的顺序进行这种算法的性能相对于其他类别的算法更好。逐层调度算法考虑任务图中一层的任务,使得所考虑的任务彼此独立。这组任务可能不包括就绪队列中的所有任务。在基于遗传算法的解决方案调度是合理地可接受的,但计算复杂性,http://dx.doi.org/10.1016/j.eij.2017.02.0011110-8665/©2017制作和主办Elsevier B. V.代表开罗大学计算机和信息学院这是一篇基于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上获得目录列表埃及信息学杂志杂志主页:www.sciencedirect.com206J. Thaman,M.Singh/ Egyptian Informatics Journal 18(2017)205算法相对较高。混合算法探索了现有调度算法的各种组合。异构系统中的任务调度在Heterogeneous-Earliest-Excush-Time(HEFT)[7],Duplication based HEFT[21]和在HEFT[7]中,作者提出了基于带宽,任务长度和父子关系的任务排名。任务被认为是按照它们的等级降序执行的。基于复制的HEFT使用任务复制的概念,并利用虚拟机的空闲周期来执行重复的任务。分布式HEFT(DHEFT)利用分布式方法的概念,并更好地利用VM级可用性的概念,以实现更好的任务-VM映射[20]。本文提出了一种变体鲁棒HEFT(RHEFT)的HEFT的使用混合的方法和一种新的调度算法的独立任务集。任务按照HEFT的排序方法进行排序,然后将空闲任务分组到同一组中。组按其创建顺序进行处理。组中的任务被处理,使得调度减少任务的执行时间和VM的平均执行时间的差异的方差。第二节介绍了相关的工作,第三节介绍了初步的。第四节介绍了内部调度算法和RHEFT算法。第5节介绍了模拟设置和性能讨论。最后,在第6节中总结了未来的发展方向。2. 相关作品本节简要回顾了在调度领域所做的几项研究工作。[10- 15,8,14]中的研究工作[15,18,17,19,5,1]中的工作是指独立任务的解决方案。[4,7]提出了异构系统的调度算法。[3]提出了云和网格中任务调度的分类。[8]中的研究工作,提供了多种科学应用,包括天文学,生物信息学,地震科学和引力波物理学,是基于新颖的工作流分析工具,提供有关工作流中存在的各种计算任务的详细信息(包括I/O,内存和计算特性)。在[10]中,作者描述了Pegasus的扩展,其中资源分配决策被修改,并描述了自适应处理如何被改装到现有的工作流管理系统;一种基于运行时性能分配资源的调度算法。使用网格中间件集群的结果进行了评估。在文献[11]中,作者提出了一种基于动态关键路径的网格自适应工作流调度算法,该算法通过计算工作流任务图中每一步的关键路径来动态确定工作流任务到网格资源的有效映射。在[12]中,作者设计并分析了一种用于公用事业网格的两阶段调度算法,称为部分关键路径(PCP),该算法用于在满足用户定义的截止日期的同时最小化工作流执行的成本,并且还提出了两种工作流调度算法,一种是称为IaaS云部分关键路径(IC-PCP)的单阶段算法,以及一种称为IaaS CloudPartial Critical Paths with Deadline Distribution(IC-PCPD 2)的两阶段算法,其具有多项式时间复杂度,使其成为调度大型工作流的合适选择。在[13]中,提出了一种新的异构环境下的动态任务调度算法,称为基于聚类的重传HEFT(CBHD)。CBHD算法被认为是异构机器中最重要的两种任务调度算法,异构最早完成时间(HEFT)和三元组聚类算法之间的融合。CBHD比HEFT和Triplet算法的最大完工时间减少了2.5%。它还实现了比HEFT算法更好的负载平衡,rithm的70%,它增加了10%的处理器利用率相对于HEFT和Triplet算法。在[14]中,作者提出了一种混合云优化成本调度算法,该算法决定哪些资源应该从公共云租用并聚合到私有云,以降低成本,同时实现既定的期望执行时间。HCOC试图优化货币执行成本,同时保持执行时间低于截止日期。在[15]中,作者提出了一种新的启发式调度的一组独立的任务,称为平衡最小完成时间(BMCT)。第一阶段使用FCFS执行初始分配。在下一阶段,BMCT试图通过在机器之间交换任务来最小化整个执行时间。这导致机器之间的负载平衡与动态级调度(DLS)[16]、异质最早完成时间(HEFT)[7]、处理器上的关键路径(CPOP)[7]等相比,BMCT已经显示出有希望的结果。在一致异构、部分一致异构和不一致异构环境下。在文献[5]中,提出了一种基于多目标粒子群优化算法的动态云环境优化算法,对能量和处理时间进行了优化。提出的算法提供了一个多目标的实验结果表明,所提出的方法优于最佳资源调度(BRS)和随机选择算法(RSA)。在[17]中,作者提出了两种任务调度算法,即用户优先级授予负载平衡改进的Min-Min调度算法(PA-LBIMM)和负载平衡改进的Min-Min调度算法(LBIMM),其目标是减少作业LBIMM执行两个阶段,即第一阶段是min-min,第二阶段是抢占较小的任务,从天堂加载的资源,并将它们迁移到资源与最快的完成时间抢占作业。在PA-LBIMM中,基于高优先级和低优先级将任务分为两组最初,分配是完成任务具有较高的优先级,然后较低优先级的任务分配给资源。初始分配通过Min-Min调度算法实现。在下一个阶段中,执行基于任务抢占的负载平衡。 结果表明,PALBIMM和LBIMM算法在各方面都优于Min-Min算法。在文献[1]中,作者提出了一种考虑截止期约束的能量有效调度算法(EEVS)EEVS可以很好地支持DVFS通过计算PM的总能量,作者得出结论,存在一个最佳频率,它处理某些VM。在最优频率的基础上,定义了最优性能具有最佳性能功率比的PM最后,云应该被重新配置以整合PM的计算资源,以进一步降低能量消耗。EEVS比现有方法消耗更少的能量并成功地处理更多的VM在文献[4]中,提出了一种具有二次时间复杂度的启发式调度算法,该算法考虑了时间和成本这两个重要的QoS工作流调度约束条件,称为异构系统的截止时间-预算约束调度(DBCS)。 DBCS算法具有最低的时间复杂度(二次时间复杂度),而其他算法大多具有三次或多项式时间复杂度。在结果质量方面,DBCS在不同平台上的随机和真实应用程序工作流中实现了类似于更高时间复杂度算法的成功调度率。在[18]中,作者提出了两种新的动态调度算法,用于异构和联合云系统的算法。目的是实现自治异构云环境下可抢占应用的资源优化机制。 作者还提出了一个动态程序,J. Thaman,M.Singh/ Egyptian Informatics Journal 18(2017)205207ð联系我们更新信息。该程序有助于在任何特定的资源争议环境中大大改善资源利用和能源效率。在文献[19]中,作者对不同类别下的工作流调度算法进行了全面的综述作者提出了一种工作流调度算法的分类范式,并给出了一个有用的结论。在[6]中,作者提出了一个工作流调度然后,工作流中的任务在HEFT中基于秩函数进行排序对于退出任务,等级值为:Rank其他任务的秩值是基于方程递归计算的。(1)(4)、优化算法(MER),其可以与任何现有的工作流调度算法一起使用作为后处理技术。它Ti timaxj2成功率icij由三个主要阶段组成,首先找到最小完工时间增加和最大资源使用减少之间的权衡点,并整合任务和资源,从而显著提高资源效率。基于五个真实世界科学工作流程的广泛实验结果,证实了这些声明。最后,这项工作的研究表明,通过允许一个小程度的完工时间的增加,这种剥削减少资源的使用远远大于任何发生的完工时间的增加。根据我们使用科学的工作流程跟踪进行的大量模拟所获得的结果,我们证明MER能够将实际使用的资源量减少54%,平均完工时间增加不到10%。在[3]中,作者Identified解释了云环境中工作流调度的三个方面和分类,即调度过程,任务和资源。最后,回顾了几种调度技术,并分类到建议的分类法。建议的分类法作为一个垫脚石,为那些进入这一研究领域和调度技术的进一步发展。在分析现有研究文献的基础上,对网格工作流调度技术进行了分类,增加了云计算特有的新方面,并对现有技术进行了改进。值得注意的是,到目前为止,几乎所有提出的技术都假设资源是虚拟机实例(即基础设施即服务)。本节中回顾的大多数工作都是以减少完工时间、提高资源利用率和减少财务负债为目标的调度。大多数建议缺乏基本的考虑,如调度技术的混合由于调度方案的改进范围有限,并且不考虑开箱即用的更改,本文提出了一种数学上可行的解决方案,以提高调度算法的性能3. 初步在本节中,HEFT[7]算法作为本研究的初步讨论Topcuoglu等人提出了非均匀最早到达时间(HEFT)算法,该算法基于任务等级的计算。该算法根据任务间的父子关系,计算每个任务的平均执行时间和相邻两个任务间资源的平均通信时间。令时间Ti;ri是任务Ti在资源r上的执行时间,令Ri是用于处理Ti的所有可用资源的集合。任务Ti的平均执行时间定义为:HEFT基于全局调度方法,不考虑就绪队列中的完整任务集。就绪队列任务的这种差的近似影响HEFT在高资源可用环境中的性能HEFT基于等级执行任务到VM的分配HEFT在各种具有重要意义的项目中被广泛接受,如ASKALON项目[22],为奥地利网格上的量子化学应用程序WIEN2K[23]和水文应用程序Invmod[24]提供调度4. 鲁棒HEFT:一种混合规划算法本节介绍了一种用于云环境的混合规划算法,该算法解决了HEFT的局限性。第三部分讨论了最有前途的规划算法之一HEFT规划算法。HEFT工作在集中式方法上,并利用任务的等级作为决策参数,同时使下一个任务服从一些空闲VM。排名任务按其等级以非递增顺序排列和调度。排名第二的任务分配给下一个空闲VM。排名任务到空闲/可用VM的这种分配/映射是随机的。该映射未使用适用性标准因此,HEFT可能很难近似就绪队列。从HEFT获得的时间表不能以最好的方式利用可用资源HEFT的这些局限性为HEFT的功能的一些改进提供了动力。4.1. 鲁棒HEFT(RHEFT)本节通过HEFT和内部调度的混合,介绍了规划算法工作的改进。RHEFT的工作分为三个阶段。在阶段1中,HEFT用于生成基于等级排序的任务。HEFT的工作原理在第3节中解释。使用{Eqs. (1)HEFT的好处包括将非线性任务图转换为线性任务列表。HEFT的一个明显的局限性是,下一个调度的任务只是就绪队列中任务集合的一个成员。这种限制不仅降低了资源的利用率,而且增加了调度的长度。降低利用率和延长计划长度不仅影响能源消耗,而且证明在经济上效率低下。考虑到这些限制,HEFT的扩展是有利的。提出了一种基于混合HEFT和IS的方法。新的规划策略被命名为鲁棒HEFT(RHEFT)。t¼Pr2Ri时间间隔Ti;rð1Þ在阶段2中,RHEFT将结果排名的任务分成几个jRi j设时间ti j;ri;rj是分别处理任务Ti和任务Tj的资源ri和rj之间的数据传输时间设Ri和Rj分别为处理Ti和Tj的所有可用资源的集合。从Ti到Tj的平均传输时间定义为:集合,其中每个集合包含一组独立排名的任务。阶段2的输出是准备好进行调度的一组任务每个这样的集合代表就绪任务集合的较大部分第二阶段从第9步开始,在第18步结束。1.一、阶段2的输出是有向无环图,其中每个节点表示在RHEFT阶段2中识别的独立任务集{图2}。cPri2Ri;rj2Rj时间间隔ij;ri;rj在阶段3中,IS调度应用于一组独立的任务。2联系我们jjRijjRjj第3阶段开始于图1所示的RHEFT算法中的步骤19。1.一、是调度方法在前面的部分中介绍我208J. Thaman,M.Singh/ Egyptian Informatics Journal 18(2017)2051/4fg1/4fg22>2e1; 1·· ·ea;n3.<4.2. 内部调度内部调度方法是一种将独立任务集映射到可用虚拟机的新思想。该映射利用VM的统计特性和手头的任务集让任务T1;T2. ;T n {表1}显示了一组任务及其执行要求。同样地,假设的VM M1M2;. ;M l 表示可用虚拟机集,他们的能力可以使用集合Task和VM中的值来计算执行矩阵。4. casino..ea;n 75ð5Þel;1·· ·ea;n其中ei;j表示任务Tj在Mi上执行时的执行时间。使用MAT矩阵,我们可以计算每一行的平均值为VM:MeanExecutionTime i1/2e1; 1e1; 2... e1;n =n.这个值可以用在Eq。(5)最小化方差。VM:MeanExecutionTime-Task:ExecutionTime平均执行时间以此为目标,我们考虑了下面的例子。考虑一个例子,其中;任务8>78;92;23;33;55;77;88;78;102;9>表1图二、RHEFT中阶段2的输出有向无环图二十三、三十三、五十五、一百零六、八十五、七十八、九十一、23; 33; 55; 79;26; 33; 56; 74; 88; 79;105=和VM¼f12; 7; 12; 11g:>;符号表。S. 号符号含义值1.第三个任务2.T1×t任务长度矩阵任务中的数值表示任务的MIPS总共考虑了30项任务。VM中的数值表示VM的MIPS,总共考虑了4个VM。在利用率和最大完工时间参数上比较了Min-Max、Max-Max和IS算法的比较结果见表2。表2中所示的结果使用在IS方法中,任何任务Ti被映射到3.Mm×1 VM容量矩阵4.QFIFO队列5.Sm×t输出计划矩阵6.第八组独立任务7.第M个虚拟机8.Lm×t载荷矩阵9.mVM数量{5,10,20}10.t任务数{50,100}算法:RHEFT1.使用公式1计算每个任务的平均执行时间2.使用公式2计算任务图或工作流中任务及其后续任务之间的平均数据传输延迟3.使用公式3和公式4计算每个任务4.通过按Rank降序插入任务来构造队列5.构建一个任务添加集合6.根据和计算载荷矩阵()。7.使用()计算每台机器的平均执行时间( 1)8. Initial=(,)//零矩阵9.而不要空做10. =()11.如果()&&()12.将任务添加到集合13.其他14.=+1;15.构建一个任务添加集合16.将任务添加到集合17.EndIf18. EndWhile19.为= 1个20.确定计算机ID(),它是免费的,可以接受下一个任务21.标识任务id(),如果分配给该任务,则会导致已完成任务和新提交任务的执行时间差异的最小22.设置(、 )=的( 、)的内容23. 端24. 打印S矩阵的值作为输出计划。二十五 结束RHEFT图1.一、用于云中工作流的强大HEFT规划算法.J. Thaman,M.Singh/ Egyptian Informatics Journal 18(2017)20520997.21159.70666.74VM_20142.21206.27607.80VM_10180.96292.73378.41VM_5RHEFTDHEFT分量303.83577.61705.02VM_5RHEFTDHEFT分量表2基于最大跨度和Min-Max、Max-Max和IS方案最小-最大最大-最大IS最大跨度62.92 56.8349利用率只有当执行时间(ej;i)与Mj上的平均执行时间相比具有最小的差时,Mj才是。这一原则在Eq.(5)其中,我们努力减少针对给定的独立任务集合分配给每个VM的任务的方差上述示例中IS的改进性能验证了上述任务-VM映射标准的强度。每次IS方法选择接下来要在特定VM上调度的任务,使得Eq. (5)满意。所选任务是最适合在给定VM上调度的下一个任务。事实上,该方法识别了一个任务,该任务对于给定VM的执行时间特性与已经在给定VM上提交或完成的任务的执行时间特性具有相关性。该方法可用于克服其他任务映射或调度算法和算法中的非对齐任务分配/绑定问题。5. 模拟与分析仿真环境和不同的规划算法的各种性能特点,在这一节中。性能分析是基于WorkflowSim中的仿真。5.1. 仿真设置在基于Intel Core 2 Duo、2.0 GHz Linux的笔记本电脑上使用Eclipse中配置的WorkflowSim[20]模拟被认为是任务大小等于50和100。考虑用于模拟目的的VM的数量分别等于5、10和20。Work-flowSim中定义的各种VM特征按原样保留。在模拟中考虑的每个VM具有1000 MIPS、512 MB RAM、带宽1000 MB/s、处理元件(PE)1和映像大小10,000。VM体系结构继承自“Xen”。除此之外,还考虑了任务的空间共享调度。最大功耗率最大跨度(任务= 100)800.00700.00600.00500.00400.00300.00200.00100.000.00最大跨度(任务=50)VM_5VM_10VM_201400.001200.001000.00800.00600.00400.00200.000.00VM_5VM_10 VM_20243.47567.50866.52VM_10调度方案(一)(b)第(1)款调度方案(一)(b)第(1)款图三. (a)使用50个任务的各种调度/规划算法的完工时间特性(b)使用50个任务的各种调度/规划算法的完工时间误差图(具有C. I. = 95%)。见图4。(a)(b)使用100个任务的各种调度/规划算法的制造跨度误差图(具有C. I. =95%)。151.85361.621156.44VM_20时间(秒)时间(秒)210J. Thaman,M.Singh/ Egyptian Informatics Journal 18(2017)20590.00VM_580.0070.0060.0050.0040.0030.0020.0010.000.00VM_10VM_2086.1162.4568.93VM_5RHEFTDHEFT分量MaxMaxnð ÞVM被视为固定为250 W/s。广泛的仿真WorkflowSim支持规划算法,如HEFT,DHEFT和新的建议RHEFT被认为是。 基于模拟的输出绘制在图1A和1B中。2-9分别。为了表示静态任务模型,考虑了用于50和100个任务的蒙太奇工作流,以密切模仿CPU密集型任务。进行仿真研究B. 利用率:利用率定义为实际使用持续时间与实际可用持续时间的比率。利用率的提高降低了完工时间特性。C. 能源消耗:云中的资源从分配给用户执行任务的那一刻起就消耗能源。利用率的提高缩短了使用的跨度对生产规模、利用率、能源消耗和能耗以瓦特为单位定义让幂n利用加速下一小节将详细讨论各种性能参数。5.2. 绩效讨论RHEFT和其他调度方案(如HEFT和DHEFT)的性能曲线图在图1和图2中示出。三比十表3-与云计算中的上下文相关的各种重要参数如下。a. Makespan:Makespan定义为第一个任务被调度的时刻和最后一个任务完成执行的时刻任务的任何并行执行都会降低完工时间特性。第n台服务器消耗的最大功率空闲服务器消耗了完全利用的服务器的近70%[2]。第n个服务器在任何时刻t的功耗为[2]。功率nω0: 70Ω最大功率ω0:30 ΩUnω 7 Ω其中Un不表示该时刻的利用率服务器即使在空闲时也会消耗大量的功率如果空闲或负载较轻的服务器节点可以腾出并关闭,则会D. 加速:加速被定义为并行执行任务集的完工时间与顺序执行任务的完工时间之比。利用率(%)(任务= 100)利用率(%)(任务=50)100.0090.0080.0070.0060.0050.0040.0030.0020.0010.000.00VM_5VM_10VM_2037.9819.8513.26VM_2055.0636.1422.26VM_1079.3556.3866.67VM_5RHEFTDHEFT分量54.0622.3416.66VM_20调度方案(一)(b)第(1)款调度方案(一)(b)第(1)款图五. (a)使用50个任务的各种调度/规划算法的利用率特性(b)使用50个任务的各种调度/规划算法的利用率误差图(具有C.I. = 95%)。见图6。(a)使用100个任务的各种调度/规划算法的利用率特性(b)使用100个任务的各种调度/规划算法的利用率误差图(具有C.I. = 95%)。69.5833.2937.69VM_10利用率(%)利用率(%)J. Thaman,M.Singh/ Egyptian Informatics Journal 18(2017)2052116.005.00VM_54.003.002.001.000.00VM_5VM_10VM_20分量1.84DHEFT1.85RHEFT2.828.007.006.005.004.003.002.001.000.00VM-5VM_10VM_20分量DHEFTRHEFTVM_201.263.067.12图图3(a)和图4(a)分别给出了50个任务和100个任务的HEFT、DHEFT和RHEFT的最大完工时间特性。具有50个和100个任务的HEFT的条形图显示,当VM分别从5增加到10和从10增加到20个VM时,完工时间正在疯狂增加。相反,随着资源的增加,它应该减少。当任务数从50增加到100时,HEFT的最大完工时间特征斜率由正变为负。负斜率证实,任务越多,HEFT越好地利用更多的资源比任务数量较少。虽然更多的VM可用于执行相同的任务集,但HEFT中的执行时间正在增加,并且与图1和图2中绘制的其他方案相比是最高的。3(a)和4(a)。这种行为的原因是归因于HEFT考虑从就绪队列中的所有任务中分配的最小任务集的事实。DHEFT使用了分布式方法的概念,在不计算等级的情况下映射任务。DHEFT通过分配任务- VM映射的决策,并考虑最早完成时间优先的方法,改善了HEFT的完工时间特性在RHEFT中,阶段2识别出独立或自由任务的子集,该子集更好地近似就绪队列中的任务集。在加速(任务= 50)阶段3IS用于在可用资源上调度一组独立的任务。IS通过基于{Eq.(6)}。第三阶段是混合阶段,将调度从全局级推进到子局部级。RHEFT的这一特性使其最大完工时间特性与HEFT和DHEFT相比有所改善 图图3(a)和图4(a)分别给出了HEFT、DHEFT和RHEFT的最大完工时间特性。标准误差图如图1A和1B所示。图3(b)和图4(b)分别以95的置信区间(CI = 95%)绘制,表明HEFT和DHEFT在重复实验中显示出大量结果变化。 RHEFT具有导致最小误差,CI = 95%。任务数量的增加以及资源数量的增加,两者都在RHEFT中得到更好的利用。RHEFT显示出最小误差。表3a和3b显示了标准误差的下限和上限w.r.t.平均完工时间统计,分别为50和100个任务。RHEFT的较低范围指示RHEFT的稳健行为。图图5和图6绘制了50和100个任务的HEFT、DHEFT和RHEFT在CI = 95%时的利用率性能和误差图加速(任务= 100)VM_100.992.593.60VM-51.771.943.55VM_200.993.215.28VM_101.591.924.46调度方案(一)(b)第(1)款调度方案(一)(b)第(1)款图第七章(a)使用50个任务加速各种调度/规划算法的特性(b)使用50个任务加速各种调度/规划算法的误差图= 95%)图八、(a)加速使用100个任务的各种调度/规划算法的特性= 95%)。加速(比率)加速(比率)212J. Thaman,M.Singh/ Egyptian Informatics Journal 18(2017)205分别HEFT只根据任务的等级分类选择任务这导致资源利用不足。这在图1A和1B中示出。 5(a)和6(a)。即使资源增加,HEFT也无法使用可用的额外资源。资源的增加随着任务数量的增加,HEFT在利用率方面有所改善,即,当任务从50至100的利用率略有提高,VM = 10VM = 20。对于给定的一组任务,选择要执行的任务与可用资源无关。因此,在HEFT中浪费了额外的资源。在DHEFT的情况下,不计算等级。它是基于最早完成时间的原则。在DHEFT中,得到了更好的任务-VM映射。与HEFT相比,这改善了DHEFT的最大完工时间特性。当涉及到RHEFT时,性能比其他方案好得多。RHEFT的利用率高于HEFT和DHEFT,但利用率随着资源可用性的提高而下降。利用率的下降趋势最好用RHEFT的最大完工时间特性来补偿。RHEFT利用资源比其他方案更好的利用率。这就是为什么这项工作被命名为鲁棒HEFT(RHEFT)。图5(b)和6(b)分别为50和100个任务绘制了CI =95%的标准误。表4a和4b中的误差数据更好地说明了RHEFT中的利用率在HEFT、DHEFT和RHEFT之间的最小范围内变化图图7(a)和图8(a)描绘了与任务的顺序执行相比,由于任务的并行执行而实现的加速。RHEFT的更好性能是由于一致的更好利用率。在两种情况下,RHEFT的表现优于HEFT和DHEFT,即VM =5、VM = 10和VM = 20。 图 7(b)和8(b) 绘制CI = 95%时的标准误。当考虑95%置信区间时,RHEFT的变异范围最低此外,考虑到RHEFT中平均利用率的较高值,误差范围是可接受的。HEFT和DHEFT的误差范围在它们的低加速水平下是差的。表5a和5b分别显示了50和100个任务的图图9(a)和10(a)描绘了这项工作的能量特征。能量消耗是基于{Eq. (6)}。利用率的提高和完工时间的减少影响了能源消耗。负-140000.00120000.00100000.00能耗(任务= 50)VM_5VM_1080000.0060000.0040000.0020000.00VM_200.00分量DHEFTRHEFTVM_583482.3863330.4842424.81VM_10115523.8841501.3630748.21VM_20122428.1730317.0919778.68调度方案(一)(b)第(1)款图第九章(a)使用50个任务的各种调度/规划算法的能耗特性= 95%)能源消耗(单位)J. Thaman,M.Singh/ Egyptian Informatics Journal 18(2017)205213RHEFT中的能量消耗的有效斜率归因于减少的最大完工时间和一贯更好的利用特性。图1和图2中的误差图9(b)和10(b)绘制了CI = 95%时的标准误。与HEFT和DHEFT相比,RHEFT的变化较小证明了RHEFT的鲁棒性。这就是为什么RHEFT正在向绿色云迈进的原因。表6a和6b中的误差表证明了声明的合理性。能耗(任务= 100)表3bMakespan的误差表(95% CI)(任务= 100)。250000.00200000.00VM_5VM_10虚拟机数量调度方案平均值下限和上限的平均值95%置信区间150000.00100000.0050000.000.00分量VM_20DHEFT RHEFTVM_5HEFT705.020 396.970 1013.070577.610 437.090 718.120RHEFT303.830 295.320 312.330VM_10HEFT866.520 319.750 1413.290567.500 495.490 639.500RHEFT243.470 222.890 264.050VM_20HEFT1156.440 334.370 1978.520DHEFT361.620RHEFT151.850 144.660 159.040VM_5VM_10VM_20157869.04173052.90214792.10127780.90113405.8069277.9672790.6255339.7632730.26表4a调度方案利用率误差表(95% CI)(任务= 50)(一)号的调度平均值的95%置信区间(b)第(1)款见图10。(a)使用100个任务的各种调度/规划算法的能耗特性(b)使用100个任务的各种调度/规划算法的能耗误差图(具有C.I. = 95%)表3aMakespan的误差表(95% CI)(任务= 50)。表4b利用率误差表(95% CI)(任务= 100)。号的调度是说95%置信平均值区间VMs方案下界上界VM_5分量68.926757.072880.7805DHEFT62.450055.745269.1548RHEFT86.113385.147187.0795VM_10分量37.690027.101648.2784DHEFT33.290030.526836.0532RHEFT69.576766.230072.9233VM_20分量16.658311.765421.5513DHEFT22.346719.082025.6114RHEFT54.056752.498855.6145表5a加速误差表(95% CI)(任务= 50)。号的调度是说95%置信均值区间号的调度是说95%置信均值区间VMs方案下界上界VMs方案下界上界VM_5分量378.410139.200617.610VM_5分量1.84020.7582.9223DHEFT292.730208.240377.220DHEFT1.8491.32842.3695能源消耗量(单位)VMs方案下界上界VM_5分量66.671754.204379.1391DHEFT56.383344.746268.0205RHEFT79.351176.129882.5724VM_10分量22.261213.953230.5692DHEFT36.143530.065342.2217RHEFT55.061149.295560.8268VM_20分量13.26247.085619.4393DHEFT19.846718.385321.3080RHEFT37.975035.665640.2844214J. Thaman,M.Singh/ Egyptian Informatics Journal 18(2017)205RHEFT180.960170.500191.420RHEFT2.81782.65522.9804VM_10分量607.810357.620857.990VM_10分量3.59573.29533.8962DHEFT206.270147.910264.640DHEFT2.59221.98463.1997RHEFT142.200130.360154.050RHEFT0.98820.48441.492VM_20分量666.740353.700979.780VM_20分量5.27574.74385.8075DHEFT159.700144.580174.810DHEFT3.20742.89453.5204RHEFT97.2108720107.700RHEFT0.98690.27041.7033J. Thaman,M.Singh/ Egyptian Informatics Journal 18(2017)205215表5b加速误差表(95% CI)(任务= 100)。表6a能耗误差表(CI = 95%)(任务= 50)。在不同的资源可用性级别上表现出一致的利用率。由此产生的算法被称为鲁棒HEFT。在CI = 95% 时给出的误差分析证明了稳健 HEFT(RHEFT)命名的合理性。扩展RHEFT近似就绪队列甚至比RHEFT是未来的工作范围引用[1] 丁勇,秦翔,刘丽,王涛。具有截止期限约束的云环境下虚拟机节能调度。FutureGener Comput Syst2015.[2] KliazovichD,Pecero JE,Tchernykh A,Bouvry P,Khan SU,Zomaya AY. CA-DAG:用于云计算应用建模的通信感知有向无环图。IEEE第六届云计算国际会议。p.277比84[3] Smanchat S,Viriyapant K.云环境下工作流调度问题的分类与技术。未来一代计算系统2015;52:1-12.[4] 放大图片作者:J.异构资源上低时间复杂度的截止期约束工作流调度。FutureGenerComput Syst 2016;55:29-40.[5] 耶拿RK。使用嵌套PSO框架在云环境中进行多目标任务调度; 2015年。虚拟机数量表6b调度方案平均值的95%置信区间[6] Lee YC,Han H,Zomaya AY,Yousif M.云中的资源高效工作流调度。基于知识的系统2015;80:153-62.[7] Topcuoglu H,Hariri S,Wu M
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功