工程科学与技术，国际期刊20（2017）1013完整文章使用MADM方法发现并行和分布式计算放大图片作者：Mandeep Kaura，b，Sanjay S.卡达姆ca印度浦那Savitribai Pune University（SPPU）计算机科学系bRMD Sinhgad School of Computer Studies，S. 号111-1，Warje，浦那，印度c印度浦那Ganeshkhind SPPU校园高级计算发展中心阿提奇莱因福奥文章历史记录：2017年1月9日收到2017年4月15日修订2017年4月27日接受2017年5月9日在线发布保留字：网格计算资源发现静态属性动态属性AHPMADMPROMETHEE-II锯A B S T R A C T网格是一种并行和分布式计算的形式，它允许来自不同地理位置的用户共享数据和计算资源。网格资源的底层属性是多种多样的。大多数最先进的资源发现技术在资源选择期间依赖于静态资源属性。然而，基于静态资源属性的匹配资源可能不是用于执行用户应用的最合适的资源，因为它们可能具有重的作业负载、较少的存储空间或较少的工作存储器（RAM）。因此，需要考虑资源的当前状态，以便找到最合适的资源。在本文中，我们提出了一个两阶段的多属性决策（MADM）的方法来描述网格资源使用P2P形式主义。该方法综合考虑了资源的多个属性，为网格用户提供最佳的资源选择。第一阶段描述了一种发现所有匹配资源的机制，并应用SAW方法来筛选排名最高的资源，这些资源被传送给请求超级对等体。我们提出的方法的第二阶段适用于综合MADM方法（层次分析法丰富PROMETHEE-II）从不同的超级同行收到的选定的资源列表。进行资源关于其属性的成对比较，并且确定每个资源的等级。然后，网格调度器将排名最高的资源传送给网格用户。我们提出的方法使网格调度器分配最合适的资源给用户应用程序，也降低了搜索的复杂性，通过过滤掉不太合适的资源在资源发现。©2017 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍网格是从集群计算发展而来的一种并行、异构的分布式计算.它允许用户访问地理上分布的资源，而无需实际获取这些资源[1]。 事实上，“网格”这个名字由于我们在不知道其来源的情况下消耗电力，电网用户可以类似地访问电网资源，而无需了解这些资源的详细信息[3]。网格计算支持异构资源的共享，包括跨参与组织的硬件、软件包和专用设备[4，5]。网格资源*通讯作者：印度浦那Savitribai Pune University（SPPU）计算机科学系。电 子 邮 件 地 址 ： mandeep. gmail.com （ M.Kaur ） ， sskadam@cdac.in（S.S.Kadam）。由Karabuk大学负责进行同行审查属于不同的虚拟组织，并处于不同的多重管理控制之下[6]。此外，网格上的用户作业可能是计算密集型或数据密集型的，并且通常需要具有不同硬件和软件配置的资源[3]。因此，在网格环境中发现资源并将其分配给用户网格作业成为一项具有挑战性的任务。资源匹配器的任务是从网格信息服务（GIS）中检索资源信息，并为用户网格作业提供匹配资源。然而，匹配的资源可能不是最适合执行用户作业的资源。现有的大多数匹配机制在进行作业需求与可用资源的匹配时，只考虑静态的资源属性。还需要考虑动态属性，以便提供“合适的”资源，而不仅仅是匹配资源，除了根据其适合性对其进行排名之外资源的静态属性通常描述资源的静态配置，诸如操作系统、CPU体系结构、物理配置、以及资源的属性。http://dx.doi.org/10.1016/j.jestch.2017.04.0062215-0986/©2017 Karabuk University.出版社：Elsevier B.V.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/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestch1014米Kaur，S.S.Kadam/Engineering Science and Technology，an International Journal 20（2017）1013内存（RAM）、CPU速度、辅助内存存储和网络带宽。另一方面，动态属性描述了每个资源的实际可用性、现有作业队列长度（作业负载）、空闲主内存、空闲辅助存储、可用带宽和未利用的CPU容量。例如，假设一个资源有40 GB的辅助存储，利用率为50%.基于静态属性数据，此资源将被视为需要30 GB辅助存储的网格作业的匹配资源。然而，由于在此资源处当前仅20 GB的辅助存储可用，因此如果在匹配期间还考虑动态属性数据，则其将不被视为合适的资源。本文提出的研究工作集中在多属性决策（MADM）方法使用P2P形式主义，考虑静态和动态属性，以发现最合适的资源（而不是最佳匹配的资源）的网格作业，也排名他们的基础上，其适合性。P2P网络已经被认为是网格中资源发现的可扩展方法[7，8]，其中对等体可以将请求转发到相邻对等体以定位网格中的资源。请求被转发直到生存时间（TTL）到期。与用户请求匹配的资源作为响应返回给发起请求的对等体[6]。我们提出的方法不仅考虑了多个属性，但也优先权的属性相对于用户的工作要求。用户可以在网格环境中提交计算密集型或数据密集型作业。对于数据密集型的网格作业，存储空间具有更大的权重，而对于计算密集型的作业，处理器速度以及处理器容量更重要。在我们提出的发现机制，作业需求进行分析，以确定网格资源的相对排名。静态属性和动态属性都与属性的预定义权重或优先级一起被考虑，以便发现合适的资源。一个属性相对于另一个属性的相对重要性使用成对比较来表示。 最后，对备选资源进行排名，并且用户可以选择排名最好的资源来执行作业。本文分为六个部分。第一部分是引言，第二部分是相关的工作，第三和第四部分是我们提出的资源发现机制。最后两部分阐述了本文的研究结果和结论。2. 相关工作有几个努力网格资源发现使用P2P形式主义。Cheema等人[9]提出了一种基于糕点数据哈希表（DHT）的资源发现机制。在他们提出的工作中，资源ID密钥是160位长，其中前128位用于静态属性，其余32位用于动态属性。他们的工作支持三种类型的资源发现机制：单发，递归和并行搜索。在单次搜索中，查询是针对特定资源而触发的。在递归搜索中，发现过程可以连续地搜索资源，直到TTL到期。在并行搜索中，同时发起多个查询以发现所需的资源。Yang和Molina[10]提出了一种用于网格资源发现的超级节点模型。网格网络中的一些节点充当超级对等节点，它们处理来自所有其他对等节点的用户请求。超级对等点为给定的查询查找匹配的资源，并将这些资源返回给发起请求的对等点。Bharambe等人。[11]提出了MERCURY，一种基于多属性查询的资源分布方法。它为指定的资源属性创建不同的属性中心。每个属性中心具有相似的资源特征。用户请求被准确地传递到包含具有所需属性的资源的相应集线器。Puppin等人[12]提出了一种基于超级对等点的网格模型。他们提出的模型包括两个主要组成部分，即聚合器和代理。代理发布有关资源的所有信息。聚合器充当超级对等体，其从代理收集信息并将请求转发到网络中的其他聚合器以发现资源。Papadakis等人[7]开发了一种发现系统，该系统采用分布式哈希表来管理静态资源，并采用非结构化发现技术来管理动态资源。基本上，该模型结合了分布式哈希表系统的效率和非结构化系统的灵活性使用动态查询方法来搜索所需的资源。Bashir等人[13]提出了一种具有三个不同层的混合P2P资源发现方法;资源层（RL）、集群管理器层（CML）和超级管理器层（SML）。RL是承载计算和数据密集型资源的网格基础设施层CML层的节点负责资源的发现。SML检查用户请求并比较存储在其目录服务中的信息，以找出承载所需资源的群集的位置。Barati等人提出了一种分散的资源发现方法[14]。该机制支持基于语义的资源描述。它允许资源代理以语义方式与邻居代理交互该模型还支持资源的动态发现。在文献中也有其他的发现方法，如基于关键字的资源发现和基于语义的资源发现。基于关键字的机制是搜索与用户作业相对应的所需资源的传统方法。基于关键字的搜索尝试查找属性与作业要求匹配的所有匹配资源基于关键字的资源发现机制被各种网格资源代理所采用 ， 例 如 GlobusMDS[15] ， CondorMatch-maker[16] ，Legion[17]，Gridway[18]和UNICORE[19]。基于关键字的搜索是找到匹配资源的最简单机制，但它只考虑资源的静态属性。在语义模型中，从网格信息服务（GIS）中获取网格资源的信息，并在资源信息 中 加 入 元 数 据 ， 利 用 本 体 对 资 源 属 性 进 行 有 意 义 Han 和Berry[20]，Kojima et al.[21]，Hassan et al.[22]提出了一种用于发现网格资源的语义方法。然而，基于语义的搜索找到具有语义关系的所有可能资源（例如，如果用户需要Linux操作系统来执行作业，则语义搜索将检索任何基于Linux的操作系统（如Redhat/Fedora或UNIX）的所有资源。用户作业可能会失败，因为具有语义关系的资源可能不兼容该作业的执行。[23]中提出的工作也使用了多标准方法基于属性权重，如简单SAW方法，但是不对资源关于它们的属性进行任何成对比较。Nunes等人。[24]提出了一种多标准的物联网资源发现，用于物联网云的传感器搜索和选择。他们使用SAW，TOPSIS和VIKOR MADM方法来处理资源发现过程中的冲突属性。Nas-Rollahi等人[25]已经使用模糊逻辑和禁忌表来进行网格中的资源发现。Nagarajan等人[26]已经使用了基于超级对等点的资源发现方法，其中查询消息被传递到相邻的超级对等点。超级节点根据最大查询命中率、队列中的最小作业数和最大可用性来选择和排列合适的资源。将排序最好的资源作为用户查询的匹配资源M. Kaur，S.S. Kadam/Engineering Science and Technology，an International Journal 20（2017）1013-10241015上面提到的在网格中发现资源的大多数方法大多使用静态属性。然而，HTCondor[27]中提出的方法和[28，14，23]提出的方法也使用静态和动态属性进行资源发现，但向调度器提供匹配资源的列表。需要对匹配资源进行排名，以便基于资源属性值和网格作业的类型（计算密集型或数据密集型）来找到最适合用户作业的资源。我们认为，多属性决策（MADM）的资源发现，同时考虑静态和动态属性的资源将提供排名匹配的资源，并将使更好的资源分配和调度的用户作业的方法。3. 建议使用P2P形式主义的资源发现建议的资源发现机制，使用P2P形式主义包括一个分散的网络集中集群的网格资源。网格资源可以是连接到超级对等点的任何对等点。超级对等点通过构建在物理网络之上的虚拟覆盖网络连接因此，对等体是网格节点，并且两个相邻的超级对等体通过虚拟边缘连接。对等体通过逻辑覆盖链路直接相互通信。每个超级对等点都知道许多其他超级对等点。因此，在每个网格集群中，存在对等点，并且所有对等点都连接到超级对等点，如图1所示。1.一、超级对等点是作为索引服务器运行的节点系统中存在多个超级节点，没有一个超级节点可以处理很大的负载，也不会成为整个系统的瓶颈或单点故障所提出的发现机制总结如下：1. 网格用户通过指定执行网格作业所需的资源属性，通过某个网格资源或对等点触发资源请求查询2. 查询被转发到集群的超级节点，超级节点在请求的资源属性和可用资源之间执行匹配然后，查询被转发到相邻的超级对等点。3. 相邻超级对等点通过在所请求的资源属性和可用资源之间执行匹配来响应请求超级对等点。这些相邻的超级对等点进一步转发查询，直到TTL。如果在任何超级对等点处匹配的资源的数量大于固定数量（例如3），则超级对等点应用SAW（简单加法权重）方法[29]来对匹配资源进行排名，并且仅将最顶部的资源（例如3）发送到请求超级对等点。Fig. 1. P2P形式主义。4. 然后，发出请求的超级节点将从网格环境中的不同超级节点收到的响应与自己的响应结合起来。然后，请求超级对等体对从不同超级对等体（包括其自身）接收的匹配和/或最高排名资源的列表应 用 集 成 MADM 方 法 （ AHP （ 分 析 分 层 过 程 ） 和PROMETHEE-II（用于丰富评估的偏好排名组织方法）的组合），以基于它们彼此的成对比较来获得最“合适”的资源。5. 具有最高排名的资源由其超级对等体返回给对等体，查询从该超级对等体被触发。以下部分描述了我们提出的资源发现机制的细节。4. 超级对等点上的资源匹配当超级对等节点接收到资源请求查询时，节点上的匹配器算法通过将资源的属性与作业需求进行匹配来找到合适的资源。匹配算法处理精确查询和/或范围查询。 媒人通常处理“必须”的标准。“必须”标准包括网格资源的静态属性，这些属性对于执行作业是绝对必要的例如，操作系统，CPU架构，最小工作内存，存储空间，带宽被认为是“必须”的标准。 需要Linux 操作系统的作业无法在Windows操作系统上执行。需要64位处理器的作业可能与32位CPU架构不兼容。我们发现机制的第一阶段发现满足“必须”标准的资源 用户还可以在“必须”标准中指定最低要求，例如RAMP12GB或Secondary_StorageP500GB，这意味着用户必须获得至少包含12GBRAM和超过500GB的辅助存储的资源。其他属性，如自由可用的内存，可用的网络带宽，资源上的作业负载被认为是在“想要”的“want”标准属性是那些期望的（但不是绝对必要的），并且可以证明对于网格作业的有效执行是有利的“想要”的标准是缩放的，也就是说，这些标准基于它们的值被分配适当的例如，如果用户需要存储空间用于其数据密集型应用，并且存在具有700 GB和1 TB存储空间的两个资源，则具有1 TB存储空间的资源将被分配更多权重。在资源发现期间，在应用“必须”标准之后考虑然后，如果特定超级节点处的匹配资源的数量超过某个预定数量（例如，当找到多于3个如果匹配资源的数量小于预定数量，则不应用SAW方法，并且将下面给出了一个具有所需资源属性的作业提交示例如果在每个响应超级对等点处存在20个以上的匹配资源并且存在大约100个超级对等点，则对查询的响应将消耗巨大的带宽并且搜索机制也将变得计算上昂贵。为了减少搜索机制的计算时间，并向请求的超级节点报告最合适的资源，我们在每个响应的超级节点上实现了基于SAW的MADM方法。如果在任何超级对等点处的匹配资源的数量大于某个预定义的数量，1016米Kaur，S.S.Kadam/Engineering Science and Technology，an International Journal 20（2017）1013表1计算密集型作业查询。表2数据密集型作业查询。可执行=/bin/ls/job1可执行=/bin/ls/job2RAMP512 MBRAMP4 GBOS='LINUX_RHEL_7.0'OS='LINUX_RHEL_7.0'CPU架构=X86-64CPU架构=X86-64二次P16 GB二次P256 GB存储存储带宽P2 Mbps带宽P4 Mbps误差=new.err.$（过程）误差=new.err.$（过程）输出=new.out.$（过程）输出=new.out.$（过程）动态属性=用户定义的或动态属性=用户定义的或权重系统定义权重系统定义数目（例如，3），则SAW方法被应用于这些匹配资源，并且仅前三个匹配资源被发送到请求超级对等体。例如，如果计算密集型作业的资源需求如表1中所指定，则关于“必须”标准（类似于基于关键字的搜索）完成匹配 图在超级对等节点2和超级对等节点5（表3）处仅找到一个匹配资源，而使用基于关键字的搜索在超级对等节点7（表4）处找到十个匹配资源。超级对等体节点2和5将向请求超级对等体发送对于任何数据密集型作业，都将遵循类似的过程数据密集型作业的资源需求示例如表2所示。请注意，对于计算密集型作业，CPU速度/利用率更重要，而对于数据密集型作业，辅助存储和传输数据的带宽比任何其他资源属性更重要。我们现在解释将SAW方法应用于在一个这样的超级对等节点（即节点7）处发现的一组资源的机制。节点7处的匹配资源集合如表4中所描绘。在应用SAW之前，必须考虑“需要”标准属性，包括资源的静态和动态属性。从表4中可以看出，资源排序所考虑的静态属性（“必须”标准）是CPU速度、RAM、二级存储和网络带宽。表5描述了考虑的匹配资源的静态和动态属性多标准决策。例如，CPU速度是一个静态属性，而CPU利用率是一个动态属性，表示当前正在利用的CPU百分比。资源的其他动态属性描绘资源的实际状态，诸如工作存储器（RAM）和辅助存储器的空闲空间的可用性、资源的当前负载和可用带宽。每个资源上的负载通过考虑其队列中的作业数和每个作业的预期计算时间（ECT）来计算。例如，假设队列中有两个作业，其中作业1的大小为20，000MI（百万指令），作业2的大小为10，000MI。如果资源的处理能力是1000 MIPS（每秒百万条指令），则作业1的ECT将是20（20，000/1000）秒，作业2的ECT将是在这个资源上做10个。此资源上的总负载（以ECT的剂量是30SAW方法被应用于过滤出最适合的资源从所有的匹配资源的静态以及动态属性的相对重要性的基础上。在考虑用户作业类型（计算密集型或数据密集型作业）后，基于分配给各种动态资源属性的权重的相对重要性对资源进行排名。应用这种多属性决策方法背后的想法是为用户列出最合适的资源，而不仅仅是匹配的资源。这种方法类似于许多现实生活中的场景，例如校园招聘，其中公司根据预先确定的标准从不同校园筛选优秀候选人。SAW多属性决策过程的步骤如下所述。图二. 根据作业请求匹配超级对等点上的资源。我第1页M. Kaur，S.S. Kadam/Engineering Science and Technology，an International Journal 20（2017）1013-10241017表3在超级对等节点2和5处找到的匹配资源的组合列表响应资源静态属性动态属性超级同行CPU速度RAM二次带宽CPU可用可用可用电流（千兆赫）（GB）存储空间（GB）（Mbps）利用率（%）存储空间（GB）RAM（GB）带宽（Mbps）负载节点2 R141610001250500844850节点5 R23.48700840120422900表4在节点7找到匹配的资源。资源OSCPU架构CPU速度RAM辅助存储带宽R1RHEL_7.0X86-643.4167008R2RHEL_7.0X86-64416100016R3RHEL_7.0X86-642.6960010R4RHEL_7.0X86-643.6460010R5RHEL_7.0X86-644165004R6RHEL_7.0X86-643.949008R7RHEL_7.0X86-642.728005R8RHEL_7.0X86-642.535008R9RHEL_7.0X86-643.7410008R10RHEL_7.0X86-643.4165006表5节点7处的资源与“需要”标准匹配资源静态属性动态属性CPU速度RAM二次带宽CPU可用可用可用电流（千兆赫）（GB）存储空间（GB）（Mbps）利用率（%）存储（GB）RAM（GB）带宽（Mbps）负载R13.416700860 200442000R241610001625 200385400R32.696001030 300842350R43.646001060 500445400R541650042 300827400R63.9490085 500342000R72.72800565 600142800R82.5350085 190252854R93.741000825 300242000R103.416500620 312832644表6规范化的属性值。资源CPU速度RAM辅助存储网络带宽CPU利用可用存储可用RAM可用带宽当前负载R10.1010.1780.0990.0960.2020.0590.0930.0950.057R20.1180.1780.1410.1930.0840.0590.0700.1900.155R30.0770.1000.0850.1200.1010.0880.1860.0950.067R40.1070.0440.0850.1200.2020.1470.0930.0950.155R50.1180.1780.0700.0480.0070.0880.1860.0480.212R60.1150.0440.1270.0960.0170.1470.0700.0950.057R70.0800.0220.1130.0600.2190.1760.0230.0950.080R80.0740.0330.0700.0960.0170.0560.0470.1190.082R90.1090.0440.1410.0960.0840.0880.0470.0950.057R100.1010.1780.0700.0720.0670.0920.1860.0710.0761. 确定所需的标准或2. 根据标准的相对重要性，在这些期望的标准中添加3. 应用声表面波方程，找出每个替代资源的声表面波分数。也就是说，ASAW¼PN A ij w j;for i¼ 1; 2; 3;. L，其中4. 根据这些SAW分数评估每个替代资源的排名。在应用SAW方法之前，必须将所有属性转换为一致的单位。每列中的属性值通过将每个属性值划分在一个列中进行规范化umn乘以该列中所有属性值的总和SAWi是第i个备选方案的SAW分数（即，资源），Aij是第i个备选方案的相对权重w.r.t.第j个备选方案，wj是第j个备选方案的权重。表6描述了从表5获得的标准化属性值。请注意，60%的CPU利用率给出的值为0.202，20%的CPU利用率给出的≈≈ðþ þþþ Þ¼¼1018米Kaur，S.S.Kadam/Engineering Science and Technology，an International Journal 20（2017）1013表7将属性值转换为单向单位。资源CPU速度RAM辅助存储网络带宽CPU利用可用存储可用RAM可用带宽当前负载R10.100.180.100.100.800.060.090.100.94R20.120.180.140.190.920.060.070.190.85R30.080.100.080.120.900.090.190.100.93R40.110.040.080.120.800.150.090.100.85R50.120.180.070.050.990.090.190.050.79R60.120.040.130.100.980.150.070.100.94R70.080.020.110.060.780.180.020.100.92R80.070.030.070.100.980.060.050.120.92R90.110.040.140.100.920.090.050.100.94R100.100.180.070.070.930.090.190.070.92表8计算密集型作业的属性权重表9数据密集型作业只有在所有标准都是单向的情况下才适用。通过补充（相对于1）代表最小化标准的属性，我们已经最大化了表7中所示的所有单位。例如，表7中的CPU利用率（列2）的条目已经相对于1被补充（即，0.800.798 = 1下一步是根据作业类型（计算密集型或数据密集型），根据属性的相对重要性将权重应用于属性表8描述了为计算密集型作业分配的权重，而表9显示了为数据密集型作业分配对于计算密集型作业，像“CPU速度”和“CPU利用率”这样的属性资源上的当前负载是计算密集型作业的最重要和影响因素之一另一方面，数据密集型作业处理大量数据，并将其大部分处理时间用于传输数据的I/O操作[30]。“可用次级”等属性storage“和”available network_bandwidth“更重要数据密集型的工作。在为每个属性分配相对重要性或度量之后（表8和表9的第2列），通过归一化过程计算每个属性的权重，即，将每个度量除以所有度量的总和（表8和表9的第3列）。例如，CPU速度的权重为8 = 851... 9 8= 45 0： 18.最后一步是根据权重评估每个备选方案，并确定每个备选方案的排名。这是通过执行每行的产品和相应的权重的总和来完成的，如表10所示。例如，备选R1的SAW分数可以如下获得：R1ωxω0： 018ω 0：18 ω0： 020ω 0： 11ω 0： 002ω 0： 02ω 0： 009ω 0： 09···ω 0：382，利用率的值为0.067（如表6所示，它给出了CPU利用率的实际权重表示）。下一步是将所有资源属性转换为单向单位。在资源发现问题中，CPU的利用率是最小化准则，而空闲存储空间是最大化准则。SAW方法可以计算密集型作业请求。表12显示了替代资源属性相对重要性的排序。请注意，从表4中，尽管与其他资源相比，资源R2具有更好的计算密集型作业配置，但它没有被选中，因为它负载很重，表10计算密集型作业的属性值与其各自权重的乘积资源CPU速度RAM辅助存储网络带宽CPU利用可用存储可用RAM可用带宽当前负载看到评分R10.0180.0200.0020.0090.1240.0030.0120.0060.190.382R20.0210.0200.0030.0170.1420.0030.0090.0130.170.397R30.0140.0110.0020.0110.1400.0040.0250.0060.190.399R40.0190.0050.0020.0110.1240.0070.0120.0060.170.355R50.0210.0200.0020.0040.1550.0040.0250.0030.160.391R60.0210.0050.0030.0090.1530.0070.0090.0060.190.400R70.0140.0020.0030.0050.1220.0080.0030.0060.180.347R80.0130.0040.0020.0090.1530.0020.0060.0080.180.380R90.0190.0050.0030.0090.1420.0040.0060.0060.190.384R100.0180.0200.0020.0060.1450.0040.0250.0050.180.409属性重要性（一）重量（I/T）CPU速度80.18RAM50.11辅助存储10.02网络带宽40.09CPU利用率70.16可用存储20.04可用RAM60.13可用带宽30.07当前负载90.20共计（吨）451.0属性重要性（一）重量（I/T）CPU速度50.11RAM10.02辅助存储30.07网络带宽20.04CPU利用率40.09可用存储90.20可用RAM70.16可用带宽80.18当前负载60.13共计（吨）451.0>> >>> >M. Kaur，S.S. Kadam/Engineering Science and Technology，an International Journal 20（2017）1013-10241019表11属性值与数据密集型作业的相应权重的乘积表12在Node7匹配资源的SAW评分是计算机密集型工作。资源SAW评分秩R100.4091R60.4002R30.3993R20.3974R50.3915R90.3846R10.3827R80.3808R40.3559R70.34710表13与数据密集型作业匹配的资源的SAW评分资源SAW评分秩R60.2971R30.2902R100.2893R20.2864R90.2765R50.2726R40.2687R70.2678R80.2678R10.2669其他网格作业如表5所示。资源R1（具有较高的CPU利用率）和资源R5（具有更多的负载）的情况也是类似的，它们由于其不方便的动态属性值而未被选择。因此，这些资源的SAW分数小于从执行用户作业的角度来看更好的其他资源的SAW分数因此，它表明，选择资源的基础上的静态和动态属性使用多属性决策技术比简单地选择资源的静态属性更实际。从表12中可以看出，基于SAW分数的计算密集型作业的前三个资源是R10，R6，和R3（即，R10 R6 R3），其将从超级对等节点7传送到请求超级对等节点。对于数据密集型作业，我们执行类似的计算，即，将表11中每行的乘积与表9中所示的相应属性权重相加。在这种情况下，R2的存储容量为1000 GB，带宽容量为16 mbps，但其800 GB的存储被利用，并且50%的带宽也被利用。尽管R2具有非常吸引人的静态配置，但其排名第4，如表13所示。根据其各自的SAW分数，数据密集型作业的资源排名顺序为R6 R3 R10。如上所述，如果任何特定超级节点处的匹配资源3）没有采用SAW方法，所有匹配的资源都直接发送给请求的超级节点。然而，如果超级对等点处的匹配资源超过预定数量，则仅将前三个资源（基于它们的SAW分数）传送到请求超级对等点。为了讨论的简洁，我们假设对于一个查询只接收到五表14显示了在请求超级对等点处从相关超级对等点（包括其自身）接收的匹配资源。从表14中，仅从超级对等节点2和节点5各自接收到一个匹配资源，而超级对等节点7已经基于它们的SAW分数传送了3个最高等级的资源。然后，请求超级对等体应用更强大的多属性决策方法，如我们提出的AHP丰富的PROMETHEE-II集成方法来排名这些资源，以获得最好的资源，为用户的工作。请注意，使用HTCondors Clas-sAds触发的资源请求查询将检索所有匹配的资源，而不是排名最高的资源。ClassAd是一种简单的语言，用于描述作业和网格资源的属性和需求。例如，基于表1中所示的属性（以及其他动态属性）的ClassAds查询将检索所有可能的匹配资源，如表3和表5所示。HTCondor的ClassAds资源描述机制反映了HTCondor系统中机器在动态环境中的特性和负载。但我们的表14通过请求超级对等点从其他超级对等点检索匹配的资源回应Superpeers资源CPU速度RAM辅助存储网络带宽CPU利用可用存储可用RAM可用带宽当前负载Node2R141610001250500844850Node5R23.48700840120422900Node7R3（R10）3.416500620312832644R4（R6）3.9490085500342000R5（R3）2.696001030300842350资源CPU速度RAM辅助存储网络带宽CPU利用可用存储可用RAM可用带宽当前负载看到评分R10.0110.0040.0070.0040.0710.0120.0140.0170.130.266R20.0130.0040.0090.0090.0810.0120.0110.0340.110.286R30.0090.0020.0060.0050.0800.0180.0290.0170.120.290R40.0120.0010.0060.0050.0710.0290.0140.0170.110.268R50.0130.0040.0050.0020.0880.0180.0290.0080.110.272R60.0130.0010.0080.0040.0870.0290.0110.0170.130.297R70.0090.0000.0080.0030.0690.0350.0040.0170.120.267R80.0080.0010.0050.0040.0870.0110.0070.0210.120.267R90.0120.0010.0090.0040.0810.0180.0070.0170.130.276R100.0110.0040.0050.0030.0830.0180.0290.0130.120.2891020海里Kaur，S.S.Kadam/Engineering Science and Technology，an International Journal 20（2017）1013表15标准化决策矩阵。资源CPU速度RAM辅助存储网络带宽CPU利用可用存储可用RAM可用带宽当前负载R10.230.300.270.270.340.290.260.240.33R20.200.150.190.180.280.070.130.120.20R30.200.300.140.140.140.180.260.180.18R40.230.080.240.180.030.290.100.240.14R50.150.170.160.230.210.170.260.240.16表16将决策矩阵转换为MAX值。资源CPU速度RAM辅助存储网络带宽CPU利用可用存储可用RAM可用带宽当前负载R10.230.300.270.270.660.290.260.240.67R20.200.150.190.180.720.070.130.120.80R30.200.300.140.140.860.180.260.180.82R40.230.080.240.180.970.290.100.240.86R50.150.170.160.230.790.170.260.240.84表17资源的成对比较w.r.t. 偏好指数成对比较CPU速度RAM辅助存储网络带宽CPU利用可用存储可用RAM可用带宽当前负载(R1、R2）0.510.50.5010.50.50(R1、R3）0.500.50.500.500.50(R1、R4）010.50.500100(R1、R5）0.50.50.50.500.5000(R2，R1）00000.50000.5(R2、R3）000.50.500000(R2、R4）00.500000.500(R2、R5）0.500.5000000(R3，R1）000010001(R3、R2）01000.50.50.50.50(R3、R4）010000100(R3、R5）0.50.5000.50000(R4，R1）000010001(R4、R2）0.500.501100.50.5(R4、R3）0.500.50.50.50.500.50.5(R4、R5）0.500.5010.5000.5(R5，R1）00000.50001(R5、R2）0000.50.50.50.50.50.5(R5、R3）000.50.50000.50(R5、R4）00.500.500100方法前进了一步，其中除了考虑动态环境之外，我们的方法尝试不仅处理资源的动态属性，而且还应用MADM方法来根据由用户指定的或由系统相对于作业（计算或数据密集型）生成的“需要”标准来筛选更相关的资源5. 资源排序在本节中，我们提出了一种综合方法，该方法结合了AHP（层次分析法）[31] PROMETHEE-II （ Preference Ranking Organization Methodfor Enrichment of Evaluations）方法[32]。我们提出的方法使决策者能够选择最合适的资源。 PROMETHEE-II方法没有提供任何正式的方法来计算属性的权重[33]，在这里我们使用AHP方法来获得相同的权重。层次分
我的内容管理
展开
