基于資源聚類的云計算任務(wù)調(diào)度算法研究.pdf

1、隨著計算機技術(shù)、網(wǎng)絡(luò)技術(shù)和虛擬化技術(shù)的提高，計算資源日益豐富，人們對計算資源的需求也日益增大。同時，隨著生活節(jié)奏的加快和生活水平的提高，人們對于網(wǎng)絡(luò)資源訪問的便捷性和可用性的要求也越來越高。為了滿足人們的需求，云計算逐漸興起并迅速發(fā)展。云計算是一種按使用量付費的計算模式，給消費者提供了極大的便利，同時也給云服務(wù)供應(yīng)商帶來了極大的利益。云計算將大量的數(shù)據(jù)和計算集中到了云端，云端的數(shù)據(jù)存儲和計算需要消耗許多資源。如果云端任務(wù)調(diào)度不合理，將會

2、造成資源浪費，甚至?xí)绊懙较到y(tǒng)平臺的安全穩(wěn)定運行。因此，優(yōu)化改進任務(wù)調(diào)度算法是一項非常重要而且必要的工作。
　　云計算任務(wù)調(diào)度主要是指根據(jù)用戶需求和系統(tǒng)目標，將滿足條件的資源分配給任務(wù)。云計算任務(wù)調(diào)度根據(jù)其調(diào)度對象，一般可分為獨立任務(wù)調(diào)度和工作流任務(wù)調(diào)度兩類。目前，任務(wù)調(diào)度算法形式多種多樣，針對不同實現(xiàn)目標的任務(wù)調(diào)度算法各有其優(yōu)勢，但是仍然存在一些不足之處。在很多任務(wù)調(diào)度算法中，資源的特性未被納入考慮，對任務(wù)的需求分析不夠細致，導(dǎo)

3、致資源效率低，資源利用率不高。此外，部分任務(wù)調(diào)度算法在減少任務(wù)等待時間方面還存在可以改進的地方。針對提出的不足，本文將基于改進的模糊聚類算法進行資源分類，并結(jié)合已有的調(diào)度算法實現(xiàn)云計算任務(wù)調(diào)度。具體的研究成果如下:
　　(1)針對獨立任務(wù)，將基于核的模糊聚類算法(Kernel-based Fuzzy C-Means Algorithm，KFCM)與改進的先進先出(First In First Out，F(xiàn)IFO)算法結(jié)合，實現(xiàn)任務(wù)調(diào)

4、度，并通過基于核的模糊聚類算法計算資源之間相似度，將資源進行劃分。對計算相似度的核函數(shù)進行了優(yōu)化，并將其應(yīng)用于資源劃分。利用新的方法計算分析任務(wù)需求傾向，將任務(wù)分配至不同隊列。再通過計算比較等待時間，進行二次分配，完成任務(wù)調(diào)度，減小任務(wù)完成時間并提高資源利用率。
　　(2)針對工作流任務(wù)，將改進的模糊聚類算法(Improved Fuzzy C-Means Algorithm，IFCM)與改進的蟻群算法(Improved Ant C

5、olony Optimization，IACO)結(jié)合，實現(xiàn)任務(wù)調(diào)度。工作流任務(wù)之間存在著先序關(guān)系，通過有向無環(huán)圖(Direct Acyclic Graph，DAG)來描述，用二元組表示DAG工作流。利用改進的模糊聚類算法計算資源相似度，對資源進行分類，減少噪聲和離群點對聚類劃分結(jié)果的影響。結(jié)合任務(wù)優(yōu)先級，對任務(wù)進行排序，并根據(jù)任務(wù)資源需求與資源之間的匹配，初始化任務(wù)調(diào)度方案，并對工作流任務(wù)進行編碼。結(jié)合遺傳算法中的交叉和變異操作，改進蟻

6、群算法(Ant Colony Optimization algorithm，ACO)，提高蟻群算法的收斂速度并跳出局部最優(yōu)解。同時，利用改進后的蟻群算法尋找近似最優(yōu)解，完成任務(wù)調(diào)度，減小任務(wù)完成時間并提高資源利用率。
　　此外，本文借助仿真工具CloudSim和Hadoop平臺實現(xiàn)本文所提出的算法，并將本文所提出的算法與改進前的FIFO算法和蟻群算法進行對比。實驗結(jié)果表明，本文所提出的改進算法在減少任務(wù)總完成時間和提高資源利用率方