云計算環(huán)境下資源部署與任務調度研究.pdf

1、云計算作為下一代信息技術的載體，其數(shù)據(jù)的存儲、處理、分析、決策、任務的調度、資源的管理都在云中進行，而且其任務繁多、數(shù)據(jù)量巨大、用戶需求不一、資源類型各異，因而對其資源部署與任務調度提出了新的更高的要求：既要滿足用戶對獲取高質量服務的需求，又要盡可能地提高系統(tǒng)的資源利用率、保證服務提供商獲得最大收益，從可持續(xù)發(fā)展和綠色環(huán)保的角度出發(fā)，還要保持高效節(jié)能；所以資源部署與任務調度是云計算研究和實現(xiàn)中亟待解決的關鍵問題。
　　本文針對云計

2、算環(huán)境下的數(shù)據(jù)部署、任務調度問題，從資源的類型、特點、用戶獲取高性能體驗和任務調度的需求等出發(fā)，對數(shù)據(jù)密集型應用、用戶對性能和費用敏感、數(shù)據(jù)中心性能能耗兼顧等情況下的數(shù)據(jù)部署和任務調度問題進行了研究，其主要內容包括以下幾個方面：
　?。?）云計算環(huán)境下基于關聯(lián)量的數(shù)據(jù)部署與任務調度方法
　　針對數(shù)據(jù)密集型應用在數(shù)據(jù)傳輸方面存在的數(shù)據(jù)傳輸量大、數(shù)據(jù)傳輸次數(shù)多、網(wǎng)絡帶寬有限，因而數(shù)據(jù)傳輸效率低的問題，本文提出了基于數(shù)據(jù)間最大關聯(lián)

3、量的數(shù)據(jù)依賴模型，利用原始數(shù)據(jù)形成關聯(lián)矩陣，對該關聯(lián)矩陣做有限次的矩陣初等變換即可將其轉換成聚類矩陣；設計了基于該模型的鍵能聚類算法，從而將關聯(lián)量最大的數(shù)據(jù)聚集在一起；同時設計了 K分割算法將聚類矩陣分割為 K個部分，根據(jù)該分割結果即可將任務調度到相應的數(shù)據(jù)中心。仿真結果表明該模型和算法能有效地減少數(shù)據(jù)的傳輸次數(shù)和傳輸量，從而提高系統(tǒng)的性能。
　　（2）基于粒子群算法的任務調度優(yōu)化方法
　　由于不同數(shù)據(jù)中心的收費標準、通信帶

4、寬和處理能力通常存在差異，所以任務調度上的差異會顯著地影響用戶的使用費用和性能體驗。本文研究了多數(shù)據(jù)中心環(huán)境下的任務調度問題，以優(yōu)化用戶的性能體驗和使用費用。具體地是將任務調度映射為處理交互圖，基于處理交互圖提出了任務調度優(yōu)化的數(shù)學模型，進而設計了采用基于最小位置規(guī)則的粒子位置矢量離散化映射方法、用于優(yōu)化數(shù)據(jù)部署和任務調度的粒子群算法，以優(yōu)化用戶的性能體驗；鑒于粒子群算法后期探索能力較弱，為了提高粒子群算法的求解精度，設計了嵌入可變鄰域

5、搜索的粒子群優(yōu)化算法，并且通過大量的實驗和分析，找到了其最優(yōu)的基準值、基準度、步長。仿真結果顯示，提出的模型和算法能夠顯著優(yōu)化處理時間、傳輸時間、傳輸費用和處理費用，提高處理性能和相應的用戶體驗。
　?。?）云計算環(huán)境下能耗性能感知的優(yōu)化方法
　　針對數(shù)據(jù)中心普遍存在的資源利用率低、資源和能耗浪費嚴重的問題，本文研究了虛擬化數(shù)據(jù)中心環(huán)境下的虛擬機動態(tài)整合問題，以優(yōu)化性能和能耗，提高數(shù)據(jù)中心的綜合性能，滿足用戶的服務質量要求。

6、本文首先研究和改進了主機的能耗模型，提出了指數(shù)能耗模型；其次采用了基于局部回歸分析的CPU利用率預測方法，以確定主機是否過載和是否需要遷移虛擬機；然后針對輕載檢測，提出了基于可變均值、最小利用率和第一四分位數(shù)的輕載檢查方法，以確定是否需要遷移虛擬機；對于虛擬機的遷移問題，提出了最小遷移時間方法、最大 CPU利用率方法和最小CPU利用率方法，以確定應該遷移那個虛擬機；最后設計了能耗性能感知的最佳適應算法，對虛擬機進行部署，以優(yōu)化性能與能耗

7、。仿真結果表明，可變均值的輕載檢查方法、局部回歸分析的過載檢查方法、最大利用率的虛擬機選擇方法和能耗性能感知的最佳適應算法不但提高了用戶的性能感受，而且優(yōu)化了系統(tǒng)的能耗。
　?。?）基于排隊論的性能指標動態(tài)優(yōu)化方法
　　顧客的服務質量需求和到達率不同，云計算數(shù)據(jù)中心所需提供的服務器數(shù)量也不同。為了研究最佳的服務器數(shù)量隨顧客的服務質量需求和到達率等的變化規(guī)律，本文研究了多到達、兩服務窗能力不等的條件下基于排隊論的解決方法，通過