云計(jì)算環(huán)境下任務(wù)調(diào)度和虛擬機(jī)遷移策略研究.pdf

1、任務(wù)調(diào)度和虛擬機(jī)遷移是云計(jì)算環(huán)境下資源調(diào)度與管理的重要問(wèn)題，本文在三四章節(jié)重點(diǎn)研究基于改進(jìn)遺傳算法的任務(wù)調(diào)度策略，即研究如何將計(jì)算任務(wù)調(diào)度到最適合的虛擬機(jī)上執(zhí)行，實(shí)現(xiàn)任務(wù)的最短完成時(shí)間和虛擬機(jī)的最大利用率。第五章主要研究基于能耗感知的虛擬機(jī)遷移策略，通過(guò)把低負(fù)載主機(jī)上的虛擬機(jī)遷移到其他主機(jī)上，并關(guān)閉負(fù)載低的主機(jī)來(lái)實(shí)現(xiàn)節(jié)能的目的。
　　本文在總結(jié)前人研究工作的基礎(chǔ)上，分析了目前仍存在的問(wèn)題，并給出了相應(yīng)的解決方法，本文的主要工作內(nèi)容

2、，有以下四點(diǎn):
　　1.首先介紹了云計(jì)算環(huán)境下任務(wù)調(diào)度的國(guó)內(nèi)外研究現(xiàn)狀，接著詳細(xì)地闡述了云計(jì)算的概念、分類、關(guān)鍵技術(shù)和Map/Reduce分布式編程模型，分析了云計(jì)算的兩級(jí)資源調(diào)度模型、任務(wù)調(diào)度目標(biāo)、特點(diǎn)和常用的任務(wù)調(diào)度算法等。
　　2.針對(duì)傳統(tǒng)遺傳算法存在的收斂速度慢、易早熟和局部搜索能力差等缺點(diǎn)，本文提出了一種面向單種群的基于混合遺傳算法和模擬退火算法的任務(wù)調(diào)度策略，算法的主要?jiǎng)?chuàng)新點(diǎn)在于融合模擬退火算法的思想，允許算法在

3、搜索過(guò)程中以一定的概率接受進(jìn)化中產(chǎn)生的劣質(zhì)解，增加了種群進(jìn)化中個(gè)體結(jié)構(gòu)的多樣性，為算法后期迭代尋優(yōu)提供動(dòng)力，降低算法陷入局部最優(yōu)的可能性。算法改進(jìn)的主要做法是優(yōu)化個(gè)體選擇函數(shù)，設(shè)計(jì)了自適應(yīng)的交叉和變異概率函數(shù)，使其能夠正確引導(dǎo)種群的進(jìn)化方向。本文基于對(duì)用戶及時(shí)響應(yīng)度和供應(yīng)商利益的考慮，設(shè)計(jì)了基于任務(wù)平均完成時(shí)間和系統(tǒng)負(fù)載均衡的雙適應(yīng)度函數(shù)。仿真實(shí)驗(yàn)表明，改進(jìn)算法相比于GA和SA算法，具有更短的任務(wù)完成時(shí)間和更高的虛擬機(jī)資源利用率。

4、>　　3.針對(duì)單種群進(jìn)化中存在的不足，第四章提出了多種群退火遺傳算法改進(jìn)云任務(wù)調(diào)度，不同于單種群，多種群改變了種群的單一進(jìn)化方式，采用種群間的基因交流和優(yōu)良個(gè)體的移民策略，豐富了種群進(jìn)化的方式，增加了個(gè)體結(jié)構(gòu)的多樣性，仿真結(jié)果表明，該算法比第三章提出的算法具有更短的任務(wù)完成時(shí)間，能夠更快地找到最優(yōu)的任務(wù)調(diào)度結(jié)果。
　　4.基于云計(jì)算的二級(jí)資源調(diào)度模型，第五章針對(duì)資源分配中的虛擬機(jī)遷移問(wèn)題進(jìn)行研究，并提出了一種基于能耗感知的虛擬機(jī)遷