云計算環(huán)境下資源部署與任務(wù)調(diào)度研究.pdf

1、云計算作為下一代信息技術(shù)的載體，其數(shù)據(jù)的存儲、處理、分析、決策、任務(wù)的調(diào)度、資源的管理都在云中進行，而且其任務(wù)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(wù)調(diào)度提出了新的更高的要求：既要滿足用戶對獲取高質(zhì)量服務(wù)的需求，又要盡可能地提高系統(tǒng)的資源利用率、保證服務(wù)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(wù)調(diào)度是云計算研究和實現(xiàn)中亟待解決的關(guān)鍵問題。
　　本文針對云計

2、算環(huán)境下的數(shù)據(jù)部署、任務(wù)調(diào)度問題，從資源的類型、特點、用戶獲取高性能體驗和任務(wù)調(diào)度的需求等出發(fā)，對數(shù)據(jù)密集型應(yīng)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(wù)調(diào)度問題進行了研究，其主要內(nèi)容包括以下幾個方面：
　?。?）云計算環(huán)境下基于關(guān)聯(lián)量的數(shù)據(jù)部署與任務(wù)調(diào)度方法
　　針對數(shù)據(jù)密集型應(yīng)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(luò)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(guān)聯(lián)

3、量的數(shù)據(jù)依賴模型，利用原始數(shù)據(jù)形成關(guān)聯(lián)矩陣，對該關(guān)聯(lián)矩陣做有限次的矩陣初等變換即可將其轉(zhuǎn)換成聚類矩陣；設(shè)計了基于該模型的鍵能聚類算法，從而將關(guān)聯(lián)量最大的數(shù)據(jù)聚集在一起；同時設(shè)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(jié)果即可將任務(wù)調(diào)度到相應(yīng)的數(shù)據(jù)中心。仿真結(jié)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。
　?。?）基于粒子群算法的任務(wù)調(diào)度優(yōu)化方法
　　由于不同數(shù)據(jù)中心的收費標(biāo)準(zhǔn)、通信帶

4、寬和處理能力通常存在差異，所以任務(wù)調(diào)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(wù)調(diào)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(wù)調(diào)度映射為處理交互圖，基于處理交互圖提出了任務(wù)調(diào)度優(yōu)化的數(shù)學(xué)模型，進而設(shè)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(wù)調(diào)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(shè)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(zhǔn)值、基準(zhǔn)度、步長。仿真結(jié)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(yīng)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(yán)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(wù)質(zhì)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(yù)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(yīng)該遷移那個虛擬機；最后設(shè)計了能耗性能感知的最佳適應(yīng)算法，對虛擬機進行部署，以優(yōu)化性能與能耗

7、。仿真結(jié)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(yīng)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(biāo)動態(tài)優(yōu)化方法
　　顧客的服務(wù)質(zhì)量需求和到達(dá)率不同，云計算數(shù)據(jù)中心所需提供的服務(wù)器數(shù)量也不同。為了研究最佳的服務(wù)器數(shù)量隨顧客的服務(wù)質(zhì)量需求和到達(dá)率等的變化規(guī)律，本文研究了多到達(dá)、兩服務(wù)窗能力不等的條件下基于排隊論的解決方法，通過