面向用戶的多目標(biāo)云工作流調(diào)度研究.pdf

1、云計算具有按需供給、按使用付費的特點，已成為執(zhí)行大型應(yīng)用的有效方式之一。在云計算中，應(yīng)用通常以工作流的方式被提交執(zhí)行。合理的工作流調(diào)度能極大改善云計算的整體性能并降低成本。一方面，現(xiàn)有關(guān)于云工作流調(diào)度的研究考慮的目標(biāo)較單一，缺少求解四個及以上目標(biāo)調(diào)度問題的有效方法，無法滿足多樣性應(yīng)用場景和需求。另一方面，調(diào)度中的容錯問題通常僅考慮將可靠性作為調(diào)度目標(biāo)以獲得可靠性較高的調(diào)度方案，或是面向資源故障的容錯策略，而較少關(guān)注云工作流中由于任務(wù)異常

2、或軟件故障導(dǎo)致的任務(wù)執(zhí)行失敗后的容錯機制，這一場景在云工作流調(diào)度中也是較為常見的，需要加以考慮。
　　針對上述問題，本文所做工作主要包括以下兩方面:
　　(1)提出了多目標(biāo)云工作流調(diào)度模型，并針對上述模型特點，提出了改進的KnEA算法求解該模型。首先，從用戶角度出發(fā)，構(gòu)建了包含云工作流最大完成時間和平均完成時間，云工作流執(zhí)行的可靠性以及費用等四個目標(biāo)的多目標(biāo)云工作流調(diào)度模型。然后，基于當(dāng)前求解Many-objective O

3、ptimization problems(MaOPs)的算法中性能較優(yōu)的KnEA進行了改進，提出了基于熵權(quán)和TOPSIS的非knee points解的排序與選擇策略和基于熵權(quán)的各目標(biāo)較優(yōu)解的選擇策略，用于求解上述MaOPs。最后，通過仿真實驗表明，與現(xiàn)有算法相比，該算法能高效的獲得質(zhì)量更優(yōu)的解，尤其是在限制優(yōu)化時間的場景下，該算法較現(xiàn)有一些算法性能提升更大。因此非常適用于解決在較短優(yōu)化時間內(nèi)即可獲得較優(yōu)解集的多目標(biāo)調(diào)度優(yōu)化問題。

4、　　(2)針對由于任務(wù)異?；蜍浖收蠈?dǎo)致的任務(wù)執(zhí)行失敗的場景，采取重試策略進行容錯，提出了面向任務(wù)執(zhí)行失敗的云工作流重調(diào)度策略。首先，針對任務(wù)執(zhí)行失敗的場景，基于計算資源(虛擬機)的空閑時間間隔，以執(zhí)行失敗任務(wù)所在實例的完成時間,重調(diào)度任務(wù)的執(zhí)行成本，以及重調(diào)度任務(wù)所屬實例執(zhí)行的可靠性為目標(biāo)，構(gòu)建了多目標(biāo)的云工作流重調(diào)度模型。然后，對于重調(diào)度任務(wù)數(shù)量和可用虛擬機數(shù)量的不同所導(dǎo)致的備選重調(diào)度方案數(shù)量差異較大的問題，分別采用無偏好的多準(zhǔn)則決