本文關鍵詞：基于云計算的任務調度問題的研究

  更多相關文章： 云計算 任務調度 人工蜂群算法 服務質量 任務聚類

【摘要】：云服務作為一種典型的商業(yè)服務付費模式,它通過虛擬化技術將資源進行整合,以網(wǎng)絡輸出的形式向用戶提供高可用性和安全性的服務。云環(huán)境下不同用戶提交的任務要求復雜多樣,執(zhí)行任務的云資源性能指標也不相同,因此設計一個合理高效的資源分配策略以縮短任務執(zhí)行時間、減少系統(tǒng)及用戶開銷、實現(xiàn)整個云計算系統(tǒng)的負載均衡,已成為云計算研究中的一個熱點問題�；诖吮尘�,本文針對當前云環(huán)境下任務-資源調度策略中較少的考慮了用戶QoS(Quality of Service,Qo S)需求及分配效率較低等問題進行研究。主要工作包括以下幾個方面:1)針對人工蜂群算法(Artificial bee colony algorithm,ABC)易陷入局部最優(yōu)的缺點,論文研究了一種改進的人工蜂群算法(Improved Artificial bee colony algorithm,IABC)。對原算法進行了三方面的優(yōu)化改進。A)優(yōu)化概率選擇模型,引入最大、最小適應度值避免因為不斷向最優(yōu)解貪婪收斂造成種群范圍多樣性的縮小;B)優(yōu)化蜜蜂角色轉換模型,通過計算收益比和跟隨比調整蜜蜂角色,避免因蜜蜂數(shù)量分配的不科學造成尋優(yōu)效率的降低;C)優(yōu)化解空間的搜索策略模型,通過當前最優(yōu)解、全局最優(yōu)解和學習因子這三個參數(shù)來加強蜂群在引領峰階段和跟隨蜂階段的搜索效率。最后將算法用于求解5個經(jīng)典函數(shù)的優(yōu)化問題,通過與標準ABC等三種算法進行實驗對比,結果表明改進后的人工蜂算法(IABC)具有更好的收斂速度和尋優(yōu)能力。2)針對以往調度算法以實現(xiàn)任務完成時間最小化為單一目標而忽略云環(huán)境中用戶的Qo S需求的問題,論文研究了一種基于改進人工蜂群算法的多維QoS云計算任務調度算法。首先從滿足用戶的多維Qo S需求出發(fā),建立云任務模型和資源Qo S模型,根據(jù)任務的不同偏好對虛擬機的綜合性能進行評價,然后為提高資源的分配效率,將改進后的人工蜂群算法IABC應用到云環(huán)境下的任務調度中,利用IABC算法選擇性能較高或更滿足用戶需求的虛擬機分配給任務。最后將該算法在CloudSim平臺進行實驗仿真,通過DAG生成器隨機生成仿真實驗的任務實例,并與異構最早完成時間(HEFT)等四種算法進行對比實驗,結果表明該算法能夠在實現(xiàn)高效率任務資源分配的同時滿足用戶的Qo S需求。3)針對目前調度算法忽略了對云環(huán)境下用戶任務的多屬性特征研究的這一問題,論文研究了一種基于模糊任務聚類的改進人工蜂群云計算任務調度算法。首先,通過模糊C均值聚類(Fuzzy C-Means,FCM)算法對任務進行聚類,將任務聚成計算型任務、帶寬型任務和存儲型任務。然后,對虛擬機資源進行綜合性能評價,利用IABC算法將綜合性能較高或更適合該任務類型的虛擬機資源分配給任務。最后進行仿真實驗,對CloudSim平臺進行擴展,隨機生成仿真實驗所需的任務實例,通過與Min-Min等三種算法進行對比實驗,結果表明該算法能夠實現(xiàn)高效率的任務資源調度且能實現(xiàn)較高的資源利用率。
【關鍵詞】：云計算 任務調度 人工蜂群算法 服務質量 任務聚類
【學位授予單位】：江南大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP18;TP393.09
【目錄】：

• 摘要3-4
• Abstract4-9
• 第一章 緒論9-15
• 1.1 論文研究的背景及意義9
• 1.2 國內外研究現(xiàn)狀9-12
• 1.2.1 云計算研究現(xiàn)狀9-11
• 1.2.2 云計算任務調度策略的研究現(xiàn)狀11-12
• 1.3 本文研究的內容12-13
• 1.4 論文的結構安排13-14
• 1.5 本章小結14-15
• 第二章 云計算與任務調度相關問題的研究15-26
• 2.1 云計算15-17
• 2.1.1 云計算的服務模式15
• 2.1.2 云計算的部署模式15-16
• 2.1.3 云計算的特點16-17
• 2.2 云計算任務調度與分布式計算、網(wǎng)格計算任務調度的關系17-20
• 2.2.1 分布式計算17
• 2.2.2 網(wǎng)格計算及其任務調度17-18
• 2.2.3 云計算任務調度18
• 2.2.4 云計算任務調度與網(wǎng)格計算任務調度的比較18-19
• 2.2.5 云計算任務調度目標19
• 2.2.6 云計算任務調度算法性能評價標準19-20
• 2.3 經(jīng)典的云計算任務調度算法20-22
• 2.3.1 Hadoop平臺下的任務調度算法20
• 2.3.2 傳統(tǒng)的任務調度算法20-22
• 2.4 CLOUDSIM仿真器22-25
• 2.4.1 CloudSim平臺介紹22
• 2.4.2 CloudSim體系結構22-24
• 2.4.3 CloudSim仿真步驟和流程24-25
• 2.5 本章小結25-26
• 第三章 人工蜂群算法的研究與優(yōu)化26-36
• 3.1 人工蜂群算法26-30
• 3.1.1 蜜蜂采蜜機理26-27
• 3.1.2 人工蜂群算法基本實現(xiàn)步驟和流程27-30
• 3.2 人工蜂群算法的優(yōu)化30-33
• 3.2.1 改進蜜蜂角色轉換模型30-31
• 3.2.2 改進選擇蜜源的概率模型31
• 3.2.3 改進搜索策略模型31-32
• 3.2.4 改進人工蜂群算法的算法流程32-33
• 3.3 仿真實驗33-35
• 3.3.1 實驗環(huán)境及參數(shù)設置33
• 3.3.2 實驗結果與分析33-35
• 3.4 本章小結35-36
• 第四章 基于改進人工蜂群算法的多維QoS云計算任務調度36-47
• 4.1 云計算任務調度問題描述36-39
• 4.1.1 云計算任務模型36-37
• 4.1.2 云資源模型37
• 4.1.3 約束模型37-38
• 4.1.4 QoS模型38-39
• 4.2 基于改進人工蜂群算法的多維QOS任務調度算法39-42
• 4.2.1 初始化任務優(yōu)先級39-40
• 4.2.2 IABC算法實現(xiàn)云環(huán)境下任務與虛擬機資源的映射40-41
• 4.2.3 基于IABC的多維QoS任務調度算法41-42
• 4.3 仿真實驗42-46
• 4.3.1 云環(huán)境資源配置42
• 4.3.2 實驗參數(shù)設置42
• 4.3.3 性能評價指標42-43
• 4.3.4 實驗結果和性能分析43-46
• 4.4 本章小結46-47
• 第五章 基于模糊任務聚類的云計算任務調度47-56
• 5.1 基于任務聚類的云計算任務調度算法47-51
• 5.1.1 云任務模型47
• 5.1.2 云資源模型47-48
• 5.1.3 云任務聚類模型48-51
• 5.2 算法描述51-53
• 5.2.1 云任務聚類算法51-52
• 5.2.2 基于模糊聚類的IABC任務調度算法52-53
• 5.3 算法性能評價指標53
• 5.4 仿真實驗53-55
• 5.4.1 任務參數(shù)設置53
• 5.4.2 云環(huán)境及云資源的設置53
• 5.4.3 實驗參數(shù)設置及結果53-55
• 5.5 本章小結55-56
• 第六章 主要結論與展望56-58
• 6.1 主要結論56-57
• 6.2 展望57-58
• 致謝58-59
• 參考文獻59-63
• 附錄：作者在攻讀碩士學位期間發(fā)表的論文63

，

本文編號：988612