本文關(guān)鍵詞：基于云計(jì)算的任務(wù)調(diào)度問(wèn)題的研究

  更多相關(guān)文章： 云計(jì)算 任務(wù)調(diào)度 人工蜂群算法 服務(wù)質(zhì)量 任務(wù)聚類

【摘要】：云服務(wù)作為一種典型的商業(yè)服務(wù)付費(fèi)模式,它通過(guò)虛擬化技術(shù)將資源進(jìn)行整合,以網(wǎng)絡(luò)輸出的形式向用戶提供高可用性和安全性的服務(wù)。云環(huán)境下不同用戶提交的任務(wù)要求復(fù)雜多樣,執(zhí)行任務(wù)的云資源性能指標(biāo)也不相同,因此設(shè)計(jì)一個(gè)合理高效的資源分配策略以縮短任務(wù)執(zhí)行時(shí)間、減少系統(tǒng)及用戶開(kāi)銷、實(shí)現(xiàn)整個(gè)云計(jì)算系統(tǒng)的負(fù)載均衡,已成為云計(jì)算研究中的一個(gè)熱點(diǎn)問(wèn)題。基于此背景,本文針對(duì)當(dāng)前云環(huán)境下任務(wù)-資源調(diào)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(wèn)題進(jìn)行研究。主要工作包括以下幾個(gè)方面:1)針對(duì)人工蜂群算法(Artificial bee colony algorithm,ABC)易陷入局部最優(yōu)的缺點(diǎn),論文研究了一種改進(jìn)的人工蜂群算法(Improved Artificial bee colony algorithm,IABC)。對(duì)原算法進(jìn)行了三方面的優(yōu)化改進(jìn)。A)優(yōu)化概率選擇模型,引入最大、最小適應(yīng)度值避免因?yàn)椴粩嘞蜃顑?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(zhuǎn)換模型,通過(guò)計(jì)算收益比和跟隨比調(diào)整蜜蜂角色,避免因蜜蜂數(shù)量分配的不科學(xué)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(guò)當(dāng)前最優(yōu)解、全局最優(yōu)解和學(xué)習(xí)因子這三個(gè)參數(shù)來(lái)加強(qiáng)蜂群在引領(lǐng)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(gè)經(jīng)典函數(shù)的優(yōu)化問(wèn)題,通過(guò)與標(biāo)準(zhǔn)ABC等三種算法進(jìn)行實(shí)驗(yàn)對(duì)比,結(jié)果表明改進(jìn)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(duì)以往調(diào)度算法以實(shí)現(xiàn)任務(wù)完成時(shí)間最小化為單一目標(biāo)而忽略云環(huán)境中用戶的Qo S需求的問(wèn)題,論文研究了一種基于改進(jìn)人工蜂群算法的多維QoS云計(jì)算任務(wù)調(diào)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(wù)模型和資源Qo S模型,根據(jù)任務(wù)的不同偏好對(duì)虛擬機(jī)的綜合性能進(jìn)行評(píng)價(jià),然后為提高資源的分配效率,將改進(jìn)后的人工蜂群算法IABC應(yīng)用到云環(huán)境下的任務(wù)調(diào)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(jī)分配給任務(wù)。最后將該算法在CloudSim平臺(tái)進(jìn)行實(shí)驗(yàn)仿真,通過(guò)DAG生成器隨機(jī)生成仿真實(shí)驗(yàn)的任務(wù)實(shí)例,并與異構(gòu)最早完成時(shí)間(HEFT)等四種算法進(jìn)行對(duì)比實(shí)驗(yàn),結(jié)果表明該算法能夠在實(shí)現(xiàn)高效率任務(wù)資源分配的同時(shí)滿足用戶的Qo S需求。3)針對(duì)目前調(diào)度算法忽略了對(duì)云環(huán)境下用戶任務(wù)的多屬性特征研究的這一問(wèn)題,論文研究了一種基于模糊任務(wù)聚類的改進(jìn)人工蜂群云計(jì)算任務(wù)調(diào)度算法。首先,通過(guò)模糊C均值聚類(Fuzzy C-Means,FCM)算法對(duì)任務(wù)進(jìn)行聚類,將任務(wù)聚成計(jì)算型任務(wù)、帶寬型任務(wù)和存儲(chǔ)型任務(wù)。然后,對(duì)虛擬機(jī)資源進(jìn)行綜合性能評(píng)價(jià),利用IABC算法將綜合性能較高或更適合該任務(wù)類型的虛擬機(jī)資源分配給任務(wù)。最后進(jìn)行仿真實(shí)驗(yàn),對(duì)CloudSim平臺(tái)進(jìn)行擴(kuò)展,隨機(jī)生成仿真實(shí)驗(yàn)所需的任務(wù)實(shí)例,通過(guò)與Min-Min等三種算法進(jìn)行對(duì)比實(shí)驗(yàn),結(jié)果表明該算法能夠?qū)崿F(xiàn)高效率的任務(wù)資源調(diào)度且能實(shí)現(xiàn)較高的資源利用率。
【關(guān)鍵詞】：云計(jì)算 任務(wù)調(diào)度 人工蜂群算法 服務(wù)質(zhì)量 任務(wù)聚類
【學(xué)位授予單位】：江南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：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(guó)內(nèi)外研究現(xiàn)狀9-12
• 1.2.1 云計(jì)算研究現(xiàn)狀9-11
• 1.2.2 云計(jì)算任務(wù)調(diào)度策略的研究現(xiàn)狀11-12
• 1.3 本文研究的內(nèi)容12-13
• 1.4 論文的結(jié)構(gòu)安排13-14
• 1.5 本章小結(jié)14-15
• 第二章 云計(jì)算與任務(wù)調(diào)度相關(guān)問(wèn)題的研究15-26
• 2.1 云計(jì)算15-17
• 2.1.1 云計(jì)算的服務(wù)模式15
• 2.1.2 云計(jì)算的部署模式15-16
• 2.1.3 云計(jì)算的特點(diǎn)16-17
• 2.2 云計(jì)算任務(wù)調(diào)度與分布式計(jì)算、網(wǎng)格計(jì)算任務(wù)調(diào)度的關(guān)系17-20
• 2.2.1 分布式計(jì)算17
• 2.2.2 網(wǎng)格計(jì)算及其任務(wù)調(diào)度17-18
• 2.2.3 云計(jì)算任務(wù)調(diào)度18
• 2.2.4 云計(jì)算任務(wù)調(diào)度與網(wǎng)格計(jì)算任務(wù)調(diào)度的比較18-19
• 2.2.5 云計(jì)算任務(wù)調(diào)度目標(biāo)19
• 2.2.6 云計(jì)算任務(wù)調(diào)度算法性能評(píng)價(jià)標(biāo)準(zhǔn)19-20
• 2.3 經(jīng)典的云計(jì)算任務(wù)調(diào)度算法20-22
• 2.3.1 Hadoop平臺(tái)下的任務(wù)調(diào)度算法20
• 2.3.2 傳統(tǒng)的任務(wù)調(diào)度算法20-22
• 2.4 CLOUDSIM仿真器22-25
• 2.4.1 CloudSim平臺(tái)介紹22
• 2.4.2 CloudSim體系結(jié)構(gòu)22-24
• 2.4.3 CloudSim仿真步驟和流程24-25
• 2.5 本章小結(jié)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(jī)理26-27
• 3.1.2 人工蜂群算法基本實(shí)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(jìn)蜜蜂角色轉(zhuǎn)換模型30-31
• 3.2.2 改進(jìn)選擇蜜源的概率模型31
• 3.2.3 改進(jìn)搜索策略模型31-32
• 3.2.4 改進(jìn)人工蜂群算法的算法流程32-33
• 3.3 仿真實(shí)驗(yàn)33-35
• 3.3.1 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置33
• 3.3.2 實(shí)驗(yàn)結(jié)果與分析33-35
• 3.4 本章小結(jié)35-36
• 第四章 基于改進(jìn)人工蜂群算法的多維QoS云計(jì)算任務(wù)調(diào)度36-47
• 4.1 云計(jì)算任務(wù)調(diào)度問(wèn)題描述36-39
• 4.1.1 云計(jì)算任務(wù)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(jìn)人工蜂群算法的多維QOS任務(wù)調(diào)度算法39-42
• 4.2.1 初始化任務(wù)優(yōu)先級(jí)39-40
• 4.2.2 IABC算法實(shí)現(xiàn)云環(huán)境下任務(wù)與虛擬機(jī)資源的映射40-41
• 4.2.3 基于IABC的多維QoS任務(wù)調(diào)度算法41-42
• 4.3 仿真實(shí)驗(yàn)42-46
• 4.3.1 云環(huán)境資源配置42
• 4.3.2 實(shí)驗(yàn)參數(shù)設(shè)置42
• 4.3.3 性能評(píng)價(jià)指標(biāo)42-43
• 4.3.4 實(shí)驗(yàn)結(jié)果和性能分析43-46
• 4.4 本章小結(jié)46-47
• 第五章 基于模糊任務(wù)聚類的云計(jì)算任務(wù)調(diào)度47-56
• 5.1 基于任務(wù)聚類的云計(jì)算任務(wù)調(diào)度算法47-51
• 5.1.1 云任務(wù)模型47
• 5.1.2 云資源模型47-48
• 5.1.3 云任務(wù)聚類模型48-51
• 5.2 算法描述51-53
• 5.2.1 云任務(wù)聚類算法51-52
• 5.2.2 基于模糊聚類的IABC任務(wù)調(diào)度算法52-53
• 5.3 算法性能評(píng)價(jià)指標(biāo)53
• 5.4 仿真實(shí)驗(yàn)53-55
• 5.4.1 任務(wù)參數(shù)設(shè)置53
• 5.4.2 云環(huán)境及云資源的設(shè)置53
• 5.4.3 實(shí)驗(yàn)參數(shù)設(shè)置及結(jié)果53-55
• 5.5 本章小結(jié)55-56
• 第六章 主要結(jié)論與展望56-58
• 6.1 主要結(jié)論56-57
• 6.2 展望57-58
• 致謝58-59
• 參考文獻(xiàn)59-63
• 附錄：作者在攻讀碩士學(xué)位期間發(fā)表的論文63

，

本文編號(hào)：988612