本文關(guān)鍵詞：云環(huán)境下任務(wù)調(diào)度關(guān)鍵問題研究

  更多相關(guān)文章： 云計算 任務(wù)調(diào)度 負(fù)載均衡 QoS 虛擬化技術(shù) 綠色網(wǎng)絡(luò)

【摘要】：云環(huán)境下任務(wù)調(diào)度是云計算系統(tǒng)相關(guān)研究的一個重要研究方向。如何對云計算系統(tǒng)中海量的任務(wù)進行合理的調(diào)度，并針對云計算系統(tǒng)中節(jié)點的異構(gòu)特性來合理的部署，使之達到相對平衡的狀態(tài)是云環(huán)境下任務(wù)調(diào)度的目標(biāo)。 本文包括如下工作： 1)使用蟻群算法對云環(huán)境下的任務(wù)調(diào)度策略進行了研究，提出了一種新的任務(wù)調(diào)度策略，該方法可以在提高任務(wù)完成質(zhì)量的前提下盡可能地保證云計算系統(tǒng)的負(fù)載均衡。 2)為維護云計算系統(tǒng)的負(fù)載均衡，提出了一種兩階段任務(wù)調(diào)度方法。采用集中式調(diào)度策略，將任務(wù)調(diào)度劃分為任務(wù)分配和虛擬機分配兩個階段，該方法可以在保證數(shù)據(jù)中各服務(wù)器負(fù)載相對均衡的前提下，盡可能地降低系統(tǒng)任務(wù)的平均等待時間。 3)為提升云計算系統(tǒng)中資源的利用率，提出了一種面向多維度資源的虛擬機部署策略。使用一種分層的染色體編碼規(guī)則對云計算系統(tǒng)中的資源進行表示，以資源利用率和負(fù)載均衡為優(yōu)化目標(biāo)，該方法可以在保證物理主機利用率和系統(tǒng)負(fù)載均衡的前提下，最大限度的減少物理機的開啟數(shù)量。 4)為提升云計算系統(tǒng)中能耗的利用率，提出了一種能量感知的虛擬機遷移方法，基于物理主機能量消耗和資源利用率間的關(guān)系構(gòu)建了物理主機的能量消耗模型，基于粒子群理論設(shè)計了虛擬機遷移算法，以能耗和遷移代價作為評估指標(biāo)。該方法可以在提升云計算系統(tǒng)資源利用率的前提下，盡可能地減低系統(tǒng)的能耗。
【關(guān)鍵詞】：云計算 任務(wù)調(diào)度 負(fù)載均衡 QoS 虛擬化技術(shù) 綠色網(wǎng)絡(luò)
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TP302;TP18
【目錄】：

• 提要4-5
• 摘要5-7
• Abstract7-10
• 目錄10-13
• 第1章 緒論13-27
• 1.1 研究背景和意義13-18
• 1.1.1 云計算的內(nèi)涵13-14
• 1.1.2 云計算的特征14-15
• 1.1.3 云計算的分類15-16
• 1.1.4 現(xiàn)有的云計算技術(shù)平臺研究現(xiàn)狀16-18
• 1.2 云環(huán)境下任務(wù)調(diào)度相關(guān)研究18-25
• 1.2.1 云計算任務(wù)調(diào)度概述19
• 1.2.2 云計算任務(wù)調(diào)度的特點和目標(biāo)19-21
• 1.2.3 經(jīng)典的任務(wù)調(diào)度策略21-25
• 1.3 研究內(nèi)容25-27
• 第2章 基于蟻群算法的啟發(fā)式任務(wù)調(diào)度策略27-49
• 2.1 引言27-28
• 2.2 蟻群算法基本原理28-30
• 2.3 系統(tǒng)模型30-34
• 2.4 調(diào)度算法34-38
• 2.4.1 算法初始化35
• 2.4.2 螞蟻轉(zhuǎn)移概率35-36
• 2.4.3 信息素的更新36-37
• 2.4.4 算法的終止條件37
• 2.4.5 算法流程37-38
• 2.5 實驗與分析38-47
• 2.5.1 實驗環(huán)境38-39
• 2.5.2 實驗效果與分析39-47
• 2.6 本章小結(jié)47-49
• 第3章 一種云計算系統(tǒng)面向負(fù)載均衡的兩階段任務(wù)調(diào)度方法49-65
• 3.1 引言49-50
• 3.2 負(fù)載均衡技術(shù)的分類和實現(xiàn)50-51
• 3.3 兩階段任務(wù)調(diào)度方法51-59
• 3.3.1 算法模型52-55
• 3.3.2 負(fù)載均衡策略與方法55-59
• 3.4 實驗與分析59-63
• 3.4.1 評價指標(biāo)59-61
• 3.4.2 實驗環(huán)境61
• 3.4.3 實驗效果與分析61-63
• 3.5 本章小結(jié)63-65
• 第4章 一種面向多維度資源的虛擬機部署策略65-83
• 4.1 引言65-66
• 4.2 遺傳算法基本原理66-68
• 4.3 基于分組遺傳算法的虛擬機部署策略68-74
• 4.3.1 算法模型70-71
• 4.3.2 虛擬機遷移策略71-74
• 4.4 實驗與分析74-81
• 4.4.1 Cloudsim 平臺介紹75-76
• 4.4.2 實驗環(huán)境76-77
• 4.4.3 實驗效果與分析77-81
• 4.5 本章小結(jié)81-83
• 第5章 基于粒子群理論的能量感知虛擬機遷移方法83-103
• 5.1 引言83-84
• 5.2 基礎(chǔ)知識84-86
• 5.2.1 綠色計算84-85
• 5.2.2 粒子群算法基本原理85-86
• 5.3 基于能量感知的虛擬機遷移策略86-95
• 5.3.1 物理主機狀態(tài)轉(zhuǎn)移87-88
• 5.3.2 算法模型88-90
• 5.3.3 物理主機能耗模型90-91
• 5.3.4 任務(wù)部署策略91-92
• 5.3.5 虛擬機遷移策略92-95
• 5.3.6 算法流程95
• 5.4 實驗與分析95-102
• 5.4.1 實驗環(huán)境95-97
• 5.4.2 實驗效果與分析97-102
• 5.5 本章小結(jié)102-103
• 第6章 總結(jié)和展望103-105
• 6.1 總結(jié)103-104
• 6.2 展望104-105
• 參考文獻105-115
• 作者簡介及在學(xué)期間所取得的科研成果115-117
• 致謝117-118

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前6條

1 WANG Li;QU Hua;ZHAO Jihong;;Virtual Network Embedding Algorithm for Load Balance with Various Requests[J];Chinese Journal of Electronics;2014年02期

2 王慧;;Privacy-Preserving Data Sharing in Cloud Computing[J];Journal of Computer Science & Technology;2010年03期

3 Anna Gorbenko;Vladimir Popov;;Task-resource Scheduling Problem[J];International Journal of Automation & Computing;2012年04期

4 查修齊;吳榮泉;高元鈞;;C/S到B/S模式轉(zhuǎn)換的技術(shù)研究[J];計算機工程;2014年01期

5 謝亞龍;丁麗萍;林渝淇;趙曉柯;;ICFF:一種IaaS模式下的云取證框架[J];通信學(xué)報;2013年05期

6 崔競松;向浩;郭遲;張雅娜;何松;;基于KVM的Windows客戶機進程查殺技術(shù)[J];四川大學(xué)學(xué)報(工程科學(xué)版);2014年06期

，

本文編號：1102782