雷竞技网页版研究和评论——国际期刊雷竞技苹果下载

国际期刊的创新在计算机和通信工程的研究

菜单

ISSN在线(2320 - 9801)打印(2320 - 9798)

所有提交的电磁系统将被重定向到在线手稿提交系统。作者请直接提交文章在线手稿提交系统各自的杂志。

比较研究各种调度算法在云环境

P Kowsik1,K.Rajakumari2
  1. PG学者,信息技术部,SNS技术学院TamilNadu、印度哥印拜陀
  2. 副教授,信息技术部,SNS技术学院TamilNadu、印度哥印拜陀
相关文章Pubmed,谷歌学者

访问更多的相关文章国际期刊的创新在计算机和通信工程的研究

国际期刊的创新在计算机和通信工程的研究

文摘

云计算是一种新兴的技术,它允许用户根据需要并具有较高的性能。云计算是一个异构的系统,它拥有大量的应用程序数据。在调度的过程中一些密集的数据或计算密集型应用程序,它是承认优化传输和处理时间对应用程序是至关重要的。由于云计算领域的新奇,没有许多标准任务调度算法在云环境中使用。特别是在云,沟通成本高,阻止众所周知的任务调度器在大规模分布式应用环境。今天,研究人员试图构建作业调度算法,适用于兼容云计算环境作业调度是云计算环境中最重要的任务,因为用户必须支付资源使用基于时间。因此必须重要资源高效利用和调度起着至关重要的作用,从资源获取最大利益。在本文中,我们调查了不同类型的调度算法和表他们的各种参数,调度因素等等。现有的工作流调度算法不考虑可靠性和可用性。本文提出了一种新颖的启发式调度算法,称为hyper-heuristic调度算法(HHSA),找到更好的调度云计算系统的解决方案。结果表明,HHSA可以显著减少任务调度的时间比其他的调度算法。

关键字
云计算、粒子群优化,模拟退火,改进的粒子群优化算法、调度、启发式算法。

介绍
云计算技术是一个新的范例实用虚拟资源,为最终用户设计的动态计算环境提供可靠和保证服务[1]。在这种环境下,按需服务的计算密集型应用程序可以增加了用户请求。根据用户数量的迅速增加,提高虚拟化是一种主要的方法利用物理资源在云环境中[2]。它允许底层物理资源抽象和隔离,减少硬件设备的数量。这些虚拟化技术包括网络虚拟化和允许运营商创建多个虚拟机(vm)在单个物理服务器上。具体来说,虚拟机可以通过增加或减少CPU的数量和/或CPU [3]。为了有效地利用虚拟化资源执行家中应用程序,有效meta-job调度算法是必要的。传统的作业调度问题安排meta-job的应用程序在计算资源以减少工作完成时间而忽略了具体的共享网络资源的性质[4]。
在超级计算机中心,调度问题是增强调度一组来自不同用户的应用程序的计算资源,最大限度地提高系统利用率。先前的研究人员已经进行了广泛的研究在这个领域领先的主要理论和实践结果[5]。然而,随着虚拟化技术的出现在云计算系统中,新的调度算法需要处理来自云基础设施的问题。在云计算任务调度算法的目标是实现高系统吞吐量,提高负载平衡和减少meta-job总处理时间,同时匹配meta-job需求与可用的虚拟化资源。作业调度是一个普遍问题的一组工作映射到一组虚拟机实现云计算环境中用户的请求。作业调度的目标是实现高系统吞吐量和减少meta-job总处理时间,同时匹配meta-job需求与可用的虚拟化资源。
调度程序在这个环境中需要考虑虚拟资源和用户的要求约束得到更好的应用程序和资源之间的匹配。当用户考虑各种相关网络资源的服务质量,作业调度成为云计算更加复杂。许多传统的启发式调度算法,如最小完成时间(MCT) minimum-Mini——妈妈完成时间(敏敏),最大最小完成时间(不等式性质)不考虑网络云应用程序的影响。我们提出一个V-heuristic调度算法来解决工作的匹配提供的应用程序和状态不同的云计算虚拟资源。因此,调度算法提高了效率和云系统的利用率。提供这个服务,云服务提供商(CSP)部署的虚拟网络基础设施提供者(输入)和一个或多个vm在单一物理机器协调在一起。
在服务提供者,异构物理-卡尔网络抽象通过使用虚拟化技术,可以提供高效的云计算的虚拟机之间的数据传输。我们可以提供混合启发式调度算法优化虚拟化资源利用率,最大吞吐量,减少处理时间,工作负载平衡在vm和满足用户请求的按需服务。

相关工作
在课堂上优化问题是np难。这些问题能被解决通过枚举方法,启发式方法或近似方法。在枚举方法中,可以选择一个最优的解决方案如果枚举所有可能的解决方案和比较。当的实例数量很大,详尽的列举不可行调度问题。在这种情况下的启发式是一种次优算法快速找到不错的解决方案合理。近似算法用于找到近似的解决方案来优化解决方案。这些算法用于问题的多项式时间算法。加强任务数据本地化大规模数据处理系统对作业完成时间是至关重要的。大部分的方法来改善数据局部性是贪婪而忽略全局优化,或患有高计算复杂度。这个问题的解决提出了一个启发式任务调度算法被称为Balance-Reduce (BAR) [6]。
负载平衡任务调度器平衡整个系统负载在试图最小化给定任务的使跨度设置。两个不同的负载均衡调度算法提出了基于蚁群在[7],[8]。另一个基于蚁群算法的目标是最小化的工作完成时间在[9]提出了基于信息素。云负载平衡算法[10],将能力添加到云环境的动态平衡机制。工作负载的决定外包给云提供商,应该最大化的内部基础设施的利用率,减少运行成本的外包任务在云中,而考虑到应用程序的服务质量约束。一组启发式的调度deadlineconstrained计算程序,提出了[11]。多目标meta-heuristics调度算法提出了多重云环境[12]。该算法试图实现应用程序highavailability和容错,同时降低成本,保持资源的应用程序负载最大化。因为越来越多的大型网络图和社交网络,costconscious大型图像处理调度是非常重要的,提出了一种启发式的[13]。
基于遗传算法的优化算法来安排独立和可分割的任务适应不同的计算和内存需求提出了[14]。多智能体遗传算法(米加)[15]是遗传算法的混合算法在云计算解决负载平衡问题。辅酶a(行动)计划包括资源分配和任务调度。一个健壮的辅酶A计划不同持续时间提出了基于GA [16]。降低能耗是云计算的一个日益重要的问题,更确切地说在处理高性能计算(HPC)。提出的多目标遗传算法(MO-GA),[17],优化了能源消耗,二氧化碳排放和生成的利润的地理上分布的云计算基础设施。另一个基于并行遗传算法的资源调度提出了[18]。模拟退火是一个通用的全局优化问题的概率metaheuristic定位一个好的近似全局最优的一个给定的函数在一个大的搜索空间。任务调度的优化算法基于遗传模拟退火算法在云计算提出了[19]。计算系统的可伸缩性可以主要由大小、地理分布、行政约束、异质性、能源消费和透明度。
低复杂性energyefficient启发式调度算法,提出了[20],执行有效地展示其适用性和可伸缩性。在批处理模式下,只在一些预定义的任务计划时间。这使得批启发式了解大量的任务的实际执行时间。敏敏和不等式性质是用于批处理模式调度启发式。基于启发式的改进最大最小算法[21]和QoS的敏敏调度算法[22]。袋的任务(BoT)应用程序是一个独立的并行任务执行。启发式在[23]提出旨在最大化资源利用率而执行机器人在异构的云资源分配不同数量的小时。另一个预算约束调度程序在[24]提出时间表大袋的任务在多个云不同的CPU性能和成本,同时尊重一个上界最小化完工时间预算支出。当供应商不能披露私人信息,比如他们的负载和计算能力,这通常是异构的,metascheduler需要盲目调度决策。在这种情况下deadline-constrained机器人应用程序调度方法提出了[25]。
海名,库恩Tao1, Xuejie张[26]提出了一个优化的调度算法实现优化或局部优化云调度。在这个算法的一种改进遗传算法(IGA)是用于自动化的调度策略。它是用来增加资源的利用率和速度。苏拉Pandey, LinlinWu Siddeswara Mayura大师拉库马Buyya[27]提出了一种基于粒子群优化(PSO)的启发式调度应用程序云资源,考虑计算成本和数据传输成本。用于工作流应用程序通过改变它的计算和通信开销。实验结果表明,算法可以实现节约成本和良好的负载分配到的资源。参考[28]调查延期使用云资源的有效性提高作业完成的可靠性。具体来说,计划最初是使用网格生成资源,云资源仅用于延期处理延迟完成工作。在他们的研究工作是指bag-of-tasks包含大量的应用程序独立任务;这种工作模式在很多科学和工程应用中很常见。 They have devised a novel rescheduling technique, called rescheduling using clouds for reliable completion and applied it to three well-known existing heuristics.
事实上,任务分配已经发现非完全多项式[29]。由于任务分配是np完全问题,遗传算法(GA)用于任务分配[30]。但是,遗传算法可能不是最好的方法。参考[31]说明了粒子群优化算法比遗传算法能够获得更好的时间表在网格计算。参考[32]表明,粒子群优化(PSO)算法的性能优于GA算法在分布式系统。PSO算法的解决方案不仅是质量比遗传算法在大多数的测试用例,但也比遗传算法PSO算法运行得更快。因此,我们使用一个名为粒子群优化的方法来优化任务调度问题。在本文中,我们专注于最小化总执行时间和传输时间。孟许、崔Lizhen海阳Wang Yanbing Bi[33]多个工作流和多个QoS。他们实施了多个工作流管理系统与多个策略的服务质量。 The access rate for scheduling is increased by using this strategy. This strategy minimizes the make span and cost of workflows. Topcuoglu et. al, [34] presented the HEFT algorithm. This algorithm finds the average execution time of each task and also the average communication time between the resources of two tasks. Then tasks in the workflow are ordered on a rank function. Then the task with higher rank value is given higher priority. In the resource selection phase tasks are scheduled in priorities and each task is assigned to the resource that complete the task at the earliest time.
萨利希,硕士及Buyya, r .[35]提出了一个面向市场的分层调度策略由两个服务水平的调度和tasklevel调度。服务水平与任务调度交易服务的任务和任务级调度处理任务的优化虚拟机分配在当地的云数据中心。Yu, J。,Buyya, R. and Tham, C.K. [36] proposed a cost based workflow scheduling algorithm minimizes the execution cost while meeting the deadline for delivering results.It can also adapt to the dealys of service executions by rescheduling unexecuted tasks. Sakellariou, R., Zhao, H., Tsiakkouri, E. and Dikaiakos, M.D [37] proposed a basic model for workflow applications that modelled as directed acyclic graph (DAGs) and that allow to schedule the nodes of DAG onto resources in a way that satisfies a budget constraint and is optimized for overall time.
伯克等[38]提出一个hyper-heuristic框架实现常用的图着色启发式加上一个随机顺序启发式。采用禁忌搜索作为高级搜索方法生产好低级的启发式的序列。禁忌搜索算法产生的每个启发式列表顺序评估使用单独的启发式订单计划外事件,从而构建一个完整的时间表。这项工作也强调了两个搜索空间的存在:启发式空间和空间问题的解决方案。测试的方法对课程和考试制定时间表基准实例与竞争的结果。后续论文[39]比较几个metaheuristics操作性能的启发式的搜索空间。迭代技术,如迭代局部搜索和可变附近被发现更有效的搜索遍历启发式搜索空间。研究还实现了杂交hyper-heuristic框架的解决方案空间与标准的本地搜索操作,这是提高整个系统的性能,使其竞争力和先进的方法研究基准实例。进一步研究[40]使用健身景观的概念来分析图形着色启发式的搜索空间。这些风景是发现高水平的中立(即,高原的存在)。
此外,虽然崎岖,全局凸或大山谷的鼓舞人心的特征结构,这表明一个最优解不会孤立但周围很多局部最小值。李等人[41]调查两种数据挖掘技术,人工神经网络和二进制逻辑回归寻找全球模式隐藏在大型数据集的启发式序列。训练有素的分类规则,最终解决方案的性能在hyper-heuristic搜索可以预测而不需要承担昂贵的解决方案的确定和计算目标函数的计算。在最初的研究[42],每个元素的人口是一个可变长度的字符串,其中每个字符代表一个启发式。产生可行的方法检查时间表与其他软约束的范围内搜索方法用于这个目的,和比以前hyper-heuristics的测试实例。这个想法是为了学习之间的关联问题状态和足够的启发式制定时间表。具体地说,系统会尝试发现一组标记点在空间问题的状态。
每个标签是指启发式,算法通过多次找到最近的标签指向当前的条件,应用它的标签,直到一个完整的解决方案。各种不同形式的问题状态描述和测量方法的适应性进行了研究。的方法是能够产生快速、简单的解决问题的算法,提供良好的性能在各种考试和类制定时间表问题。任等[43]利用分层杂交的四个低级图着色启发式生产甚至排序。结合困难指数计算通过考虑所有的推广和事件安排根据这个指数。竞争结果产生的方法研究了基准实例。数量的作者所做的工作领域的调度算法。表1给出了各种调度算法的比较研究,调度算法的本质,客观标准即已集中的参数优化和应用环境的调度算法。启发式算法是基于优先级的,主要问题为中心的。开发人员可以使用自己的经验将优先分配给工作流应用程序和云资源。

推理:
调度在云环境中是一项具有挑战性的任务,因为以下原因:
1。资源池是中央迎合所有的工作的需要。所以很难预测哪些资源可用时的实际执行工作。
2。很难应用访问控制执行工作流时执行,如果访问权限的工作动态变化。
3所示。很难处理的动态工作流应用程序工作流图的结构随时间变化。
4所示。很难减少开销,同时生成安排多个工作流,因为可以有许多用户争夺公共资源和决策必须在可能的最短的时间。
5。很难实现资源最大利用,同时调度工作流应用程序由于依赖关系,逐步降低和不同负载和资源需求在不同的水平。
6。工作流应用程序的调度决策变得复杂时,由多个分布式调度程序在混合云。
7所示。虚拟实例的物理机器上运行。当物理机器失败由于硬件故障或其他任何原因,整个工作流应用程序可能需要重启。很难一个工作流应用程序运行在一个虚拟机迁移到另一个虚拟机。
8。很难实现多目标标准由特定的工作流应用程序。不同的技术产生不同的结果在这种情况下,很难选择一个特定的调度技术推广类的应用程序。

结论
在本文中,我们调查了各种现有工作流调度算法和表调度算法的本质的基础上,类型的算法,客观标准和环境的工作流调度算法应用。从文献回顾,很明显,很多工作已经在工作流调度领域,但仍有很多领域需要进一步关注。摘要高性能hyperheuristic算法找到更好的调度云计算系统的解决方案。该算法使用两个检测运营商改变时自动确定低阶的启发式算法和扰动算子来调整解决方案获得的每个低级算法来进一步提高最大完工时间的调度结果。

表乍一看
表的图标
表1

引用











































全球技术峰会