一种基于效益-代价均衡的磁带库调度算法

诸如数字图书馆等规模在10¹²字节以上的大型数据库需要在线存取大容量磁带库中的海量数据.由于这些需求都是对海量数据的随机存取,而磁带库的随机存取性能很差,所以,研究有效的磁带库随机I/O调度策略和算法是改善磁带库系统性能的重要课题.提出并研究了一种基于效益-代价均衡的调度算法,给出一种有效的效益-代价加权比的估算方法.该算法根据系统的工作负载特点,动态调节调度的效益和代价的加权比,从而改善了磁带库系统在各种负载下的系统性能.研究解决了已有磁带库调度算法的对工作负载敏感的问题,极大改善了调度算法在重负载下的有效性.     

用于包交换网络的概率加权公平队列调度算法

文中提出了一种新的加权公平队列调度算法 (P-WFQ). 该算法使用相对权重作为一次轮询中的服务概率来实现加权公平调度, 解决了传统的加权公平队列调度算法(WFQ、WRR)普遍存在的基于每个数据包的权重计算的问题, 从而大大降低了算法的复杂度. 另外使用了自适应队列管理技术, 有效提高了交换机的缓冲区利用率, 并可以在有少量丢包的代价下减小队列的排队延迟抖动. 仿真结果证明了算法的有效性和实用性.     

基于信任机制与遗传算法的渲染网格作业调度研究

信任关系是网格作业调度中一个很重要的因素,也是影响网格计算有效性和性能的关键技术之一。将信任机制引入到渲染网格作业调度中,建立渲染网格环境中基于信任机制的作业调度模型,在调度策略上对基本遗传算法进行了改进,提出了基于信任机制的遗传算法。实验结果表明,该算法可以提高任务完成率和平均信任效益,是适用于渲染网格的一种有效作业调度方法。     

基于优先级的抢占式并行调度算法设计与分析

并行作业调度系统负责对高性能计算系统中作业队列的管理。其核心功能是在每次调度发生时，选择下一个被执行的作业。最简单的调度算法是先来先服务（FCFS）。但这种方法的缺点是资源利用率很低。解决这个问题，目前常用的算法有EASY Backfilling。但EASY算法也存在两个缺陷：要求用户估计作业运行时间和偏爱小作业。针对这两个问题，本文设计了一种新的调度方法：基于优先级的抢占式并行调度（Priority-based Preemptive Scheduling），并实现了两种算法的模拟系统，从性能和公平性两个角度对PPS算法和EASY算法进行了比较分析，表明了PPS算法的有效性。     

一种基于引力搜索机制的云工作流调度算法

为了同步优化云环境中工作流调度长度和代价,提出一种基于引力搜索算法的工作流任务调度算法。算法以异构最早完成时间机制生成引力搜索的部分初始代理,并结合随机生成方式,得到初始种群;利用引力搜索的进化机制,通过代理适应度的评估,得到最终在调度时间和调度代价上综合性能最优的任务映射方案。利用一个算例对算法的有效性进行了论证与评估,并以四种实际科学工作流模型对算法进行了大规模仿真实验。结果表明,该算法不仅可以得到最小的调度代价,且调度时间在所有算法中也是较小的,其综合性能是最优的。     

DBC性价比资源调度算法

传统的DBC（Deadline and Budget Constrained）调度算法,比如时间最优调度算法、代价最优调度算法都是在时间（deadline）和代价（budget）的约束下,满足时间或代价单方面的QoS需求的极端情况。针对这一不足,提出了一种基于DBC的性价比资源调度算法,综合考虑了时间和代价的QoS需求,目的在于提高任务的完成量以及任务完成的性价比,并通过推理论证和仿真实验验证了该算法的有效性和优越性。     

同构环境中基于通信竞争的任务调度算法

基于DAG的静态任务调度算法已有深入的研究及应用.目前的调度算法大多假定处理器之间可以并行接收数据,而没有考虑实际应用中通信链路的竞争及延迟,进而导致调度算法在具体应用中效率较低.侧重研究同构计算环境下具有依赖关系任务的边调度问题,结合传统任务调度问题中的有效策略,提出基于优化插入的调度算法(OISA).OISA根据实际问题的具体特征,采用改进的路由算法选择负载较少的数据链路,并通过形式化的证明以优化通信数据在链路的开始传输时间,以达到降低调度长度的目的.通过试验测试表明,OISA在性能上明显优于目前已有的相关算法.     

信任驱动的资源调度算法

针对当前网格资源管理中任务与资源匹配的缺陷,基于信任效益函数和最小完成时间,提出了基于信任的Trust Mintime Min-Min算法.分析了传统的Min-Min算法,考虑Min-Min算法负载不平衡,对其在调度策略方面进行了改进.仿真实验表明,该算法不但可以有效地平衡负载,而且可以提高任务的完成率,兼顾计算的有效性和可靠性.     

多处理器系统动态调度负载均衡节约算法

将任务集与处理器处理能力之间的匹配关系作为研究调度算法性能的重要因素,建立了相应的任务-处理器模型,以描述多处理器系统的负载状况.描述了多处理器系统任务可调度的必要条件,设计实现了任务集的生成方法.对节约算法进行改进,提出了负载均衡的节约算法.所提出的算法可在保证调度成功率的前提下,缩短任务的平均响应时间和调度长度,并均衡地提高处理器的利用率.     

基于多网关的无线Mesh网络负载均衡调度算法

网关节点的效率决定了无线Mesh网络(WMN)的传输性能,如何有效地解决WMN网关负载均衡问题是非常重要的.在已有的WMN负载均衡算法基础上,提出一种新的基于多网关协作机制的WMN负载均衡调度算法.该算法以源节点到网关节点的跳数信息和网络负载信息相结合作为网关的选择和切换标准,通过多个网关的协作机制,结合高效的网关选取和调度算法实时地对网关业务进行分流;通过一种快速平滑的网关切换方式对其进行调度,从而有效地缓解拥塞网关节点的负载压力,提高WMN的Internet接入性能.性能分析结果表明:该算法可在多个网关间直接实现负载均衡,减少了网络拥塞,提高了网络性能.     

一种自适应负载的I/O调度算法

I/O调度算法对磁盘阵列(RAID)性能具有至关重要的影响。虽然已有很多典型的I/O调度算法在一定负载情况下可获得较好的性能,但很难有哪一种算法在各种负载情况下均能获得很好的性能。本文提出了一种智能RAID控制模型,结合C4.5决策树和AdaBoost算法实现负载自动分类,根据负载变化和性能反馈情况动态调整I/O调度策略,实现面向应用需求的自治调度。模拟实验结果表明,自适应调度算法具有较好的适应性,在各种负载情况下优于现有的I/O调度算法,尤其适用于多线程混合负载环境的I/O性能优化。     

An Energy-Aware Heuristic Scheduling for Data-Intensive Workflows in Virtualized Datacenters

With the development of cloud computing, more and more data-intensive workflows have been deployed on virtualized datacenters. As a result, the energy spent on massive data accessing grows rapidly. In this paper, an energy-aware scheduling algorithm is proposed, which introduces a novel heuristic called Minimal Data-Accessing Energy Path for scheduling data-intensive workflows aiming to reduce the energy consumption of intensive data accessing. Extensive experiments based on both synthetical and real workloads are conducted to investigate the effectiveness and performance of the proposed scheduling approach. The experimental results show that the proposed heuristic scheduling can significantly reduce the energy consumption of storing/retrieving intermediate data generated during the execution of data-intensive workflow. In addition, it exhibits better robustness than existing algorithms when cloud systems are in presence of I/O- intensive workloads.     

Simulation of power consumption of cloud data centers

Energy efficiency of cloud data centers received significant attention recently as data centers often consume significant resources in operation. Most of the existing energy-saving algorithms focus on resource consolidation for energy efficiency. This paper proposes a simulation-driven methodology with the accurate energy model to verify its performance, and introduces a new resource scheduling algorithm Best-Fit-Decreasing-Power (BFDP) to improve the energy efficiency without degrading the QoS of the system. Both the model and the resource algorithm have been extensively simulated and validated, and results showed that they are effective. In fact, the proposed model and algorithm outperforms the existing resource scheduling algorithms especially under light workloads.     

动态抢占阈值调度中的快速任务选择算法

基于动态抢占阈值的实时调度算法集非抢占调度和纯抢占调度的特点,既减少了由于过多的随意抢占造成的CPU资源浪费,又保证了较高的CPU资源利用率。然而,现有的任务选择算法运行时的额外代价严重影响了系统的整体性能。针对这个问题,本文提出一种使用“选择树”作为任务队列结构的、时间复杂度为O（｜log2n｜）的快速任务选择算法。本文从理论上证明该算法正确性的同时,在使用ARM9芯片的Nokia智能手机上验证了该算法在嵌入式实时系统中的有效性。实验表明,该算法在充分利用处理器的同时能够有效降低动态阈值调度算法的额外代价。     

嵌入式并行系统中基于任务优化的调度算法

在嵌入式并行计算系统中,任务调度是决定系统性能的关键。多任务调度中,启发式调度法是一种设计简单且性能良好的调度方法。目前的调度算法大多是基于任务复制的,没有充分考虑前驱任务与其后继任务间的相关性。该文提出了一种基于相关任务优化(DTO)的调度算法,通过分析已用处理机的负载和空闲时间,尽量减少系统的调度长度和处理机数目。算法分析结果表明,DTO算法在性能上优于其他算法,对嵌入式并行计算系统中的多任务调度是一个较好的选择。     

MIMO下行链路中的多用户调度与功率分配

分析了MIMO下行链路中的多用户调度和功率分配方法,讨论了各种功率分配方法的多用户调度性能,并通过仿真实验对性能进行了比较。实验结果表明,在低信噪比条件下,二维注水功率分配的性能最佳,而在高信噪比条件下,各种功率分配方法的性能差别很小。     

并行任务图的优化调度算法

科学与工程计算中的很多复杂应用问题需要使用科学工作流技术,超算领域中的科学工作流常以并行任务图建模,并行任务图的有效调度对应用的高效执行有重要意义。给出了资源限制条件下并行任务图的调度模型;针对Fork-Join类并行任务图给出了若干最优化调度结论;针对一般并行任务图提出了一种新的调度算法,该算法考虑了数据通信开销对资源分配和调度性能的影响,并对已有的CPA算法在特定情况下进行了改进。通过实验与常用的CPR和CPA算法做比较,验证了提出的新算法能够获得很好的调度效果。本文提出的调度算法和得到的最优调度结论对工作流应用系统的高性能调度功能开发具有借鉴意义。     

一种面向混合实时事务调度的并发控制协议

首先给出了一个两层结构的混合实时数据库系统模型,其中支持采用非定期任务调度算法来改进系统的性能．进一步,针对这种模型下混合事务的数据一致性问题,提出了一种新的并发控制协议——MCC-DATI．该协议采用动态优先级驱动的调度算法,通过限制非定期的软实时事务对硬实时事务的阻塞时间,保证硬实时事务的可调度性;同时,采用非定期任务调度算法以及基于时间戳间隔的动态串行化顺序调整机制来减少软实时事务的截止期错失率．仿真实验表明,相对于先前的混合事务的并发控制协议,该协议在不同的系统负载与截止期约束下都能够改进系统的性能。     

A non-preemptive scheduling algorithm for soft real-time systems

Real-time systems are often designed using preemptive scheduling and worst-case execution time estimates to guarantee the execution of high priority tasks. There is, however, an interest in exploring non-preemptive scheduling models for real-time systems, particularly for soft real-time multimedia applications. In this paper, we propose a new algorithm that uses multiple scheduling strategies for efficient non-preemptive scheduling of tasks. Our goal is to improve the success ratio of the well-known Earliest Deadline First (EDF) approach when the load on the system is very high and to improve the overall performance in both underloaded and overloaded conditions. Our approach, known as group-EDF (gEDF) is based on dynamic grouping of tasks with deadlines that are very close to each other, and using Shortest Job First (SJF) technique to schedule tasks within the group. We will present results comparing gEDF with other real-time algorithms including, EDF, Best-effort, and Guarantee, by using randomly generated tasks with varying execution times, release times, deadlines and tolerance to missing deadlines, under varying workloads. We believe that grouping tasks dynamically with similar deadlines and utilizing a secondary criteria, such as minimizing the total execution time (or other metrics such as power or resource availability) for scheduling tasks within a group, can lead to new and more efficient real-time scheduling algorithms.