一种构造自愿计算网络的新方法

虽然Peer-to-Peer结构的可扩展性已经成为普遍的共识，但如何简单、有效地构造具有良好特性的P2P计算网络仍然是一个开放问题。本文提出了一个自组织的Peer-to-Peer重叠计算网络的构造方法以及基于该网络的计算任务调度算法。仿真结果说明，本文构造的计算网络表现出明显的自组织特性，具有较好的可扩展性和自组织能力，能较好地为计算资源的调度提供支持。     

基于小世界理论的自组织计算网络有效调度算法

以小世界（Small-world）模型作为理论依据，阐述了基于P2P的自组织计算网络的构造和基于该网络的计算任务调度算法，对计算网络的若干特性（诸如高聚合性和低搜索路径）以及调度的效能进行了分析。该文构造的计算网络表现出明显的自组织特性，具有较好的可扩展性和自组织能力，能为计算资源的调度提供很好的支持。     

基于OPNET的局部网格任务调度平台设计

在充分考虑网格动态性和异构性的前提下,采用模块化设计方法,在OPNET环境下构建了一个局部网格任务调度仿真平台。在该平台上,比较了SF, LF, FCFS, EDF等网格任务调度算法。仿真实验结果表明调度算法运行良好,该网格仿真平台提供了一个通用的、模块化、可扩展的网格任务调度模拟环境,能够较好地满足网格任务调度要求。     

基于动态备份的容错网格任务调度*

提出了一种基于自适应备份的网格容错任务调度算法:最高百分之k备份算法.该算法对任务的安全需求和资源的信任等级进行匹配,在系统安全等级较低并且网络和主机可能失效的网格环境中进行容错任务调度.调度时,该算法根据整个网格系统的安全状况,对具有最高安全需求的百分之k的任务进行动态备份,任务备份数根据系统安全状况自适应变化,并对失败的任务重新调度.仿真结果表明,该算法可以有效提高不安全网格环境下的任务调度成功率,具有很好的容错性和可扩展性,优于固定备份数的网格任务调度算法.     

基于网络计算的心电仿真计算研究

为了充分利用计算机处理能力,缩短心电仿真计算在系统中的计算时间,通过对心电仿真计算问题进行分析,结合当前网络计算的广泛应用,提出了在异构环境中面向较短计算时间的并行任务调度方法.文中的心电仿真计算调度算法,采用网络计算平台进行心电仿真计算的并行实现.实验结果表明,该任务调度方法能够有效的缩短应用在系统中的运行时间,取得了很好的效果.     

分布式网格系统的任务调度算法DE Scheduling

目前研究的动态任务调度算法都基于集中式或部分分布式网格系统,系统中心节点(组)进行资源管理。该文提出一种面向无资源管理的完全分布式网格系统动态任务调度算法DE Scheduling。该算法使用任务冗余调度算法屏蔽解决系统的动态性问题,通过动态调节冗余量减少无效计算和保证系统负载均衡。使用给定平均连接度的无标度网络演化模型构造具有1 000个节点的Internet网络模型仿真任务处理过程。仿真结果表明,任务数为10 000~100 000时该系统冗余调度次数均为2次,冗余计算量占总计算量的比例不超过0.35%,且随着任务数增加而递减。     

自愿计算中重叠网络拓扑对面向结点能力的非集中式调度方法的影响分析

自愿计算在大规模计算模式中正在扮演着越来越重要的角色．目前的自愿计算环境大多是专用和集中控制的,因而存在着某些可用性和可扩展性的问题．最新的研究提出了基于对端重叠网络的自愿计算环境构造方式,通过在各参与结点间建立更灵活的连接形成对端重叠网络来实现计算资源更灵活、有效的共享．面向结点能力的调度方法是为适应这一变化而提出的自愿计算中的一种非集中式资源调度方法,具有简单易行的特点．这一方法的效果在很大程度上取决于底层的重叠网络拓扑结构．文中建立了相应的理论分析模型,计算了该调度方法在具有不同度均值和聚合系数的对端重叠网络中搜索步长和最终所定位结点能力水平的期望．模型计算通过迭代进行,将时间复杂度控制在O（n^3）．利用3种不同的拓扑生成算法所产生的不同特征的重叠拓扑结构进行了仿真验证．模型的理论计算结果与仿真结果吻合良好,表明在具有较小的聚合系数和较大结点度均值的重叠网络中,面向结点能力的资源调度方法具有更好的效果．     

独立任务调度的启发式算法

任务调度是一个NP-hard问题,而且是并行与分布式计算中一个必不可少的组成部分,特别是在网格计算环境下任务调度更加复杂。该文提出了满足负载均衡的一个启发式任务调度算法。给出了选择处理机和任务的方法,以提高算法的效率。实验表明该算法是一个高效率的调度算法,并且几乎总是找到了最优调度方案。     

基于融合进化计算的网格任务调度算法

在网格计算中，任务调度是一个重要的组成部分。针对网格环境异构、分布等特点，该文结合遗传算法与蚂蚁算法的优点，在双层进化结构基础上，提出了一种基于融合进化计算的网格任务调度算法。模拟实验结果表明：在网格环境下，调度算法具有明显的优势。     

树型网格计算环境下的独立任务调度

任务调度是实现高性能网格计算的一个基本问题,然而,设计和实现高效的调度算法是非常具有挑战性的.讨论了在网格资源计算能力和网络通信速度异构的树型计算网格环境下,独立任务的调度问题.与实现最小化任务总的执行时间不同(该问题已被证明是NP难题),为该任务调度问题建立了整数线性规划模型,并从该线性规划模型中得到最优任务分配方案??各计算节点最优任务分配数.然后,基于最优任务分配方案,构造了两种动态的需求驱动的任务分配启发式算法:OPCHATA(optimization-based priority-computation heuristic algorithm for task allocation)和OPBHATA(optimization-basedpriority-bandwidth heuristic algorithm for task allocation).实验结果表明:在异构的树型计算网格环境下实现大量独立任务调度时,该算法的性能明显优于其他算法.     

面向移动设备的温度感知的任务调度算法

由于志愿者分布式计算可以为计算量庞大的科研项目提供足够的计算能力,甚至比超级计算机的计算能力还要强大,因此,志愿者分布式计算技术受到了很多研究人员的关注,很多不同的志愿者分布式计算架构被广泛应用。以往的很多志愿者分布式计算架构通常考虑的志愿者主机是PC电脑,或者单纯地把移动设备当作PC电脑一样进行处理。由于移动设备的很多特性跟PC电脑存在着很大的差异,所以很多时候这些志愿者分布式计算架构并不能高效地处理同时拥有PC电脑和移动设备志愿者的志愿计算项目。针对志愿者分布式计算系统上两个主流的志愿者分布式计算任务调度方法——迭代计算的任务调度算法和先来先服务的调度算法FCFS在处理移动设备志愿者计算上存在着的不足,为了提高志愿者分布式计算平台的执行效率,提出了一个面向移动设备的温度感知的任务调度算法TATSA。实验结果表明,TATSA比主流的任务调度算法ISA和FCFS在移动设备志愿者计算时效率明显更高。     

边缘环境下计算密集型任务调度研究综述

随着移动设备数量的急剧增长及计算密集型应用如人脸识别、车联网以及虚拟现实等的广泛使用,为了实现满足用户QoS请求的任务和协同资源的最优匹配,使用合理的计算密集型应用的任务调度方案,从而解决边缘云中心时延长、成本高、负载不均衡和资源利用率低等问题。阐述了边缘计算环境下计算密集型应用的任务调度框架、执行过程、应用场景及性能指标。从时间和成本、能耗和资源利用率以及负载均衡和吞吐量为优化目标的边缘计算环境下计算密集型应用的任务调度策略进行了对比和分析,并归纳出目前这些策略的优缺点及适用场景。通过分析5G环境下基于SDN的边缘计算架构,提出了基于SDN环境下的边缘计算密集型数据包任务调度策略、基于深度强化学习的计算密集型应用的任务调度策略和5G IoV网络中多目标跨层任务调度策略。从容错调度、动态微服务调度、人群感知调度以及安全和隐私等几个方面总结和归纳了目前边缘计算环境中任务调度所面临的挑战。     

基于群智能的P2P计算网格负载均衡算法

对等网络(P2P)计算网格是采用非集中控制的动态网络环境，在P2P网络环境的各个对等节点间均匀分配任务是网格计算的重要研究内容。传统C/S模式的负载均衡算法无法适用于分布式且动态变化的P2P网络。文章提出了一种基于群智能和多代理技术的P2P网络负载均衡算法，设计并实现了基于蚁群优化算法的分布式作业调度策略。仿真结果表明该算法是合理而有效的。     

面向云计算的任务调度算法综述

介绍了云计算,对任务调度在云计算中的地位做了分析,并由任务调度出发,对云计算任务调度算法的研究现状进行分类、梳理和总结.根据调度目标的不同,将算法分为单目标优化的任务调度算法和多目标的任务调度算法,对每类方法的代表性算法进行了分析介绍,并详细总结了每类方法的基本思想,对其优缺点做了分析、对比,并对改进方式进行了归纳.     

基于改进GEP和资源改变量的局部云任务调度算法

针对云计算中一些现有的基于批量调度模式和进化算法的动态云任务调度算法计算量较大,计算时间成本较高的现象,提出了一种基于改进基因表达式编程(GEP)和资源改变量的局部云任务调度算法.首先结合云任务调度的特点对普通GEP算法做出了相应的改进,然后采用加权求和的方式构造了一个基于综合利用率和能耗的适应度函数,最后依据物理机综合利用率的差异给出了基于改进GEP和资源改变量的局部云任务调度算法.基于资源改变量的局部云任务调度算法,通过对任务运行情况和物理资源使用情况进行监控,合理设定阈值,以减少参与调度物理机的个数,从而降低任务调度算法的时间成本.基于RH(rolling horizon)模型,通过实验将所提出的算法与普通遗传算法、全局GEP算法进行了比较,可知该算法不仅可以降低寻优时间,不易陷入局部最优解,且具有较快的收敛速度.     

基于Spark框架的乘潮水位计算与可视化平台

乘潮水位计算是海洋环境信息处理的重要组成部分,具有计算量大、计算复杂度高、计算时间长等特性。采用传统集群计算模式实现乘潮水位计算业务,存在计算成本高、计算伸缩性和交互性差的问题。针对以上问题,提出一种基于Spark框架的乘潮水位计算和可视化平台。结合对Spark任务调度算法的研究,设计和实现了一种基于节点计算能力的任务调度算法,实现了长时间序列的多任务乘潮水位数据的检索、获取、数值计算、特征可视化的并行处理,达到了海量海洋环境数据计算和可视化处理的目的。实验结果表明,提出的基于Spark的乘潮水位计算和可视化平台可以有效地提高海量乘潮水位数据的分布式并行处理的效率,为更加快速和高效的乘潮水位计算提供了一种新的方法。     

Load‐balanced and locality‐aware scheduling for data‐intensive workloads at extreme scales

Data‐driven programming models such as many‐task computing (MTC) have been prevalent for running data‐intensive scientific applications. MTC applies over‐decomposition to enable distributed scheduling. To achieve extreme scalability, MTC proposes a fully distributed task scheduling architecture that employs as many schedulers as the compute nodes to make scheduling decisions. Achieving distributed load balancing and best exploiting data locality are two important goals for the best performance of distributed scheduling of data‐intensive applications. Our previous research proposed a data‐aware work‐stealing technique to optimize both load balancing and data locality by using both dedicated and shared task ready queues in each scheduler. Tasks were organized in queues based on the input data size and location. Distributed key‐value store was applied to manage task metadata. We implemented the technique in MATRIX, a distributed MTC task execution framework. In this work, we devise an analytical suboptimal upper bound of the proposed technique, compare MATRIX with other scheduling systems, and explore the scalability of the technique at extreme scales. Results show that the technique is not only scalable but can achieve performance within 15% of the suboptimal solution. Copyright © 2015 John Wiley & Sons, Ltd.