考虑服务质量的云计算任务调度文献综述

1. 文献综述（或调研报告）：
2. 【混合云环境下多目标优化的云资源调度研究_李建丽】

云计算是一种新型的商业计算模型和服务模式,它将计算、存储、内容传输、网络和应用从用户终端集中到'云端',用户只要按需付费,便可以获取'云端'资源。就目前的云运营方式来看,云的分类大致分为私有云、公有云和混合云。私有云为企业或者组织内部使用,它可以有效地控制数据的安全性,保证服务质量。公有云是以第三方提供商的方式为用户提供服务的云计算平台,拥有大规模的计算机资源。随着大数据时代的到来以及云计算的飞速发展,新兴的混合云模式具有广泛的实用价值。混合云融合了私有云和公有云的特性,不仅利用了私有云的安全可靠性、服务质量高、易于管理的特点,同时还利用了公有云的弹性可扩展性、资源规模大、按量付费等优势,突破了私有资源的硬件限制,更灵活更高效地完成大规模的峰值作业的调度。但是,混合云环境包含着大量的异构节点,不同规模的计算机集群存在明显的差异性,而且其用户数量级非常大,用户提交的任务也越来越多样化,使得在混合云环境下,满足用户多目标需求的资源调度变成一个需要大规模优化、非常复杂的问题。因此,结合用户的多目标需求,如何高效地将任务映射到合适的计算节点上,是本文研究的重点。论文针对混合云环境资源调度面临的难题,将其抽象表示为大规模异构资源上多目标优化的调度问题。首先提出了二次聚类的方法对混合云资源进行分簇,实现了资源预处理,解决了混合云环境资源的异构性问题;在此基础上,构建了资源与任务的关联模型以及多目标资源调度模型,实现了对多目标任务调度算法的求解与优化;最后,在CloudSim仿真平台建立了混合云场景,模拟了任务的多目标需求,实现了本文提出的多目标优化的资源调度算法,并通过对比实验说明了算法的优越性。本文旨在为混合云环境下资源调度提供一种可行的解决方案。

2.【基于云计算的任务调度问题的研究_颜丽燕】

云服务作为一种典型的商业服务付费模式,它通过虚拟化技术将资源进行整合,以网络输出的形式向用户提供高可用性和安全性的服务。云环境下不同用户提交的任务要求复杂多样,执行任务的云资源性能指标也不相同,因此设计一个合理高效的资源分配策略以缩短任务执行时间、减少系统及用户开销、实现整个云计算系统的负载均衡,已成为云计算研究中的一个热点问题。基于此背景,本文针对当前云环境下任务-资源调度策略中较少的考虑了用户QoS(Quality of Service,Qo S)需求及分配效率较低等问题进行研究。主要工作包括以下几个方面:1)针对人工蜂群算法(Artificial bee colony algorithm,ABC)易陷入局部最优的缺点,论文研究了一种改进的人工蜂群算法(Improved Artificial bee colony algorithm,IABC)。对原算法进行了三方面的优化改进。A)优化概率选择模型,引入最大、最小适应度值避免因为不断向最优解贪婪收敛造成种群范围多样性的缩小;B)优化蜜蜂角色转换模型,通过计算收益比和跟随比调整蜜蜂角色,避免因蜜蜂数量分配的不科学造成寻优效率的降低;C)优化解空间的搜索策略模型,通过当前最优解、全局最优解和学习因子这三个参数来加强蜂群在引领峰阶段和跟随蜂阶段的搜索效率。最后将算法用于求解5个经典函数的优化问题,通过与标准ABC等三种算法进行实验对比,结果表明改进后的人工蜂算法(IABC)具有更好的收敛速度和寻优能力。2)针对以往调度算法以实现任务完成时间最小化为单一目标而忽略云环境中用户的Qo S需求的问题,论文研究了一种基于改进人工蜂群算法的多维QoS云计算任务调度算法。首先从满足用户的多维Qo S需求出发,建立云任务模型和资源Qo S模型,根据任务的不同偏好对虚拟机的综合性能进行评价,然后为提高资源的分配效率,将改进后的人工蜂群算法IABC应用到云环境下的任务调度中,利用IABC算法选择性能较高或更满足用户需求的虚拟机分配给任务。最后将该算法在CloudSim平台进行实验仿真,通过DAG生成器随机生成仿真实验的任务实例,并与异构最早完成时间(HEFT)等四种算法进行对比实验,结果表明该算法能够在实现高效率任务资源分配的同时满足用户的Qo S需求。3)针对目前调度算法忽略了对云环境下用户任务的多属性特征研究的这一问题,论文研究了一种基于模糊任务聚类的改进人工蜂群云计算任务调度算法。首先,通过模糊C均值聚类(Fuzzy C-Means,FCM)算法对任务进行聚类,将任务聚成计算型任务、带宽型任务和存储型任务。然后,对虚拟机资源进行综合性能评价,利用IABC算法将综合性能较高或更适合该任务类型的虚拟机资源分配给任务。最后进行仿真实验,对CloudSim平台进行扩展,随机生成仿真实验所需的任务实例,通过与Min-Min等三种算法进行对比实验,结果表明该算法能够实现高效率的任务资源调度且能实现较高的资源利用率。

1. 方案（设计方案、或研究方案、研制方案）论证：

本课题的几个具体任务包括：

• 研究学习云计算技术的现状
• 研究学习云计算任务（资源）调度的现状和实现方式
• 学习混合云调度的必要性和新特性
• 对混合云资源进行预处理
• 研究多目标资源调度算法并建立模型
• 通过CloudSim扩展与仿真，验证算法的优劣性

资源调度算法的提出，最初只是针对简单的单目标问题的求解，但随着云计算技术的飞速发展，用户提交的任务请求越来越复杂，更多的是多个复合型QoS目标问题的组合，如任务的完成时间、执行费用、系统的安全性和可靠性、云主机的计算性能、网络带宽、内存等等，不同的用户其需求差异性也很大。同时，云计算环境存在着大量的异构节点，针对异常复杂的云计算环境，不同计算节点的性能参数如CPU、内存、带宽等不尽相同。而且任务需求与计算资源之间的映射存在多种可能，这意味着调度是一个多目标决策问题，如何更好地控制用户对资源的占用，提供给用户高性价比的服务质量，让用户有充分的选择权与控制权，避免相互影响，更好地保障服务质量，理论上没有最优解，一般需要设计为启发式算法。

传统解决多目标的方法有加权法、约束法、线性规划法等，另外国内外很多学者对智能优化算法进行了深入的研究，提出了针对多目标优化的创新算法，包括基于进化算法的多目标优化、基于粒子群算法的多目标优化、基于蚁群算法的多目标优化等方法。此外，综合考虑多个目标同时满足对任务调度的影响，如基于QoS等级划分的任务调度策略；基于用户偏好的QoS约束任务调度，Ruben Van等提出了在混合云环境下一种基于关键因素的二进制调度方法，Wang等提出了在混合云环境下，满足用户QoS需求的自适应调度算法（AsQ），减少任务执行时间和费用，同时也提高了用户的满意度。

但是这些算法考虑的都是整体服务资源，当任务量大，资源数多的时候，选择资源的时间开销很大。尤其在混合云环境下，存在着大量的异构吉节点，资源预处理就显得非常有必要。目前，一些研究是在多目标优化之前，首先对云资源进行预处理，结合资源异构特性，将资源合理划分，缩小任务的搜索空间。在此基础上，结合用户的多目标需求，高效地在异构资源环境下找出满足用户多QoS需求的资源调度方法。如基于聚类的划分方法实现的资源预处理，进一步提高了资源与任务的匹配效率与调度性能。

1. 参考文献
2. Fard H M, Prodan R, Fahringer T. A truthful dynamic workflow scheduling mechanism for commercial multi-cloud environments[J]. IEEE Transactions on Parallel amp; Distributed Systems, 2013, 24(6):1203-1212.
3. Diallo L, Hashim A H A, Olanrewaju R F. An enhanced architecture for big data task scheduling in cloud environments[J]. Journal of Computational and Theoretical Nanoscience, 2016, 22(10):2963-2967.
4. Arunarani A, Manjula D, Sugumaran V. Task scheduling techniques in cloud computing: A literature survey[J]. Future Generation Computer Systems, 2019, 91:407-415.
5. 颜丽燕, 张桂珠.基于蜂群算法的多维QoS云计算任务调度[J].计算机工程与科学, 2016, 38(04): 648-655.
6. 赵念强，鞠时光. 网格计算及网格体系结构研究综述[J]. 计算机工程与设计，2006, 27(5): 728-732.
7. 姚光顺. 面向工作流任务的云计算资源多目标与容错调度研究[D]. 东华大学, 2016.
8. 李智勇, 陈少淼, 杨波, et al. 异构云环境多目标Memetic优化任务调度方法[J]. 计算机学报, 2016, 39(2).
9. 周景才, 张沪寅, 查文亮, et al. 云计算环境下基于用户行为特征的资源分配策略[J]. 计算机研究与发展, 2014, 51(5):1108-1119.
10. 张巧龙. 云计算环境下任务调度问题的研究[D]. 江南大学, 2015
11. 王贝. 云计算环境下任务调度优化算法的研究[D]. 2017.
12. 王玲. 云计算下任务调度算法的研究与实现[D]. 电子科技大学, 2016
13. 方义秋, 郑剑, 葛君伟. 一种云环境下基于QoS约束的资源分配策略[J]. 计算机应用与软件, 2015, 32(1):34-38.
14. 赵春燕. 云环境下作业调度算法研究与实现[D]. 北京交通大学, 2009.

[14] 孙娟. 基于服务质量的任务调度算法设计与实现[D]. 2015.