基于任务迁移和需求控制云计算成组调度性能及代价评估.docVIP

基于任务迁移和需求控制云计算成组调度性能及代价评估 　　摘 要：对成组调度技术在云计算中的应用效果展开了研究，该效果体现在其性能和耗费代价的综合指标上。文章对该模式的研究是通过虚拟化以分析基于任务迁移和需求控制的成组调度性能和综合代价为手段，以基于Amazon弹性云计算架构（EC2）为实验背景进行效率评估实验以获取支撑数据。结果显示，该调度策略可以有效地部署于云环境，并且该云平台可以被真实的高性能计算环境或其它高性能领域所应用，具有较高的性能代价比。 　　关键词：云计算；成组调度；高性能计算；虚拟机 　　中图分类号：TP39 文献标识码：A 文章编号：2095-1302（2016）05-00-05 　　0 引 言 　　云计算指的是计算资源作为公共事业的一种模型，就像水和电力一样，用户可以按照其所需而获取计算资源。基础设施即服务（IaaS）和网格计算这样的既有模型不同，它对于提供给用户的软件或服务的类型没有任何限制。事实上，云提供了有效的应用基于已有的或定制的任何软件的能力。 　　云计算的重要性在于为小公司或组织在没有先前投资的情况下提供接入计算基础设施的机会。因此，所需要的资金投入总额可以被缩减为最小化的投入代价并减小了运行风险。 　　云计算可以被运用到高性能计算上这一结论已被证实。小的机构和个体科研组织现在可以接入大型计算资源，不仅可以通过带有限制的网格，还可以通过提供了虚拟无限资源为基础平台的云集群，这些集群在维护上只需要原有的部分代价，并且通过使用即付费的模式来运作。 　　任何分布式系统的核心都在于它的任务调度器，其作用在于向服务器或者虚拟机分配任务。通常，调度器的调度策略目标是达到更快的响应时间和更低的故障率，这是通过最小化冗余延迟来实现的[1]。 　　在我们的模型中，调度器必须以趋于最小时间花费的虚拟机目标策略来获得最佳的代价效率比。该建模系统实现了一个称为成组调度的并行任务调度的特殊实例，该实例中的任务必须同时执行及被调度，以满足其持续互相通信的要求。这就需要在任务和虚拟机之间建立一张点对点映射图[2]，并且要避免由来源于另一个非运行任务作为任务输入等待条件所可能带来的瓶颈问题及其引起的死锁。 　　在分布式和集群系统领域，近些年成组调度已经被广泛研究。Karatza在其文献中提到了对适应性先来先服务（AFCFS）以及最大优先级任务先服务（LJFS）的性能研究[3]。与此同时他还研究了成组调度在输入输出调度和处理器失败情况下的应用研究[4]。Papazachos和Karatza研究了该成组调度在两个不同集群系统中的应用情况。先前提到的公共应用成组调度都是设计于预先安排好服务器总数量及单机范围任务大小的静态系统。 　　使用虚拟计算机作为处理单元的网格模型系统的弹性被Nie和Xu等人研究[5]。其发表的研究聚焦于没有执行期限的非并行任务和目标与当维持最小化失败率时的最大化利用率。 　　云计算平台的调度策略在之前已经被研究。Assuncao等人对通过云完成的扩展私有集群进行了研究[6]。Sotomayor等人使用模糊虚拟机管理架构对在并行任务批量调度虚拟机利用率问题上进行了研究。在这些模式中，任务并不需要交互操作，并且可以被独立的调度执行[7]。 　　我们研究了在动态提供虚拟机的分布式云计算系统中应用成组调度策略的方法和效用。我们利用了两个任务调度算法即之前提到的AFCFS和LJFS，并且控制虚拟多样化工作和多重任务规模的范围。评估结果同时对性能和代价效率调度算法有效。然而，我们先前的工作没有考虑任务的迁移以提高响应时间和减小任务分离，同样没有考虑到高负荷工作的适应算法，应用可能引起很多等不到执行机会的任务。在该新研究中，我们的模型中整合了迁移机制和需求控制系统，并且比较了这些方法的有效性，这些方法有着较好的综合性能和代价效率。之前的研究并没有考虑到成组调度在基于云计算架构的复杂模型中的应用。 　　1 系统及工作模式 　　虚拟建模开发包括动态虚拟机集群及其虚拟机调度器（DVM）。当系统初始化时，无需进行虚拟机租约的确定，虚拟机数量可以动态增加和缩减。 　　在虚拟机调度器有能力进行分布式并行任务调度的情况下每一个虚拟机将实现其自己的等待队列。虚拟机调度器同样有一个任务队列，它们既不能按照虚拟机不均匀到达时间进行调度也不能按照系统负载来进行调度。出于简单的目的，虚拟机调度器本身并不包括在虚拟机总数中。同样，任务迁移和需求控制机制由虚拟机控制器进行管理。 　　虚拟机间通信可以认为是自由竞争关系，然而任何潜在的通信都包含了任务执行时间。所以，我们必须要考虑到当任务调度器队列存在任务调度延误的情况。 　　除此之外，虚拟机被考虑在包括相同EC2的实例类中，并且因此具有完全相同的特性。虽然虚拟机可能