基于Kriging代理模型的动态云任务调度方法

计算机工程与应用 ›› 2015, Vol. 51 ›› Issue (16): 30-35.

基于Kriging代理模型的动态云任务调度方法

李召军1，2，李征2，王希诚2，李克秋1

1.大连理工大学计算机科学与技术学院，辽宁大连 116023
2.大连理工大学工业装备结构分析国家重点实验室，辽宁大连 116023

出版日期:2015-08-15 发布日期:2015-08-14

Dynamic cloud task scheduling method based on Kriging surrogate model

LI Zhaojun1，2, LI Zheng2, WANG Xicheng2, LI Keqiu1

1.School of Computer Science and Technology, Dalian University of Technology, Dalian, Liaoning 116023, China
2.State Key Laboratory of Structural Analysis for Industrial Equipment, Dalian University of Technology, Dalian, Liaoning 116023, China

Online:2015-08-15 Published:2015-08-14

摘要/Abstract

摘要： 任务调度在云计算环境中发挥着重要作用。提出一种基于Kriging代理模型的动态云任务调度方法。通过对云任务在不同资源组合下的性能表现进行Kriging代理模型建模并优化，从而得到对应于该云任务的最优资源分配方案；利用云平台的API，可动态对该云任务实施资源调度。基于OpenStack开源云平台，对两个工程计算应用进行了任务调度性能测试，结果表明该方法可有效动态调整云任务中的资源配给，按需按优对平台中的云任务进行资源调度。

关键词: 任务调度, 云计算, Kriging, OpenStack

Abstract: The task scheduling method plays an important role in the various cloud computing environments. A Kriging surrogate model based dynamic task scheduling method in cloud computing is proposed in this paper：with the help of Kriging surrogate model established on the specific resource allocations and the performances accordingly belonging to the cloud tasks, the optimal resource scheduling strategy could be obtained；resources for the cloud tasks will then be reconfigured using the cloud APIs. An OpenStack open source cloud platform with two engineering computing applications is set up for method testing, with the results demonstrating that the proposed method can effectively manage the resource configurations for the cloud tasks dynamically, and the tasks will be scheduled according to their optimal needed resources at the same time.

Key words: task scheduling, cloud computing, Kriging, OpenStack

李召军1，2，李征2，王希诚2，李克秋1. 基于Kriging代理模型的动态云任务调度方法[J]. 计算机工程与应用, 2015, 51(16): 30-35.

LI Zhaojun1，2, LI Zheng2, WANG Xicheng2, LI Keqiu1. Dynamic cloud task scheduling method based on Kriging surrogate model[J]. Computer Engineering and Applications, 2015, 51(16): 30-35.

[1]	王凤琴，柯亨进. 卷积神经网络及其分析在抑郁症判别中的应用[J]. 计算机工程与应用, 2021, 57(5): 245-250.
[2]	张驰，王宇新，冯振，郭禾. 双层虚拟化云架构下任务调度能耗优化算法[J]. 计算机工程与应用, 2021, 57(3): 103-111.
[3]	翁晓泳. 基于区块链的云计算数据共享系统研究[J]. 计算机工程与应用, 2021, 57(3): 120-124.
[4]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[5]	田倬璟，黄震春，张益农. 云计算环境任务调度方法研究综述[J]. 计算机工程与应用, 2021, 57(2): 1-11.
[6]	胡恒，金凤林，郎思琪. 移动边缘计算环境中的计算卸载技术研究综述[J]. 计算机工程与应用, 2021, 57(14): 60-74.
[7]	余波，台宪青，马治杰. 云计算环境下基于属性和信任的RBAC模型研究[J]. 计算机工程与应用, 2020, 56(9): 84-92.
[8]	仝乐，郝蓉，于佳. 单服务器上的双线性配对安全外包方案[J]. 计算机工程与应用, 2020, 56(9): 131-135.
[9]	姜娇，蔡林沁，韦鹏程，李莉. 支持可验证的密文模糊关键字检索方案[J]. 计算机工程与应用, 2020, 56(7): 74-80.
[10]	王杰，陈志刚，刘加玲，程宏兵. 基于聚类的云隐私行为挖掘技术[J]. 计算机工程与应用, 2020, 56(5): 80-84.
[11]	李建勋，唐子豪，张永进，王小江. 基于Kriging方法和Pettitt检验的数据冲突判别[J]. 计算机工程与应用, 2020, 56(3): 86-93.
[12]	向敏，戴柯宇，周恩，刘榆，雷儒杰. 面向物联网终端的任务相关性调度策略[J]. 计算机工程与应用, 2020, 56(23): 95-102.
[13]	于巧玉，吴耀华，王艳艳. 跨层穿梭车双提升机系统料箱拣选任务调度[J]. 计算机工程与应用, 2020, 56(20): 270-278.
[14]	柯昌博，吴嘉余，曹彦. 面向云计算应用层演化的隐私保护方法研究[J]. 计算机工程与应用, 2020, 56(11): 60-66.
[15]	陈享，何亨，李鹏，金瑜，聂雷. 云环境中基于目标检测的密文图像检索方案[J]. 计算机工程与应用, 2020, 56(11): 75-82.