CN104731662B - 一种可变并行作业的资源分配方法 - Google Patents
一种可变并行作业的资源分配方法 Download PDFInfo
- Publication number
- CN104731662B CN104731662B CN201510136202.3A CN201510136202A CN104731662B CN 104731662 B CN104731662 B CN 104731662B CN 201510136202 A CN201510136202 A CN 201510136202A CN 104731662 B CN104731662 B CN 104731662B
- Authority
- CN
- China
- Prior art keywords
- job
- processor
- processors
- value
- allocated
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Multi Processors (AREA)
Abstract
本发明公开了一种可变并行作业的资源分配方法，属于高性能计算技术领域。本发明包括：步骤1，集群管理者根据集群负载状况设置参数а和threshold；步骤2，将队列里每一个作业的处理器数初始化为1；步骤3，查看待分配处理器是否分配完，如果分配完则结束；步骤4，根据Downey模型以及知识库的参数，计算每个作业的单个处理器时间收益RP，并找出RP最大的作业；步骤5，判断RP最大的作业是否达到处理器分配阈值，如果是则将该作业从待分配处理器的队列中去除，转至步骤3，否则将一个处理器分配给该作业，转至步骤3。本发明不需要用户提供详细的作业信息，减少了用户的负担，并且减少了作业的平均周转时间，大大的提高了***性能。
Description
技术领域
本发明属于高性能计算技术领域，更具体地，涉及一种可变并行作业的资源分配方法。
背景技术
作业调度在高性能计算中心一直是一个重要的研究课题。调度算法的好坏直接影响着整个集群的***性能以及用户体验。在以往的高性能计算中心，用户往往需要为提交的作业指定一定的资源，并且该资源一经提交到***就不可更改。这种由用户唯一指定一组资源数的作业叫做严格作业(rigid job)。在严格作业调度算法中最经典也最被广泛应用的就是先到先服务(FCFS)调度算法。在FCFS调度算法中，调度器根据用户指定的作业所需资源数，通过排队先后顺序对作业进行调度。该算法实现简单，并因为根据作业提交的顺序调度作业，也保证了作业一定的公平性。然而，FCFS调度算法被证明会使***产生大量空闲资源。在FCFS调度算法中，如果队头的作业所需资源数大于***当前能够提供的资源数，则该作业就会一直等待直到有足够的资源供其运行，而***当前的空余资源也不能给其他作业使用，使得空余的资源无法得到合理的利用。
为了解决FCFS调度算法性能低下的缺点，研究者们提出了短作业优先(shortestjob first)调度策略。短作业优先调度策略每次都选择运行时间最短的作业调度，有效的减少了空闲资源的产生，然而短作业优先调度策略会推迟大作业的开始运行时间，极端情况下还会出现大作业饿死的现象。另外一种解决FCFS调度算法性能问题的调度算法是回填(backfilling)调度算法。回填调度算法在保证调度公平性的前提下，能够提升***性能。其中最出名的算法就是保守回填(conservative backfilling)调度算法和激进回填(aggressive backfilling)调度算法。在保守回填调度算法中，队列中的每一个作业都要被指定一个开始时间，当***有空闲资源的时候，后面的作业在不会影响其之前的所有作业的开始时间的情况下，该作业才可以被回填到前面的空闲资源中去，也即利用该空闲资源。而激进调度算法仅为队头作业指定一个开始时间，当有空余资源可用时，在后面的低优先级作业不会推迟队头作业开始运行时间的前提下，可以跳到队头作业前面运行。
然而回填调度算法的初衷是减少FCFS调度算法所产生的空闲资源，并不能完全消去空闲资源。且回填调度算法的性能很大程度上取决于作业运行时间的预测准确性。对作业运行时间的低估预测可能会使回填作业没有在规定时间内运行完而被杀死；对作业运行时间的高估又使得本该被回填的作业失去了回填的机会。这两种情况都致使***的性能得到下降。
可变并行作业(moldable job)不同于严格作业，可变并行作业调度允许用户或者***指定多组处理器数给作业，在作业运行之前可以根据一定的算法确定该作业的处理器数。由于其在选择处理器数上有更自由的空间，可以根据当前的***负载或者其他一些***信息对作业处理器数进行选取，从而能够缩短作业的等待时间或者运行时间，达到更好的调度效果。也就是说，可变并行作业的调度除了要和严格作业调度一样确定调度算法之外，还要拥有一个资源分配算法。
然而，在可变并行作业调度中，如何合理的为每个作业分配资源是一个很大的挑战。资源分配策略的好坏直接影响着整个***的性能。现有的可变并行作业调度中的贪心策略，每次都选择能尽可能多的处理器分配给作业，该算法相比于保守回填策略，能一定程度上提高***性能，但是却损害了小作业的性能。另一个策略就是公平分享策略，针对于贪心策略的不足，提出了根据作业权重分配资源，但是只考虑了公平性问题，而没有过多的关注调度性能的提高。因此，当前可变并行作业中的资源分配策略还有很大空间值得去研究。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供一种可变并行作业的资源分配方法，其目的在于提高***的性能，缩短作业平均周转时间，由此解决可变并行作业调度***中资源分配算法效率低下的技术问题。
本发明提供一种可变并行作业的资源分配方法，包括以下步骤：
步骤1集群管理者根据集群负载状况设置参数a和threshold，其中，所述参数a表示在本轮分配中可分配处理器占总的处理器数量的百分比；所述参数threshold表示在本轮分配中每个作业所能分配的处理器占总的处理器数量的百分比；
步骤2将等待队列中每一个作业的处理器数xi均初始化为1；
步骤3查看待分配处理器是否分配完，如果分配完则流程结束，否则执行步骤4；
步骤4计算每个作业的RP值，并找出RP值最大的作业，其中，RP值表示增加一个处理器后每个作业所获得缩短时间收益的指标，所述步骤4包括以下子步骤：
(4-1)根据Downey模型以及知识库的参数，计算每个作业Ji在当前处理器数xi时的运行时间
(4-2)根据所述Downey模型以及所述知识库的参数，计算每个作业Ji在当前处理器数加1时的运行时间
(4-3)计算每个作业Ji在当前处理器数时候的 并找出RP值最大的作业；
步骤5判断所述RP值最大的作业分配的处理器数量是否达到处理器分配阈值，如果是则将所述RP值最大的作业从待分配处理器的队列中去除，然后执行步骤3；否则将一个处理器分配给所述RP值最大的作业，然后执行步骤3。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
(1)用户友好：本发明无需用户指定作业所需处理器数以及作业运行时间，既避免了用户预测作业所需资源的准确性问题，也省去了用户指定资源的麻烦；
(2)提高***利用率：现有的严格作业调度在作业提交前指定了处理器数，不能根据***负载情况调整作业处理器数。而本发明结合的调度算法是在作业提交后根据***负载情况分配作业处理器数，分配方式更加灵活，且考虑了***负载，能够减少平均作业周转时间，获得更好的***性能。
附图说明
图1为本发明可变并行作业的资源分配方法的流程图；
图2为本发明作业调度实例的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
一般来说，可变并行作业的性能依赖于可变并行作业调度策略。而可变并行作业调度策略的关键因素就是资源分配机制。不幸的是，现有的可变并行作业资源分配机制在减少作业周转时间方面做的并不是很好，要么尽可能多的将每个作业的周转时间减少，当前分配资源时只考虑了单个作业的性能，忽略了全局作业的性能；要么仅仅针对公平性进行研究，而没有过多的考虑调度性能的提升。
为了获得更好的调度性能，本发明提出了代表增加一个处理器后每个作业所获得缩短时间收益的指标，称为收益每处理器(Revenue per Processor，以下简称RP)。基于这个指标，本发明设计了一种资源分配方法----最高收益优先(Highest Revenue First,简称HRF)资源分配方法。该分配方法每次都将处理器分配给具有最高RP的作业，通过此方法来达到缩短作业运行时间，从而缩短作业周转时间的目的。
假设作业Ji在x个处理器上的运行时间是当增加一个处理器后，该作业的运行时间变为则该作业增加一个处理器所收益的时间为将RP作为分配资源的指标，表示一个处理器能够为该作业带来的时间收益。
图1所示为本发明可变并行作业的资源分配方法的流程图，具体包括以下步骤：
步骤1集群管理者根据集群负载状况设置参数a和threshold。参数a表示在本轮分配中可分配处理器占总的处理器数量的百分比；参数threshold表示在本轮分配中每个作业所能分配的处理器占总的处理器数量的百分比；
步骤2将等待队列中每一个作业的处理器数xi均初始化为1。由于每个作业的收益都是随着处理器数的增加而减少的，也就是说，每个作业处理器数为1的时候收益都最大。将每个作业处理器数初始化为1，即保证了每个作业获得最高的收益，也保证每个作业都被分配到最基本的资源，而不会产生作业饿死现象；
步骤3查看待分配处理器是否分配完，如果分配完则流程结束，否则执行步骤4。在本发明实施例中，待分配处理器的个数N的确定是根据整个集群的处理器数M以及参数a(0<a<1.3)的乘积来决定的，即N＝a×M，可调参数a的选取根据具体调度过程中的负载情况来决定，一般在选取先来先服务(First Come First Served，FCFS)调度的可变并行作业调度算法中，负载越大，a选取越小，作业平均周转时间越小，而在选取回填调度的可变并行作业调度算法中，负载越大，a选取越大，作业平均周转时间越小；
步骤4计算每个作业的RP值，并找出RP最大的作业。具体包括以下子步骤：
(4-1)根据现有Downey模型以及知识库的参数，计算每个作业Ji在当前处理器数xi时的运行时间其中，Downey模型如下所示：
其中，S表示该作业在分配x个处理器时候的加速比；A与σ表示Downey模型的参数，A表示作业的平均并行度，并且也是一个作业能够达到的最大的加速比；σ表示作业的加速比曲线与直线有多相近，σ为0表示作业的加速比曲线为直线，σ越大表示加速比曲线偏离直线越远。只要将这两个参数以及当前处理器数xi带入模型中，就可以算出该作业在xi个处理器的情况下的加速比。再根据公式：
其中，L表示作业在单个处理器上运行所需的时间；表示作业Ji在xi个处理器运行所需的时间。得出：
只要知道L和S，就可以知道作业在xi个处理器上的运行时间；
(4-2)如上步骤(4-1)一样，根据Downey模型以及知识库的参数，计算每个作业Ji在当前处理器数加1时的运行时间
(4-3)计算每个作业Ji在当前处理器数时候的RP，并找出RP最大的作业：
本发明的主要目的就是用尽可能少的***资源获得更多的时间效率，以减少平均作业周转时间，提高整个***的性能。
步骤5判断RP值最大的作业分配的处理器数量是否达到处理器分配阈值，如果是，即处理器数量等于threshold×M，则将该作业从待分配处理器的队列中去除，threshold一般选取0.3到1之间的数值能够令算法取的较好的性能，然后执行步骤3；否则将一个处理器分配给该作业，即令xi＝xi+1。RP最大表示在增加一个处理器的情况下，该作业所获得的时间收益是最大的。因此将这个处理器分配给该作业可以获得当前条件下的时间收益最大化。分配完成后执行步骤3。
图2所示为本发明作业调度实例的示意图，包括图2(a)、(b)、(c)、(d)、(e)五个子图。假设***中总共的处理器数为5，a取值1.2，threshold取值0.8。则待分配处理器数为5×1.2＝6，每个作业的最大可被分配的处理器数为5×0.8＝4。图中白色圆点代表待分配处理器，黑色圆点代表已分配处理器。图2(a)表示在调度开始前，整个***的待分配处理器数为6，等待队列里有A、B、C三个作业。调度开始后，如图2(b)所示，先给每个作业都分配一个处理器的资源。然后通过Downey模型计算出各个作业在1个处理器的情况下的作业运行时间RA(1)、RB(1)、RC(1)。然后用同样的方法计算出各个作业在2个处理器的情况下的作业运行时间RA(2)、RB(2)、RC(2)，并计算出每个作业当前的RP分别为RA(1)-RA(2)、RB(1)-RB(2)、RC(1)-RC(2)，并从中选出具有最大RP的作业。如图2(c)所示，此处RP最大值为RC(1)-RC(2)，并且作业C已被分配的处理器数为0，小于4，因此将下一个待分配处理器分配给作业C。
如上所述，根据上面的方法反复分配待分配处理器，过程如图2(d)、图2(e)所示，又将处理器按运行时间最大收益分配给作业C和作业B，直到将待分配处理器全部分配完，该算法结束。此时作业A分配到一个处理器，作业B分配到两个处理器，作业C分配到三个处理器。说明作业C更能合理的利用***资源。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (3)
1.一种可变并行作业的资源分配方法，其特征在于，包括：
步骤1集群管理者根据集群负载状况设置参数a和threshold，其中，所述参数a表示在本轮分配中可分配处理器占总的处理器数量的百分比；所述参数threshold表示在本轮分配中每个作业所能分配的处理器占总的处理器数量的百分比；
步骤2将等待队列中每一个作业的处理器数xi均初始化为1；
步骤3查看待分配处理器是否分配完，如果分配完则流程结束，否则执行步骤4；
步骤4计算每个作业的RP值，并找出RP值最大的作业，其中，RP值表示增加一个处理器后每个作业所获得缩短时间收益的指标，所述步骤4包括以下子步骤：
(4-1)根据Downey模型以及知识库的参数，计算每个作业Ji在当前处理器数xi时的运行时间
(4-2)根据所述Downey模型以及所述知识库的参数，计算每个作业Ji在当前处理器数加1时的运行时间
(4-3)计算每个作业Ji在当前处理器数时候的并找出RP值最大的作业；
步骤5判断所述RP值最大的作业分配的处理器数量是否达到处理器分配阈值，如果是则将所述RP值最大的作业从待分配处理器的队列中去除，然后执行步骤3；否则将一个处理器分配给所述RP值最大的作业，然后执行步骤3；
其中，Downey模型如下所示：
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>,</mo>
<mi>A</mi>
<mo>,</mo>
<mi>&sigma;</mi>
<mo>&le;</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mfrac>
<mrow>
<mi>A</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>A</mi>
<mo>+</mo>
<mi>&sigma;</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mn>2</mn>
</mrow>
</mfrac>
</mtd>
<mtd>
<mrow>
<mn>1</mn>
<mo>&le;</mo>
<mi>n</mi>
<mo>&le;</mo>
<mi>A</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mfrac>
<mrow>
<mi>A</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>&sigma;</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>-</mo>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&sigma;</mi>
<mo>/</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mtd>
<mtd>
<mrow>
<mi>A</mi>
<mo>&le;</mo>
<mi>n</mi>
<mo>&le;</mo>
<mn>2</mn>
<mi>A</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>A</mi>
</mtd>
<mtd>
<mrow>
<mi>n</mi>
<mo>&GreaterEqual;</mo>
<mn>2</mn>
<mi>A</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>,</mo>
<mi>A</mi>
<mo>,</mo>
<mi>&sigma;</mi>
<mo>&GreaterEqual;</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mfrac>
<mrow>
<mi>n</mi>
<mi>A</mi>
<mrow>
<mo>(</mo>
<mi>&sigma;</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>&sigma;</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>+</mo>
<mi>A</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>A</mi>
</mrow>
</mfrac>
</mtd>
<mtd>
<mrow>
<mn>1</mn>
<mo>&le;</mo>
<mi>n</mi>
<mo>&le;</mo>
<mi>A</mi>
<mo>+</mo>
<mi>A</mi>
<mi>&sigma;</mi>
<mo>-</mo>
<mi>&sigma;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>A</mi>
</mtd>
<mtd>
<mrow>
<mi>n</mi>
<mo>&GreaterEqual;</mo>
<mi>A</mi>
<mo>+</mo>
<mi>A</mi>
<mi>&sigma;</mi>
<mo>-</mo>
<mi>&sigma;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，S表示该作业在分配x个处理器时候的加速比；A与σ表示Downey模型的参数，A表示作业的平均并行度，σ表示作业的加速比曲线与直线有多相近。
2.如权利要求1所述的方法，其特征在于，其中，所述步骤3中，待分配处理器的个数N的确定是根据整个集群的处理器数M以及所述参数a的乘积来决定的，即N＝a×M。
3.如权利要求1或2所述的方法，其特征在于，所述步骤5中所述处理器分配阈值等于threshold×M，M表示整个集群的处理器数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510136202.3A CN104731662B (zh) | 2015-03-26 | 2015-03-26 | 一种可变并行作业的资源分配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510136202.3A CN104731662B (zh) | 2015-03-26 | 2015-03-26 | 一种可变并行作业的资源分配方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104731662A CN104731662A (zh) | 2015-06-24 |
| CN104731662B true CN104731662B (zh) | 2018-02-23 |
Family
ID=53455575
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510136202.3A Active CN104731662B (zh) | 2015-03-26 | 2015-03-26 | 一种可变并行作业的资源分配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104731662B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105656989B (zh) * | 2015-12-10 | 2019-04-12 | 天津海量信息技术股份有限公司 | 基于蜂群思维的分布式计算方法 |
| CN107589985B (zh) * | 2017-07-19 | 2020-04-24 | 山东大学 | 一种面向大数据平台的两阶段作业调度方法及*** |
| CN113448705B (zh) * | 2021-06-25 | 2023-03-28 | 皖西学院 | 一种不平衡作业调度算法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101473307A (zh) * | 2006-06-19 | 2009-07-01 | 帝斯科匹尔公司 | 用于调度计算机微作业以在非干扰时间执行的方法、***和装置 |
| CN101968749A (zh) * | 2010-09-26 | 2011-02-09 | 华中科技大学 | 虚拟机过度分配环境下的mpi消息接收方法 |
| CN103500123A (zh) * | 2013-10-12 | 2014-01-08 | 浙江大学 | 异构环境中并行计算调度方法 |
| CN104317650A (zh) * | 2014-10-10 | 2015-01-28 | 北京工业大学 | 一种面向Map/Reduce型海量数据处理平台的作业调度方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100131959A1 (en) * | 2008-11-26 | 2010-05-27 | Spiers Adam Z | Proactive application workload management |
-
2015
- 2015-03-26 CN CN201510136202.3A patent/CN104731662B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101473307A (zh) * | 2006-06-19 | 2009-07-01 | 帝斯科匹尔公司 | 用于调度计算机微作业以在非干扰时间执行的方法、***和装置 |
| CN101968749A (zh) * | 2010-09-26 | 2011-02-09 | 华中科技大学 | 虚拟机过度分配环境下的mpi消息接收方法 |
| CN103500123A (zh) * | 2013-10-12 | 2014-01-08 | 浙江大学 | 异构环境中并行计算调度方法 |
| CN104317650A (zh) * | 2014-10-10 | 2015-01-28 | 北京工业大学 | 一种面向Map/Reduce型海量数据处理平台的作业调度方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104731662A (zh) | 2015-06-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9218213B2 (en) | Dynamic placement of heterogeneous workloads | |
| CN110321222B (zh) | 基于决策树预测的数据并行作业资源分配方法 | |
| CN109582448B (zh) | 一种面向关键度和时效性的边缘计算任务调度方法 | |
| CN104765640B (zh) | 一种智能服务调度方法 | |
| CN107341041B (zh) | 基于优先队列的云任务多维约束回填调度方法 | |
| US20160210174A1 (en) | Hybrid Scheduler and Power Manager | |
| CN111104211A (zh) | 基于任务依赖的计算卸载方法、***、设备及介质 | |
| CN103927225A (zh) | 一种多核心架构的互联网信息处理优化方法 | |
| CN105389204B (zh) | 一种多资源偏序调度方法 | |
| CN112506634B (zh) | 一种基于预约机制的公平性作业调度方法 | |
| CN108428051B (zh) | 面向大数据平台基于最大化收益的MapReduce作业调度方法及装置 | |
| CN104881322A (zh) | 一种基于装箱模型的集群资源调度方法及装置 | |
| CN104731662B (zh) | 一种可变并行作业的资源分配方法 | |
| CN115878260A (zh) | 一种低碳自适应云主机任务调度*** | |
| CN113254179B (zh) | 基于高响应比的作业调度方法、***、终端、存储介质 | |
| CN108958919B (zh) | 一种云计算中有期限约束的多dag任务调度费用公平性评估方法 | |
| Toporkov et al. | Preference-based fair resource sharing and scheduling optimization in Grid VOs | |
| CN112925616A (zh) | 任务分配方法、装置、存储介质及电子设备 | |
| Du et al. | Energy-efficient scheduling for best-effort interactive services to achieve high response quality | |
| CN111930485B (zh) | 一种基于性能表现的作业调度方法 | |
| JP4121525B2 (ja) | リソース利用率を制御する方法およびコンピュータシステム | |
| CN107589985B (zh) | 一种面向大数据平台的两阶段作业调度方法及*** | |
| Singh et al. | Market-inspired dynamic resource allocation in many-core high performance computing systems | |
| Kanemitsu et al. | Prior node selection for scheduling workflows in a heterogeneous system | |
| Toporkov et al. | Coordinated and hindsight resources allocation in distributed computing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |