CN108304253A - 基于缓存感知和数据本地性的map任务调度方法 - Google Patents
基于缓存感知和数据本地性的map任务调度方法 Download PDFInfo
- Publication number
- CN108304253A CN108304253A CN201711454651.8A CN201711454651A CN108304253A CN 108304253 A CN108304253 A CN 108304253A CN 201711454651 A CN201711454651 A CN 201711454651A CN 108304253 A CN108304253 A CN 108304253A
- Authority
- CN
- China
- Prior art keywords
- task
- resource
- data
- map
- scheduling
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/18—File system types
- G06F16/182—Distributed file systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/48—Indexing scheme relating to G06F9/48
- G06F2209/484—Precedence
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Memory System Of A Hierarchy Structure (AREA)
Abstract
本发明公开了一种基于缓存感知和数据本地性的map任务调度方法,根据等待的map任务组成任务集T(n),并申请得到资源集C(m);根据任务集T(n)中各个map任务的优先级,得到各个Map任务在任务集T(n)的位置信息;依据各个map任务的位置信息,建立任务集T(n)与资源集C(m)的映射矩阵V;建立二分图,根据选择矩阵V确定二分图的权值,得到带权二分图;获取带权二分图的最大权匹配项,根据带权二分图最大权匹配结果,得到优化的任务调度方案。本发明充分考虑了任务调度算法中的缓存数据利用和全局数据本地性,能够较好的适用于Hadoop环境的资源调度,同时对于设计Hadoop任务调度算法也有很好的参考价值。
Description
技术领域
本发明属于云计算任务调度技术领域,具体涉及一种基于缓存感知和数据本地性的map任务调度方法
背景技术
随着互联网技术的飞速发展,特别是在当前移动互联网快速发展的时代,用户的信息和数据量也随之飞速增长,信息处理速度的需求也急速增加,我们已经进入了海量数据的时代。为了应对大数据处理,云计算技术开始迅猛发展。云计算技术是综合了网格计算、分布式处理和并行处理的一种更有效的计算模式,从而为人们的生活提供便利。
在众多提供云平台的软件中,Hadoop是一款重量级的基础平台。 Hadoop作为云计算***的MapReduce开源实现,在大规模的数据处理方面得到了广泛应用。2013年,Apache又推出了新架构的 Hadoop---YARN,从原有版本中分离出了资源管理程序,并且为每个应用配置了单独的应用管理程序,解决了上一版Hadoop中资源管理的性能瓶颈,进一步提高了Hadoop的并行度。经过快速地发展, Hadoop已经成为了大数据存储和海量数据处理事实上的标准。为了进一步提高Hadoop的性能以及可扩展性,各领域的研究人员对Hadoop进行了大量的研究,并对其存在的一些问题提出了各种解决方案,极大地促进了Hadoop的发展。
任务调度是Hadoop分布式并行计算平台最核心的功能,任务调度结果的优劣极大地影响着***吞吐率、计算集群的资源利用率以及作业的性能。同时,由于计算集群的异构性、负载的动态可变性以及任务特征的多样性等原因,也使得调度问题成为了集群中最困难的问题之一。
在YARN基于优先级的调度策略中,对于Reduce任务的调度,是从队列中取出第一个待分配的任务分配给当前可用节点,而进行优先级较低的Map任务时会考虑到数据本地性特点,但是对数据本地性并不是最优化的,并且在任务调度方面没有考虑到缓存数据感知信息与任务调度的结合。
发明内容:
为了克服上述背景技术的缺陷,本发明提供一种基于缓存感知和数据本地性的map任务调度方法,能够较好的适用于Hadoop环境的资源调度,同时对于设计Hadoop任务调度算法也有很好的参考价值。
为了解决上述技术问题本发明的所采用的技术方案为:
一种基于缓存感知和数据本地性的map任务调度方法,包括:
步骤1,根据等待的map任务组成任务集T(n),并申请得到资源集C(m);
步骤2,根据任务集T(n)中各个map任务的优先级,得到各个map任务在任务集T(n)的位置信息;
步骤3,依据各个map任务的位置信息,建立任务集T(n)与资源集C(m)的映射矩阵V;
步骤4,建立二分图,根据选择矩阵V确定二分图的权值,得到带权二分图;
步骤5,获取带权二分图的最大权匹配项,根据带权二分图最大权匹配结果,得到优化的任务调度方案。
较佳地,步骤1具体包括:
将待调度的作业分为n个独立的任务,一次心跳后组成任务集 T(n)={ti|i∈[1,n],n∈N},其中ti表示第i个任务,
任务申请所得到的资源集为C(m)={cj|j∈[1,m],m∈N},m为资源的个数,其中cj表示第j个资源。
较佳地,步骤2具体包括:
用各个map任务的属性pi(qi,si)(i=1,2,..n.,表)示map任务 ti(i=1,2,..n.,的)优先级,qi表示map任务所在作业队列的优先级,si表示map任务处理数据所在节点的位置;
若q1>q2,则p1(q1,s1)>p2(q2,s2);
若map任务所在作业队列的优先级相同,则p1(qi,tc)>p2(qi,td);
若q1>q2,则p(q1,tc)>p(q1,td)>p(q2,tc)>p(q2,td);
其中,tc表示map任务处理数据在结点缓存中,td表示map任务处理数据在结点磁盘。
较佳地,步骤3具体包括:
其中,各个元素Vij的数值获取方法为:
若任务ti与资源cj,则映射结果Vij的值为0,
若任务ti处理的数据与资源cj在不同机架,则映射结果Vij的值为1,
若任务ti处理的数据与资源cj在同一机架,且不在同一结点,则映射结果Vij的值为2,
若任务ti处理的数据与资源cj在同一结点,且不在结点缓存中,则映射结果Vij的值为3,
若任务ti处理的数据在资源cj所在结点的缓存中,则映射结果 Vij的值为4。
较佳地,步骤5采用Kuhn-Munkras获取带权二分图的最大权匹配项。
本发明的有益效果在于:针对当前Hadoop***中的MapReduce 计算框架在Map任务调度策略进行改进和优化,提出了改进算法,旨在提高缓存本地性和数据本地性,降低任务运行时的数据传输量。在Map任务调度算法中,通过缓存感知信息和带权二分图的研究优化了Hadoop的任务调度算法。本发明在时间复杂度相差无几情况下,改进算法在缓存本地性和数据本地性上比原有算法具有较好的性能。充分考虑了任务调度算法中的缓存数据利用和全局数据本地性,能够较好的适用于Hadoop环境的资源调度,同时对于设计Hadoop任务调度算法也有很好的参考价值。
附图说明
图1为本发明实施例的方法流程图;
图2为本发明实施例二分图中任务与资源的关系示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步的说明。
在资源再分配过程中,Hadoop根据资源的属性识别资源的类型,其中若资源的优先级为5,表示资源对应执行的任务是Failed Map任务;若优先级为10,表示资源对应执行的任务是Reduce任务;若优先级为20,表示资源对应执行的任务是Map任务。对于FailedMap 任务和Reduce任务的任务调度,***直接从队列中取出第一个等待资源的任务,将资源分配给取出来的任务进行执行。而对于Map任务一般会遍历3次资源列表,第一次试图从node local任务列表中(输入数据与资源在同一个节点)查找相应的Map任务;如果没有找到,则遍历试图从rack local任务列表中(输入数据与资源在同一个机架) 查找对应的Map任务;如果没有rack local任务,则遍历no-local任务列表中(输入数据与资源不在同一个机架)查找相应的Map任务。
由于每次分配只考虑一个资源,基于队列的Map任务调度算法只考虑到当前的资源应该如何进行最优分配,并没有考虑到前面和后面的资源的最优分配。因此,基于队列的Map任务调度算法并不能获得全局最优解。另外,基于队列的Map任务调度考虑到数据本地性特征,但是并没有考虑到缓存信息的感知调度,为实现高效的任务执行效率,任务调度需要将缓存资源结合到资源调度中。
本实施例在当前Hadoop***中对任务调度的策略进行改进和优化,旨在提高缓存利用率和全局Map任务的数据本地性,降低作业运行时的数据传输量,增加任务调度高效性,提高数据的读取效率。对于Map任务调度的优化,首先分析了当前采取的基于队列的任务调度方式所存在的缺点。
为了避免这一缺点本实施例将任务调度问题重新映射为一个二分图,通过对二分图的最大匹配求解,获得优化的调度方案。并在此基础上对算法进一步细化,并考虑到数据信息优先级,以进一步提高任务执行效率。
本实施例的一种基于缓存感知和数据本地性的map任务调度方法的主要方案为:根据任务所属的作业优先级和任务处理数据所在节点的位置来计算任务优先级;然后根据任务处理数据的位置,得到任务到资源的映射关系,根据映射关系,建立任务到资源的带权二分图;最后,根据Kuhn-Munkras算法得到任务到资源的最大权值匹配结果,即优化的任务调度方案。
具体包括如下步骤:
步骤1,根据等待的map任务组成任务集T(n),并申请得到资源集C(m),具体包括:
云平台上采用MapReduce框架,将待调度的作业分为n个独立的任务,一次心跳后组成任务集T(n)={ti|i∈[1,n],n∈N},其中ti表示第i 个任务,
任务集中的所有任务申请所得到的资源集为 C(m)={cj|j∈[1,m],m∈N},m为资源的个数,其中cj表示第j个资源,即第j个处理节点,每个资源在同一时间内只能执行一个任务,直到它释放完成才能执行其它的任务。
步骤2,根据任务集T(n)中各个map任务的优先级,得到各个 map任务在任务集T(n)的位置信息;具体包括:
用各个map任务的属性pi(qi,si)(i=1,2,..n.,表)示map任务 ti(i=1,2,..n.,的)优先级,qi表示map任务所在作业队列的优先级,si表示map任务处理数据所在节点的位置;根据上述优先级的定义和属性,给出如下任务调度优先级规则:
若q1>q2,则p1(q1,s1)>p2(q2,s2);
若map任务所在作业队列的优先级相同,则p1(qi,tc)>p2(qi,td);
若q1>q2,则p(q1,tc)>p(q1,td)>p(q2,tc)>p(q2,td);
其中,tc表示map任务处理数据在结点缓存中,td表示map任务处理数据在结点磁盘中,在缓存中处理数据比在磁盘中处理数据速度快。
也即,每个任务都有属性pi(qi,si)(i=1,2,...,n)表示任务ti(i=1,2,...,n)的优先级,影响任务调度优先级的因素为:任务所在作业队列的优先级和任务处理数据所在节点的位置,这两个因子分别用qi和si表示。其中,qi表示任务所属的作业优先级,它是YRAN中默认的作业优先级;si表示任务处理数据所在节点的位置,tc、td分别表示任务处理数据在结点缓存中和结点磁盘中,在缓存中处理数据比在磁盘中处理数据速度快。
步骤3,依据各个map任务的位置信息,建立任务集T(n)与资源集C(m)的映射矩阵V;具体包括:
其中,各个元素Vij的数值获取方法为:
若任务ti与资源cj,则映射结果Vij的值为0,
若任务ti处理的数据与资源cj在不同机架,则映射结果Vij的值为1,
若任务ti处理的数据与资源cj在同一机架,且不在同一结点,则映射结果Vij的值为2,
若任务ti处理的数据与资源cj在同一结点,且不在结点缓存中,则映射结果Vij的值为3,
若任务ti处理的数据在资源cj所在结点的缓存中,则映射结果 Vij的值为4。
本实施例是为实现全局最优解,尽可能为任务匹配最佳资源,寻找任务到资源的映射关系。为实现这目的,本文构造任务资源的选择矩阵,选择矩阵表示任务和资源之间的关系。
构造选择矩阵确定Map任务集合,以及根据任务依靠数据放置位置形成资源排序向量。根据任务匹配的多个资源排序向量,以任务作为行头,资源作为列头,构造选择矩阵。将资源排序向量转化为自然数序列。矩阵V是一个n×m的矩阵,矩阵的值保存的是任务和结点的关系。假设矩阵可表示为:
步骤4,根据任务集T(n)和资源集C(m)建立二分图,根据选择矩阵V确定二分图的权值,得到带权二分图;
本实施例在Hadoop中资源分配过程如下所述:当用户向YARN 提交一个MapReduce应用后,首先由YARN的资源调度器为该应用程序的ApplicationMaster申请资源并通知NodeManager启动ApplicationMaster,然后由ApplicationMaster创建该应用程序的实例,周期性的为其申请资源,获得分配的资源后根据MapReduce的资源再分配算法将资源分配给具体的任务。再通知分配了资源的节点上的NodeManager启动任务,直至运行完成而宣告结束。
本实施例使用二分图来解决任务调度问题,若二分图G=<T,C,E>表示该任务调度问题,其中T(n)是任务节点的集合,C(m)是资源节点的集合,即处理节点的集合,E是连接任务节点与处理节点的边的集合,边的权值就是选择矩阵节点间相应的值,具体的模型如图2所示。
使用带权二分图的调度过程可以看做是根据Kuhn-Munkras算法完成带权二分图的最优匹配,即根据二分图的权值从T(n)中的某个任务节点分配到C(m)中某个处理节点的过程,直至T(n)中任务完全分配或者C(m)中处理节点完全被分配为止。
步骤5,获取带权二分图的最大权匹配项,根据带权二分图最大权匹配结果,得到所有任务与所需资源的一一对应关系,即优化的任务调度方案。
采用Kuhn-Munkras获取带权二分图的最大权匹配项。
初始化图,根据Kuhn-Munkras算法得到带权二分图最大权匹配。具体的,通过给每个结点一个标号把求最大权匹配的问题转化为完备匹配的问题。设顶点ti的顶标为A[i],顶点cj的顶标为B[j],顶点ti与cj之间的边权为w[i][j]。在算法执行过程中的任意时刻,对于任一边(i,j),A[i]+B[j]>=w[i][j]始终成立。初始A[i]为与ti相连的边的最大权值,B[j]=0。根据带权二分图最大权匹配结果,得到优化的任务调度方案。
本实施例针对当前Hadoop***中的MapReduce计算框架在 Map任务调度策略进行改进和优化,提出了改进算法,旨在提高缓存本地性和数据本地性,降低任务运行时的数据传输量。在Map任务调度算法中,通过缓存感知信息和带权二分图的研究优化了Hadoop 的任务调度算法。为了评估改进算法的性能,本发明通过大量实验进行测试,实验结果表明:在时间复杂度相差无几情况下,改进算法在缓存本地性和数据本地性上比原有算法具有较好的性能。
本实施例充分考虑了任务调度算法中的缓存数据利用和全局数据本地性,能够较好的适用于Hadoop环境的资源调度,同时对于设计 Hadoop任务调度算法也有很好的参考价值。
构造任务资源的选择矩阵,尽可能为任务匹配最佳资源。本实施例中选择矩阵的构造的伪代码描述:
根据等待的Map任务组成Map任务集T(n)。
本实施例中任务调度伪代码为:
根据选择矩阵确定二分图节点,边以及边的权值weight[i][j];
初始化顶标,A[i]为与顶点ti相连的边的最大权值,B[j]为0;
初始化数组match[m];//记录的是二分图匹配结果
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (5)
1.一种基于缓存感知和数据本地性的map任务调度方法,其特征在于,包括:
步骤1,根据等待的map任务组成任务集T(n),并申请得到资源集C(m);
步骤2,根据所述任务集T(n)中各个map任务的优先级,得到各个所述map任务在所述任务集T(n)的位置信息;
步骤3,依据各个所述map任务的所述位置信息,建立所述任务集T(n)与所述资源集C(m)的映射矩阵V;
步骤4,根据任务集T(n)和资源集C(m)建立二分图,根据所述选择矩阵V确定所述二分图的权值,得到带权二分图;
步骤5,获取所述带权二分图的最大权匹配项,根据带权二分图最大权匹配结果,得到所有任务与所需资源的一一对应关系,即优化的任务调度方案。
2.根据权利要求1所述的一种基于缓存感知和数据本地性的map任务调度方法,其特征在于,所述步骤1具体包括:
将待调度的作业分为n个独立的任务,一次心跳后组成任务集T(n)={ti|i∈[1,n],n∈N},其中ti表示第i个任务,
任务集中的所有任务申请所得到的资源集为C(m)={cj|j∈[1,m],m∈N},m为资源的个数,其中cj表示第j个资源。
3.根据权利要求1所述的一种基于缓存感知和数据本地性的map任务调度方法,其特征在于,所述步骤2具体包括:
用各个所述map任务的属性pi(qi,si)(i=1,2,...,n)表示map任务ti(i=1,2,...,n)的优先级,qi表示map任务所在作业队列的优先级,si表示map任务处理数据所在节点的位置;
若q1>q2,则p1(q1,s1)>p2(q2,s2);
若map任务所在作业队列的优先级相同,则p1(qi,tc)>p2(qi,td);
若q1>q2,则p(q1,tc)>p(q1,td)>p(q2,tc)>p(q2,td);
其中,tc表示map任务处理数据在结点缓存中,td表示map任务处理数据在结点磁盘中。
4.根据权利要求1所述的一种基于缓存感知和数据本地性的map任务调度方法,其特征在于,所述步骤3具体包括:
其中,各个元素Vij的数值获取方法为:
若任务ti与资源cj,则映射结果Vij的值为0,
若任务ti处理的数据与资源cj在不同机架,则映射结果Vij的值为1,
若任务ti处理的数据与资源cj在同一机架,且不在同一结点,则映射结果Vij的值为2,
若任务ti处理的数据与资源cj在同一结点,且不在结点缓存中,则映射结果Vij的值为3,
若任务ti处理的数据在资源cj所在结点的缓存中,则映射结果Vij的值为4。
5.根据权利要求1所述的一种基于缓存感知和数据本地性的map任务调度方法,其特征在于:所述步骤5采用Kuhn-Munkras获取所述带权二分图的最大权匹配项。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711454651.8A CN108304253A (zh) | 2017-12-28 | 2017-12-28 | 基于缓存感知和数据本地性的map任务调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711454651.8A CN108304253A (zh) | 2017-12-28 | 2017-12-28 | 基于缓存感知和数据本地性的map任务调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108304253A true CN108304253A (zh) | 2018-07-20 |
Family
ID=62867590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711454651.8A Pending CN108304253A (zh) | 2017-12-28 | 2017-12-28 | 基于缓存感知和数据本地性的map任务调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108304253A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111813527A (zh) * | 2020-07-15 | 2020-10-23 | 江苏方天电力技术有限公司 | 一种数据感知的任务调度方法 |
CN114301924A (zh) * | 2021-12-09 | 2022-04-08 | 中国电子科技集团公司电子科学研究院 | 一种云边协同环境的应用任务调度方法及节点设备 |
CN114741191A (zh) * | 2022-03-30 | 2022-07-12 | 西安电子科技大学 | 一种面向计算密集型任务关联性的多资源分配方法 |
CN114880272A (zh) * | 2022-03-31 | 2022-08-09 | 深圳清华大学研究院 | 全局高度数顶点集合通信的优化方法及应用 |
-
2017
- 2017-12-28 CN CN201711454651.8A patent/CN108304253A/zh active Pending
Non-Patent Citations (1)
Title |
---|
PENG ZHANG等: "《An Improved Task Scheduling Algorithm Based on Cache Locality and Data Locality in Hadoop》", 《2016 17TH INTERNATIONAL CONFERENCE ON PARALLEL AND DISTRIBUTED COMPUTING, APPLICATIONS AND TECHNOLOGIES (PDCAT)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111813527A (zh) * | 2020-07-15 | 2020-10-23 | 江苏方天电力技术有限公司 | 一种数据感知的任务调度方法 |
CN111813527B (zh) * | 2020-07-15 | 2022-06-14 | 江苏方天电力技术有限公司 | 一种数据感知的任务调度方法 |
CN114301924A (zh) * | 2021-12-09 | 2022-04-08 | 中国电子科技集团公司电子科学研究院 | 一种云边协同环境的应用任务调度方法及节点设备 |
CN114741191A (zh) * | 2022-03-30 | 2022-07-12 | 西安电子科技大学 | 一种面向计算密集型任务关联性的多资源分配方法 |
CN114880272A (zh) * | 2022-03-31 | 2022-08-09 | 深圳清华大学研究院 | 全局高度数顶点集合通信的优化方法及应用 |
CN114880272B (zh) * | 2022-03-31 | 2024-06-07 | 深圳清华大学研究院 | 全局高度数顶点集合通信的优化方法及应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Singh et al. | Task scheduling in cloud computing | |
Wang et al. | Load balancing task scheduling based on genetic algorithm in cloud computing | |
Wang et al. | Real-time multisensor data retrieval for cloud robotic systems | |
Zuo et al. | A multi-objective hybrid cloud resource scheduling method based on deadline and cost constraints | |
CN103631657B (zh) | 一种基于MapReduce的任务调度方法 | |
WO2019179250A1 (zh) | 调度方法、调度器、存储介质及*** | |
Liu et al. | Resource preprocessing and optimal task scheduling in cloud computing environments | |
CN108304253A (zh) | 基于缓存感知和数据本地性的map任务调度方法 | |
Tantalaki et al. | Pipeline-based linear scheduling of big data streams in the cloud | |
Sreenivasulu et al. | Hybrid optimization algorithm for task scheduling and virtual machine allocation in cloud computing | |
CN106708625A (zh) | 一种基于最小费用最大流的大规模资源调度***及方法 | |
CN111782627B (zh) | 面向广域高性能计算环境的任务与数据协同调度方法 | |
Wang et al. | DCCP: an effective data placement strategy for data-intensive computations in distributed cloud computing systems | |
CN109067834A (zh) | 基于振荡式惯性权重的离散粒子群调度算法 | |
Singh et al. | Crow–penguin optimizer for multiobjective task scheduling strategy in cloud computing | |
Li et al. | Resource scheduling based on improved spectral clustering algorithm in edge computing | |
Wang et al. | Task scheduling algorithm based on improved Min-Min algorithm in cloud computing environment | |
Bibal Benifa et al. | Performance improvement of Mapreduce for heterogeneous clusters based on efficient locality and replica aware scheduling (ELRAS) strategy | |
dos Anjos et al. | Smart: An application framework for real time big data analysis on heterogeneous cloud environments | |
CN108427602A (zh) | 一种分布式计算任务的协同调度方法及装置 | |
Perwej | The ambient scrutinize of scheduling algorithms in big data territory | |
Chowdhary et al. | QoS enhancement in cloud-IoT framework for educational institution with task allocation and scheduling with task-VM matching approach | |
Jiao et al. | Immune optimization of task scheduling on multidimensional QoS constraints | |
Kumar et al. | Graphsteal: Dynamic re-partitioning for efficient graph processing in heterogeneous clusters | |
CN108228323A (zh) | 基于数据本地性的Hadoop任务调度方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180720 |
|
RJ01 | Rejection of invention patent application after publication |