CN113434267A - 云计算工作流动态调度方法、装置、设备及存储介质 - Google Patents
云计算工作流动态调度方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113434267A CN113434267A CN202110569976.0A CN202110569976A CN113434267A CN 113434267 A CN113434267 A CN 113434267A CN 202110569976 A CN202110569976 A CN 202110569976A CN 113434267 A CN113434267 A CN 113434267A
- Authority
- CN
- China
- Prior art keywords
- cloud computing
- population
- objective function
- preset
- archive
- 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.)
- Granted
Links
Images
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
- 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
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- 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
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- 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
- G06F2209/485—Resource constraint
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用计算机技术领域,提供了一种云计算工作流动态调度方法、装置、设备及存储介质,该方法包括:根据接收到的多任务处理请求,构造云计算的工作流调度优化目标的多目标函数,获取云计算的可用资源数据以及所述云计算中预设的任务处理的约束条件,根据可用资源数据、所述约束条件以及所述多目标函数,通过自适应变化响应的动态多目标进化算法获取多目标函数的最优解集,将最优解集设置为多任务的执行顺序,从而提高了云计算的工作流动态调度效率。
Description
技术领域
本发明属于计算机技术领域,尤其涉及一种云计算工作流动态调度方法、装置、设备及存储介质。
背景技术
云计算是面向科学和商业社区的大规模异构和分布式计算基础架构,其以最少的硬件投资提供了高质量和低成本的服务。基础架构即服务(IaaS)、平台即服务(PaaS)和软件即服务(SaaS)通过云计算来提供服务,用户可以通过IaaS、PaaS和SaaS访问部署在云上的资源。
工作流是构建来自不同研究领域的大规模计算和数据密集型应用程序的常用技术,应用程序工作流使用有向无环图建模,其中图的节点是通过计算或数据资源互连的任务,云计算中的工作流调度问题旨在将给定应用程序的任务映射到可用资源上。在工作流调度的调试中,工作流调度的动态性概念包括二个方面,第一种方面是随着时间的推移出现新的任务请求,或者短暂的资源故障,其中,资源可能动态地加入到云中或从云中离开,而这些可能是由多种事件导致的,例如,软件故障(错误,溢出等)或硬件故障(电功率不正常,硬盘故障等)。另一个方面是在执行工作流期间更改目标数,云计算面临的现实场景,其中的目标数量可能会随着时间而变化。例如,在提交具有更短期限的工作流以供执行之前,可能不会考虑工作流的完成时间。工作流调度的动态性会影响不同时期内最佳工作流程计划解决方案的选择,而现有的工作流调度方法由于未能有效考虑到工作流调度过程中的动态性,工作流调度效率不佳。
发明内容
本发明的目的在于提供一种云计算工作流动态调度方法、装置、设备及存储介质,旨在解决现有云计算工作流动态调度效率不佳的问题。
一方面,本发明提供了一种云计算工作流动态调度方法,所述方法包括:
根据接收到的多任务处理请求,构造云计算的工作流调度优化目标的多目标函数;
获取所述云计算的可用资源数据以及所述云计算中预设的任务处理的约束条件;
根据所述可用资源数据、所述约束条件以及所述多目标函数,通过自适应变化响应的动态多目标进化算法获取所述多目标函数的最优解集,将所述最优解集设置为多任务的执行顺序。
另一方面,本发明提供了一种云计算工作流动态调度装置,所述装置包括:
函数构造单元,用于根据接收到的多任务处理请求,构造云计算的工作流调度优化目标的多目标函数;
约束获取单元,用于获取所述云计算的可用资源数据以及所述云计算中预设的任务处理的约束条件;以及
执行设置单元,用于根据所述可用资源数据、所述约束条件以及所述多目标函数,通过自适应变化响应的动态多目标进化算法获取所述多目标函数的最优解集,将所述最优解集设置为多任务的执行顺序。
另一方面,本发明还提供了一种计算设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述方法的步骤。
另一方面,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述方法的步骤。
本发明根据接收到的多任务处理请求,构造云计算的工作流调度优化目标的多目标函数,获取云计算的可用资源数据以及云计算中预设的任务处理的约束条件,根据可用资源数据、约束条件以及多目标函数,通过自适应变化响应的动态多目标进化算法获取多目标函数的最优解集,将最优解集设置为多任务的执行顺序,从而通过自适应变化响应的动态多目标进化算法对多任务进行调度,提高了云计算的工作流动态调度效率。
附图说明
图1是本发明实施例一提供的云计算工作流动态调度方法的实现流程图;
图2是本发明实施例二提供的云计算工作流动态调度方法的实现流程图;
图3是本发明实施例二提供的云计算工作流动态调度方法中获取多目标函数的最优解集的实现流程示意图;
图4是本发明实施例三提供的云计算工作流动态调度装置的结构示意图;以及
图5是本发明实施例六提供的计算设备的结构示意图。
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。
以下结合具体实施例对本发明的具体实现进行详细描述:
实施例一:
图1示出了本发明实施例一提供的云计算工作流动态调度方法的实现流程,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
在步骤S101中,根据接收到的多任务处理请求,构造云计算的工作流调度优化目标的多目标函数;
本发明实施例适用于云计算,以用于对云计算上的多任务进行调度处理,从而实现云计算的多任务高效处理。作为示例地,这些任务可以为物理学中产生引力波分析、财务数据分析、气象学中的天气预报和风暴潮预测。这些都可以在云计算中合理地安排任务调度流程,以高效地利用云计算资源。
具体地,云计算接收到的多任务处理请求中可包括多个优化目标,这些优化目标可以为最小化计算时间、成本、能量和不平衡度,并最大限度地提高可靠性和利用率。
在一优选实施例中,工作流调度优化目标的多目标函数为其中,m表示工作流调度优化目标的数量,m的值为2,Ω表示云计算的可用资源数据集合,f1(x)表示云计算处理所有任务的时间,f2(x)表示云计算完成所有任务的计算成本,x表示决策变量,决策变量由每个任务的任务参数、云计算的可用资源数据以及任务执行顺序确定,从而提高云计算的可靠性和利用率。
在步骤S102中,获取云计算的可用资源数据以及云计算中预设的任务处理的约束条件;
在本发明实施例中,云计算的可用资源数据包括云计算可用CPU数量、可用存储空间、可用资源的可用时间段等等,云计算中预设的任务处理的约束条件用于在实现最小化时间和成本的优化目标时,对各个处理任务进行限定或约束。例如,可用的资源数、任务之间具有优先级约束条件、一项任务只能安排到一个云资源,任务一旦启动,就不可以被打断等。
在步骤S103中,根据可用资源数据、约束条件以及多目标函数,过自适应变化响应的动态多目标进化算法获取多目标函数的最优解集,将最优解集设置为多任务的执行顺序。
在本发明实施例中,最优解集即为多目标函数的最优解的集合,其中的解为云计算中的任务调度的可行方案,例如,多任务的执行顺序可使得云计算使用最少的资源、最小的时间成本,尽可能最高效率处理所有的任务,从而使得用户可以根据实际情况,选择其中一个更好符合实际情况的方案来实现多任务的调度处理。
本发明实施例根据接收到的多任务处理请求,构造云计算的工作流调度优化目标的多目标函数,获取云计算的可用资源数据以及云计算中预设的任务处理的约束条件,根据可用资源数据、约束条件以及多目标函数,通过自适应变化响应的动态多目标进化算法获取多目标函数的最优解集,将最优解集设置为多任务的执行顺序,从而通过自适应变化响应的动态多目标进化算法对多任务进行调度,提高了云计算的工作流动态调度效率。
实施例二:
图2示出了本发明实施例二提供的云计算工作流动态调度方法中获取多目标函数的最优解集的实现流程,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
在步骤S201中,根据可用资源数据以及约束条件,随机生成多目标函数的初始种群,初始种群中每个个体的长度根据任务数量确定;
本发明实施列在获取多目标函数的最优解集时,根据可用资源数据以及约束条件,随机生成多目标函数的初始种群,初始种群中每个个体的长度根据任务数量确定,例如,当任务数量为2时,种群中第一个维度存储任务的相对执行顺序,第二个维度存储任务到资源的映射。
在步骤S202中,根据Pareto支配关系筛选初始种群中的非支配个体,将非支配个体保存到预设存档中;
在本发明实施例中,种群的进化方向表明了搜索方向和搜索步长,预设存档用于存储获取多目标函数的最优解集过程中收敛性和多样性都较好的个体,从而保证最优解集中解的收敛性和多样性。
在步骤S203中,检测云计算的环境是否发生变化,是则执行步骤S204,否则,执行步骤S205;
在步骤S204中,当云计算的环境发生变化时,根据当前时刻和前一时刻多目标函数的最优种群中对应个体决策变量之间的差异,使用对应的变化响应策略对种群和预设存档进行更新;
在本发明实施例中,当云计算的环境发生变化时,即云计算接收到新任务处理请求,根据当前时刻和前一时刻多目标函数的最优种群中对应个体决策变量之间的差异,使用对应的变化响应策略对种群和预设存档进行更新。
在一优选实施例中,根据当前时刻和前一时刻多目标函数的最优种群中对应个体决策变量之间的差异,使用对应的变化策略对种群和预设存档进行更新时,若根据当前时刻和前一时刻多目标函数的最优种群中一个体决策变量之间的差异值小于该维决策变量差异平均值,则对种群中的个体进行变异运算,并对预设存档进行更新,若根据当前时刻和前一时刻多目标函数的最优种群中一个体之间的差异值大于该维决策变量差异平均值,则使用公式对种群中的个体进行重新初始化,并对预设存档进行更新,其中,pi,j表示前一时刻所述种群中第i个个体的第j维决策变量,表示重新初始化后的种群中第i个个体的第j维决策变量,acj和分别为当前时刻和前一时刻预设存档的存档中心的第j维决策变量的值,dp_aci,j和分别为第j维决策变量上pi和到各自对应存档中心ac和acl的距离,gaussian为高斯干扰函数。这样,基于每个种群中个体每维决策变量的差异自适应选择变异策略或预测策略,一方面可提升变化响应的针对性,另一方面可促进收敛性和多样性的平衡,从而提高后续得到的工作流动态调度方案的稳定性和可靠性。
另外,acj的计算公式为其中,|A|为存档大小,由于t时刻最优种群Pt和t-1时刻最优种群Pt-1中非支配个体集合的变化趋势有利于预测环境变化后种群最优解集的分布位置,且存储非支配个体的存档中最具代表性的个体即为存档中心ac,因此当环境发生变化时,基于t时刻和t-1时刻存档中心ac和acl的预测有利于重新初始化后的种群往新环境中的帕累托最优解集(Pareto optimal set,缩写为PS)靠拢,从而提升种群的收敛性,提高预测质量,从而最终提高云计算处理所有任务的效率。
作为示例地,图3示出了两个不同个体第j维度决策变量自适应采用变异策略和预测策略进行变化响应。设xj和分别为t时刻最优种群Pt和t-1时刻最优种群Pt-1中第j维决策变量的取值分布,pi,j与pk,j分别为Pt中第i和第k个个体第j维决策变量的取值,与分别为Pt-1中第i和第k个个体第j维决策变量的取值。从图中可见,pk,j与的差的绝对值小于xj与的均值差的绝对值,故采用变异策略生成对应的重新初始化值而pi,j与的差的绝对值大于xj与的均值差的绝对值,故采用预测策略生成对应的重新初始化值
在步骤S205中,对种群和预设存档进行进化;
在本发明实施例中,在使用对应的变化响应策略对种群和预设存档进行更新后,可对种群和预设存档进行进化,例如,采用静态优化框架生成子代,然后通过环境选择得到下一代种群,具体地,采用预设的静态多目标进化算法对种群和预设存档中的个体进行进化。当然,由于已经使用对应的变化响应策略对种群和预设存档进行了更新,也可以不再对种群和预设存档进行进化,直接执行步骤S206。当步骤S203检测到云计算的环境未发生变化时,直接对种群和预设存档进行进化,例如,采用静态优化框架生成子代,然后通过环境选择得到下一代种群。
在步骤S206中,判断当前迭代代数是否小于预设的最大迭代代数,是则执行步骤S207,否则,执行步骤S208;
在步骤S207中,是则对种群中的个体和预设存档进行更新,对当前迭代代数进行加1操作,并跳转至检测云计算的环境是否发生变化的步骤;
在步骤S208中,否则确定预设存档中的个体为多目标函数的最优解集。
在本发明实施例中,在获取多目标函数的最优解集时,通过自适应地使用变异和预测的变化响应策略对种群和预设存档进行更新,得到了能较好平衡收敛性和多样性的最优种群,保证了云计算的多任务调度处理方案的稳定性和有效性。
实施例三:
图4示出了本发明实施例三提供的云计算工作流动态调度装置的结构,为了便于说明,仅示出了与本发明实施例相关的部分,其中包括:
函数构造单元41,用于根据接收到的多任务处理请求,构造云计算的工作流调度优化目标的多目标函数;
约束获取单元42,用于获取所述云计算的可用资源数据以及云计算中预设的任务处理的约束条件;以及
执行设置单元43,用于根据可用资源数据、约束条件以及所述多目标函数,通过自适应变化响应的动态多目标进化算法获取多目标函数的最优解集,将最优解集设置为多任务的执行顺序。
在一优选实施例中,执行设置单元43包括:
种群生成单元,用于根据可用资源数据以及所述约束条件,随机生成多目标函数的初始种群,初始种群中每个个体的长度根据任务数量确定;
存档获取单元,用于根据Pareto支配关系筛选初始种群中的非支配个体,将非支配个体保存到预设存档中;
种群更新单元,用于检测云计算的环境是否发生变化,是则根据当前时刻和前一时刻多目标函数的最优种群中对应个体决策变量之间的差异,使用对应的变化响应策略对种群和所述预设存档进行更新;以及
解集确定单元,用于判断当前迭代代数是否小于预设的最大迭代代数,是则对种群中的个体和预设存档进行更新,对当前迭代代数进行加1操作,并跳转至检测云计算的环境是否发生变化的步骤,否则确定预设存档中的个体为多目标函数的最优解集。
在本发明实施例中,云计算工作流动态调度装置的各单元可由相应的硬件或软件单元实现,各单元可以为独立的软、硬件单元,也可以集成为一个软、硬件单元,在此不用以限制本发明,各单元的具体实施方式可参考前述方法实施例的描述,在此不再赘述。
实施例四:
图5示出了本发明实施例四提供的计算设备的结构,为了便于说明,仅示出了与本发明实施例相关的部分。
本发明实施例的计算设备5包括处理器50、存储器51以及存储在存储器51中并可在处理器50上运行的计算机程序52。该处理器50执行计算机程序52时实现上述各个方法实施例中的步骤,例如图1所示的步骤S101至S103。或者,处理器50执行计算机程序52时实现上述装置实施例中各单元的功能,例如图4所示单元41至43的功能。
本发明实施例的计算设备可以为服务器。该计算设备5中处理器50执行计算机程序52时实现上述方法时实现的步骤可参考前述方法实施例的描述,在此不再赘述。
实施例五:
在本发明实施例中,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述方法实施例中的步骤,例如,图1所示的步骤S101至S103。或者,该计算机程序被处理器执行时实现上述装置实施例中各单元的功能,例如图4所示单元41至43的功能。
本发明实施例根据接收到的多任务处理请求,构造云计算的工作流调度优化目标的多目标函数,获取云计算的可用资源数据以及云计算中预设的任务处理的约束条件,根据可用资源数据、约束条件以及多目标函数,通过自适应变化响应的动态多目标进化算法获取多目标函数的最优解集,将最优解集设置为多任务的执行顺序,从而通过自适应变化响应的动态多目标进化算法对多任务进行调度,提高了云计算的工作流动态调度效率。
本发明实施例的计算机可读存储介质可以包括能够携带计算机程序代码的任何实体或装置、记录介质,例如,ROM/RAM、磁盘、光盘、闪存等存储器。
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 (10)
1.一种云计算工作流动态调度方法,其特征在于,所述方法包括:
根据接收到的多任务处理请求,构造云计算的工作流调度优化目标的多目标函数;
获取所述云计算的可用资源数据以及所述云计算中预设的任务处理的约束条件;
根据所述可用资源数据、所述约束条件以及所述多目标函数,通过自适应变化响应的动态多目标进化算法获取所述多目标函数的最优解集,将所述最优解集设置为多任务的执行顺序。
3.如权利要求1所述的方法,其特征在于,通过自适应变化响应的动态多目标进化算法获取所述多目标函数的最优解集的步骤,包括:
根据所述可用资源数据以及所述约束条件,随机生成所述多目标函数的初始种群,所述初始种群中每个个体的长度根据任务数量确定;
根据Pareto支配关系筛选所述初始种群中的非支配个体,将所述非支配个体保存到预设存档中;
检测所述云计算的环境是否发生变化,是则根据当前时刻和前一时刻所述多目标函数的最优种群中对应个体决策变量之间的差异,使用对应的变化响应策略对所述种群和所述预设存档进行更新;
判断当前迭代代数是否小于预设的最大迭代代数,是则对所述种群中的个体和所述预设存档进行更新,对所述当前迭代代数进行加1操作,并跳转至检测所述云计算的环境是否发生变化的步骤,否则确定所述预设存档中的个体为所述多目标函数的最优解集。
4.如权利要求3所述的方法,其特征在于,根据当前时刻和前一时刻所述多目标函数的最优种群中对应个体决策变量之间的差异,使用对应的变化响应策略对所述种群和所述预设存档进行更新的步骤,包括:
若当前时刻和前一时刻所述多目标函数的最优种群中一个体决策变量之间的差异值小于该维决策变量差异平均值,则对所述种群中的个体进行变异运算,并对所述预设存档进行更新;
5.如权利要求3所述的方法,其特征在于,使用对应的变化响应策略对所述种群和所述预设存档进行更新的步骤之后,判断当前迭代代数是否小于预设的最大迭代代数的步骤之前,还包括:
对所述种群和所述预设存档进行进化。
6.如权利要求3所述的方法,其特征在于,通过自适应变化响应的动态多目标进化算法获取所述多目标函数的最优解集,还包括:
当检测到所述云计算的环境未发生变化时,对所述种群和所述预设存档进行进化。
7.一种云计算工作流动态调度装置,其特征在于,所述装置包括:
函数构造单元,用于根据接收到的多任务处理请求,构造云计算的工作流调度优化目标的多目标函数;
约束获取单元,用于获取所述云计算的可用资源数据以及所述云计算中预设的任务处理的约束条件;以及
执行设置单元,用于根据所述可用资源数据、所述约束条件以及所述多目标函数,通过自适应变化响应的动态多目标进化算法获取所述多目标函数的最优解集,将所述最优解集设置为多任务的执行顺序。
8.如权利要求7所述的装置,其特征在于,所述执行设置单元包括:
种群生成单元,用于根据所述可用资源数据以及所述约束条件,随机生成所述多目标函数的初始种群,所述初始种群中每个个体的长度根据任务数量确定;
存档获取单元,用于根据Pareto支配关系筛选所述初始种群中的非支配个体,将所述非支配个体保存到预设存档中;
种群更新单元,用于检测所述云计算的环境是否发生变化,是则根据当前时刻和前一时刻所述多目标函数的最优种群中对应个体决策变量之间的差异,使用对应的变化响应策略对所述种群和所述预设存档进行更新;以及
解集确定单元,用于判断当前迭代代数是否小于预设的最大迭代代数,是则对所述种群中的个体和所述预设存档进行更新,对所述当前迭代代数进行加1操作,并跳转至检测所述云计算的环境是否发生变化的步骤,否则确定所述预设存档中的个体为所述多目标函数的最优解集。
9.一种云计算设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110569976.0A CN113434267B (zh) | 2021-05-25 | 2021-05-25 | 云计算工作流动态调度方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110569976.0A CN113434267B (zh) | 2021-05-25 | 2021-05-25 | 云计算工作流动态调度方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113434267A true CN113434267A (zh) | 2021-09-24 |
CN113434267B CN113434267B (zh) | 2022-12-02 |
Family
ID=77802846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110569976.0A Active CN113434267B (zh) | 2021-05-25 | 2021-05-25 | 云计算工作流动态调度方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113434267B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114912654A (zh) * | 2022-03-31 | 2022-08-16 | 北京百度网讯科技有限公司 | 对象调度方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708011A (zh) * | 2012-05-11 | 2012-10-03 | 南京邮电大学 | 一种面向云计算平台任务调度的多级负载评估方法 |
CN108133260A (zh) * | 2018-01-17 | 2018-06-08 | 浙江理工大学 | 基于实时状态监控的多目标粒子群优化的工作流调度方法 |
CN108320059A (zh) * | 2018-02-22 | 2018-07-24 | 石家庄铁道大学 | 一种工作流调度进化寻优方法及终端设备 |
CN108521446A (zh) * | 2018-03-20 | 2018-09-11 | 深圳大学 | 云计算资源的调度方法、装置、设备及存储介质 |
CN109298930A (zh) * | 2017-07-24 | 2019-02-01 | 西安电子科技大学昆山创新研究院 | 一种基于多目标优化的云工作流调度方法及装置 |
US20190266534A1 (en) * | 2016-07-20 | 2019-08-29 | Worldline | Multi-criteria adaptive scheduling method for a market-oriented hybrid cloud infrastructure |
CN111027736A (zh) * | 2019-07-30 | 2020-04-17 | 中国人民解放军国防科技大学 | 多目标优化下的微服务组合部署与调度方法 |
US20210064432A1 (en) * | 2018-02-05 | 2021-03-04 | Telefonaktiebolaget Lm Ericsson (Publ) | Resource needs prediction in virtualized systems: generic proactive and self-adaptive solution |
US20210133534A1 (en) * | 2019-10-30 | 2021-05-06 | Inner Mongolia Agricultural University | Cloud task scheduling method based on phagocytosis-based hybrid particle swarm optimization and genetic algorithm |
-
2021
- 2021-05-25 CN CN202110569976.0A patent/CN113434267B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708011A (zh) * | 2012-05-11 | 2012-10-03 | 南京邮电大学 | 一种面向云计算平台任务调度的多级负载评估方法 |
US20190266534A1 (en) * | 2016-07-20 | 2019-08-29 | Worldline | Multi-criteria adaptive scheduling method for a market-oriented hybrid cloud infrastructure |
CN109298930A (zh) * | 2017-07-24 | 2019-02-01 | 西安电子科技大学昆山创新研究院 | 一种基于多目标优化的云工作流调度方法及装置 |
CN108133260A (zh) * | 2018-01-17 | 2018-06-08 | 浙江理工大学 | 基于实时状态监控的多目标粒子群优化的工作流调度方法 |
US20210064432A1 (en) * | 2018-02-05 | 2021-03-04 | Telefonaktiebolaget Lm Ericsson (Publ) | Resource needs prediction in virtualized systems: generic proactive and self-adaptive solution |
CN108320059A (zh) * | 2018-02-22 | 2018-07-24 | 石家庄铁道大学 | 一种工作流调度进化寻优方法及终端设备 |
CN108521446A (zh) * | 2018-03-20 | 2018-09-11 | 深圳大学 | 云计算资源的调度方法、装置、设备及存储介质 |
CN111027736A (zh) * | 2019-07-30 | 2020-04-17 | 中国人民解放军国防科技大学 | 多目标优化下的微服务组合部署与调度方法 |
US20210133534A1 (en) * | 2019-10-30 | 2021-05-06 | Inner Mongolia Agricultural University | Cloud task scheduling method based on phagocytosis-based hybrid particle swarm optimization and genetic algorithm |
Non-Patent Citations (1)
Title |
---|
史振华: "基于改进的鲸鱼算法在云计算任务调度中的研究", 《科技通报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114912654A (zh) * | 2022-03-31 | 2022-08-16 | 北京百度网讯科技有限公司 | 对象调度方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113434267B (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bhattacharjee et al. | Barista: Efficient and scalable serverless serving system for deep learning prediction services | |
Hosseinzadeh et al. | Multi-objective task and workflow scheduling approaches in cloud computing: a comprehensive review | |
Rahman et al. | A dynamic critical path algorithm for scheduling scientific workflow applications on global grids | |
Shi et al. | MDP and machine learning-based cost-optimization of dynamic resource allocation for network function virtualization | |
Zuo et al. | A multi-objective hybrid cloud resource scheduling method based on deadline and cost constraints | |
Liu et al. | Swarm scheduling approaches for work-flow applications with security constraints in distributed data-intensive computing environments | |
CN108133260B (zh) | 基于实时状态监控的多目标粒子群优化的工作流调度方法 | |
CN109634742B (zh) | 一种基于蚁群算法的时间约束科学工作流优化方法 | |
CN107656799B (zh) | 一种多云环境下考虑通信和计算代价的工作流调度方法 | |
Amoon | A fault-tolerant scheduling system for computational grids | |
Tang et al. | Budget‐constraint stochastic task scheduling on heterogeneous cloud systems | |
CN112463337B (zh) | 一种用于移动边缘计算环境下的工作流任务迁移方法 | |
Kaur et al. | Deadline constrained scheduling of scientific workflows on cloud using hybrid genetic algorithm | |
Han et al. | EdgeTuner: Fast scheduling algorithm tuning for dynamic edge-cloud workloads and resources | |
Kumar T et al. | Hybrid approach for resource allocation in cloud infrastructure using random forest and genetic algorithm | |
CN113434267B (zh) | 云计算工作流动态调度方法、装置、设备及存储介质 | |
Gupta et al. | User defined weight based budget and deadline constrained workflow scheduling in cloud | |
Kalai Arasan et al. | Energy‐efficient task scheduling and resource management in a cloud environment using optimized hybrid technology | |
Nasr et al. | Cloudlet scheduling based load balancing on virtual machines in cloud computing environment | |
CN112130927B (zh) | 一种可靠性增强的移动边缘计算任务卸载方法 | |
CN115794323A (zh) | 任务调度方法、装置、服务器和存储介质 | |
Verma et al. | A survey on energy‐efficient workflow scheduling algorithms in cloud computing | |
CN106874215B (zh) | 一种基于Spark算子的序列化存储优化方法 | |
Rawat et al. | Performance evaluation of an adopted model based on big-bang big-crunch and artificial neural network for cloud applications | |
Petrovska et al. | Sequential Series-Based Prediction Model in Adaptive Cloud Resource Allocation for Data Processing and Security |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |