CN113946440A - 一种绿色云环境下的资源调度方法 - Google Patents
一种绿色云环境下的资源调度方法 Download PDFInfo
- Publication number
- CN113946440A CN113946440A CN202111156845.6A CN202111156845A CN113946440A CN 113946440 A CN113946440 A CN 113946440A CN 202111156845 A CN202111156845 A CN 202111156845A CN 113946440 A CN113946440 A CN 113946440A
- Authority
- CN
- China
- Prior art keywords
- task
- resource
- node
- tasks
- nodes
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013210 evaluation model Methods 0.000 claims abstract description 11
- 238000007726 management method Methods 0.000 claims abstract description 11
- 239000003086 colorant Substances 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000004040 coloring Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 58
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000009826 distribution Methods 0.000 claims description 12
- 238000005315 distribution function Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims 1
- 238000001994 activation Methods 0.000 claims 1
- 238000013468 resource allocation Methods 0.000 abstract description 4
- 238000005265 energy consumption Methods 0.000 description 27
- 230000006870 function Effects 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5083—Techniques for rebalancing the load in a distributed system
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种绿色云计算下的资源调度方法，包括如下工作步骤：对到达云数据中心的全局任务根据价值度和紧急度按照四象限法的处理顺序拆分分类为四个队列；将云数据中心的所有资源节点输入Petri网进行建模及对所有资源节点进行不同颜色的标记，通过建模***中标记的不同着色变化来动态解析云数据中心中所有资源节点的状态；构建云数据中心所有资源节点可用度评估模型，并设置不同的节点可用度评估区间；将节点动态划分为四个资源池；将四个队列中的任务匹配对应调度到四个资源池中，进而实现当前周期内资源管理的最优调度结果。通过本发明的方法云数据中心在运行时能够有效地映射资源、提高能效，优化任务调度和资源分配。
Description
技术领域
本发明属于绿云计算调度领域，特别涉及一种绿色云环境下的资源调度方法。
背景技术
云计算***的规模日益扩大，云数据中心部署资源节点的规模不断增加，数据中心产生的能耗也急剧增多，目前全球有上百万个云数据中心每天的耗电总量高达约7亿度，超负荷的碳排放问题也对生态环境造成了严重污染，一年中来自全球所有云数据中心的二氧化碳排放总量可高达6.7亿吨。云计算***的能耗来源主要有：(1)任务处理产生的必要能耗开销；(2)任务不匹配调度产生的执行能耗浪费；(3)资源节点空转产生的空闲能耗浪费；(4)散热和照明等辅助设备产生的额外消耗，因此云计算***的超高能耗已经严重阻碍着云计算本身的高质量发展，当前的云数据中心及云计算需要向绿色云计算方面转化、加深研究以及加强交流，从而才能促进云计算在未来的可持续、高质量发展。
发明内容
发明目的：为了克服现有技术中的不足，本发明提供了一种绿色云环境下的资源调度方法；通过该方法中的优化调度策略能够有效地映射资源、提高能效，结合资源节点的异构性、任务到达的随机性等特点来优化任务调度和资源分配，最终使云计算转化为节能、环保、低碳的绿色云计算。
技术方案：本发明提供一种绿色云环境下的资源调度方法，包括如下工作步骤：
对到达云数据中心的全局任务根据价值度和紧急度按照四象限法的处理顺序拆分分类为四个队列；
将云数据中心的所有资源节点输入预构建的颜色Petri网模型，根据节点运行状态和颜色之间的映射关系对所有资源节点进行不同颜色的标记，通过标记的不同着色变化动态解析云数据中心中所有资源节点的可用状态；
将解析获取的可用状态输入至预构建的可用度评估模型，以使可用度评估模型能够根据所设定的节点可用度评估区间将所有资源节点动态划分为四个资源池；
将四个队列中的任务匹配对应调度到四个资源池中，进而实现当前周期内资源管理的最优调度结果。
在进一步的实施例中，单个任务的价值度为客户的购买任务的单价付费值，进而采用定价模型计算任务价值度，云数据中心利润评估模型如下：
其中，E(Taskq，Resourcep)表示q个任务调度到p个资源节点上执行，q为到达数据中心的云任务总数，p为云数据中心资源节点总数，pricei为任务Taski的单价付费值，lengthi为任务Taski的任务长度，velocityj为资源节点
的处理器执行速度，
为所有资源节点处理器执行速度的平均值在实际使用中，客户的购买行为存在重复购买的情况，在单位时间内任务活跃次数的概率分布函数如下：
其中，非负随机变量X(x＝0，1，2，3，…)表示为任务未来的活跃次数，λ表示某类任务的重复购买率，在任意一段时间长度之内任务的重复购买次数服从参数为λ的泊松分布，取自数学家名字Euler首字母的欧拉数e为数学常数，是微积分定义中的常用极限，x！表示为活跃次数的阶乘，e-λ、λx、x！均表示指数幂形式；
根据公式(2)在任务活跃状态下的重复购买次数的概率计算公式为：
P(X≥1)＝1-P(X＝0)＝1-e-λ；(3)
综合公式(1)-(3)考虑任务的实际价值和潜在价值，单个任务价值度的计算公式：
其中，pricei、lengthi是和任务Taski本身相关的参数，分别表示为任务Taski的单价付费值和任务长度，velocityj是和资源节点Resourcej本身相关的参数，表示为资源节点Resourcej的处理器执行速度，p为云数据中心资源节点总数，
为所有资源节点处理器执行速度的平均值。
根据公式(1)和公式(4)，价值度E大于全局任务队列中所有任务的平均价值
的任务划分为重要任务。
在进一步的实施例中，到达云数据中心的全局任务包括：实时任务和非实时任务。
在进一步的实施例中，对全局任务进行紧急度分析如下：
计算任务在执行之前的等待时间满足，计算公式如下：
式中，Taski.wait表示任务的等待时间，
为任务的平均到达率，μ为资源节点的平均服务率，t在数值上等同于任务的到达时间；
计算任务的开始执行时间，公式如下：
Taski.start＝Taski.arrive+Taski.wait；(6)
式中，Taski.start表示任务的开始执行时间，Taski.arrive表示任务的到达时间；
实时任务和非实时任务的判断公式如下：
式中，length为任务Taski的任务长度，velocity为资源节点Resourcej的处理器执行速度，p为云计算***中资源节点总数，deadline为任务Taski的截止时间。
根据公式(7)，调度周期内不能满足截止期调度需求的任务划分为紧急任务。
在进一步的实施例中，根据四象限法将全局任务拆分为四个队列包括：紧急且重要任务，紧急非重要任务，重要非紧急任务，非重要非紧急任务；针对不同类别的任务，采用不同的优先级集群调度策略。
在进一步的实施例中，着色标识包括：绿色集合、粉色集合、以及红色集合；
所述绿色集合表示资源节点处于可利用状态，粉红色集合表示资源节点处于被占用状态，红色集合表示资源节点处于失效状态。
在进一步的实施例中，资源节点可用度与统计出的累计工作时间有关，当资源节点发生失效时，相应的资源节点寿命也就终止；资源节点每成功执行一次任务后，累计运行时间就相应增加节点对任务的服务时间。
在进一步的实施例中，单个资源节点的失效分布函数为：
F(t)＝P{X≤t}，t≥0；(8)
式中，X表示非负随机变量，用来描述***中各个资源节点的寿命分布；
进而X服从参数为(α，β)的韦伯分布下资源节点失效率计算公式为：
r(t)＝θα(θt)α-1，t∈(0，∞)，α＞1；(9)
式中，r(t)表示资源节点失效率计算函数，该资源节点在时刻t正常，在(t，t+Δt)失效的概率，θ为尺度参数，α为形状参数，为了使得t∈(0，∞)，失效率函数r(t)单调递增，设形状参数α＞1；失效率实际应用上满足下列公式：
式中，F(t)为节点寿命分布函数，f(t)为节点寿命分布函数的密度函数；
资源节点在时刻t之前可用度计算公式为：
R(t)＝P{X＞t}＝1-F(t)；(11)
其中，节点在时刻t的可利用概率定义为可用度为R(t)；此处的资源节点在时刻t之前可用度排除发生故障的可能；
结合上述式(10)和式(11)，可以得到如下推导公式：
对(10)等式两边求积分，得到如下公式：
根据公式(13)得出可用度R(t)与失效率r(t)之间的关系式：
式中，r(t)表示资源节点的失效率函数，可以用式(9)代入；t为资源节点的累计工作时间，当节点发生故障时，t暂停更新，当故障修复后，t更新为0；进而求出云计算***中各个资源节点的可用度。
在进一步的实施例中，还包括基于任务分类和资源可用度的资源调度算法，将任务按照动态匹配机制循环分配到对应资源池，该基于任务分类和资源可用度的资源调度算法的英文解释为Resource Scheduling Algorithm Based on Task Classification andResource Availability，采用RSACA缩写表示该算法，具体工作步骤为：
根据生成请求的任务参数，初始化云计算***中的全局任务队列；
划分云计算***初始时刻资源池级别，根据数据中心资源节点总数设置四个级别资源池中节点的数量；
遍历全局任务队列，计算队首任务的价值度和紧急度；
根据计算结果判断任务是否是紧急且重要任务，若是，将任务***紧急且重要任务队列的队尾；
若否，判断任务是否是重要非紧急任务，若是，将任务***重要非紧急任务队列的队尾；
若否，判断任务是否是紧急非重要任务，若是，将任务***重要非紧急任务队列的队尾，若否，将任务***非重要非紧急任务队列的队尾；
进而根据计算结果将任务拆分为紧急且重要任务，紧急非重要任务，重要非紧急任务，以及非重要非紧急任务四个队列；
按照预设周期T遍历***中的资源节点，计算所有资源节点的可用度；
将资源节点可用度进行排序，根据排序结果将资源节点动态划分成四级资源池；
分别将四级分队列中的任务调度到对应级别的资源池节点上运行。
在进一步的实施例中，所述四个资源池之间采用不同的电源管理技术进行管理。
有益效果：本发明与现有技术相比具有以下优点：
(1)通过价值度、紧急度计算和四象限法则可对全局任务进行快速的优先级分类，针对不同的优先级分类采用不同的调度策略；解决任务不匹配调度产生的传输时间、转/存空间和执行能耗的占用；
(2)通过建模***中标记的不同着色变化来动态达到可视化、实时地解析云数据中心中所有资源节点的状态，推算所有资源节点的可用度和可靠度；进而了解云计算***在真实部署运行过程中维修设备的数量及故障节点维修更新后的寿命同时根据节点可用度所处的区间不同，划分不同等级的资源池。
(3)通过根据节点可用度区间和任务数量变化动态的划分资源池，可在云数据中心循环计算过程中动态地减少任务处理时产生的能耗效果，从而进一步降低辅助设备的额外的电力、维修成本消耗；
最终通过本发明的方法使云数据中心在运行时能够有效地映射资源、提高能效，结合资源节点的异构性、任务到达的随机性等特点来优化任务调度和资源分配，最终使云计算转化为节能、环保、低碳的绿色云计算。
附图说明
图1为本发明基于动态匹配机制的资源调度策略结构图。
图2为本发明建模***中所有资源节点标记颜色状态图。
图3为本发明任务按照动态匹配机制循环分配到对应资源池的流程图。
图4为任务总数在500-5000实施例中的各个算法的任务完成时间值折线图。
图5位为任务总数在500-5000实施例中的各个算法的任务执行成功率占比值折线图。
图6为任务总数在500-5000实施例中的各个算法调度周期内消耗的能耗总值折线图。
具体实施方式
为了更充分理解本发明的技术内容，下面结合具体实施例对本发明的技术方案进一步介绍和说明，但不局限于此。
申请人发现云计算***的能耗来源主要有：任务处理产生的必要能耗开销；任务不匹配调度产生的执行能耗浪费；资源节点空转产生的空闲能耗浪费；散热和照明等辅助设备产生的额外消耗，通过针对以上分析可以通过优化任务调度和资源分配，以及优化云数据中心的硬件设施是有效降低云计算***能耗的必要措施。
在不预设任务量和资源节点数量的情况下，结合图1至图2对本发明提供的一种绿色云环境下的资源调度方法进行说明，该方法包括如下工作步骤：
对到达云数据中心的全局任务根据价值度和紧急度按照四象限法的处理顺序拆分分类为四个队列；
将云数据中心的所有资源节点输入预构建的颜色Petri网模型，根据节点运行状态和颜色之间的映射关系对所有资源节点进行不同颜色的标记，通过标记的不同着色变化动态解析云数据中心中所有资源节点的可用状态；
将解析获取的可用状态输入至预构建的可用度评估模型，以使可用度评估模型能够根据所设定的节点可用度评估区间将所有资源节点动态划分为四个资源池；
将四个队列中的任务匹配对应调度到四个资源池中，进而实现当前周期内资源管理的最优调度结果。
收集用户提交的任务作为输入，将全局任务队列通过任务分类划分成四级分队列，建立任务与资源节点的映射关系作为输出，即将任务调度到相匹配的资源节点，通过动态电源管理技术汇聚并统筹托管四级资源池中所有的资源节点。
如图1所示***中共有q个不同的任务，p个异构资源节点，当任务到达云计算***的全局任务队列后，根据价值度和紧急度会被划分到不同的分队列中，同时资源节点会根据可用度动态划分为四级资源池，第一资源池中的节点全部处于开启状态；第四资源池中的节点全部处于关闭状态，直到有任务到达；第二和第三资源池采取动态电源管理技术，第二资源池中关闭40％的节点，第三资源池关闭60％的节点，每个分队列中的任务会调度到对应的资源池节点上运行。
针对上述方法中的单个任务的价值度为客户的购买任务的单价付费值，进而采用定价模型计算任务价值度，云数据中心利润评估模型如下：
其中，E(Taskq，Resourcep)表示q个任务调度到p个资源节点上执行，q为到达数据中心的云任务总数，p为云数据中心资源节点总数，pricei为任务Taski的单价付费值，lengthi为任务Taski的任务长度，velocityj为资源节点Resourcej的处理器执行速度，
为所有资源节点处理器执行速度的平均值在实际使用中，客户的购买行为存在重复购买的情况，在单位时间内任务活跃次数的概率分布函数如下：
其中，非负随机变量X(x＝0，1，2，3，…)表示为任务未来的活跃次数，λ表示某类任务的重复购买率，在任意一段时间长度之内任务的重复购买次数服从参数为λ的泊松分布，取自数学家名字Euler首字母的欧拉数e为数学常数，是微积分定义中的常用极限，x！表示为活跃次数的阶乘，e-λ、λx、x！均表示指数幂形式；
根据公式(2)在任务活跃状态下的重复购买次数的概率计算公式为：
P(X≥1)＝1-P(X＝0)＝1-e-λ；(3)
综合公式(1)-(3)考虑任务的实际价值和潜在价值，单个任务价值度的计算公式：
其中，pricei、lengthi是和任务Taski本身相关的参数，分别表示为任务Taski的单价付费值和任务长度，velocityj是和资源节点Resourcej本身相关的参数，表示为资源节点Resourcej的处理器执行速度，p为云数据中心资源节点总数，
为所有资源节点处理器执行速度的平均值。
到达云数据中心的全局任务包括：实时任务和非实时任务。实时任务是指该类任务需要在规定的时限内，也就是通常所说的任务截止期内完成处理，最大的特点就是其具有紧迫性。而非实时任务虽然没有严格的截止期要求，但是如果针对非实时任务也追求该时限目标，将会在一定程度上提升用户的满意度，从而变相地提高任务重复购买率。
对全局任务进行紧急度分析时，设云任务Taski在任意t时刻到达云计算***，当前全局任务队列中共有Y(t)个任务在等待执行；
计算任务在执行之前的等待时间公式如下：
式中，Taski.wait表示任务的等待时间，
为任务的平均到达率，μ为资源节点的平均服务率，t在数值上等同于任务的到达时间；
计算任务的开始执行时间，公式如下：
Taski.start＝Taski.arrive+Taski.wait；(6)
式中，Taski.start表示任务的开始执行时间，Taski.arrive表示任务的到达时间；
实时任务和非实时任务的判断公式如下：
式中，length为任务Taski的任务长度，velocity为资源节点Resourcej的处理器执行速度，p为云计算***中资源节点总数，deadline为任务Taski的截止时间。
四象限法根据紧迫性和必要性两个维度进行分析；把全局任务按照紧急、不紧急、必要、非必要进行排列组合，生成类似于笛卡尔坐标系中的四个象限，并基于这四个象限统筹规划任务的执行频率和强度，将全局任务拆分为四个队列包括：紧急且重要任务，紧急非重要任务，重要非紧急任务，非重要非紧急任务；针对不同类别的任务，采用不同的优先级集群调度策略。
现有云计算普遍采用分布式架构，而节点失效是分布式***的一大特点，因此构成大规模云环境的资源节点具有相对性能低、易失效的特点，节点的失效将会极大地影响调度的效率和性能，现有的资源调度算法中较少考虑动态资源节点的失效问题，实际上保证资源的可靠性对云服务提供商来说非常关键。云计算资源节点失效率会随时间推移呈现出浴盆曲线变化，浴盆左右两端分别为早期失效期和疲劳失效期，这两个时期失效率相对较高，而浴盆中心为偶然失效期，该时期为相对最佳工作时期。根据偶然失效期采取淘汰制还是维修制可将云计算***分为可修***和非可修***，现有文献在计算资源节点可用度的时候，都是将云计算***当成非可修***，即失效后采取淘汰更新机制。然而云计算***在真实部署运行过程中，是存在一定数量的维修设备的，故障节点维修更新后的寿命分布可以认为与新的节点相同，即修复如新；大量的异构资源节点并发工作构成了云计算***的服务中心，本发明采用具有记忆标识的颜色Petri网建模，用于描述云计算中异构资源节点映射成的抽象***且能够区分资源节点的不同状态，以及对资源节点的状态进行分类解析。着色标识的颜色分类包括：绿色集合、粉色集合、以及红色集合；
其中，绿色集合表示资源节点处于可利用状态，粉红色集合表示资源节点处于被占用状态，红色集合表示资源节点处于失效状态。
如图2所示一个具有记忆标识的颜色Petri网模型(Colored Petri NetwithMemory,CPNM)定义为如下二元组：CPNM＝(CPN，M(resource))，其中，CPN是颜色Petri网；M(resource)为资源库所具有的记忆标识，每个资源库所resourcei都标记有对应的记忆标识值M(resourcei)，该值代表节点的累计繁忙运行时间，节点每成功执行一次任务后，累计运行时间就相应增加节点对任务的服务时间。对于第一资源节点，任务开始变迁A1引发后，在资源库所中消耗一个标志，表示资源开始执行任务，对应的资源库所由绿色变为粉红色；任务完成变迁B1引发后，在资源库所中产生一个标志，表示资源执行任务完成，所用的资源库所托肯色由粉红色变为绿色，并且资源的累计工作时间增加各自的服务时间。当节点发生故障时，C1变迁发生，对应的资源库所由粉红色变成红色，并向维修设备发出待修理请求，等维修设备空闲时，该故障节点得到修理，相应的D1变迁发生，对应的资源库所由红色变成绿色。第二资源节点、第三资源节点……以及第P资源节点的情况与第一资源节点类似。进一步的，资源节点寿命与统计出的累计工作时间有关，当资源节点发生失效时，相应的资源节点寿命也就终止；进而影响资源节点的可用度分析结果。
进而一步的通过计算来得出资源节点的可用度，单个资源节点的失效分布函数为：
F(t)＝P{X≤t}，t≥0；(8)
式中，X表示非负随机变量，用来描述***中各个资源节点的寿命分布；
进而X服从参数为(α，β)的韦伯分布下资源节点失效率计算公式为：
r(t)＝θα(θt)α-1，t∈(0，∞)，α＞1；(9)
式中，r(t)表示资源节点失效率计算函数，该资源节点在时刻t正常，在(t，t+Δt)失效的概率，θ为尺度参数，α为形状参数，为了使得t∈(0，∞)，失效率函数r(t)单调递增，设形状参数α＞1；失效率实际应用上满足下列公式：
式中，F(t)为节点寿命分布函数，f(t)为节点寿命分布函数的密度函数；
资源节点在时刻t之前可用度计算公式为：
R(t)＝P{X＞t}＝1-F(t)；(11)
其中，节点在时刻t的可利用概率定义为可用度为R(t)；此处的资源节点在时刻t之前可用度排除发生故障的可能；
结合上述式(10)和式(11)，可以得到如下推导公式：
对(10)等式两边求积分，得到如下公式：
根据公式(13)得出可用度R(t)与失效率r(t)之间的关系式：
式中，r(t)表示资源节点的失效率函数，可以用式(9)代入；t为资源节点的累计工作时间，当节点发生故障时，t暂停更新，当故障修复后，t更新为0；进而求出云计算***中各个资源节点的可用度。
在本发明中还包括基于任务分类和资源可用度的资源调度算法，将任务按照动态匹配机制循环分配到对应资源池，该基于任务分类和资源可用度的资源调度算法的英文解释为Resource Scheduling Algorithm Based on Task Classification and ResourceAvailability，因此采用RSACA表示该算法，结合图3对该动态匹配机制进行进一步的说明：
根据生成请求的任务参数，初始化云计算***中的全局任务队列；
划分云计算***初始时刻资源池级别，根据数据中心资源节点总数设置四个级别资源池中节点的数量；
遍历全局任务队列，计算队首任务的价值度和紧急度；
根据计算结果判断任务是否是紧急且重要任务，若是，将任务***紧急且重要任务队列的队尾；
若否，判断任务是否是重要非紧急任务，若是，将任务***重要非紧急任务队列的队尾；
若否，判断任务是否是紧急非重要任务，若是，将任务***重要非紧急任务队列的队尾，若否，将任务***非重要非紧急任务队列的队尾；
进而根据计算结果将任务拆分为紧急且重要任务，紧急非重要任务，重要非紧急任务，以及非重要非紧急任务四个队列；
按照预设周期T遍历***中的资源节点，计算所有资源节点的可用度；
将资源节点可用度进行排序，根据排序结果将资源节点动态划分成四级资源池；
分别将四级分队列中的任务调度到对应级别的资源池节点上运行。
在进一步的实施例中，所述四个资源池之间采用不同的动态电源管理技术进行管理。
本发明采用开源仿真工具CloudSim，对云环境下的资源分配进行模拟、统计和评估的优选实施例说明，并在软件中扩展资源节点模块，使得节点存在失效和修复事件，在本实施例中，将任务数量设置为自变量，将全局任务的数量设为500-5000个，进而记录和计算500-5000个任务在1000个资源节点的执行情况，执行步骤如下：
对到达云数据中心的全局任务根据价值度和紧急度按照四象限法的处理顺序拆分分类为四个队列；
将云数据中心的所有资源节点输入Petri网进行建模及对所有资源节点进行不同颜色的标记，通过建模***中标记的不同着色变化来动态解析云数据中心中所有资源节点的状态；
根据解析状态，构建云数据中心所有资源节点可用度评估模型，并设置不同的节点可用度评估区间；
根据节点可用度评估的区间不同，将节点动态划分为四个资源池；
将四个队列中的任务匹配对应调度到四个资源池中；
其中，所述四个资源池之间采用不同的动态电源管理技术进行管理；由于实施例1中采用任务分类和资源可用度划分的资源调度算法(RSACA)算法调度过程相对复杂，因此无法取得较短的任务完成时间，因此在本实施例中采用经典的Min-Min调度算法和CFRDLS调度算法同时进行计算与任务分类和资源可用度划分的资源调度算法(RSACA)算法产生的数值进行对比，增加实施例的优选范围。
如图4至图6所示每组算法进行循环实验10次后取平均值，实验过程中所使用到的主要参数如下表所示：
由图4的实验结果可以看出，Min-Min算法的任务完成时间最小，CFRDLS算法紧随其后，而本文RSACA算法具有相对最长的任务完成时间值。原因如下：Min-Min调度算法基于期望完成时间最小思想来调度任务，CFRDLS调度算法需要遍历资源节点以寻找到稳定性最高的节点来调度任务。相比与CFRDLS算法，本文任务分类和资源可用度划分的资源调度算法(RSACA)算法在调度过程种还需要动态计算任务的价值度和紧急度从而进行任务分类，并动态评估节点的可用度，调度过程相对复杂，因此无法取得较短的任务完成时间。
通过任务执行成功率来验证调度算法的实时性。本节比较3种算法的任务执行成功率，实验中分别设置任务总数量在500-5000之间递增时各个算法的任务执行成功率占比值，获得的结果如图5所示；从图5可以看出，3种调度算法的任务执行成功率曲线的走向规律大体一致，但是Min-Min算法的成功率最高，本文任务分类和资源可用度划分的资源调度算法(RSACA)算法次之，CFRDLS算法的执行成功率最低，这是由于Min-Min算法寻求最小执行时间的节点运行并且节点运行期间不会失效，本文算法和CFRDLS算法都存在节点失效情况，将任务调度到可用性高的节点执行，然而本文算法还额外考虑任务的紧急度，将紧迫性高的任务优先调度，在很大程度上提高了任务的执行成功率。
通过***总能耗来验证调度算法的能耗优化效果。本节评估3种算法的总能量消耗，实验中分别设置任务总数在500-5000之间递增变化时各个算法的能耗总消耗值，获得的结果如图6所示。
从图6可以看出，随着任务数线性增多时，3种算法的总能耗也单调增加，但由于本文任务分类和资源可用度划分的资源调度算法(RSACA)算法对资源节点池实施电源管理技术，关闭部分特定的资源节点，所以消耗的***总能耗最低，能耗优化效果明显。Min-Min算法的***总能耗最高，这是由于该算法只单纯考虑调度效率而完全不涉及节能理念，导致没有任务执行的节点全部被迫处于空转状态。CFRDLS算法中资源节点从正常运行状态转换为失效状态时，失效的节点不再产生大量空闲能耗，所以该算法产生了一定的优化节能效果，故产生的能耗消耗量处在上述两个算法之间。
综合上述实验结果，本文提出的任务分类和资源可用度划分的资源调度算法(RSACA)算法在相对保证服务性能的前提下有效降低了***能耗开销，在云用户和云数据中心之间达到了利益平衡，能够更好地适用于绿色云计算***。
通过解析图3至图5中的对比结果，统计并比较下述三个算法中的因变量：任务完成时间、任务执行成功率占比值、以及调度周期内消耗的能耗总值具有以下作用：
任务完成时间为末任务结束时间与初任务开始时间的差值；能够代表算法调度的效率；
任务执行成功率为在规定的截止时限内完成的任务数量占比值；能够代表算法的实时性；
整个调度周期内消耗的能耗总值能够代表算法节能效果。
综合本实施例的试验结果，本文提出的RSACA算法在相对保证服务性能的前提下有效降低了***能耗开销，在云用户和云数据中心之间达到了利益平衡，能够更好地适用于绿色云计算***。
以上以附图说明的方式对本发明作了描述，本领域的技术人员应当理解，本公开不限于以上描述的实施例，在不偏离本发明的范围的情况下，可以做出各种变化、改变和替换。
Claims (10)
1.一种绿色云计算下的资源调度方法，其特征在于，包括如下工作步骤：
对到达云数据中心的全局任务根据价值度和紧急度按照四象限法的处理顺序拆分分类为四个队列；
将云数据中心的所有资源节点输入预构建的颜色Petri网模型，根据节点运行状态和颜色之间的映射关系对所有资源节点进行不同颜色的标记，通过标记的不同着色变化动态解析云数据中心中所有资源节点的可用状态；
将解析获取的可用状态输入至预构建的可用度评估模型，以使可用度评估模型能够根据所设定的节点可用度评估区间将所有资源节点动态划分为四个资源池；
将四个队列中的任务匹配对应调度到四个资源池中，进而实现当前周期内资源管理的最优调度结果。
2.根据权利要求l所述的一种绿色云计算下的资源调度方法，其特征在于，单个任务的价值度为客户的购买任务的单价付费值，进而采用定价模型计算任务价值度，云数据中心利润评估模型如下：
其中，E(Taskq，Resourcep)表示q个任务调度到p个资源节点上执行，q为到达数据中心的云任务总数，p为云数据中心资源节点总数，pricei为任务Taski的单价付费值，lengthi为任务Taski的任务长度，velocityj为资源节点Resourcej的处理器执行速度，
为所有资源节点处理器执行速度的平均值；
在实际使用中，客户的购买行为存在重复购买的情况，在单位时间内任务活跃次数的概率分布函数如下：
式中，非负随机变量X(x＝0，1，2，3，…)表示为任务未来的活跃次数，λ表示某类任务的重复购买率，在任意一段时间长度之内任务的重复购买次数服从参数为λ的泊松分布，取自数学家名字Euler首字母的欧拉数e为数学常数，是微积分定义中的常用极限，x！表示为活跃次数的阶乘，e-λ、λx、x！均表示指数幂形式；
根据公式(2)在任务活跃状态下的重复购买次数的概率计算公式为：
P(X≥1)＝1-P(X＝0)＝1-e-λ； (3)
综合公式(1)-(3)考虑任务的实际价值和潜在价值，单个任务价值度的计算公式：
其中，pricei、lengthi是和任务Taski本身相关的参数，分别表示为任务Taski的单价付费值和任务长度，velocityj是和资源节点Resourcej本身相关的参数，表示为资源节点Resourcej的处理器执行速度，p为云数据中心资源节点总数，
为所有资源节点处理器执行速度的平均值。
根据公式(1)和公式(4)，价值度E大于全局任务队列中所有任务的平均价值
的任务划分为重要任务。
3.根据权利要求1所述的一种绿色云计算下的资源调度策略方法，其特征在于，到达云数据中心的全局任务包括：实时任务和非实时任务。
4.根据权利要求1或3所述的一种绿色云计算下的资源调度策略方法，其特征在于，对全局任务进行紧急度分析时，设云任务Taski在任意t时刻到达云计算***，当前全局任务队列中共有Y(t)个任务在等待执行，{Y(t)，t≥0}满足生灭过程，根据生灭过程的极限定理以及***达到相对平稳状态的概率分布可以推导计算出任务在执行之前的等待时间如下；
式中，Taski.wait表示任务的等待时间，
为任务的平均到达率，μ为资源节点的平均服务率，t在数值上等同于任务的到达时间；
计算任务的开始执行时间，公式如下：
Taski.start＝Taski.arrive+Taski.wait； (6)
式中，Taski.start表示任务的开始执行时间，Taski.arrive表示任务的到达时间；
实时任务和非实时任务的判断公式如下：
式中，length为任务Taski的任务长度，velocity为资源节点Resourcej的处理器执行速度，p为云计算***中资源节点总数，deadline为任务Taski的截止时间。
根据公式(7)，调度周期内不能满足截止期调度需求的任务划分为紧急任务。
5.根据权利要求1所述的一种绿色云计算下的资源调度策略方法，其特征在于，根据四象限法将全局任务拆分为四个队列包括：紧急且重要任务，紧急非重要任务，重要非紧急任务，非重要非紧急任务；针对不同类别的任务，采用不同的优先级集群调度策略。
6.根据权利要求1所述的一种绿色云计算下的资源调度策略方法，其特征在于，着色标识包括：绿色集合、粉色集合、以及红色集合；
所述绿色集合表示资源节点处于可利用状态，粉红色集合表示资源节点处于被占用状态，红色集合表示资源节点处于失效状态。
7.根据权利要求1所述的一种绿色云计算下的资源调度策略方法，其特征在于，资源节点可用度与统计出的累计工作时间有关，当资源节点发生失效时，相应的资源节点寿命也就终止；资源节点每成功执行一次任务后，累计运行时间就相应增加节点对任务的服务时间。
8.根据权利要求7所述的一种绿色云计算下的资源调度策略方法，其特征在于，单个资源节点的失效分布函数为：
F(t)＝P{X≤t}，t≥0； (8)
式中，X表示非负随机变量，用来描述***中各个资源节点的寿命分布；
进而X服从参数为(α，β)的韦伯分布下资源节点失效率计算公式为：
r(t)＝θα(θt)α-1，t∈(0，∞)，α＞1； (9)
式中，r(t)表示资源节点失效率计算函数，该资源节点在时刻t正常，在(t，t+Δt)失效的概率，θ为尺度参数，α为形状参数，为了使得t∈(0，∞)，失效率函数r(t)单调递增，设形状参数α＞1；失效率在实际应用上满足下列公式：
式中，F(t)为节点寿命分布函数，f(t)为节点寿命分布函数的密度函数；
资源节点在时刻t之前可用度计算公式为：
R(t)＝P{X＞t}＝1-F(t)； (11)
其中，节点在时刻t的可利用概率定义为可用度为R(t)；此处的资源节点在时刻t之前可用度排除发生故障的可能；
结合上述式(10)和式(11)，可以得到如下推导公式：
对(10)等式两边求积分，得到如下公式：
根据公式(13)得出可用度R(t)与失效率r(t)之间的关系式：
式中，r(t)表示资源节点的失效率函数，用式(9)代入；t为资源节点的累计工作时间，当节点发生故障时，t暂停更新，当故障修复后，t更新为0；进而求出云计算***中各个资源节点的可用度。
9.根据权利要求1所述的一种绿色云计算下的资源调度策略方法，其特征在于，还包括基于任务分类和资源可用度的资源调度算法，将任务按照动态匹配机制循环分配到对应资源池，该算法工作步骤包括：
根据生成请求的任务参数，初始化云计算***中的全局任务队列；
划分云计算***初始时刻资源池级别，根据数据中心资源节点总数设置四个级别资源池中节点的数量；
遍历全局任务队列，计算队首任务的价值度和紧急度；
根据计算结果判断任务是否是紧急且重要任务，若是，将任务***紧急且重要任务队列的队尾；
若否，判断任务是否是重要非紧急任务，若是，将任务***重要非紧急任务队列的队尾；
若否，判断任务是否是紧急非重要任务，若是，将任务***重要非紧急任务队列的队尾，若否，将任务***非重要非紧急任务队列的队尾；
进而根据计算将任务拆分为紧急且重要任务，紧急非重要任务，重要非紧急任务，以及非重要非紧急任务四个队列；
按照预设周期T遍历***中的资源节点，计算所有资源节点的可用度；
将资源节点可用度进行排序，根据排序结果将资源节点动态划分成四级资源池；
分别将四级分队列中的任务调度到对应级别的资源池节点上运行。
10.根据权利要求1～9任一项所述的一种绿色云计算下的资源调度方法，其特征在于，所述四个资源池之间采用不同的电源管理技术进行管理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111156845.6A CN113946440A (zh) | 2021-09-30 | 2021-09-30 | 一种绿色云环境下的资源调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111156845.6A CN113946440A (zh) | 2021-09-30 | 2021-09-30 | 一种绿色云环境下的资源调度方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113946440A true CN113946440A (zh) | 2022-01-18 |
Family
ID=79329000
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111156845.6A Withdrawn CN113946440A (zh) | 2021-09-30 | 2021-09-30 | 一种绿色云环境下的资源调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113946440A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117573307A (zh) * | 2023-11-13 | 2024-02-20 | 纬创软件(武汉)有限公司 | 云环境下多任务的统筹管理方法及*** |
-
2021
- 2021-09-30 CN CN202111156845.6A patent/CN113946440A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117573307A (zh) * | 2023-11-13 | 2024-02-20 | 纬创软件(武汉)有限公司 | 云环境下多任务的统筹管理方法及*** |
| CN117573307B (zh) * | 2023-11-13 | 2024-04-09 | 纬创软件(武汉)有限公司 | 云环境下多任务的统筹管理方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110096349B (zh) | 一种基于集群节点负载状态预测的作业调度方法 | |
| CN112416585B (zh) | 面向深度学习的gpu资源管理与智能化调度方法 | |
| CN103092683A (zh) | 用于数据分析的基于启发式的调度 | |
| CN108170531B (zh) | 一种基于深度信念网络的云数据中心请求流调度方法 | |
| Cohen et al. | Managing stochastic, finite capacity, multi-project systems through the cross-entropy methodology | |
| CN112231081B (zh) | 云环境下基于pso-ahp的单调速率资源调度方法及*** | |
| CN103279818A (zh) | 基于启发式遗传算法的云工作流调度方法 | |
| CN116467076A (zh) | 一种基于集群可用资源的多集群调度方法及*** | |
| CN105373426A (zh) | 一种基于Hadoop的车联网内存感知实时作业调度方法 | |
| CN115543626A (zh) | 采用异构计算资源负载均衡调度的电力缺陷图像仿真方法 | |
| Wang et al. | Dynamic multiworkflow deadline and budget constrained scheduling in heterogeneous distributed systems | |
| CN113946440A (zh) | 一种绿色云环境下的资源调度方法 | |
| Li et al. | A QoS-based scheduling algorithm for instance-intensive workflows in cloud environment | |
| Yang et al. | Design of kubernetes scheduling strategy based on LSTM and grey model | |
| CN107025141B (zh) | 一种基于大数据混合作业模型的调度方法 | |
| CN117707759A (zh) | 一种多租户gpu集群弹性配额调度方法和*** | |
| CN110119317A (zh) | 一种基于遗传算法的云计算任务调度方法和*** | |
| Li et al. | SLA-based task offloading for energy consumption constrained workflows in fog computing | |
| CN114417577A (zh) | 跨平台资源调度与优化控制方法 | |
| Du et al. | OctopusKing: A TCT-aware task scheduling on spark platform | |
| Le Hai et al. | A working time deadline-based backfilling scheduling solution | |
| CN114035919A (zh) | 基于配电网分层分布特征的任务调度***及方法 | |
| Yang et al. | Classification-Based Diverse Workflows Scheduling in Clouds | |
| CN111506407A (zh) | Pull模式与Push模式相结合的资源管理与作业调度方法、***及介质 | |
| CN111784029A (zh) | 一种雾节点资源分配方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220118 |