CN117519942A - 一种云计算平台的任务调度方法、装置、存储介质及电子设备 - Google Patents

一种云计算平台的任务调度方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN117519942A
CN117519942A CN202311635108.3A CN202311635108A CN117519942A CN 117519942 A CN117519942 A CN 117519942A CN 202311635108 A CN202311635108 A CN 202311635108A CN 117519942 A CN117519942 A CN 117519942A
Authority
CN
China
Prior art keywords
task
cloud computing
computing platform
ordered
energy consumption
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
Application number
CN202311635108.3A
Other languages
English (en)
Inventor
兰宇奇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Agricultural Bank of China
Original Assignee
Agricultural Bank of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Agricultural Bank of China filed Critical Agricultural Bank of China
Priority to CN202311635108.3A priority Critical patent/CN117519942A/zh
Publication of CN117519942A publication Critical patent/CN117519942A/zh
Pending legal-status Critical Current

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
    • 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

本申请提供了一种云计算平台的任务调度方法、装置、存储介质及电子设备，该方法首先对云计算平台的各个任务进行预处理，得到云计算平台的有序任务序列；再基于有序任务序列，利用预设遗传模糊算法对有序任务序列中的各个任务进行自适应调度任务，以达到平衡云计算平台的***响应和能耗的目的，解决了现有主要通过动态调节设备的运行功率降低能耗，会影响整体性能，导致***响应速度慢的问题。

Description

一种云计算平台的任务调度方法、装置、存储介质及电子设备
技术领域
本发明涉及数据处理技术领域，具体涉及一种云计算平台的任务调度方法、装置、存储介质及电子设备。
背景技术
云计算平台的调度一般是指资源调度和任务调度。资源调度是指对物理资源合理有效，任务调度是指任何合理分配至合适的计算资源。由于任务环境具有多变性和不可预测性，因此***的任务需求是动态的，使得有效调度任务来满足***响应快的要求具有一定难度。
同时，云计算平台的能耗也是进行任务调度时需要考虑的一个重要因素。随着云计算数据中心的不断扩大，数据中心的能耗也随之呈几何速度增长。对此，降低***能耗逐渐成为了云计算数据中心亟待解决的关键性难题。
目前，主要通过动态调节设备的运行功率降低能耗，但是此种方式会影响整体性能，降低***响应速度。
发明内容
对此，本申请提供一种云计算平台的任务调度方法、装置、存储介质及电子设备，以解决现有主要通过动态调节设备的运行功率降低能耗，会影响整体性能，导致***响应速度慢的问题。
为实现上述目的，本发明实施例提供如下技术方案：
本申请第一方面公开了一种云计算平台的任务调度方法，包括：
对所述云计算平台的各个任务进行预处理，得到所述云计算平台的有序任务序列；
基于所述有序任务序列，利用预设遗传模糊算法对所述有序任务序列中的各个任务进行自适应调度。
可选地，在上述的云计算平台的任务调度方法中，对所述云计算平台的各个任务进行预处理，得到所述云计算平台的有序任务序列，包括：
分别确定所述云计算平台中各个任务的工作能耗等级和执行时长；
按照所述工作能耗等级作为第一优先级、所述执行时长作为第二优先级的排序方式，对各个所述任务进行排序，得到所述云计算平台的有序任务序列。
可选地，在上述的云计算平台的任务调度方法中，所述工作能耗等级作为第一优先级、所述执行时长作为第二优先级的排序方式，包括：
优先将各个任务的工作能耗等级按照由低至高的顺序排序，针对工作能耗等级相同的任务，则按照执行时长由高至低的顺序排序。
可选地，在上述的云计算平台的任务调度方法中，对所述云计算平台的各个任务进行预处理，得到所述云计算平台的有序任务序列，包括：
分别确定所述云计算平台中各个任务的工作能耗等级排名和执行时长排名；
针对每一所述任务，根据所述任务的工作能耗等级排名和执行时长排名进行运算，得到各个所述任务的综合排名；
按照所述综合排名作为第一优先级、所述执行时长作为第二优先级的排序方式，对各个所述任务进行排序，得到所述云计算平台的有序任务序列。
可选地，在上述的云计算平台的任务调度方法中，所述综合排名作为第一优先级、所述执行时长作为第二优先级的排序方式，包括：
优先按照所述综合排名对各个所述任务进行排序，针对综合排名相同的任务，按照执行时长靠前的顺序进行排序。
可选地，在上述的云计算平台的任务调度方法中，基于所述有序任务序列，利用预设遗传模糊算法对所述有序任务序列中的各个任务进行自适应调度，包括：
将所述云计算平台的执行时间划分为时间片，得到所述云计算平台的任务调度周期，一个所述时间片作为所述云计算平台的一个所述任务调度周期；
在每一任务调度周期内，利用所述预设遗传模糊算法中的任务能耗标准差适应度函数计算出所述有序任务序列中各个任务的工作能耗；
根据各个所述任务的工作能耗和执行时长效益函数，构建出所述预设遗传模糊算法的效益函数；
根据所述预设遗传模糊算法的效益函数，对所述有序任务序列中的各个任务进行自适应调度。
可选地，在上述的云计算平台的任务调度方法中，在根据所述预设遗传模糊算法的效益函数，对所述有序任务序列中的各个任务进行自适应调度之后，还包括：
判断当前执行的任务调度周期是否存在无法处理任务；
若判断出当前执行的任务调度周期存在无法处理任务，则将所述无法处理任务延迟至下一个任务调度周期。
本申请第二方面公开了一种云计算平台的任务调度装置，包括：
预处理单元，用于对所述云计算平台的各个任务进行预处理，得到所述云计算平台的有序任务序列；
自适应调度单元，用于基于所述有序任务序列，利用预设遗传模糊算法对所述有序任务序列中的各个任务进行自适应调度。
本申请第三方面公开了一种电子设备，包括：存储器和处理器；
其中，所述存储器用于存储计算机程序；
所述处理器用于执行所述计算机程序，具体用于实现如第一方面公开的任一项所述的云计算平台的任务调度方法。
本申请第四方面公开了一种计算机存储介质，用于存储计算机程序，所述计算机程序被执行时，具体用于实现如第一方面公开的任一项所述的云计算平台的任务调度方法。
本发明提供了一种云计算平台的任务调度方法，该方法首先对云计算平台的各个任务进行预处理，得到云计算平台的有序任务序列；再基于有序任务序列，利用预设遗传模糊算法对有序任务序列中的各个任务进行自适应调度任务，以达到平衡云计算平台的***响应和能耗的目的，解决了现有主要通过动态调节设备的运行功率降低能耗，会影响整体性能，导致***响应速度慢的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请提供的一种云计算平台的任务调度方法的流程图；
图2为本申请实施例提供的一种云计算平台的有序任务序列的确定流程图；
图3为本申请实施例提供的另一种云计算平台的有序任务序列的确定流程图；
图4为本申请实施例提供的一种自适应调度任务的流程图；
图5为本申请实施例提供的一种遗传模糊***中模糊处理和遗传设计构思图；
图6为本申请实施例提供的一种多任务调度的流程图；
图7为本申请实施例提供的一种云计算平台的任务调度装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为便于理解本申请实施例的技术方案，首先对可能涉及的部分术语进行简要说明。
非线性集群：若在同一个集群中有两个独立的邻居任务，称为非线性集群。
线性集群：与非线性集群相对的概念。同一集群中没有两个独立的邻居任务称为线性集群。
本申请提供一种云计算平台的任务调度方法、装置、存储介质及电子设备，以解决现有主要通过动态调节设备的运行功率降低能耗，会影响整体性能，导致***响应速度慢的问题。
请参见图1，该云计算平台的任务调度方法主要包括如下步骤：
S101、对云计算平台的各个任务进行预处理，得到云计算平台的有序任务序列。
在一些实施例中，步骤S101、对云计算平台的各个任务进行预处理，得到云计算平台的有序任务序列的执行过程可如图2所示，主要包括步骤S201和S202：
S201、分别确定云计算平台中各个任务的工作能耗等级和执行时长。
其中，可以通过数据采集的方式，获取到云计算平台中每个任务的工作能耗等级和执行时长；当然，并不仅限于此，还可视应用环境和用户需求，采用现有其他方式确定云计算平台中各个任务的工作能耗等级和执行时长，无论采用何种方式，均在本申请的保护范围之内。
实际应用中，任务的工作能耗等级的划分可视应用环境和用户需求确定，比如可以划分为1-5级，级数越高能耗越大。
S202、按照工作能耗等级作为第一优先级、执行时长作为第二优先级的排序方式，对各个任务进行排序，得到云计算平台的有序任务序列。
其中，工作能耗等级作为第一优先级、执行时长作为第二优先级的排序方式可以包括：优先将各个任务的工作能耗等级按照由低至高的顺序排序，针对工作能耗等级相同的任务，则按照执行时长由高至低的顺序排序。
能够理解的是，可以按照低能耗高执行时长优先的处理方式，对云计算平台的各个任务进行预处理，得到云计算平台的有序任务序列。具体的排序规则可以如下：
Input：未排序的任务流矩阵：Tasks；任务个数：N
output：排序后任务流矩阵：Tasks_LCHEF
fort＝1,2,……，Ndo
按照任务工作能耗等级进行排序，能耗低的优先执行；
任务能耗等级相同的按照执行时长进行排序，执行时长的优先执行；
end
按照上述排序规则对云计算平台中各个任务进行排序，就可以得到云计算平台的有序任务序列。
在上述实施例的基础之上，在一些实施例中，步骤S101、对云计算平台的各个任务进行预处理，得到云计算平台的有序任务序列的执行过程可如图3所示，主要包括步骤S301至S303：
S301、分别确定云计算平台中各个任务的工作能耗等级排名和执行时长排名。
实际应用中，可以按照工作能耗等级由低至高的顺序，将云计算平台中各个任务进行排序，得到每个任务的工作能耗等级排母。可以按照执行时长由高至低的顺序，将云计算平台中各个任务进行排序，得到每个任务的执行时长排名。
S302、针对每一任务，根据任务的工作能耗等级排名和执行时长排名进行运算，得到各个任务的综合排名。
实际应用中，针对每一任务，可以求取该任务工作能耗等级排名和执行时长排名的平均值，从而得到该任务的综合排名。
S303、按照综合排名作为第一优先级、执行时长作为第二优先级的排序方式，对各个任务进行排序，得到云计算平台的有序任务序列。
其中，综合排名作为第一优先级、执行时长作为第二优先级的排序方式可以是：优先按照综合排名对各个任务进行排序，针对综合排名相同的任务，按照执行时长靠前的顺序进行排序。
能够理解的是，可以按照改良的低能耗高执行时长优先的处理方式，对云计算平台的各个任务进行预处理，得到云计算平台的有序任务序列。具体的排序规则可以如下：
Input：未排序的任务流矩阵：Tasks；任务个数：N
output：排序后任务流矩阵：Tasks_MLCHEF
fort＝1,2,……，Ndo
计算IndComsumption为当前任务流按照能耗高低的任务排名情况；
计算IndExuTime为当前任务流按照执行时长的任务排名情况；
end
计算IndComsumption及IndExuTime的平均值IndTask为综合排名情况；
ifIndTask相同then
IndExuTime靠前的任务优先；
else
按照IndTask对任务进行排序
end
按照上述排序规则对云计算平台中各个任务进行排序，就可以得到云计算平台的有序任务序列。
需要说明的是，在对云计算平台的各个任务进行预处理过程中还可以按照线性集群和非线性集群进行区分。其中，线性集群统计最长执行时间和工作能耗，非线性集群统计单个任务的优先级，但是任务排序规则一致，得到的工作能耗等目标值不一致。
需要说明的是，实际应用中在得到有序任务序列之后，也可以按照有序任务序列中各个任务的顺序依次调度，但是没有经过预设遗传算法进行自适应调度，云计算平台的***响应和能耗无法到达平衡。
S102、基于有序任务序列，利用预设遗传模糊算法对有序任务序列中的各个任务进行自适应调度。
在一些实施例中，步骤S102、基于有序任务序列，利用预设遗传模糊算法对有序任务序列中的各个任务进行自适应调度的具体执行过程可如图4所示，主要包括步骤S401至S404：
S401、将云计算平台的执行时间划分为时间片，得到云计算平台的任务调度周期。
其中，一个时间片作为云计算平台的一个任务调度周期。
实际应用中，各个时间片的时长可以一致，也可以不一致；视应用环境和用户需求确定即可，均在本申请的保护范围之内。
需要说明的是，将云计算平台的执行时间划分为时间片的具体方式可参见现有技术，本申请不再一一赘述。
S402、在每一任务调度周期内，利用预设遗传模糊算法中的任务能耗标准差适应度函数计算出有序任务序列中各个任务的工作能耗。
实际应用中，预设遗传模糊算法可以是遗传模糊***中的算法。遗传模糊***指的是在模糊推理***中增加了遗传算法的学习能力，遗传学习过程可从简单的参数优化到复杂的规则库学习。
本申请实施例所使用到的***可以是基于规则的遗传模糊***(GFRBS)，其知识库可以由两部分组成。一部分为定义隶属函数、语言术语含义的数据库，另一部分为模糊规则库。示例性的，遗传模糊***中模糊处理和遗传设计的思想可如图5所示。
实际应用中，可以利用遗传模糊***中的模糊推理***进行资源任务分配，得到资源任务分配计划。其中，可以将任务的工作能耗及执行时长作为模糊推理***的输入参数，使用解模糊器进行处理，得到输出参数，该输出参数是染色体编码结构相关的数据，可根据该输出参数得到资源任务分配计划。
具体的，解模糊器可以是采用集的中心解模糊器；当然，并不仅限于此，还可视应用环境和用户需求确定，均在本申请的保护范围之内。
需要说明的是，该预设遗传模糊算法可以是Pittsburgh算法，将整个知识库作为一个整体编码成一个染色体(由一串数字组成的个体)进行遗传算法的学习，其中数据库只对隶属度函数作编码，且本申请对个体采用十进制编码。编码结构如下表1-1：
表1-1染色体编码结构
模糊推理***规则库 模糊推理***数据库
规则库中每个规则占一个编码位，数据库中每个高斯函数占一个编码位，由于采集用的中心解模糊器，仅对高斯函数的中心点(均值)进行编码。
S403、根据各个任务的工作能耗和执行时长效益函数，构建出预设遗传模糊算法的效益函数。
实际应用中，预设遗传模糊算法的设计目的是能够实现任务工作能耗和执行时长的平衡，因此设计适应度函数的原则需要能够少能耗且执行时间短。综上，该执行时长效益函数可以是染色体上物理资源的分配任务能耗的标准差适应度函数，具体可以为：
其中，subTask为分配至第j个物理资源的任务能耗，avgTask为所有子任务能耗的均值。
该预设遗传模糊算法的效益函数定义如下：
F(j)＝Fitness(j)+1/s(j)；其中，Fitness(j)为与时间有关的染色体效益函数，可以通过有序任务序列得到。
S404、根据预设遗传模糊算法的效益函数，对有序任务序列中的各个任务进行自适应调度。
实际应用中，可以根据预设遗传模糊算法的效益函数，得到每个个体的适应度值，然后利用交叉变异的方式，实现对有序任务序列中的各个任务进行自适应调度。
具体的，可以根据各个个体的适应度值，按照一定的规则或方法从上一代群体中选择出一些优良的个体遗传到下一代群体中。KTLBCGA采用轮盘赌选择作为选择操作算子。遗传算法迭代终止条件为迭代到一定代数终止迭代。
综合上述，可以通过预设遗传模糊算法的效益函数综合考虑各个任务的工作能耗和执行时长，使得云计算平台的***响应和能耗达到平衡。
本实施例提供的云计算平台的任务调度方法，该方法首先对云计算平台的各个任务进行预处理，得到云计算平台的有序任务序列；再基于有序任务序列，利用预设遗传模糊算法对有序任务序列中的各个任务进行自适应调度任务，以达到平衡云计算平台的***响应和能耗的目的，解决了现有主要通过动态调节设备的运行功率降低能耗，会影响整体性能，导致***响应速度慢的问题。
可选地，本申请提供的另一云计算平台的任务调度方法，在执行步骤S404、根据预设遗传模糊算法的效益函数，对有序任务序列中的各个任务进行自适应调度之后，该云计算平台的任务调度方法还可以包括：
S501、判断当前执行的任务调度周期是否存在无法处理任务。
实际应用中，当利用预设遗传模糊算法对有序任务序列中各个任务进行自适应调度之后，当任务调度为多任务调度时，可以判断档案执行的任务调度周期是否存在无法处理的任务，以避免任务调度过程中存在无法处理任务导致调度失败的问题。
若判断出当前执行的任务调度周期存在无法处理任务，则可以执行步骤S502。
S502、将无法处理任务延迟至下一个任务调度周期。
实际应用中，当判断出当前执行的任务调度周期存在无法处理任务，可以将无法处理任务挂起，并在下一个任务调度周期优先考虑，以提高任务调度的可靠性。
本实施例提供的计算平台的任务调度方法中，当任务调度为多任务调度时，可以针对有序任务序列，按照周期调度的方式对任务进行自适应调度，从而提高任务调度的可靠性。具体的，多任务调度的流程可如图6所示。
值得说明的是，由于任务的随机性，现有方案在进行多任务调度时没有先验信息，而本申请方案中的有序任务序列和预设遗传模糊算法的效益函数可作为先验信息，并且在调度之前中就实现了对***响应速度和平台能耗的评估，能够实现最佳调度策略。
此外，现有实现云计算平台任务调度的方式主要有列表启发式和聚类启发式。其中，列表启发式通过给任务分配优先级，对其进行排序调度执行；聚类启发式通过在同一集群对任务进行处理，通过对并行任务进行排序减少并行性，从而增加并行执行时间，通过牺牲并行降低任务间的通信延迟。但是，列表启发式可以在资源有限下表现优秀，但是由于需要对优先级和资源选择策略提前确定，会导致任务完成时间增加，响应速度减慢；聚类启发式可以处理资源无限的情况并且降低通信延迟，但是会有负载不均衡以及空闲时间资源浪费的问题。相较于列表启发式的任务调度，本申请提供的云计算平台的任务调度方法能够对并行的任务进行集群处理，合理降低执行时长；相较于聚类启发式的任务调度，本申请提供的云计算平台的任务调度方法能够对任务进行预先排序，使其执行顺序更为合理。
与上述云计算平台的任务调度方法相对应，可选地，本申请另一实施例还提供了一种云计算平台的任务调度装置，请参见图7，该装置可以包括：
预处理单元101，用于对云计算平台的各个任务进行预处理，得到云计算平台的有序任务序列；
自适应调度单元102，用于基于有序任务序列，利用预设遗传模糊算法对有序任务序列中的各个任务进行自适应调度。
在一些实施例中，该预处理单元101具体用于：分别确定云计算平台中各个任务的工作能耗等级和执行时长；
按照工作能耗等级作为第一优先级、执行时长作为第二优先级的排序方式，对各个任务进行排序，得到云计算平台的有序任务序列。
在一些实施例中，工作能耗等级作为第一优先级、执行时长作为第二优先级的排序方式，包括：
优先将各个任务的工作能耗等级按照由低至高的顺序排序，针对工作能耗等级相同的任务，则按照执行时长由高至低的顺序排序。
在一些实施例中，该预处理单元101具体用于：
分别确定云计算平台中各个任务的工作能耗等级排名和执行时长排名；
针对每一任务，根据任务的工作能耗等级排名和执行时长排名进行运算，得到各个任务的综合排名；
按照综合排名作为第一优先级、执行时长作为第二优先级的排序方式，对各个任务进行排序，得到云计算平台的有序任务序列。
在一些实施例中，综合排名作为第一优先级、执行时长作为第二优先级的排序方式，包括：
优先按照综合排名对各个所述任务进行排序，针对综合排名相同的任务，按照执行时长靠前的顺序进行排序。
在一些实施例中，自适应调度单元102具体用于：
将云计算平台的执行时间划分为时间片，得到云计算平台的任务调度周期，一个时间片作为云计算平台的一个任务调度周期；
在每一任务调度周期内，利用预设遗传模糊算法中的任务能耗标准差适应度函数计算出有序任务序列中各个任务的工作能耗；
根据各个任务的工作能耗和执行时长效益函数，构建出预设遗传模糊算法的效益函数；
根据预设遗传模糊算法的效益函数，对有序任务序列中的各个任务进行自适应调度。
在一些实施例中，在根据预设遗传模糊算法的效益函数，对有序任务序列中的各个任务进行自适应调度之后，还包括：
判断当前执行的任务调度周期是否存在无法处理任务；
若判断出当前执行的任务调度周期存在无法处理任务，则将无法处理任务延迟至下一个任务调度周期。
本实施例提供的云计算平台的任务调度装置，包括：预处理单元101用于对云计算平台的各个任务进行预处理，得到云计算平台的有序任务序列；自适应调度单元102用于基于有序任务序列，利用预设遗传模糊算法对有序任务序列中的各个任务进行自适应调度，以达到平衡云计算平台的***响应和能耗的目的，解决了现有主要通过动态调节设备的运行功率降低能耗，会影响整体性能，导致***响应速度慢的问题。
需要说明的是，关于云计算平台的任务调度装置各个单元的相关说明可参见上述对应实施例，此处不再一一赘述。
可选地，本申请另一实施例还提供了一种计算机存储介质，用于存储计算机程序，计算机程序被执行时，具体用于实现本申请任一实施例所提供的云计算平台的任务调度方法。
需要说明的是，关于云计算平台的任务调度方法的相关说明，可参见上述实施例，此处不再赘述。
可选地，本申请另一实施例还提供了一种电子设备，该电子设备包括存储器和处理器。
其中，存储器用于存储计算机程序；
处理器用于执行计算机程序，具体用于实现本申请任一实施例所提供的云计算平台的任务调度方法。
需要说明的是，关于云计算平台的任务调度方法的相关说明，同样可参见上述实施例，此处不再赘述。
本说明书中的各个实施例中记载的特征可以相互替换或者组合，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***或***实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的***及***实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种云计算平台的任务调度方法，其特征在于，包括：
对所述云计算平台的各个任务进行预处理，得到所述云计算平台的有序任务序列；
基于所述有序任务序列，利用预设遗传模糊算法对所述有序任务序列中的各个任务进行自适应调度。
2.根据权利要求1所述的云计算平台的任务调度方法，其特征在于，对所述云计算平台的各个任务进行预处理，得到所述云计算平台的有序任务序列，包括：
分别确定所述云计算平台中各个任务的工作能耗等级和执行时长；
按照所述工作能耗等级作为第一优先级、所述执行时长作为第二优先级的排序方式，对各个所述任务进行排序，得到所述云计算平台的有序任务序列。
3.根据权利要求2所述的云计算平台的任务调度方法，其特征在于，所述工作能耗等级作为第一优先级、所述执行时长作为第二优先级的排序方式，包括：
优先将各个任务的工作能耗等级按照由低至高的顺序排序，针对工作能耗等级相同的任务，则按照执行时长由高至低的顺序排序。
4.根据权利要求1所述的云计算平台的任务调度方法，其特征在于，对所述云计算平台的各个任务进行预处理，得到所述云计算平台的有序任务序列，包括：
分别确定所述云计算平台中各个任务的工作能耗等级排名和执行时长排名；
针对每一所述任务，根据所述任务的工作能耗等级排名和执行时长排名进行运算，得到各个所述任务的综合排名；
按照所述综合排名作为第一优先级、所述执行时长作为第二优先级的排序方式，对各个所述任务进行排序，得到所述云计算平台的有序任务序列。
5.根据权利要求4所述的云计算平台的任务调度方法，其特征在于，所述综合排名作为第一优先级、所述执行时长作为第二优先级的排序方式，包括：
优先按照所述综合排名对各个所述任务进行排序，针对综合排名相同的任务，按照执行时长靠前的顺序进行排序。
6.根据权利要求1所述的云计算平台的任务调度方法，其特征在于，基于所述有序任务序列，利用预设遗传模糊算法对所述有序任务序列中的各个任务进行自适应调度，包括：
将所述云计算平台的执行时间划分为时间片，得到所述云计算平台的任务调度周期，一个所述时间片作为所述云计算平台的一个所述任务调度周期；
在每一任务调度周期内，利用所述预设遗传模糊算法中的任务能耗标准差适应度函数计算出所述有序任务序列中各个任务的工作能耗；
根据各个所述任务的工作能耗和执行时长效益函数，构建出所述预设遗传模糊算法的效益函数；
根据所述预设遗传模糊算法的效益函数，对所述有序任务序列中的各个任务进行自适应调度。
7.根据权利要求6所述的云计算平台的任务调度方法，其特征在于，在根据所述预设遗传模糊算法的效益函数，对所述有序任务序列中的各个任务进行自适应调度之后，还包括：
判断当前执行的任务调度周期是否存在无法处理任务；
若判断出当前执行的任务调度周期存在无法处理任务，则将所述无法处理任务延迟至下一个任务调度周期。
8.一种云计算平台的任务调度装置，其特征在于，包括：
预处理单元，用于对所述云计算平台的各个任务进行预处理，得到所述云计算平台的有序任务序列；
自适应调度单元，用于基于所述有序任务序列，利用预设遗传模糊算法对所述有序任务序列中的各个任务进行自适应调度。
9.一种电子设备，其特征在于，包括：存储器和处理器；
其中，所述存储器用于存储计算机程序；
所述处理器用于执行所述计算机程序，具体用于实现如权利要求1-7任一项所述的云计算平台的任务调度方法。
10.一种计算机存储介质，其特征在于，用于存储计算机程序，所述计算机程序被执行时，具体用于实现如权利要求1-7任一项所述的云计算平台的任务调度方法。
CN202311635108.3A 2023-12-01 2023-12-01 一种云计算平台的任务调度方法、装置、存储介质及电子设备 Pending CN117519942A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311635108.3A CN117519942A (zh) 2023-12-01 2023-12-01 一种云计算平台的任务调度方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311635108.3A CN117519942A (zh) 2023-12-01 2023-12-01 一种云计算平台的任务调度方法、装置、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN117519942A true CN117519942A (zh) 2024-02-06

Family

ID=89758640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311635108.3A Pending CN117519942A (zh) 2023-12-01 2023-12-01 一种云计算平台的任务调度方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN117519942A (zh)

Similar Documents

Publication Publication Date Title
Rekha et al. Efficient task allocation approach using genetic algorithm for cloud environment
Arora et al. A de-centralized scheduling and load balancing algorithm for heterogeneous grid environments
CN100576179C (zh) 一种基于能量优化的网格调度方法
CN103092683A (zh) 用于数据分析的基于启发式的调度
CN109600178A (zh) 一种边缘计算中能耗与时延和最小化的优化方法
CN114327811A (zh) 一种任务调度方法、装置、设备及可读存储介质
CN110414863A (zh) 一种智能制造车间资源调度方法
Shukla et al. FAT-ETO: Fuzzy-AHP-TOPSIS-Based efficient task offloading algorithm for scientific workflows in heterogeneous fog–cloud environment
He Optimization of edge delay sensitive task scheduling based on genetic algorithm
Manavi et al. Resource allocation in cloud computing using genetic algorithm and neural network
CN113139639B (zh) 一种基于mombi面向智慧城市应用多目标计算迁移方法和装置
CN114741200A (zh) 面向数据中台的计算资源分配方法、装置及电子设备
CN117331700B (zh) 一种算力网络资源调度***及方法
CN115599522A (zh) 一种云计算平台任务调度方法、装置和设备
CN114980216B (zh) 基于移动边缘计算的依赖型任务卸载***及方法
CN117519942A (zh) 一种云计算平台的任务调度方法、装置、存储介质及电子设备
CN116938947A (zh) 一种考虑计算需求约束的任务调度策略
Saroja et al. Multi-criteria decision-making for heterogeneous multiprocessor scheduling
CN114266168A (zh) 一种共享节点负荷调度参数优选方法
Zhao et al. Two-level scheduling technology for heterogeneous clusters using analytical hierarchy processes
CN117130790B (zh) 一种云计算资源池动态调度方法
Xu et al. A nsga based on-site operation and maintenance smart scheduling method
CN113448705B (zh) 一种不平衡作业调度算法
Zou et al. Affinity-Based Resource and Task Allocation in Edge Computing Systems
Xu et al. The Task Scheduling Algorithm for Fog Computing in Intelligent Production Lines Based on DQN

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