《云计算环境下科学工作流两阶段任务调度策略》由会员分享，可在线阅读，更多相关《云计算环境下科学工作流两阶段任务调度策略（4页珍藏版）》请在金锄头文库上搜索。
1、云计算环境下科学工作流两阶段任务调度策略0引言科学工作流是指将一系列在科学研究中遇到的数据管理、计算、分析p 、展现等工作变成一个个独立的效劳，再把这些效劳通过数据链接组合在一起，满足研究人员科学实验和数据处理中的需要，从而实现相应的处理与科学计算。在该领域中的学科充分利用现代信息技术强大的数据、信息和知识处理才能，有力地促进了科学研究的开展1，科学工作流系统2也开始受到关注并被用来进展自动化科学任务的编排、执行、监控以及追踪3。但由于科学处理的复杂性，科学工作流也逐渐变成计算密集型和数据密集型2，因此，部署和执行科学工作流应用，不仅对资要求高，而且要有海量存储空间，云计算4作为一种典型的分布
2、式网格计算技术，可以提供给工作流一些不同于其他计算环境的特点，它提供共享根底架构的方法，通过虚拟技术将分布在不同地理位置的计算资和存储资模拟成一个资池，用户需要使用时申请资，使用完成后释放资，从而可以以相对低廉的根底设施本钱为科学工作流提供所需的计算和存储资。如今，利用云环境去执行大规模的科学应用的需求也与日俱增5-8。随着云计算技术的不断开展，它的灵敏、弹性、可定制的特点为解决科学工作流运行过程中遇到的问题提供了新的想法。但在科学工作流调度过程中，现存的方法，在可用的资上进展任务分配时会出现很多资的空闲时间，这段时间资不能得到有效利用，造成了资和预算的浪费。为解决上述问题，本文提出一种新的两
3、阶段任务调度策略。在第一阶段，将工作流转换成有向无环图Directed Acyclic Graph，DAG，采用一种新的方法对任务进展排序；第二阶段，对资进展分析p 将任务分配到适宜的资上执行，并对资空闲时间进展合理利用。实验说明，本文提出的策略不但减少了工作流任务执行的总时间；而且减少了资的空闲时间，进步了资利用率，节省了用户的云资使用费用。1相关工作工作流调度算法目前已经有很多，它们分别从不同的角度考虑对流程应用进展调度，到达缩短流程运行时间、进步性能的目的。如遗传算法，实际是个动态规划算法，它是将问题的求解表示成染色体，从而构成一群染色体，将它们置于问题的环境中，根据适者生存的原那么，从
4、中选择出适应环境的染色体进展复制，通过穿插、变异产生出新一代更适应环境的染色体，这样一代一代不断进化，最后收敛到一个最适宜环境的个体上，求得问题的最优解。在文献9-11中，作者分别基于遗传算法进展任务与资的映射，并通过实验验证算法的有效性。其中：文献9，11的作者改进了算法，定义了三种收敛判据，并采用最优保存策略实现了跨代保存，防止了算法存在的过早收敛问题，进步了调度性能，缩短了工作流执行的时间；文献10的作者考虑了效劳质量约束，在使用遗传算法进展调度的时候，是以任务之间的效劳质量约束条件为根据来选择资的。但遗传算法存在一个弊端是当求解到一定范围时往往会做大量无谓的冗余迭代，导致调度时间很长，
5、调度性能不佳。异态最早完毕时间Heterogeneous Earliest Finish Time， HEFT算法12是一种列表调度算法，使用时首先为工作流图中的节点和边赋权值，然后按权值生成一个有序的任务列表，最后映射，为任务分配资。文献13-15改进了HEFT算法。其中：文献13为该算法参加了回退Backtracking机制，可以更好地调度执行含有并行子任务的工作流应用；文献14-15以不同的方式使得HEFT算法支持预留资，保证了某些实时性要求高的工作流的执行。SHEFT算法16、HEFTSync和HEFTSyncBT算法11一样都是在HEFT算法的根底上对其进展改进。该算法可以动态地预分配和释放资，从而进步工作流执行性能。 第 页 共 页
