《表1 云内任务调度算法类型总结》
表2对上述所列云内任务调度算法部分典型研究文献进行分析总结。云内任务调度算法研究比较广泛,存在许多针对独立任务和工作流使用不同算法类型对Qo S进行优化的方法,核心优化目标为最大完工时间和货币成本,此外,资源利用率、负载均衡、安全性、截止日期、能耗等指标也成为了重点优化目标。通过列表可以看出,文献[33]在减少最大完工时间和成本的同时实现了较好的负载均衡,文献[7-8,12,33]实现了资源利用率的提升,文献[15,33]考虑了能耗问题,文献[9]考虑了安全性问题和任务的截止日期;由于任务调度需要同时优化多个指标,因此多目标任务调度算法的研究目前已比较普遍,例如文献[7-9,12,31]均采用多目标函数进行优化;此外,对部分目标建立约束也是一种优化方法,例如文献[9,16];绝大部分研究都是在仿真环境中进行测试的,但也有在真实环境中进行测试的研究,如文献[9,33];同时,神经网络、强化学习等人工智能算法也开始应用于任务调度的研究,如文献[10,33]。自适应优化也被应用于任务调度优化,如文献[15]。目前云内任务调度的研究在继续关注基本Qo S指标的情况下,重点关注优化负载均衡、能耗等性能指标,并且人工智能方法已逐步应用到任务调度排序、节点预测过程中,但在性能提高的同时,也提升了复杂性。
图表编号 | XD00197459400 严禁用于非法目的 |
---|---|
绘制时间 | 2021.01.15 |
作者 | 田倬璟、黄震春、张益农 |
绘制单位 | 北京联合大学北京市信息服务工程重点实验室、清华大学计算机科学与技术系、国家超级计算无锡中心、北京信息科学与技术国家研究中心、北京联合大学城市轨道交通与物流学院 |
更多格式 | 高清、无水印(增值服务) |