云计算资源动态优化调度方法研究的文献综述
一、研究背景及意义
随着互联网和IT技术的迅猛发展，信息和数据量快速增长，导致计算机的计算能力和数据处理能力满足不了人们的需求，网络资源的需求和利用出现了失衡的状态。但是传统的计算模式，如分布式计算、并行计算，很难解决计算资源利用的不平衡问题，一方面某些应用需要大量的计算资源和存储资源，另一方面互联网上存在大量的没有得到充分利用而被闲置的资源。因此资源的整合和优化是网络发展的必然趋势，在此背景下，云计算被提了出来。
作为近几年来商业机构和科研机构的热点，云计算正广泛用于科学和工程等领域。一方面，高性能计算已经成为越来越多科学和工程实践的关键技术，超级计算机被用来研究复杂的现象，但是超级计算机造价高，只有某些国家级的部门才有能力配置这样的设备。另一方面，某些应用对计算的要求非常高，即使是现在最大的超级计算机界也无法提供它们所需的资源。而云计算为众多闲置的计算资源提供了有效的共享方式，使得分布式资源给应用程序的使用者带来了很多好处。云计算已经成为分布式计算系统中一种有前景的范例，它继承了高性能并行计算和网格计算的特性，它可以通过互联网提供信息技术服务，并能够按需提供IT服务。此外，通过集中管理资源和服务，云计算可以为资源管理和服务提供经济高效的方式，亚马逊、谷歌、微软、IBM等许多公司都在提供云服务。
受云计算的吸引，越来越多的服务和应用程序被迁移到云计算环境。云计算虽然有前景，但也为许多研究问题带来新的挑战，例如服务调度。首先，大多数现有的调度方法都处于脱机状态，属于预测性调度，无法处理执行过程中的不确定性，但实际上，由于云计算环境的动态性和服务自身演化的随机性，不能保证基线调度的最优服务在执行阶段依然是最优；其次，近年来，商业云提供商的数量一直在迅速增加，但是提供商们往往会夸大其服务的性能，导致执行时服务性能可能并不是最优，需要重新调度以获得更优的服务。
在这样的背景下，云服务调度若能实现执行过程中的不确定性感知，并处理相应的不确定性以满足截止期限和优化成本，将对享受云服务的用户更加有利，使得用户能享受到性能更好的服务。
- 国内外研究现状
云计算资源调度的实质就是将任务分配到合适的资源上，事实上，并行和分布式系统中的服务调度问题一直是近期研究的热门话题，在独立型包任务与依赖型工作流任务调度领域中，常见算法有启发式算法、搜索算法和元启发式算法。
Rodriguez等人[1]开发了一种静态成本最小化且有截止日期约束的启发式算法用于调度云应用程序，它将服务调度建模为优化问题，并使用粒子群优化算法，即PSO算法来解决问题，但该调度算法只是离线算法，无法处理执行过程中的不确定性。
元启发式算法也是解决多约束调度的常用方法，如遗传算法GA[2]、蚁群优化算法ACO[3]和粒子群优化算法PSO[4][5]等随机搜索算法，虽然这类算法有很好的性能，但它们通常比启发式算法更加耗时。该类算法通过种群初始化和大量解空间，以较高的时间代价求解云环境中的有效调度解。另外，该类算法寻找可行调度解时的开销会随着工作流规模的增加而增大，因此，在面对复杂大规模的实时工作流调度时效率不高。
资源调度事实上是一个复杂的问题，基于关键路径的调度算法是寻找最优解比较有效的方法，算法目标是满足截止时间约束下最小化执行代价。该算法将处于局部关键路径的所有任务优先调度至费用最低的资源上，避免每个PCP上的通信代价。将这类算法引入云计算资源调度，对于提高调度的性能有很大的作用。有很多学者在云计算资源的资源调度中就对这类算法进行了研究，有效地优化了资源调度。还有一些文献提到了一些增强算法[6]，如利用资源预分配空闲时间和预算盈余进行任务复制，以降低代价。然而，该算法会因为任务复制增加用户代价。文献[7]提出一种分割平衡时间调度算法 PBTS，在满足期限约束的同时最小化执行代价，算法主要通过估算所需资源的最小数量最小化执行代价。文献[8]提出一种满足给定预算和截止时间约束的最大化工作流执行数量的算法。然而，该算法仅考虑了一种资源类型，未能考虑多类型的资源使用实例。文献[9]提出一种满足期限约束的动态代价最小化算法 JIT，将管道任务集合并为单个任务以降低协作任务间的数据通信代价，但该算法并未优化目标资源寻找过程。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
