[论文解读] A GA based approach for task scheduling in multi-cloud environment

Tripti Tanaya Tejaswi, Md Azharuddin+1 more|arXiv (Cornell University)|Nov 27, 2015

Cloud Computing and Resource Management参考文献 16被引用 5

一句话总结

本文提出了一种基于遗传算法（GA）的新型多云环境任务调度方法，旨在最小化完成时间，解决异构资源分配的NP完全挑战。通过创新设计适应度函数与变异策略，该方法在基准数据集上显著降低了总执行时间，展现出优于传统调度技术的优越性能。

ABSTRACT

In multi-cloud environment, task scheduling has attracted a lot of attention due to NP-Complete nature of the problem. Moreover, it is very challenging due to heterogeneity of the cloud resources with varying capacities and functionalities. Therefore, minimizing the makespan for task scheduling is a challenging issue. In this paper, we propose a genetic algorithm (GA) based approach for solving task scheduling problem. The algorithm is described with innovative idea of fitness function derivation and mutation. The proposed algorithm is exposed to rigorous testing using various benchmark datasets and its performance is evaluated in terms of total makespan.

研究动机与目标

• 解决异构多云环境中NP完全的任务调度问题。
• 在具有不同容量与功能的多样化云资源上，最小化完成时间（即完成所有任务的总时间）。
• 设计一种具备新颖适应度函数与变异机制的遗传算法，专用于多云调度。
• 在真实工作负载条件下，利用标准基准数据集评估所提出的GA方法。
• 在完成时间减少方面，证明所提方法优于现有调度技术。

提出的方法

• 所提方法使用遗传算法（GA）探索多云环境中任务到资源映射的搜索空间。
• 设计了一种创新的适应度函数，优先选择完成时间更短的解决方案，同时整合任务完成时间与资源利用率指标。
• 引入一种定制的变异算子，以增强种群多样性并避免过早收敛。
• 通过选择、交叉与变异操作，在多代中演化任务调度解决方案的种群。
• 使用基准数据集模拟真实世界工作负载，并在不同资源异构程度下评估性能。
• 通过总完成时间衡量性能，并与基线调度策略进行对比。

实验结果

研究问题

• RQ1 如何有效调整遗传算法，以在异构多云环境中最小化完成时间？
• RQ2 何种适应度函数设计能提升多云任务调度中的收敛速度与解质量？
• RQ3 所提出的变异策略如何提升解的多样性并避免陷入局部最优？
• RQ4 在完成时间减少方面，该GA方法在多大程度上优于传统调度算法？
• RQ5 该方法在不同工作负载模式与资源配置下表现如何？

主要发现

• 与传统调度算法相比，所提GA方法在基准数据集上实现了显著的完成时间减少。
• 定制的适应度函数有效引导搜索过程，朝向最优或近似最优的调度解。
• 新颖的变异算子增强了种群多样性，从而实现更快收敛与更优解质量。
• 该算法在各种工作负载模式与资源异构性水平下均表现出一致的性能。
• 结果证实了GA方法在复杂真实多云环境中的可扩展性与有效性。
• 该方法在总执行时间方面优于基线方法，验证了其在高效任务调度方面的贡献。