[论文解读] A Relative Study of Task Scheduling Algorithms in Cloud Computing Environment

Syed Arshad Ali|arXiv (Cornell University)|Jan 1, 2016

Cloud Computing and Resource Management参考文献 10被引用 1

一句话总结

本文对云计算环境中的12种任务调度算法进行了比较分析，评估了它们在执行时间、吞吐量、完成时间、资源利用率、能耗和服务质量等关键性能指标上的表现。研究发现，粒子群优化（PSO）和基于 cuckoo 优化的算法在负载均衡和能效方面表现最佳，同时指出了现有方法在容错性和可扩展性方面的不足。

ABSTRACT

Cloud Computing is a paradigm of both parallel processing and distributed computing. It offers computing facilities as a utility service in pay as par use manner. Virtualization, self service provisioning, elasticity and pay per use are the key features of Cloud Computing. It provides different types of resources over the Internet to perform user submitted tasks. In cloud environment, huge number of tasks are executed simultaneously, an effective Task Scheduling is required to gain better performance of the cloud system. Various Cloud Based Task Scheduling algorithms are available that schedule the task of user to resources for execution. Due to the novelty of Cloud Computing, traditional scheduling algorithms cannot satisfy the needs of cloud , the researchers are trying to modify traditional algorithms that can fulfill the cloud requirements like rapid elasticity, resource pooling and on demand self service. In this paper the current state of Task Scheduling algorithms has been discussed and compared on the basis of various scheduling parameters like execution time, throughput, make span, resource utilization, quality of service, energy consumption, response time and cost.

研究动机与目标

• 基于多种性能指标，评估并比较现有云计算任务调度算法。
• 识别当前调度算法在满足弹性、自助服务及按需资源分配等云环境特定需求方面的优势与局限。
• 突出现有算法在容错性、负载均衡和可扩展性方面的差距。
• 通过识别云任务调度中尚未充分探索的参数和多目标优化机会，为未来研究提供指导。

提出的方法

• 本研究对云计算环境中12种代表性任务调度算法进行了系统性回顾与比较分析。
• 每个算法均基于八个关键调度参数进行评估：响应时间、执行时间、吞吐量、完成时间、资源利用率、能耗、负载均衡和质量服务（QoS）。
• 分析采用比较矩阵（表I）来映射各算法在定义参数上的性能表现。
• 论文评估了自然启发算法（如粒子群优化PSO、cuckoo优化）以及节能策略（如DVFS、绿色能效）在多目标优化中的有效性。
• 本研究利用引用文献中的现有实验结果来评估算法性能，无需进行新的仿真。
• 图3以可视化方式总结了支持各项调度特性的算法比例，有助于识别趋势。

实验结果

研究问题

• RQ1 在云计算环境中，哪些任务调度算法在执行时间、吞吐量和资源利用率之间实现了最佳平衡？
• RQ2 与传统或节能型调度方法相比，自然启发优化算法（如PSO、cuckoo）在负载均衡和能效方面表现如何？
• RQ3 当前算法在多大程度上支持容错性和可扩展性？这些方面的主要局限是什么？
• RQ4 不同调度策略在能耗、成本和质量服务之间的权衡关系如何？

主要发现

• 基于粒子群优化（PSO）和cuckoo优化的调度算法在负载均衡和质量服务方面表现优异，其中PSO实现高系统性能，而cuckoo优化展现出更优的负载均衡能力。
• 节能型算法（如DVFS增强型、绿色能效型、自适应节能型）显著降低了功耗，同时提升了资源利用率。
• 仅40%的分析算法有效解决了质量服务问题，且支持容错性的算法不足30%，表明在可靠性与弹性方面存在重大研究空白。
• 60%至70%的算法支持资源利用率和系统性能，表明这些指标在当前研究中已得到较好覆盖。
• 研究发现，大多数算法缺乏多目标优化能力，仅有少数算法能同时整合超过三个性能参数。
• 结果表明，未来调度算法应整合更多参数，特别是容错性和可扩展性，同时保持能效和成本效益。