[论文解读] Efficient Optimal Algorithm of Task Scheduling in Cloud Computing Environment

Amit Agarwal, Saloni Jain|arXiv (Cornell University)|Apr 8, 2014

Cloud Computing and Resource Management被引用 52

一句话总结

本文提出了一种广义优先级（GP）算法，用于在云计算环境中实现最优任务调度，根据执行时间、资源需求和截止时间约束动态分配任务优先级。通过CloudSim工具包进行评估，GP算法在减少makespan、平均等待时间以及资源利用率方差方面优于FCFS和轮转算法，展现出在动态云计算工作负载中更高的效率和适应性。

ABSTRACT

Cloud computing is an emerging technology in distributed computing which facilitates pay per model as per user demand and requirement.Cloud consist of a collection of virtual machine which includes both computational and storage facility. The primary aim of cloud computing is to provide efficient access to remote and geographically distributed resources. Cloud is developing day by day and faces many challenges, one of them is scheduling. Scheduling refers to a set of policies to control the order of work to be performed by a computer system. A good scheduler adapts its scheduling strategy according to the changing environment and the type of task. In this research paper we presented a Generalized Priority algorithm for efficient execution of task and comparison with FCFS and Round Robin Scheduling. Algorithm should be tested in cloud Sim toolkit and result shows that it gives better performance compared to other traditional scheduling algorithm.

研究动机与目标

• 解决在工作负载和资源需求多变的动态云计算环境中实现高效任务调度的挑战。
• 设计一种能够根据任务特征（如执行时间、资源需求和截止时间）自适应调整的调度算法。
• 与传统算法相比，提升makespan、等待时间以及资源利用率效率等性能指标。
• 通过使用CloudSim工具包进行仿真，验证所提出算法的有效性。

提出的方法

• 广义优先级（GP）算法基于包含执行时间、资源需求和截止时间约束的综合指标，为任务动态分配优先级。
• 根据计算出的优先级值对任务进行排序执行，确保高优先级任务优先调度。
• 通过在系统状态和任务特征发生变化时重新评估优先级，实现工作负载的自适应性。
• 使用CloudSim仿真框架实现并测试调度决策，以模拟云计算基础设施和任务工作负载。
• 采用标准指标评估性能：makespan、平均等待时间以及资源利用率方差。

实验结果

研究问题

• RQ1 广义优先级算法在makespan减少方面与FCFS和轮转算法相比表现如何？
• RQ2 动态优先级分配在多大程度上改善了云计算调度中的等待时间和资源利用率？
• RQ3 GP算法能否有效适应具有不同执行时间和资源需求的多样化任务类型？
• RQ4 在动态工作负载下，GP算法在负载均衡和响应时间方面的表现如何？

主要发现

• 在CloudSim仿真中，GP算法的makespan低于FCFS和轮转算法。
• GP算法下的平均等待时间显著降低，表明对任务请求的响应能力更强。
• 资源利用率方差最小化，表明负载均衡更好，系统更稳定。
• GP算法在应对工作负载和任务特征变化方面表现出更优的适应性，优于静态优先级方法。