云平台中实时任务调度方法研究(源码)【字数：8924】
摘 要伴随着计算机网络技术的飞速发展，大数据时代已经来临，大量的数据不断涌现。云计算作为一种新的计算方法，为人们提供各式各样的服务以解决问题。有效的任务调度是云计算合理配置中各种资源的重要环节。云任务调度问题又是一个NP问题，充满了非确定性。当存在大规模的任务时，找到一个确定的最优解是很困难的，只能根据调度策略寻找出在一定范围上的近似最优解。如何高效地利用系统的资源响应用户的实时需求，对云计算下的任务调度算法提出了很高的要求。为此本文首先查询了相关云计算的资料，阐述了云计算下任务调度的研究现状及相关概念，其次研究了由Marco Dorigo开发的新的进化算法——蚁群算法。并针对云计算中的任务分配问题，通过分析任务与资源之间的数学模型，加入虚拟机实时状态的考虑，进而重点研究了基于资源状态的蚁群算法。最后通过在CloudSim仿真平台上对算法进行仿真实验，验证了该任务调度算法能较好地满足云平台中实时任务调度的需求。
目 录
第一章 绪论 1
1.1课题背景 1
1.2云任务国内外研究现状 1
1.3论文研究的目的和意义 2
1.4论文的组织结构 2
第二章 云计算任务调度的理论基础 3
2.1云计算概念 3
2.2云计算体系结构 3
2.3云计算任务调度概述 3
第三章 基于资源状态蚁群算法 5
3.1算法的基本原理 5
3.2蚁群算法的规则 5
3.3算法的数学模型 5
3.4蚁群算法的流程 6
第四章 算法在CloudSim上的仿真实现 9
4.1CloudSim仿真平台相关介绍 9
4.2仿真实验的具体实现 9
4.2.1CloudSim平台的扩展 9
4.2.2实验环境与参数设置 10
4.2.3核心代码 11
第五章 仿真实验结果分析 15
5.1实验结果 15
5.2结果分析 16
结束语 17
致 谢 18
参考文献 19
第一章 绪论
1 *好棒文|www.hbsrm.com +Q: #351916072#
.1课题背景
自我国进入信息化时代以来，社会的面貌与格局都发生了巨大的改变，计算机更是发展迅猛，互联网的用户数量不断增加，现在可以说是一个全民网络的时代。而2007年云计算被提出以来更是受到了各界的广泛关注，同时在很短的时间内就席卷了全球，可以说它的出现是科学技术和经济全球化发展的必然结果。现在也是大数据时代，每天都有大量的数据产生，如何从中提取出有用的信息为己所用，这一问题亟待解决。云数据中心时时刻刻都会迎来络绎不绝的数据和大规模的计算，在这之下如何实时有效地把任务分配给合适的资源进行处理，这已成为云计算场景下研究内容的重要课题之一。
近几年云计算不断地被运用到商业活动中，其商业特性越发突出，人们对服务的需求也愈发多样化。针对此云服务供应商提供的任务调度方法要更加注重用户的具体需求，如任务完成时间最短，完成任务的稳定性，资源消耗少等，以这些作为目标，把用户放在第一位，争取最大程度地响应用户的需求，提高他们的满意度。但是想找到一个十分高效的任务调度算法，兼顾到任务完成时间最短，资源消耗最少等诸多目标是很困难的，毕竟云数据中心的数据量实在过于浩瀚，无形中提高了对于大规模数据计算的要求。虽然目前诸多专家学者都研发了很多基于已提出的算法的改进算法或者新式的任务调度算法，在各方面都有一定的程度的提升，但也存在一些无法避免的缺陷。因此，努力寻找适用于云计算任务调度的优秀算法已成为学者们关注的焦点。
1.2云任务国内外研究现状
云计算作为一种新的计算模型，其最关键的技术就是如何有效的分配任务资源，根据任务的要求有效地放置到调度中心完成调度，为此国内国外的诸多学者专家们都不断地研究或提出多种任务调度方法。
如文献[1]从资源使用的公平性和系统均衡性的角度出发，结合任务的QoS特性提出的新的基于蚁群算法的资源分配算法JAACO；文献[2]在Map/Reduce框架的基础上设计了基于云计算任务调度模型的任务调度算法粒子群_蚁群联合算法（PSO_ACO）；文献[3]在保证物理机负载平衡的基础上，提出了能量感知蚁群优化算法，降低电量的使用。
目前学术界就调度算法的研究主要是以下面几种原则作为优化的目标：负载均衡(Load Balancing)、服务质量、经济原则(Economic Principles)、最优跨度(Optimal Makespan)等[4]。上面这些研究都极大地促进了云场景下任务调度的发展，但是云计算往往是云端实时多用户作业，具有很强的灵活性，资源随任务分配而变化，大量的研究虽然角度多样，但往往都不考虑云计算的灵活性与动态性，有一定的局限性。
1.3论文研究的目的和意义
进入21世纪以来，计算机技术与网络不断地普及发展，人们足不出户就可以完成很多事，节约了大量的时间与精力。如今计算机网络更是已经渗透到每一行每一业，甚至渗透到每个家庭之中。计算机网络技术的发展虽然给人们的日常生活带来了极大的便利，但是随着受众的增加，计算机需要处理的数据也在成倍增加，网络空间不断扩大，单机处理早已满足不了人们的需求，为此就要增加计算机网络中的处理节点，这给相关技术人员以及服务器都带来了很大的压力。云计算应运而生，快速融入到人们生活的方方面面，但是对于云计算这样庞大的系统而言，情况比较复杂，资源调度相当频繁，每个节点的处理任务的能力不尽相同，且不定期的加入或者退出，如何快速有效的分配任务对云环境下调度中心的任务调度算法提出了很高的要求。
本文从云计算出发重点研究基于资源状态优化的蚁群算法的原理及执行过程，分析该算法的数学模型，并将其应用到云场景下的任务调度中，通过仿真实验数据分析其性能，为今后算法的改进提供理论依据。虽然因为时间以及个人的能力的局限，本文所进行的研究有限，但是在云环境下通过将任务调度策略应用在云仿真平台上的研究还是有一定的现实意义的。
1.4论文的组织结构
本文主要研究的是云平台中实时任务调度的方法并仿真实现，包括对云环境下任务调度问题进行数学建模，构建基于资源状态的蚁群算法及仿真实验的具体实现。论文分为5个章节，每一章节的内容如下：
第一章：绪论部分。介绍课题背景，国内外云任务调度策略的研究现状、论文的研究目的和意义以及论文的组织结构。
目 录
第一章 绪论 1
1.1课题背景 1
1.2云任务国内外研究现状 1
1.3论文研究的目的和意义 2
1.4论文的组织结构 2
第二章 云计算任务调度的理论基础 3
2.1云计算概念 3
2.2云计算体系结构 3
2.3云计算任务调度概述 3
第三章 基于资源状态蚁群算法 5
3.1算法的基本原理 5
3.2蚁群算法的规则 5
3.3算法的数学模型 5
3.4蚁群算法的流程 6
第四章 算法在CloudSim上的仿真实现 9
4.1CloudSim仿真平台相关介绍 9
4.2仿真实验的具体实现 9
4.2.1CloudSim平台的扩展 9
4.2.2实验环境与参数设置 10
4.2.3核心代码 11
第五章 仿真实验结果分析 15
5.1实验结果 15
5.2结果分析 16
结束语 17
致 谢 18
参考文献 19
第一章 绪论
1 *好棒文|www.hbsrm.com +Q: #351916072#
.1课题背景
自我国进入信息化时代以来，社会的面貌与格局都发生了巨大的改变，计算机更是发展迅猛，互联网的用户数量不断增加，现在可以说是一个全民网络的时代。而2007年云计算被提出以来更是受到了各界的广泛关注，同时在很短的时间内就席卷了全球，可以说它的出现是科学技术和经济全球化发展的必然结果。现在也是大数据时代，每天都有大量的数据产生，如何从中提取出有用的信息为己所用，这一问题亟待解决。云数据中心时时刻刻都会迎来络绎不绝的数据和大规模的计算，在这之下如何实时有效地把任务分配给合适的资源进行处理，这已成为云计算场景下研究内容的重要课题之一。
近几年云计算不断地被运用到商业活动中，其商业特性越发突出，人们对服务的需求也愈发多样化。针对此云服务供应商提供的任务调度方法要更加注重用户的具体需求，如任务完成时间最短，完成任务的稳定性，资源消耗少等，以这些作为目标，把用户放在第一位，争取最大程度地响应用户的需求，提高他们的满意度。但是想找到一个十分高效的任务调度算法，兼顾到任务完成时间最短，资源消耗最少等诸多目标是很困难的，毕竟云数据中心的数据量实在过于浩瀚，无形中提高了对于大规模数据计算的要求。虽然目前诸多专家学者都研发了很多基于已提出的算法的改进算法或者新式的任务调度算法，在各方面都有一定的程度的提升，但也存在一些无法避免的缺陷。因此，努力寻找适用于云计算任务调度的优秀算法已成为学者们关注的焦点。
1.2云任务国内外研究现状
云计算作为一种新的计算模型，其最关键的技术就是如何有效的分配任务资源，根据任务的要求有效地放置到调度中心完成调度，为此国内国外的诸多学者专家们都不断地研究或提出多种任务调度方法。
如文献[1]从资源使用的公平性和系统均衡性的角度出发，结合任务的QoS特性提出的新的基于蚁群算法的资源分配算法JAACO；文献[2]在Map/Reduce框架的基础上设计了基于云计算任务调度模型的任务调度算法粒子群_蚁群联合算法（PSO_ACO）；文献[3]在保证物理机负载平衡的基础上，提出了能量感知蚁群优化算法，降低电量的使用。
目前学术界就调度算法的研究主要是以下面几种原则作为优化的目标：负载均衡(Load Balancing)、服务质量、经济原则(Economic Principles)、最优跨度(Optimal Makespan)等[4]。上面这些研究都极大地促进了云场景下任务调度的发展，但是云计算往往是云端实时多用户作业，具有很强的灵活性，资源随任务分配而变化，大量的研究虽然角度多样，但往往都不考虑云计算的灵活性与动态性，有一定的局限性。
1.3论文研究的目的和意义
进入21世纪以来，计算机技术与网络不断地普及发展，人们足不出户就可以完成很多事，节约了大量的时间与精力。如今计算机网络更是已经渗透到每一行每一业，甚至渗透到每个家庭之中。计算机网络技术的发展虽然给人们的日常生活带来了极大的便利，但是随着受众的增加，计算机需要处理的数据也在成倍增加，网络空间不断扩大，单机处理早已满足不了人们的需求，为此就要增加计算机网络中的处理节点，这给相关技术人员以及服务器都带来了很大的压力。云计算应运而生，快速融入到人们生活的方方面面，但是对于云计算这样庞大的系统而言，情况比较复杂，资源调度相当频繁，每个节点的处理任务的能力不尽相同，且不定期的加入或者退出，如何快速有效的分配任务对云环境下调度中心的任务调度算法提出了很高的要求。
本文从云计算出发重点研究基于资源状态优化的蚁群算法的原理及执行过程，分析该算法的数学模型，并将其应用到云场景下的任务调度中，通过仿真实验数据分析其性能，为今后算法的改进提供理论依据。虽然因为时间以及个人的能力的局限，本文所进行的研究有限，但是在云环境下通过将任务调度策略应用在云仿真平台上的研究还是有一定的现实意义的。
1.4论文的组织结构
本文主要研究的是云平台中实时任务调度的方法并仿真实现，包括对云环境下任务调度问题进行数学建模，构建基于资源状态的蚁群算法及仿真实验的具体实现。论文分为5个章节，每一章节的内容如下：
第一章：绪论部分。介绍课题背景，国内外云任务调度策略的研究现状、论文的研究目的和意义以及论文的组织结构。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/rjgc/98.html
