随着分布式计算、网格计算、效用计算等技术的发展,研究学者们融合了这些传统计算机和网络技术的优点,从而提出了一种更高级的计算方式—云计算,这是互联网领域的又一巨变,从此云计算得到了快速的发展与普及。然而,随着云计算的迅速发展,云计算中任务调度效率低与数据中心能耗偏高等性能问题也伴随而来。因此,本论文针对云计算中的性能优化问题,对云计算数据中心的模型和任务调度策略展开研究。本课题组对于Petri网及系统性能优化与评价有较长时间的研究基础,并且国内外相关领域应用Petri网对系统进行建模也有非常丰富的研究案例。因此,本文结合云计算数据中心关键构成要素(如虚拟机)及云计算中的任务调度处理过程,设计了基于广义随机Petri网(Generalized Stochastic Petri Nets,GSPN)的云计算任务调度处理模型,然后在此模型基础上,设计了基于遗传算法的任务调度算法,以提高任务完成效率,降低云计算数据中心处理任务的能耗,并利用仿真实验进行验证。具体来说,本文的主要研究内容如下所示:1.云计算任务调度过程模型研究与建立。本文对当前云计算数据中心结构进行研究,概括云计算数据中心主要组成要素(服务器、虚拟机等),分析得出云计算任务调度处理的一般过程;用Petri网中的库所与变迁表示该过程中的相应元素与事件,建立云计算任务调度处理细化模型,利用Petri网模型等价与简化技术对该模型进行简化,分析简化模型的性质,验证该简化模型的正确性与可行性。2.云计算任务调度策略的研究与设计。基于本文设计的任务调度处理过程模型,受生物计算的启发,选用遗传算法,并寻找遗传算法与任务调度处理过程结合的切入点,融入服务器动态电压缩放工作机制,设计基于遗传算法的任务调度策略,以任务总完成时间最短和任务完成所需能耗最低为导向,对动态任务调度问题求解,并进一步进行了试验分析验证。经过理论分析、模型构建及策略设计与实现,最终实验结果表明,所设计的基于虚拟机的任务调度策略能够一定程度上缩短任务完成的总时间并降低处理所有任务的总能耗,证明了本论文提出的任务调度策略的有效性。