论文部分内容阅读
随着物联网和移动互联网的发展,云雾计算已经逐渐取代传统的云计算成为互联网新的重要基础设施,其任务服务质量(Quality of Service,Qo S)与资源使用效率也成为了网络服务关注的主要问题。其中,云雾计算系统的任务调度与计算资源分配策略是影响其任务服务质量与资源使用效率的主要因素,因此,需要对云雾计算系统的任务调度与计算资源分配进行优化。然而,由于云雾计算系统的分布式架构以及雾节点与云中心在系统架构、计算资源和网络传输上的差异,云雾计算系统的任务服务质量与资源使用效率优化不仅需要考虑其整体任务处理策略的优化,也需要分别考虑雾节点和云中心的任务调度与计算资源分配策略的优化。因此,本文针对云雾计算系统的负载分配与任务调度、雾节点的任务调度与计算资源分配以及云计算资源的按需分配与弹性调度三个方面开展研究,以实现云雾计算系统任务服务质量与资源使用效率的优化,具体包括:1.为了提高云雾计算系统的任务服务质量与资源使用效率,本文使用Lyapunov Drift-Plus-Penalty优化方法提出了一种基于分布式架构管理模式的延迟敏感在线负载分配与任务调度算法,其通过对云雾计算系统整体任务处理过程的优化,降低了云雾计算系统的任务服务延迟。具体而言,该算法可根据雾节点负载和网络传输的实时状态,通过权衡雾节点的任务排队延迟与任务的网络延迟获得负载与任务在云雾计算系统中各个设备之间的最佳分配与调度策略,使得云雾计算系统中的各个设备能相互协作,从而在充分使用云雾计算系统计算资源的基础上,达到减小任务服务延迟的目的。此外,该算法使得每个雾节点可通过前一个时隙的单次信息广播对其相邻雾节点的负载状态进行估计,避免了中心化管理模式对系统中所有雾节点的遍历操作和频繁的信息交互,实现了分布式架构中不同雾节点之间信息的松耦合,从而使得各个雾节点可独立管理自身的负载分配与任务调度,满足了云雾计算系统分布式架构的部署要求。2.为了提高雾节点的实时异构任务服务质量与资源使用效率,本文有针对性地提出了雾节点的任务调度与计算资源分配优化算法。首先,在考虑雾节点计算资源容量有限的基础上,本文使用Lyapunov优化方法提出了一种自适应队列长度加权雾节点计算资源分配算法。该算法可根据不同类型任务队列的长度自适应地将雾节点的计算资源优先分配给较长任务队列中的任务,不仅避免了雾节点计算资源分配不平衡所导致的任务“资源饥饿”问题,同时也保证了雾节点吞吐量的优化。在分析任务队列排序对雾节点任务处理性能影响的基础上,本文以任务的执行时间估计上限和松弛时间为衡量标准,分别提出了雾节点多目标和非线性多目标单调递增任务排序缓冲调度算法。这两个算法可分别根据对雾节点吞吐量和系统任务完成率性能的不同侧重需求,优化任务在雾节点任务队列中的排序缓冲调度,实现了对雾节点吞吐量和系统任务完成率的按需均衡优化。3.为了提高云计算资源的使用效率,并同时避免计算资源分配与调度滞后于负载变化的问题,本文基于主动方式提出了一种云计算资源按需分配与弹性调度方法。首先,以维基媒体(Wikimedia)服务的任务请求数量负载(即网络负载)为研究对象,本文提出了一种基于长短时记忆神经网络(Long Short-Term Memory,LSTM)的自适应两阶段多网络模型负载预测方法。该负载预测方法可根据所输入网络负载数据的变化趋势与特点对该网络负载数据按照爬升和下降类型进行分类,并根据分类结果自适应地将输入的网络负载数据调度到与之类型相匹配的LSTM负载预测模型中进行预测,从而达到提高网络负载预测精度的目的。进一步,本文提出了一种基于网络负载预测的最大云服务收益计算资源数量搜索算法。该算法在考虑任务服务质量和系统稳定性的基础上,以提高云服务收益为优化目标并可根据网络负载的预测结果获得所需的云服务器数量,不仅使得云计算资源可以提前进行分配与调度,避免了云计算资源分配与调度滞后于负载变化对云计算任务服务质量与资源使用效率的影响,同时也实现了以提高云服务收益为目标的云计算资源按需分配与弹性调度。