云中面向圖像并行計(jì)算的數(shù)據(jù)分布策略

祝家鈺，肖 丹，鄒 洋

（重慶郵電大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，重慶400065）

0 引 言

云計(jì)算是一種典型的分布式、并行計(jì)算模式［1］，這種模式大大減少了計(jì)算任務(wù)的執(zhí)行時(shí)間。與依賴一些大型中央處理設(shè)備的系統(tǒng)不同，云計(jì)算系統(tǒng)由大量在不同地域上分布的計(jì)算機(jī)構(gòu)成一個(gè)計(jì)算池，以較低的代價(jià)在動(dòng)態(tài)、不可靠的網(wǎng)絡(luò)環(huán)境中提供大容量和高性能的計(jì)算服務(wù)。

云計(jì)算系統(tǒng)中，通常把一項(xiàng)任務(wù)需要被計(jì)算的數(shù)據(jù)分成多塊，分發(fā)到多個(gè)計(jì)算機(jī)節(jié)點(diǎn)上進(jìn)行并行計(jì)算，從而獲得較高的執(zhí)行速度。然而云中節(jié)點(diǎn)都是異構(gòu)的，具有不同的CPU速率、存儲(chǔ)能力和傳輸能力等。對(duì)同一個(gè)計(jì)算任務(wù)，不同的節(jié)點(diǎn)耗時(shí)是不同的。因此，云計(jì)算中的數(shù)據(jù)分發(fā)布局策略是相當(dāng)關(guān)鍵重要的，不合理的數(shù)據(jù)分布會(huì)影響系統(tǒng)整體的任務(wù)響應(yīng)時(shí)間。如何設(shè)計(jì)計(jì)算任務(wù)的數(shù)據(jù)分布算法，以提高數(shù)據(jù)處理效率，并使云中各節(jié)點(diǎn)負(fù)載均衡，是一個(gè)挑戰(zhàn)性的研究課題［2］。

隨著科學(xué)技術(shù)的高速發(fā)展，許多大規(guī)模工程和科學(xué)計(jì)算問題都對(duì)計(jì)算速度提出了越來越高的要求。例如圖像并行處理［3］。它是一種綜合的數(shù)字信息處理技術(shù)，是大數(shù)據(jù)量數(shù)字圖像在計(jì)算機(jī)計(jì)算領(lǐng)域中的一項(xiàng)需長(zhǎng)遠(yuǎn)發(fā)展的技術(shù)，其主要目的是實(shí)現(xiàn)圖像處理的實(shí)時(shí)性和快速性。隨著圖像分辨率的提高，每一景圖像的數(shù)據(jù)量增加，計(jì)算量也相應(yīng)增加。圖像數(shù)據(jù)的存儲(chǔ)具有相關(guān)性和規(guī)律性，其算法也具有鄰域性、一致性的特點(diǎn)，適合分布式并行計(jì)算。因此圖像處理越來越多地在云計(jì)算平臺(tái)上進(jìn)行，數(shù)據(jù)處理速度需要不斷地提高。但專門針對(duì)面向云的分布式集群環(huán)境圖像并行計(jì)算的數(shù)據(jù)分布研究相對(duì)較少。

針對(duì)以上問題，提出一種基于云計(jì)算系統(tǒng)的、適用于圖像并行計(jì)算的按節(jié)點(diǎn)性能比率進(jìn)行數(shù)據(jù)分布的策略。該策略通過建立性能函數(shù)，將節(jié)點(diǎn)CPU速率、存儲(chǔ)能力和傳輸能力等參數(shù)進(jìn)行歸一后，再計(jì)算節(jié)點(diǎn)間的性能比率，根據(jù)性能比率進(jìn)行任務(wù)數(shù)據(jù)量的分布；并依據(jù)鏈路帶寬制定數(shù)據(jù)發(fā)送的順序。

1 系統(tǒng)模型及分析

本系統(tǒng)采用主從 （Master／Slave）類型的云計(jì)算系統(tǒng)結(jié)構(gòu)［4］。目前的云存儲(chǔ)系統(tǒng)基本都采用該結(jié)構(gòu)，包括Google的 GFS［5］、Amazon的s3［6］和 Yahooy采用的 HDFS［7］等。主控?cái)?shù)據(jù)服務(wù)器節(jié)點(diǎn) （以下簡(jiǎn)稱主節(jié)點(diǎn)）負(fù)責(zé)從節(jié)點(diǎn)性能測(cè)試與整個(gè)系統(tǒng)數(shù)據(jù)及任務(wù)消息的發(fā)送與處理結(jié)果的回收。

本系統(tǒng)建立的模型包括一個(gè)主節(jié)點(diǎn)和多個(gè)從節(jié)點(diǎn)。用星狀圖表示，如圖1所示。G＝ ｛N0，N1，…，Nn｝，其中N0是負(fù)責(zé)數(shù)據(jù)分布的主節(jié)點(diǎn)，N1，…，Nn是從節(jié)點(diǎn)。此外，主節(jié)點(diǎn)和從節(jié)點(diǎn)Ni.間存在虛擬的傳輸鏈接Li。

圖1 系統(tǒng)模型

在云中執(zhí)行一項(xiàng)計(jì)算任務(wù)順序如下：

（1）主節(jié)點(diǎn)通過網(wǎng)絡(luò)接收到用戶請(qǐng)求。

（2）主節(jié)點(diǎn)根據(jù)數(shù)據(jù)分布策略將計(jì)算數(shù)據(jù)分布到從節(jié)點(diǎn)上。

（3）各從節(jié)點(diǎn)接收命令及數(shù)據(jù)，在本地執(zhí)行計(jì)算。

（4）主節(jié)點(diǎn)收集各從節(jié)點(diǎn)的計(jì)算結(jié)果綜合后并返回給用戶。

以上過程均要消耗時(shí)間，表示如下，TTUS：用戶請(qǐng)求傳輸?shù)街鞴?jié)點(diǎn)的時(shí)間。TTSNi：主節(jié)點(diǎn)傳輸數(shù)據(jù)到節(jié)點(diǎn)Ni的時(shí)間。CTNi：節(jié)點(diǎn)i執(zhí)行數(shù)據(jù)處理的時(shí)間TTNi.S：節(jié)點(diǎn)i傳輸結(jié)果到主節(jié)點(diǎn)的時(shí)間。TTSU：主節(jié)點(diǎn)向用戶遞交結(jié)果的時(shí)間。

那么，從用戶發(fā)出請(qǐng)求到得到處理結(jié)果，總需花費(fèi)的時(shí)間是

式中：TTUS和TTSU是由網(wǎng)絡(luò)速度決定的，很難改變。節(jié)點(diǎn)i上傳結(jié)果的TTNi.S基本不可控。但TTSNi.與主節(jié)點(diǎn)為該從節(jié)點(diǎn)分配的數(shù)據(jù)量有很大關(guān)系；而CTNi由從節(jié)點(diǎn)計(jì)算能力決定。因此我們主要關(guān)注這兩方面，通過建立函數(shù)模型估算節(jié)點(diǎn)性能，并計(jì)算節(jié)點(diǎn)間的性能比，為性能好的節(jié)點(diǎn)分布較多計(jì)算數(shù)據(jù)來最終減少任務(wù)響應(yīng)時(shí)間。

2 按性能比率進(jìn)行數(shù)據(jù)分布的策略 （PDDS）

根據(jù)每個(gè)從節(jié)點(diǎn)的性能和傳輸鏈路狀態(tài)，提出一種云平臺(tái)上針對(duì)圖像并行計(jì)算的數(shù)據(jù)分布策略。本節(jié)首先闡述性能比率的概念，然后基于性能比率引出該策略。并用一個(gè)實(shí)例來說明。

2.1 性能比率

根據(jù)所有從節(jié)點(diǎn)的性能比率來劃分負(fù)載。因此本策略的有效性依賴于對(duì)性能比率估算的準(zhǔn)確性。在引入性能比之前，先探討云系統(tǒng)中的節(jié)點(diǎn)計(jì)算力［8］，用節(jié)點(diǎn)i完成特定數(shù)據(jù)量處理的耗時(shí)來衡量。與該節(jié)點(diǎn)的CPU頻率，總線速度，I／O速度及內(nèi)存容量，CPU核的個(gè)數(shù)相關(guān)。可用等式表示為

式中：Data——待處理的數(shù)據(jù)量，fi——節(jié)點(diǎn)i的CPU頻率，vbi——總線速度，mi、vioi、Numi——內(nèi)存容量，IO速度和CPU核的個(gè)數(shù)。節(jié)點(diǎn)i對(duì)應(yīng)的Ti值越小，表示該節(jié)點(diǎn)的計(jì)算能力越大。

在分布式系統(tǒng)中，網(wǎng)絡(luò)帶寬也是評(píng)價(jià)節(jié)點(diǎn)性能

的一個(gè)重要標(biāo)準(zhǔn)，數(shù)據(jù)傳輸花費(fèi)直接影響系統(tǒng)對(duì)任務(wù)的響應(yīng)時(shí)間。因此，對(duì)節(jié)點(diǎn)i定義性能函數(shù)

這里Pi，1＝＜i＝＜M，是性能函數(shù)中的一個(gè)參數(shù)。代表節(jié)點(diǎn)的CPU速度，網(wǎng)絡(luò)帶寬，內(nèi)存容量等。在本文中，PFi定義為

式中：SN——所有從節(jié)點(diǎn)集合。Ti——節(jié)點(diǎn)i執(zhí)行某個(gè)計(jì)算任務(wù)的時(shí)間。Bi——從節(jié)點(diǎn)i和主節(jié)點(diǎn)間的鏈路帶寬。W1——第一項(xiàng)的權(quán)重，W2是第二項(xiàng)的權(quán)重。

性能比PR定義為每個(gè)從節(jié)點(diǎn)性能函數(shù)值的比率。例如，設(shè)有3個(gè)從節(jié)點(diǎn)N1，N2和N3，其PR即PF1：PF2：PF3是1／3∶1／2∶1／6，即3個(gè)節(jié)點(diǎn)的性能比是2∶3∶1。換句話說，如果計(jì)算任務(wù)的數(shù)據(jù)量是6個(gè)單位，那么其中2個(gè)會(huì)分布給N1，3個(gè)分布給N2，1個(gè)分布給N3。

2.2 數(shù)據(jù)分發(fā)的順序

主節(jié)點(diǎn)向從節(jié)點(diǎn)分布工作量需要兩個(gè)步驟：

（1）總工作數(shù)據(jù)量根據(jù)n個(gè)從節(jié)點(diǎn)的PR 性能進(jìn)行劃分。

（2）檢測(cè)各鏈路帶寬值，按照鏈路帶寬從大到小的順序依次占用相應(yīng)鏈路傳輸數(shù)據(jù)。

假設(shè)三條鏈路，L1，L2和L3，分別對(duì)應(yīng)從節(jié)點(diǎn)N1，N2和N3到主節(jié)點(diǎn)的鏈路。其中L2帶寬最寬，L1次之，L3帶寬最小。那么主節(jié)點(diǎn)首先占用L2向N2發(fā)送數(shù)據(jù)，其次是N1，最后是向N3。

在實(shí)際運(yùn)用中，Bj的估算可以利用NWS（network weather service）系統(tǒng)，即網(wǎng)絡(luò)氣象服務(wù)［9］。NWS利用一套高性能的分布式傳感器 （網(wǎng)絡(luò)監(jiān)視器，CPU監(jiān)視器等）收集系統(tǒng)狀態(tài)信息，可以反饋節(jié)點(diǎn)負(fù)載，網(wǎng)絡(luò)帶寬等信息。被廣泛使用在分布式系統(tǒng)，以實(shí)現(xiàn)動(dòng)態(tài)的資源性能檢測(cè)。

2.3 PDDS算法

本算法應(yīng)用在主從節(jié)點(diǎn)類型的云計(jì)算平臺(tái)中，分為兩個(gè)模塊。在主節(jié)點(diǎn)模塊，待處理的數(shù)據(jù)被分割成多個(gè)子集，根據(jù)從節(jié)點(diǎn)間的性能比率，分布到各從節(jié)點(diǎn)上。性能最好的節(jié)點(diǎn)獲得的數(shù)據(jù)量最多，反之亦然。從節(jié)點(diǎn)模塊負(fù)責(zé)數(shù)據(jù)的計(jì)算。該算法描述如下：

主節(jié)點(diǎn)模塊：

（1）初始化。

（2）計(jì)算所有從節(jié)點(diǎn)的性能比。

（3）根據(jù)性能比將計(jì)算任務(wù)總數(shù)據(jù)量劃分成多份。

（4）獲得主節(jié)點(diǎn)到從節(jié)點(diǎn)i的鏈路帶寬Bi。

（5）根據(jù)各鏈路帶寬，主節(jié)點(diǎn)以Bi非遞增順序依次占用各鏈路發(fā)送數(shù)據(jù)到相應(yīng)從節(jié)點(diǎn)，各從節(jié)點(diǎn)獲得的數(shù)據(jù)量由性能比決定。

（6）主節(jié)點(diǎn)搜集所有從節(jié)點(diǎn)的計(jì)算結(jié)果。

（7）將結(jié)果返回給客戶。

（8）完成。

從節(jié)點(diǎn)模塊：

（1）接收來自主節(jié)點(diǎn)的數(shù)據(jù)。

（2）在本地進(jìn)行數(shù)據(jù)計(jì)算。

（3）發(fā)送結(jié)果給主節(jié)點(diǎn)。

不失一般性的，在該算法中，假定主節(jié)點(diǎn)不參與數(shù)據(jù)的處理。

2.4 實(shí) 例

利用圖2進(jìn)一步說明主模塊算法。

（1）主節(jié)點(diǎn)N0進(jìn)行初始化工作。

（2）通過等式 （4）得到3個(gè)從節(jié)點(diǎn)的PR值，假設(shè)為2∶3∶1。

（3）待處理的總數(shù)據(jù)量以2∶3∶1的比例被劃分為6份。其中，兩份數(shù)據(jù)分發(fā)給N1；3份分發(fā)給N2；1份分發(fā)給N3。

（4）利用NWS服務(wù)，獲得L1～L3鏈路的帶寬比B1∶B2∶B3，設(shè)為3∶1∶2。

（5）主節(jié)點(diǎn)首先向N1發(fā)送數(shù)據(jù)，因?yàn)镹1到主節(jié)點(diǎn)的鏈路L1帶寬最寬，其次是N3，最后N2。

（6）主節(jié)點(diǎn)收集來自從節(jié)點(diǎn)的計(jì)算結(jié)果。（7）主節(jié)點(diǎn)輸出結(jié)果。

（8）主節(jié)點(diǎn)完成收尾工作。

3 仿真實(shí)驗(yàn)

3.1 系統(tǒng)建立和實(shí)驗(yàn)方法

從以上分析可以得知，本數(shù)據(jù)分布策略與節(jié)點(diǎn)性能和鏈路狀況密切相關(guān)。本文實(shí)驗(yàn)對(duì)云計(jì)算仿真平臺(tái)Cloud－Sim［10－11］進(jìn)行了擴(kuò)展，模擬實(shí)驗(yàn)環(huán)境包括9臺(tái)PC機(jī)，1臺(tái)作為主節(jié)點(diǎn)，對(duì)數(shù)據(jù)進(jìn)行分布控制，其余8臺(tái)作為從節(jié)點(diǎn)。

圖2 系統(tǒng)實(shí)例

在實(shí)驗(yàn)中，數(shù)據(jù)被預(yù)先存放在主服務(wù)器節(jié)點(diǎn)上。依照主模塊中的算法向各從節(jié)點(diǎn)分布數(shù)據(jù)。節(jié)點(diǎn)計(jì)算力和性能比的計(jì)算均和第2節(jié)中描述的一致。此外，w1設(shè)為1.5，w2設(shè)為0.8。由于是實(shí)驗(yàn)?zāi)M，因此節(jié)點(diǎn)i的Ti和節(jié)點(diǎn)i到主節(jié)點(diǎn)鏈路的Bi的值均事先設(shè)定好。得到從節(jié)點(diǎn)性能比率見圖3。圖3中橫坐標(biāo)表示節(jié)點(diǎn)編號(hào)，縱坐標(biāo)是其對(duì)應(yīng)的性能函數(shù)值PFi。

圖3 節(jié)點(diǎn)性能比率

3.2 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證本文數(shù)據(jù)分布策略的性能在同類算法中的優(yōu)劣，設(shè)計(jì)了兩種數(shù)據(jù)分布算法對(duì)比試驗(yàn)：“Eq＿ds”算法和“cpu＿ds”算法。“Eq＿ds”表示平均地分布數(shù)據(jù)量到從節(jié)點(diǎn)的算法；“cpu＿ds”表示以CPU速率比來分布數(shù)據(jù)量；PDDS是本文策略。在主節(jié)點(diǎn)模塊，對(duì)從節(jié)點(diǎn)性能比和鏈路帶寬計(jì)算完成后，即分別按照這3種策略進(jìn)行數(shù)據(jù)分布。本實(shí)驗(yàn)中的圖像并行計(jì)算是把數(shù)字圖像數(shù)據(jù)量按系統(tǒng)中從節(jié)點(diǎn)的數(shù)目和性能比率進(jìn)行劃分 （任務(wù)粒度），主節(jié)點(diǎn)采用鏈路帶寬遞減的順序?qū)?shù)據(jù)分發(fā)給各個(gè)從節(jié)點(diǎn)，由每個(gè)從節(jié)點(diǎn)按要求完成規(guī)定的圖像計(jì)算任務(wù)，各從節(jié)點(diǎn)把處理后的結(jié)果數(shù)據(jù)送回主節(jié)點(diǎn)進(jìn)行組合，然后提取這整個(gè)過程的處理時(shí)間，以此模擬圖像并行處理。

設(shè)置總數(shù)據(jù)量以分解后的計(jì)算任務(wù)總數(shù)來衡量［12］。這里每個(gè)子任務(wù)對(duì)應(yīng)的計(jì)算數(shù)據(jù)量都是相同的。分別為20，60和100個(gè)，分別應(yīng)用這3種算法進(jìn)行數(shù)據(jù)分布后，獲取圖像并行計(jì)算任務(wù)響應(yīng)時(shí)間。實(shí)驗(yàn)結(jié)果如圖4所示。結(jié)果表明，PDDS數(shù)據(jù)分布算法能夠使任務(wù)響應(yīng)時(shí)間最短。從該實(shí)驗(yàn)可以看出，鏈路帶寬是衡量一個(gè)從節(jié)點(diǎn)計(jì)算性能的重要因素，“Eq＿ds”算法和 “cpu＿ds”算法是兩種靜態(tài)的數(shù)據(jù)分布算法，沒有考慮鏈路帶寬因素，因此不能適應(yīng)實(shí)際網(wǎng)絡(luò)狀況。本文中的PDDS算法因?yàn)榻Y(jié)合了網(wǎng)絡(luò)帶寬，減少了數(shù)據(jù)傳輸時(shí)間花費(fèi)，所以能較好地適應(yīng)網(wǎng)絡(luò)環(huán)境。而 “cpu＿ds”算法性能表現(xiàn)最差，是因?yàn)樗豢紤]了節(jié)點(diǎn)CPU速率這一個(gè)參數(shù)，而CPU速度并不是衡量節(jié)點(diǎn)計(jì)算機(jī)性能［13］的唯一因素。

圖4 算法執(zhí)行時(shí)間比較

從圖5可以看出，各種分布策略在不同從節(jié)點(diǎn)數(shù)量下的反應(yīng)時(shí)間差別較明顯，隨著從節(jié)點(diǎn)數(shù)目的增加，采用PDDS數(shù)據(jù)分布策略，得到的圖像并行計(jì)算響應(yīng)時(shí)間線性下降，明顯優(yōu)于其他分布策略。原因在于該算法充分考慮了節(jié)點(diǎn)性能差異，使處理能力強(qiáng)的節(jié)點(diǎn)能者多勞，且分布數(shù)據(jù)時(shí)利用了鏈路帶寬因素，從而提高了系統(tǒng)響應(yīng)效率。

圖5 不同節(jié)點(diǎn)數(shù)目下的系統(tǒng)響應(yīng)時(shí)間

圖6是數(shù)據(jù)發(fā)送順序影響系統(tǒng)響應(yīng)時(shí)間的測(cè)試結(jié)果。分別測(cè)試數(shù)據(jù)計(jì)算任務(wù)總數(shù)為20，60和1003種情況下的系統(tǒng)對(duì)任務(wù)的完成時(shí)間。本文提出的PDDS算法采用2.2節(jié)所敘述的按照鏈路帶寬遞減的順序依次占用相應(yīng)鏈路進(jìn)行數(shù)據(jù)分發(fā)。并與其他兩種數(shù)據(jù)分發(fā)順序進(jìn)行對(duì)比：一種名為 “INC＿DS”，與PDDS數(shù)據(jù)分發(fā)順序相反，按照鏈路帶寬遞增的順序依次占用相應(yīng)鏈路進(jìn)行數(shù)據(jù)分發(fā)；另一種名為 “RAND＿DS”，采用任意順序分發(fā)數(shù)據(jù)。結(jié)果如圖所示，PDDS算法使系統(tǒng)對(duì)計(jì)算任務(wù)的響應(yīng)時(shí)間縮短，要優(yōu)于其他兩種算法。這是因?yàn)闇p少了所有從節(jié)點(diǎn)等待計(jì)算任務(wù)的時(shí)間。

4 結(jié)束語(yǔ)

圖6 數(shù)據(jù)分發(fā)順序?qū)ο到y(tǒng)響應(yīng)時(shí)間的影響

根據(jù)圖像數(shù)據(jù)存儲(chǔ)的規(guī)律性和相關(guān)性，以及云計(jì)算中數(shù)據(jù)分布存儲(chǔ)的特點(diǎn)，本文提出了一種面向圖像并行處理的數(shù)據(jù)分布策略。該策略為了均衡系統(tǒng)中各計(jì)算節(jié)點(diǎn)的負(fù)載，依據(jù)節(jié)點(diǎn)的處理能力和鏈路帶寬狀況進(jìn)行不同數(shù)據(jù)量的分布；并結(jié)合網(wǎng)絡(luò)帶寬來決定數(shù)據(jù)傳送的順序，最終達(dá)到降低系統(tǒng)響應(yīng)時(shí)間、提高系統(tǒng)性能的目的。經(jīng)過實(shí)驗(yàn)表明，本文的策略能明顯減少圖像并行計(jì)算時(shí)間，實(shí)施簡(jiǎn)單并有效。

以后的工作是進(jìn)行圖像并行計(jì)算以外的其他類型的應(yīng)用，比如數(shù)據(jù)挖掘等來進(jìn)一步測(cè)試本策略，并改進(jìn)該策略。

［1］Hayes.Cloud－computing ［J］.Communications of the ACM，2008，51 （7）：9－11.

［2］CHEN Quan，DENG Qianni.Cloud computing and its key techniques ［J］.Journal of Computer Applications，2009，29（9）：2563－2566 （in Chinese）.［陳全，鄧倩妮.云計(jì)算及其關(guān)鍵技術(shù) ［J］.計(jì)算機(jī)應(yīng)用，2009，29 （9）：2563－2566.］

［3］ZHANG Xuqing，CHEN Shengbo，F(xiàn)AN Jizhang，et al.Remote sensing image parallel processing based on grid environment［J］.Microcomputer Information，2010，25 （5）：5－6（in Chinese）.［張旭晴，陳圣波，范繼璋，等.基于網(wǎng)格環(huán)境的遙感圖像并行處理 ［J］.微計(jì)算機(jī)信息，2010，25 （5）：5－6.］

［4］CHEN Kang，ZHENG Weimin.Cloud computing：System instances and current research ［J］.Journal of Software，2009，20 （5）：1337－1348 （in Chinese）. ［陳康，鄭緯民.云計(jì)算：系統(tǒng) 實(shí) 例 與 研 究 現(xiàn) 狀 ［J］.軟 件 學(xué) 報(bào)，2009，20 （5）：1337－1348.］

［5］CAI Jian，WANG Shumei.Cloud computing system instances based on Google ［J］.Computer Knowledge and Technology，2009，5 （25）：7093－7095 （in Chinese）. ［蔡鍵，王樹梅.基于Google的云計(jì)算實(shí)例分析 ［J］.電腦知識(shí)與技術(shù)，2009，5（25）：7093－7095.］

［6］Amazon.Amazon elastic compute cloud amazon EC2 ［EB／OL］.［2012－04－20］.http：／／aws.amazon.com／ec2／，2009／.

［7］Yahoo.Hadoop tutorial［EB／OL］.［2012－04－20］.http：／／publicyahoo.com／gogate／hadoop－tutorial／start－tutorial.html，2009／.

［8］ZENG Zhi，LIU Renyi，ZHANG Feng，et al.A policy of task allocation base on distributed cluster computing towards cloud ［J］.Science of Telecommunications，2010，24 （10）：30－33（in Chinese）.［曾志，劉仁義，張豐，等.面向云的分布式集群四叉樹任務(wù)分布策略 ［J］.電信科學(xué)，2010，24（10）：30－33.］

［9］Michiorri，Andrea.Forecasting real－time ratings for electricity distribution networks using weather forecast data ［C］／／20th International Conference and Exhibition，CI－RED，2009：1－4.

［10］Belalem G，Tayeb F Z，Zaoui W.Approachesto improve the resources management in the simulator CloudSim ［C］／／Proc of the First International Conference of Information Computing and Applications. Heidelberg：Springger Verlag Press，2010：189－196.

［11］Calheiros R N，Ranjan R，Beloglazov A，et al.CloudSim：A toolkit for modeling and simulation of cloud computing environments and evaluation of resource provisioning algorithms［J］.Software Practice ＆Experience，2011，41 （1）：23－50.

［12］Beloglazov，Anton Buyya，Rajkumar.Energy efficient resource management in virtualized cloud data centers ［C］／／10th IEEE／ACM International Conference，2010：826－828.

［13］ZHAO Bo.PageRank－based computer performance evaluation method ［J］.Computer Engineering，2010，36 （17）：286－288（in Chinese）.［趙波.基于PageRank的計(jì)算機(jī)性能評(píng)價(jià)方法 ［J］.計(jì)算機(jī)工程，2010，36 （17）：286－288.］