云計(jì)算中基于模糊聚類的資源調(diào)度的應(yīng)用研究

王小軍，王　運(yùn)，郝　喆

云計(jì)算中基于模糊聚類的資源調(diào)度的應(yīng)用研究

王小軍，王運(yùn)，郝喆

目前大多數(shù)云計(jì)算數(shù)據(jù)中心在資源分配過程中沒有充分考慮作業(yè)的性能代價(jià)問題，采用一種改進(jìn)的云計(jì)算資源分配策略，建立并行任務(wù)性能代價(jià)模型，利用改進(jìn)的模糊聚類算法(CBFCM Cost-Based Fuzzy Clustering Algorithm)對(duì)云計(jì)算資源集進(jìn)行分組，根據(jù)用戶服務(wù)等級(jí)USL進(jìn)行調(diào)度，采用四種資源調(diào)度算法進(jìn)行分析。實(shí)驗(yàn)結(jié)果表明，采用CBFCM算法對(duì)云計(jì)算資源進(jìn)行分類后，AFCFS算法與其他算法相比，可以減少作業(yè)響應(yīng)時(shí)間和作業(yè)等待時(shí)間。

云計(jì)算；并行任務(wù)；模糊聚類；性能代價(jià)

云計(jì)算是在網(wǎng)格計(jì)算、并行計(jì)算、虛擬化技術(shù)等技術(shù)的基礎(chǔ)上發(fā)展成的一種可配置的資源共享池技術(shù)，具有按需服務(wù)、廣泛的網(wǎng)絡(luò)接入、資源共享、彈性計(jì)算、服務(wù)可度量的特征。[1]根據(jù)Berkeley對(duì)云計(jì)算模型的定義，可以分為IAAS、PAAS、SAAS三層結(jié)構(gòu)。目前云計(jì)算中關(guān)注的熱點(diǎn)主要包括提高資源利用率、節(jié)約能源、降低運(yùn)行成本、云計(jì)算安全等。[2]

一、相關(guān)研究

云計(jì)算服務(wù)本質(zhì)是并行任務(wù)處理，為了提供廉價(jià)優(yōu)質(zhì)的按需服務(wù)，高效的任務(wù)調(diào)度是關(guān)鍵，總體而言并行調(diào)度策略可以分為基于優(yōu)先級(jí)的調(diào)度、基于分組的調(diào)度、基于復(fù)制的調(diào)度三種。[3]基于優(yōu)先級(jí)的調(diào)度為任務(wù)分配一個(gè)優(yōu)先級(jí)，根據(jù)優(yōu)先級(jí)給任務(wù)分配資源，基于分組的調(diào)度盡可能將資源需求類似的任務(wù)分配到一個(gè)分組，以組為單位分配資源，減少處理器間通信消耗。基于復(fù)制的調(diào)度TDS[4]利用處理器的空閑時(shí)間復(fù)制前驅(qū)任務(wù)，避免某些前驅(qū)任務(wù)的通信數(shù)據(jù)傳輸，從而減少傳輸延遲。因此，云計(jì)算中任務(wù)調(diào)度的目的都是對(duì)任務(wù)相關(guān)資源的合理分配，降低集群系統(tǒng)能耗，提高系統(tǒng)資源的利用率。

傳統(tǒng)的并行分布式系統(tǒng)調(diào)度模型基于優(yōu)先級(jí)的任務(wù)調(diào)度方法有最大最小(Max-Min)算法、貪心(greedy)算法、遺傳算法、蟻群算法等，上述方法以最小化作業(yè)完成時(shí)間為目標(biāo)，但沒有充分考慮服務(wù)提供商和用戶的QOS(Quality Of Service)需求，如代價(jià)成本、資源利用率等因素，導(dǎo)致在資源按組分配中，資源的選擇開銷大、分配存在經(jīng)驗(yàn)性。

文獻(xiàn)5和6對(duì)集群資源關(guān)鍵屬性進(jìn)行聚類分析，通過任務(wù)節(jié)點(diǎn)的遷移，實(shí)現(xiàn)計(jì)算的負(fù)載均衡，但其沒有考慮任務(wù)的代價(jià)和偏好。為了兼顧云計(jì)算中資源關(guān)鍵屬性劃分和任務(wù)的偏好，文獻(xiàn)7和8基于兩級(jí)調(diào)度模式的任務(wù)調(diào)度策略，采用模糊聚類的方法根據(jù)集群資源聚類結(jié)果和任務(wù)偏好，最大限度體現(xiàn)調(diào)度公平性，有助于減少問題的規(guī)模性，但其沒有考慮任務(wù)的性能和代價(jià)模型，無法滿足SLA(Service-Level Agreement)服務(wù)質(zhì)量要求。

為了提高集群資源的利用率，滿足SLA服務(wù)質(zhì)量要求，建立并行任務(wù)代價(jià)模型，采用CBFCM(Cost-Based Fuzzy Clustering Algorithm)算法，根據(jù)集群資源的等級(jí)和任務(wù)的性能代價(jià)進(jìn)行分類，滿足用戶QOS的前提下，提高資源的利用率。一方面描述了云計(jì)算中并行任務(wù)的代價(jià)模型和任務(wù)處理流程；另一方面利用改進(jìn)的模糊聚類算法CBFCM對(duì)資源進(jìn)行分組，根據(jù)任務(wù)代價(jià)參數(shù)，對(duì)任務(wù)進(jìn)行調(diào)度，有利于滿足服務(wù)雙方的各自需求。

二、模型描述

1.用戶模型

用戶是根據(jù)服務(wù)等級(jí)租用云服務(wù)，提交任務(wù)的實(shí)體。用戶集合可以表示為Users={U1,U2,…,Um}，其中Ui表示一個(gè)租用云服務(wù)的實(shí)體，可以表示如下的六元組：

Ui

Uid是云服務(wù)中對(duì)用戶實(shí)體的唯一標(biāo)記；

Uname是對(duì)用戶實(shí)體的友好描述；

USL(User Service Level)表示用戶的服務(wù)等級(jí)，SL(Service Level)標(biāo)識(shí)提供給用戶的資源類型，SL={Golden,Silver,Copper}，該參數(shù)與用戶計(jì)費(fèi)相關(guān)；

UJobs是用戶提交作業(yè)的集合，作業(yè)集合表示為Jobs={job1,job2,…,jobj}；

Upos表示用戶的地理位置；

Usec表示用戶數(shù)據(jù)的安全等級(jí)需求。

2.任務(wù)模型

為了描述任務(wù)模型，做如下假定：云計(jì)算中的并行作業(yè)由多個(gè)不斷互相通信的任務(wù)組成，每一個(gè)任務(wù)獨(dú)占一個(gè)虛擬機(jī)VM資源，作業(yè)調(diào)度過程中盡可能保證所有任務(wù)并行執(zhí)行，防止任務(wù)阻塞，最小化作業(yè)運(yùn)行時(shí)間。

Ui提交的作業(yè)集合可以表示為Jobs={job1,job2,…,jobn}，其中作業(yè)jobj可以用六元組表示

Jid表示服務(wù)提供商分配給jobj的全局唯一標(biāo)識(shí)；

Jtyps表示作業(yè)的類別，根據(jù)作業(yè)中任務(wù)集合的大小分為小作業(yè)small job和大作業(yè)large job，如下所示：

Jtype={smallJlen∈[1,12],Jtype={largeJlen∈[13,24]}

Jlen表示作業(yè)中任務(wù)集大小，Jlen=Jtasks;

Jtasks表示作業(yè)中的任務(wù)集合

Jtasks={Task1,Task2,…,Taskk}

Jres表示作業(yè)運(yùn)行所需要的最小的資源集。

為了考慮作業(yè)的代價(jià)和性能，在六元組中引入Jart表示作業(yè)的平均響應(yīng)時(shí)間(Average Response Time)(定義1)，表示作業(yè)進(jìn)入調(diào)度隊(duì)列直到作業(yè)運(yùn)行結(jié)束的時(shí)間。Jawt表示作業(yè)的平均等待時(shí)間(Average Wait Time)(定義2)，表示作業(yè)進(jìn)入調(diào)度隊(duì)列到作業(yè)分配到資源開始運(yùn)行的時(shí)間。

3.資源模型

云計(jì)算中的資源是服務(wù)商提供的共享可配置的計(jì)算資源(如網(wǎng)絡(luò)、服務(wù)器、存儲(chǔ)、應(yīng)用和服務(wù)等)。資源模型表示為Resource={r1,r2,…,rp}，資源總數(shù)p=Resource，其中rk可以用八元組表示

rk=

Rid表示資源的唯一編號(hào)；

Rsupply表示資源的提供商；

Rtype表示資源類型，與USL滿足關(guān)系(USL∈Rtype)，根據(jù)用戶的服務(wù)等級(jí)，選擇與之對(duì)應(yīng)的資源類型。

Rcomp表示資源的處理能力，采用MHz為計(jì)量單位；

Rmem表示資源可提供的內(nèi)存，采用MB為計(jì)量單位；

Rstor表示資源的存儲(chǔ)能力，采用GB為計(jì)量單位；

Rio表示資源的交換能力，采用Gb為計(jì)量單位；

Rnet表示資源的網(wǎng)絡(luò)帶寬，采用MB為計(jì)量單位；

Rpos表示資源的地理位置信息。

三、CBFCM算法(Cost-Based Fuzzy Clustering Algorithm)

1.FCM(Fuzzy Clustering Algorithm)模糊聚類算法

設(shè)X={x1,x2,…,xn}是n個(gè)需要聚類的資源，其中每個(gè)資源Xi有m個(gè)屬性,用向量Xj={xj1,xj2,…,xjm}表示，則X={xj|xj=(xj1,xj2,…,xjm),1≤j≤n}表示為數(shù)據(jù)空間。[9-11]

FCM模糊聚類算法根據(jù)n個(gè)資源數(shù)據(jù)點(diǎn)xj對(duì)c個(gè)不同類中心ωi的隸屬度，對(duì)目標(biāo)函數(shù)反復(fù)迭代獲得最優(yōu)劃分。

(1)

2.CBFCM模糊聚類算法

FCM算法中，資源數(shù)據(jù)點(diǎn)Xj與類中心ωi的隸屬度滿足如下關(guān)系：

∑ci=1uij=1,uij∈(0,1)

(2)

但是類中心ωi與各資源點(diǎn)xj之間的距離關(guān)系無法描述，為此引入了加權(quán)因子Mij表示相對(duì)于同一個(gè)類中心ωi與各資源點(diǎn)Xj之間的距離遠(yuǎn)近程度。

對(duì)于同一個(gè)類中心ωi，Mi滿足如下關(guān)系：

Mi=∑nj=1uij(Mi>0)

(3)

加權(quán)因子Mij,表示如下：

引入加權(quán)因子Mij的歐幾里得距離公式如下：

(4)

新的目標(biāo)函數(shù)如下：

(5)

聚類中心vi的更新公式由于加權(quán)因子Mij相互抵消，與FCM一致：

(6)

隸屬度更新公式為：

(7)

3.CBFCM算法流程

假設(shè)資源集合Resources={R1,R2,…,Rk}，是云計(jì)算服務(wù)提供商提供的硬件資源，根據(jù)Rtype分為不同的資源池，對(duì)不同的資源池采用改進(jìn)的CBFCM算法進(jìn)行分類，其算法流程如下：

(1)設(shè)置初始化參數(shù)，給出初始聚類中心ω={ω1,ω2,…,ωc},迭代次數(shù)l=0，最大迭代數(shù)為T，閾值為ε，平滑指數(shù)m=2；

CBFCM算法對(duì)不同Rtype資源進(jìn)行聚類分析時(shí)候，提取rk的6個(gè)關(guān)鍵屬性，考慮了同一個(gè)類中心ωi與各資源點(diǎn)Xj之間的距離遠(yuǎn)近程度，引入加權(quán)因子Mij，對(duì)資源之間的歐幾里得距離進(jìn)行放大，在加速聚類的同時(shí)，也節(jié)省了服務(wù)器提供商的運(yùn)行成本，提高資源分配目的性和利用率。

4.CBFCM聚類有效性分析

依據(jù)模糊集理論中可能性分布概念，為了分析模糊聚類的有效性，可以采用基于可能性分布的聚類有效性函數(shù)的方法，對(duì)于給定的聚類中心數(shù)c和隸屬度U，劃分系數(shù)定義為：

(8)

可能性劃分系數(shù)定義為：

(9)

聚類有效性函數(shù)定義為：

FP(U;c)=F(U;c)-P(U;c)

(10)

若存在(U*;c*)滿足FP(U*;c*)=minc{minΩcFP(U;c)}，則以(U*;c*)為最優(yōu)的有效性聚類。

根據(jù)上述聚類有效性函數(shù)定義，通過對(duì)指數(shù)m不同取值的情況下，CBFCM和FCM算法的有效性函數(shù)進(jìn)行分析，可以得出最優(yōu)的資源分類數(shù)。

四、作業(yè)調(diào)度

1.調(diào)度流程

云計(jì)算服務(wù)使用過程中，用戶向云服務(wù)提供商提交并行作業(yè)集，在云端其資源聚類和作業(yè)調(diào)度流程如圖1所示。

云計(jì)算服務(wù)模型中，資源是以虛擬機(jī)VM的形式提供終端用戶的并行作業(yè)使用，資源聚類過程是依據(jù)用戶服務(wù)級(jí)別USL，定義資源的類型為金、銀、銅、普通四個(gè)級(jí)別，根據(jù)資源rk的6個(gè)關(guān)鍵屬性Rcomp、Rmem、Rstor、Rio、Rnst、Rpos，采用CBFCM算法，對(duì)資源進(jìn)行分類，并將分類結(jié)果標(biāo)記到Rtyps中，同時(shí)將資源分別放入不同級(jí)別的資源集中，提供給資源調(diào)度進(jìn)程DR(Dispatching Resource)調(diào)度并行作業(yè)使用，作業(yè)中的每一個(gè)任務(wù)獨(dú)占一個(gè)資源(VM)。

圖1　云計(jì)算資源聚類和作業(yè)調(diào)度流程

圖1中作業(yè)調(diào)度流程如下，云計(jì)算用戶將并行作業(yè)Jobs提交給服務(wù)提供商SP，服務(wù)提供商根據(jù)用戶的服務(wù)級(jí)別USL，將Jobs添加到與USL對(duì)應(yīng)的作業(yè)隊(duì)列Job Queue。資源調(diào)度進(jìn)程DR，選用不同的調(diào)度算法，將Job Queue中的作業(yè)調(diào)度到由VM組成的資源集中進(jìn)行運(yùn)行，如果資源集中空閑VM的數(shù)量大于當(dāng)前作業(yè)中任務(wù)數(shù)Jlen，則當(dāng)前作業(yè)可立即執(zhí)行，否則該作業(yè)進(jìn)入等待狀態(tài)，直到其他作業(yè)完成，提供足夠多的空閑VM資源時(shí)，當(dāng)前任務(wù)才能調(diào)度進(jìn)入執(zhí)行狀態(tài)。當(dāng)?shù)却隣顟B(tài)的隊(duì)列長(zhǎng)度大于上限閾值時(shí)，SP可以租用更多的資源VM投入到資源集中，保障用戶的服務(wù)等級(jí)。

2.調(diào)度算法

資源調(diào)度進(jìn)程DR，采用的調(diào)度算法包括先來先服務(wù)FCFS(First Come First Served)、小作業(yè)優(yōu)先SJFS(Small Job First Served)、大作業(yè)優(yōu)先LJFS(Large Job First Served)、自適應(yīng)先來先服務(wù)AFCFS(Adaptive First Come First Served)四種資源調(diào)度算法，其資源調(diào)度算法描述如下所示。

算法1先來先服務(wù)調(diào)度算法FCFS

輸入：當(dāng)前調(diào)度的作業(yè)隊(duì)列job queue

輸出：當(dāng)前隊(duì)列中首個(gè)順序可執(zhí)行作業(yè)

Begin

∥對(duì)job queue按照作業(yè)進(jìn)入隊(duì)列先后排序

jobsList = getJobsList(job queue)

for each job in jobsList

∥判斷空閑資源VM時(shí)候滿足當(dāng)前job的需求

bool check = checkifJobCanBeExecuted(job)

if check then return job

else continue；

end if

end for

End

算法2小作業(yè)優(yōu)先算法SJFS

輸入：當(dāng)前調(diào)度的作業(yè)隊(duì)列job queue

輸出：當(dāng)前隊(duì)列中最小的可執(zhí)行作業(yè)

Begin

∥對(duì)job queue按照作業(yè)由小到大排序

jobsList = getJobsListBySizeIncremental(job queue)

∥判斷空閑資源VM時(shí)候滿足當(dāng)前job的需求

bool check = checkifJobCanBeExecuted(job)

if check then return job

else return null;∥當(dāng)前隊(duì)列沒有可執(zhí)行的作業(yè)

end if

End

算法3大作業(yè)優(yōu)先調(diào)度算法LJFS

輸入：當(dāng)前調(diào)度的作業(yè)隊(duì)列job queue

輸出：當(dāng)前隊(duì)列中最大的可執(zhí)行作業(yè)

Begin

∥對(duì)job queue按照作業(yè)由大到小排序

jobsList=getJobsListBySizeDecremental(job queue)

for each job in jobsList do

∥判斷空閑資源VM時(shí)候滿足當(dāng)前job的需求

bool check = checkifJobCanBeExecuted(job)

if check then return job

else continue;

end if

end for

End

在上述三種調(diào)度算法中，F(xiàn)CFS考慮了作業(yè)的順序與調(diào)度的關(guān)系，SJFS、LJFS考慮了作業(yè)的大小與調(diào)度的關(guān)系，對(duì)于空閑資源VM的數(shù)量與作業(yè)調(diào)度的關(guān)系沒有關(guān)注，AFCFS算法考慮了空閑資源VM的數(shù)量與當(dāng)前調(diào)度作業(yè)任務(wù)集關(guān)系，在空閑資源VM有限的情況下，優(yōu)先考慮空閑資源數(shù)量與作業(yè)任務(wù)集相當(dāng)?shù)淖鳂I(yè)進(jìn)行調(diào)度，進(jìn)一步提高空閑碎片資源的利用率。

算法4自適應(yīng)先來先服務(wù)算法AFCFS

輸入：當(dāng)前調(diào)度的作業(yè)隊(duì)列job queue

輸出：當(dāng)前隊(duì)列中自適應(yīng)空閑資源的可執(zhí)行作業(yè)

Begin

jobsList = getJobsList(job queue)

freeVMsListSize = getFreeVmsListSize()

for each job in jobList

if(freeVmsListSize-job.len)∈[0,β]&&

checkifJobCanBeExecuted(job)then

∥如果作業(yè)長(zhǎng)度與空閑資源小于閾值β，則該資源為自適應(yīng)候選資源

return job

else continue;

end if

end for

End

3.性能分析

為了對(duì)云計(jì)算中資源調(diào)度算法進(jìn)行分析，定義參數(shù)p表示作業(yè)Jtype=small所占的比例，作業(yè)平均負(fù)載JAL(Jobs Average Load)表示為JAL=p(1+12)/2+(1-p)(13+24)/2。

參數(shù)q表示可以同時(shí)調(diào)度進(jìn)入資源集的作業(yè)的數(shù)量，由于作業(yè)中每個(gè)并行任務(wù)獨(dú)占一個(gè)資源VM，因此參數(shù)滿足下列條件q≤Resourcemax/JAL，假設(shè)資源集的大小為60VM，參數(shù)p=0.5，最多同時(shí)調(diào)度進(jìn)入資源池的作業(yè)為q=4.8，表示最多同時(shí)調(diào)度作業(yè)的數(shù)量不能超過4.8。

其他作業(yè)調(diào)度性能相關(guān)定義如下。

定義1：作業(yè)平均響應(yīng)時(shí)間ART(Average Response Time)

ART=∑nj=1rjN

定義2：作業(yè)平均等待時(shí)間

AWT=∑nj=1wjN

定義3：虛擬服務(wù)器租用時(shí)間LT(Lease Time)

LT=∑qi=1Tlease(i)

其中，LT表示租用虛擬機(jī)的總時(shí)間，假設(shè)累計(jì)租用q臺(tái)虛擬機(jī)，Tlease(i)為VMi的租用時(shí)間。

定義4：作業(yè)運(yùn)行代價(jià)(Job Cost Price)

Cost=∑qi=1Tlease(i)×pricei

pricei=(αusl+βpos)×pricebase

作業(yè)的運(yùn)行代價(jià)由使用資源時(shí)間和資源VM的單價(jià)決定，資源VM單價(jià)由參數(shù)資源的地理位置βpos、資源的用戶級(jí)別αusl，以及資源的基礎(chǔ)定價(jià)決定。

五、實(shí)驗(yàn)仿真

實(shí)驗(yàn)仿真中硬件環(huán)境采用虛擬化平臺(tái)提供并行作業(yè)運(yùn)行所需要的虛擬機(jī)資源，虛擬化平臺(tái)采用VMware Vsphere 5.1虛擬化軟件、VMware Vcloud Automation Center 6.0云計(jì)算管理軟件，6臺(tái)服務(wù)器刀片，提供計(jì)算資源VM60個(gè)，資源根據(jù)6個(gè)關(guān)鍵屬性，對(duì)資源集采用CBFCM算法和標(biāo)準(zhǔn)FCM算法進(jìn)行分類處理，并標(biāo)記為分類的資源類型，通過聚類有效性函數(shù)(公式10)，可以得出當(dāng)分類數(shù)為3時(shí)，函數(shù)值取值最小，分類數(shù)為3是最優(yōu)的劃分?jǐn)?shù)。同時(shí)FCM和CBFCM算法的迭代次數(shù)和分類正確性進(jìn)行統(tǒng)計(jì)，如表1所示。

表1　FCM和CBFCM算法性能分析

通過表1不難發(fā)現(xiàn)，CBFCM算法與FCM算法在資源的分類中的性能對(duì)比，CBFCM具有較大的優(yōu)勢(shì)，同時(shí)也為云計(jì)算服務(wù)模型中用戶服務(wù)等級(jí)的劃分，提供較好的劃分依據(jù)。

對(duì)作業(yè)調(diào)度算法的性能分析，定義參數(shù)p=0.5，也就是調(diào)度中大小作業(yè)的比例均等，在四種調(diào)度算法中，選取代表性的三類算法FCFS、LJFS、SFCFS，對(duì)作業(yè)平均響應(yīng)時(shí)間ART、平均等待時(shí)間AWT和作業(yè)平均運(yùn)行代價(jià)ACP三個(gè)性能指標(biāo)進(jìn)行試驗(yàn)分析，分析結(jié)果如圖2-4所示。

圖2　算法平均響應(yīng)時(shí)間對(duì)比

圖3　算法平均等待時(shí)間對(duì)比

圖4　作業(yè)平均運(yùn)行代價(jià)對(duì)比

通過圖2、圖3的分析可以發(fā)現(xiàn)，AFCFS在作業(yè)調(diào)度的ART和AWT性能上，都占有較大的優(yōu)勢(shì)，其中算法LJFS和AFCFS性能相差不大，F(xiàn)CFS在作業(yè)調(diào)度上性能較差，不推薦使用。圖4中作業(yè)運(yùn)行代價(jià)中，AFCFS算法在參數(shù)q取值3.5時(shí)，取得最優(yōu)值，表明隨著同時(shí)進(jìn)入資源集作業(yè)數(shù)量的增加，平均運(yùn)行代價(jià)ACP會(huì)先降低再升高，ACP最優(yōu)取值與參數(shù)p和資源集的大小相關(guān)。

六、總　結(jié)

筆者圍繞云計(jì)算數(shù)據(jù)中心資源分配過程中作業(yè)的性能代價(jià)問題，提出了一種新的云計(jì)算資源分配策略，在建立并行任務(wù)性能代價(jià)模型的基礎(chǔ)上，利用改進(jìn)的模糊聚類算法(CBFCM Cost-Based Fuzzy Clustering Algorithm)對(duì)云計(jì)算資源集依據(jù)用戶服務(wù)等級(jí)USL進(jìn)行分組，并對(duì)作業(yè)采用四種不同的調(diào)度算法FCFS、SJFS、LJFS、AFCFS進(jìn)行分析。通過實(shí)驗(yàn)表明，在云計(jì)算資源分類的應(yīng)用中，CBFCM算法在迭代次數(shù)和分類正確性方面有較大的優(yōu)勢(shì)，AFCFS作業(yè)調(diào)度算法在平均響應(yīng)時(shí)間ART、平均等待時(shí)間AWT、平均運(yùn)行代價(jià)ACP性能指標(biāo)中，較其他三個(gè)算法有較大的優(yōu)勢(shì)。通過實(shí)驗(yàn)可以發(fā)現(xiàn)，基于CBFCM資源分類和作業(yè)調(diào)度的策略在云計(jì)算服務(wù)中有一定的優(yōu)勢(shì)。

[1]林偉偉，齊德昱.云計(jì)算資源調(diào)度研究綜述[J].計(jì)算機(jī)科學(xué)，2012(10):1-6.

[2]許力,曾智斌,姚川.云計(jì)算環(huán)境中虛擬資源分配優(yōu)化策略研究[J].通信學(xué)報(bào),2012(Z1):9-16.

[3]李新，賈智平，鞠雷.一種面向同構(gòu)集群系統(tǒng)的并行任務(wù)節(jié)能調(diào)度優(yōu)化方法[J].計(jì)算機(jī)學(xué)報(bào)，2012(3):591-602.

[4]薛景文,田玉玲.基于改進(jìn)克隆選擇算法的云計(jì)算任務(wù)調(diào)度算法[J].計(jì)算機(jī)應(yīng)用與軟件,2013(5):167-170.

[5]姚婧，何聚厚.基于模糊聚類分析的云計(jì)算負(fù)載均衡策略[J].計(jì)算機(jī)應(yīng)用.2012(1):213-217.

[6]李文娟，張啟飛，平玲娣.基于模糊聚類的云任務(wù)調(diào)度算法[J].通信學(xué)報(bào)，2012(3):146-154.

[7]戴炳榮,宋俊典,錢俊玲.云計(jì)算環(huán)境下海量分布式數(shù)據(jù)處理協(xié)同機(jī)制的研究[J].計(jì)算機(jī)應(yīng)用與軟件,2013(1):107-110.

[8]王登科,李忠.基于粒子群優(yōu)化與蟻群優(yōu)化的云計(jì)算任務(wù)調(diào)度算法[J].計(jì)算機(jī)應(yīng)用與軟件,2013(1):290-293.

責(zé)任編輯張軍濤

On the Application of Resource Scheduling Based on Fuzzy Clustering in Cloud Computing

WANGXiao-jun,WANGYun,HAOZhe/JiangsuOpenUniversity

At present, most cloud computing data centers have not taken into full account the performance costs of assignment in the process of the resource allocation. This paper took a modified resource allocation strategy of cloud computing, set up a performance cost model of parallel task, grouped the resource set of cloud computing by using the improved Fuzzy Clustering Algorithm (CBFCM Cost—based Fuzzy Clustering Algorithm) , scheduled according to the users service level, and analyzed by means of four different scheduling algorithms. The result shows that compared with the other algorithms, AFCFS can shorten the response time and the waiting time of assignment, once CBFCM is used in the resource grouping of cloud computing.

cloud computing；parallel task；fuzzy clustering；performance cost

G434 ∶TP301.6

A

2095-6576(2015)03-0026-06

2015-04-21

王小軍，江蘇開放大學(xué)信息化建設(shè)處高級(jí)工程師，理學(xué)碩士,主要從事計(jì)算機(jī)應(yīng)用、網(wǎng)絡(luò)學(xué)習(xí)研究。(wangxj@jsou.cn)

江蘇開放大學(xué)“十二五”規(guī)劃2013年度課題“個(gè)性化推薦系統(tǒng)在網(wǎng)絡(luò)教學(xué)中的應(yīng)用研究”(13SEW-Q-052)；國(guó)家開放大學(xué)2014-2015年度青年課題“個(gè)性化推薦系統(tǒng)在移動(dòng)學(xué)習(xí)中的應(yīng)用研究”(G14A1401Q)