云計算環境任務調度方法研究綜述

田倬璟，黃震春，張益農

1.北京聯合大學 北京市信息服務工程重點實驗室，北京100101

2.清華大學 計算機科學與技術系，北京100084

3.國家超級計算無錫中心，江蘇 無錫214072

4.北京信息科學與技術國家研究中心，北京100084

5.北京聯合大學 城市軌道交通與物流學院，北京100101

云計算利用互聯網和虛擬機技術，通過少量管理工作，以虛擬化形式提供隨時可用、可重新配置和無處不在的計算資源，在這種范例中，用戶利用互聯網和遠程數據中心來運行應用程序和存儲數據。云計算技術按使用服務付費的方式為用戶提供了高效可擴展的計算能力，消除了用戶硬件配置維護成本，目前已發展成為一種流行且高效的計算范例[1]。

云計算環境是一個典型的分布式計算環境，任務調度是指在IaaS 層，根據任務和資源的實際情況，將任務分配到最佳資源上進行執行的過程。在云計算環境中，任務的類型、狀態、數量隨時變化，資源具有異構性和擴展性，可自由組合為不同的任務提供服務。性能良好的任務調度算法可以優化服務質量參數（QoS），如最大完工時間、響應時間、吞吐量、資源利用率、任務拒絕率、可靠性、可伸縮性、能耗、執行成本等，并可以在不違反服務級別協議（SLA）的前提下，考慮各類約束，例如截止日期、優先級、經濟成本等，實現用戶的硬指標約束，同時可避免負載不均衡的發生，這是一個典型的NP 困難問題。目前，隨著用戶應用程序對云數據中心計算資源需求的逐漸增加，資源爭用、服務中斷、交互能力缺乏、QoS 性能降低、SLA 違反等問題日益嚴重；此外，傳統單個云環境存在資源不足，服務部署易受故障影響，導致服務中斷和低可用性，因此促使產生了跨云環境（inter-cloud）來解決此類問題。

任務調度算法的類型根據不同的分類方式具有不同的定義。根據任務的類型，可把任務調度分為獨立任務調度和工作流調度，根據任務調度算法的特點，可將算法分為啟發式、元啟發式和混合式，根據任務運行的環境，可分為單云環境任務調度和跨云環境任務調度。

獨立任務彼此之間沒有關聯關系，只需按照用戶要求分配到指定虛擬機即可，而工作流的任務之間存在執行順序，運行較為復雜。通常工作流由有向無環圖（DAG）表示，節點表示任務所需的計算過程，邊表示任務之間的數據通信，除了一般商業應用程序生成的業務工作流（business workflow）之外，天文學、生物信息學、地震科學和物理學等領域建立的科學應用程序構成了科學工作流（scientific workflow），典型科學工作流包括Montage、LIGO、CyberShake、SIPHT 和Epigenomics 等，獨立任務和科學工作流都屬于單次執行作業。

啟發式算法是一類基于直觀或經驗構造的算法，其在可接受的計算時間和空間下給出待解決的組合優化問題的一個可行解，但無法保證結果最優，且調度周期較長。元啟發式算法是隨機算法和局部搜索算法結合的產物，這些算法獨立于問題，尋找NP困難問題的近似最優解，針對大范圍尋優問題提供搜索流程，一般需要至少一個初始可行解，在預定義的搜索空間高效迭代搜索以改進解，這類算法往往具有較高的時間復雜度，但由于具有較高的解的精度，整體調度周期縮短了。混合式算法是兩種以上算法結合的算法統稱，這類算法在一定程度上降低了局部最優解的發生率，但時間復雜度更高，且性能結果差異較大。

當一個云以即付即用的方法對公眾開放使用時，它被稱為公有云，當一個云屬于企業或組織，不對公眾開放使用時，被稱為私有云，云環境包含大量獨立、異構的私有云和公有云，這些彼此沒有聯系的云構成了單云環境。隨著計算需求的逐漸增大，單云環境無法滿足龐大的計算需求，為了集成聚合云服務以實現無縫的基礎設施，提出了跨云環境，包括混合云（Hybrid Cloud）、聯盟云（Federated Cloud）和多云（Multi Cloud）。

已存在一些相關的研究調度[2-6]，但并不完全針對任務調度，往往和資源調度合并闡述，而且著重點并不是任務調度自身的特點和環境適應性特征。本文針對獨立任務和科學工作流對任務調度按照單云環境與跨云環境進行分類討論，在單云環境中梳理了現有的不同種類的任務調度算法類型，并選取相關代表文獻進行總結分析；在跨云環境中，結合跨云環境的特征，探討任務調度算法在不同云環境下的適應性特征，并對部分跨云環境下的任務算法文獻進行總結分析；最后，討論任務調度算法研究中存在的不足和未來研究趨勢，為云計算環境下任務調度的進一步研究提供參考。

1 單云任務調度

單云任務調度的主要流程為用戶通過服務接口向云計算系統提交作業請求，任務管理器收到作業請求后，對其進行分類、排序等預處理，分為獨立任務隊列和工作流任務隊列，并根據成本、執行時間、截止時間等參數對任務進行排序，任務調度器收到處理過的任務集后，通過考慮了各類QoS參數的算法按要求得出從任務到資源的分配方案，資源信息服務器（RIS）根據分配方案將任務分配到指定的虛擬機資源上執行，同時會監視和收集所有任務和資源的信息，并將其發送給任務調度器，以便任務調度器優化后續任務分配，負載均衡器負責對已經分配給資源上的任務進行二次分配，以防資源負載過重，流程如圖1所示。而云內任務調度算法主要分為啟發式、元啟發式和混合式三大類。

圖1 單云環境任務調度流程

1.1 啟發式任務調度

啟發式任務調度分為靜態調度和動態調度兩大類。在靜態調度中，所有任務在調度之前都是已知的，并將它們靜態分配給虛擬資源；在動態調度方法中，任務本質上是動態的，在這里，任務在不同的時間點到達，動態調度可分為在線模式和批處理模式，在線模式下，任務一經到達系統就會立即分配，批處理模式下，任務被作為一個組進行收集，并在預定義的時間進行調度。啟發式算法包括min-min、max-min、先來先服務（FCFS）、最短作業優先（SJF）、時間片輪詢（RR）、最小執行時間（MCT）、最小完成時間（MET）、機會負載均衡（OLB）[7]、爬山算法、sufferage算法[8]、異構最早完成時間（HEFT）[9-10]等。近年來，也出現了新的方法，如主成分分析[11]。

獨立任務的靜態調度算法包含一些基本簡單策略，如FCFS、RR、SJF，而動態調度算法中，min-min、maxmin 和動態RR 是批處理模式的算法，MCT、MET、OLB屬于在線模式。FCFS、min-min、max-min目前一般為云仿真平臺的默認調度算法，由于云環境異構任務動態的特點，動態調度較為適應于云環境，此外，HEFT是適應于工作流調度的算法類型。

1.2 元啟發式及混合式任務調度

云環境中存在著各式各樣的元啟發式算法，如粒子群優化（PSO）[12-13]、蟻群優化（ACO）[14]、差分進化算法（DE）[15]、遺傳算法（GA）[16]、模擬退火（SA）、禁忌搜索（TSA）、人工蜂群（ABC）[17]、細菌覓食優化（BFO）[18]、聯賽冠軍算法（LCA）[19]、蝙蝠優化（BAT）[20]、貓群優化（CSO）[21-22]、共生生物搜索（SOS）[23]、螢火蟲優化算法（FAO）[24]、布谷鳥搜索（CS）[25]、和聲搜索（HS）、獅子優化（LOA）[26]、蛾類搜索（MSA）[27]、灰狼優化算法（GWO）[28]、引力搜索算法（GSA）[29]、智能水滴算法（IWD）[30]等。

目前元啟發式算法研究的重點是如何平衡局部搜索與全局搜索，有效避免局部最優解，這些算法一般分為兩大類：群體智能優化與隨機搜索優化。群體智能優化算法主要模擬了昆蟲、獸群、鳥群和魚群等群體的行為，這些群體按照一種合作方式尋找食物，群體中的每個成員通過學習它自身的經驗和其他成員的經驗來不斷地改變搜索方向，是一類很常用的分布式問題解決策略，在云環境中任務調度研究的有PSO、ACO、ABC、BFO、SOS、CSO、FAO、CS、LOA、MSA、GWO、GSA、BAT、IWD 等的各類優化。而隨機搜索優化方向上，在傳統的局部搜索與全局搜索的基礎上，修改搜索方式的同時添加了隨機算法，試圖避免局部最優，在云環境中任務調度研究的有GA、SA、TSA、DE、LCA、HS 等算法的優化。元啟發式算法針對獨立任務和工作流任務都提出了性能較優的任務調度解決方案。

由于單獨的調度算法通常無法很好地滿足實際任務調度需求，因此目前混合了多種算法的任務調度已成為重要的研究方法。最新提出的混合任務調度算法有文獻[31-34]。這些優化算法中有啟發式算法與元啟發式算法的混合，也有兩種或兩種以上元啟發式算法的結合，經過實驗驗證，這些算法在不同程度上獲得了較好的性能結果。

1.3 單云環境任務調度總結分析

表1對現有任務調度算法類型進行了梳理總結，分析了其優點和不足。由于任務調度是在網格計算、分布式計算任務調度基礎上發展起來的，因此存在大量各式各樣的算法類型優化方法，PSO是較為熱門的一個算法類型，其又細分為標準PSO、多目標PSO、離散PSO、二進制PSO、混合PSO，而BAT、CSO是最近比較熱門的研究方向，LOA、GWO 提出時間不久，具有較大的發展空間。通過列表可以看出，CS、LOA、IWD 目前沒有針對云環境任務調度的具體性能評估，有待進一步驗證，此外由于性能問題，SA、TSA、HS多用于混合算法。

表2 對上述所列云內任務調度算法部分典型研究文獻進行分析總結。云內任務調度算法研究比較廣泛，存在許多針對獨立任務和工作流使用不同算法類型對QoS進行優化的方法，核心優化目標為最大完工時間和貨幣成本，此外，資源利用率、負載均衡、安全性、截止日期、能耗等指標也成為了重點優化目標。通過列表可以看出，文獻[33]在減少最大完工時間和成本的同時實現了較好的負載均衡，文獻[7-8，12，33]實現了資源利用率的提升，文獻[15，33]考慮了能耗問題，文獻[9]考慮了安全性問題和任務的截止日期；由于任務調度需要同時優化多個指標，因此多目標任務調度算法的研究目前已比較普遍，例如文獻[7-9，12，31]均采用多目標函數進行優化；此外，對部分目標建立約束也是一種優化方法，例如文獻[9，16]；絕大部分研究都是在仿真環境中進行測試的，但也有在真實環境中進行測試的研究，如文獻[9，33]；同時，神經網絡、強化學習等人工智能算法也開始應用于任務調度的研究，如文獻[10，33]。自適應優化也被應用于任務調度優化，如文獻[15]。目前云內任務調度的研究在繼續關注基本QoS指標的情況下，重點關注優化負載均衡、能耗等性能指標，并且人工智能方法已逐步應用到任務調度排序、節點預測過程中，但在性能提高的同時，也提升了復雜性。

表1 云內任務調度算法類型總結

表2 云內任務調度算法研究文獻總結

2 跨云任務調度

隨著用戶計算需求的逐漸增加，單一的云環境無法滿足計算需求，因此出現了跨云計算環境。這類環境被定義為為了保證服務質量，例如服務的性能和可用性，通過不同云供應商的云系統之間的互操作，按需重新分配資源和轉移負載，這種互操作基于用戶對服務質量的需求和云供應商對SLA的協調，并且使用能夠互相通信的標準接口[35]。跨云環境主要分為兩大類，聯盟云環境和多云環境。當一組云供應商彼此愿意互連它們的基礎設施以實現共享資源時，就構成了聯盟云環境，當用戶可以使用多個獨立的云，但這些云服務云供應商彼此之間并不互連和共享它們的基礎設施，稱為多云環境[36]。此外，混合云被定義為兩個或多個私有云或公有云的組合，根據部署模型連接各類云，一般用于當本地資源不足時使用外部資源的云爆發情況，因此也屬于多云類型。在跨云環境中，代理（broker）是安裝在用戶端專門進行資源分配管理和任務調度及部署的組件，由于跨云環境中每個云數據中心都有大量的物理資源，它們被虛擬化形成了一個虛擬資源池，為了實現跨云調度，使用代理與每個云供應商進行通信，屏蔽通信的異構性，生成統一的資源描述目錄和通信接口提供給用戶，當用戶向代理發送請求執行任務時，代理首先查看資源目錄，然后根據調度算法將任務分配給不同的虛擬機，接下來，根據用戶的服務質量要求將虛擬機分配到合適的數據中心，這里的調度分為全局調度和局部調度，全局調度由代理進行，主要處理數據遷移，局部調度由云數據中心進行，主要處理具體的任務分配。

2.1 混合云環境任務調度

在混合云環境中，公有云提供了一個公共接口，用于在其專用基礎設施中創建和管理虛擬機實例，在私有云內部，用戶接口組件用來接收用戶應用程序任務請求，任務被發送給請求管理器進行管理，資源監控組件監視云資源池信息。任務調度算法分配任務給私有云或公有云，旨在實現利潤最大化，在這個過程中，任務調度器從請求管理器、資源監視器和用戶接口收集調度數據，然后決定每個任務分配給私有云還是公有云，如果任務需要分配給公有云，公有云的定價模型信息通過公共接口發送給任務調度器，以便決策選取具體的公有云[35]。由于該云環境不需要正式的跨云協議，實現難度較小，發展較為成熟，目前已成為企業用云的主要形式。

混合云任務調度研究雖不及傳統單云環境任務調度研究廣泛，但也有較多研究，如文獻[37-41]。文獻[37]針對混合云，提出了采用整數規劃模型的自適應學習PSO 的任務調度算法，在該算法中，在速度更新階段采用四種更新策略自適應地更新每個粒子的速度，以保證其多樣性和魯棒性，仿真實驗表明，該算法與標準PSO相比，結果證明該算法可以提高云供應商的利潤。

文獻[38]針對混合云中時延約束的任務，在考慮私有云和公有云成本最小化的情況下，提出了一種時分任務調度算法TTSA，將任務有效地分配給公有云和私有云，在TTSA 的每次迭代中，將成本最小化問題建模為混合整數線性規劃，并采用混合SA 和PSO 的調度算法進行求解，仿真實驗結果表明，與現有的調度策略相比，TTSA產生的最優或近似最優調度策略可以在滿足任務時延約束的同時，提高吞吐量，降低私有云成本。

文獻[39]針對混合云中的科學工作流多目標調度問題，提出了一種基于NSGAII的非支配排序遺傳算法，提出了兩種執行模式：（1）在最大完工時間和成本之間做權衡，以提高帕累托前沿（pareto front）質量的累加法；（2）增量式執行，以成本為驅動在目標空間得到帕累托前沿解的多樣性。此外設計了一種編碼結構，對調度解決方案進行建模，并對其應用的遺傳算子進行開發。在多個常見科學工作流中進行仿真實驗表明，與經典的NSGAII 算法相比，該算法在成本和最大完工時間方面有顯著改進。

文獻[40]針對混合云提出了兩種兼顧完工時間和貨幣成本的工作流調度算法，第一種是基于截止時間約束的成本優化的單目標混合云中工作流調度算法DCOH，在DCOH 的基礎上，提出了一種以最大完工時間和貨幣成本為目標的混合云多目標工作流調度優化算法MOH，仿真結果表明，與現有算法相比，DCOH 可以很好地為用戶減少貨幣成本，MOH 可以提供很好的成本與完工時間協調方案。

表3 對上述所列文獻中研究的混合云任務調度算法進行了總結。混合云環境中的任務調度算法研究往往是結合混合云特征對云內經典算法進行修改優化，而其優化的QoS指標往往集中在最大完工時間和成本，但部分文獻如文獻[38]也考慮了任務延遲約束，文獻[37]考慮了資源利用率，文獻[40]考慮了截止日期約束，此外也出現了基于混合云的多目標任務調度算法研究，如文獻[39]，以及結合混合云特點對吞吐量進行優化，以減少最大完工時間，如文獻[38]。特別的，文獻[40]將其算法在真實云環境中進行了測試。但也正如這些文獻提到的那樣，由于執行時間變化，執行延遲這些會影響最大完工時間的指標尚未得到很好的解決，目前負載均衡、能耗、安全性這些指標的優化在混合云中研究很不充分。

表3 混合云任務調度算法研究文獻總結

2.2 多云環境任務調度

多云環境由多個不同的IaaS云服務供應商組成，這些供應商提供不同價格和性能的虛擬機，但彼此之間相互獨立互不通信，為了將其整合以利用資源，需要針對每一個云供應商設計相應的API接口以實現通信，或者用戶自行搭建工作負載管理程序以滿足任務調度需求。雖然這種云環境導致了額外的開發成本，但可以防止數據丟失和減少局部組件故障而停機的風險，避免云供應商鎖定，具有高可伸縮性，此外由于選擇性的增加，任務執行成本減少了[42]。在多云環境中，每個云平臺上都有一個資源管理器實時向用戶發送當前的虛擬機資源情況，用戶通過統一的API接口或外部代理獲得不同云平臺發送過來的資源信息，根據自身任務情況，將任務分段傳輸給不同的云進行處理計算。多云環境下任務調度研究不及混合云環境廣泛，國際上存在部分質量較高的文獻如文獻[42-45]，國內研究的有文獻[46]，它們從不同的角度進行了優化。

文獻[42]針對多云環境，提出了三種調度算法，分別是最小完成云（MCC）、中位數最大（MEMAX）和云min-max 歸一化（CMMN），MCC 是單階段調度算法，MEMAX和CMMN是兩階段調度算法，實驗結果表明，MCC 適用于在線調度，CMMN 的最大完工時間較短，MEMAX的平均資源利用率較高，這些算法在最大完工時間和資源利用率方面整體優于已有的多云環境任務調度算法RR、CMMS。

文獻[43]提出了一種新的多云系統架構，并設計了一種動態調度策略，該策略結合了可分負載理論和節點可用性預測技術，包括使用預測方法來估計虛擬機的準備時間，以及使用以前關于處理時間的數據來估計工作負載的處理時間，并允許計算節點估計它們接受和處理負載的準備時間，將這些時間應用于策略，以保證負載平衡和系統的高性能，仿真實驗結果表明，該調度策略優于基準策略，有效地減少了任務執行最大完工時間。

文獻[44]針對多云環境提出了一種多目標科學工作流調度算法，該算法在滿足可靠性約束的情況下，使工作流最大完工時間和成本同時最小化，該算法基于PSO，求解帕累托前沿，同時考慮了任務的執行位置和傳輸順序，仿真結果表明，該算法與CMOHEFT 和隨機算法相比，性能得到明顯改進。

文獻[45]針對多云環境中的多目標科學工作流調度問題，提出了同時減少最大完工時間和成本的調度算法，該方法在不同場景中采用了不同的數值方法，例如加權和法、本森數值法和加權min-max，此外，研究了所得解的穩定性，提出了一種方法來分析加權和法及加權min-max 的最優穩定解，實驗結果表明，本文提出的加權和法在超體積（hypervolume）方面優于已有的算法。

表4 對上述所列多云環境中的任務調度算法進行了總結。由于多云環境整體的結構發生了很大的改變，基于多云環境的任務調度算法結合了該環境任務特點進行優化，如文獻[42]考慮了任務的執行位置和傳輸順序，文獻[43]采用可用性預測技術和自適應方法提高多云環境的負載均衡，文獻[45]采用整數規劃來進行計算。此外，由于多云環境中信息發送比較頻繁，耗時較長，因此任務調度算法大多數選擇時間復雜度較低的算法類型，如文獻[42-43，45]皆為啟發式調度，多云環境下也存在多目標任務調度研究，如文獻[44-45]，而該環境下主要優化目標依然是最大完工時間和成本，部分文獻如文獻[49]考慮了可靠性約束，文獻[47]考慮了資源利用率。目前在多云環境任務調度的研究中，主要集中在使用不同的方法降低算法時間復雜度，增加求解多樣性和精度，而不是增加優化目標。

2.3 聯盟云環境任務調度

當一組云供應商彼此合作交換資源時，就構成了聯盟云。這類云環境往往由政府或學術組織發起，是政府云或私有云之間的合作。這種云環境可以使用分布式實體進行代理，或者集中使用一個中心實體進行資源注冊、共享和代理[2]。聯盟云的代理收集各個云服務供應商發來的資源狀態，同時根據用戶指定的SLA將用戶應用程序任務分配到可用資源的不同虛擬機上，以實現完工時間，成本，資源利用率等性能的最大化。

文獻[47]提出了一種使用統計多路復用技術在聯盟云中進行請求分配的方法，該方法結合統計多路復用和服務器整合，檢查使用的變異系數和其他相關統計指標作為目標函數，用于決定請求分配，并比較了使用隨機算法、爬山算法、最大提升爬山算法、模擬退火算法、后期驗收爬山算法等啟發式算法應用該目標函數的結果，實驗結果表示后期驗收爬山算法具有更好的性能。

表4 多云任務調度算法研究文獻總結

文獻[48]基于歐洲學術組織建立的Contrail[49]聯盟云環境建立了基于遺傳算法的代理組件，該遺傳算法根據多個QoS建立了本地適應度函數和全局適應度函數，將任務與虛擬機一一對應，將虛擬機分配到相應的不同的云服務供應商中。實驗結果表明，此方法充分利用了本地資源和全局資源，資源利用率較高，但處理大量數據，最大完工時間并沒有降低。

文獻[50]為了在云環境中執行霜凍預測應用程序，使最大完工時間和成本最小化，在聯盟云中兩個級別設計了調度策略。在代理級別，實現了基于ACO 的調度和基于PSO 的調度，其目標是在考慮網絡延遲、貨幣成本和數據中心計算資源可用性的前提下選擇數據中心，在基礎設施級別，虛擬機通過基于ACO 和PSO 的調度分配給數據中心的物理主機。實驗結果表明，與GA相比，這兩種調度可以極大降低最大完工時間和貨幣成本。

文獻[51]針對聯盟云提出了一種基于多目標列表的工作流調度算法MOHEFT，該算法擴展了HEFT工作流調度算法，通過擁擠距離實現了近似最優帕累托前沿，降低了成本和最大完工時間，并使用實際工作流和合成工作流評估了MOHEFT，與HEFT 和SPEA2 相比，該算法能獲得較好的完工時間和成本，此外，還用GoGrid和Amazon EC2進行實際測試，結果表明當數據傳輸支配時間的情況下，工作流不會從聯盟云中獲益，反而在單個供應商的配置中表現更好。

表5 對上述所列聯盟云環境中的任務調度算法進行了總結。聯盟云作為學術云的常見形式，存在許多結合不同科學應用程序進行優化的調度研究，如文獻[50]；針對任務分配的優化問題，也出現了許多適應聯盟云的新方法，如文獻[47]使用的統計多路復用技術；此外，結合實際的聯盟云環境，設計符合要求的仿真環境和相匹配的任務調度算法也是聯盟云任務調度研究的一大類型，如文獻[48]，多目標優化也是聯盟云任務調度建立目標函數常用的方法，如文獻[51]。目前，聯盟云任務調度研究是以優化最大完工時間和成本為目標，充分考慮聯盟云特征，盡可能多地考慮影響指標，如跨云帶寬、網絡延遲、成本等來達到優化的目的。用戶對聯盟云擁有海量的計算需求，但目前聯盟云任務調度研究尚不充分，對數據密集且計算密集型的應用程序并沒有充分研究。

3 任務調度優化方法分析

通過對云計算各類環境下任務調度算法研究文獻進行總結分析可以看出，目前任務調度算法的優化方法是在已有的啟發式、元啟發式以及混合式算法類型的基礎上結合單/多目標函數及QoS 約束，進行諸如任務排序、解集篩選、節點預測策略，對已有的各類標準調度算法進行改進，如模糊排序方法[7，33]、整數規劃[37-38，45]、帕累托權衡[39，45，51]、節點預測技術[11，33，43]、統計多路復用[47]、人工智能[10，33]、多目標優化[39，44，51]、自適應優化[37，43]。表6對文獻中使用的優化策略進行分析，并給出了相應的部分文獻研究類型。可以看到這些方法使用建模、任務排序、節點預測、請求合并、方案排序等對任務調度算法進行優化，從而簡化模型，方便分配，整理需求，減少可分配計算節點，尋找可行解，從各個角度實現提高分配效率與精度的目標。未來可以在不同云環境任務調度的研究中充分應用這些方法來達到性能優化目的。

4 總結與展望

本文根據環境類型對云計算任務調度算法進行了總結分析，討論了云內、混合云、多云、聯盟云的環境特點和任務調度特征，歸納出27 種不同算法類型的任務調度方法、結合啟發式、元啟發式及混合式調度類型對獨立任務和工作流最新及代表性研究文獻的具體實現過程、優化指標、仿真環境及優缺點進行分析探討，并對相關優化方法進行描述分析，呈現了云任務調度領域的最新重要研究進展。

云內任務調度研究充分，存在大量優化性能較好的調度算法，為了應對逐漸增加的用戶計算任務，提供安全穩定的計算環境，跨云環境任務調度研究逐步發展，由于跨云環境具有一些獨特且復雜的特征，使得任務調度研究在傳統任務調度算法類型的基礎上進行了許多環境針對性優化，出現了使得獨立任務和科學工作流在各類環境下能夠有效調度的算法和框架。

表5 聯盟云任務調度算法研究文獻總結

表6 任務調度優化方法分析

雖然任務調度的研究已取得了許多進展，但也存在一些需要重點關注研究的方面。

（1）隨著用戶計算任務的增加，在跨全球云服務供應商環境中執行用戶任務將成為未來重要的發展方向，目前跨云環境任務調度算法研究很不充分，QoS指標優化較少，特別是超大規模跨云環境下的數據計算密集型任務調度算法研究尚處于初始階段。

（2）目前云內任務調度研究出現了許多新方法，諸如人工智能相關算法、模糊排序，都是非常有前景的方法，但這些方法目前尚未大量應用到跨云任務調度的研究中，未來可作為一個重點研究方向。