[发明专利]一种云环境下收益驱动的大规模处理任务调度方法

摘要

本发明提供了一种云计算环境下资源成本驱动的大规模图状数据处理任务调度方法，属于分布式计算领域。所述方法包括：步骤1：读入大规模图状数据处理任务图，按照图状结构任务的层次关系对所述大规模图状数据处理任务图进行遍历，按照层次进行任务序号标记，并计算任务的总数n；步骤2：读入当前云计算环境的虚拟机的性能和计价模式；步骤3：初始化m个粒子的编码以及各个粒子的位置Xi和飞行速度Vi，设最大迭代次数设为T；步骤4：根据粒子的当前的编码利用下面的适应度函数计算所有粒子的适应度函数值f(Xi)：步骤5：根据粒子的适应度函数值进行速度更新和位置更新。

主权项

一种云环境下收益驱动的大规模处理任务调度方法，其特征在于：所述方法包括以下步骤：步骤1：读入大规模图状数据处理任务图，按照图状结构任务的层次关系对所述大规模图状数据处理任务图进行遍历，按照层次进行任务序号标记，并计算任务的总数n；步骤2：读入当前云计算环境的虚拟机的性能和计价模式；步骤3：初始化m个粒子的编码以及各个粒子的位置Xi和飞行速度Vi，设最大迭代次数设为T；步骤4：根据粒子的当前的编码利用下面的适应度函数计算所有粒子的适应度函数值f(Xi)： min α · T ′ - T min T max - T min + ( 1 - α ) · C ′ - C min C max - C min 其中T’表示当前策略的任务调度长度，C’表示当前策略的资源租赁成本，Tmin和Tmax分别表示当前解集中最小和最大的任务调度长度，Cmin和Cmax分别表示当前解集中最小和最大的资源租赁成本，系数α用以反应调度长度和资源租赁成本之间均衡关系，α∈[0，1]；α值变小将得到资源租赁成本较小但调度长度延长的调度方案；通过迭代式搜索不同的α值构造Pareto最优解集；在上述迭代过程中，将当前值和上一次结果进行比较获得个体极值Xpb，选取个体极值中最小的作为全局极值Xgb；步骤5：根据粒子的适应度函数值f(Xi)进行速度更新和位置更新；步骤6：对每个粒子，将其适应度函数值f(Xi)与步骤4得到的个体极值Xpb进行比较，然后将两者中较小的值作为新的个体极值；将其适应度函数值f(Xi)与步 骤4得到的全局极值Xgb进行比较，然后将两者中较小的值作为新的全局极值，则更新当前的全局极值；步骤7：判断是否达到最大迭代次数T，如果是，则停止计算，转入步骤8；如果否，则返回步骤5；步骤8：输出大规模图状数据处理任务调度方案。