服務(wù)與資源調(diào)度

目錄
前言
第1章 調(diào)度概念、要素與架構(gòu) 1
1.1 引言 1
1.2 什么是調(diào)度 5
1.3 任務(wù) 7
1.3.1 獨立任務(wù) 8
1.3.2 線性約束任務(wù) 12
1.3.3 非線性約束任務(wù) 15
1.4 資源 17
1.4.1 物理資源 19
1.4.2 資金資源 19
1.4.3 人力資源 20
1.4.4 信息資源 20
1.5 約束 20
1.5.1 任務(wù)約束 21
1.5.2 任務(wù)-任務(wù)約束 22
1.5.3 任務(wù)-資源約束 22
1.5.4 資源約束 24
1.6 優(yōu)化目標 24
1.6.1 單目標 24
1.6.2 多目標 26
1.6.3 超多目標 27
1.7 問題難度和未來調(diào)度框架 27
1.7.1 問題難度 27
1.7.2 未來調(diào)度框架 28
1.8 本章小結(jié) 29
第2章 單資源獨立任務(wù)調(diào)度 30
2.1 學習效應(yīng)和遺忘效應(yīng) 31
2.2 基于先驗知識學習效應(yīng)的單機調(diào)度 34
2.2.1 基于先驗知識的通用學習效應(yīng)模型 34
2.2.2 基于先驗知識學習效應(yīng)模型的單機調(diào)度 34
2.3 通用效應(yīng)函數(shù)下的單機任務(wù)調(diào)度 42
2.4 帶退化效應(yīng)單機成組任務(wù)調(diào)度 50
2.4.1 問題描述 51
2.4.2 單機成組任務(wù)調(diào)度退化效應(yīng)模型 52
2.4.3 啟發(fā)式求解算法 54
2.4.4 迭代貪心算法 64
2.4.5 實驗分析與對比 67
2.5 本章小結(jié) 68
第3章 多資源線性約束任務(wù)調(diào)度 69
3.1 總完工時間*小化的無等待流水作業(yè)調(diào)度 69
3.1.1 無等待流水作業(yè)調(diào)度 69
3.1.2 *大左移長度 70
3.1.3 機器 m 上的完工時間及性質(zhì) 72
3.1.4 基于作業(yè)尾臺機器距離的調(diào)度算法 76
3.1.5 通用完工時間距離及性質(zhì) 82
3.1.6 基于總完工時間距離的調(diào)度算法 88
3.1.7 通用開工時間距離及性質(zhì) 94
3.2 *大完工時間無等待流水作業(yè)調(diào)度 99
3.2.1 基本性質(zhì) 102
3.2.2 漸近啟發(fā)式算法 106
3.3 混合等待流水車間調(diào)度 110
3.3.1 問題描述和數(shù)學模型 111
3.3.2 加速方法 112
3.3.3 MWFSP 的迭代貪心算法 118
3.4 具有先驗知識學習和遺忘效應(yīng)的兩機流水作業(yè)調(diào)度 125
3.4.1 具有先驗知識學習效應(yīng)和遺忘效應(yīng)模型 125
3.4.2 帶學習和遺忘效應(yīng)的兩機流水作業(yè)調(diào)度優(yōu)化目標 126
3.4.3 啟發(fā)式算法 126
3.4.4 分支限界算法 128
3.5 帶學習效應(yīng)的流水作業(yè)調(diào)度 134
3.5.1 有支配關(guān)系的流水車間作業(yè)任務(wù)調(diào)度 135
3.5.2 支配流水車間作業(yè)調(diào)度*優(yōu)解規(guī)則 135
3.5.3 實例分析 142
3.6 本章小結(jié) 143
第4章 大數(shù)據(jù)計算任務(wù)云資源調(diào)度 145
4.1 大數(shù)據(jù)計算框架 145
4.1.1 MapReduce 計算框架 145
4.1.2 大數(shù)據(jù)計算任務(wù) 145
4.1.3 大數(shù)據(jù)計算任務(wù)云資源調(diào)度現(xiàn)狀 149
4.2 周期性 MapReduce 批處理作業(yè)調(diào)度 151
4.2.1 問題描述與建模 151
4.2.2 批處理作業(yè)調(diào)度方法 154
4.3 能耗感知 MapReduce 作業(yè)調(diào)度 164
4.3.1 系統(tǒng)狀態(tài)劃分 165
4.3.2 問題描述與數(shù)學模型 167
4.3.3 能耗感知 MapReduce 作業(yè)調(diào)度方法 169
4.4 本章小結(jié) 179
第5章 云服務(wù)系統(tǒng)調(diào)度性能分析 181
5.1 性能分析問題 181
5.1.1 問題分類 182
5.1.2 研究現(xiàn)狀 183
5.2 性能分析方法 186
5.2.1 確定處理器 186
5.2.2 M/B/N/N + R/FCFS 概率分析 187
5.2.3 G/G/N/∞/FCFS 概率分析 188
5.2.4 M/M[d]/N/∞/FCFS + D 概率分析 189
5.2.5 M/G/1/∞/FCFS 概率分析 190
5.3 云服務(wù)隨機請求的單隊列性能分析與調(diào)度 191
5.3.1 系統(tǒng)模型和問題描述 191
5.3.2 平衡響應(yīng)時間和功耗算法 195
5.3.3 平衡響應(yīng)時間和功耗實驗評估 207
5.4 截止期約束的云服務(wù)隨機請求彈性單隊列性能分析與調(diào)度 212
5.4.1 云系統(tǒng)模型和問題描述 213
5.4.2 能耗*小化算法 217
5.4.3 能耗*小化實驗評估 218
5.5 本章小結(jié) 224
第6章 線性約束云服務(wù)調(diào)度 226
6.1 彈性混合云資源下隨機多階段作業(yè)調(diào)度 226
6.1.1 問題描述與數(shù)學模型 227
6.1.2 動態(tài)事件調(diào)度算法 232
6.1.3 實驗分析與算法比較 241
6.2 彈性云資源下具有模糊性的周期性多階段作業(yè)調(diào)度 248
6.2.1 問題描述與數(shù)學模型 249
6.2.2 模糊動態(tài)事件調(diào)度算法 254
6.2.3 實驗分析和比較 263
6.3 本章小結(jié) 271
第7章 非線性約束云服務(wù)調(diào)度 272
7.1 基于非共享服務(wù)的工作流資源供應(yīng) 275
7.1.1 基于關(guān)鍵路徑的迭代啟發(fā)式算法 277
7.1.2 實驗結(jié)果 284
7.2 基于共享服務(wù)的工作流資源供應(yīng) 288
7.2.1 問題描述 288
7.2.2 多規(guī)則啟發(fā)式算法 291
7.2.3 實驗結(jié)果 303
7.3 截止期和服務(wù)區(qū)間約束的云工作流調(diào)度 313
7.3.1 問題描述與建模 315
7.3.2 基本性質(zhì) 317
7.3.3 迭代分解啟發(fā)式算法 319
7.3.4 實驗與分析 326
7.4 資源預(yù)留模式下的周期性工作流調(diào)度 335
7.4.1 周期性工作流資源調(diào)度問題描述 336
7.4.2 相關(guān)研究 339
7.4.3 基于優(yōu)先級樹的啟發(fā)式方法 340
7.4.4 實驗與分析 353
7.5 本章小結(jié) 359
第8章 云服務(wù)系統(tǒng)容錯調(diào)度 361
8.1 云系統(tǒng)中受截止期約束任務(wù)的混合容錯調(diào)度 362
8.1.1 問題模型 362
8.1.2 混合容錯調(diào)度算法 365
8.1.3 實驗分析 375
8.2 云系統(tǒng)中故障感知的彈性云工作流調(diào)度 384
8.2.1 問題模型 384
8.2.2 特征分析 387
8.2.3 故障感知彈性調(diào)度算法 392
8.2.4 實驗分析 398
8.3 本章小結(jié) 405
參考文獻 406