基于MapReduce模型的云平台调度策略优化研究

摘要

随着计算机技术的进步与发展，云计算作为从分布式计算、网格计算和并行计算发展而来的新兴计算模式得到了飞速的发展。云计算把所有的计算资源、存储资源集中在云端，以便于提供更廉价、更优质的服务给用户使用。
　　云计算作为一种商用计算模式，用户的服务满意度对云计算的发展和运营起着决定性的作用，因此如何在满足用户服务质量（QoS）的同时使系统资源利用率达到最优，就成为值得深入研究的课题。
　　本文针对现有 MapReduce架构下存在的调度性能问题和用户对服务质量 QoS的需求问题，提出了用于提高QoS的一种基于优化遗传和蚁群算法融合的云计算任务调度策略。该算法在保证用户QoS的前提下，首先利用遗传算法全局搜索查找能力强的特点找到调度问题的较优解，再将遗传算法部分找到的较优解转化为蚁群的初始信息素值，再经过蚁群算法的蚁群信息交流和正反馈机制找到任务调度问题的最优解。
　　本文在分析了现有调度算法后，针对传统调度算法在减少作业平均完成时间和实现负载均衡上的不足，提出了一种基于最短完成时间的调度策略，目标是将待执行任务分配到合适的空闲资源上，从而减少作业的平均完成时间。同时，针对现有云系统中调度中心节点Master负载过重的问题，在基于最短完成时间调度策略的基础上，提出了引入SchedulerMaster节点的调度模型，该节点主要负责调度过程中任务与资源的匹配计算，能够有效减轻Maste r节点的计算负载。
　　最后，在CloudSim云计算仿真平台上，将作业平均执行时间和用户QoS收益作为评估指标，验证了本文提出的调度算法和调度模型的有效性和稳定性。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1研究背景

1.2国内外研究现状

1.3本文的主要工作和组织结构

第二章 基于MapReduce的云计算模型研究

2.1云计算技术

2.2云计算的关键技术

2.3 MapReduce编程模型

2.4本章小结

第三章 云环境下基于QoS的任务调度算法研究与改进

3.1现有调度算法研究现状

3.2遗传算法与蚁群算法概述

3.3基于改进遗传与蚁群算法融合的任务调度算法

3.4本章小结

第四章 基于MapReduce模型的云计算调度模型研究与改进

4.1基于MapReduce集群调度模型

4.2基于最短平均完成时间的调度策略

4.3 MCTSS-BSACT调度方案阐述

4.4本章小结

第五章 实验仿真及性能分析

5.1仿真平台CloudSim简介

5.2实验环境

5.3实验结果及分析

5.4本章小结

第六章 总结与展望

参考文献

附录1 攻读硕士学位期间撰写的论文

致谢