負(fù)載敏感的云任務(wù)三支聚類評(píng)分調(diào)度研究

吳俊偉，姜春茂

（哈爾濱師范大學(xué) 計(jì)算機(jī)科學(xué)技術(shù)與信息工程學(xué)院，黑龍江 哈爾濱 150025）

在云計(jì)算提供強(qiáng)大服務(wù)的背后，存在集群資源使用率偏低的現(xiàn)象：Bohrer[1]指出集群節(jié)點(diǎn)的使用率一般僅為11%～50%，大量資源處于閑置狀態(tài)，資源浪費(fèi)嚴(yán)重。Barrsos等[2]通過(guò)統(tǒng)計(jì)分析近5 000臺(tái)主機(jī)近半年的運(yùn)行狀況，節(jié)點(diǎn)的使用率僅有10%～50%。因此，如何準(zhǔn)確有效地分配云資源，提高集群資源利用率是云計(jì)算的一個(gè)重要研究?jī)?nèi)容。

在云計(jì)算的研究中，通過(guò)對(duì)Google cluster trace分析發(fā)現(xiàn)[3-4]，云任務(wù)可分為即時(shí)響應(yīng)的應(yīng)用與批處理任務(wù)，其服務(wù)特征、資源需求具有多樣性。多數(shù)研究通過(guò)分析任務(wù)作業(yè)時(shí)長(zhǎng)，資源使用特性等，對(duì)任務(wù)進(jìn)行聚類[5-10]，以此描述任務(wù)的異構(gòu)性特征，并根據(jù)聚類后各類簇的特性設(shè)置調(diào)度函數(shù)，其實(shí)驗(yàn)結(jié)果表明聚類調(diào)度對(duì)任務(wù)響應(yīng)時(shí)間與集群資源使用有顯著改善。但任務(wù)聚類通常并不完全是非此即彼的類別劃分，也可能出現(xiàn)中間態(tài)模糊集。針對(duì)此類問(wèn)題，三支決策聚類通過(guò)定義邊緣域概念拓展了傳統(tǒng)的二支聚類算法，并根據(jù)對(duì)象屬性對(duì)兼具多標(biāo)簽對(duì)象作出進(jìn)一步的劃分，其中，三支決策理論源于Yao對(duì)概率粗糙集和決策粗糙集3個(gè)域的合理解釋[11-13]，是一種更為一般，有效的決策方法。本文將其引入云計(jì)算，為任務(wù)調(diào)度問(wèn)題提供新的解決方案。

1 相關(guān)工作

作為一種有效的問(wèn)題解決手段，三支決策的基本思想是通過(guò)一對(duì)閾值 (α ,β)將 一個(gè)全集 U 劃分成3個(gè)獨(dú)立的部分，然后針對(duì)各個(gè)區(qū)域設(shè)置相應(yīng)的策略。其特征是使用三支方法進(jìn)行問(wèn)題解決和信息處理。三支決策基于啟發(fā)式方法，將復(fù)雜問(wèn)題利用分治策略轉(zhuǎn)化為簡(jiǎn)單問(wèn)題，其定義為

式中：基于條件集 C ，三支決策通過(guò)映射 τ將實(shí)體集 U 分成3個(gè)兩兩互不相交的 S1、S2、S3,然后根據(jù)3個(gè)區(qū)域的特點(diǎn)，有針對(duì)性的設(shè)計(jì)策略和動(dòng)作，以期達(dá)到某種收益的最大化。關(guān)于三支決策的理論，模型與應(yīng)用研究已經(jīng)取得了較大進(jìn)展，如垃圾郵件過(guò)濾研究[14]、代價(jià)敏感的三支決策模型研究[15]、三支決策和博弈論[16]、多粒度三支決策[17]、序列三支決策[18]、動(dòng)態(tài)三支決策[19]、三支決策與邏輯[20]等。

作為三支決策在聚類算法方面的有效應(yīng)用，三支聚類[21-22]拓展了對(duì)象與集合的隸屬關(guān)系。給定對(duì)象集合 U ={x1,x2,···,xn}，n表示對(duì)象數(shù)。以二支聚類的思想判定，對(duì)象 xi， 要么屬于集合 c si，要么不屬于集合c si， 其聚類的結(jié)果為 C S={cs1,cs2,···csk}，k為類別數(shù)。而以三支的角度觀察，對(duì)象 xi與集合csi的 所屬關(guān)系有： xi屬 于 c si， xi可 能屬于 c si， xi不屬于 c si， 因此集合 c si被 劃分為互不相交的 L 域 、 M 域和 R 域 ，其中 L 域表示該類簇的核心對(duì)象集合，M域?yàn)檫吘墝?duì)象集合。其聚類結(jié)果為CS={(L(cs1),M(cs1)),(L(cs2),M(cs2)),···,(L(csk),M(csk))}。 三 支 聚類算法根據(jù)簇間離散度與簇內(nèi)聚合度，對(duì)類中對(duì)象之間的緊密程度作進(jìn)一步劃分。

傳統(tǒng)的二支聚類算法在云計(jì)算中被廣泛應(yīng)用。文獻(xiàn)[5]使用k-means算法將任務(wù)聚類為計(jì)算、存儲(chǔ)與網(wǎng)絡(luò)類型，引入權(quán)重因子調(diào)整屬性間優(yōu)先級(jí)，根據(jù)任務(wù)類型調(diào)度任務(wù)。劉家志[6]將FCM算法引入到任務(wù)調(diào)度中，根據(jù)CPU、內(nèi)存、IO與帶寬等屬性為任務(wù)建模并聚類，根據(jù)類簇特征為任務(wù)設(shè)置調(diào)度函數(shù)。文獻(xiàn)[7]根據(jù)集群資源的多維屬性定義資源可見(jiàn)度，通過(guò)靜態(tài)閾值劃分可見(jiàn)度等級(jí)，在PSO調(diào)度中以該等級(jí)與任務(wù)執(zhí)行時(shí)間作為適應(yīng)性函數(shù)，提高集群負(fù)載均衡度。張以利等[8]根據(jù)作業(yè)長(zhǎng)短及重要性聚類任務(wù)，構(gòu)建LPM模型，追求最大化的任務(wù)完成數(shù)，文獻(xiàn)[9]采用層級(jí)聚類對(duì)云任務(wù)進(jìn)行預(yù)處理，以最小化任務(wù)完成時(shí)間為目標(biāo)函數(shù)調(diào)度任務(wù)，兼顧資源負(fù)載與系統(tǒng)吞吐量，在滿足服務(wù)質(zhì)量的同時(shí)，縮短任務(wù)完成時(shí)間。高正九等[10]提出了一種基于任務(wù)分類的延遲調(diào)度算法，根據(jù)任務(wù)長(zhǎng)度聚類，并依據(jù)該類別調(diào)整任務(wù)等待時(shí)間閾值。相比于DS、FIFO算法，該算法有效縮短了任務(wù)響應(yīng)時(shí)間。

三支決策理論體系的引入，將對(duì)任務(wù)調(diào)度提供新思路。本文提出的三支聚類評(píng)分(three-way clustering weight，TWCW)算法，對(duì)任務(wù)進(jìn)行三支聚類劃分，追求最大化資源使用，根據(jù)聚類結(jié)果中核心態(tài)與模糊態(tài)任務(wù)偏好設(shè)置調(diào)度策略。

2 TWCW算法

2.1 任務(wù)模型

在2011公布的Google Cluster Trace中，作業(yè)由一個(gè)或多個(gè)任務(wù)構(gòu)成，與任務(wù)相關(guān)的屬性有優(yōu)先級(jí)、資源請(qǐng)求(resource request)與限制條件等[3]。從任務(wù)優(yōu)先級(jí)的角度觀察，Google設(shè)置了任務(wù)的12個(gè)優(yōu)先級(jí)，并將其依次劃分為高優(yōu)先級(jí)(9-11)、中優(yōu)先級(jí)(2-8)與低優(yōu)先級(jí)(0-1)三類。優(yōu)先級(jí)越高，意味著成功調(diào)度的幾率更大，擁有更高的服務(wù)質(zhì)量。且各優(yōu)先級(jí)作業(yè)，其運(yùn)行時(shí)長(zhǎng)，資源使用特征存在異構(gòu)性。在資源請(qǐng)求的維度上，任務(wù)請(qǐng)求的資源主要有CPU與內(nèi)存空間，通過(guò)對(duì)CPU與內(nèi)存在請(qǐng)求率上的回歸分析得出，兩者存在關(guān)聯(lián)，但關(guān)聯(lián)性較弱(R ≈0.14)。在任務(wù)的限制條件中，通常是由用戶為作業(yè)指定主機(jī)性能或是其他關(guān)聯(lián)性任務(wù)，限制條件數(shù)量與任務(wù)的延遲調(diào)度并不存在明顯關(guān)聯(lián)關(guān)系，例如，對(duì)于只有一個(gè)限制條件的任務(wù)集合，與同時(shí)擁有6個(gè)限制條件的任務(wù)集合，其平均調(diào)度延遲差值較小。

在trace數(shù)據(jù)中，作業(yè)可分為面向用戶的交互式作業(yè)與批處理作業(yè)，它們對(duì)資源的請(qǐng)求存在多樣化特性，且主要體現(xiàn)為對(duì)計(jì)算、內(nèi)存與帶寬資源的請(qǐng)求。因此本文選擇在資源請(qǐng)求的維度為任務(wù)建模，以 (i d,mips,mem,bw)元組的形式描述任務(wù)的資源請(qǐng)求，其中， i d 表 示任務(wù)標(biāo)識(shí)， m ips表示任務(wù)請(qǐng)求的計(jì)算資源，執(zhí)行任務(wù)指令。 m em表示任務(wù)請(qǐng)求的內(nèi)存資源，用于構(gòu)建程序數(shù)據(jù)結(jié)構(gòu)，bw表示請(qǐng)求的帶寬資源，用于訪問(wèn)任務(wù)鏈接的外部資源。

2.2 調(diào)度模型

調(diào)度器是集群的核心，負(fù)責(zé)任務(wù)的調(diào)度與資源的合并、遷移，其調(diào)度方式與效率將極大影響集群的性能輸出。本文建立的調(diào)度模型如圖1所示，其主要模塊和功能如下：

1)調(diào)度器(Scheduler)：聚類調(diào)度，為任務(wù)選擇合適節(jié)點(diǎn)。

2)計(jì)算節(jié)點(diǎn)(Host)：物理機(jī)節(jié)點(diǎn)，承載虛機(jī)。

3)虛機(jī)(VM)：資源分配的基本單元，執(zhí)行請(qǐng)求任務(wù)。

圖1 集群架構(gòu)圖Fig.1 Cluster architecture

如圖1所示，用戶任務(wù)(Task)進(jìn)入任務(wù)隊(duì)列(Task queue)，調(diào)度器(Scheduler)首先提取Task queue中的任務(wù)集合，根據(jù)任務(wù)屬性將其聚類劃分為 {c s1,cs2,···,csk}，然后通過(guò)調(diào)度函數(shù)(Strategies)為各類簇任務(wù)選擇目標(biāo)主機(jī)(Host)，由Host中的虛機(jī)(VM)執(zhí)行該任務(wù)，將結(jié)果返回。

2.3 算法描述

給定任務(wù)集合 T ={t1,t2,···,tn}， 其中ti={id,mipsi,memi,bwi}，分別表示任務(wù)i標(biāo)志，請(qǐng)求的計(jì)算、內(nèi)存、帶寬資源。設(shè)有主機(jī)列表 H ={h1,h2,···,hm},其中hi={(Pi,pi),(Mi,mi),(Bi,bi)},Pi、Mi、Bi分 別 表 示hi最大可分配的計(jì)算、內(nèi)存與帶寬資源，pi、mi、bi則分別表示 hi已分配的計(jì)算、內(nèi)存、帶寬資源。TWCW算法由聚類，評(píng)分與調(diào)度3部分組成。

2.3.1 聚類

基于三支聚類算法，提出任務(wù)類簇的三支表示形式：

式中 ： L (csi)?T 且 M (csi)?T 。 設(shè)R(csi)=T-L(csi)-M(csi)， 則 L (csi)、M(csi)、R(csi)構(gòu) 成了 類 簇 c si的核心域、邊緣域和瑣碎域，它們滿足如下性質(zhì)：

若 任 務(wù) t ∈L(csi) ， 則t屬 于 類 簇 c si； 若 任 務(wù)t∈R(csi) ， 則t 不 屬 于 類 簇 c si； 若 任 務(wù) t ∈ M(csi)，則 t可能屬于類簇 c si。 其聚類結(jié)果為={(L(cs1),CS M(cs1)),···,(L(csk),M(csk))}。三支聚類算法包括尋找最佳聚類數(shù)與確定類簇域?qū)ο髢蓚€(gè)子步驟，其基本思想如下：

1) 尋找最佳聚類數(shù)，使用聚類算法(如kmeans)聚類任務(wù)集合 T ，根據(jù)類簇間離散度與類簇內(nèi)聚合度擇優(yōu)確定最佳聚類結(jié)果；

2) 確定類簇域?qū)ο螅紫韧ㄟ^(guò)近鄰域確定類簇 M 域?qū)ο螅缓笫褂貌钪蹬判蜻M(jìn)一步劃分類簇L 域 與 M 域 對(duì)象，其具體內(nèi)容如下：對(duì)于類簇 c sk，任務(wù) ti、tj與 近鄰域 N eigq(ti)， 其中，類簇 c sk存在中心點(diǎn) c entroidk， N eigq(ti)表 示在歐式距離上離 ti最近的q個(gè)任務(wù)，當(dāng) ti?csh， tj∈Neigq(ti)時(shí) ，若 tj∈csh，則確定 ti為 M (csh)對(duì) 象，然后根據(jù)類簇 c sh內(nèi)任務(wù)集合t1,t2,···,tl與 中心點(diǎn) ce ntroidh的歐式距離差值排序，確定差值最大的任務(wù)對(duì) tp-1和 tp， 將 t1,t2,···,tp-1劃分到 L (csh)中 ， tp,tp+1,···,tl劃 分給 M (csh)。其算法描述如下：

輸入任務(wù)集合 T ， 近鄰數(shù) q。

輸出CS={(L(cs1),M(cs1)),···,(L(csk),M(csk))}

1) 初始化， k =2；

2) 隨機(jī)選取 k 個(gè)聚類中心 v1,v2,···,vk；

3) 對(duì)于每個(gè)任務(wù) ti，計(jì)算其到每個(gè)聚類中心vi的距離，將其劃分到距離最小的類中；

4) 更新聚類中心 v ={v′1,v′2,···,v′k};

5) 如果聚類中心不發(fā)生變化至√6)；否則轉(zhuǎn)至3)；

6) 計(jì) 算 C VIN(CS)， 如 果 k ≤N , 那 么 k =k+1，轉(zhuǎn)至2)；否則轉(zhuǎn)至7)；

7) 考 查 任務(wù) ti和 類 c s ， 其中 ti∈cs,tj∈Neigq(t)。如果 tj∈cs ， 那么把ti劃 分到 M (cs)；

8) 對(duì)于類中剩余非 M 域中對(duì)象，根據(jù)差值排序法，找到第一個(gè)距離差值最大的對(duì)象對(duì) ti-1和 ti，把 ti及 其后的對(duì)象劃分到 M (cs)；

9) 算法結(jié)束，輸出結(jié)果CS={(L(cs1),M(cs1)),···,(L(csk),M(csk))}。

2.3.2 評(píng)分

在對(duì)任務(wù)集合T進(jìn)行三支聚類后得到聚類結(jié)果CS={(L(cs1),M(cs1)),···,(L(csk),M(csk))}， 其 中 ，類簇 c si的 類簇中心 ce ntroidi={mips,mem,bw}。通過(guò)比較類簇中心 ce ntroid間屬性大小確定類簇間屬性比重與類簇內(nèi)屬性偏好，以評(píng)分矩陣的形式記錄評(píng)分結(jié)果。

定義1類簇評(píng)分矩陣 WNxM，如式(5)所示。

式中： wi,j表 示類簇 j第 i維屬性得分值；矩陣的行向量wi=[wi,1wi,2···wi,M]表 示各類簇中心在第i維資源上的評(píng)分值，記錄類簇間資源請(qǐng)求的比重；矩陣的列向量 wj=[w1,jw2,j···wN,j]T表 示類簇 j資源請(qǐng)求偏好。評(píng)分函數(shù)通過(guò)排序算法比較centroid1,centroid2,···,centroidk間 第i維 屬 性 ， 確 定 行 向 量w=[wi,1wi,2···wi,M]。假設(shè)評(píng)分矩陣為

觀察 W 行向量可知，對(duì)于請(qǐng)求的 m ips資源，centroid1＞centroid2＞centroid3＞centroid4， 所以 w1,1的得分最高， w1,2次之。接著觀察其列向量，以列向量w1=[432]T為 例，類簇 c s1中的任務(wù)請(qǐng)求4單位的mips， 3單位的 m em與 2單位的 b w。任務(wù)偏好為4：3：2。

2.3.3 調(diào)度

在完成對(duì)任務(wù)的聚類、評(píng)分后，根據(jù)聚類結(jié)果 C S 與 評(píng)分矩陣 W ， 分別對(duì) c si的 L 域 、 M 域任務(wù)設(shè)置調(diào)度函數(shù)。TWCW算法追求最大化的資源使用，因此調(diào)度函數(shù)需充分利用閑置資源，均衡集群負(fù)載。通過(guò)定義主機(jī) h osti資源剩余可分配空間表示其資源空閑度。

定義2 主機(jī) h osti的第j維資源剩余可分配空間 sp acei,j，如式(6)所示。

式中： allocablei,j表示 hosti最 大可分配的 j維資源，allocatedi,j表 示h o sti已 分 配的 j維資 源。

定義3主機(jī) h osti的資源剩余可分配空間，如式(7)所示。

式中 μj表 示主機(jī) h osti的 第 j維資源的權(quán)重。

TWCW算法可最大限度的利用空閑資源，根據(jù)任務(wù)屬性評(píng)估節(jié)點(diǎn)列表 H 的剩余可分配空間Si，選擇資源可分配空間最大的主機(jī)作為目標(biāo)節(jié)點(diǎn)，如式(8)所示。

TWCW算法可最大限度的利用空閑資源，根據(jù)任務(wù)屬性評(píng)估節(jié)點(diǎn)列表 H 的剩余可分配空間Si，選擇資源可分配空間最大的主機(jī)作為目標(biāo)節(jié)點(diǎn)，如式(8)所示。

對(duì)于 L (Ci)域的任務(wù)，通過(guò)歸一化評(píng)分矩陣W列向量確定權(quán)重因子μj，如式(9)所示。

對(duì)于 M (Ci)域的任務(wù)，根據(jù)任務(wù)請(qǐng)求的資源在集群資源中的所占比確定該任務(wù)請(qǐng)求的主資源，將多維屬性映射到單維空間，從而確定權(quán)重因子μ，其算法描述如下。

輸入任務(wù)t；

輸出權(quán)重因子 μ。

1) 初始化權(quán)重因子 μ；

2) 獲取集群資源resource，初始化迭代變量i=0；

3) 計(jì)算在第i維屬性中，任務(wù)t在資源resource中的比重propi=t.attri/resourcei；

4) 如果 i＜ N， i =i+1，轉(zhuǎn)至步驟3)。否則轉(zhuǎn)至5)；

5) 確定propi中比重最大的第l維屬性，將 μl置為1，算法結(jié)束。

2.3.4 時(shí)間復(fù)雜度分析。

TWCW算法包括了任務(wù)聚類、評(píng)分與調(diào)度，其中：

1) 三支聚類時(shí)間復(fù)雜度分析。設(shè)任務(wù)集合的任務(wù)數(shù)為 n ，聚類分支數(shù)為 k ，近鄰數(shù)為 q ， k-means的迭代次數(shù)為 I，尋找最佳聚類數(shù)目的時(shí)間復(fù)雜度為O(n2I+n2q)，確定分支域?qū)ο蟮臅r(shí)間復(fù)雜度為O(nlogn+knq)[21]。

2) 類簇評(píng)分時(shí)間復(fù)雜度分析。設(shè)聚類分支數(shù)為 k，確定類簇中心在單個(gè)屬性的排序算法的時(shí)間復(fù)雜度為 O (klogk)。

3) 選擇目標(biāo)主機(jī)時(shí)間復(fù)雜度分析。設(shè)任務(wù)集合的任務(wù)數(shù)為 n ，主機(jī)列表的節(jié)點(diǎn)數(shù)為 m ，對(duì)于單個(gè)任務(wù)選擇目標(biāo)節(jié)點(diǎn)的時(shí)間復(fù)雜度為 O (m)，那么選擇目標(biāo)主機(jī)的時(shí)間復(fù)雜度為 O (nm)。

3 實(shí)驗(yàn)及數(shù)據(jù)分析

3.1 實(shí)驗(yàn)環(huán)境與參數(shù)設(shè)置

本文采用cloudsim3.0進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)?zāi)M1 000個(gè)節(jié)點(diǎn)，主機(jī)均為四核的，單核處理能力為37 274 MIPS。主機(jī) RAM為8 GB，硬盤容量為1 TB，帶寬1 Gb/s。隨機(jī)生成一系列虛擬請(qǐng)求構(gòu)成的任務(wù)(請(qǐng)求序列)。任務(wù)的相關(guān)參數(shù)如表1所示。

實(shí)驗(yàn)采用了兩個(gè)指標(biāo)來(lái)評(píng)估TWCW算法的性能：平均響應(yīng)時(shí)間和系統(tǒng)資源利用率。其中，平均響應(yīng)時(shí)間包括等待時(shí)間和處理時(shí)間，系統(tǒng)資源利用率為主機(jī)集合的平均使用率。實(shí)驗(yàn)同時(shí)實(shí)現(xiàn)了k-means[5]和FCM[6]聚類調(diào)度算法，觀察它們?cè)谏鲜鲂阅芊矫娴谋憩F(xiàn)。

表1 任務(wù)參數(shù)Table1 Task parameters setup

3.2 任務(wù)平均響應(yīng)時(shí)間比較實(shí)驗(yàn)

評(píng)估了TWCW聚類調(diào)度在任務(wù)響應(yīng)時(shí)間的表現(xiàn)。實(shí)驗(yàn)分別實(shí)現(xiàn)了TWCW、k-means和FCM算法來(lái)驗(yàn)證聚類方式的改變對(duì)任務(wù)響應(yīng)時(shí)間的影響，實(shí)驗(yàn)結(jié)果分別如圖2所示。

圖2 資源請(qǐng)求增加時(shí)響應(yīng)時(shí)間對(duì)比Fig.2 The average response time comparison when requests are increased

由圖2可以看出TWCW算法比k-means或FCM在任務(wù)響應(yīng)時(shí)間上有一定下降。說(shuō)明TWCW在對(duì)任務(wù)更細(xì)粒度聚類劃分后，為任務(wù)選擇偏好屬性更充足的節(jié)點(diǎn)，使其能夠更快地完成計(jì)算操作返回結(jié)果從而減少任務(wù)運(yùn)行時(shí)間。經(jīng)統(tǒng)計(jì)TWCW算法任務(wù)的平均響應(yīng)時(shí)間，相比于FCM與k-means算法減少了約7%。

3.3 集群資源利用率比較實(shí)驗(yàn)

驗(yàn)證了TWCW算法在資源利用率方面的優(yōu)化效果。實(shí)驗(yàn)分別評(píng)估了TWCW、k-means和FCM算法在集群資源利用率方面的表現(xiàn)。實(shí)驗(yàn)結(jié)果分別如圖3～4所示。

圖3 資源請(qǐng)求增加時(shí)平均利用率對(duì)比Fig.3 The resource average utilization comparison when requests are increased

圖4 資源請(qǐng)求增加時(shí)資源使用情況對(duì)比Fig.4 The resource usage comparison when requests are increased

由圖3可知，集群資源使用率隨著負(fù)載的增加而增加，可以看出，在資源請(qǐng)求為1 000～2 000個(gè)時(shí)3種算法的差別不大，而在請(qǐng)求幅度繼續(xù)增大時(shí)，TWCW算法的優(yōu)化效果較為明顯，相對(duì)其他算法最高有近11.3%的改善。

圖4中四分位區(qū)間內(nèi)的實(shí)線表示資源利用率的中位數(shù)。可以觀察到，TWCW算法四分位區(qū)間相對(duì)集中且利用率中位數(shù)均高于其他算法，說(shuō)明相比于k-means或FCM需提前設(shè)置聚類分支，TWCW聚類類簇的三支劃分與域?qū)ο蟮姆诸愓{(diào)度能細(xì)粒度地將任務(wù)匹配給合適資源，避免了節(jié)點(diǎn)的過(guò)量負(fù)載與資源閑置，從而能更有效地平滑集群負(fù)載，提高資源使用率。

4 結(jié)束語(yǔ)

本文在云任務(wù)調(diào)度中，引入三支聚類評(píng)分算法，以提高資源利用率為目標(biāo)，利用任務(wù)的多樣化特性，對(duì)任務(wù)集合進(jìn)行三支聚類，通過(guò)類簇評(píng)分調(diào)度，實(shí)現(xiàn)資源的合理分配。并在試驗(yàn)中實(shí)現(xiàn)并比較了k-means和FCM聚類調(diào)度算法，考察它們?cè)谏鲜鲂阅芊矫娴谋憩F(xiàn)，實(shí)驗(yàn)結(jié)果表明：對(duì)任務(wù)集合細(xì)粒度的類簇劃分與對(duì)象的針對(duì)性調(diào)度，有利于集群資源利用率與負(fù)載均衡。

在未來(lái)的工作中，將對(duì)任務(wù)進(jìn)行更細(xì)化的分類建模，改進(jìn)任務(wù)與資源的匹配模型，且基于節(jié)能角度的考慮，對(duì)資源負(fù)載進(jìn)行動(dòng)態(tài)遷移，確定虛機(jī)遷移閾值的在線學(xué)習(xí)方案，設(shè)計(jì)評(píng)價(jià)函數(shù)動(dòng)態(tài)調(diào)整閾值區(qū)間等。