E-Aalo: 面向無先驗知識Coflow的高效多級隊列調度

施凌鵬 盧士達 劉云飛 李 靜

1(國網上海市電力公司信息通信公司 上海 200072) 2(南京航空航天大學計算機科學與技術學院 江蘇 南京 211106)

0 引 言

目前,為了提高資源利用率和大規模任務處理的效率,往往通過集群技術將大量多余閑置的計算機連接起來形成云數據中心。在云數據中心中,通常采用MapReduce[1]、Spark[2]等分布式并行計算框架來處理大規模的數據。由于采用了分布式計算框架,一個作業往往會被劃分成多個子任務然后交給數據中心中的多臺計算機來完成,在對子任務進行分發及子任務結果進行合并時,會產生大量的中間通信數據流。如果其中的某條數據流沒能及時完成,依賴這條數據流結果的后續子任務將無法繼續,最終導致作業的完成時間延長[3]。文獻[4]表明這些中間數據通信流傳輸花費的時間平均占作業總完成時間的33%,最高可達50%。所以優化這些中間數據流的完成時間具有十分重要的意義。

目前的研究中,具有語義相關的一組通信數據流被稱為Coflow[5]。Coflow是一組數據流(flow)的集合,以MapReduce并行計算框架為例,Map映射階段需要對作業的任務進行劃分和分發(shuffle),會產生中間通信數據流,Reduce歸并階段需要讀取Map階段處理完成后的中間結果,也會產生中間通信數據流。為了提高云數據中心的性能,提高其中作業的完成時間,需要對Coflow的完成時間(Coflow Completion Time, CCT)進行優化,而不是對單個數據通信流的完成時間(Flow Completion Time, FCT)進行優化。因為對于一個網絡,只有當此階段的所有流都完成,這個階段的通信才算真正完成,才可以進行下一個階段的任務。目前的一些研究者在改進降低FCT的同時,忽略了應用程序級別的要求,例如方法PDQ[6]和pFabric[7],往往不能做到網絡資源的最優調度。而Coflow抽象則可以通過網絡公開應用程序級別的語義進行彌補,文獻[8-9]指出這種語義相關的抽象可以提高計算平臺的性能。但是目前Coflow調度方法也存在一定的缺陷,目前最優方法Varys[10]由于需要額外的先驗知識而導致其實用性較差;Aalo[11]無需先驗知識但仍存在可以優化的閑置空間和可利用的端口信息。

對目前Coflow調度的主流方法進行介紹,然后分析目前主流方法存在的實用性不強和Coflow平均完成時間過高的缺陷,并提出一種面向無先驗知識Coflow的高效多級隊列調度E-Aalo。通過Coflow流量放置策略選擇所需傳輸數據最小且負載最小的接收節點來減小Coflow的發送量,并對現有Aalo方法中的多級隊列調度存在的閑置空間通過提前調度低優先級隊列中流量進行優化來降低Coflow調度的CCT。最后基于Facebook的MapReduce公開數據集和CoflowSim框架與現有方法進行對比驗證。

1 相關工作

為了提高云數據中心應用的性能,對流量進行調度的方法從優化的對象上主要可以分為兩類:(1) 面向單個數據流(single flow),優化目標是最小化其FCT,主要的研究工作包括PDQ[6]、pFabric[7]等,這一類方法往往因為是對單一數據流的調度,而無法做到整個網絡資源的最優調度[12]。(2) 面向Coflow,優化目標是最小化CCT,主要的研究工作包括Varys[10]、Baraat[9]和Aalo[10]等。Varys[10]基于最小有效瓶頸優先的機制對Coflow進行調度,是目前先驗知識已知情況下效果最好的方法。Baraar[9]采用FIFO(First In First Out)和公平共享機制提高帶寬的利用率,進而減少平均CCT。Aalo[10]則是基于隊列的多級調度器,為不同的Coflow分配不同的優先級來進行調度。目前主要的研究都是圍繞面向Coflo優化的第二類問題展開,即最小化平均CCT。

對Coflow進行優化的方法可分為兩類:(1) 擁有Coflow大小等先驗知識的Coflow調度方法。這方面主要的調度效果最好的有Varys[10],它采用一種最小瓶頸優先(Smallest-Effective-Bottleneck-First,SEBF)機制對瓶頸較小的流優先調度,且控制不同內部流的發送速度,節省了端口的帶寬并為其他Coflow騰出空間,可以使所有內部流的完成時間一致。其缺陷在于需要提前獲取Coflow的大小等信息,而這一點往往只有在Coflow完成之后才能知曉,因此實用性不強。(2) 在沒有Coflow先驗信息的情況下對Coflow進行調度。Aalo[10]是目前最具代表性的方法之一,Aalo不需要提前知曉Coflow的流量大小信息,而是根據Coflow當前已經發送的字節數目來判斷Coflow的大小,通過設置不同優先級的隊列并按照優先級對Coflow進行調度。Aalo為每個隊列設置閾值,當Coflow已發送的字節數超過閾值時降低Coflow的優先級。Aalo擁有較強的實用性,但是其缺陷在于只考慮了Coflow當前已發送的字節數目,而沒有充分考慮其他有用的信息,如Coflow的寬度信息也是可以利用的,且多級隊列也存在可以優化的閑置空間。對于較大一點的Coflow, Aalo由于缺乏先驗知識而表現不如Varys。A-SEBF(Approximate Smallest-Effective-Bottleneck-First)[3]是在先驗信息未知的情況下的一種近似最小有效瓶頸優先的Coflow調度機制,通過Coflow當前大小和寬度信息決定Coflow的調度信息,其核心思想是在一定程度上提高寬度大的Coflow的優先級,相比于Aalo,能夠顯著降低CCT,效果接近于利用先驗知識的SEBF方法。

針對上面方法中存在的Coflow平均完成時間較高和可用性不強的問題,提出面向無先驗知識Coflow的高效多級隊列調度E-Aalo,在無先驗知識的情況下通過基于計算節點狀態的流量放置策略和優化多級隊列調度中的閑置空間來降低Coflow的平均完成時間,并保證可用性。

2 研究背景

2.1 數據中心網絡抽象模型

數據中心中包含大量的計算節點,為了研究的方便,可以將整個數據中心抽象為一個連接了所有計算機的無阻塞大型交換機。這個大型交換機的入口端口對應于服務器的出口鏈路,而出口端口則對應于服務器的入口鏈路[13-14]。通過這種抽象,該模型的優勢在于只需要考慮入口端口和出口端口,便于對Coflow流量的調度進行分析,且在簡單且全平分帶寬拓撲結構下具有很高的實用性,目前已經被大量的研究者采納。

數據中心抽象模型如圖1所示。圖1是由n個入口端口和n個出口端口組成的一個大型無阻塞交換機,即數據中心抽象模型,這些入口端口和出口端口是對數據中心中各個主機的流量輸入和輸出端口的抽象。在這個模型中,每個入口端口都可能會擁有一個或多個Coflow,這些Coflow將會從入口端口對應的服務器中發出,到達交換機,并通過抽象的無阻塞交換機最終被轉發到出口端口中,這些出口端口對應接收節點的入口鏈路。每一個主機在一段時間內將會需要調度多個Coflow,所以圖1中入口端口的最左邊使用一個虛擬的隊列用于存放到達的需要調度的Coflow。

圖1 數據中心抽象模型

2.2 Coflow調度目標和相關定義

式中:每個Coflow的完成時間是其所包含的flow中完成時間最長的flow的完成時間。那么Coflow調度的目標如式(2)所示。

(2)

后續敘述中使用的變量定義如表1所示。

表1 相關參數及定義

3 E-Aalo調度

3.1 E-Aalo總體架構

E-Aalo架構如圖2所示,主要包括全局協調器和本地守護進程兩個部分。

圖2 面向無先驗知識Coflow的高效多級隊列調度整體框架

(1) 全局協調器。全局協調器監測每個作業是否產生Coflow,對產生Coflow的作業利用Coflow流量放置策略,篩選合適的計算節點放置每個Coflow中的流量并生成放置方案,然后通知發送節點將Coflow中的流量發送到接收節點。同時,全局協調器還需接收發送節點發送來的每個Coflow已發送的數據流大小信息,根據這些信息確定不同Coflow的優先級并發送給本地守護進程。再對當前多級隊列調度中可能產生的閑置空間進行分析,若當前最高優先級隊列中只有一個Coflow且只使用部分發送端口,此時出現端口閑置空間,則提前啟動低優先級隊列中的Coflow流量調度來降低CCT。

(2) 本地守護進程。本地守護進程主要負責接收全局協調器發送來的Coflow優先級信息,然后在本地的多級隊列中對Coflow進行調度。多級隊列內部使用FIFO方式進行調度,不同隊列之間使用加權公平隊列調度方式。此外,本地的守護進程還需要將本計算節點中每個Coflow已發送的數據量信息發送給全局協調器,以便全局協調器可以及時調整Coflow的優先級。

全局協調器負責分析Coflow的發送位置和Coflow的調度優先級,本地守護進程負責進行Coflow流量的發送并將已經發送的Coflow信息通知全局協調器,幫助全局協調器進行優先級的分析。全局協調器和本地守護進程相互合作完成Coflow的調度。

3.2 基于計算節點狀態的流量放置策略

目前A-SEBF、Aalo等方法只考慮利用Coflow到達之后的優化調度來降低CCT,但忽略了Coflow中流量的放置問題。而云數據中心中的作業往往被劃分成多個子任務進行處理,每個子任務將被分派放置到不同的主機上執行,相應的數據也被傳輸到執行任務的主機節點上,帶來更多的數據流量傳輸,也導致更大的開銷[15-16]。若該主機上原本就存在相應的數據(云數據中心的HDFS文件系統一般都具有冗余備份,即文件的數據塊可能存在于多臺不同的主機上),就可避免額外的數據傳輸開銷。因此,對Coflow中的流量進行不同的放置可對子任務在不同的主機上進行分配,而合理的分配也將會減少數據的傳輸量,降低時間開銷,提高云數據中心的性能[17-18]。

Coflow中流量放置策略即是對一道作業在云數據中心選擇不同的計算主機來執行其子任務,選擇時需要考慮該計算節點的狀態:是否已經擁有執行任務所需要的數據和該計算節點的網絡負載情況。

Coflow的放置策略如式(3)所示。

(4)

算法1Coflow流量放置選擇

輸入:集合Q1,Q2,…,Qk對應Cn的k個數據流。

輸出:Cn的放置方案M1,M2,…,Mk對應的k個數據量的放置方案。

1. for allifrom 1 tokdo

2. for alljfrom 1 tomdo

4.Qi.push(j)

//將合適的節點j放入數據流i對應的集合中

5. end

6. end

7. end

8. for allifrom 1 tokdo

9. for alljinQido

11. end

12. end

13. returnM1,M2,…,Mk

流量放置策略是在Coflow流量進行發送之前的一個優化操作,之前的方法[10-11]沒有在Coflow流量發送并進行調度之前對流量的目標節點進行篩選,而是選擇直接將流量發送到隨機的節點上,很容易造成節點的堵塞,導致Coflow調度的平均CCT時間加長。而通過判斷目標節點上是否存在Coflow流量的數據以及目標節點的當前網絡負載情況,可以為Coflow中流量的調度選擇出最合適的目標節點。如果此時目標節點已經擁有Coflow將要傳輸的流量數據,可以避免額外數據的傳輸,將網絡資源空出給其他流量進行傳輸。目標節點在處理完計算任務之后需要將數據回傳,如果此時目標節點的網絡負載較小,那么也會加快回傳完成的速度,所以通過計算節點狀態來選擇合適的目標節點可以相比之前的方法進一步降低Coflow調度的平均CCT。

3.3 優化閑置空間的多級隊列調度

除了流量放置外,Coflow的流量調度也是影響CCT的重要環節。Coflow的放置策略可以選擇合適的計算節點,這些節點在執行任務時,往往要處理來自多個Coflow的流量,這些流量可能同時到達,也可能先后到達,如何對這些Coflow流量進行調度同樣會對CCT造成重要影響。其中,Varys方法對瓶頸因子最小的Coflow流量進行優先調度,本質上是對CCT最小的Coflow進行優先調度來降低CCT;Aalo方法在先驗未知的情況下通過設置多個優先級隊列,并根據Coflow已發送的數據量大小來決定Coflow的優先級進行調度;而A-SEBF方法對Varys中的瓶頸因子和Coflow寬度信息進行改進。A-SEBF和Aalo方法中都使用了優先級隊列,但是其中的考慮相對簡單,在復雜情況下仍然存在一定的改進空間,因此提出一種改進的高效多級隊列調度方法。

3.3.1調度過程中的閑置空間分析

以圖3為例,圖3中一共包含了3個Coflow,分別為C1(灰色)、C2(白色)、C3(黑色),C1的大小為2,只包含一條數據流;C2大小為7,包含2條數據流;C3大小為3,包含一條數據流;C2和C3同時到達,C1在C2之后到達。這里假設只存在3個端口,每個入口端口的左邊存在三個隊列,分別對應發送目的端口,例如:入口端口1中的C3在第一個隊列中,表示它將發送3個單位的數據到出口端口1中;C2在第三個隊列中,表示要發送3個單位的數據到出口端口3中。

圖3 數據中心流量

在Varys方法中,采用的是最小瓶頸優先,采用Varys的調度情況如圖4所示,C3的完成時間為3,C2的完成時間為6,C1的完成時間為2,此時的平均CCT為(3+2+6)/3≈3.66,這是理想狀態下Coflow調度的最優調度結果。

圖4 Varys方法的調度情況

在Aalo方法中,根據Coflow已發送數據量大小設置Coflow的優先級,由于例子中的Coflow大小比較小,所以這里假設多級隊列的閾值分別為1、2、4、8等。采用Aalo的調度情況如圖5所示,在Aalo中按照優先級隊列對Coflow進行調度,優先級高的隊列將會被優先調度,隊列內部采取FIFO策略,因此當高優先級隊列中的Coflow的發送量達到閾值時將會被下放到低優先級隊列中,只有高優先級隊列中的Coflow調度完之后才會調度低優先級隊列中的Coflow。從圖5中可以看出這樣會導致端口發送的時間段內存在一些閑置空間的情況,這些情況會導致CCT變大。此時的CCT為(8+4+4)/3≈5.33。

圖5 Aalo方法調度情況

3.3.2優化調度過程中的閑置空間

Aalo的多級隊列調度方法根據Coflow已發送的數據量來決定Coflow的調度優先級,當高優先級隊列中的Coflow的發送量達到閾值時將會被下放到低優先級隊列中,只有高優先級隊列中的Coflow調度完之后才會調度低優先級隊列中的Coflow。通過分析發現,Aalo會在調度過程中存在一些閑置空間,即為了等待高優先級隊列中一些Coflow流量傳輸的完成,會導致將要調度發送低優先級隊列中的Coflow流量的端口處于停滯狀態,必須要等待高優先級度列中的Coflow發送都超過隊列的閾值時才會進一步調度低優先級隊列中的Coflow流量,這種閑置空間無疑會導致Coflow的平均CCT增大。通過在這些停滯的端口上提前對低優先級隊列中的Coflow流量進行調度,設置當端口發生閑置時主動去低優先級隊列中提前調度Coflow,可以充分利用每個端口的網絡資源,從而有效降低多級隊列調度方法中Coflow的平均CCT。

對這種閑置空間進行改進,允許在依據優先級隊列進行調度的過程中產生閑置空間時,提前啟動低優先級隊列中Coflow的調度,以此來充分利用閑置空間,降低Coflow的CCT,提高效率。提前開啟低優先級隊列中Coflow調度后,調度的情況如圖6所示。

圖6 E-Aalo調度情況

可以看出,產生閑置空間被用于調度C2,圖6中星號標記的即為提前調度的Coflow流量,這種方法下,最終的CCT為(6+4+4)/3≈4.66,比Aalo降低了0.67。提前調度方式如圖7所示。

圖7 E-Aalo調度方式

圖7中,C2和C3是同時到達的且在不同的端口,所以它們相當于在隊列中并列。當第一個時間過去后,端口1和端口3都發送1個單位的流量,C2和C3由于不在同一端口,所以依然可以并列看待。當C1到達時,端口1開始調度C1,但是端口3此時并不需要調度C1的流量,此時如果按照Aalo和A-SEBF中的方法,端口3此時將被閑置,將會導致端口3中C2和C3的CCT變大,而此時如果在端口3提前調度較低一級隊列中的C2,就可以顯著減小CCT。具體來說,E-Aalo高效多級隊列調度算法調度步驟如下:

(1) 全局協調器根據流量放置方案選擇Coflow的合適的接收節點,通知Coflow的發送端,然后發送端會先將這些流量排入高優先級隊列中,在同一級隊列中通過FIFO方式調度。

(2) 每個發送端口先將高優先級隊列中的Coflow進行調度,每個發送端口還需要將當前Coflow已經調度的流量信息發送到全局協調器,全局協調器對每個Coflow已經發送的數據量進行統計,如果Coflow的已發送數據量超過了當前優先級隊列的閾值,則將Coflow下調到低一級優先級隊列中,即降低該Coflow的優先級。

(3) 發送端口在選擇隊列中下一個Coflow進行調度時,如果其他的端口中的Coflow都已經被放置到下一級優先級隊列中且其他發送端口存在閑置空間時,對下一個Coflow進行調度的同時,提前開啟閑置端口的低一級優先級隊列中的Coflow進行調度,充分利用閑置空間;其他端口中的低優先級隊列中的Coflow調度方式和(2)中一樣。

(4) 提前開啟閑置端口的低一級優先級隊列時,同樣在同一級隊列中使用FIFO方式進行調度,直到所有的Coflow調度完。

4 實驗評估

為了評估提出的基于多級隊列的Coflow調度機制的有效性,使用公開的Facebook數據集,通過和現有的先驗已知Coflow調度方法Varys、先驗未知Coflow調度方法Aalo、傳統的FAIR方法進行對比,驗證方法的有效性。所給調度方法目前是在Java語言實現的CoflowSim調度模擬器進行實驗和評估,還未在真實的分布式集群環境對所給方法進行實現和實驗評估,在真實的分布式集群環境對所給方法進行實現和實驗評估是下一步的目標。

4.1 實驗配置

CoflowSim是目前專門用于流級別的模擬器,用于實現和比較各種Coflow調度機制,且已經實現了多種先驗知識和無先驗知識情況下的Coflow調度方法,比如Varys、Aalo等,所以選擇CoflowSim模擬工具進行實驗驗證。

CoflowSim調度模擬器上進行實驗的部署環境為:Intel Xeon W-2102 CPU、32 GB內存,Ubuntu16.04操作系統和Java 1.8.0_181環境。在Eclipse中通過maven工具導入CoflowSim框架,由于CoflowSim模擬器內部已經對數據中心的抽象模型進行了建模和實現,同時實現了Aalo和Varys等CoflowSim調度算法,所以只需要使用Java語言實現所給調度方法并進行實驗驗證。

使用的數據集為Facebook提供的從現實世界中數據密集型應用程序合成的實際工作負載。原始的數據來自Facebook上3 000臺150機架的MapReduce集群,合成后的數據包含526個Coflow,這些Coflow是在不同時刻到達。該數據集中的數據格式如圖8所示。其中數據被壓縮到了機架級別,Mapper的位置和Reducer的位置都是機架級別的,而機架的范圍是0～149,即150臺服務器。同一機架中的Mapper被組合成一個機架級別的Mapper,同一機架中的Reducer被組合成一個機架級別的Reducer。圖8給出了一個Coflow實例,表明該Coflow ID為3,到達時間為13 122,一共有兩個Mapper,位置分別是機架中的66和138號機架,一共1個Reducer,Reducer的位置在38號機架且需要接收的數據為4.0 MB。在本實驗中,CoflowSim中模擬的每臺服務器的端口的初始帶寬為1 Gbit/s。

圖8 數據集格式

在之前使用Facebook提供的數據集的研究中[19],可以發現其中大部分的Coflow的完成時間都在60 s之內,比例約占90%左右,所以數據集中大部分都是小型Coflow(能在60 s內完成),只有少量的大型Coflow,但是這些大型Coflow的傳輸數據量占總量的90%以上。

4.2 對比實驗

E-Aalo調度主要包括Coflow流量放置和在端口閑置時提前調度低優先級隊列流量,所以設置的實驗主要包括:(1) E-Aalo方法和其他Coflow調度方法的CCT對比;(2) 使用Coflow流量放置策略和提前調度低優先級隊列流量前后的效果對比。

設置的對比方法涉及Aalo[11]、Varys[12]和FS。Varys是在先驗知識已知情況下的基于最小瓶頸優先(SEBF)的Coflow調度方法;Aalo是在先驗未知情況下利用多級隊列來調度Coflow的方法;FS(Fair Sharing)是根據流量數量對網絡帶寬進行平均分配的策略。比較的指標主要是Coflow的平均完成時間(Average CCT)。

4.2.1E-Aalo和其他方法的對比

圖9給出了使用不同的Coflow調度方法得到的平均完成時間對比圖。Varys調度完數據集中526個Coflows之后,平均完成時間CCT為28 528.46 ms,是所有對比方法中最好的,因為它可以根據已知的先驗知識來進行最小瓶頸優先調度從而達到最優的結果;Aalo調度完526個Coflow之后的CCT為46 097.70 ms,Aalo根據目前已經發送的數據量來設置不同Coflow的優先級,而不是其中flow的優先級,導致多級隊列在調度的時候存在一些可以進一步優化利用的閑置空間,所以其CCT相比Varys增加了61.58%;FS調度完526個Coflow之后的CCT為70 592.82 ms,它的效果是4種方法中最差的,CCT最高。E-Aalo方法調度完526個Coflow之后的CCT為40 437.61 ms,比Aalo降低了12.28%,因為E-Aalo方法對Coflow流量放置策略進行了優化,并將Aalo中多級隊列調度中的閑置空間加以利用,從而降低CCT。

圖9 4種調度方法的CCT

圖10給出了4種不同方法每個Coflow的大小及其完成時間的散點圖。可以看出,Varys方法調度的大部分的Coflow都出現在圖中的左下方,大部分較小的Coflow的完成時間也較小,保證了Coflow調度的效率。FAIR中則出現了許多大小較小但是完成時間較大的點,所以FAIR方法的CCT通常并不理想,會高于其他方法。在Aalo方法中,通過多級隊列調度方法可以保證基本不會出現FAIR中較小Coflow被延誤而導致完成時間過大的情況,但是一些較大的Coflow的完成時間卻會相應提高。在E-Aalo中,通過對多級隊列調度過程中的閑置空間進行優化,可以降低部分較大Coflow的完成時間,且也可以加速一些較小Coflow的調度來降低整體的CCT。

圖10 Coflow完成時間和Coflow大小的關系

圖11給出了4種不同方法Coflow完成時間的累計分布函數曲線圖。可以看出,FAIR方法的效果最差,在同一時間間隔內,其Coflow的完成率最低。Varys是先驗知識下的最小瓶頸優先方法,效果最好,同一時間內的Coflow完成率最高。Aalo與E-Aalo接近,但E-Aalo對其進行了優化,故同一時間E-Aalo完成的Coflow率略高于Aalo,與Varys方法最接近。因此,方法E-Aalo的Coflow調度效果優于Aalo方法。

圖11 Coflow完成時間的累計分布函數曲線

4.2.2E-Aalo自身的對比

圖12給出了使用Coflow流量放置策略和提前調度低優先級隊列流量前后的效果對比。E-Aalo方法其實是對Aalo多級隊列的改進,通過加入流量放置策略和提前調度低優先級隊列流量來優化CCT。可以看出,Aalo在數據集上的CCT為46 097.70 ms,使用上流量放置策略后CCT下降到44 046.3 ms,降低了4.45%;E-Aalo使用流量放置策略加上改進的多級隊列調度后,CCT下降為40 437.61 ms,比使用流量放置的Aalo方法下降了8.19%。

所給調度方法主要適用于集群中存在大量分布式計算任務且先驗知識未知情況下的Coflow調度。所給方法是針對無先驗知識下Coflow調度方法Aalo進行的改進。但是暫時只是在Java語言的CoflowSim框架下進行了模擬實驗。然后基于Facebook的Coflow公開數據集對所給方法的有效性進行實驗驗證。

5 結 語

由于Varys方法只能應用于先驗知識已知的情況導致實用性較差,且Aalo方法存在一些可以改進的缺陷,提出一種面向無先驗知識Coflow的高效多級隊列調度E-Aalo。首先,基于計算節點的狀態信息選擇合適的節點對流量進行放置來減少部分數據的傳輸,進而降低Coflow的CCT。然后,通過對Aalo方法中的多級隊列調度的閑置空間進行改進利用,在閑置時提前調度低優先級的流量來優化Coflow的CCT。最后,利用Facebook的公開數據集和CoflowSim框架進行對比驗證。E-Aalo在CCT上比Aalo方法下降了12.28%,優于Aalo方法。由于CoflowSim平臺功能比較簡單,接下來的工作將考慮在仿真模型功能更強的CloudSim平臺或真實環境中實現提出的E-Aalo調度。