1. 研究目的与意义（文献综述）

1.1研究目的及意义
1.1.1 研究目的
在云计算越来越火热的今天，多客户端共享一个或多个计算机集群是这种模式下最常见的行为。

这可以使大量的作业共享软硬件资源，并且相互之间不存在干扰。

为了缩短响应时间，很多分布式系统都采用了并行计算的技术，需要多个节点或者虚拟主机搭建分布式计算集群。

2. 研究的基本内容与方案

2.1 研究的基本内容、目标
由于各种软件和硬件设备构成的云计算平台提供了数据计算的基础。

云计算平台对各项作业进行管理和调度，以期能够充分的利用资源并保证服务质量。

下图描述了云计算作业调度的体系结构和主要流程。

3. 研究计划与安排

（1）2018-01-14至2018-03-05：确定选题，查阅文献，外文翻译和撰写开题报告；
（2）2018-03-06至2018-04-30：系统架构、程序设计与开发、系统测试与完善；
（3）2018-05-01至2018-05-25：撰写及修改毕业论文；
（4）2018-05-26至2018-06-06：准备答辩。

4. 参考文献（12篇以上）

[1] Dean J, Ghemawat S. MapReduce: simplified data processing on large clusters[J]. Commun. ACM, 2008, 51(1):10-10.
[2] Chang H, Kodialam M, Kompella R R, et al. Scheduling in mapreduce-like systems for fast completion time[C]// INFOCOM, 2011 Proceedings IEEE. IEEE, 2015:3074-3082.
[3] Dean J. Keynote talk: Experiences with MapReduce, an abstraction for large-scale computation[C]// International Conference on Parallel Architectures and Compilation Techniques. IEEE, 2017:1-1.
[4] Pacini E, Mateos C, Garino C G. Distributed job scheduling based on Swarm Intelligence: A survey ☆[J]. Computers amp; Electrical Engineering, 2014, 40(1):252-269.
[5] Cheng D, Rao J, Jiang C, et al. Resource and Deadline-Aware Job Scheduling in Dynamic Hadoop Clusters[C]// Parallel and Distributed Processing Symposium. IEEE, 2015:956-965.
[6] Zaharia M, Borthakur D, Sarma J S, et al. Job scheduling for multi-user MapReduce clusters[J]. 2009.
[7] Snavely A, Tullsen D M. Symbiotic jobscheduling for a simultaneous mutlithreading processor[J]. Acm Sigplan Notices, 2000, 35(11):234-244.
[8] 王永炎, 王强, 王宏安,等. 基于优先级表的实时调度算法及其实现[J]. 软件学报, 2004, 15(3):360-370.
[9] 乔颖, 王宏安, 戴国忠. 一种新的实时多处理器系统的动态调度算法[J]. 软件学报, 2002, 13(1):51-58.
[10] 王海峰. 基于分布式软件的软件热插拔方法研究与实现[D]. 哈尔滨工程大学, 2011.
[11] 赵春燕. 云环境下作业调度算法研究与实现[D]. 北京交通大学, 2009.
[12] 谢陈宁. 分布式图并行计算框架的调度分析与优化[D]. 上海交通大学, 2015.
[13] 赵冰. 分布式环境中大数据处理任务的调度方法研究及应用[D]. 北京交通大学, 2016.
[14] 陈若飞. Hadoop作业调度本地性的研究与优化[D]. 北京交通大学, 2015.
[15] 巩子杰, 张亚平, 张铭栋. 分布式计算中基于资源分级的自适应 Min-Min 算法[J]. 计算机应用研究, 2016, 33(3):716-719.