摘 要

在如今信息化的时代，每时每刻都在产生大量的数据。对这些大数据的分析处理促使了云计算的普及和飞速发展。但随着任务数量和规模的激增、数据中心能耗占比不断增加，如何对任务进行合理有效的调度，以实现高效率和低能耗，显得尤为重要。

为了降低数据中心能耗，提高数据中心任务的执行效率。本文在对相关文献研究分析的基础上，结合数据中心任务及资源的特点，提出了一种粗粒度的任务调度算法，该算法将调度对象从单个任务转换到一组任务。实验结果表明，相比与单个任务进行调度，这种粗粒度任务调度方式在任务总执行时间上能降低30%左右。本文的主要工作如下：

（1）根据任务到达的随机性，即数据中心任务会随着不同的时间段表现出不同的数量特征，对此，设计了动态任务流的节能部署调度方案。因数据中心为满足处理峰值时的任务请求，通常会开启所有的服务节点。根据动态任务流调度方案，能实现了将任务流以时间段划分分组，并以每组任务数量特征来开启指定数目的虚拟机，达到了降低数据中心能耗的目的。

（2）根据数据中心任务和资源异构性、多样性的特点，建立数据中心任务及资源模型，并运用等价类划分算法，实现任务及资源的粗粒度划分。划分后的每一组任务和资源大致具有相似的特征。这种将一组任务和资源作为整体调度的方式，缩小了任务选择资源的范围，从而降低任务在资源选择上的开销，提高了任务的执行效率。

（3）利用贪心算法在任务调度时在性能方面的优越性，在上述粗粒度划分的基础上，在每一组任务和资源的内部使用贪心策略，进一步提高任务调度效率。

（4）利用CloudSim模拟仿真软件，实现本文算法的仿真模拟，并对实验结果进行比较分析。

关键词：数据中心；粗粒度；任务调度；贪心算法；CloudSim

Abstract

In information era, a large amount of data are generated on every moment, the analysis of large data leads the popularity and rapid development of cloud computing. However, with the surge of computing tasks and the energy consumption of data center, it is necessary to schedule the task effectively, for high efficiency and low energy consumption.

In order to reduce energy consumption and improve the execution efficiency of the task, we propose a coarse-grained task scheduling algorithm based on the analysis of the related literature as well as the characteristics of the task and resource in data center. The algorithm transforms the scheduling object from a single task into a set of tasks. The research results show that the coarse-grained task scheduling algorithm can reduce the total execution time by about 30% compared with the single task schedule. The main work is as follows:

(1)According to the random arrival of the task, we designed the energy-saving scheduling algorithm based on the dynamic task flow. Due to the data center usually opens all the server nodes to meet the peak period of the task. This algorithm divides task flow into several periods, and determines the number of virtual machines who opened by the number of tasks in each time period. Therefore, it reduces the energy consumption of data center.

(2)According to the heterogeneity and diversity of tasks and resources, we establish the model of tasks and resources. Moreover, the coarse-grain algorithm is used to divide tasks and resources. After the division, every group of tasks and resources has the same characteristic. This schedule style, which regards a set of tasks and resources as a whole, narrows the scope of the task in the choice of resources, as well as reduces the time cost of the task in resource selection and the execution efficiency is increased.

(3)Utilizing the advantage of the greedy algorithm on task scheduling, we use greedy strategy in each of tasks and resources, which are divided by coarse-grain algorithm, to optimize performance.

(4) We use CloudSim simulation software to achieve the simulation of algorithm in this paper, and analyze the results of the experiment.

Key Words: data center; coarse-grain; task scheduling; greedy algorithm; CloudSim

目 录

摘 要 I

Abstract II

目 录 III

第1章 绪论 1

1.1 研究背景及意义 1

1.2 国内外研究现状 1

1.3 研究内容 2

1.4 论文主要结构 3

第2章 数据中心粗粒度任务调度策略 4

2.1 数据中心概述 4

2.2 数据中心资源与任务调度特点分析 5

2.3 数据中心动态任务流节能部署调度方案 6

2.3.1 节能部署方案描述 6

2.3.2 节能部署调度模型 6

2.4 数据中心粗粒度调度模型 7

2.4.1 任务及资源模型 7

2.4.2 任务和资源的粗粒度划分 8

2.4.3 粗粒度调度策略 10

2.5 本章小结 12

第3章 基于粗粒度的贪心模型任务调度 13

3.1 贪心算法 13

3.2 基于数据中心任务调度的贪心算法 13

3.2.1 基于贪心算法的任务及资源定义 13

3.2.2 贪心任务调度的优势 14

3.2.3 任务调度的贪心策略描述 15

3.3 基于粗粒度的贪心策略部署 15

3.4 本章小结 16

第4章 CloudSim仿真实验 17

4.1 CloudSim简介 17

4.1.1 CloudSim仿真框架特性 17

4.1.2 CloudSim体系架构 17

4.2 CloudSim技术实现 18

4.2.1 CloudSim类图及核心类 18

4.2.2 任务处理过程 20

4.3 CloudSim模拟仿真步骤 20

4.4 基于动态任务流的节能部署方案 21

4.4.1 仿真方案场景 21

4.4.2 仿真方案流程 21

4.4.3 实验结果分析 22

4.5 基于任务与资源的粗粒度调度算法 23

4.5.1 任务描述 23

4.5.2 集群模型模拟 23

4.5.3 仿真实验流程 24

4.5.4 实验结果分析 24

4.6 本章小结 26

第5章 总结与展望 27

5.1 论文总结 27

5.2 工作展望 27

致谢 28

参考文献 29

第1章 绪论

1.1 研究背景及意义

云计算作为一种商业化计算模型，用户可以根据自身需要获取相应的服务，它表明计算能力也可以当作商品进行流通。我们把提供资源的网络或数据中心称为“云”，研究者们把云计算标志为除水、气、电、油之外的另一种公共资源。自2008年5月，中国的第一个云计算研究中心在无锡太湖产业园落户并投入使用后，中国的云计算也逐步迈入发展期，如中国互联网公司三巨头：BAT，都建有自己的云计算数据中心。用户只需一个终端设备便可以通过网络享受各种应用服务，这无疑使得云计算在各个领域都有着非常可观的应用前景，如军事、医学、科研、日常生活等领域。它必将给人们的生活、生产和商业模式带来深远的影响。

由于云计算所处理的任务具有粒度大、数据量大的特点。因此，如何对不同粒度的任务进行合理有效的调度，使其分配到最优的资源，从而缩短任务执行时间、提高资源的利用率，成为云计算中的重要研究方向。

1.2 国内外研究现状

（1）以性能为中心的调度

把性能指标作为任务调度的首要目标是以性能为中心调度的核心，在该方面应用比较多且发展比较成熟的算法主要有：遗传算法、Min-Min算法和Max-Min算法等^[1]。