面向实例密集型应用的云工作流绿色节能调度优化方法研究

Instance-intensive workflow applications are widely used in the areas of electronic commerce, advanced manufacture, etc. However, existing studies normally do not consider the problem of reducing their energy consumption by utilizing the advantages of cloud computing platform and the characters of instance-intensive workflow applications. Therefore, the goal of this project is to design energy-efficient scheduling optimization methods for instance-intensive workflow applications in the heterogeneous cloud computing platform. The specific research contents include: 1) Considering the historical cloud resource usage data of the instance-intensive workflow applications and their real-time resource requirements, energy-efficient and Location-aware cloud resource configuration optimization methods for instance-intensive workflow applications will be proposed. 2) According to the data correlation among concurrent instances in instance-intensive workflow applications, energy-efficient cloud workflow scheduling methods supporting data reuse will be investigated. 3) A prototype system supporting those methods will be implemented to verify and improve their effectiveness.

实例密集型工作流应用广泛存在于电子商务、先进制造等领域，但现有研究很少考虑利用云平台的优势并发掘实例密集型应用的特点以指导云工作流调度的节能优化。本项目尝试针对实例密集型应用的具体特点，开展云工作流节能调度的优化方法研究。具体包括：1）根据实例密集型应用资源使用的历史统计情况与应用实例规模的实时变化，研究截止时间约束下位置感知的实例密集型云工作流节能调度优化方法，为节能优化配置虚拟机资源及动态伸缩物理服务器规模提供解决方案；2）针对实例密集型应用执行时并发实例在数据等方面的关联关系，研究成本预算约束下QoS感知的实例密集型云工作流节能调度优化方法，从而在满足截止时间约束或服务成本预算约束的同时，充分利用物理服务器，并实现节能；3）对上述方法进行分析与测试，并实现原型系统。

本项目重点研究了面向实例密集型应用的云工作流绿色节能调度优化方法。项目在以下四个方面取得了重要研究成果：.1.针对带截止时间约束的实例密集型云工作流的节能调度需求，提出了一种能耗与成本感知的实例密集型工作流调度方法，称为ECO。该方法采用CPU使用率预测的策略、批处理一些相同类型的活动实例等策略以降低云用户的执行成本，提高云数据中心的资源利用率，并可在满足截止时间约束下最小化整个工作流在云数据中心产生的能耗。.2.在云际协作环境中，如何高效实现兼顾成本与能耗的云工作流调度是涉及多方云资源管理的一个重要问题。针对该问题，提出了一种云际协作环境下能耗与成本感知的工作流调度方法，称为ECIB。该方法主要包含任务组选择、虚拟机重用和资源动态管理等策略，可在云际协作环境下调度多个云工作流应用，并在满足截止时间约束的前提下，优化工作流执行成本与能耗。.3.为更好的实现实例密集型云工作流的节能调度与云数据中心资源管理的优化，提出了一种基于深度置信网络和粒子群优化算法的CPU使用率预测方法，称为DP-CUPA。该方法采用自回归模型和灰色模型作为基础预测模型以提供额外的输入信息，并将粒子群优化算法应用于优化深度置信网络参数，最后通过深度置信网络来预测CPU使用率，以更好的进行资源管理，减少能耗。.4.为更好的实现实例密集型云工作流的节能调度与多云数据中心环境中资源管理的优化，提出了一种多数据中心环境下基于请求预测的资源配置优化方法。该方法利用应用请求预测结果指导数据中心中的资源配置优化，可减少空闲运行的虚拟机和物理机，进而实现节能。