论文总结 2.docx
- 文档编号:5376020
- 上传时间:2022-12-15
- 格式:DOCX
- 页数:14
- 大小:70.09KB
论文总结 2.docx
《论文总结 2.docx》由会员分享,可在线阅读,更多相关《论文总结 2.docx(14页珍藏版)》请在冰豆网上搜索。
论文总结2
论文总结
1.虚拟化云计算中资源管理的研究与实现:
(硕士论文)
1.1本文研究的主要内容:
研究将物理资源与虚拟资源结合起来实现云计算。
实现Platform公司的基于虚拟化的云计算解决方案中的资源调度算法,实现基于DSA(detect-strategy-action)思想的云计算通用的资源调度策略框架。
1.2提出的东西:
详细介绍Excalibur中对资源的调度策略、共享存储、动态负载均衡、以及虚拟机迁移策略的设计与实现。
Excalibur中资源调度策略是基于DSA思想的,它是基于策略的资源调度策略框架PTM(PerformanceThresholdManager)及其实现。
Excalibur资源调度框架是基于DSA(detect-strategy-action)思想设计的,DSA是基于控制论和资源管理抽象模型提出来的,它首先探测基础结构服务层的资源和上层应用程序服务的需求,将探测结果发送给调度策略模块,调度策略模块根据定义好的调度策略去执行相应的行为,这些行为调用相应的模块去调度资源并反馈结果。
如何让云系统实时响应用户需求,并根据用户的需求对资源作出合理的调度是云计算资源调度模块要考虑的首要问题。
Excalibur采用基于DSA思想的策略驱动的资源调度模型为不同的需求创建不同的策略,策略驱动根据动态搜集到的资源数据和指定的策略去执行策略中相应的调度行为。
资源选择(Resourceallocation)资源选择是从候选资源列表中根据资源选择策略选中最优资源,并将资源分配给请求者。
资源选择包括两个方面,首先必须定义选择优化的目标(效用函数),这是候选资源评定的标准。
然后选择一种合适的算法,它能根据效用函数从候选资源中选择出最优资源。
资源调度策略DSA是基于策略的调度框架思想,它允许用户定义自已的探测方式,调度策略和行为。
资源调度是依靠调度策略或算法来实现的。
策略模块提供一个对资源调度的通用框架,调度策略中的规则在框架中相当于判断条件或目标函数,它是对资源评定的标准。
策略模块设计思想:
策略模块根据探测得到的资源Metrics和定义的资源调度策略,对资源进行评估,从候选资源列表中根据资源调度策略选中最优资源,并根据策略和评估结果去执行相应的action行为。
Excalibur采用资源分组策略来对资源进行管理。
它将资源分成三大部分,Hypervisor资源、物理资源和存储资源对物理机的调度就是从列表中选出符合用户需求的机器,并提供对机器基本的管理(启动,关闭,重启等
虚拟机的调度:
比较复杂,根据虚拟机类别的不同,对每一种虚拟机组都要单独调度。
根据虚拟资源的管理行为将虚拟机的调度分为三种:
创建VM的调度策略,启动VM的调度策略和迁移策略。
虚拟机的创建采用轮询方式为创建虚拟机顺序分配主机,第一个虚拟机分配到第一个节点,第二个虚拟机分配到第二个节点,依此类推。
这个策略保证了网络和磁盘被所有节点平均使用。
启动VM的调度策略是将虚拟机启动到合适的机器上,使得资源池中的资源得到合理的利用。
VM启动策略算法:
1.UT策略(utility)UT策略是以均衡资源池中物理节点利用率为目标。
它根据物理节点的性能(CPU的利用率,CPU核数,内存)自动的选择最好的物理节点来运行一台虚拟机。
2.Striping策略Striping就是以寻找物理内存可用数最多的物理节点为目标。
用来满足用户对虚拟机进行高负荷计算的需求3.Packing策略Packing策略是以将负载集中,释放其他节点资源,使虚拟机集中在几个Hypervisor主机上,用户可以释放其他节点的资源,节约运营成本。
VM迁移策略设计:
虚拟机迁移是将虚拟机从一个VMM迁移到另一个VMM之上。
虚拟机迁移分为两种:
静态迁移和动态移。
对于用户来说,用户首先选择想要迁移的虚拟机,Excalibur根据虚拟机的Hypervisor从机器中选择所有符合虚拟机启动需求的物理机,并将选择结果排序返回给用户,最终由用户选择将虚拟机迁移到那台服务器上。
对于系统高可用性,Excalibur采用资源调度框架PTM(PerformanceThresholdManager),实时的监控所有的虚拟机服务器,在任何一台虚拟机服务器出现故障后,根据预先定义好的策略将故障机上的虚拟机迁移到相同Hypervisor的服务器上。
VM迁移策略的实现:
负载均衡策略首先根据每个虚拟机的相对优先权以确保调整负载工作的公平原则选择一个适当的虚拟机,选择出所有符合这台虚拟机迁移的VMM机器列表,根据策略中的规则进行计算,并根据策略计算结果选择出最符合条件的VMM主机,将这台主机与虚拟机的当前主机进行比较,如果新选出的主机优于当前主机则改变虚拟机的主节点到选择出来的节点。
资源监控:
资源管理的最后阶段就是将选择出来的最优资源交给资源请求者,并对资源进行监控。
在资源出现异常时能够重新分配给请求者资源,保证请求者对资源的可
以性;在资源使用完后要执行清理工作来对资源进行回收,例如对虚拟机文件的删除。
我觉得很多只说明些什么东西,并没有指出迁移到哪个服务器,即服务器的选择。
2.云计算中动态数据迁移的关键技术研究:
(硕士论文)
2.1本文主要内容:
提出了在自治的云计算环境中下动态数据迁移策略以及相关的方法。
此外,对影响数据迁移的参数进行了分析,将相关自治策略引入其中。
并对云计算服务结构进行研究,建立动态的云计算数据迁移模型。
(l)对目前的数据迁移技术进行分析,比较现有的数据迁移方法的优点和不足。
(2)根据目前的云计算服务体系,建立自治的云系统服务模型,同时为系统中的每个服务节点建立自动监控模块,来管理自身的状态。
(3)鉴于目前数据迁移技术存在的优缺点,本文中在自治的云系统服务模型上,提出了动态数据迁移算法,并详细论述了算法的数据流程。
(4)根据自治的云系统服务模型的特点,采用监控模块对服务器实时监控。
2.2提出的东西:
第三章以数据迁移技术为主要内容,简单介绍了当前数据迁移技术的特点以及相关迁移方法的比较。
数据迁移的策略是指采用一定的方式进行数据迁移,主要有一次迁移、分次迁移、先录后迁、先迁后补等几种方式。
数据迁移主要包括传统的归档迁移、LAN一Free归档迁移以及Server一Free归档迁移三种模。
第4章自治数据迁移模型设计,首先对目前的数据迁移算法问题进行分析,总结出迁移算法的不足。
同时设计自治的云系统服务模型,为动态数据迁移算法建立迁移环境,提出自治的云系统服务结构的数据迁移策略。
服务控制器负责管理整个服务器的网络。
它负责动态收集整个网络中所有服务器的负载情况和状态,然后根据接收到的客户请求,进过分析,选择当前工作负载最轻的服务器来响应客户的请求,从而能够充分利用服务器资源。
设计一个服务控制器必须考虑以下几点:
(1)如何有效地量度各个服务器的工作负载;
(2)如何收集与交换各个服务器的负载信息;
(3)如何有效地分配各个服务到各个服务器;
对于重复率较高的数据的动态数据迁移,需要考虑下面的一些问题,比如说,是采用周期复制还是即到即复制的方式或者其他方式;什么时间开始进行资源的复制;如何决定采用哪个服务器作为源服务器,哪个作为目标服务器等。
可以直接选择存有所需的数据资源的服务器中选择当前工作负载最轻的服务器作为源服务器。
而对于目标服务器的选择数据复制到目的服务器时,还要考虑到新复制的数据对该服务器带来新的负载的影响,所以目标服务器选择所要遵循以下原则:
若设所选择的目标服务器为T,则:
目标服务器的选择是要求其工作负载小于其最大负载的一半的服务器。
但这种在同时有多个资源需要复制时就有必要引入竞争机制,多个数据资源都要寻找选择当前工作负载最轻的服务器,最简单的方式是,可以由服务控制器来解决,服务控制器对这些服务器的负载按从大到小进行排序,然后从T中分别选择工作负载从最轻到最重的作为目标服务器,这种方法比较随机,选择相对比较复杂,但更加充分的利用系统资源。
自治的云环境中实现数据资源的迁移是一项比较复杂的任务,不但要考虑系统中各个服务器的负载均衡的问题,还要考虑数据缓冲区管理的问题,以及数据迁移的时间要尽量达到最小化并且不影响当前的业务等问题。
目前在这方面的研究尚少。
此处提出一个动态迁移的算法,主要是资源请求率达到一定阀值是就要动态迁移这个服务器上的资源,负责直接提供服务。
而上边已经指出这个资源要迁移到的目标服务器的选择了方法了。
3.云计算中虚拟机动态迁移的研究:
(硕士论文)
3.1现状:
动态迁移主要是由人手动发起的,且只能在相同类型的虚拟机监控器间进行。
但是在云计算环境下,大规模的计算存储资源被整合在一起,这些资源可能由不同的虚拟机监控器进行管理。
此外,在动态迁移被用来进行负载均衡以满足虚拟机SLA的同时,迁移本身也需要占用CPU和网络带宽等资源。
如果不对动态迁移的过程加以控制,必然会造成在迁移过程中虚拟机的SLA被严重破坏。
反应速度慢、容易出错和缺少动态控制,这些缺点导致传统由人工发起的迁移不能做到资源的最佳利用和保证迁移过程中虚拟机的SLA。
而只能在相同类型的虚拟机监控期之间进行迁移,缺乏灵活性,又限制了动态迁移技术的广泛应用。
3.2本文主要内容:
我们提出了一个将虚拟机动态迁移技术更好地运用于云计算平台的系统的解决方案。
该方案优点在于:
首先,能够实时监控云计算环境中资源的使用情况,自主发起动态迁移,以做到负载均衡。
其次,能够在不同类型的虚拟机监控器间进行虚拟机的动态迁移,大大提高了动态迁移的灵活性。
最后,能够对动态迁移的过程进行实时控制,避免迁移过程占用过多资源,从而保证虚拟机的sLA。
本文的主要创新点和贡献可以归结为以下几点:
1.分析了系统虚拟化和虚拟机动态迁移技术对于实施云计算的重要意义。
2.将传统虚拟机动态迁移技术应用于云计·算面临的各种挑战。
3.提出了一种将虚拟机动态迁移计算应用于云计算的系统的解决方案该方案充分考虑了云计算平台资源庞大且存在异构性、需要向用户保证服务质量等特点,实现了自主迁移、异构迁移和迁移实时控制这儿大特性。
4实现了Vagrant动态迁移框架,能够在短时问内觉察负载变化,自主发起动态迁移;在Xen和KVM之间进行动态迁移;实时监控迁移进程使用资源,在保证执行虚拟机SLA的前提下实现资源动态配置。
我们主要关心的是3.4两点。
所谓虚拟机的动态迁移,是指虚拟机在不关机,且能持续提供服务的前提下,从一台虚拟平台服务器迁移到其它的虚拟平台服务器运行。
虚拟机动态迁移要做到的技术要求:
最小中断:
迁移时尽量使停机时问最小,因为在停机时问内任何服务都无法执行。
一致性:
总迁移时间不要太长,因为这段时间内两台机器状态必须同步,否则可能影响稳定性。
最小干扰:
保证迁移不会通过资源争夺来干扰正在活动的服务,如CPu、网络带宽。
透明性:
迁移过程对用厂‘应该是透明的,在迁移期间,要维持所有的网络链接和应用程序状态。
这篇文章中迁移过程的目的主机已经是被选择好的。
。
。
主要讨论迁移的步骤,比如说任务的拷贝,而我们要找的是迁移前的准备中的一个准备:
如何选择要迁移到的主机。
即虚拟机的自主性。
传统的虚拟机动态迁移缺少一种自动的机制进行热点探查。
这种自动的机制能够实时监控各节点资源使用情况,即时报告平台中出现的资源热点,以便通过虚拟机动态迁移进行热点消除。
该热点探查机制需要满足以下两个要求:
首先,由于动态迁移的过程需要一定的时间,尤其是当虚拟机的内存比较大,负载比较重时,动态迁移的时间也会比较长。
因此,当热点己经出现再进行虚拟机动态迁移存在滞后性的缺陷。
热点探查机制需要根据资源使用情况的变化进行合理预判,提前报告潜在的资源热点。
第二,热点探查机制报告应该是准确的。
误报会导致发生不必要的虚拟机动态迁移,浪费系统资源。
第三,特点探查机制不能对虚拟机(服务)的执行造成太大影响,不能过多占用系统资源。
为了屏蔽虚拟机监控器的异构性,保持虚拟化的优势,能够在不同的虚拟机监控器之间进行动态迁移,提出了异构虚拟机动态迁移。
主要解决了异构虚拟机动态迁移需要解决三方面的问题:
首先,不同的虚拟机监控器对于硬件资源的抽象存在异构性:
第二,不同的虚拟机监控器使用了不同的迁移协议;第三,不同的虚拟机监控器可能使用不同的内存迁移算法。
而后说了动态迁移过程中可能会遇到资源竞争问题(cpu,网络带宽),要考虑。
在Vagrant框架实时监控各虚拟机的负载和各主机的资源使用情况,进行热点探测并确定如何发起虚拟机动态迁移,如何确定未说明
资源监控:
资源监控器不仅需要获得整个物理服务器的资源使用情况,还需要获得运行在上面的各虚拟机的资源使用情况。
记录虚拟扫L在迁移之前对于CPU,内存和网络带宽的使用情况,同时根据预设的阀值算出迁移过程中虚拟机可用资源的上限和下限。
在实际迁移时,当虚拟机可用资源超出上限时,迁移控制器就将更多资源用于迁移,加速迁移进程:
反之就限制迁移可用资源,减缓迁移进程。
在虚拟机和物理服务器之间进行重新映射,需要从CPU、网络和内存这三个维度上避免出现SLA违例的情况,是一个NP一hard问题。
本文综合考虑CPU、网络和内存这三方面资源,采用了一个简单的启发性算法进行迁移对象和迁移方法的选择即将负载从负载最重的服务器向负载最轻的服务器迁移,同时尽量减少迁移中需要传输的数据。
因为虚拟机可能同时在CPU、网络和内存这儿个维度中的多个维度上过载,WO0d等人【53]定义了一个新的指标体积(votume)来获取虚拟机和物理服务器的综合负载,并采用了一种能够最小化迁移开销的,试图最大化每单位字节体积(负载)的方法进行迁移[53]本文采用了类似的方法。
对于迁移目标主机的确定,为了简化实现本文的系统采用了简单的把在集群中找到的第一台比当前服务器空闲的主机作为迁移的目标的策略。
4.云计算环境下基于失效规则的资源动态提供策略:
(计算机学报)
研究考虑云计算环境下动态提供的资源的可靠性问题。
本文将提出基于失效规律的节点资源动态提供策略,保证动态提供的资源的可靠性.这种资源可靠性的提高,不以牺牲系统整体资源使用效率和服务性能为代价,同时不涉及对云计算平台的硬性修改或侵入式的监测。
我们首先给出不考虑资源失效规律的资源提供策略,作为BaseLine策略。
BaseLine策略维护一个节点资源池,当一个请求到达时,资源提供策略从节点资源池里随机的选取一个空闲节点处理到达的请求,当工作处理完成,把节点随机地放回节点资源池.在有节点失效时,BaseLine策略把失效节点放回节点资源池,把失效负载放入等待队列.对于并行任务,把相关的任务也放入等待队列,释放节点。
基于失效规则的资源提供策略和BaseLine策略的关键不同在于,BaseLine策略是随机的选择节点资源,而我们的策略是维护一个按上次失效恢复时间(uptime)有序的节点资源池.由于刚失效的节点比较脆弱,容易发生故障,随着运行时间增加,节点失效机会变少,会越来越可靠.因此,我们把刚失效的节点放在队列头部,当有节点请求时,从队列尾部取空闲节点,保证该节点是空闲资源池中最可靠的节点.基于本文上面提出的单队列的资源提供策略,可以按照广域空间上资源各自不同的失效规律,维护各自的有序的空闲资源列表.当有资源请求到达时,需要从多个资源列表里选择可靠性最好的资源,这时可以有多种选择,比如:
(1)按照各个列表的可靠性程度,对列表区分优先级;
(2)不对列表设置可靠性的优先级,而是比较当前各列表的备选资源的可靠性,选择最合适的资源对于回收释放的资源或失效的资源,也同样需要按照一定的方式,选择放入哪个列表最适合。
当前,我们实现了两种多队列资源提供策略.对于资源的回收,两种策略都是按所属关系选择对应的列表;对于资源提供,第1种策略,按列表的可靠性等级,选择可靠的列表提供资源,当高可靠的列表为空时,选择次可靠的列表,依次进行;第2种策略,按各自失效规律,计算当前各列表的备选的资源的可靠性程度,选择最合适的资源.
5.基于蚁群算法的云计算需求弹性算法:
主要讲了通过控制价格不至于过低,造成购买计算资源的人数过多,局部网络的负载过重,造成网络瘫痪,产生不必要的损失。
通过利用蚁群算法,来产生合适的价格。
6.云计算环境下基于可信性的动态资源分配策略:
提出通过市场机制解决资源分配问题,实现资源有效分配,连续双向拍卖(ContinuousDoubleAuction,CDA)是目前应用比较普遍的市场机制之一,它可以保证资源分配的高效性,并且能够有效协调资源分配。
本文在基于连续双向拍卖机制的资源分配的基础上,提出资源供需双方各自的报价策略,讨论云计算环境下节点资源的失效规律,提出节点的可信性概念,结合连续双向拍卖机制,提出基于可信性的资源动态分配策略。
分析与实验仿真表明,该策略明显优于没有考虑节点可信性的资源分配策略。
在云计算环境下能够有效提高节点资源的执行效率。
8.基于MPSO算法的云计算资源调度策略:
针对云计算服务集群资源调度和负载平衡的优化问题,提出一种基于改进的粒子群优化算法的云计算资源调度策略。
将动态多群体协作和变异粒子逆向飞行思想引入到粒子群优化算法中,从而控制全局搜索和局部搜索,尽量避免陷入局部最优。
粒子群优化算法是一种模拟鸟群觅食行为的演化计算算法…。
因其结构简单、参数少、易实现,所以受到广泛重视并被应用到了许多自然科学和工程科学领域。
但对于存在较多局部极值的搜索空间,它很容易陷入局部最优,在进化后期收敛速度慢、鲁棒性差。
本文从动态多群体协作和变异粒子逆向飞行两方面对PSO算法加以改进,将改进的粒子群优化算法应用于云环境下的资源调度,服务集群能够推荐出一个较优的有效资源,并且能尽量避免资源调度负载失衡。
.
改进的粒子群优化算法:
对于每个资源请求者,云环境服务集群必须推荐出一个较优的资源。
采用动态多群体协作算法,次群侧重于全局搜索,主群侧重于局部搜索。
每一代,所有子群都把最优的个体信息传递给主群,主群从中挑选最优子群个体进行进化。
本文提出一种基于MPSO算法的云计算资源调度策略,能有效地完成云计算环境中计算资源搜索与分配的工作,执行效率比一般的资源调度策略高,兼顾了资源分配的公平性,具有较好的实用性和扩展性。
但该策略仍需要改进,下一步将改进惯性权重、学习因子等参数,考虑负载平衡等问题。
9.基于蚁群优化算法的云数据库动态路径规划:
云中的存储资源如何快速地路由,是研究的难点。
蚁群算法是基于群体的仿生优化算法,具有智能搜索、全局优化、鲁棒性、分布式计算和容易与其他算法相结合等优点。
根据这些特点,提出了合理的算法,该算法能够在云中快速、合理地找到所需访问的数据库,减少云数据库数路由的动态负荷,从而很大程度上提高云计算的效率。
此外云上的结点与链路有时候会突然失效,而新的结点与链路也可能在任意时刻加入到云中来,因此这就给云中的路由预测和识别带来了很大的难度,这部分就构成了云的动态数据存储资源。
云数据库的路径规划问题也正是这类问题中的组合优化问题。
云数据库是一个规模庞大的网络数据库,设计查找算法时要从全局的观点考虑到网络的流量、拥塞、到达时间、局部优等问题。
传统的最快速梯度下降和模拟退火算法容易陷入到局部最优的困境中,找不到全局的最优解。
蚁群算法是一种针对NP问题的离散优化问题的元启发式算法,它能够解决静态的组合优化问题,又能够解决动态的组合优化问题,对于云数据库的动态性、可伸缩性、大规模性有很好的契合点。
10.基于元区间的云计算基础设施服务的资源分配算法研究:
针对云计算中基础设施服务资源分配问题,提出了一种最佳分配决策算法。
该算法通过估计待选元区间的资源配额参数,选择一个最小的满足用户应用要求的元区间,提高了基础设施服务资源的利用率。
云计算基础设施服务调度模型:
元区间控制器根据申请单和元区间清单的限制条件,找到一个双方都满意的结果。
这时,元区间控制器的任务完成交易双方进行单独的联系,
云计算基础设施服务调度算法:
基础设施服务调度算法的基本思想来源于布局问题中的最优匹配算法。
元区间管理器要求云用户发送应用所需要的资源配额上下文,这时,元区间管理器的调度进程就从未分配的所有元区间中取出一个满足最低要求的元区间,如果目前没有元区间能够满足云用户的应用要求,则发出NO_alloc给元区间管理器,等待下次再分配。
元区间管理器将在所有的列表队列中找到一个最合适于当前应用程序的元区间。
找到的元区间必须满足下列条件:
可用磁盘空间满足用户要求,可用内存大小满足用户要求,用户应用程序必需的执行环境在元区间上已经存在等等。
如果一个用户应用本次没有分配成功,那么它下一次可以继续被分配。
如果元区间管理器为当前用户的应用找到一个特别合适的元区间,它就会向云用户发送这个元区间的名称,否则就会发送一个拒绝命令。
此时云用户的应用在队列中的优先级别就会被提高,在进行下一轮的分配过程中,优先级别处于最高的云用户应用就会被分配,这样直到分配全部完成。
然后再等待下一个时间段的分配过程的到来。
结论:
采用元区间分配算法后,可以向云用户提供适当的云计算基础设施服务,提高了资源的利用效率,达到弹性、高可用性等目标。
但是,对于异构、性能差异较大的环境,分配算法还需要进一步的改进。
11.基于云计算环境的蚁群优化计算资源分配算法:
提出一种基于蚁群优化的计算资源分配算法.分配计算资源时,首先预测潜在可用节点的计算质量,然后根据云计算环境的特点,通过分析诸如带宽占用线路质量和响应时间等因素对分配的影响,利用蚁群优化算法得到一组最优的计算资源.
云环境中的每个单元由一个单独的主作业调度节点和该单元所辖各个节点集群中的一个从任务分配节点共同组成.主节点负责调度构成一个作业的所有任务。
从节点仅负责执行由主节点指派的任务.在接到主节点的指派之后,从节点开始为其下属的存储节点寻找合适的计算节点如果资源已经耗尽或者已不足以满足承诺给用户的最小计算资源量,则开始搜寻云环境中其他合适的计算资源.本文介绍的蚁群分配算法将在这一环节中实现.搜索在一定范围内进行,目的是为了减小所带来的网络开销.如果仍然没有合适资源,则从节点报请主作业调度节点移走该节点集群中的用户数据镜像分片.
使用蚁群算法寻找最合适的计算资源:
利用蚁群算法,能够在未知的网络拓扑中查找出计算资源,并选择最合适的一个或者几个分配给用户作业,直到满足用户需求.当查找开始时,由S!
ave节点发出查询消息,这些消息扮演着蚁群算法中蚂蚁的角色,所有的蚂蚁都遵从信息素多的节点概率大,信息素少的节点概率少的原则选择下一跳的节点,并在经过的路径节点上留下信息素
结论:
文中介绍的蚁群资源分配算法能够针对云环境的大规模性,共享性和动态性等特点,动态地为用户的作业分片搜寻并分配计算资源。
12面向虚拟资源的云计算资源管理机制:
文章提出了一种面向虚拟资源的云计算资源管理机制,通过对虚拟资源的划分、预留及调度策略,为用户提供有效的IaaS服务。
虚拟资源预留及调度策略:
资源预留策略,能够为用户的复杂应用需求在特定的时间内提供所需的资源,以保证用户对SLA和QoS的需求。
但是由于资源的预留和分配调度是分开的,被预留的资源只在有用户使用请求时才会被分配使用,如果没有用户使用请求,这些资源既
不能被其他用户再次预留,也不能分配给已预留者使用。
因此,资源预留会降低资源的利用率,用户预留请求拒绝数也会不断增多[8~11]。
因此本文在研究虚拟资源预留策略的同时,引入了资源借入/借出策略,提高资源利用率及降低请求拒绝数。
资源预留借入/借出调度策略:
通过对消费实体引入借入/借出调度策略,可以解决预留资源利用率降低和预留资源负载的问题。
允许消费实体在没有完全利用预留资源的情况下,借出闲置预留资源,给其他同级且属于相同上层消费实体的其他消费实体及上层消费实体和下层消费实体;同时也可以在预留资
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 论文总结 论文 总结