Fluctuation-Aware and Predictive Workflow Scheduling in Cost-Effective Infrastructure-as-a-Service Clouds
Fluctuation-Aware and Predictive Workflow Scheduling in Cost-Effective Infrastructure-as-a-Service Clouds
复制标题
经济高效的基础设施即服务云中的波动感知和预测工作流调度
DOI：
10.1109/access.2018.2869827
复制
发表时间：
2018-09
期刊：
影响因子：
--
通讯作者：
朱庆生
中科院分区：
文献类型：
--
作者：
李蔚凌;夏云霓;周孟初;孙晓宁;朱庆生
云计算正在成为执行科学应用程序（如科学工作流程）的越来越受欢迎的平台。与网格和其他传统的高性能计算系统相比，云提供了可定制的基础设施，其中科学工作流可以在执行之前提供所需的资源，并在虚拟机（VM）上设置所需的软件环境。然而，各种挑战，特别是其服务质量预测和优化调度，尚未得到解决。现有的研究主要考虑工作流任务执行的虚拟机具有时不变的，随机的，或有界的性能，并专注于最大限度地减少工作流的执行时间或执行成本，同时满足服务质量的要求。这项工作考虑了时变性能，旨在最大限度地减少部署在云结构即服务云上的工作流的执行成本，同时满足与用户的服务级别协议。我们采用基于时间序列的方法来捕捉动态性能波动，饲料的遗传算法与虚拟机的预测性能，并在运行时生成时间表。基于真实世界的第三方IaaS云和一些著名的科学工作流的案例研究表明，我们提出的方法优于传统方法，特别是那些只考虑时间不变或有限性能的方法。
Cloud computing is becoming an increasingly popular platform for the execution of scientific applications such as scientific workflows. In contrast to grids and other traditional high-performance computing systems, clouds provide a customizable infrastructure where scientific workflows can provision desired resources ahead of the execution and set up a required software environment on virtual machines (VMs). Nevertheless, various challenges, especially its quality-of-service prediction and optimal scheduling, are yet to be addressed. Existing studies mainly consider workflow tasks to be executed with VMs having time-invariant, stochastic, or bounded performance and focus on minimizing workflow execution time or execution cost while meeting the quality-of-service requirements. This work considers time-varying performance and aims at minimizing the execution cost of workflow deployed on Infrastructure-as-a-Service clouds while satisfying Service-Level-Agreements with users. We employ time-series-based approaches to capture dynamic performance fluctuations, feed a genetic algorithm with predicted performance of VMs, and generate schedules at run-time. A case study based on real-world third-party IaaS clouds and some well-known scientific workflows show that our proposed approach outperforms traditional approaches, especially those considering time-invariant or bounded performance only.
登录
查看更多内容
支持迁移且容易出错的云的随机建模和性能分析
DOI：
10.1109/tii.2015.2405792
发表时间：
2015-02
期刊：
IEEE Trans. Industrial Informatics
影响因子：
--
作者：
夏云霓;周孟初;罗辛;庞善臣
通讯作者：
庞善臣
基于时间序列分析的云服务多值协同QoS预测
DOI：
10.1016/j.future.2016.10.012
发表时间：
2017-03
影响因子：
7.5
作者：
Ma Hua;Zhu Haibin;Hu Zhigang;Tang Wensheng;Dong Pingping
通讯作者：
Dong Pingping
DOI：
10.1109/jas.2017.7510406
发表时间：
2017-04
期刊：
IEEE/CAA Journal of Automatica Sinica
影响因子：
--
作者：
Ning Ran;H. Su;Shouguang Wang
通讯作者：
Ning Ran;H. Su;Shouguang Wang
DOI：
10.1016/j.jpdc.2011.01.008
发表时间：
2011-06
期刊：
J. Parallel Distributed Comput.
影响因子：
--
作者：
Eun-Kyu Byun;Yang-Suk Kee;Jin-Soo Kim;E. Deelman;S. Maeng
通讯作者：
Eun-Kyu Byun;Yang-Suk Kee;Jin-Soo Kim;E. Deelman;S. Maeng
影响因子：
6.5
作者：
R. Ghosh;F. Longo;Flavio Frattini;S. Russo;Kishor S. Trivedi
通讯作者：
R. Ghosh;F. Longo;Flavio Frattini;S. Russo;Kishor S. Trivedi