可用性网格计算

第38卷第11期2010年11月华南理工大学学报(自然科学版)JournalofSouthChinaUniversityofTechnology(NaturalScienceEdition)Vo1.
38No.
11November2010文章编号:1000—565X(2010)11-0122.
06一种可用性增强的计算网格作业执行模型木胡周君胡志刚(中南大学信息科学与工程学院,湖南长沙410083)摘要:为增强服务网格中的用户QoS水平,文中针对由大量可用性不高的资源组成的网格环境,提出了可用性增强的作业执行服务(AJES)的概念及确定方法,基于该概念提出了可用性增强的作业执行模型(Availability-enhancedModelforJobExecution,AMJE),通过将AJES中多个网格节点的资源分配给作业冗余执行,以增强其可用性.
在AMJE中,不同参与方根据各自利益进行博弈,求得了折中的AJES可用性阂值.
实验结果表明,文中提出的作业服务模型能显著提高资源收益,增强用户QoS的保障水平,且对于可用性动态变化的网格环境具有更好的适应性.
关键词:计算网格;可用性;服务质量;作业执行模型中图分类号:TP393doi:10.
3969/j.
issn.
1000-565X.
2010.
11.
022作为下一代并行与分布式计算平台,网格聚集大量各种各样的异构资源解决大规模科学计算与工程应用问题J.
在这样一个多样化、动态和自治的网格环境中,网格资源可能由于软硬件故障、安全、资源提供者或网格组织的自主使用策略等多种因素导致资源不可用.
大量研究者对实际网格系统的资源可用性进行跟踪与监控,并分析资源可用性对系统性能的影响后表明.
:(1)网格资源保持较高的不可用频率,这对任务的执行结果产生较大的负面影响;(2)考虑资源可用性的任务调度系统其性能能够显著上升.
因此,如何针对网格资源可用性的定量特性设计可用性增强的作业执行模型是以用户QoS(在本文中主要是指任务的截止时间)保障为目标的服务网格环境中一个新的挑战.
面向QoS的网格任务调度与资源分配问题关键在于资源动态可用能力和可用性实时信息的掌握.
目前,针对网格资源分配问题有大量的研究工作.
Legion系统通过基于资源预留机制的Enactor组件分配资源,存在本地任务QoS难以保障以及资源利用率低下等缺点.
Czajkowski、Foster为Glo—bus系统设计了一个自动与交互式的资源分配框架.
Nimrod/G71系统基于计算经济思想管理和分配资源.
在该系统中,基于截止时间和费用QoS提出了3种启发式算法:费用优化、时间优化和保守时间优化的自适应优化,这些算法以其中一个QoS参数为约束条件,以另一个QoS参数为优化目标,实际上是一种单目标优化问题.
加州大学的Every—Wares一在处理协同任务调度时针对各类异构的网格资源定义了一组抽象的访问和控制接口Lingua.
Franca,有效地屏蔽了协同任务调度的复杂性,但其自身并不能提供义寸上层任务服务质量需求的保证.
当前,经济模型如博弈论、拍卖机制等在网格资源分配问题中得到了广泛的应用J,这些研究大多数基于多个理性利益主体的行为产生相互影响与作用的假设,根据资源提供者或用户的不同目标建立不同的效用函数,并将问题描述为一个博弈过程,通过寻求纳什均衡解达到某一目标,提出了许多有价值的成果如资源分配方案或资源定价策略等.
以上研究均没有针对网格资源的可用性因素考虑资源分配问题.
收稿日期:2009—10—27基金项目:国家自然科学基金资助项目(60970038;60673165)作者简介:胡周君(1982一),男,博士生,主要从事网格计算研究.
E-mail:sunddy.
h@163.
corn第】】期胡周君等:一种可用性增强的计算网格作业执行模型123笔者的前期工作1o-131主要集中在基于资源动态可用能力评估来分配资源或调度任务,文献[14]中对未来一段时间内的资源可用性进行了预测,接着前期工作,文中在文献[14]的基础上研究可用性增强的作业执行模型,以期建立一套完整的基于资源性能评估的网格资源分配和任务调度机制.
与本文相似的是,文献[15—16]在资源分配时考虑了资源的可用性.
其中,文献[15]中根据用户的可用性要求确定执行任务的潜在资源集,将任务调度到高可用作业执行服务(HighlyAvailableJobExe—cutionService,HA—JES)中的1个或多个资源上执行以提高低利用率资源的资源利用率;文献[16]中介绍了一种可用性检查技术(AvailabilityCheckTechnique,ACT)用于检查并更新所需资源的状态,当所需资源均为可用状态时任务开始执行,实验表明,通过引入可用性检查技术可显著提高资源利用率并能减少作业响应时间.
不同的是,文献[15]仅尽力保障用户的QoS要求,没有考虑资源冗余产生的负面影响,文献[16]主要依据资源的定性状态来确定任务的调度对象,而本文则依据资源可用性的定量值来优化配置资源以提高任务使用资源的可用性,并在用户和资源方之间取得平衡.
1可用性增强的作业执行模型基于文献[14]中对未来一段时间内的资源可用性预测结果,从应用的角度出发,为作业执行部署一种高可用服务,以尽量降低由于资源不可用因素给用户QoS保障造成的影响.
图l所示为一种可用性增强的作业执行模型.
假设网格环境中存在Ⅳ个同构的网格节点(Site)(如一组大型机、集群或桌面机等),表示为S(1≤i≤Ⅳ);5包含的资源(或处理器)数目为-,并且存在一个可用性属性n,表示该s,中资源在未来一段时间内的可用性,可根据s中资源可用性历史记录利用文献[14]中预测方法得出.
可用性增强的作业执行服务(AJES)为一组网格节点s,集合,在网格市场环境中,AJES从各资源提供者处购买资源,并根据其收益确定AJES中s的组合方式与资源数目.
引入AJES的目的是:当一个任务调度到某个AJES中的某个节点上执行时,将任务复制到该AJES映射的所有节点上冗余执行,以增强任务执行时所使用资源的可用性,从而保障用户的QoS要求.
元调度器负责对~段时间内多个用户提交的作业协同分配资源,并将任务调度到AJES中所有节点上冗余执行.
图1可用性增强的作业执行模型Fig.
1AvailabiLity—enhancedmodelforjobexecution2AJES确定方法2.
1问题描述根据资源可用性,文中基于冗余思想将多个资源部署到一个虚拟服务AJES中,从而增强执行任务的AJES的可用性,以保障用户的QoS.
假设AJES中包含s个网格节点S(1≤,≤s),则AJES的可用性为.
A=1一II(1一n)(1)=T由于任务在AJES中所有网格节点中的资源上冗余执行,即任务占用AJES中的网格节点相同数量的资源,因此,AJES向其中的每个网格节点购买相同数量的资源.
AJES中资源组合方式和资源数目的确定对网格资源效能的发挥起着关键作用.
AJES中的资源组合方式决定了AJES中的资源数目,但不恰当的资源组合有可能导致AJES中资源数目过多,从而导致冗余执行带来的资源浪费.
因此,AJES中资源组合问题的目标是保障用户的QoS同时又必须降低由于冗余带来的资源浪费.
下面首先给出AJES中资源组合问题的形式化描述,然后证明该问题的复杂性,并提出一个解决该问题的启发式算法.
定义l最大覆盖问题对于给定的一个集合B={n,n,…,.
},找出该集合中元素数最多的若干个子集的集合{,,…,E},并且EnE:(2j(≠,1≤",≤n),rz≥0其中0.
为每个AJES根据其在网格市场中的收益确定的可用性值.
定理1最大覆盖问题是NP完全性问题证明:首先可以证明最大覆盖问题是属于NP的.
因为用一个不确定机可以随机地猜出该问题的一个解,并且可以在多项式时间内验证该解的自治舅曼华南理工大学学报(自然科学版)第38卷性和有效性.
由于需要找出数目最多的子集,并且由该子集中网格节点组成的AJES满足.
A≥a因此,当对应的AJES满足oA≥o时,应停止向中继续添加网格节点,即nA≥max(oA),max(o)为子集数目最多时各个AJEs可用性的上限.
因此,向E中添加元素aj即是在满足口AA)条件下达到n最大的目标.
显而易见,该问题是一们/1背包问题.
由于0/1背包问题的NP完全特性,因此,当约简的问题为一个NP完全问题时,原问题也是NP完全的.
故定理得证.
2.
2AJES确定方法对于NP完全性问题,很自然的想法就是找到一个好的近似算法来解决它.
文中设计了一个AJES确定启发式算法ADH来确定AJES中的网格节点部署方法.
ADH的核心思想是:将网格节点s根据其可用性大小降序排列,将高可用性资源和低可用性资源添加到AJES中直至满足条件口A≥a其中每个AJES可用性阈值0.
根据各自在网格市场中的收益进行博弈来确定.
ADH算法伪码如下:INPUT:GridsiteS(1≤i≤N)anditsavailabilitya;OUTPUT:AJESwithitsmembersite(S){S^l,…,S*,…}.
BeginsortajindescendingorderandputtherespondingsiteSintoaqueueQ;Initializationk=1,AJES=S,(1≤i=≤Ⅳ)whileTRUEdoAJESavailabilitythresholdafI1(k)isdeterminedthroughGamingdescribedinSection4.
3;f0rk=1toNdocalculateavailabilityofAJESusingformula(1);ifa(AJES)End该算法具有如下特点:(1)在当前信任评估机制中,往往根据网格节点执行任务的历史记录评估节点的信任值,对于低可用性的节点,其历史记录数量的缺失使得很难刻画该节点的真正行为,通过将高可用节点与低可用节点放入同一个AJES中冗余执行任务,不但可以增强任务执行的成功率,而且能给行为好或有此趋向的节点提供执行任务的机会,使其提高信任值,从而提高对该资源信任评估的准确程度;(2)算法在不断的博弈过程中运行,当取得稳定的a.
值后,通过ADH确定的AJES为最优状态;(3)由于节点可用性的动态变化,该算法需周期性运行,运行周期可根据网格节点的可用性变化特点确定.
2.
3AJES可用性确定2.
3.
1AMJE中的三方实体博弈在AJME模型中,存在用户、资源和AJES3类实体,各实体从自身利益角度出发进行博弈.
从用户角度看,文中主要集中考虑资源可用性对用户QoS的影响,可忽略资源能力对用户效用的影响.
因此,用户选择资源主要依据资源在给定可用性条件下是否满足其截止时间要求.
从资源角度看,忽略资源能力大小的差异,假定资源以统一的批发价格批发给AJES从而获得一定的效益.
从AJES的角度看,AJES的目的是通过冗余技术增强任务执行所需资源的可用性,以确保满足任务的QoS需求.
由ADH算法可知AJEs可用性越大,用户满意度越高,收益也越高;但随之带来的是资源冗余度越高,需要向更多的资源提供者支付费用.
因此,通过AMJE中三方实体的博弈可求得每个AJES可用性a的最佳值.
AJES效用表示为U=pAq一P∑cj(2)∈D式中:P为AJES的零售价格;为AJES中网格节点的集合;p为资源批发价格,为AJES从组成其网格节点购买资源的数量;q(q≤)表示AJES在第11期胡周君等:一种可用性增强的计算网格作业执行模型网格市场中的需求量.
2.
3.
2AJES可用性求解在3类实体搏弈过程中,文中主要集中求解AJES可用性,对于资源价格P和资源购买数量c的确定则不在本文考虑范围内.
AJES价格p为其可用性口的函数,即pA=p(n),又由于AJES的销售量m为其价格的函数,因此,m为AJES可用性的复函数,令m=m().
于是有U=P(口)m(n)一P∑(3)J∈n1T,A令:0,可得到方程(4),该方程的解即为dUAJES效用最大时AJES可用性.
的最佳值.
pA(0)m(0)+p(n),n:(n)=0(4)例如,假设AJES,的价格函数为p=pA一(p一pAi)n(5)式中,p、pi分别为所有AJES中价格最大值和最小值;同时假设AJES,销售量对其价格的函数为m=b一(6)式中,b、K为常数.
因此,由式(4)可求得(2一b)(pA一pa),、ai—当pA=2a、p…A=0.
5a、b:2a、K=1时,.
=2/3.
在系统实际运行过程中,AJES虽然可以求得其最佳的可用性.
,却无法直接将当前的AJES可用性.
设置为.
,而只能通过网格系统调整ADH算法中每个AJES可用性阈值n各个AJES根据其收益将动态0值提交到网格资源管理中心,资源管理中心运行ADH算法动态部署新的AJES.
3性能评估3.
1仿真实验设计基于GridSim网格模拟器验证提出的作业执行模型AMJE的性能.
模拟的网格系统采用法国的一个实际网格系统——Grid'5000中的相关数据,详细信息见文献[17]中表1,其中,各节点包含的处理器能力和数目有效日期是2006年12月12Et.
资源可用性设置3种场景:(1)根据文献[2]对Grid'5000中资源可用状态监控的历史数据计算得出,并利用文献[14]中的预测方法预测资源未来一段时间内的可用性;(2)假定各资源可用性为场景(1)中资源可用性的0.
9倍;(3)假定各资源可用性为场景(1)中资源可用性的0.
8倍.
假设资源统一批发价格为P;AJES价格与其可用性成正比;AJES的销售量与其价格关系为线性关系,并假设式(6)中的常数b和K分别在[300,500]和[1,2]范围内均匀分布.
用户提交的作业根据文献[18]对Grid'5000中的工作负载档案分析得出结论,作业执行时间服从参数为P的指数分布,实验中模拟P=0.
001(轻负载)、P=0.
003(中等负载)和P=0.
005(重负载)3种不同负载压力对AMJE性能的影响,作业在某天内到达数目J=10,作业的资源需求数量在[100,180]范围内均匀分布,资源供大于求.
作业的截止时间D=ort,其中,t为作业执行时问,为作业截止时间紧迫因子,在[1,3]范围内均匀分布.
模拟实验中,将文中提出的AMJE模型与文献[15]中的HA—JES、文献[16]中的ACT技术进行比较,3种技术中均利用Min·Min调度算法来调度任务.
性能验证指标有:(1)系统总收益,即所有资源提供者的收益之和;(2)作业拒绝率(JRR),即成功完成(QoS得到满足)的作业数量与提交作业总量的比值;(3)作业响应时间(JRT),即从作业开始执行到作业完成执行消耗的时间.
对于每个实验场景重复30次实验,取30次实验的平均结果作为实验结果.
3.
2实验结果与分析3.
2.
1系统总收益比较P=0.
001时不同可用性条件下,3种技术得到的资源提供者总收益况如图2所示.
5O()O450O塑3o00l5OO0高中低可用性图2不同可用性条件下的系统总收益Fig.
2Systemrevenueunderdifferentavailability由图2可见,AMJE模型得到的资源总收益最大,并且随着资源可用性的降低,AMJE模型优势更大,最大比HA—JES提高12.
3%,比ACT提高89.
8%.
因为ACT技术仅在任务调度时检查资源的可用性状态,资源在执行任务的过程中可用状态的动态变化126华南理工大学学报(自然科学版)第38卷导致无法满足用户的QoS需求,从而无法得到用户支付的费用.
HA.
JES虽然将作业复制到多个资源上执行,通过低可用性资源成功执行任务获取一定的费用,但该技术仅从用户QoS的角度确定执行作业的资源集,因此得到的收益比AMJE少.
根据系统总收益的比较可以得出,提出的AMJE模型处理任务的总能力增大,用户QoS保障能力得到增强.
3.
2.
2作业拒绝率比较不同可用性(此时负载为轻)和不同负载(此时可用性为高)条件下3种技术的作业拒绝率如图3所示.
当资源可用性变化时,AMJE、HA—JES、ACT最大波动分别为34.
8%、62.
7%、70.
4%;并且在资源可用性最差时,AMJE优势最大,拒绝率比HA.
JES和ACT分别减少41.
0%、62.
2%.
在不同负载条件下,AMJE、HA.
JES、ACT最大波动分别为15.
2%、47.
7%、55.
1%;并且在资源负载最重时,AMJE优势最大,拒绝率比HA—JES和ACT分别减少48.
9%、72.
7%.
以上数据说明,通过引入AMJE模型,系统能够接纳更多的任务,隐式地增大了系统的总体容量,并且资源可用性和任务负载的变化对AJME影响最小.
因此,对于由大量可用性较差的个人主机等资源和由执行时间长短不一的用户任务组成的网格环境,提出的AJME模型具有更强的适应性.
0.
4000.
4O.
O高中低可用性(a)不同可用性条件下轻3.
2.
3作业响应时间比较不同可用性(此时负载为轻)和不同负载(此时可用性为高)条件下3种技术的作业响应时间如图4所示.
由图4可见,AMJE总能得到较小的作业响应时间,至少比HA.
JES节省9.
3%、比ACT节省29.
7%的时间.
这是因为:基于ACT技术的调度算法可能将作业调度到可用性差的资源上执行,从而延长了作业的完成时间;由HA-JES技术确定的资源组合并非最优;特别是,AMJE对资源可用性变化不敏感,因为在资源供大于求时,AMJE总能组合出符合用户QoS要求的候选资源集.
在图4(b)中,随着负载压力的增加,使用3种技术得到的作业响应时间均有所增加,AMJE的优势越来越明显,因为长任务在失败后重新执行会持续更长的时间跨度.
因此,在高性能科学和工程计算等领域出现的应用场景Et益增多的网格环境中,文中提出的AJME模型具有更强的适应性.
400300昆200、1O0O500400300l一2001000高中低可用性(a)不同可用性条件下轻中重负载(b)不同负载条件下图4作业响应时间比较Fig.
4Comparisonofjobresponsetime重4结语(b)不同负载条件下图3作业拒绝率比较动态网格资源的非完全可用行为是为网格用户提供高满意QoS的一个新挑战.
文中针对网格资源第11期胡周君等:一种可用性增强的计算网格作业执行模型127的可用性特点,提出了可用性增强的作业执行服务的概念及其确定方法,基于该概念提出了可用性增强的作业执行模型,通过将作业调度到AJES包含的1个或多个网格节点中的资源上冗余执行以增强作业所需的可用性.
将模型中的各方根据其效益描述为一个博弈过程,求得了在资源收益和用户QoS之间平衡的AJES可用性值.
实验结果表明,提出的模型在资源收益和用户QoS保障两方面具有增强效果.
下一步工作将主要集中在新的作业执行模型下调度算法的研究.
参考文献:[1]FosterI,KesselmanC.
TheGrid:blueprintforanewcorn—putinginfrastructure[M].
SanFrancisco:MorganKanf-mann,2004:45—63.
[2]IosupA,JanM,SonmezO,eta1.
OnthedynamicresourceavailabilityinGrids[C]//Procofthe8thIEEE/ACMInternationalConferenceonGridComputing(Grid'07).
Texas:IEEEComputerSociety,2007:26—33.
[3]ZhangY,SquillanteMS,SivasubramaniamA,eta1.
Per—fonnaneeimplicationsoffailuresinlarge—scaleclusterscheduling[J].
LectureNotesinComputerScience,2004,3277:233.
252.
[4]LewisM,FerrariAJ,HumpheryMA,eta1.
Suppo~forextensibilityandsiteautonomyintheLegiongridsystemobjectmodel[J].
JournalofParallelandDistributedComputing,2003,63(5):525—538.
[5]CzajkowskiK,FosterI,KesselmanC.
Resourceco—alloca—tionincomputationalgrids[C]//Procofthe8thIEEEInternationalSymposiumonHighPerformanceDistributedComputing(HPDC'99).
RedondoBeach:IEEEComputerSociety,1999:219—228.
[6]FosterI,KesselmanC,LeeC,eta1.
Adistributedresourcemanagementarchitecturethatsupportsadvancereservationandco.
allocationfC]//Proeofthe7thIEEEIntemati0n—alWorkshoponQualityofService(IWQOS'99).
London:IEEEComputerSociety,1999:27—36.
[7]AbramsonD,GiddyJ,FosterI,eta1.
HighperformanceparametricmodelingwithNimrod/G:killerapplicationfortheglobalGrid[C]//ProcoftheInternationalSymposi—umonParallelandDistributedProcessing(IPDPS'00).
Cancun:IEEEComputerSociety,2000:520—528.
[8]WolskiR,BrevikJ,ObertelliG,eta1.
WritingprogramsthatruneverywareonthecomputationalGrid[J].
IEEETransactionsonParalleJandDistributedSystems,2001.
12(10):1066—1080.
[9]KwokYK,HwangK,SongS.
SelfisbGrids:game—theoret—icmodelingandNAS/PSAbenchmarkevaluation[J].
IEEETransactionsonParallelandDistributedSystems,2007,18(5):621—636.
[1O]胡周君,胡志刚,李林.
一种基于性能评估的元任务调度算法[J].
西安交通大学学报,2008,42(8):972.
976.
HuZhou-jun,HuZhi—gang,LiLin.
Performance—evalua—tion—basedmeta—taskschedulingalgorithm[J].
Journal0fXi'AnJiaotongUniversity,2008,42(8):972—976.
[11]胡志刚,胡周君.
计算服务网格中基于服务聚类的元任务调度算法[J].
小型微型计算机系统,2009,30(2):248—254.
HuZhi—gang,HuZhou-jun.
Service—clustering—basedme—ta—taskschedulingalgorithmincomputationalGrids[J].
JournalofChineseComputerSystems,2009,30(2):248—254.
[12]XiaoP,HuZG.
AnovelQoS—basedco—allocationmodelincomputationalGrid[C]∥Procof2008IEEEGLO.
BECOMConference(GLOBECOM'08).
NewOdeans:IEEEComputerSociety,2008:1562—1566.
[13]HuzJ,HuzG,LinzH.
Resourceavailabilityevalna—tioninserviceGridenvironment[C]//Procof2007IEEEAsia—PacificServicesComputingConference(APSCC'07).
Tsukuba:IEEEComputerSociety.
2007:232—238.
[14]胡周君,胡志刚,丁长松.
一种基于灰色模型的资源可用性预测模型[J].
系统仿真学报,2010,22(3):791—795.
HuZhou-jun,HuZhi—gang,DingChang—song.
Amodelforresourceavailabilitypredictionbasedongreymodel[J].
JournalofSystemSimulation,2010,22(3):791—795.
[15]KangW,HowieHH,GrimshawA.
Ahighlyavailablej0bexecutionserviceincomputationalservicemarket[C]∥Procofthe8thIEEE/ACMInternationalConfe—renceouGridComputing(Grid'07).
Texas:IEEECom—puterSociety,2007:275—282.
[16]AzougaghD,YuJL,KimJS,eta1.
Resourceco—alloca.
tion:acomplementarytechniquethatenhancesperfor—nlanccinGridcomputingenvironment[C]//Procofthe11山InternationalConferenceonParallelandDistributedSystem(ICPADS'05).
Fuduoka:IEEEComputerSocie—ty,2005:36—42.
(下转第134页)134华南理工大学学报(自然科学版)第38卷[13][14]SPIE,2007:67864X1—67864X8.
王树良.
基于数据场与云模型的空间数据挖掘和知识发现[D].
武汉:武汉大学测绘遥感信息工程国家重点实验室,2002.
UniversityofCalifornia,Berkeley.
Imagedatasets[EB/OL].
(2007—06—01)[2010—01—25].
http:www.
eecs.
berkeley.
edu/Research/Projects/CS/vision/.
[15]UniversityofGranada.
Imagedatasets[EB/OL].
(2007—06—20)[2010—01—25].
http://decsai.
ugr.
es/cvg/dbimagenes/.
DataField-BasedMethodforImageSegmentationwithTwo.
DimensionThresholdWuTaoQinKunOuLei—haiDuYi(1.
StateKeyLaboratoryofSoftwareEngineering,WuhanUniversity,Wuhan430072,Hubei,China;2.
SchoolofRemoteSensingandInformationEngineering,WuhanUniversity,Wuhan430079,Hubei,China:3.
CommunicationNetworkTechnologyManagementCenter,Beijing100840,China)Abstract:Inordertocorrectlyselecttheoptimalthresholdforimagesegmentation,anovelmethodofimageseg-mentationbasedondatafieldisproposed.
Themethodmapstheimagefromgrayscalespacetotheappropriatepo—tentialspaceindatafield,andmeasurestheinteractionsoftheelementsinthetwo—dimensionhistogrambytakingthefrequencyoftwo-dimensiongrayhistogramasthemassofdatafield,thusgeneratingathree-dimensiondatafield.
Then,byemployingthepotentialcentereliminationandcombination,theoptimalthresholdisdeterminedandgoodsegmentationresultisobtainedwithoutsignificantlyincreasingthetimecomplexity.
Itisindicatedbytheexperimentsforstandardimagedatasetsandsomenoisyimagesthat,asanalternativetoOTSU,theproposedme—thodisreasonableandeffectivewithcertainnoiseresistance.
Keywords:imagesegmentation;threshold;two-dimensionhistogram;datafield;OTSU;complexity(上接第127页)[17]胡周君,胡志刚,丁长松.
基于博弈论健壮性增强的资源分配模型[J].
系统工程理论与实践,2009,29(8):102一l10.
HuZhou-jun,HuZhi—gang,DingChang—song.
Game—theo—ry.
.
basedrobust.
.
enhancedmodelforresourceallocationincomputationalgrids[J].
SystemsEngineering:Theory&Practice,2009,29(8):102—110.
[18]losupA,SonmezO,EpemaD.
ThecharacteristicsandperformanceofgroupsofjobsinGrids[J].
LectureNotesinComputerScience,2007,46(41):382-393.
Availability-EnhancedModelforJobExecutioninComputationalGridsHuZhou-junHuZhi—g0ng(SchoolofInformationScienceandEngineering,CentralSouthUniversity,Changsha410083,Hunan,China)Abstract:Inordertoimprovethequalityofservice(QoS)inservicegridenvironment,theconceptofAvailability—EnhancedJobExecutionService(AJES)anditsconstructingmethodareproposedforthedenvironmentconsis—tingofalargeamountoflow—availabilityresources.
Then,anavailability—enhancedmodelforjobexecution(AM·JE)isderivedfromAJES,whichredundantlyschedulestheresourcestooneormoregridsiteswithinAJES,thusenhancingtheavailabilityrequiredforjobexecution.
InAMJE,differentparticipantsonbehalfoftheirprofitsaredescribedasagame,andabalancethresholdofAJESavailabilityisobtained.
ExperimentalresultsshowthatAM-JEincreasestherevenueofresourceproviders,improvestheQoSlevelforendusers,andexhibitsgoodadaptabilitytodynamicgridenvironment.
Keywords:computationalgrid;availability;qualityofservice;jobexecutionmodel