Page 327 - 《软件学报》2020年第12期

周墨颂 等:一种云环境中的动态细粒度资源调度方法 3993

两方面的匹配粒度.略微增加的平均响应时间使得 FGM 相较 DRF 提升了资源利用率和负载性能,相较 Fair 还
拥有更优异的资源公平性.因此,本文认为,FGM 在调度响应中增加的时间代价是可以接受的.
Fair DRF FIFO Capacity FGM
1

0.8
公平性

0.6

0.4
0 20 40 60 80 100

Fig.7 Resource fairness results of offline workload in the dedicated environment
图 7 离线负载独享环境公平性

1E+6

平均响应时间(ms) 1E+4
1E+5

1E+3

1E+2
Fair DRF FIFO Capacity FGM
Fig.8 Average response time of scheduling in the dedicated environment using offline workload
图 8 离线负载独享环境平均调度响应时间

离线负载独享环境下各算法的作业平均完成时间及其累积分布分别如图 9 和图 10 所示.图 9 中测试结果
显示,FGM 的作业平均完成时间相对于其他 4 种对比方法分别提升 30.92%,34.49%,52.09%,19.97%.从图 10 的
完成时间累积分布图可以看出:FGM 相较 Fair,DRF 算法对于离线负载中完成时间小于 100s 的作业方面并无优
势,FGM 中压缩资源的优化方式对作业的执行时间有所影响.而对于所需完成时间大于 100s 的作业,FGM 的优
势逐渐体现,并在 150s 左右超过其他算法的作业完成率.这说明 FGM 中资源压缩和细粒度匹配等优化方式对
于执行时间较长的作业更加友好.最终,FGM 最长作业完成时间只需 600s 左右,大幅领先各种对比算法.由于负
载完成具有长尾现象,负载完成时间与执行时间长的作业也很大关系,因此缩短长作业的完成时间更有利于优
化负载完成时间.

400
作业平均完成时间(s) 300

200
100

0
Fair DRF FIFO Capacity FGM
Fig.9 Average completion time of jobs in the dedicated environment using offline workload
图 9 离线负载独享环境作业平均完成时间