Page 328 - 《软件学报》2020年第12期

3994 Journal of Software 软件学报 Vol.31, No.12, December 2020

Capacity DRF Fair FIFO FGM
100%

累积完成作业数百分比 60%
80%

40%

20%

0%

0 200 400 600 800 1000 1200

作业完成时间(s)
Fig.10 CDF of job completion times in the dedicated environment using offline workload
图 10 离线负载独享环境作业完成时间累积分布图

各算法在离线负载独享环境中的负载完成时间如图 11 所示.图中测试结果显示,FGM 相对其他 4 种对比算
法取得了 19.47%~27.94%不等的性能提升.这证实了该方法可以有效提高独享环境下,离线负载的资源利用率
和负载性能.
1100
1000
负载完成时间(s) 900

800
700
600

500
Fair DRF FIFO Capacity FGM
Fig.11 Completion times of offline workloads in the dedicated environment
图 11 离线负载独享环境负载完成时间

4.3 在线负载独享环境测试
图 12 所示为在线负载独享环境下各算法的任务平均完成时间,从测试结果可以看出:FGM 的小任务平均
完成时间相较其他算法略有增加,增加的幅度在 1.83s~5.45s 之间.这是由于两方面原因共同造成的:一方面,细
粒度资源匹配过程中对任务资源需求进行一定程度的压缩;另一方面,小任务执行时间短、对资源压缩较为敏
感.FGM 的大任务平均完成时间相较其他算法减少 6.84s~39.02s 不等.原因包括以下 3 个方面:首先,任务执行过
程中资源压缩并不是持续存在的,大任务执行时间长,对资源压缩不敏感;其次,细粒度资源匹配算法细化了资
源匹配的粒度,提高了资源的匹配程度;最后,FGM 将压缩控制在一定程度内,并采取监控资源使用、调度约束检
查、调度策略调整等机制,避免了严重资源竞争.小任务和大任务的平均完成时间再次证实了资源压缩对执行
时间较短的任务或作业影响更大的结论.FGM 的任务完成时间相对其他算法略有增加,幅度在 1.2s~3.53s 之间.
任务平均完成时间的增加并不一定意味着性能的下降,这是因为细粒度资源匹配、资源压缩分配等机制一定程
度上提高了服务器上可并行执行的任务数量,可以优化整体性能.
独享环境中,各算法对不同数据量在线负载取得的完成时间如图 13 所示.图中测试结果曲线表明:FGM 对
负载的性能提升效果随负载输入数据量增大而显著,最终达到 31%左右.这是由于负载输入数据量一定程度上