Page 330 - 《软件学报》2020年第12期

3996 Journal of Software 软件学报 Vol.31, No.12, December 2020

最长完成时间为 1 000s 左右,其他算法的作业最长完成时间均远大于此.

Fair DRF FIFO Capacity FGM
1

0.8
公平性

0.6

0.4
0 20 40 60 80 100
Fig.14 Resource fairness results of online workload in the cloud environment
图 14 在线负载云环境公平性

400
Small Average Large

350
300
完成时间(s) 250
200
150
100

5

0
Capacity DRF Fair FIFO FGM
Fig.15 Average completion time of tasks in the cloud environment using the online workload
图 15 在线负载云环境任务平均完成时间

500

作业平均完成时间(s) 300
400

200

100

0
Fair DRF FIFO Capacity FGM
Fig.16 Average completion time of jobs in the cloud environment using online workload
图 16 在线负载云环境作业平均完成时间

在线负载云环境不同数据量负载的完成时间如图 18 所示.对比图 13 观察,可以发现:云环境的负载完成时
间相比独享环境中相同数据量负载完成时间普遍大幅增加,且负载数据量越大完成时间增加越明显.FGM 取得
的优化效果与之前测试中的趋势相同:优化效果随负载数据量增大而增加.不同的是,FGM 最终取得 57.48%~
62.4%的提升,相比之前环境中的优化效果更明显.这是由多方面原因共同导致的:首先,FGM 通过细粒度资源匹
配、资源需求压缩等方式提高了集群资源的利用率;其次,FGM 通过感知服务器计算资源可用性、调整服务器
调度策略等方式避免了激烈的资源争用,从而降低长作业完成时间受影响程度;最后,其他对比算法受到环境中
其他应用的影响,长作业完成时间大幅增加导致负载完成时间大幅增加,凸显了 FGM 的优化效果.根据图 18 中