Page 331 - 《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 3997

的测试结果,我们可以得出结论:FGM 可以在云环境下提高资源利用,优化负载完成时间.

Capacity DRF Fair FIFO FGM
100%

累积完成作业数百分比 60%
80%

40%
20%

0%
0 500 1000 1500 2000 2500 3000 3500 4000

作业完成时间(s)
Fig.17 CDF of job completion times in the cloud environment using online workload
图 17 在线负载云环境作业完成时间累积分布图

Fair DRF FIFO Capacity FGM

4000

负载完成时间(s) 2000
3000

1000

0
5 100 150 200 250 300 350 400
数据量(GB)

Fig.18 Completion times of online workloads in the cloud environment
图 18 在线负载云环境负载完成时间
5 结 论

针对云计算资源管理平台中使用固定资源量的粗粒度分配方式引起的资源碎片、不良共享、过度分配及
限制集群资源利用率的问题,本文提出了一种细粒度资源调度方法.该方法推测任务资源需求量,并将任务划分
为若干执行阶段;在资源分配中兼顾公平性和数据本地性,分阶段考虑资源需求、资源特性等因素,细化分配粒
度,提高资源利用率,解决上述问题;采用分配前检查调度约束条件、运行时监控资源使用状态、动态调整调度
策略等机制,调节资源匹配及资源压缩,保证资源利用效率和负载性能.在多种测试环境下,采用不同负载对本
文工作进行验证,测试结果显示:本文提出的细粒度资源调度方法最高使独享环境下离线及在线负载的负载完
成时间分别减少 27%和 31%左右;使云计算共享环境下在线负载完成时间减少 60%左右.因此,该方法可以在不
丧失公平性、调度响应时间可接受的前提下有效地细化资源分配粒度,提高云计算平台资源利用效率.
在未来的研究工作中,我们计划在细粒度资源调度方法中增加匹配资源的种类,进一步提高匹配程度.

References:
[1] Reiss C, Tumanov A, Ganger GR, Katz RH, Kozuch MA. Heterogeneity and dynamicity of clouds at scale: Google trace analysis.
In: Proc. of the 3rd ACM Symp. on Cloud Computing. 2012.
[2] Staples G. TORQUE resource manager. In: Proc. of the 2006 ACM/IEEE Conf. on Supercomputing. 2006.