Page 114 - 《软件学报》2021年第12期

3778 Journal of Software 软件学报 Vol.32, No.12, December 2021

(a) (b)

Fig.5 Comparison of disk utilization after scheduling computing tasks by MaOEA/C [23] and GHSA_di/II
图 5 MaOEA/C 算法 [23] 和 GHSA_di/II 算法调度计算密集型任务后的硬盘利用率对比
3.3.2 数据密集型实时任务集的异构调度实验结果及分析
对于数据密集型任务,每个应用实例同样被划分成 20 000 个子任务,并将虚拟机数量设置为 5 000.
• 如图 6(a)、图 7(a)所示:与计算密集型实时调度情形类似,经 MaOEA/C 算法 [23] 调度后,异构处理器和硬
盘利用率之间没有明显差异;
• 反之,从图 6(b)、图 7(b)分析,GHSA_di/II 算法得到的调度优化解显示:200 个计算集群 3 种异构处理器
的资源利用率可分别接近 0.8,0.6 和 0.4,相应硬盘的资源利用率可分别接近 0.75,0.6 和 0.45,皆在相应
的理论最优值范围内.
两组对比数据说明,GHSA_di/II 算法具有考量两类密集型任务对硬盘存储硬件不同偏好的性能优势.这进
一步显示,软硬件节能原理深度融合可给实时异构调度算法带来有效的绿色感知优化效果.

(a) (b)
Fig.6 Comparison of CPU utilization after scheduling data intensive tasks by MaOEA/C [23] and GHSA_di/II
图 6 MaOEA/C 算法 [23] 和 GHSA_di/II 算法调度数据密集型任务后的处理器利用率对比