基于容器技术的云工作流任务与虚拟化资源协同自适应调度研究

Focused on the task allocation and resource supply, which are the key steps of the cloud workflow execution, we investigate the co-adaptive tasks scheduling theory, the key technologies and methods of the multi-workflow tasks in container-cluster granularity and virtualized container resources, by using the high-performance machine learning algorithms and multi-agent technologies under a cloud computing environment, where a container is used as a new virtual basic unit, so as to balance the maximum interests of both supply and demand of cloud services in the premise of meeting the User Service Level Agreements. We center on: (1) Multi workflow tasks allocation under different service requirements, including initial task priority setting, dynamic adjustment while running, and load balancing between the containers. (2) Multi workflow resources supplies under different service requirements, including generating container resource and optimizing deployment. (3) Co-adaptive scheduling mechanisms of cloud workflow tasks and virtualized container resources, including the logic between multi-agent organization and container clusters, adaptive scheduling mechanism under multi-agent collaboration, improved high-performance Sarsa learning mechanism. (4) Prototype verification system, to build a test bed to verify the validity and superiority of the theory, techniques and methods proposed in this project.

本课题围绕任务分配和资源供给这两个云工作流执行过程中的关键步骤，研究以容器为新型虚拟化基本单元的云计算环境下，利用高性能机器学习算法和多agent技术，以容器簇为粒度进行多工作流任务和虚拟化容器资源协同自适应调度的理论问题、关键技术和方法，以确保在满足用户服务等级协议前提下，最大程度实现云服务供需双方的利益均衡。重点研究：(1)研究不同服务质量需求下的多工作流任务分配，包括任务优先级的初始设置、运行中的动态调整、容器间的负载均衡。(2)研究不同服务质量需求下的多工作流资源供给，包括容器资源的生成、优化部署。(3)研究云工作流任务与虚拟化容器资源协同自适应调度机制，包括多agent社会与容器簇的逻辑关系、多agent社会下的协同和自适应调度机制、Sarsa强化学习的高性能改进机制。(4)开发原型验证系统，构建试验床，验证本课题所提出的理论、技术和方法的有效性和优越性。

本课题围绕任务分配和资源供给这两个云工作流执行过程中的关键步骤，研究以容器为新型虚拟化基本单元的云计算环境下，利用高性能机器学习算法和多agent技术，以容器簇为粒度进行多工作流任务和虚拟化容器资源协同自适应调度的理论问题、关键技术和方法，以确保在满足用户服务等级协议前提下，最大程度实现云服务供需双方的利益均衡。重点研究：(1)研究不同服务质量需求下的多工作流任务分配，包括任务优先级的初始设置、运行中的动态调整、容器间的负载均衡。(2)研究不同服务质量需求下的多工作流资源供给，包括容器资源的生成、优化部署。(3)研究云工作流任务与虚拟化容器资源协同自适应调度机制，包括多agent社会与容器簇的逻辑关系、多agent社会下的协同和自适应调度机制、机器学习的改进机制。(4)开发原型验证系统，构建试验床，验证本课题所提出的理论、技术和方法的有效性和优越性。