数据密集云中资源与任务的协同匹配和动态优化研究

This project is about cooperative matching and dynamic optimization between resources and tasks in data-intensive cloud computing. Main contents to be researched include: (1) A hierarchical resource model, including the capability model discribing a class of resources and the provisioning model discribing resources distribution. (2) A resource matching and selection method based on multi-QoS and a precise recommendation method, pushing the optical resource(s) to the task(s) step by step. (3) A parallel task model, including the description model for tasks and their resource requirments, and the workload model describing task distribution. (4) A parallel task scheduling method cooperating with resouce management. The purpose of this project is to build a complete architecture for cooperative management of cloud resources and tasks, which breaking the limitation of performance improvement of cloud systems whose resource management and task scheduling work separately. The expecting results of the project are meaningful for the following potential application areas, such as cloud computing and Internet +, etc., and also provide the references for service provisioning in PaaS.

课题研究数据密集云中资源与任务的协同匹配和动态优化：（1）建立云资源描述模型，包括描述一类云资源的能力模型和描述各类云资源分布的供应模式模型，解决云资源描述不一致问题；（2）基于上述模型，研究云资源匹配、选择和精准推荐方法，三种方法协同，分层次地将适合的资源与相应的用户任务进行匹配，解决云资源弹性供应问题；（3）建立并行云任务模型，包括描述云任务自身特征和对云资源需求的模型，以及描述所有云任务分布的负载模型，解决数据密集云中并行云任务模型普遍缺乏的问题；（4）研究与云资源管理协同的并行云任务调度方法，解决调度动态优化问题。课题拟建立云资源与云任务协同管理体系，克服孤立进行资源管理与任务调度策略在提高云计算系统全局性能上的局限性。研究结果对满足内蒙古自治区云计算、互联网+等应用需求具有重要意义，并可为PaaS层服务供应提供研究和实践参考。

研究数据密集云中资源与任务的协同匹配和动态优化：（1）在云服务级别上描述云资源，称为云服务生成模型，该模型不仅能够形式化地描述基础服务，还能够根据用户需求寻找基础服务的最优化组合，生成满足用户个性化需求的新的云服务。解决了只能推荐已有服务的局限和服务长尾问题，可以更好地指导云服务商生成新服务满足用户个性化需求，缩短用户生态闭环，获得更大利润。（2）建立并行云任务模型，称为云应用负载抽象层次模型，由云应用抽象层次模型和负载变化抽象层次模型组成。为生成变化模式多样的多应用混合负载提供了理论基础。基于云负载抽象模型和实例化后的负载模型生成的负载，给出了不受应用类型、负载变化模式和云资源类型限制的云资源预测算法，为云资源精准的前瞻性预测和弹性调整提供了重要的理论指导和实用方法。（3）提出了云服务弹性推荐模型和方法，保证服务精准推荐并提高系统的可扩展性。弹性推荐不是重复推荐或者反复推荐，而是根据用户实时行为和隐式反馈来判断当前推荐是否满足用户需求，如若不满足需求，则根据上次推荐结果生成修正、调整后的再次推荐。该方法使用了更细力度的云用户特征和反馈，使推荐服务更为精准；提供更多的推荐策略，提高了推荐系统的可扩展性。（4）提出了一种云任务并行调度方法，该方法结合任务执行时间预测、动态云任务调度模型和任务调度算法以提高任务在异构云环境中的调度效率。动态云任务调度算法是一种两阶段进化的算法，第二阶段使用多目标进化算法在第一阶段任务调度过程产生的空间间隙中进行精细调度，进一步提升异构云平台的任务调度效率。上述研究努力建立云资源与云任务协同管理体系，克服孤立进行资源管理与任务调度策略在提高云计算系统全局性能上的局限性。研究结果对满足内蒙古自治区云计算、互联网+等应用需求具有重要意义，并可为PaaS层服务供应提供研究和实践参考。