顾及时空计算复杂度的云资源动态扩展和负载均衡研究

Cloud computing is increasingly used in geographical domain to deal with data intensity and computing intensity challenges. The emerging of big geographical data and timely decision support call for high performance processing, thus pressing the optimization of cloud computing by considering the characteristics of geographical data and applications, i.e., spatiotemporal complexity. We propose to quantify the spatiotemporal computing complexity to optimize cloud computing within the context of big geographic data and intensive geocomputation. Relevant key technologies will be developed with a computing resource-scheduling model, an auto-scaling mechanism, and a load balancing strategy by considering the spatiotemporal patterns of applications, users, data, and computing resources. We expect this “spatiotemporal computing complexity model for auto-scaling mechanism and load balancing strategy” to provide fundamental support for addressing big data and decision support solutions in geographical domain. This research results could also be used to optimize cloud computing in support of geographical science research and smart city development.

数据密集与计算密集的地学领域复杂时空计算的高性能需求，对云资源的进一步优化提出了迫切需求和技术挑战。研究聚焦于顾及时空计算复杂度的云资源优化研究，针对时空计算复杂度难以量化、数据与计算密集环境下计算资源难以优化等问题，构建时空计算复杂度量化指标体系和度量模型，突破顾及时空计算复杂度的云资源动态调度模型、自动扩展机制和负载均衡策略等关键技术，形成“时空计算复杂度度量模型-动态扩展机制-负载均衡策略”耦合的时空信息云平台优化框架，为时空信息云平台面临的复杂时空计算提供更强大的计算能力，为突破地学领域复杂时空计算面临的瓶颈提供新的解决思路，对地学领域研究和智慧城市建设具有重要的科学意义和实践价值。

本项目针对数据密集与计算密集的地学领域复杂时空计算的高性能需求，聚焦研究顾及时空计算复杂度的云资源优化研究，针对时空计算复杂度难以量化、数据与计算密集环境下计算资源难以优化等问题开展了研究工作。主要研究工作可概括为以下五方面：一是针对时空数据和时空计算算法的复杂度进行度量研究，建立了复杂度度量指标体系；二是根据时空计算复杂度指标建立了时空计算算法复杂度度量模型和空间数据复杂度度量模型；三是建立了顾及时空计算复杂度的云资源动态调度模型，指导时空计算中的资源监控与分配；四是提出了基于云资源动态调度驱动下的自动扩展机制；五是提出了形成“时空计算复杂度度量模型-动态扩展机制-负载均衡策略”耦合的时空信息云平台优化框架，并开发了原型系统。为时空信息云平台面临的复杂时空计算提供更强大的计算能力，为突破地学领域复杂时空计算面临的瓶颈提供新的解决思路。