您当前所在位置: 首页 > 首发论文
动态公开评议须知

1. 评议人本着自愿的原则,秉持科学严谨的态度,从论文的科学性、创新性、表述性等方面给予客观公正的学术评价,亦可对研究提出改进方案或下一步发展的建议。

2. 论文若有勘误表、修改稿等更新的版本,建议评议人针对最新版本的论文进行同行评议。

3. 每位评议人对每篇论文有且仅有一次评议机会,评议结果将完全公示于网站上,一旦发布,不可更改、不可撤回,因此,在给予评议时请慎重考虑,认真对待,准确表述。

4. 同行评议仅限于学术范围内的合理讨论,评议人需承诺此次评议不存在利益往来、同行竞争、学术偏见等行为,不可进行任何人身攻击或恶意评价,一旦发现有不当评议的行为,评议结果将被撤销,并收回评审人的权限,此外,本站将保留追究责任的权利。

5. 论文所展示的星级为综合评定结果,是根据多位评议人的同行评议结果进行综合计算而得出的。

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

上传后印本

( 请提交PDF文档 )

* 后印本是指作者提交给期刊的预印本,经过同行评议和期刊的编辑后发表在正式期刊上的论文版本。作者自愿上传,上传前请查询出版商所允许的延缓公示的政策,若因此产生纠纷,本站概不负责。

发邮件给 王小芳 *

收件人:

收件人邮箱:

发件人邮箱:

发送内容:

0/300

论文收录信息

论文编号 201901-220
论文题目 基于排队模型和强化学习的动态云任务调度算法
文献类型
收录
期刊

上传封面

期刊名称(中文)

期刊名称(英文)

年, 卷(

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

编者.论文集名称(中文) [c].

出版地 出版社 出版年-

编者.论文集名称(英文) [c].

出版地出版社 出版年-

上传封面

期刊名称(中文)

期刊名称(英文)

日期--

在线地址http://

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

英文作者写法:

中外文作者均姓前名后,姓大写,名的第一个字母大写,姓全称写出,名可只写第一个字母,其后不加实心圆点“.”,

作者之间用逗号“,”分隔,最后为实心圆点“.”,

示例1:原姓名写法:Albert Einstein,编入参考文献时写法:Einstein A.

示例2:原姓名写法:李时珍;编入参考文献时写法:LI S Z.

示例3:YELLAND R L,JONES S C,EASTON K S,et al.

上传修改稿说明:

1.修改稿的作者顺序及单位须与原文一致;

2.修改稿上传成功后,请勿上传相同内容的论文;

3.修改稿中必须要有相应的修改标记,如高亮修改内容,添加文字说明等,否则将作退稿处理。

4.请选择DOC或Latex中的一种文件格式上传。

上传doc论文   请上传模板编辑的DOC文件

上传latex论文

* 上传模板导出的pdf论文文件(须含页眉)

* 上传模板编辑的tex文件

回复成功!


  • 0

基于排队模型和强化学习的动态云任务调度算法

首发时间:2019-01-30

赵翌欢 1   

赵翌欢(1993-),女,硕士研究生,主要研究方向:云计算

丁丁 1   

丁丁(1980-),女,副教授,博导,主要研究方向:云计算、并行与分布式计算

郭欣欣 1    康凯旋 1   
  • 1、北京交通大学计算机与信息技术学院,北京 100044

摘要:作为云计算的核心问题之一,如何有效地管理和调度云计算资源是一个极具挑战性的研究课题。在异构云环境中,为了提高任务调度效率,最小化任务响应时间,降低能耗,本文提出了一种基于排队模型和强化学习的动态云任务调度算法QTPRL(Dynamic Cloud Task Scheduling Algorithm Based on Queue Theory and Pre-processed Reinforcement Learning)。该算法首先基于 M/M/S 排队模型对云任务调度进行建模,采用单队列多资源池的设计思路,将任务分发到空闲的资源池(物理机)去执行,减少了任务等待队列的长度,从而减少了任务的等待时间。在此基础上,将任务长度、任务的截止时间和等待时间相结合,构建动态优先级,对任务进行预处理,并使用强化学习的方法将任务分配到不同物理机空闲的虚拟机上,完成任务调度。实验结果表明,与传统的云任务调度方法相比,本文提出的算法可以有效减少任务的响应时间,提高资源利用率,并降低系统能耗。

关键词: 云计算 任务调度 排队模型 强化学习 能耗

For information in English, please click here

A Dynamic Cloud Task Scheduling Based on Queue Queue and Pre-processed Reinforcement Learning

ZHAO Yihuan 1   

赵翌欢(1993-),女,硕士研究生,主要研究方向:云计算

DING Ding 1   

丁丁(1980-),女,副教授,博导,主要研究方向:云计算、并行与分布式计算

GUO Xinxin 1    KANG Kaixuan 1   
  • 1、School of Computer and Information Technology, Beijing Jiaotong University, Beijing 100044

Abstract:As one of the key issues in cloud computing, it is an extremely challenging research topic to manage and schedule cloud resources. To achieve lower task response time and higher resource utilization in heterogeneous cloud environment, a dynamic cloud task scheduling algorithm based on Queue Theory and Pre-processed Reinforcement Learning(QTPRL) is proposed in this paper to make task scheduling more energy efficient. Firstly, this method builds task scheduling model based on M/M/S queuing model which adopts the design of a single queue and multi-resource pool to submit tasks to the idle resource pool (physical machine) un-uniformly, reducing the length of waiting queue and the waiting time of tasks. On this basis, a dynamic priority is conducted in the related queues by combining the length, deadline and waiting time of tasks to complete pre-processing. Finally, a kind of reinforcement learning method is used to assign tasks to an idle virtual machine on different physical machines. Simulation experiment results show that our scheduling scheme can outperform on the average response time, resource utilization, and the energy consumption compared to most of traditional methods.

Keywords: cloud computing task scheduling queuing model reinforcement learning energy saving

Click to fold

点击收起

论文图表:

引用

导出参考文献

.txt .ris .doc
赵翌欢,丁丁,郭欣欣,等. 基于排队模型和强化学习的动态云任务调度算法[EB/OL]. 北京:中国科技论文在线 [2019-01-30]. http://www.paper.edu.cn/releasepaper/content/201901-220.

No.****

动态公开评议

共计0人参与

动态评论进行中

评论

全部评论

0/1000

勘误表

基于排队模型和强化学习的动态云任务调度算法