An Uncertainty-aware Evolutionary Scheduling Method for Cloud Service Provisioning（一）

An Uncertainty-aware Evolutionary Scheduling Method for Cloud Service Provisioning（种不确定性的云服务供应进化调度方法）（6）理解之一

摘要

它旨在处理执行过程中的不确定性并更新调度，从而满足截止日期并优化云应用程序的执行成本。我们的方法包括两个阶段，即基线调度（1）和执行期间的进化调度（2）。
在基线调度中，我们建议基于反向拍卖（3）的定价机制来进行服务供应。
在进化调度中，考虑具有三种不确定性的不确定模型，并讨论了四个不确定事件。因此，基于中间工作流提出了进化调度策略，以获得全局最优调度，从而提高了云应用执行的成功率。

注：（1）基线(Baseline)：基线是软件文档或源码(或其它产出物)的一个稳定版本,它是进一步开发的基础。所以,当基线形成后,项目负责SCM的人需要通知相关人员基线已经形成,并且哪儿可以找到这基线了的版本。这个过程可被认为内部的发布.至于对外的正式发布,更是应当从基线了的版本中发布。

引用：https://blog.csdn.net/meng0601/article/details/52914589?utm_source=blogxgwz0
基线管理：https://blog.csdn.net/huahuaspy/article/details/42214661

（2）进化策略(Evolutionary Strategies,ES)是由德国的I. Rechenberg和HP. Schwefel于1963年提出的。ES作为一种求解参数优化问题的方法，模仿生物进化原理，假设不论基因发生何种变化，产生的结果（性状）总遵循零均值、某一方差的高斯分布。
进化策略算法思想：https://wapbaike.baidu.com/item/进化策略

（3）逆向拍卖（Reverse auction）也称为反向拍卖、出价（bidding）或招标（tendering）系统，有别于传统的正向拍卖的一卖方多买方形式，逆向拍卖指一种存有一位买方和许多潜在卖方的拍卖形式。
https://baike.baidu.com/item/逆向拍卖/5256824?fr=aladdin&fromtitle=%E5%8F%8D%E5%90%91%E6%8B%8D%E5%8D%96&fromid=3630803

1.Introduction

本文提出了一种用于云服务供应的具有不确定性的进化调度方法。它旨在处理云应用程序执行过程中的不确定性，以便在截止日期前完成并优化成本。本文的主要贡献如下：
1、调度算法中采用了基于反向拍卖的服务提供机制，以将每个任务有效地映射到异构候选云服务上。
2、在进化调度方法中，考虑并讨论了不确定模型和四个不确定事件。创建用于重新调度的中间工作流，以获得全局最佳调度，并提高云应用程序执行的成功率。
3、为了评估我们的建议的有效性，设计并进行了实验以证明我们方法的性能。实验结果表明，该方法具有一定的可扩展性和不确定性。

2. 初步知识

A.应用模型

直接非循环图G =（T，E）来建模云工作流应用程序。
每个依赖关系的形式为边ei,j =（ti，tj），它表示任务ti在开始任务tj之前应完成执行的优先约束。

B.调度的基本概念：

任务ti的最早开始时间：

其中MT（tj）是最快候选服务上任务tj的最小执行时间。
P（ti）代表ti的父母，
DT（ti，tj）是ti与tj之间的数据传输时间。

任务ti的最早完成时间：EFT（ti）
任务ti的最迟完成时间：LFT（ti）

3.不确定性进化调度方法

如图所示，我们的方法包括两个阶段：基线调度阶段和进化调度阶段。

基线调度（第III-A节）基于部分关键路径策略和基于反向拍卖的供应机制。它旨在为云应用程序的每个任务预先分配适当的服务，同时考虑到满足截止日期并优化成本。
进化调度阶段（第III-B节）着重于处理执行过程中的不确定性以更新和优化调度。在进化调度中，提出了具有三个不确定性的不确定模型，讨论了四个不确定事件，并提出了基于中间工作流的演化调度策略来进行全局优化。

A.基线调度

在本文中，我们建议基于反向拍卖的服务供应定价机制，以确保从经济学角度进行有效的供应。此外，采用“部分关键路径（PCP）”策略来解决调度问题。

1.服务提供

候选服务si
策略bi =（eti，eci）表示投标人si声称以eti时间内的eci成本完成任务

a.优胜者的决心

如果gi（b）= 1，则投标人i将是中标者，否则不是

b.付款决定

???

2.服务调度

PCP上每个任务的子期限sd(ti)
PCP策略：

B.不确定性的进化调度

1.不确定模型和不确定事件

a）不确定模型：

1.性能下降：由于诸如闪存人群之类的因素，分配给任务的服务显示性能下降。
2.服务失败：为任务分配的服务不可用。
3.新服务的添加：新的候选服务被添加到任务的云服务池中。

b)不确定事件：

在执行期间，云工作流应用程序的任务可以分为三种类型：CE任务（已完成的任务），BE任务（正在执行的任务），NE任务（尚未执行的任务） 。 因此，考虑了四个不确定事件（表示为U事件）在执行期间触发进化调度：
U事件1：BE任务的服务显示性能下降；
U事件2：BE任务的服务在执行期间失败；
U事件3：将用于某些NE任务的更好的候选服务添加到候选服务池中；
U事件4：为NE任务预先分配的服务在执行NE任务之前失败。

2.不确定事件的进化调度策略：

第1步。 发现U事件并分析Uevent是否可以触发重新调度。
第2步。 创建U事件的中间工作流程以进行重新安排。
第3步。 根据基线计划算法，重新计划中间工作流程中的任务。
由于在第3-A节中介绍了第3步中的基线调度算法，因此我们主要关注本节中的前两个步骤。 步骤1和步骤2的详细信息如下所述。

a.U事件发现和分析（步骤1）：

Wx:任务x的总工作量
Wx(t):在时间间隔[STx，STx + t]下任务x的完成工作量，其中STx是任务x的开始时间。
BE任务x的完成时间:PFTx

b.创建用于重新计划的U事件的中间工作流程（步骤2）

略

结论

本文提出了一种基于不确定性的进化调度方法，旨在解决云应用程序执行过程中的不确定性。我们的方法包括两个阶段：基线调度和进化调度。在基线计划中，建议使用基于反向拍卖的定价机制进行服务供应。对于进化调度，考虑并讨论了不确定模型和四个不确定事件。为不确定事件创建中间工作流。因此，基于中间工作流提出了一种进化调度策略，以获得全局最优调度，从而提高了云应用执行的成功率。最后，进行实验以证明我们的方法在执行过程中处理不确定性的有效性。在未来的工作中，我们将进一步研究如何在执行时间和成本之间进行权衡，同时处理执行过程中的不确定性。