基于FMMEHO的工作流调度在虚拟化云环境中的应用——用于智能灌溉系统

《ACM Transactions on Sensor Networks》：FMMEHO Based Workflow Scheduling in Virtualized Cloud Environment for Smart Irrigation System

本文提出基于大象群优化算法（FMMEHO）的OERES云工作流调度方案，通过动态部署虚拟机优化资源利用与能耗，在满足任务依赖和截止时间的前提下，有效提升资源利用率并降低总能耗。实验采用Cloud Sim模拟验证，对比传统方法在资源利用率（RU）、能耗/任务（ECT）、总能耗（TEC）、完成时间（Makespan）和单任务执行时间（ETT）上的优势。

　　

摘要

农业、工业以及生活用水的广泛和过度使用严重破坏了水体质量。云计算和传感器技术被广泛应用于各种实时场景中，尤其是在农业领域。将来自大规模传感器网络的数据转化为有价值的知识和资产，可以有效地利用云计算（CC）等技术。在云计算中，工作流调度是一个关键问题，其目标是在不影响服务质量（QoS）的前提下全面执行工作流。然而，由于计算强度高、任务之间存在依赖关系以及云资源异构性，带有资源分配的工作流调度是一项极具挑战性的任务。本文提出了一种新的最优能源和资源感知工作流调度（OERES）方案，该方案受到流行的模糊隶属度变异象群优化（FMMEHO）算法的启发，旨在将任务工作流调度到参与计算的虚拟机（VM）上。该方案还关注根据任务需求动态部署和卸载虚拟机。FMMEHO算法是一种基于大型哺乳动物——大象的群居行为的启发式技术。该算法使用了一个“族群运算符”，根据每个族群的资源使用情况和能量消耗情况来更新大象的位置和距离（以母象为核心）。所提出的OERES方案提高了资源利用率，同时减少了能源消耗，且不会违反任务依赖性和截止日期限制。本研究使用著名的Cloud Sim模拟器来模拟底层云环境，以验证所提模型的有效性。通过平均资源利用率（RU）、能源利用率或消耗量/任务（ECT）、总能源消耗（TEC）、完成任务所需时间（Makespan）以及每个任务的执行时间（ETT）等关键参数来评估调度方法的有效性。实验结果充分证明了所提出的OERES算法相较于现有方法更具优越性。