SPES：一种面向高效多区域云计算的随机预测能量感知调度方法

《Electronics》：SPES: A Stochastic Predictive Energy-Aware Scheduling Approach for Efficient Multi-Region Cloud Computing

　　

云计算通过提供可扩展、灵活且经济高效的计算资源访问，改变了现代应用和服务的交付方式。云环境中最关键的挑战之一是在异构资源间高效分配动态工作负载，通常通过负载均衡和任务调度技术来解决。高效调度在最大化资源利用率、最小化响应时间以及维持可接受的服务质量（QoS）方面起着至关重要的作用，尤其是在动态和大规模工作负载下。尽管传统启发式方法（如Min-Min）和元启发式方法（如改进麻雀搜索算法（ISSA））取得了进展，但在可扩展性、适应性和计算开销方面仍存在挑战。基于元启发式的方法通常涉及迭代优化过程，这可能会限制其在实时调度场景中的效率。在本文中，研究人员提出了一种轻量级的随机预测能量感知调度（SPES）算法，该算法集成了预测执行估计、多资源感知和随机决策。与确定性调度策略不同，SPES采用Top K候选选择机制，结合概率加权和epsilon-贪婪探索，以增强适应性并避免次优资源分配。所提出的方法考虑CPU、内存和I/O需求，以在异构主机间实现平衡利用，同时通过基于利用率的建模隐式解决能量效率问题。该算法在CloudSim 5.0仿真框架下，于异构多区域云环境中使用不同工作负载大小进行了实现和评估。实验结果表明，SPES始终优于ISSA，在动态云工作负载下实现了高达23.8%的完工时间减少，同时提高了可扩展性、资源利用率和调度效率。这些结果表明，SPES为大规模和能量感知的云计算环境提供了一种有效的轻量级调度解决方案，并通过提高资源效率支持绿色计算目标。

**论文解读：SPES：一种面向高效多区域云计算的随机预测能量感知调度方法**

**研究背景与问题**
云计算已成为现代计算的核心范式，通过虚拟化、资源共享和按需供应等机制，为大数据分析、物联网（IoT）和人工智能等应用提供可扩展的弹性计算资源。然而，随着云数据中心规模扩大和地理分布多样化，高效调度动态工作负载成为关键挑战。传统启发式调度算法（如先来先服务FCFS、轮询RR、Min-Min）虽简单，但难以适应异构资源动态变化；元启发式算法（如改进麻雀搜索算法ISSA）虽能提升调度质量，但迭代优化过程导致计算开销大，在实时场景中响应不足。此外，大规模数据中心能耗问题日益突出，绿色计算和能量感知调度成为重要研究方向，但现有能量感知方法常依赖复杂模型，增加计算负担。因此，需要一种轻量级、自适应且能量高效的调度策略，以平衡性能、可扩展性和能耗。

**研究内容与结论**
研究人员提出了一种轻量级随机预测能量感知调度（SPES）算法，旨在异构多区域云环境中实现高效、均衡且能量感知的任务调度。SPES集成了预测执行估计、多资源负载均衡和能量感知，通过随机决策机制避免局部最优。在CloudSim 5.0仿真平台上，于两个数据中心（区域A和区域B）的8个异构主机、30个虚拟机（VM）环境中，评估了30、70、100、200个云任务（cloudlet）的工作负载。实验结果表明，SPES在完工时间（makespan）上持续优于ISSA，在70个任务时降低达23.8%，在100个任务时降低19.2%，在200个任务时降低12.2%；总执行时间和平均执行时间也有所改善。该算法维持了低计算开销，实现了可扩展性，并通过CPU利用率代理隐式优化能量效率，符合绿色计算原则。论文发表在《Electronics》。

**关键技术方法**
SPES算法采用多目标评分函数，结合CPU、内存、I/O利用率估计、负载均衡方差（σ2）和基于CPU利用率的能量代理（E），通过自适应权重（α、β、γ）动态调整优先级。利用Top K候选主机选择机制，基于逆概率权重和epsilon-贪婪探索（ε=0.09）进行随机选择，平衡利用与探索。计算复杂度为O(N×H)，远低于ISSA的O(N×P×I×H)。仿真环境使用CloudSim 5.0，配置两个数据中心、8个异构主机（CPU、内存、I/O容量不同）和30个VM。

**研究结果**
**4.1 实验设置**：实验使用CloudSim 5.0仿真两个数据中心，共8个异构主机、30个VM（1 vCPU，512 MB RAM，1000 MIPS，1 Gbps带宽）。工作负载为30、70、100、200个独立云任务，性能指标包括完工时间、总执行时间和平均执行时间。比较基准为ISSA。

**4.2 实验结果**：
- **完工时间**：SPES在所有工作负载下均优于ISSA。70个任务时降低23.8%（从4.199s降至3.199s），100个任务时降低19.2%（从5.199s降至4.199s），200个任务时降低12.2%（从8.197s降至7.197s）。归因于随机Top K选择与预测执行估计结合，减少资源争用。
- **平均执行时间**：SPES略低于ISSA（例如70个任务时从2.542s降至2.457s），表明更均衡的任务分布。这是多目标评分模型（考虑执行时间、资源不平衡和能量）的结果。
- **总执行时间**：SPES实现小幅改善（70个任务时从177.963s降至171.967s），体现系统级效率提升。
- **可扩展性**：500个任务时SPES仍保持优势，验证了算法在大规模负载下的稳定性。

**4.3 讨论**：SPES的改进主要归因于其随机多目标策略，结合预测执行时间估计、方差负载均衡和自适应评分。Top K和epsilon-贪婪探索减少了主机过载风险，方差不平衡度量维持了CPU、内存、I/O的均衡利用。能量感知通过CPU利用率代理间接实现，避免复杂模型。在轻负载下性能差异不显著，但在中高负载下优势明显。ISSA作为唯一基线是合理的，因其在原始研究中已优于QMPSO、ACOFTF、ADA等算法，SPES的改进提供了有意义的证据。

**结论与未来工作**
本文提出了SPES算法，一种轻量级自适应调度方法，用于异构多区域云环境中的高效任务分配。该方法将预测执行时间估计、多维资源不平衡评估和能量感知集成到统一的多目标评分框架中，实现动态工作负载下的自适应调度。实验结果表明，SPES在完工时间上显著优于ISSA，尤其在中等和高负载条件下；总执行时间和平均执行时间改善适中，但呈现更均衡的工作负载分布和稳定执行行为。SPES通过CPU利用率代理实现能量感知，无需复杂建模，支持绿色计算原则。该算法在性能、计算简单性和适应性之间取得了平衡，适合大规模多区域云调度场景。未来工作将集成基于机器学习的负载预测技术，引入详细功率模型，研究自适应参数调整、容错机制，并在地理分布式云环境中进行大规模评估。