《Future Internet》：GPS: A Lightweight Greedy-Predictive Scheduling Approach for Energy-Aware Multi-Region Cloud Computing
编辑推荐：
高效的资源分配和任务调度仍然是云计算中的基本挑战，原因在于资源异构性、动态工作负载特性以及对可扩展、节能且可持续云基础设施日益增长的需求。传统的调度方法，包括Min-Min和改进的麻雀搜索算法(ISSA)，已经提高了资源利用率和负载均衡。然而，它们在异构和动态
高效的资源分配和任务调度仍然是云计算中的基本挑战，原因在于资源异构性、动态工作负载特性以及对可扩展、节能且可持续云基础设施日益增长的需求。传统的调度方法，包括Min-Min和改进的麻雀搜索算法(ISSA)，已经提高了资源利用率和负载均衡。然而，它们在异构和动态变化的云工作负载下，在可扩展性、执行效率和自适应调度方面仍面临局限性。为了克服这些局限性，同时不引入与迭代优化技术相关的计算开销，研究人员提出了一种轻量级贪婪预测调度(GPS)算法，该算法将预测资源利用率估计与贪婪主机选择相结合，以改善跨异构多区域云环境的调度决策。所提出的调度器集成了预测执行估计、多资源感知、自适应贪婪决策和利用率感知的能量考量，以改善跨异构多区域云环境的调度决策。该研究方法使用CloudSim Plus 5.0仿真框架进行实现和评估，实验结果表明，GPS在研究人员实验中取得了比ISSA更好的性能。与ISSA相比，GPS实现了高达31.25%的完工时间(Makespan)减少，同时持续提高了跨异构多区域云环境的执行效率、可扩展性和均衡资源利用率，证明GPS为大规模能量感知云计算提供了一种有效的轻量级调度解决方案。
云计算中资源分配与任务调度因资源异构性、动态工作负载及对可扩展、节能基础设施的需求而面临持续挑战。传统启发式方法（如Min-Min）和元启发式方法（如改进的麻雀搜索算法，ISSA）虽提升了资源利用率，但在可扩展性、执行效率及自适应调度方面存在局限，且迭代优化带来的计算开销限制了其在大规模动态环境中的应用。为克服上述问题，研究人员提出了一种轻量级贪婪预测调度(Greedy Predictive Scheduling, GPS)算法，该算法将预测资源利用率估计与贪婪主机选择相结合，旨在不增加优化开销的前提下改善调度决策。研究人员利用CloudSim Plus 5.0仿真框架，在包含两个地理分布数据中心、八个异构主机、三十台虚拟机的多区域云环境中，对30至500个云任务的工作负载进行了评估，并与ISSA进行对比。实验结果表明，GPS在所有工作负载场景下均优于ISSA，在50个云任务时实现了高达31.25%的完工时间(Makespan)减少，同时持续改善了执行效率、可扩展性及CPU、内存、I/O资源的均衡利用。该研究证明了GPS作为一种轻量级调度方案，在大规模能量感知云计算中具有有效性，论文发表在《Future Internet》。
关键技术方法主要包括：① 预测执行时间估计：基于当前主机负载与云任务需求，预估任务分配后的CPU利用率，预测执行时间；② 多资源负载均衡：同时考虑CPU、内存和I/O的利用率，计算负载不均衡方差，以评估资源消耗的均衡性；③ 能量代理：以CPU利用率作为能量消耗的轻量级代理指标，避免复杂功耗模型，实现能量感知调度；④ 自适应加权贪婪决策：将预测执行时间、不均衡方差和能量代理通过动态权重（α, β, γ）组合为统一评分函数，选择分数最低的主机进行任务分配；权重根据主机平均利用率自适应调整（高负载时侧重执行时间，中等负载时侧重平衡与效率）。该方法通过单次评估所有候选主机完成调度，避免了迭代优化，复杂度为O(N×H)。
研究结果部分：
4.1 实验设置：研究人员使用CloudSim Plus 5.0部署了两个数据中心（Region A和Region B），每个数据中心包含四个异构主机，共计30台虚拟机（每台配置1 vCPU、512 MB RAM、1000 MIPS、1 Gbps带宽）。设置了五个工作负载场景（30、50、70、100、500个云任务），以完工时间(Makespan)、总执行时间、平均执行时间为性能指标，并以ISSA作为对比基准。该实验设置确保了公平比较。
4.2 实验结果：通过模拟实验对比GPS与ISSA，得出以下结论：
- 在30个云任务时，两种算法性能相同（Makespan均为2.2秒），表明轻负载下资源充足，调度策略差异不大。
- 在50个云任务时，GPS的Makespan从3.20秒降至2.20秒（降低31.25%），总执行时间从93.99秒降至92.0秒，平均执行时间从1.88秒降至1.84秒。这表明当资源竞争加剧时，GPS的预测能力开始发挥作用，更有效地分配任务。
- 在70个云任务时，GPS的Makespan降低23.8%（从4.20秒降至3.20秒），总执行时间降低4.5%，平均执行时间从2.49秒降至2.38秒。预测执行估计与自适应加权评分使GPS更均匀地分布负载，避免过载主机。
- 在100个云任务时，GPS的Makespan降低19.2%（从5.20秒降至4.20秒），总执行时间和平均执行时间也略有改善，展示了高负载下的可扩展性。
- 在500个云任务的大规模实验中，GPS的Makespan从18.192秒降至17.195秒，总执行时间和平均执行时间均低于ISSA，进一步证实了GPS在大负载下的稳定性和效率。
通过图表分析（图3-5），GPS的Makespan、平均执行时间和总执行时间曲线均更平滑且持续低于ISSA，表明其通过预测评分和贪婪决策实现了更均衡的任务分配，同时以CPU利用率作为能量代理促进了绿色计算。
讨论部分：实验结果表明，GPS通过预测执行估计与自适应贪婪决策的集成，主动避免过载主机，借助利用率方差指标同时平衡CPU、内存和I/O资源，减少资源争用与执行瓶颈。能量代理的引入使GPS在性能与能量效率间取得平衡，符合绿色计算原则。与基于群体的元启发式算法（如ISSA）不同，GPS的确定性决策避免了迭代优化，显著降低了调度开销，特别适合大规模动态云环境。然而，当前评估基于CloudSim Plus仿真，未来需在真实云部署中验证，并集成更详细的功耗模型。总体而言，GPS在调度质量、计算效率、可扩展性、负载均衡和能量感知之间提供了有效折衷。
研究结论翻译：本文提出并评估了贪婪预测调度(GPS)算法，一种面向异构多区域云环境的轻量级调度方法。与依赖静态决策规则的传统贪婪调度器不同，GPS将预测执行时间估计、多资源负载均衡和利用率感知的能量考量统一为自适应评分机制。这种组合能够在保持低计算复杂度的同时实现高效调度决策。使用CloudSim Plus 5.0进行的实验评估表明，GPS在所有工作负载场景下均优于ISSA，实现了更低的Makespan、总执行时间和平均执行时间，同时维持了CPU、内存和I/O资源的均衡利用。500个云任务的额外大规模实验确认了GPS在递增负载下的可扩展性和鲁棒性。这些结果表明，所提出的预测-贪婪策略在调度质量、计算效率、可扩展性和利用率感知能量管理之间提供了有效平衡。尽管GPS以CPU利用率作为轻量级能量代理而非详细功耗模型，该策略成功促进了更均衡的资源利用，未引入额外优化开销，保持了与绿色云计算原则的一致性。未来工作将聚焦于增强GPS的预测组件，通过融入机器学习工作负载预测技术以进一步提高高度动态云环境下的调度准确性，并研究自适应参数调优策略、集成详细功耗模型，以及在更大规模异构基础设施（含更多数据中心、虚拟机及多样化工作负载）中的验证。此外，引入容错、实时工作负载迁移和真实云测试床是扩展该调度框架适用性的另一有前景方向。
