云计算中使用分层自关联多项式卷积神经网络的高效任务调度资源分配 2024 1区
摘要:如今,由于云计算(CC)环境的迅速扩展,客户范围从个人用户到大型商业组织,云组织在管理具有各种资源的大量数据方面面临挑战。无效的资源管理会降低云计算的性能。因此,在保持组织盈利能力和用户满意度水平的同时,必须在各种利益相关者之间公平分配资源。简单地无限期拒绝客户的请求是不可接受的,因为基本资源并不是所有人都能获得的。为此,本文提出了一种基于分层自关联多项式卷积神经网络(RA-HAPCNN-CC)的高效任务调度云计算资源分配方法。提出的 RA-HAPCNN-CC 方法的特点是:
(i)基于 Starling murmuroptimization (SMO)的 short scheduler 减少了制作时间,提高了任务调度的吞吐量;
(ii)分层自关联多项式卷积神经网络(HAPCNN)在带宽、资源负载等各种设计约束下有效分配资源;(iii)分数阶离散 mexner 矩加密(FDMME)被考虑用于数据加密,为数据存储提供保护。
(iv)分析了 RA-HAPCNN-CC 方法,以验证其效率。资源利用率、能耗和响应时间的结果表明,RA-HAPCNN-CC 方法优于现有方法。与现有模型相比,该方法的能耗降低 27.5%、10.32%、16.65%,吞吐量提高 30.93%、11.14%、15.3%。
结果:
本文:利用分层自关联多项式卷积神经网络(RA-HAPCNN-CC)在云中进行有效任务调度的资源分配
cloudsim仿真
性能指标:资源利用率、功耗、响应时间、内存使用、预测精度、能耗、完工时间和吞吐量对比模型:1.基于强化学习的混合人工蜂群算法的 CC 负载平衡多目标任务调度优化 (RA-ABC-CC) (Kruekaew & Kimpan, 2022)
2.云数据中心中用于动态虚拟机分配的一种元启发方法,包括优化任务调度 (RA-NSGA-CC) (Alsadie, 2021),
3.深度强化学习用于边缘云计算中优先级约束任务的能量和时间优化调度 (RA-DRL-CC) (Jayanetti 等人,2022)
4.深度强化学习方法用于数据中心任务调度优化
(RA-RL-CC) (Che 等人,2020)
实验装置:
资源利用性能分析:
功耗性能分析:
响应时间的性能分析:
预测精度的性能分析:
Makespan 的性能分析: