[发明专利]一种支持优先级和反亲和的云优化调度方法及系统

说明书

本发明提供一种支持优先级和反亲和的云优化调度方法，用于克服现有云调度系统对任务的反亲和约束以及优先级约束无法有效满足的问题，主要通过任务集群信息的反亲和与优先级表示，转化为统一格式的图模型语言，对最大流图进行求解，按照求出优化解进行任务部署。本方法具有多维资源表示与扩展性好的特点，能够提升当前云优化调度管理中对任务和物理资源间约束的满足能力，同时提供更多的任务调度机会。本发明还提供一种支持优先级和反亲和的云优化调度系统，包括云集群管理器、反亲和规则解析器、优先级规则解析器、优化调度模型生成器和优化调度模型求解器。

技术领域

本发明涉及一种支持优先级和反亲和的云优化调度方法及系统，属于云服务和计算技术领域。

背景技术

随着IT技术的不断发展，数据中心云资源共享泛型已成为物联网、人工智能、无服务计算等应用模式的主要构造方式，对于促进信息技术产业发展和应用创新具有重要的国家战略意义。当前，面向特定应用负载模式实现云优化调度系统依然是学术界研究的重点，但面向拥有多维约束且长时间运行的服务型，现有调度方案仍然难以应对。

云调度是指任务使用资源的架构、模型和机制，它是提高云资源利用率的关键技术之一。其中，资源主要是指CPU资源。已有研究工作认为当前云计算会面临主要两种约束：(1)任务反亲和性：标记为反亲和的任务不可以调度到同一个物理节点；(2)优先级：在物理资源紧缺时，具有高优先级的任务可优先进行调度。现云调度系统需严格遵循这些约束，否则会导致服务响应时间过长，造成数据中心巨大经济损失。如研究表明，Google搜索响应时间如果从0.4秒增加到0.7秒，Google广告年收入会下降20％。在满足上述约束前提下，剑桥大学等团队认为大规模(至少数万个任务同时调度)是当前云调度的一个主要特征，而调度延迟则是调度效果(毫秒级)好坏一个重要度量指标。

当前，将流图模型引入调度逐渐成为工业界与学术界的共识，但相关工作依然无法适应实际的集群生产环境，比如，经典流图仅仅能表示数值型约束关系，但反亲和是典型的非数值型关系。因此，具备优先级和反亲和约束的云优化调度难题亟待解决。

发明内容

本发明克服现有技术的不足，提供一种支持优先级和反亲和的云优化调度方法及系统，具有多维资源表示与扩展性好的特点，能够提升当前云优化调度管理中对任务和物理资源间约束的满足能力，同时提供更多的任务调度机会。

为解决上述技术问题，本发明采用的技术方案是：

一种支持优先级和反亲和的云优化调度方法，包括以下步骤：

接收客户端任务请求，缓存到任务队列中，任务应提供所需的信息，如CPU资源需求；

对批量任务进行集合分析，获取任务的显示和隐性的反亲和关系并进行数学方法的表示，重新对任务进行分类和排布，获取任务的显示和隐性的优先级关系并进行数学方法的表示，得到优先级的高低，生成集群系统能识别的反亲和与优先级表示；

将反亲和与优先级表示的任务集群信息转化为统一格式的图模型语言，产生节点和边集合信息，通过扩展流图流量和边费用生成最大流图模型；

基于最大流算法构造流图的求解器，求出优化解，“最大流”在满足优先级和反亲和的前提下，其优化解是部署最多的任务数，按照优化解进行任务部署。

进一步地，任务队列是基于超时或最大队列长度机制，本方法会同时取出多个任务进行分析，获取任务的反亲和关系，以及任务的优先级的关系。

进一步地，任务的反亲和可由二元组描述，如A,B表示任务A的实例与任务B的实例不能部署在同一台物理机上，如A，A表示任务A的多个实例之间也不能部署在同一台物理机上。如果任务A不能与任务B或者任务C部署在一起，则需要引入两个二元组，A,B和A,C分别表示。

进一步地，任务的优先级可由数值大小描述，比如任务A的优先级高于任务B的，则可以将任务A的优先级属性设置为2，而任务B的优先级属性设置为1。