云計(jì)算環(huán)境中三層架構(gòu)的資源負(fù)載均衡研究

黎 燕

云計(jì)算環(huán)境中三層架構(gòu)的資源負(fù)載均衡研究

黎 燕

福建第二輕工業(yè)學(xué)校

為了使云環(huán)境中資源能更加高效、合理地運(yùn)轉(zhuǎn)，該文探求使用新的調(diào)度策略來(lái)使系統(tǒng)達(dá)到負(fù)載均衡，提出了一個(gè)在三層架構(gòu)云計(jì)算網(wǎng)絡(luò)環(huán)境中的兩階段調(diào)度算法。該算法結(jié)合了隨機(jī)負(fù)載均衡算法和Min-Min負(fù)載均衡調(diào)度算法的特性，從而能更高效率地執(zhí)行任務(wù)并使系統(tǒng)達(dá)到負(fù)載均衡。

云計(jì)算 負(fù)載均衡 兩階段調(diào)度算法

1 背景

當(dāng)今時(shí)代，為了跟上互聯(lián)網(wǎng)的發(fā)展進(jìn)度，寬帶網(wǎng)絡(luò)和硬件技術(shù)也在不斷進(jìn)步。云計(jì)算以一種全新的計(jì)算模式向網(wǎng)絡(luò)用戶(hù)提供了許多的應(yīng)用服務(wù)，類(lèi)似于視頻、音樂(lè)等，因此，如何利用云計(jì)算的優(yōu)勢(shì)使得每個(gè)任務(wù)在最短的時(shí)間內(nèi)都能得到所需求的資源，成為一個(gè)非常重要的問(wèn)題。

我們知道，每個(gè)調(diào)度算法都有不同的特性。隨機(jī)負(fù)載均衡算法（OLB算法）嘗試使每個(gè)節(jié)點(diǎn)保持忙碌狀態(tài)，不考慮每個(gè)計(jì)算機(jī)當(dāng)前的負(fù)荷情況。OLB算法規(guī)定隨機(jī)順序的每個(gè)任務(wù)對(duì)當(dāng)前節(jié)點(diǎn)有效，其優(yōu)點(diǎn)是能很簡(jiǎn)單地達(dá)到負(fù)載均衡，但缺點(diǎn)是沒(méi)有考慮每個(gè)任務(wù)的預(yù)期執(zhí)行時(shí)間，因此，整體完成時(shí)效非常差。換句話(huà)說(shuō)，OLB算法隨機(jī)給當(dāng)前可用節(jié)點(diǎn)分配未完成的任務(wù)，并不考慮節(jié)點(diǎn)當(dāng)前的負(fù)荷情況。

最小執(zhí)行時(shí)間(Minimum Execution Time, MET)算法把工作隨機(jī)分配給執(zhí)行最快的節(jié)點(diǎn)，忽略節(jié)點(diǎn)的當(dāng)前負(fù)荷。MET試著尋找好的工作節(jié)點(diǎn)配對(duì)，但是因?yàn)樗鼪](méi)有考慮節(jié)點(diǎn)的當(dāng)前負(fù)荷，經(jīng)常導(dǎo)致節(jié)點(diǎn)間的不均衡負(fù)載，不適用于異質(zhì)性計(jì)算機(jī)系統(tǒng)的應(yīng)用。

最小完成時(shí)間(Minimum Completion Time, MCT)算法把每個(gè)任務(wù)隨機(jī)分配給完成時(shí)間期望值最小的節(jié)點(diǎn)。所謂的完成時(shí)間就是執(zhí)行時(shí)間，但是它是一個(gè)更成功的探索，因?yàn)樗瑫r(shí)考慮了執(zhí)行時(shí)間和節(jié)點(diǎn)的當(dāng)前負(fù)荷。

Min-Min調(diào)度算法給每個(gè)未分配的任務(wù)建立最小完成時(shí)間表，然后把帶有最小完成時(shí)間的任務(wù)分配給節(jié)點(diǎn)。Min-Min算法與MCT算法的機(jī)制相同。但是，Min-Min在每一次循環(huán)中都要考慮所有任務(wù)的最小完成時(shí)間，所以能全面、最小跨度地分配工作。因此，它能比MCT算法更好地使節(jié)點(diǎn)達(dá)到均衡。Min-Min算法的實(shí)質(zhì)是每一次都是給最好的完成時(shí)間最小的分配資源。

因?yàn)镺LB調(diào)度算法簡(jiǎn)單、易于實(shí)施，并且在此算法下每臺(tái)計(jì)算機(jī)經(jīng)常處于忙碌狀態(tài)。在我們的研究中，OLB算法用來(lái)在三層式云計(jì)算網(wǎng)絡(luò)中分配任務(wù)和將任務(wù)分割成許多子任務(wù)。此外，為了使在系統(tǒng)中的每個(gè)計(jì)算機(jī)負(fù)載均衡，在此次研究中還改善了Min-Min調(diào)度算法，預(yù)期能有效地減少每個(gè)節(jié)點(diǎn)的執(zhí)行時(shí)間。

2 兩階段調(diào)度算法

目前，ZEUS提供了可用來(lái)開(kāi)發(fā)新的云計(jì)算方法的網(wǎng)絡(luò)框架，并且已經(jīng)應(yīng)用到當(dāng)前的研究中。根據(jù)ZEUS的網(wǎng)絡(luò)架構(gòu)和云計(jì)算的結(jié)構(gòu)性能，我們的研究框架采用了一種三層式的層次結(jié)構(gòu)拓?fù)洌ㄈ鐖D1所示）。服務(wù)節(jié)點(diǎn)用來(lái)執(zhí)行子任務(wù)，第二層的是服務(wù)管理者，用來(lái)將任務(wù)分割成邏輯上獨(dú)立的子任務(wù)，第一層是需求管理者，給恰當(dāng)?shù)墓?jié)點(diǎn)分配任務(wù)。

圖1 三層框架結(jié)構(gòu)

為了在三層式云計(jì)算網(wǎng)絡(luò)中使每個(gè)節(jié)點(diǎn)達(dá)到負(fù)載均衡，減少執(zhí)行時(shí)間，在此研究中將OLB和LBMM算法整合，即兩階段調(diào)度算法。所謂兩階段調(diào)度算法，即第一階段，管理者利用隨機(jī)負(fù)載均衡調(diào)度算法把任務(wù)分配給服務(wù)管理節(jié)點(diǎn)。第二階段，服務(wù)管理節(jié)點(diǎn)利用LBMM調(diào)度算法選擇合適的服務(wù)節(jié)點(diǎn)執(zhí)行子任務(wù)。

該算法考慮了每個(gè)子任務(wù)在每個(gè)服務(wù)節(jié)點(diǎn)上的執(zhí)行時(shí)間。通過(guò)代理在不同的服務(wù)節(jié)點(diǎn)上能分辨出每個(gè)子任務(wù)的執(zhí)行時(shí)間。根據(jù)代理收集的信息，每個(gè)服務(wù)管理節(jié)點(diǎn)選擇具有最小執(zhí)行時(shí)間的服務(wù)節(jié)點(diǎn)來(lái)執(zhí)行不同的子任務(wù)，并把它記錄在最小時(shí)間數(shù)組里面。最后，每個(gè)子任務(wù)的最小執(zhí)行時(shí)間都被記錄了即在某個(gè)節(jié)點(diǎn)上的最小執(zhí)行時(shí)間。同時(shí)，服務(wù)管理節(jié)點(diǎn)最先選擇服務(wù)節(jié)點(diǎn)γ。因此，子任務(wù)α將被分配給節(jié)點(diǎn)γ。一旦子任務(wù)α分配給服務(wù)節(jié)點(diǎn)γ執(zhí)行，就會(huì)從子任務(wù)隊(duì)列中刪除。同時(shí)，最小時(shí)間數(shù)組將會(huì)重組，服務(wù)節(jié)點(diǎn)γ放在最小時(shí)間數(shù)組的最后一個(gè)。該算法步驟如下：

步驟1: 子任務(wù)X的要求從C服務(wù)節(jié)點(diǎn)中選擇最小時(shí)間的服務(wù)節(jié)點(diǎn)，同時(shí)形成一個(gè)最小時(shí)間服務(wù)節(jié)點(diǎn)集合，X是子任務(wù)的總數(shù)，C是可執(zhí)行子任務(wù)的服務(wù)節(jié)點(diǎn)總數(shù)。

步驟2: 服務(wù)節(jié)點(diǎn)γ，因?yàn)棣迷谧钚r(shí)間集合中具有最小的執(zhí)行時(shí)間，γ是節(jié)點(diǎn)標(biāo)識(shí)符。

步驟3: 子任務(wù)α分配給節(jié)點(diǎn)γ。

步驟4: 整個(gè)子任務(wù)α從未執(zhí)行任務(wù)集合中刪除，α是子任務(wù)的標(biāo)識(shí)符。

步驟5: 組最小時(shí)間數(shù)組，服務(wù)節(jié)點(diǎn)γ放在最后一個(gè)。

步驟6: 重復(fù)步驟1到5，所有的子任務(wù)都會(huì)被執(zhí)行。

3 研究方法

在云計(jì)算系統(tǒng)中存在一些異構(gòu)節(jié)點(diǎn)，即每個(gè)節(jié)點(diǎn)執(zhí)行任務(wù)的能力有所不同，因此，在選擇執(zhí)行任務(wù)節(jié)點(diǎn)時(shí)只考慮到節(jié)點(diǎn)的剩余CPU是不夠的。所以，在云計(jì)算網(wǎng)絡(luò)中怎樣選擇有效節(jié)點(diǎn)來(lái)執(zhí)行任務(wù)是非常重要的。

由于任務(wù)在用戶(hù)執(zhí)行時(shí)可能有不同的特征，它可能需要一些特定的資源。例如，在實(shí)施有機(jī)序列組裝時(shí)，它可能對(duì)可用內(nèi)存有很高的要求。并且，在執(zhí)行子任務(wù)時(shí)，為了達(dá)到最高的效率，我們會(huì)針對(duì)任務(wù)性能采取不同的條件決策變量，通常根據(jù)任務(wù)的資源要求來(lái)確定決策變量。

在此次研究中，通過(guò)代理的方法收集云計(jì)算系統(tǒng)中每個(gè)節(jié)點(diǎn)的相關(guān)信息，比如剩余CPU能力，可用內(nèi)存，傳輸速率。V1=剩余CPU能力；V2=可用內(nèi)存；V3=傳輸速率。在所有的這些信息收集之后，他們就會(huì)被供應(yīng)給管理者，并協(xié)助它實(shí)現(xiàn)系統(tǒng)的負(fù)載均衡。

為了能使管理者有效地選擇合適節(jié)點(diǎn)，系統(tǒng)中所有的節(jié)點(diǎn)（包括服務(wù)管理節(jié)點(diǎn)和服務(wù)節(jié)點(diǎn)）都會(huì)被進(jìn)行閾值估測(cè)，閾值由執(zhí)行任務(wù)時(shí)資源需求量派生。通過(guò)服務(wù)管理節(jié)點(diǎn)閾值的服務(wù)管理節(jié)點(diǎn)會(huì)被認(rèn)為是有效的。

3.1 服務(wù)管理節(jié)點(diǎn)的閾值

云計(jì)算環(huán)境由異構(gòu)節(jié)點(diǎn)組成，每個(gè)節(jié)點(diǎn)的性能可能會(huì)有很大區(qū)別，并且在忙碌狀態(tài)下，每個(gè)節(jié)點(diǎn)的可用資源會(huì)不同。從任務(wù)完成時(shí)間的角度看，CPU可用能力、內(nèi)存可用大小和傳輸速率是任務(wù)執(zhí)行時(shí)間的三個(gè)決定性因素。因此，在我們的研究中，剩余CPU可利用率，剩余內(nèi)存大小和傳輸速率會(huì)被作為估測(cè)服務(wù)管理節(jié)點(diǎn)閾值的數(shù)值。一個(gè)具體事例如下：

剩余CPU利用率≥500s

剩余內(nèi)存≥21578kB

Transmission Rate≥8.18MB/s

3.2 服務(wù)節(jié)點(diǎn)閾值

當(dāng)一個(gè)服務(wù)管理節(jié)點(diǎn)通過(guò)任務(wù)要求的閾值后，它所管理的服務(wù)節(jié)點(diǎn)就能夠執(zhí)行此任務(wù)。然而，在云計(jì)算環(huán)境中，節(jié)點(diǎn)的位置是動(dòng)態(tài)的，在任何時(shí)間每個(gè)節(jié)點(diǎn)都可能進(jìn)入忙碌狀態(tài)，這樣就增加了任務(wù)的執(zhí)行時(shí)間，導(dǎo)致節(jié)點(diǎn)性能的降低。因此，服務(wù)節(jié)點(diǎn)的閾值用來(lái)選擇更好的服務(wù)節(jié)點(diǎn)。該過(guò)程分成如下四步：

步驟一：計(jì)算每個(gè)子任務(wù)的平均執(zhí)行時(shí)間；

步驟二：如果一個(gè)子任務(wù)要求的執(zhí)行時(shí)間小于或等于平均執(zhí)行時(shí)間，就立即取出該子任務(wù)并執(zhí)行；

步驟三：如果子任務(wù)要求的執(zhí)行時(shí)間大于平均執(zhí)行時(shí)間，就把該任務(wù)的執(zhí)行時(shí)間設(shè)置為∞（執(zhí)行時(shí)間太長(zhǎng)以至于忽略不計(jì)），另外已經(jīng)執(zhí)行過(guò)任務(wù)的節(jié)點(diǎn)重新進(jìn)入系統(tǒng)，參與子任務(wù)的執(zhí)行。

步驟四：重復(fù)步驟一到步驟四，直到所有的子任務(wù)都完全執(zhí)行。

在我們的研究中，通過(guò)提出的整合調(diào)度算法，任務(wù)能被迅速地分配執(zhí)行，并且在三層式云計(jì)算網(wǎng)絡(luò)中能通過(guò)閾值有效地選擇服務(wù)節(jié)點(diǎn)。

我們提出的兩階段調(diào)度算法結(jié)合了OLB和LBMM算法的特性，協(xié)助選擇有效的服務(wù)節(jié)點(diǎn)。首先，管理者用隊(duì)列存儲(chǔ)需要執(zhí)行的任務(wù)（N0），然后，在第二層，用帶有服務(wù)管理節(jié)點(diǎn)閾值的隨機(jī)負(fù)載均衡算法分配任務(wù)給服務(wù)管理節(jié)點(diǎn)（N1，N2，N3，N4，N5）。然而，每個(gè)委托節(jié)點(diǎn)執(zhí)行任務(wù)有不同的特點(diǎn)，所以，選擇節(jié)點(diǎn)的約束也不同。代理用來(lái)收集節(jié)點(diǎn)的相關(guān)信息。根據(jù)每個(gè)任務(wù)的性能，每個(gè)節(jié)點(diǎn)的閾值已得到估測(cè)，任務(wù)將會(huì)分配給某個(gè)節(jié)點(diǎn)。但是，為了避免某些節(jié)點(diǎn)的執(zhí)行時(shí)間過(guò)長(zhǎng)從而影響系統(tǒng)性能，服務(wù)節(jié)點(diǎn)閾值用來(lái)選擇最合適的服務(wù)節(jié)點(diǎn)來(lái)執(zhí)行子任務(wù)。

4 算法實(shí)例

現(xiàn)給出一個(gè)有5個(gè)任務(wù)待完成的例子，討論在三層式云計(jì)算網(wǎng)絡(luò)中兩階段調(diào)度算法的應(yīng)用。

假定該算法的特點(diǎn)有：①傳輸時(shí)間可知；②每個(gè)任務(wù)執(zhí)行時(shí)間可預(yù)測(cè)；③每個(gè)任務(wù)能分成幾個(gè)獨(dú)立的子任務(wù)，每個(gè)子任務(wù)能在分配的服務(wù)節(jié)點(diǎn)上完全執(zhí)行；④服務(wù)節(jié)點(diǎn)的數(shù)目大于等于子任務(wù)的數(shù)目。

步驟1：收集待完成任務(wù)A、B、C、D、E，管理者N0把任務(wù)存進(jìn)工作隊(duì)列，如圖2所示。代理收集每個(gè)節(jié)點(diǎn)的相關(guān)信息，如表1所示。針對(duì)每個(gè)任務(wù)的特性，管理者用服務(wù)管理節(jié)點(diǎn)閾值來(lái)估測(cè)每個(gè)節(jié)點(diǎn)。

圖 2 工作隊(duì)列

表1 每個(gè)節(jié)點(diǎn)的相關(guān)信息

步驟2：根據(jù)服務(wù)管理節(jié)點(diǎn)閾值，管理節(jié)點(diǎn)利用OLB調(diào)度算法把待執(zhí)行任務(wù)分配給合適的服務(wù)管理節(jié)點(diǎn)。因此，任務(wù)A能分配給N1，N2，N3，N4或者N5。同樣，任務(wù)B也能分配給這5個(gè)節(jié)點(diǎn)（除已經(jīng)分配執(zhí)行任務(wù)A的服務(wù)管理節(jié)點(diǎn)）。

步驟3：假設(shè)任務(wù)A的服務(wù)管理節(jié)點(diǎn)閾值如下所示：

剩余CPU計(jì)算能力≥500MB/s

剩余內(nèi)存≥256MB/s

傳輸速率≥20MB/s

根據(jù)代理收集的信息，如表1所示，任務(wù)A將被分配給節(jié)點(diǎn)N1執(zhí)行。

步驟4：當(dāng)任務(wù)分配給服務(wù)管理節(jié)點(diǎn)之后，將會(huì)被分成幾個(gè)獨(dú)立的子任務(wù)邏輯單元。例如，任務(wù)A被分成4個(gè)子任務(wù)。

步驟5：服務(wù)管理節(jié)點(diǎn)利用LBMM算法計(jì)算每個(gè)子任務(wù)在不同節(jié)點(diǎn)上的執(zhí)行時(shí)間，如表2所示。假設(shè)子任務(wù)A1在服務(wù)節(jié)點(diǎn)N12上有最小實(shí)行時(shí)間，則最小時(shí)間=（A1，N12）=13s記錄進(jìn)去。Min-Time數(shù)組用來(lái)存儲(chǔ)最小時(shí)間集合，如等式（1）所示。

表2 任務(wù)A的每個(gè)子任務(wù)分配之前在不同服務(wù)節(jié)點(diǎn)的執(zhí)行時(shí)間(第一次)

步驟6：服務(wù)管理節(jié)點(diǎn)計(jì)算每個(gè)子任務(wù)的閾值，然后與每個(gè)子任務(wù)的執(zhí)行時(shí)間比較。在本例中，子任務(wù)A1的閾值13（≤24）,執(zhí)行時(shí)間小于服務(wù)節(jié)點(diǎn)的閾值，子任務(wù)能被正常執(zhí)行。子任務(wù)A2的閾值11（≤17）, 執(zhí)行時(shí)間小于服務(wù)節(jié)點(diǎn)的閾值，子任務(wù)能被正常執(zhí)行。

步驟7：服務(wù)管理節(jié)點(diǎn)在Min-Time數(shù)組中尋找子任務(wù)的最小執(zhí)行時(shí)間。相應(yīng)子任務(wù)A2 ，與之對(duì)應(yīng)的服務(wù)節(jié)點(diǎn)N12，所以，子任務(wù)A2就分配給節(jié)點(diǎn)N12執(zhí)行。子任務(wù)A2 從待執(zhí)行任務(wù)集合中刪除，并更新剩余子任務(wù)執(zhí)行時(shí)間數(shù)組。如表3所示。

表3 任務(wù)A的每個(gè)子任務(wù)分配之前在不同服務(wù)節(jié)點(diǎn)的執(zhí)行時(shí)間(第二次)

步驟8：在步驟7執(zhí)行之后，子任務(wù)A2從子任務(wù)集合中刪除，服務(wù)節(jié)點(diǎn)N12排列到最后一個(gè)。當(dāng)其他所有節(jié)點(diǎn)都已分配工作后，所有的節(jié)點(diǎn)重新進(jìn)入系統(tǒng)?，F(xiàn)在，服務(wù)管理節(jié)點(diǎn)重新將每個(gè)子任務(wù)的最小執(zhí)行時(shí)間與之閾值相比較。得到服務(wù)節(jié)點(diǎn)與子任務(wù)最小時(shí)間集合，如等式（2）所示。例如（A1，N11），相應(yīng)子任務(wù)A1，服務(wù)節(jié)點(diǎn)N11，子任務(wù)A1從待執(zhí)行任務(wù)集合中刪除，剩余子任務(wù)的執(zhí)行時(shí)間集合更新，如表4所示。

表4 任務(wù)A的每個(gè)子任務(wù)分配之前在不同服務(wù)節(jié)點(diǎn)的執(zhí)行時(shí)間(第三次)

步驟9：步驟8完成之后，子任務(wù)A1從子任務(wù)集合中刪除，服務(wù)節(jié)點(diǎn)N11排列到最后一個(gè)。另外，服務(wù)管理節(jié)點(diǎn)再次比較每個(gè)子任務(wù)的最小執(zhí)行時(shí)間和閾值。發(fā)現(xiàn)子任務(wù)A3超過(guò)了服務(wù)節(jié)點(diǎn)閾值（43>41），因此，A3 的最小執(zhí)行時(shí)間將被設(shè)置為∞，表示不能在最佳時(shí)間內(nèi)完成。服務(wù)節(jié)點(diǎn)與最小時(shí)間集合如等式(3)所示，找到（A4 ，N13），子任務(wù)A4從待執(zhí)行子任務(wù)集合中刪除，更新剩余子任務(wù)執(zhí)行時(shí)間集合，如表5所示。

表5 任務(wù)A的每個(gè)子任務(wù)分配之前在不同服務(wù)節(jié)點(diǎn)的執(zhí)行時(shí)間(第四次)

步驟10：第9步之后，子任務(wù)A4從子任務(wù)集合中刪除，服務(wù)節(jié)點(diǎn)N13排列到最后一個(gè)，當(dāng)子任務(wù)A3 的最小執(zhí)行時(shí)間超過(guò)服務(wù)節(jié)點(diǎn)閾值之后，所有的服務(wù)節(jié)點(diǎn)重新進(jìn)入系統(tǒng)，如表6所示。最終，服務(wù)節(jié)點(diǎn)N12執(zhí)行子任務(wù)A3。

表6 任務(wù)A的每個(gè)子任務(wù)分配之前在不同服務(wù)節(jié)點(diǎn)的執(zhí)行時(shí)間(第五次)

為了維持云計(jì)算系統(tǒng)的負(fù)載均衡，該兩階段負(fù)載均衡算法有更高的利用效率。

5 實(shí)驗(yàn)結(jié)果

在本次實(shí)驗(yàn)中采用了Hadoop環(huán)境進(jìn)行模擬實(shí)驗(yàn)。本實(shí)驗(yàn)在Hadoop環(huán)境下，隨機(jī)生成100個(gè)任務(wù)及100個(gè)節(jié)點(diǎn)，設(shè)置各節(jié)點(diǎn)計(jì)算能力隨機(jī)分布在[1000,2000](MB/S)區(qū)間范圍，任務(wù)需求隨機(jī)分布在[1000000,1500000](MB)區(qū)間范圍，同時(shí)忽略節(jié)點(diǎn)間通行能耗及時(shí)間開(kāi)銷(xiāo)，為盡可能減小誤差，三個(gè)算法分別反復(fù)進(jìn)行10次并取平均值作為實(shí)驗(yàn)的最終結(jié)果，實(shí)驗(yàn)結(jié)果如圖3所示（圖中黑色柱條表示平均完成時(shí)間，白色柱條表示最小完成時(shí)間）。

圖3 平均完成時(shí)間與最小完成時(shí)間對(duì)比圖

從圖3可見(jiàn)，雖然本文提出的兩階段負(fù)載均衡算法在最小完成時(shí)間上不如MCT，但是在平均完成時(shí)間上本文的算法能得到更好的效果，從而可以看出本文提出的算法在任務(wù)分配的時(shí)候能夠更好地考慮負(fù)載的均衡，使得完成所有任務(wù)所需的時(shí)間盡量少，不僅提高了任務(wù)的整體完成效率，而且可以減少資源的消耗，提高了資源的利用效率。

6 結(jié)束語(yǔ)

云計(jì)算代表著未來(lái)計(jì)算機(jī)與通信技術(shù)的發(fā)展方向, 作為一種最能體現(xiàn)互聯(lián)網(wǎng)精神的計(jì)算模型，云計(jì)算必將在不遠(yuǎn)的將來(lái)展示出強(qiáng)大的生命力，而以分布式文件系統(tǒng)為代表的云存儲(chǔ)是云計(jì)算中的重要組成部分，其中負(fù)載均衡技術(shù)是云存儲(chǔ)的核心技術(shù)之一 , 本文提出一個(gè)在三層架構(gòu)云計(jì)算網(wǎng)絡(luò)環(huán)境中的兩階段調(diào)度算法。這個(gè)算法結(jié)合了隨機(jī)負(fù)載均衡算法(Opportunistic Load Balancing, OLB)和Min-Min負(fù)載均衡(Load Balance Min-Min, LBMM)調(diào)度算法，能更高效率地執(zhí)行任務(wù)并使系統(tǒng)達(dá)到負(fù)載均衡，從而為其他組合優(yōu)化問(wèn)題提供了進(jìn)一步的研究思路。

[1] 劉鵬．云計(jì)算[M]．北京：電子工業(yè)出版社，2010．

[2] ZXTM for Cloud Hosting Providers[EB/OL]. http://www.zeus.com/c1oud_ computing/for_cloud_providers.html, January 2010.

[3] Load Balancing, Load Balancer[EB/OL]. http://www.zeus.com/products/ zxtmlb/index.html, January 2010.

[4] A. Vouk. Cloud Computing-Issues, Research and Implementations[J]. Information Technology Interfaces, 2008(6): 31-40.

[5] F.M. Aymerich, G. Fenu, S. Surcis. An Approach to a Cloud Computing Network[C]. The First International Conference on the Applications of Digital Information and Web Technologies, 2008: 113-118.