- 1 -
中国科技论文在线
云环境下资源评价模型的研究
陈雯*
（大连理工大学电信学部计算机学院，辽宁大连，116023）
摘要：云计算已发展为最有应用前景的商业计算模式之一，而云计算环境下的资源具有动态
性和异构性强的特点，且任务需求多变。针对这一问题，本文对云环境下资源和任务的属性
进行了研究，给出了一个综合任务完成时间、费用、负载均衡及可靠性的评价函数，并充分
考虑到用户 Qos需求，可对各子目标权重进行调节，为服务调度提供了可靠的依据和保障，
从而提高了服务调度的质量。
关键词： 云计算；任务调度；资源评价；多指标；Qos
中图分类号：TP393
Research on Resource Evaluation Mechanism in Cloud
Computing
CHEN Wen
(Computer Science School, Dalian University of Technology, Dalian, Liaoning 116023)
Abstract: Cloud computing, which is one of the most promising method in the area of business
computing, has become a research focus in business and academics. In cloud computing environment,
resources are massive, dynamic and heterogeneous; what’s more, requirements are various. Aiming at
this issue, a resource evaluation mechanism combined with task completion time, cost, load balancing
and reliability is proposed by study of resource and task attributes. This paper gives a comprehensive
objective function, which fully takes into account the needs of user Qos by adjusting the sub-goal
weights. This evaluation mechanism can provided a reliable basis for service scheduling, and improve
the quality of system..
Key words: Cloud computing; task scheduling; resource evaluation; multiple indicator; Qos
0 引言
随着互联网应用、电子商务、搜索服务等技术的发展，云计算作为一种新型商业计算模
式，已成为企业和学者的研究热点。Google、IBM、亚马逊等公司分别提出了自己的云计划，
学术界也在云平台基础设施及云服务应用方面进行了广泛的研究[1]。云计算依托于成熟的虚
拟化技术，在分布式计算、网格计算的基础上发展而来，有着良好的前景。而作为一种分布
式计算平台，云环境下的服务调度也是需要解决的问题之一。传统的分布式系统中，资源评
价功能往往集成在任务调度模块中，而且评价目标单一，缺乏对资源综合的、系统的评估，
已经不能适应云计算环境中资源指标多、数量大、动态性和异构性强的特点。本文对云环境
下资源评价模型进行了研究，以任务完成时间、费用、负载均衡及可靠性为目标对资源进行
多指标综合评价，将评价结果作为服务调度的依据，从而为用户提供更高效的服务。
1 资源评价模型
本文考虑云内资源调度模式，即云调度系统根据一定的策略对各计算节点资源进行评
价，将任务调度到最适合的节点执行。计算结点是异构的，可以是个人计算机、服务器或者
- 2 -
中国科技论文在线
工作站等。系统采用无中心分布式管理模式，即不存在中心调度节点，各节点需相互协商以
完成任务调度，这样可以有效避免单点失效问题。本文考虑的任务集为元任务[2]，即任务是
相互独立的，且不可分解,表示为 }...,{ 21 mtttT = 。
模型体系结构
节点定义：节点集由集合 }...,{ 21 nNNNN = 表示。如图 所示。在每次调度协商中，
发布任务信息的节点 SN 称为责任节点，节点 ji NN ... 为参与协商的节点。
SN
iN jN
图 资源评价模型体系结构
Architecture of The Evaluation Model
模型的评价协商过程为：(1) 责任节点首先发布任务信息，发起协商；(2) 收到协商邀
请的节点收集本地资源信息，进行本地资源评价，以判定是否参与任务调度；(3) 责任节点
收集各参与协商节点的资源信息及其评价信息，并根据任务信息，对各节点资源进行综合评
价，找到最适宜调度节点。
资源及任务信息描述
资源信息描述
云计算结合了成熟的虚拟化技术，各计算结点节点的物理资源被虚拟化为影响任务调度
的各类资源，如计算能力、计算成本、负载等。调度问题即为任务与资源的优化匹配。定义
RS 为节点资源集合，包括 CPU、内存、数据存储、带宽 4 类资源，即
{ , , , }CPU mem stor commRS R R R R= ()
各节点需收集的资源信息集合定义为 RIS：
cos
{ , , , , , , }CPU mem stor comm load fault tRIS RI RI RI RI RI RI RI= ()
- 3 -
中国科技论文在线
其中， CPURI 为处理器计算能力，评价标准为指令执行速度，即单位时间内处理的指令
条数（MIPS）； memRI 为内存大小； storRI 为数据存储空间； commRI 为通信能力，即节点间
网络带宽； loadRI 为节点负载，包括 CPU、内存和带宽使用率； faultRI 为节点故障率，即单
位时间内失效的次数，包括网络故障率 nλ 和服务故障率 sλ ； cos tRI 为使用各类资源所需成
本，包括处理器单位价格（每百万指令 MI），内存单位价格（每 1MB），数据存储单位价
格（每 1G），通信单位价格（每 1Mbps）。
任务信息描述
对于任务的描述可分为主观信息和客观信息。任务的主观描述，即用户的 Qos 需求，
包括用户期待完成时间 _ expT 、期待费用 _ expQ ，和时间限制 _ limT 、费用限制
_ limQ ，以及可靠性需求等。
任务客观信息包括任务对资源的硬性限制条件，如操作系统、内存、带宽限制等，以及
任务对各类资源的需求量 kRq 。其中 CPURq 为任务对处理器的需求量，表示为任务长度，即
指令数（MI），它影响任务执行时间； memRq 为任务所需内存大小（MB）； storRq 为任务
所需数据存储空间，即数据文件大小（MB）；此外，任务对网络传输的需求 commRq 由需传
输的数据文件大小表示，它影响了传输时间。
2 多指标综合评价
本地资源评价
各节点接收到责任节点发布的任务信息，进行本地资源评价，算法具体描述如下：
（1）根据任务的硬性限制条件判断，若不能满足该条件，则不参与协商；否则，进行
以下步骤。
（2）收集本节点各项负载值，并计算综合负载值。本文采用惩罚型代换合成法[3]，该
方法加大了对落后指标的惩罚力度，即某个指标不合格将导致整个综合值不合格。
3
1
1 (1 ) Lkwk
k
Load Load
=
= − −∏ ()
其中负载值 kLoad 分别为 CPU 利用率 _Load CPU ，内存使用率 _Load mem和带宽
负载 _Load br； Lkw 为各项负载值相应的权重 LCw ， Lmw ， Lbw 。由公式 可以看出，
综合负载值在[0,1]区间内，若某单项负载为 1，则导致综合负载为 1。
为确定负载权重 Lkw ，本文对 _Load CPU ， _Load mem和 _Load br对系统性能的
影响进行了测试。测试环境为 AMD Athlon 64 处理器，Linux 操作系统。测试算法为快速排
序算法和计算π 值算法。测试结果如图 所示。
- 4 -
中国科技论文在线
0
200
400
600
800
1000
1200
1400
1600
10% 30% 60% 90%
CPU Usage
Ti
me
(m
s) Quick Sort
Compute PI
0
200
400
600
800
1000
1200
1400
20% 40% 70% 90%
Mem Usage
Ti
me
(m
s) Quick Sort
Compute PI
图 CPU 利用率 图 内存利用率
CPU Usage Memory Usage
0
5000
10000
15000
20000
25000
10% 30% 50% 90%
Network Load
Ti
me
(m
s) 100M
10M
图 网络带宽
Network Usage
由上图可知，3 种负载对任务完成时间的影响比重大略为 4:3:15。因此，可以得到计算
系统综合负载的方式：
)_1()_1()_1(1 brLoadmemLoadCPULoadLoad −∗−∗−−= （）
计算任务的估计完成时间。任务 i 在节点 j 完成时间记为 ijCT ，需考虑到任务队列等待
时间 _ ijT wait ，计算时间 _ ijT process ，以及通信时间 _ ijT transmit ，即
ijijijij transmitTprocessTwaitTCT ___ ++= （）
其中， _ ijT wait 为节点 jN 的就绪队列执行时间，即
∑
=
=
jLengthQueue
k
kjij processTwaitT
_
1
__
（）
这里， _ jQueue Length 为就绪队列长度，其中， _ ijT process 由任务 i 的长度 iLen（MI）
和 CPU 处理能力 jSpeed （MIPS）决定，即
_ /ij i jT process Len Speed= （）
_ ijT transmit 根据任务数据文件大小和节点 i 和节点 j 之间的通信能力得到，如下：
- 5 -
中国科技论文在线
delaycurrentBandRate
zeDatafileSitransmitT ij __ += （）
（3）计算任务执行的费用。任务 i 在节点 j 上的代价为
4
1
ij jk ik
k
Q c Rq
=
= ⋅∑ （）
其中 jkC 为节点 j 上第 k 类资源的单位代价， ikRq 为任务 i 对第 k 类资源的需求量。
（4）计算节点可靠性。可靠性，即节点在一定时间内正常工作的概率，它服从泊松分
布[4]，即若节点 j 故障率为 jλ ，则节点 j 在时间 t 内正常工作的概率为exp( )jtλ− 。设网络
故障率为 nλ ，服务故障率为 sλ ，则有节点 j 可以正常完成任务的概率为
))_exp(1()))__(exp(1(1 ij
n
jijij
s
jij transmitTwaitTprocessTS ⋅−−⋅+⋅−−−= λλ （）
多指标综合资源评价
责任节点收到参与协商的各节点的本地资源评价信息，采用层次分析方法[5]进行多指标
综合评价。如图 所示。
定义 任务适宜分配度：计算节点的动态属性，表示该节点对完成任务的适宜度，是本
模型资源评价的最终目标。任务将被调度到任务适宜分配度最高的节点。
图 层次分析模型
Analytical Hierarchy Model
本模型评价目标为任务适宜分配度，将该目标分为 4 个子目标，包括完成时间，费用，
负载及可靠性。各子目标评估值由相应指标综合评价得出。本模型采用的合成方法为 TOPSIS
逼近理想解[6]的方法，该方法是多目标决策领域的著名方法，被很多文献应用在多指标综合
评价中。该方法的思想为求与理想点的贴近程度，详细思路如下：
（1）对各指标进行无量纲化处理。评估指标依性质和作用分为正指标和逆指标，指标
数值大小与最终目标一致的，是正指标，即收益型指标；反之，为逆指标，即成本型指标。
在本模型中，完成时间、费用、负载为逆指标，可靠性为正指标。对于正指标，无量纲化处
理方法为
)min()max(
)min(
ijij
ijij
ij XX
XX
Z −
−= （）
- 6 -
中国科技论文在线
对于逆指标，采用如下方法
)min()max(
)max(
ijij
ijij
ij XX
XX
Z −
−= （）
其中， ijX 为节点 i 的第 j 个指标的值， 1,2...i n= ， 1, 2,3, 4j = 。处理后的数据范围
在[0,1]闭区间。
（2）建立规范化矩阵。
ij Qj ijY Zω= ⋅ （）
其中，子目标权重向量 { , , , }Qj Qt Qc Ql Qsw w w w w= ，分别为完成时间、费用、负载和可
靠性权重。该权重由任务类型和用户 Qos 需求确定。
（3）计算每个节点到最优点和最劣点的欧氏距离 *D 和D− 。
定义 最优点 )1,0,0,0(* ∗= QY ω ，即完成时间、费用及负载均最低，可靠性最高；
最劣点 (1,1,1,0)QY ω− = ∗ ，即完成时间、费用及负载均最高，可靠性最低。
于是得到欧氏距离计算公式
4
* * 2
1
( )i ij j
j
D Y Y
=
= −∑ （）
4
2
1
( )i ij j
j
D Y Y− −
=
= −∑ （）
（4）计算每个节点对理想点的相对贴近程度，即要求节点与最优解近，离最劣解远。
*
i
i
i i
DC D D
−
−= + （）
因此， iC 值最小的节点即为任务最适宜分配的节点。
3 仿真实验
本文通过仿真实验，对传统的 min-min 算法[7]和本文带有资源评价的调度算法进行了比
较。Min-min 算法的调度目标是得到最小的调度长度，即每次从任务集中选取估计完成时间
最早的任务，调度到相应计算节点上。本文通过评价算法进行任务分配，实验选取 3 种类型
的任务为例，即各子目标权重分别为：1）算法 E1: Qjw =（1，0，0，0）；2）算法 E2: Qjw =
（，，，）；3）算法 E3： Qjw =（0，0，0，1）。
图 为针对不同数量的任务集和节点集，min-min 算法和本文算法调度长度的实验结
果。由于云计算环境下资源数量大，计算节点往往远远多于待调度的任务，因此实验主要考
虑节点数比任务数大的情况。取节点数 100，任务数为[10,80]。将一批任务分配到多个节点
上并行执行，最终完成时间取决于计算时间最长的节点，因此定义调度长度：
max{ _ }imakespan CT node= （）
其中 _ iCT node 表示节点 inode 上所有任务的完成时间。
- 7 -
中国科技论文在线
图 调度长度比较
Comparison of Makespan
由图 可知，算法 E1，即当完成时间子目标的权重最大时，在调度长度上取得了比
min-min 算法略好的效果。随着该权重的减小，算法 E2、E3 的调度长度在逐渐增大。由于
本文算法着重考虑云环境下计算节点多于任务的情况，因此，当任务数增加并接近节点数时，
本文算法的优势逐渐变小。
图 为 min-min 与本文算法系统利用率的实验结果比较。定义系统利用率为执行任务
的节点数占所有节点数的比例，即：
_ / _utilization exe node all node= （）
图 系统利用率比较
Comparison of System Utilization
如图 所示，本文算法 E1、E2、E3 的系统利用率均优于 min-min 算法，且随着任务
数增加优势更加明显。
4 结论
本文根据云计算环境下资源的特点，以任务完成时间、费用、负载均衡及可靠性为目标，
结合用户 Qos 需求，对资源进行多指标综合评价，使得任务调度更为合理。仿真实验也表
明，本文的资源评价机制在调度长度、系统利用率方面均可达到良好效果，能够为任务调度
提供可靠依据。并且，可以对目标函数权重进行调节，以适应不同类型用户和任务的需求。
下一步工作是研究将资源评价机制与任务调度算法进行有效结合，包括任务分解等，并把该
调度模块加入已有分布式计算框架中进行验证。
- 8 -
中国科技论文在线
[参考文献] (References)
[1] 陈康，郑纬民. 云计算: 系统实例与研究现状[J]. 软件学报, 2009,20(5):1337-1348.
[2] 丁箐，陈国良，顾钧. 计算网格环境下一个统一的资源映射策略[J]. 软件学报，2002,13(7):1303-1308.
[3] 邱东. 多指标综合评价方法的系统分析[M]. 北京：中国统计出版社，1992 年.
[4] LEWIS E E. Introduction to Reliability Engineering[M]. John Wiley &Sons, 1987.
[5] 施建军. 层次分析法在统计综合评价中的应用[J]. 统计与决策，1992(1) :29-31.
[6] Hwang, . and Yoon . Multiple Attribute Decision Making[M]. Springer-Verlag,Berlin,1981.
[7] HE X S, SUN X H., Gregor von Laszewski. QoS guided min-min heuristic for grid task scheduling[J]. Journal
of Computer Science and Technology, 2003, 18(4):442-451.
