面向云环境的自适应集群调整方法

计算机科学与探索 ›› 2011, Vol. 5 ›› Issue (4): 347-355.

面向云环境的自适应集群调整方法

周欢云^1,2, 王伟^1,3, 张文博¹

1. 中国科学院软件研究所软件工程技术中心, 北京 100190
2. 中国科学院研究生院, 北京 100190
3. 中国科学院软件研究所计算机科学重点实验室, 北京 100190

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-04-01 发布日期:2011-04-01

Self-adaptive Adjusting Approach for Cluster in Cloud Computing

ZHOU Huanyun^1,2, WANG Wei^1,3, ZHANG Wenbo¹

1. Technology Center of Software Engineering, Institute of Software, Chinese Academy of Sciences, Beijing 100190, China
2. Graduate University, Chinese Academy of Sciences, Beijing 100190, China
3. State Key Laboratory of Computer Science, Institute of Software, Chinese Academy of Sciences, Beijing 100190, China

Received:1900-01-01 Revised:1900-01-01 Online:2011-04-01 Published:2011-04-01

摘要/Abstract

摘要： 应用服务器集群是平台即服务(platform as a service, PaaS)模式的主要运行环境。针对云环境下动态变化的用户负载和共享、异构的集群环境, 提出一种自适应集群调整方法, 根据集群负载状况实现资源按需供给。该方法建立了PaaS平台的性能分析模型, 并据此提出自适应的资源供给机制和负载均衡机制。实验结果表明, 通过调节集群节点逻辑资源池的大小和集群节点数量, 配合自适应负载均衡方法, 达到了资源按需供给的目的。

关键词: 云计算, 自适应集群, 负载均衡, 性能诊断

Abstract: Application server cluster is the most important runtime environment in platform as a service (PaaS). Based on the dynamic variable load and shared heterogeneous environment in PaaS, this paper brings forward a self-adaptive approach for cluster adjusting in order to provide resource on-demand corresponding to the cluster load. The approach constructs a performance diagnosis model, then provides self-adaptive mechanism for resource provision and load balancing. The experiment shows that the approach can implement resource provision on-demand through adjusting the size of logic resource pool, the number of cluster nodes and self-adaptive load balancing.

Key words: cloud computing, self-adaptive cluster, load balancing, performance diagnosis

周欢云1,2 , 王伟1,3 , 张文博1 . 面向云环境的自适应集群调整方法[J]. 计算机科学与探索, 2011, 5(4): 347-355.

ZHOU Huanyun^1,2, WANG Wei^1,3, ZHANG Wenbo¹. Self-adaptive Adjusting Approach for Cluster in Cloud Computing[J]. Journal of Frontiers of Computer Science and Technology, 2011, 5(4): 347-355.

[1]	阳勇，孟相如，康巧燕，韩晓阳. 拓扑与资源感知的虚拟网络功能迁移方法[J]. 计算机科学与探索, 2021, 15(11): 2161-2170.
[2]	吴虹佳，刘芳，刘斌，蔡志平. 分散计算：技术、应用与挑战[J]. 计算机科学与探索, 2020, 14(5): 721-730.
[3]	郑良汉，何亨，童潜，杨湘，陈享. 云环境中的多授权机构访问控制方案[J]. 计算机科学与探索, 2020, 14(11): 1865-1878.
[4]	张胜霞，田呈亮. 在幺模矩阵加密方法下的安全外包算法[J]. 计算机科学与探索, 2020, 14(1): 73-82.
[5]	陈彦橦，裴树军，苗辉. 云科学工作流截止期限约束代价优化调度算法[J]. 计算机科学与探索, 2019, 13(8): 1307-1318.
[6]	任晓莉，杨建卫，李乃乾. 云计算中基于动态虚拟化电子流密码的安全存储[J]. 计算机科学与探索, 2019, 13(8): 1331-1340.
[7]	赵倩，谢上钦，韩轲，龚青泽，冯光升，林俊宇. 远程直接内存访问与检查点相结合的容器迁移[J]. 计算机科学与探索, 2019, 13(12): 1995-2007.
[8]	矫培艳，张闯闯，王兴伟，黄敏. SDN控制域确定与划分机制[J]. 计算机科学与探索, 2019, 13(12): 2053-2060.
[9]	李勇，滕飞，黄齐川，李天瑞. 基于Spark的时间序列并行分解模型[J]. 计算机科学与探索, 2018, 12(7): 1055-1063.
[10]	任珂欣，王兴伟，马连博，黄敏. 蚁群分工启发的ICN负载均衡机制[J]. 计算机科学与探索, 2018, 12(7): 1109-1116.
[11]	裴树军，宋冬梅，孔德凯. Map/Reduce下快速剪枝算法在复杂任务调度中的应用[J]. 计算机科学与探索, 2018, 12(1): 72-81.
[12]	刘沛东，安博，钟业弘，王虎，曹东刚. 私有云环境下基于虚拟集群的资源共享方法[J]. 计算机科学与探索, 2017, 11(8): 1204-1213.
[13]	李伟东，李陈筠然，李建平. l_p范数下具有等级约束的负载均衡问题[J]. 计算机科学与探索, 2016, 10(8): 1184-1190.
[14]	王虹旭，吴斌，刘旸. 基于Spark的并行图数据分析系统[J]. 计算机科学与探索, 2015, 9(9): 1066-1074.
[15]	彭建华，李臣明，邱军林，李晓芳，徐立中. 接收与处理分离的实时大数据处理模型[J]. 计算机科学与探索, 2015, 9(8): 906-913.